基于数学形态学的车牌定位

摘要:车牌定位是汽车牌照识别系统中的重要环节,直接影响车牌识别的准确率。对数学形态学进行了研究,并且分析了利用数学形态学进行车牌定位的原理。为了对汽车牌照进行精确的定位,提出了一种基于数学形态学的车牌定位方法。对汽车图像进行预处理和阈值分割后,利用不同的结构元素对二值图像进行形态学滤波,以进一步消除干扰。最后利用面积、长宽比和垂直投影特征值进行综合分析,完成车牌定位。实验结果表明,该方法定位准确率高,为车牌识别创造了良好的前提。

关键词:车牌定位;数学形态学;结构元素;图像识别

中图分类号:TP391文献标识码:A文章编号:1009-3044(2010)07-1696-03

License Plate Location Based on Mathematical Morphology

LI Ran

(School of Electronic and Communication Engineering, North China Electric Power University, Baoding 071003, China)

Abstract: License plate locating is the key process in vehicle license plate recognition system. The efficiency of the locating will affect directly the veracity of recognition. In this paper, the basic theory of mathematical morphology is researched, and principle of license plate location based on mathematical morphology is analyzed. In order to precisely locate the license plate in vehicle image, an algorithm of license plate location based on mathematical morphology is advanced. After the pretreatment and threshold values segmentation, the acquired binary image is morphologically filtered by different structure elements to eliminate interference. Finally, the criterions including the characteristics of areas, ratio of height to width and vertical projection are used in comprehensive analysis, and the license plate area can be located accurately. Experiment results show that the method has high locating accuracy rate. Thus favorable precondition is created for license plate recognition.

Key words: license plate location; mathematical morphology; structure element; image recognition

随着交通系统的智能化发展,汽车牌照自动识别(Car License Plate Recognition,CLPR)技术是近几年来的研究热点。完整的车牌识别系统是由车牌定位、字符分割与字符识别三部分组成,其中车牌定位是整个识别模块实现的前提,定位的准确与否直接影响着整个CLPR系统的最终识别性能,而牌照定位历来是车牌识别系统中的难点问题[1]。车牌定位的实质是图像分割,目前车牌定位的方法多种多样,车牌定位分割的方法主要有[2-4]:彩色图像色彩信息定位、阈值分割、边缘检测和多分辨率等。其中, 色彩信息法实时性较差,不适用于实时车牌自动识别系统;阈值分割和多分辨率法在背景复杂时,应用困难。目前,边缘检测法是应用的主流方法。

基于数学形态学的图像处理是应用具有一定形态的结构元素度量和提取图像中对应的形状,以达到对图像分析和识别的目的。将数学形态学用于图像分割,既能有效滤除噪声,又有助于保留图像中原有的细节信息。目前国内外已有较多的论文研究了将数学形态学应用到文字提取中[1]。

针对各种车牌定位算法的优缺点,本文提出了一个实时、有效的车牌定位方法:首先增强图像并利用车牌中字符的特点,应用迭代法选取阈值实现背景去除,接着利用不同的结构元素对去除背景后的汽车图像进行进一步的去噪处理,最后综合利用车牌的特征值,在汽车图像中定位车牌。实验证明,该方法能准确定位分割出车牌图像。

1 数学形态学原理及其运算

数学形态学以图像的形态特征为研究对象,描述图像的基本特征和基本结构,也就是描述图像中元素与元素、部分与部分间的关系。通常形态学图像处理表现为一种邻域运算形式,采用邻域结构元素的方法,在每个像素位置上用邻域结构元素与二值图像对应的区域进行特定的逻辑运算,逻辑运算的结果为输出图像的相应像素。数学形态学的运算以腐蚀和膨胀这两个基本运算为基础,引出了其它几个常用的数学形态运算,最常见的基本运算有以下几种:腐蚀、膨胀、开运算和闭运算,它们是全部形态学的基础。用这些运算及其组合可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等方面的工作。

腐蚀运算的作用是消除物体的边界点,是边界向内部收缩的过程,可以去除小于结构元素的物体。腐蚀运算定义为:

式(1)中S表示腐蚀后的二值图像集合,B表示用来进行腐蚀的结构元素,结构元素内的每一个元素取值为0或1,它可以组成任何一种形式的图形,在B图形中有一个中心点;X表示原图像经过二值化后的图像集合。此式的含义是用B来腐蚀X得到的集合S,S是由B完全包括在X中时B的当前位置的集合。

膨胀的作用与腐蚀的作用正好相反,它是对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使边界向外扩充的过程。如果两物体之间的距离比较近,则膨胀运算可能会把两个物体连通到一起,膨胀对填补图像分割后物体中的空洞很有作用。膨胀运算定义为:

式(2)的含义是用B来膨胀X得到的集合S,S是由B映像的位移与X至少有一个像素相同时B的中心点位置的集合。

一般情况下,腐蚀与膨胀是不可恢复的运算,但通过腐蚀与膨胀可以构成开运算和闭运算。先腐蚀后膨胀的过程称为开运算,它具有消除图像上细小物体,并在物体影像纤细处(目标狭窄区)分离物体和平滑较大物体边界的作用;先膨胀后腐蚀的过程称为闭运算,它具有填充物体影像内细小空洞,连接邻近物体和平滑边界的作用。开运算和闭运算定义为式(3)和式(4):

2 基于数学形态学的车牌定位算法

由于天气变化、光线强弱、车辆洁度等室外条件的影响,在实际场景中得到的汽车图像背景很复杂并且存在噪声,因此在进行车牌定位识别之前需要对图像进行预处理。预处理环节包括图像增强和去噪滤波等环节。在预处理之后对图像进行形态学处理,首先利用腐蚀运算进行滤波, 再进行开运算,在确定出目标区域的同时,只掺杂少量非目标区域。

根据上述思想,本文采用的车牌定位模型为如图1所示:

图1车牌定位算法处理过程

3 车牌定位算法的实现

3.1 预处理

为了消除摄像头拍摄过程中带来的噪声,应对图像进行去噪处理。目前常用的消噪方法主要有邻域平均法和中值滤波法。领域平均法对抑制噪声是有效的,但它选择的是低通滤波器,而通常图像中的边缘信息里含有大量的高频信息,所以在去噪的同时也使边界变得模糊。中值滤波法采用一种非线性平滑滤波器,它与邻域平均法的不同之处在于,中值滤波器的输出像素值是由邻域像素的中间值决定而不是平均值决定的。中值滤波法运算简单、速度快,并且在滤除噪声的同时能很好地保护信号的细节信息[5],在一定条件下,可以克服线性滤波器所带来的图像细节模糊。汽车图像中的细节信息对于车牌定位识别来说是很重要的,因此,本文选用中值滤波的方法对图像进行消噪处理。

摄像头拍摄到的图像光照条件不够理想,而且车牌位于车身下部,对比度较差,加上车身上部的一些反光等诸多因素的影响,如果直接对图像进行扫描定位会有很大困难,为了获得较好的扫描、分割效果,有必要对车辆图像进行增强处理。图像增强是指对图像的某些特征,如边缘、轮廓、对比度等进行强调或锐化,以便于显示、观察或进一步分析与处理。图像增强不会考虑引起图像质量下降的原因,而是将图像中感兴趣的特征有选择地突出,并衰减不需要的特征。根据汽车图像的特点,本文选用灰度变换增强,变换公式如式(5)所示:

Rmax、Rmin分别为原始图像直方图中的的最大灰度值和最小灰度值;Smax、Smin分别为变换后图像直方图中的的最大灰度值和最小灰度值。

3.2 去除背景

在作形态学处理之前,必须对输入的包含车牌的图像作背景去除处理。去除背景即把车辆与背景分开形成二值图像,以便进行后期的车牌定位。精确地分开前景与背景其关键是选取合适阈值。由于不同的图像其分割阈值不尽相同,因此必须针对不同图像进行计算求得阈值,为了使算法具有自适应性和较快的运算速度选取迭代阈值选择法计算阈值[6]。算法步骤如下:

1) 求出整幅图像的最大灰度值和最小灰度值,记作Gmax和Gmin,令初始灰度门限为T0=(Gmax+Gmin)/2;

2) 根据灰度门限T0(Tk)将图像分割为前景和背景,分别求出两者的平均灰度值Z1和Z2;

3) 求出新的灰度门限T1(Tk+1)=(Z1+Z2)/2 ;

4) 若T0=T1,则T0即为灰度门限,否则到第2步,用T1代替T0进行分割,继续迭代计算,直到Tk=Tk+1(k=0,1,2…),即求得灰度门限为Tk。

3.3 形态学处理

去除背景后的图像中还存在一些噪声,需要做进一步的去噪处理,这里选用数学形态学的腐蚀和膨胀运算作滤波处理。结构元素为3×3的块,不同的形态学运算采取不同的结构元素。腐蚀运算采用图2(a)所示的结构元素,膨胀运算和开运算采用图2(b)所示的结构元素。对去除背景后的二值图像做一系列的形态学运算,包括一次膨胀、一次腐蚀和一次开运算。

3.4 车牌定位

经数学形态学处理之后的图像,最终还要进行车牌定位。根据我国车牌的几个特征,分别采用面积、长宽比以及垂直投影特征值进行加权综合来确定车牌区域。实际处理如式(6)所示,

f(S,P,H)=∑λiCi (6)

其中:λi表示各自不同的权值;Ci表示集征置信度,包括面积S、长宽比P以及垂直投影特征值H。

面积(S)指各矩形区域内非零像素的数目,在二值图像上面积越大,是车牌的可能性越大,因此面积越大,特征置信度Ci就越大。

长宽比(P)是车牌的一个明显特征,虽然车牌反映在图像中的大小不同,由于我国车牌长宽比相对固定,一般在0.3-0.34之间,因此在图像中车牌区域的长宽比也相对固定,所以越接近真实车牌长宽比的区域的置信度Ci就越大。

垂直投影特征值(H)是根据在二值图像上车牌字符呈明暗交替变化来确定的。特征值的计算方法如式(7)所示[7],其征值越大就越接近真实车牌,因此置信度Ci就越大。

(7)

式中:LU为垂直投影直方图中所有从波谷到波峰的路径总长度;LD为直方图中所有从波峰到波谷的路径总长度;bW为图像的宽度,可消除图像大小不同对特征值的影响;1000为规范化因子。

综合面积、长宽比以及垂直投影特征值三个因素进行综合分析来定位车牌区域,可以消除仅用某一参数来进行评价所带来的误差。

4 仿真结果

选取一幅像素为512×384的背景相对复杂的汽车图像进行仿真实验,仿真结果如图3所示:

(a)原始图像 (b)去除背景后的图像(c)灰度变换图像(d)迭代二值化图像(e)形态学处理结果

图3仿真结果

迭代二值化后车牌图像中存在噪声点,如图3(d)所示,经形态学处理之后消除了车牌图像中的噪声,得到了汽车图像中的车牌部分,如图3(e)所示。

5 结论

车牌定位是车牌自动识别的关键环节,直接关系车牌自动识别的准确率。本文针对车牌图像的特点,提出一种基于数学形态学的车牌定位方法。该算法针对去除背景后的汽车图像中仍然存在噪声,采用不同的结构元素对图像进行形态学运算,以进一步消除噪声,大大提高了车牌定位的精确度。实验表明该方法可以从复杂背景中分离出待识别的车牌部分,使进一步的车牌字符识别成为可能。同时从实验结果中也可以看出,定位结果中还存在非车牌区域没有被剔除,因此需要做进一步的研究。

参考文献:

[1] 卢雅琴,邬R超.基于数学形态学的车牌定位方法[J].计算机工程,2005,31(3):224-225.

[2] 王钧铭,赵力.一种基于数学形态学的车牌图像分割方法[J].电视技术,2007,31(10):84-86.

[3] 左琦,史忠科.一种基于数学形态学的实时车牌图象分割方法[J].中国图象图形学报,2003,8(3):281-285.

[4] 李刚,曾锐利.基于数学形态学的车牌定位算法[J].仪器仪表学报,2007,28(7):1323-1327.

[5] 杨山.基于中值滤波和小波变换的图像去噪[D].南京:南京理工大学,2002.

[6] Ridler T W, Calvard S. Picture Thresholding Using An Iterative Selection Method[J].IEEE Transaction on System, Man and Cybernetics,1978:8(8):630-632.

[7] 李小平,任江兴,杨德刚.车牌识别系统中若干问题的探讨[J].北京理工大学学报,2001(21):116-119.