一种改进的车牌定位算法研究

摘 要：为了实现车牌的准确定位及后续的车牌识别，提出一种改进的车牌定位算法。该方法首先对预处理后的车牌图像进行模板匹配来大致确定车牌区域，为了节约运算时间，对模板匹配法进行优化。接着，运用形态梯度方法对粗定位后的图像进行边缘检测，从而更好地保持车牌的边缘。最后，采用投影法进行精确定位，通过对投影的分析找到车牌的准确位置。实验结果表明，该算法对车牌定位的准确性和处理速度都有很大提高，基本满足了系统实时性和准确性的要求。

关键词：车牌定位；模板匹配；形态梯度；投影分析

Research on an Advanced License Plate Location Method

YU Jingsheng,ZANG Jing

(hijiazhuang College,hijiazhuang,0003,China)オ

Abstract： In order to realize license plate location exactly and recognition,an advanced license plate detection method is proposedAt first,this algorithm which is applied to the license plate image after being preprocessed locates the license plate approximately with template matching and a method which can shorten time is introducedhen edge detection based on morphological grads provides better license plate's edge and is propitious to locate exactlyFinally,projection afforded exact location and the license plate location can be got through projection analysishe experiment results indicate that the algorithm given is able to improve the veracity and enhance the speedIt can satisfy real-time and veracity requirements of the system

Keywords：license plate location;template matching;morphological grads;projection analysisオ

1 引 言

车牌自动识别技术(License Plate Recognition,LPR）是智能交通系统（Intelligent ransportation ystem，I）中重要的研究课题，在收费站、停车场和机动车违章查询等场合有着广泛应用。通常，一幅车牌图像的识别主要有3个步骤：车牌定位、字符分割、字符识别。其中能够将车牌准确、快速定位是车牌自动识别的关键，这将直接关系到整个系统的性能。本文所要解决的问题就是如何快速、有效地将目标（车牌）从复杂背景中提取出来。目前，常用的车牌定位方法有：基于彩色信息的定位方法［1］，由于光线对颜色影响较大，容易与颜色相似的区域混淆；基于灰度检测的方法［2］，因不同的彩色级变成同样的灰度级会丢失一些边缘信息；基于神经网络的定位方法［3］，利用神经网络对图像中一个个小窗口进行分类，然后对分类结果进行综合判定得到车牌位置，该方法计算量大，耗用时间长；基于投影法和形态学的车牌定位方法［4］，对车牌图像质量要求较高，易受孤立噪声干扰。在实际应用中，由于天气、背景、车牌磨损等因素的影响，以上基于单一特征的车牌定位算法均有一定的局限性，都会造成定位效果不理想。

要想准确定位车牌区域，就要从解决问题的实际出发,对车牌区域的特征进行深入观察、分析。车牌区域图像的特征：

(1)形态特征：车牌是按照国家标准制造的，长宽比例固定，约为3∶1。字符高90 mm，宽4 mm；

(2)字符特征：车牌由7个字符或数字组成，字符、数字间有间隙，它们基本呈水平排列，在矩形内部存在比较丰富的边缘；

(3)灰值变化特征：在车牌区域内部，字符和车牌底色的灰度呈现较均匀的连续的波峰波谷分布。

2 单一车牌定位方法

21 模板匹配法

模板匹配法根据不同对象的需要，选择一个或多个模板在待匹配图像中移动，将模板图像和原图像比对，找到与模板相匹配的区域。

运用在车牌定位算法中的模板匹配是一种模糊匹配。即这里所制定的模板并不是一个具体的车牌，而是根据经验值设定的矩形模板。在实际应用中，由于摄像机和车辆之间的距离相对固定，所以得到的车牌大小在一定范围内。选取的经验值要比实际车牌区域尺寸大些，以便定位到整个车牌区域。

在预处理后的车牌图像中，车牌区域具有与其他区域明显不同的特征。该区域边缘丰富，在垂直方向连通，水平方向灰度跳变率大。所以，其水平差分累加值最大。

计算水平差分累加值（如式（1）所示）：

ИC=∑i=heighi=1 ∑j=widthj=1|f(i,j)－f(i,j+1)|[JY]（1）И

将矩形模板在待匹配的图像中（如图1（a）所示）移动，当模板中像素的水平差分累加值达到最大时，就找到车牌的粗略位置（如图1（b）所示）。

虽然这种方法能够找到车牌的位置，但经此方法处理后的图像含有较多的冗余信息，不利于后续的车牌识别；同时，该方法计算量大、速度慢、难以满足实时性的要求。

22 投影法

投影法是对二值化后的图像进行扫描，先统计行跳变点的数据得到水平投影图；再通过突出图像列的边缘特征得到垂直投影图，从而提取出有效的车牌区域。虽然该方法运算时间短，但对图像质量要求较高，如果非车牌区域出现较大噪声干扰，很难选取合适的阈值（如图1(c)所示），使得定位不准确甚至出现错误。

3 多方法融合的车牌定位算法

综合考虑以上因素，本文提出一种模板匹配法、形态学和投影法相融合的定位算法，使车牌定位的准确性和处理速度都能达到理想效果。

31 算法概述及流程图

由于不同汽车图像中车牌的干扰程度不同，仅通过1次扫描就定位车牌的准确位置具有一定困难。因此，本文采用先粗后细的定位方式，逐步搜索到车牌的准确位置。算法流程图（如图2所示）。

32 预处理

由于直接对彩色图像进行处理的运算量很大，不能满足系统实时、快速的要求，所以预处理的第一步就是将彩色图像灰度化［6］。

转化关系：

ИИgray=03R+09G+011B[JY]（2）И

式（2）中,gray为灰度值；R，G，B分别为红色、绿色和蓝色分量值。

采用线性拉伸增强图像对比度［7］，便于后面的处理。图像二值化的关键是阈值的选取，本文采用改进的Bernsen算法对车牌图像进行二值化［8］，有效地克服不均匀光照的影响，得到了较为满意的分割效果（如图3所示）。然后采用中值滤波方法［9］（3×3模板）进行去噪处理，消除孤立噪声的干扰，较好地保留图像边缘的细节及车牌区域特征。