文章岩

重庆交通大学 机电与车辆工程学院 重庆市 400074

1 引言

车牌定位识别系统(Vehicle License Plate Recognition，VLPR)在智能交通系统中充当着重要的角色，发挥重要的作用，应用十分广泛，得到了各个科研机构及高校的关注与重视。近年来，全国的雾霾天数正在逐渐增长，雾霾天气已经对智能交通系统产生了不良的影响，现在的车牌定位识别系统在良好的天气下已经非常的完善，识别率很高，鲁棒性很好。但是在雾霾环境下的车牌定位国内的研究还相对较少，在雾霾环境下能够对车牌进行定位，同时保证车牌的正确识别率，会对智能交通系统的升级起到极大的作用。同时，在智能汽车以及无人驾驶等方面能够提供帮助，同时对于在道路上行驶的车辆检测识别也是一种可靠的特征提取方法。

图像的采集环境为非可控，拍摄的光照条件，拍摄的角度不同，车辆的行驶路况，雨天及其雾霾天气，都会对图像的采集造成一定的困扰。雾霾天气会使拍摄的图像出现对比度低、颜色失真、图形模糊等现象，这些现象会严重影响车牌识别系统的准确性和实时性[1]。所以对雾霾环境下所拍摄到的视频图像进行去雾去霾处理，对车牌的精确定位能够起到非常大的作用。

2 基于暗原色先验原理的雾霾图像预处理

2.1 大气散射模型

McCartney根据散射理论，利用入射光衰减模型，以及大气光成像模型来反映物体成像机制提出了大气散射模型[2]，模型如图1所示：

图1 大气散射模型

大气散射模型是由入射光衰减模型和大气光成像模型两者之间存在的相互作用而形成。

（1）入射光衰减模型

当一束强度为E0(λ)的光透过雾霾的距离为dx，那么光的强度经过衰减后可表示为：

β(λ)为大气的散射系数。

（2.1）式两边取x的积分，能够得到入射光在距离d处的光的强度Edt(d，λ)：

大气散射模型中的入射光传输方式为平行入射，在传输中不会出现多散射的情况，因此该模型能够适用于雾霾天气。但是在雨雪等动态天气会产生大量的多散射现象，使用入射光衰减模型进行图像处理不能得到预期效果。

（2）大气光成像模型

大气光成像模型表示如下式：

A(d，λ)为大气光强，A∞(λ)光为大气环境的总光强，d为场景点与成像设备之间的距离，λ为光的波长，β(λ)为大气散射系数，β(λ)d为光学深度。

在大气光成像模型与入射光衰减模型的共同作用下，能够得出在雾天图像形成的规律。

大气散射模型具体如下：

将（2.2）和（2.3）代入上式得：

E(d，λ)=E0(λ)e-β(λ)d+A∞(λ)(1-e-β(λ)d)

令 I(x)=E(d，λ)，J(x)=E0(λ)，t(x)=eβ(λ)d，A=A∞(λ)，则上式可表示为：

其中，x是图像中的坐标点，I(x)表示雾天图像，J(x)为待恢复的无雾图像；t(x)为传播率，A通常为常量（无穷远处的大气光照强度）。

通过对大气散射模型进行研究可以理解光成像原理以及雾天图像形成机理。从图像上除去大气中颗粒的散射光形成的图像部分，同时对周围环境经散射得到的光进行补偿，就可以得到晴好天气下的户外景物，实现图像的清晰复原[3]。

2.2 暗原色先验去雾

2009年，He提出彩色图像由三个颜色的通道组成，那么必然存在一个像素值很低的通道，这就是暗原色[3]。暗原色先验是统计无雾图像库数据得出的规律，通过这个规律，将在雾霾环境下所采集到的的图像进行处理，得到无雾的目标图像。

RGB图像中颜色通道最小像素值为：

其中，Jc为某个R、G、B颜色通道中的值；Ω(x)是x为中心的局部区域。通常Jdark的值在天空区域之外总是很低且接近0。式（2.7）中J是无雾图像，Jdark代表的就是J的暗原色图像。

大气光照强度A给定后，对式（2.6）两边进行最小值运算，可以得到光线的传播率t(x)：

Ac是A中的某个颜色通道，t～(x)是t(x)的相似矩阵。

对R、G、B通道进行最小化运算：

由暗原色先验理论知，在晴朗天气下，暗原色通道的像素值很低并接近“0”，故Jdark=0，因此可以推出：

同时AC总是为正数，可以得到：

将式（2.11）代入式（2.9）中，估算出透射率t～为

在雾霾环境下拍摄到的图像比在晴朗天气下拍摄到的图像亮度要高，由于有额外的大气光存在，因此沿着光线的传播率要小[4]。同时式（2.12）在天空部分能够得到较好的结果，因此不需要单独考虑天空部分。为防止在雾霾环境下不能达到良好的除雾效果，出现不真实的视觉效果。所以我们在公式（2.12）里引入一个常数ω可以得到：

其中 ω∈(0，1)。

根据大气散射模型可以对雾霾环境下采集到的图像进行处理得到需要的无雾图像，当式（2.6）中的传播t(x)率接近于“0”时，J(x)t(x)同样趋于“0”，一般将透射率t(x)设为一个定值t0，且t0取0.1。最终得到的无雾图像J(x)的表达式为：

图2 雾天拍摄原图

图3 进行去雾后的效果图

3 车牌定位

3.1 图像预处理

3．1．1 图像灰度化

在雾霾环境下采集到的都是彩色视频图像样本，彩色图像的每个像素都是由R、G、B分量构成的，R、G、B则代表了红、绿、蓝3种不同的颜色，所以彩色图像又被称为RGB图像。在对图像进行车牌定位识别之前需要对图像进行预处理，彩色图像包含很多对车牌定位识别无用的颜色信息，而这些无用的信息还会增加计算量，使识别速度降低。在图像识别领域一般会把彩色图像转换成灰度图像，图像灰度化是通过对图像进行变换将RGB彩色图像转化为灰度图像，灰度图像同样是包含图像的亮度以及色度等级等信息的。图像进行灰度化处理并不会影响车牌定位识别的效果，同时会减少计算量，提高识别效率，能够保证实时性和准确性。

图4 灰度化效果图

3．1．2 图像滤波

在图像信息的采集中，车载摄像机会产生抖动，同时周围的环境会不可控的发生变化，会给图像的采集带来外界的干扰。采集到的图像中就会存在一些高频信号，这些高频信号会使采集到的图像的质量下降，在经过图像的预处理以及复杂的除雾处理后会使对比度不能满足要求，使分析的过程中出现麻烦。当有这些高频信号的噪声存在时会使图像中的车辆信息不明显，车牌的特征模糊，同时会增加计算量，严重影响车牌定位识别的准确率。中值滤波能够很好的保护图像中的边缘信息，还能够消除因外界环境产生的高频噪声，对进行了灰度化的图像进行中值滤波，能够消除图像中的噪声，保证边缘检测的进行。

图5 图像中值滤波

3.2 图像边缘检测

通过对汽车尾部以及车牌所具有的直线特征与形状特征进行检测，运用Roberts算子对图像中的车牌进行定位，能够定位到图像中的车牌区域。

Roberts算子，在图像中通过局部差分算子来定位边缘。该算子在水平和垂直两个方向上的定位效果较好，检测垂直边缘的效果好于斜向边缘，对于车牌的检测效果较好，定位精度高，适合于图像的车牌检测定位[5]。

Roberts算子定义为：

R（x，y）=max{|f（x，y）-f（x+1，y+1）|，|f（x+1，y）-f（x，y+1）|}

其模板形式为：

图7 Roberts算子边缘检测

3.3 图像开闭运算

经过处理后的二值图像通过运用Roberts算子进行边缘检测后能够得到汽车的轮廓以及车牌的轮廓，通过先腐蚀再膨胀的开运算处理，能够除去孤立的小点、小颗粒噪声、毛刺和小桥，断开目标物之间的粘连，平滑图像中大物体边界，同时总的位置和形状不变使得经过滤波以及形态学处理后的图像更为平滑，移除图像中的小对象能够得到轮廓明显的目标图像。

图8 腐蚀后的车辆轮廓

图9 形态学处理后的车辆轮廓

图10 移除小对象后的车辆轮廓

经过图像的开闭运算后，图8中车牌的位置已经确定，进而对车牌进行定位剪切。

图11 剪切出的车牌

4 总结

本文详细介绍了去雾的理论依据，通过使用大气散射模型对雾霾形成的过程进行分析，运用暗原色先验去雾算法对雾霾环境下拍摄到的视频图像进行去雾处理，得到的去雾效果较好。对去雾的图像进行灰度化处理，通过算法对图像中的车牌进行定位，将定位过程中出现的问题进行处理，结果表明定位的效果较好，车牌识别率较高。对智能交通系统的完善以及车辆检测特质提取具有很大的帮助。