基于边缘检测的车牌定位方法

基于边缘检测的车牌定位方法摘要：根据图像处理理论基础知识和现有技术基础上，对现有定位的算法进行了分析，提出了基于边缘特征的车牌定位方法。经试验验证，结果表明所用方法是有效的，该方法提高了定位准确率，也缩短了定位所用时间，达到了预期目的。关键词：图像处理；车牌定位；边缘检测1 引言 随着社会的发展，车辆的急剧增长为交通管理提出了巨大的挑战，借助与计算机手段进行交通管理的智能交通系统(ITS:IntelligentTrafficSystem)也应运而生。车牌识别技术是智能交通的核心软件，其中的车辆定位又是车牌识别技术中的关键，也是本文重点讨论的对象。通常的车牌识别系统中包括车牌定位、字符分割和字符识别三个部分，在车牌识别技术中定位是第一步，定位准确与否直接影响后续的分割和识别工作。本文所讨论的方法是基于边缘检测的定位方法，使用Matlab7.0软件作为开发工具。 2 车牌定位技术概述 车牌识别技术是对车辆的静态图像进行牌照号码、牌照颜色自动识别技术。 21车牌特征分析 车牌号码是机动车的唯一身份标识。2007年11月1日起，由公安部颁布的新的标准中华人民共和国机动车号牌（GA36-2007）实施，新标准对号牌分类、登记编号编码规则、制作技术和安装使用等规定进行了调整。按照颜色车牌分为黄底黑字、蓝底白字、白底黑字、白底红字和黑底白字，车牌的尺寸为440mm140mm，只有大型车的后牌为440mm220mm。根据这些信息对车牌区域特征分析如下：1）车牌颜色特征，车牌区域底色和字符颜色区分明显色差较大，而且颜色固定。2)车牌几何特征，标准车牌的长宽比是固定的440mm X 140mm的矩形区域。3）车牌纹理特征，由于车牌上的每个字符构成了纹理，每个灰度基元是由每一个字符的连通像素集合构成。4）车牌区域的字符特征。共7 个字符，首字为汉字代表省份，紧跟着字符代表城市，后面5 位字符是数字和大写字母的组合，其中字母不包括I和O。 22车牌定位方法分析 目前主流的车牌定位技术的方法主要有以下几种：基于颜色特征的定位方法【1】，基于边缘特征的定位方法，基于模版匹配的方法，基于形态学的方法，基于支持向量机的方法【2】。其中基于颜色的方法对于车身和车牌同色以及光线干扰或的情况定位准确率不高，基于边缘定位的方法对于车牌污损或者背景物体干扰的情况也显得无能为力。但总的来说这些方法可以分为两大类：一类是基于灰度图像的车牌定位方法，基于灰度图像的方法一般来说彩色图像都要先灰度化、二值化处理，然后通过车牌区域的特征或者边缘特征进行检测，这类方法在定位中把彩色图像得到处理转化为黑白两色的图像，反应时间快，但误检率高；另一类是基于彩色图像的车牌定位方法。这类方法基于彩色图像，利用颜色模型转换，精度较高，可以避免彩色图片经过灰度化和二值化后损失图片信息的问题，缺点是对图像品质要求高，尤其是车身车牌同色情况定位不理想。 通过对比本文选择基于边缘的车牌定位方法，在原有理论算法基础上进行了优化。 3 车牌定位流程 本文所采纳的定位方法流程如图1所示： 图1 车牌定位流程图 3.1灰度处理 在本文中使用的是RGB颜色模型。由于车牌定位过程中，对运算速度有比较高的要求，一般来说定位一张含有车牌的图片控制在几到几十毫秒比较合适，为了提高时间效率在本文中需要把彩色图像转换成灰度图像进行进一步的处理。利用公式(2-1)将彩色图像转换成灰度图像： p=0.299*R+0.587*G+0.114*B (3-1) 其中p代表图像中某点的灰度值，R，G，B分别代表彩色图中对应点的RGB模型中的R，G，B分量值。 3.2灰度拉伸处理 由于背景的复杂性和不可知性，灰度化处理并不能满足实际需要，车牌照区域在图像中不够突出，这样为了增强图像对比度，采用灰度拉伸的办法增强原图的各部分的反差。因此，图像灰度化后接下来要进行灰度增强处理。灰度拉伸变化方程【4】为： D=AX+B(3-2) 其中D为灰度变换后灰度，X为变换前灰度，A,B为变换方程系数。 3.3二值化 为了更加突出字符区域，需要将图像二值化。二值化的目的就是要找出一个合适的阈值，将待处理的区域划分为前景和背景两个部分。本文认为车牌字符区域是本文考察的重点，因此该部分作为图像的前景区，将字符边缘区域的值设为1，其他的部分都看成是背景区，设为0。二值化后的车牌要能保证车牌区域图像的质量，尽量不丢失原字符的特征，本文采用了全局阈值二值化的方法。 设原灰度图像为f (x, y)，二值化后的图像为g (x ,y)，二值化处理表示如公式(3-3)所示： (3-3) 这里的T称为二值化阈值（Threshold），在灰度图象中纯黑色为0，纯白色为1。经过二值化处理后,前景和其他背景就由黑白两种颜色分开,选择不同的阈值会得到不同的分离结果。阈值T的大小对二值化的效果影响很大，采用迭代二值化算法。 3.4边缘检测 为了更加突出车牌区域，需要对图像进行边缘检测。边缘检测的基本思想是通过检测每个像元是否位于一个物体的边界上。如果每个像元位于一个物体的边界上，则其邻域像元灰度值变化比较大。【3】最直接的边缘检测方法就是对原始图像按像素的某小邻域构造边缘算子，经过对比本文选取用Canny算子检测图像的边缘。 3.5去噪处理 图像在边缘检测后往往干扰区域，车灯区、车身上的广告字体在边缘化后都可能成为备选区域，要准确地选择出车牌区域，就要对边缘化后的图片中的连通区域进行进行去噪处理。根据车牌本身是大小固定矩形区域的特点，对备选区域从下往上筛选，假设第一个连通区域是车牌区域，测试其长宽比例看是否在车长宽比例的范围，如果是则认为是该区域，否则寻找下一个连通区域直到找到车牌区域。接着对车牌在垂直方向进行开运算，这样既消除了车牌区域与它上方或下方干扰区域的粘连，又消除了狭长的水平线的干扰。由于车牌被磨损或者掉色，车牌区域还可能出现孤点现象，需要对孤点进行填充空洞处理，这样达到使车牌区域连通的效果，最后得到一个完整连通的车牌区域。 3.6车牌提取 经过以上这些处理之后我们已经可以初步确定车牌的位置了，对基本定位后的车牌图像进行局部分析，以进一步确定字符范围，缩减车牌的左、右和上、下边界，确定出汽车牌照的具体位置，精确定位出的图片会因为拍摄角度产生倾斜，需要对车牌图像进行倾斜矫正，本文使用Hough 变换的方法进行倾斜矫正，提取出汽车牌照。通过这些步骤成功提取车牌的区域达到了字符切割的标准。 4 结论 实验选取了含有车牌照图像150幅，其中120幅来源于实地拍摄，30幅图像来源于互联网，其中蓝牌车123幅，黄牌车21幅，白牌车6幅。图片包括不同光照条件以及复杂背景条件下的图像，对本文的车牌定位方法进行测试，实验结果见表1。 表1 静态图片实验中定位准确率92%，得到了理想的车牌定位效果，证明本文提出的车牌照定位算法的优越性。当然其中也存在一些漏识和错识的现象，错误的主要原因是在二值化后选择的阈值对于反光过于严重的图片显得不太合适，另外由于部分牌照的污损部分也影响了连通域的计算。实验中对静态图像的平均处理速度达到了0.036秒/幅，证明了本文提出的定位方法可以满足实时系统对识别速度的要求。 参考文献： 【1】 郭捷，施鹏飞基于颜色和纹理分析的车牌定位方法.中国图象图形学报，2002；(5) 【2】赵钲基于支持向量机的车牌识别技术研究，2008，西安电子科技大学硕士论文 【3】梅林，刘峰.基于边缘检测与垂直投影相结合的车牌定位方法.甘肃科技，2009;（2）