車(chē)牌識(shí)別系統(tǒng)車(chē)牌定位如何進(jìn)行

1 引言

隨著國(guó)民經(jīng)濟(jì)的高速發(fā)展，高速公路、城市道路、停車(chē)場(chǎng)建設(shè)越來(lái)越多，對(duì)交通控制、安全管理的要求也日益提高，智能交通系統(tǒng)its(intelligent traffic system) 已成為世界交通領(lǐng)域研究的前沿課題。在此基礎(chǔ)上發(fā)展的車(chē)牌識(shí)別系統(tǒng)(license plate recognition)

系統(tǒng)是智能交通系統(tǒng)的重要組成部分，在交通管理中占有重要地位。lpr系統(tǒng)主要由三部分組成：車(chē)牌定位、字符分割、字符識(shí)別，其中車(chē)牌定位的成功與否直接影響是否能夠進(jìn)入車(chē)牌識(shí)別以及車(chē)牌識(shí)別的準(zhǔn)確率。主要的車(chē)牌定位方法：基于灰度圖像的車(chē)牌定位方法[1]、基于小波變換的車(chē)牌定位方法[3]、基于形態(tài)學(xué)的車(chē)牌定位方法[4]、基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌定位方法[7]、基于支持向量機(jī)的車(chē)牌定位方法[8]等。雖然這些算法在某些特定條件下識(shí)別效果較好，但綜合一些諸如天氣、背景、車(chē)牌磨損和圖像傾斜等干擾因素的影響，暫時(shí)還不能完全滿(mǎn)足實(shí)際應(yīng)用的要求，有必要進(jìn)行進(jìn)一步的研究。

2 車(chē)牌定位方法

2.1 基于灰度圖像的車(chē)牌定位方法

灰度數(shù)字圖像是每個(gè)像素只有一個(gè)采樣顏色的圖像。這類(lèi)圖像通常顯示為從黑色到白色的灰度。為了便于車(chē)牌定位，將該圖像轉(zhuǎn)換成二值圖像，即只有黑色和白色兩種顏色的圖像。

此方法是應(yīng)用車(chē)牌的如下特點(diǎn)：車(chē)牌牌照的字符和背景的對(duì)比度比較大，對(duì)應(yīng)于車(chē)牌區(qū)域的水平灰度變化比較頻繁;再者車(chē)牌一般掛在汽車(chē)的緩沖器上或附近，并靠近圖像的下部，干擾一般比較少。根據(jù)以上特點(diǎn)，使用靠近水平方向的一階差分運(yùn)算，以突出灰度變化頻繁的區(qū)域。其一階差分運(yùn)算的算式為：


從車(chē)牌照是一個(gè)矩形這一特點(diǎn)，我們可以判斷它所對(duì)應(yīng)的水平投影圖與車(chē)牌的形狀相仿，是一塊較為獨(dú)立的矩形區(qū)域，從水平投影圖中可以看車(chē)牌位置基本對(duì)應(yīng)于圖中從下到上的第一個(gè)較大的波峰，車(chē)牌投影值區(qū)域大致對(duì)應(yīng)于上述波峰值上、下鄰域的波谷之間所包含的投影值區(qū)域，且這兩個(gè)波谷大致對(duì)稱(chēng)于波峰，波峰和波谷的變化率較大。在這個(gè)過(guò)程中最重要的是確定選擇哪個(gè)波峰，如果這個(gè)波峰的兩個(gè)波谷之間的值的高度都大于某一個(gè)設(shè)定的值，并且兩個(gè)波谷之間的寬度大致等于車(chē)牌照的高度，就認(rèn)定它所確定的區(qū)域就是車(chē)牌的水平位置。對(duì)于車(chē)牌垂直方向的定位算法：一般情況下，車(chē)牌的底色和字符的顏色的對(duì)比度很大，而且在一個(gè)相對(duì)范圍較小的范圍內(nèi)變化比較頻繁，通過(guò)這個(gè)特征確定車(chē)牌垂直方向。該方法對(duì)質(zhì)量較高的圖像有很好的定位，不過(guò)對(duì)于圖像中車(chē)前和車(chē)牌附近的車(chē)輛背景過(guò)多，容易導(dǎo)致錯(cuò)誤的車(chē)牌定位。

2.2 基于小波變換的車(chē)牌定位方法

小波變換是20世紀(jì)80年代中后期在傅里葉分析的基礎(chǔ)上發(fā)展起來(lái)的一個(gè)重要的應(yīng)用數(shù)學(xué)分支。與傅里葉變換相比，小波變換具有較強(qiáng)的時(shí)、頻域局部分析能力。通過(guò)伸縮和平移等運(yùn)算功能對(duì)信號(hào)進(jìn)行多尺度細(xì)化分析，在高頻處取窄的時(shí)(空)間窗，在低頻處取寬的時(shí)(空) 間窗，克服了傅里葉分析無(wú)法同時(shí)在時(shí)域和頻域上取得良好局部特性的局限性，近年來(lái)這一方法在很多工程領(lǐng)域得到廣泛應(yīng)用。小波分析的核心是多分辨率分解，其良好的時(shí)—頻特性使其成為研究精細(xì)結(jié)構(gòu)的理想工具。在車(chē)牌圖像處理方面，經(jīng)過(guò)基于小波變換的高通濾波，車(chē)牌區(qū)域的橫、豎、撇、捺筆劃變得十分簡(jiǎn)潔、明晰，與傳統(tǒng)算法中通過(guò)中值濾波等方法來(lái)濾除圖片中的噪聲干擾相比較，小波變換增強(qiáng)了處理的針對(duì)性，在降噪的同時(shí)增強(qiáng)了有用信息，便于在后續(xù)程序中獲取車(chē)牌區(qū)域的細(xì)節(jié)信息。南京航天航空的馬永一、宋錚等人將小波變換直接應(yīng)用于車(chē)牌定位，提出了一種直接對(duì)灰度圖像進(jìn)行除噪處理的方法。

該方法是首先設(shè)計(jì)一個(gè)基于小波變換的濾波器，然后對(duì)圖片進(jìn)行x層小波變換之后對(duì)低頻部分llx進(jìn)行衰減，再進(jìn)行小波反變換即可實(shí)現(xiàn)高通濾波，濾除圖片中由于光照不均等多種因素造成的噪聲干擾突出車(chē)牌區(qū)域。在傳統(tǒng)的車(chē)牌定位算法中，都是先對(duì)圖像進(jìn)行二值化處理。對(duì)于原始的灰度圖像中存在很明顯的由光照不均引起的亮度差別，汽車(chē)的左半部分的亮度因建筑物遮擋比右半部分的亮度暗，同時(shí)右半部分也存在著局部的光線不足的情況下，如果直接進(jìn)行平均灰度整體閾值二值化，很容易出現(xiàn)由于閾值選取過(guò)高而造成車(chē)牌區(qū)域的不可辨識(shí)的情況，假如在程序中刻意降低閾值又會(huì)引入很多噪聲，失去了二值化的使用意義。如果使用局部閾值二值化，一方面增加了計(jì)算閾值的工作量，增加了處理時(shí)間，同時(shí)也可能會(huì)因?yàn)閰^(qū)域劃分的原因引發(fā)新的邊界噪聲干擾。使用基于小波變換的高通濾波處理后，圖片效果十分理想，不僅完全消除了光照不均造成的影響，而且使車(chē)牌區(qū)域更加突出，大大提高了定位查找的準(zhǔn)確率。但是降噪預(yù)處理時(shí)的重構(gòu)信號(hào)會(huì)丟失原有的時(shí)域特征。

2.3 基于形態(tài)學(xué)的車(chē)牌定位方法

數(shù)學(xué)形態(tài)學(xué)是由一組形態(tài)學(xué)的代數(shù)運(yùn)算子組成的，它的基本運(yùn)算有4個(gè)：

膨脹、腐蝕、開(kāi)啟和閉合，它們?cè)诙祱D像和灰度圖像中各有特點(diǎn)。基于這些基本運(yùn)算還可推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法，用它們可以進(jìn)行圖像形狀和結(jié)構(gòu)的分析及處理，包括圖像分割、特征抽取、邊界檢測(cè)、圖像濾波、圖像增強(qiáng)和恢復(fù)等。數(shù)學(xué)形態(tài)學(xué)方法利用一個(gè)稱(chēng)作結(jié)構(gòu)元素的“探針”收集圖像的信息，當(dāng)探針在圖像中不斷移動(dòng)時(shí)，便可考察圖像各個(gè)部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。上海大學(xué)的盧雅琴、鄔凌超基于形態(tài)學(xué)的思想提出了一種基于形態(tài)學(xué)的車(chē)牌定位方法。

該方法的具體步驟如下：首先對(duì)原始圖像進(jìn)行二值化處理，然后采用4×1的結(jié)構(gòu)元素對(duì)已二值化的圖像進(jìn)行濾波，去除圖像的噪聲。采用16×9的結(jié)構(gòu)元素再對(duì)去噪后的圖像進(jìn)行膨脹，然后再用同樣大小的結(jié)構(gòu)元素做腐蝕運(yùn)算，使車(chē)牌所在的區(qū)域形成連通的區(qū)域。然后標(biāo)記出圖像中所有的連通的區(qū)域，并計(jì)算出每個(gè)連通區(qū)域的外接矩形框，利用車(chē)牌的先驗(yàn)知識(shí)，確定車(chē)牌的位置。上述基于形態(tài)學(xué)處理的車(chē)牌定位方法，可以較好地確定圖像中車(chē)牌的位置，且算法簡(jiǎn)單、實(shí)時(shí)性強(qiáng)。但是使用過(guò)大過(guò)小的結(jié)構(gòu)元素，都無(wú)法使車(chē)牌區(qū)域形成閉合的連通區(qū)域。因此結(jié)構(gòu)元素的選取非常重要。

2.4 基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌識(shí)別系統(tǒng)車(chē)牌定位方法

bp 神經(jīng)網(wǎng)絡(luò)是目前人工神經(jīng)網(wǎng)絡(luò)中研究最深入、應(yīng)用最為廣泛的一種模型，是bp(back propagation)學(xué)習(xí)算法在多層前饋網(wǎng)絡(luò)中的一種應(yīng)用模型。

bp網(wǎng)絡(luò)的實(shí)質(zhì)就是多層感知器(multi-layer perceptron，mlp)，對(duì)于常用的三層(含有輸入層、隱含層和輸出層)網(wǎng)絡(luò)來(lái)說(shuō)，第一層屬于輸入層，接受輸入向量;第二層屬于隱含層，用于記憶，增加網(wǎng)絡(luò)的可調(diào)參數(shù)，使網(wǎng)絡(luò)輸出更加精確;第三層屬于輸出層，輸出網(wǎng)絡(luò)結(jié)果。相鄰層之間的節(jié)點(diǎn)屬于全連接，相同層之間的節(jié)點(diǎn)沒(méi)有連接。理論上，對(duì)于三層bp網(wǎng)絡(luò)只要使得對(duì)隱含層的節(jié)點(diǎn)增大到一定的范圍就可以擬合任何非線性函數(shù)。bp算法由正向傳播和反向傳播組成。正向傳播是輸入信號(hào)從輸入層經(jīng)隱含層傳向輸出層，若輸出層得到期望的輸出，則算法結(jié)束;否則，轉(zhuǎn)至反向傳播。反向傳播就是將誤差信號(hào)(樣本輸出與網(wǎng)絡(luò)輸出之差)按原連接通路反向計(jì)算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號(hào)減小，直至誤差達(dá)到期望的誤差。

該方法主要利用神經(jīng)網(wǎng)絡(luò)進(jìn)行模式識(shí)別的一些優(yōu)勢(shì)：其一，它允許對(duì)問(wèn)題的了解較少;其二，它可以實(shí)現(xiàn)特征空間中比較復(fù)雜的劃分。基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌定位方法主要分以下步驟，首先對(duì)bp網(wǎng)絡(luò)進(jìn)行訓(xùn)練，選取各種情況下的車(chē)牌圖像，將其轉(zhuǎn)換成灰度圖像，每一幅圖像的全部灰度值作為網(wǎng)絡(luò)的一組輸入向量，如果是含牌照的汽車(chē)圖像，則設(shè)定其網(wǎng)絡(luò)輸出為高(0.9)，否則為低(0.1)，反復(fù)訓(xùn)練直至達(dá)到理想的效果。然后對(duì)實(shí)際圖像進(jìn)行預(yù)處理：灰度化，直方圖化，濾波器濾波，增強(qiáng)圖像并去除圖像的噪聲。最后用一個(gè)m×n的滑動(dòng)窗口(m×n根據(jù)實(shí)際車(chē)牌的寬高比例設(shè)定)逐個(gè)像素地遍歷預(yù)處理后的圖像，窗口內(nèi)子圖像的數(shù)據(jù)經(jīng)過(guò)歸一化后送到神經(jīng)網(wǎng)絡(luò)的輸入端作為輸入向量，如果神經(jīng)網(wǎng)絡(luò)輸出為高，則可判斷此滑窗所在位置有車(chē)牌，否則無(wú)車(chē)牌。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行車(chē)牌的定位，其優(yōu)點(diǎn)在于可以充分利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性，但這種方法也存在缺點(diǎn)，即需要花費(fèi)一些時(shí)間進(jìn)行網(wǎng)絡(luò)的訓(xùn)練。如何縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時(shí)間，即提高其收斂速度是一個(gè)研究的難點(diǎn)。

2.5 基于支持向量機(jī)的定位方法

支持向量機(jī)(svm) 是20 世紀(jì)90年代初由vap2nik等人提出的一類(lèi)新型機(jī)器學(xué)習(xí)方法，主要用于解決有限樣本情況下的模式識(shí)別問(wèn)題。此方法能夠在訓(xùn)練樣本很少的情況下達(dá)到很好的分類(lèi)推廣能力。由于車(chē)牌區(qū)域有著的紋理，尋找一種良好性能的分類(lèi)器，凸現(xiàn)這種紋理特征，使它與其它區(qū)域區(qū)別開(kāi)來(lái)。支持向量機(jī)(support vector machine，svm) 正是這樣一種分類(lèi)學(xué)習(xí)機(jī)制。

所以對(duì)車(chē)牌定位的研究，提出一種基于支持向量機(jī)的定位方法。首先將圖像分割為n×n大小的子塊，提出每個(gè)子塊的灰度特征，訓(xùn)練svm分類(lèi)器;然后用訓(xùn)練好的分類(lèi)器進(jìn)行牌照子塊和非牌照子塊的分類(lèi)，再使用數(shù)學(xué)形態(tài)學(xué)濾波和區(qū)域合并;最后運(yùn)用投影方法定位牌照區(qū)域。實(shí)驗(yàn)結(jié)果表明，該方法能比較好地定位牌照區(qū)域，但是由于svm算法對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施，并且用svm解決多分類(lèi)問(wèn)題也存在困難，如果能解決這個(gè)問(wèn)題車(chē)牌定位將會(huì)更精確。

3 結(jié)束語(yǔ)

本文在現(xiàn)有的車(chē)牌識(shí)別系統(tǒng)的基礎(chǔ)上，對(duì)近年來(lái)國(guó)內(nèi)出現(xiàn)的車(chē)牌定位方法進(jìn)行了全面的綜述，車(chē)牌定位是車(chē)牌識(shí)別中的關(guān)鍵。上述車(chē)牌定位方法在理想條件下很好，但是由于車(chē)牌背景的復(fù)雜性與車(chē)牌特征的多樣性，研究更實(shí)用的車(chē)牌定位方法是下一步要做的。如果將上述某些方法的特點(diǎn)相結(jié)合，集各家所長(zhǎng)，有可能研究一種更好的車(chē)牌定位方法。