杨鼎鼎 陈世强 刘静漪

1(湖北民族学院理学院 湖北 恩施 445000)2(湖北民族学院信息工程学院 湖北 恩施 445000)

0 引 言

车牌识别系统是智能交通系统的核心部分，主要步骤包括：车牌定位、倾斜校正、字符分割、车牌识别三部分。车牌定位前需对拍摄到的图像进行预处理，即对拍摄到的图像进行降噪、增强处理；车牌定位完成后需对定位后的车牌区域进行倾斜校正，便于后续字符分割和车牌识别。车牌定位作为车牌识别中重要组成部分，由于光照、阴影等影响，使车牌定位更加困难。针对车牌定位难、定位速度慢，提出一种基于车牌背景和字符颜色特征的车牌定位算法。目前，车牌定位主要分为灰度车牌定位[4-7]和彩色车牌定位[8-12]，国内外学者对灰度车牌定位研究较早，技术比较成熟；彩色车牌定位发展相对较晚，研究空间较大，是当前车牌定位研究的热点。

车牌定位算法最早由加拿大学者BERGA[1]等人于1988年提出，主要目的是讨论当时自动车牌识别技术的发展水平。我国最早由赵雪春[2]和刘效静[3]于1998年提出，并开始研究车牌自动识别技术。文献[4]提出一种基于灰度变换和颜色特征的车牌定位算法，算法鲁棒性好，精确率高，但算法比传统算法复杂。基于灰度图像的车牌定位[5]，通过对车牌图像进行灰度化、二值化处理，用投影法完成了车牌定位，定位精度较高，但鲁棒性偏低。文献[6]针对传统算法定位精度不高的问题，提出一种基于灰度跳变的车牌定位算法，利用跳变位置完成车牌定位，算法鲁棒性好、精确率高，但算法设计较复杂。文献[7]提出一种基于字符特征约束的自适应车牌提取方法，利用自适应边缘检测算法和字符特征完成车牌定位，方法对背景环境、光照条件等限制极少。基于条件随机场和成分分析的车牌检测算法[8]，用最大稳定极值区域提取提取候选车牌区域，用条件随机场重构并检测出候选车牌区域，算法检测车牌的准确率高，但检测时间较长。文献[9]融合字符纹理特征与RGB颜色特征实现车牌定位，算法快速，定位准确。文献[10]提出一种基于线性密度的滤波方法，用于检测候选区域，使用支持向量机识别车牌，完成车牌定位，车牌定位的准确率和定位时间都有所提升。文献[11]提出一种融合字符纹理特征与RGB颜色特征的车牌定位算法，根据车牌背景颜色和字符颜色的特性提取颜色点对，通过检测字符纹理和形态学处理完成车牌定位，定位准确率高。文献[12]将CIELab颜色模型引入车牌定位中，利用Lab颜色空间提取蓝、黄车牌区域，并利用车牌区域的纹理特征和形态学操作实现车牌定位，提高了车牌区域初始定位准确度。文献[13]利用边缘检测、灰度跳变点和车牌的几何特征完成车牌定位，结果显示算法的抗干扰能力强。文献[14]提出一种基于颜色特征的车牌定位算法，通过Hough变换、傅里叶变换和小波变换完成车牌定位，提高了精确率，但算法较为复杂。基于颜色的复杂背景车牌定位[15]，利用颜色跳变和颜色信息，实现复杂背景下的车牌定位。结合颜色差分模型的车牌定位[16]，针对现有定位算法对光照敏感、易受背景影响，提出一种结合颜色差分模型的自适应增强算法，鲁棒性好、准确率高。文献[17]利用车牌颜色特征和Canny边缘检测算法，完成车牌定位，并对多组车牌进行了实验，定位结果较好。基于字符边缘点提取的车牌定位方法[18]，采用窗口检测法提取字符边缘点，进而定位车牌区域，解决了车牌和车身颜色相近不能检测的问题，同时提高了算法的鲁棒性。

综上，车牌定位主要存在的问题有：算法复杂、定位速度慢、定位精度低、鲁棒性差、算法抗干扰性差等。针对部分问题，提出一种基于车牌背景和字符颜色特征的车牌定位算法。算法提出了一种新的颜色模型，并改进了Canny边缘检测算法，使之更适合竖向边缘的检测。算法设计简单、定位速度快、鲁棒性好。

1 相关知识及改进算法

1.1 车牌的特征

1.1.1 车牌的颜色特征

我国车牌颜色搭配主要有：蓝底白字(小车)、黄底黑字(大车)和白底黑字或红字(军警车)三类，如图1所示。它们共同特性是车牌背景与字符有着固定的颜色搭配，不同点是车牌背景与字符的颜色不同，且纹理不同，背景区域是横向纹理，字符区域是纵向纹理。

(a) 蓝底白字 (b) 黄底黑字

(c) 白底黑/红字图1 车牌类型

1.1.2 车牌的几何特征

我国蓝底白字车牌大小为140×440 mm，宽高比为3.14，由7个字符组成，第一个字符为汉字，是每个省市区的简称；第二个字符为26个英文字母中的一个；第3～7个字符由字母和阿拉伯数字组成。其中，每个字符高度为90 mm，宽度为45 mm，所占区域长宽比为2∶1，间隔符“·”的直径为10 mm，字符间的标准距离为12 mm，如图2所示(图中数字单位为mm)。

图2 车牌规格

1.2 Canny算子及其改进

Canny算子由JohnCanny于1986年提出，它与Marr(LoG)边缘检测方法类似，属于先平滑后求导数的方法。Canny算法中所采用的卷积模板比较简单，如下式所示：

(1)

其x、y方向的一阶偏导数矩阵如下：

(2)

由于车牌字符区域为纵向边缘，为了突出车牌字符区域，将式(2)中x方向的一阶偏导矩阵中相减部分都改为纵坐标相减，y方向的一阶偏导矩阵不作改变：

(3)

图3(a)为包含车身的实验图像，图3(b)为图3(a)的灰度化图像，图3(c)为Canny边缘检测结果，图3(d)为改进的Canny边缘检测结果。根据图3(c)、(d)，Canny边缘检测的结果更加详细，横纵边缘可以无差别检测，而改进的Canny边缘检测则更好地检测出车牌的竖向边缘，减少了横向边缘。由于车牌字符是纵向边缘，根据车牌区域纹理特征完成车牌定位时，Canny边缘检测不适合用于字符纹理的检测。改进的Canny边缘检测可以更好地检测竖向边缘，减少横向边缘的干扰，突出字符纹理，同时减少算法量。

(a) 原图 (b) 灰度图

(c) Canny边缘检测(d) 改进Canny边缘检测图3 Canny与改进Canny对比图

1.3 投影法

1.3.1 水平投影

水平投影即向车牌图像纵坐标方向进行投影，纵坐标不变时，统计横坐标方向某种像素点的个数。对二值化后的车牌图像进行水平方向的投影，即统计车牌图像每行白色像素的个数，统计公式如下：

(4)

图4(a)为图1(a)中车牌的水平投影图，根据水平投影可确定字符区的上下边界，完成字符区纵坐标方向的分割。

(a) 水平投影

(b) 垂直投影图4 车牌投影图

1.3.2 垂直投影

垂直投影即向车牌图像横坐标方向进行投影，横坐标不变时，统计纵坐标方向某种像素点的个数。对二值化后的车牌图像进行垂直投影，即统计每列白色像素的个数，统计公式如下：

(5)

图4(b)为图1(a)车牌的垂直投影图，根据垂直投影可以确定车牌字符区的左右边界，完成字符区横坐标方向的分割。

2 车牌定位

车牌定位分为粗定位和细定位两部分。粗定位主要根据颜色分量分割出车牌所在的大概区域，便于细定位处理，同时减少计算量。细定位则首先对粗定位处理的车牌区域进行改进的Canny边缘检测；然后用形态学操作减少车牌区域断裂，得到连通的车牌区域；最后使用投影法分割出候选车牌区域，结合车牌的几何特征排除伪车牌，仅留下车牌区域。具体流程图如图5所示。

图5 车牌定位流程图

2.1 粗定位

2.1.1 原理介绍

由摄像机拍摄到的车牌图像为RGB图像，较灰度图像占用存储空间多，若直接处理RGB图像，内存和时间消耗都较大。针对这个问题，提出一种基于蓝色通道的候选车牌区域粗定位算法。首先，用加权法从RGB图像中提取蓝色通道分量；然后，根据先验知识设定阈值T1、T2；最后，通过双阈值法将候选车牌区域变换为由0、1组成的二值图，完成候选车牌区域粗定位。

其中，从RGB图像中提取蓝色通道分量的模型为：

IB=0×R+0×G+1×B

双阈值法的模型为：

2.1.2 算法实现

根据上述原理，基于蓝色通道的车牌定位步骤如下：

Step1：提取RGB图像中的蓝色分量，记IB；

Step2：设定阈值T1、T2；

Step3：根据阈值T1、T2完成候选车牌区域粗定位，记IBW。

图6为使用上述步骤完成的车牌粗定位，图中车身大部分已被滤除，但仍存在一些标签干扰车牌定位，如部分车贴、车的品牌标志等，因而需对图6中的车牌进行精细定位。

图6 粗定位车牌

2.2 细定位

2.2.1 边缘检测

用1.2中改进的Canny边缘检测算法对图6粗定位后的候选车牌区域进行边缘检测，图7为边缘检测结果，检测结果较好的保留了车牌区域，但仍存在一些干扰，如图7上边的品牌标志和右边的车贴。

图7 改进Canny检测的车牌

2.2.2 形态学滤波

由于边缘检测后的车牌区域存在断裂或粘连的情况，对边缘检测后的图像进行形态学处理，可以减少断裂和粘连。若边缘检测后的车牌边缘保留较好，可不对车牌进行形态学处理，否则进行形态学处理。

2.2.3 确定候选车牌区域

先对候选车牌区域做垂直投影确定车牌区域的左右边缘坐标，然后对其进行水平投影确定车牌区域的上下边缘坐标，根据四个坐标将候选车牌区域进行分割，得到分割区域。图8为利用投影法确定的车牌区域，其中图8(a)为对图7进行垂直投影后得到的图像，根据曲线可以确定车牌区域的左右边缘；图8(b)为对图7进行水平投影后得到的图像，根据曲线可以确定车牌区域的上下边缘；图8(c)为根据8(a)(b)确定的车牌边缘对图7进行裁剪后的车牌区域，与图7相比，仅排除了部分车贴的影响，因此需根据车牌的几何特征排除图8(c)中的伪车牌。

(a) 垂直投影

(b) 水平投影

(c) 投影裁剪图8 投影法确定车牌区域

2.2.4 排除伪车牌

为得到精确的车牌区域，根据1.1.2节中介绍的车牌的几何特征排除图8(c)中伪车牌，图9为排除伪车牌后的车牌图像。

图9 几何特征定位车牌

排除伪车牌的步骤为：

Step 1：做一宽45像素、高90像素的矩形框；

Step 2：将矩形框在图8(c)中从左到右移动，若矩形框中出现白色像素，记录矩形框左上角坐标；

Step 3：将矩形框左上角与记录的坐标重合，上下左右移动矩形框，若框内像素可单独为一连通区域，则保留该矩形框中的像素；否则该区域为伪车牌区域，删除该区域；

Step 4：将矩形框从第一个记录的位置继续向右移动，重复Step 3，直至移到图像右下角；

Step 5：裁剪保留的区域，即为车牌区域。

3 实验结果及分析

3.1 实验平台

PC机配置为：Intel(R) Core(TM) i5- 4200M CPU @ 2.5 GHz 2.5 GHz，内存4 GB，win7 32位操作系统。通过MATLAB 2014a编写程序实现上述加解密算法。

3.2 实验结果与分析

为验证算法的有效性，选取自然条件下拍摄的100幅蓝底车牌进行检测，定位成功率为95%，实验结果如表1所示，图10和图11分别为部分定位成功和定位失败的车牌。根据图10，定位成功的车牌，字符比较清晰，为后续识别步骤提供良好基础；根据图11，定位失败的车牌字符不完整，主要原因是由于光照条件的影响，使部分字符亮度较暗或较亮，导致车牌定位不完整。100幅车牌的定位时间曲线如图12所示，定位平均时间为0.545 6 s。

表1 车牌定位实验结果

(a) 原车牌图 (b) 定位后的车牌图10 定位成功的车牌

(a) 原车牌图 (b) 定位后的车牌图11 定位失败的车牌

图12 定位时间

4 结 语

针对车牌定位困难、定位时间长等问题，提出一种基于车牌背景和字符颜色特征的车牌定位算法。算法首先根据车牌背景和字符固定颜色搭配，利用新的颜色模型完成车牌粗定位；然后利用设计的竖向边缘检测算法——改进的Canny边缘检测算法完成边缘检测；最后，使用投影法和车牌的几何特征完成精定位。实验表明该算法设计简单，车牌定位精确。该算法的不足是对强光和弱光下拍摄的车牌检测率低，后续将进一步研究强光和弱光条件下该算法的改进工作。