基于幾何特征及數學形態學的機動車牌照識別算法研究

杜召彬， 李廷鋒

(鄭州職業技術學院 軟件工程系，河南 鄭州 450121)

隨著經濟的發展，我國汽車的保有量也在快速增長，2011年汽車保有量10 578萬輛，2012年12 089萬輛，2013年13 741萬輛[1]。面對汽車的快速增長，通過機動車牌照可以對車輛進行身份識別，實現交通管理智能化[2](車輛自動化管理、停車管理和道路違章自動監控等功能)，因而機動車牌照識別技術已經成為交通自動化系統中的核心技術。

機動車牌照自動識別系統的核心內容包括機動車圖像預處理、牌照定位、傾斜校正、字符分割和識別等，其中機動車牌照定位是自動識別系統中最為關鍵上的一環，由于機動車圖像的采集環境等因素，受到光線、天氣和運動失真等影響，這些都會給機動車牌照的定位帶來一定的影響[3]。一些學者對機動車車牌的定位已經進行了深入研究，具體的做法有基于邊緣特征[4-6]、基于顏色特征[7-9]、基于紋理特征[10-11]和基于數學形態[12-14]等方法?；谶吘壧卣鞯姆椒?，要求圖像邊緣的連續性要好，實際情況，由于道路監控環境與光線的不同，得到的牌照區域圖像往往不連續?；陬伾卣鞯姆椒?，需要針對彩色圖像進行處理，處理數據量大，同時對圖像的質量要求較高?；诩y理特征的方法，方法簡單常用，但抗干擾能力差，難于解決背景復雜情況下的圖像定位問題。單一的數學形態牌照識別方法有較好的抗噪性，在復雜背景下處理效果仍不理想。針對以上方法的優缺點，本文提出一種幾何特征與數學形態學相結合的處理方法，首先采用局部閾值法Bernsen和梯度算子Sobel對灰度圖像進行二值化處理和邊緣提取，然后根據機動車牌照自身的幾何特征和數學形態學處理相結合對機動車牌照區域進行精確定位。

1 機動車牌照識別系統結構流程

本文的機動車牌照自動識別系統由圖像采集、圖像預處理、牌照定位、牌照字符分割和字符識別等組成，整個系統的結構流程如圖1所示。

機動車識別系統首先對采集到的圖像進行預處理，得到二值圖像，然后根據機動車牌照的特征進行精確定位，將定位牌照區域中的字符分割出來并識別，最后輸出正確的牌照號碼。

2 牌照識別系統的設計

2.1 圖像預處理

2.1.1 圖像灰度增強

采集到的圖像是彩色圖像，為了減少數據量和處理時間，需要把采集到的圖像轉化為灰度圖像，最后再轉化為二值圖像。彩色圖像轉化為灰度圖像的公式如公式(1)所示。

I=0.3×R+0.59×G+0.11×B

(1)

公式1中，R、G、B分別代表圖像中像素點的紅、綠、藍三色分量，I為像素點轉化后的灰度值。轉化后得到的灰度圖像與現實物體圖像往往不完全匹配，本文采用直方圖均衡法對轉化后的灰度圖像進行處理，增強灰度的變化范圍，以求達到提高圖像的對比度。進行直方圖均衡化的處理過程如下[15]：

1)首先定義灰度變化的比例因子ɑ=255/PixelSum(圖像總像素數)；

2)計算原圖像的直方圖histgram；

3) 對圖像的灰度映射進行初始化：b[0]= ɑ×histgram[0]， b[i]=b[i-1]+ ɑ×histgram[i]，b[i]表示為轉化后的i的像素點的頻數，histgram[i]表示灰度級為i的像素點的頻數；

4) 利用上面的計算結果，對圖像中的所有像素點進行灰度映射計算：g(x,y)=b[f(x,y)]，f(x,y)為原圖像的灰度值，g(x,y)為增強后圖像的灰度值。

2.1.2 圖像二值化及邊緣檢測

對得到的灰度圖像進行二值化處理，如何選取合適的閾值T是二值化的關鍵。閾值T選取過高，會將圖像中一些目標點當做噪聲去除，閾值選取過低，就會出現相反的現象。本文采用文獻16所闡述的Bernsen局部閾值算法，該算法用以 (2m+1)×(2m+1)模板來計算像素點(x,y)的閾值，算法描述如下：

1)灰度圖像中任一像素的灰度值為f(x,y),f(x,y)∈{0,1,…,255}，利用公式2來計算灰度圖像中每個像素點的閾值T(x,y)，再求平均值t:

(2)

2)求出最佳閾值t(0≤t≤255)后，對灰度圖像中的像素點利用公式3進行二值變換，變換公式如下：

(3)

其中， g(x，y)∈{0,1}為二值化后圖像各點的值， 1表示目標， 0表示背景。

機動車牌照區域在整個圖像中有較大的亮度差異，同時大多數牌照是藍底白字，牌照區域的邊緣信息在水平和垂直方向上連續。本文采用Sobel算子[16]進行邊緣檢測，Sobel算子算子采用了3×3的模板，模板的卷積核如圖2所示。

2.2 牌照定位

根據數學形態學的特點，要進行機動車牌照的定位，就要使結構元素與牌照間具有一定的關系。因此，還要了解機動車牌照的主要特征，我國機動車牌照的主要特征[2，17]如下：

1)民用機動車牌照形狀為長方形，長為440 mm，寬為140 mm，長寬比為22 ∶7；

2)機動車牌照的面積與其周長平方間存在一定的數學關系：(22t×7t)/[2×(22t+7t)]2≈1/22,式中t代表牌照的寬度。

根據機動車牌照存在上述的特征，對機動車牌照進行形態學處理，先確定牌照所在的大概位置，然后利用機動車牌照的幾何特征(長寬比和面積等)進行精確定位。具體算法如下：

1)根據機動車牌照的特征，確定要采用的數學形態學結構元素(3×3的單位矩陣)，對經過邊緣檢測的圖像進行腐蝕處理，去除不必要的噪聲點。

2)設定合適的結構元素，對已經過腐蝕的圖像進行膨脹處理，以便恢復腐蝕中消除的有效點，連通有效區域。

3)經過上述算法處理的牌照圖像，在牌照區域也會有其他較小的噪聲干擾，本文采用灰度跳變統計，根據統計數據確定牌照的邊緣位置。

4)通過上述的算法步驟，已經確定了牌照在圖像中的大概區域位置，接下來利用機動車牌照的長寬比和面積等幾何特征，對牌照進行精確定位。

2.3 牌照字符分割及識別

本文采用閾值分割算法[16],合理設置閾值進行目標圖像和背景圖像的區分。在IMAQ Morphology中閾值的設定分為自動和手動方式。本文采用自動設定閾值方式，自動設定閾值可以動態生成閾值，適合監控環境光線變化較大的情況。

字符識別利用采集到的字符特征及形狀信息，通過一定的算法和預先保存在標準字符庫中的字符模板進行逐一匹配，輸出最為相近的字符。本文采用IMAQ Vision模塊進行字符識別，IMAQ Vision模塊是一種完善的字符識別工具，能夠對質量低下的圖像字符進行可靠有效的識別。設定不同的分割閾值、根據牌照在圖像所占比例調整字符間距等操作來完成字符的分割及修正，最終生成一個機動車牌照字符庫。將經過訓練得到的字符庫提交給IMAQ Vision 的OCR接口，程序就能根據此字符庫進行具體的字符識別，達到對牌照進行識別的功能。

3 系統仿真

本文中采用一副大小為600萬像素的彩色圖像，在LabVIEW2010環境下實現。仿真過程算法如下：

1)將采集到的彩色圖像進行灰度轉換和灰度均衡化處理。從處理后的圖3a可知，經過灰度處理后的圖像灰度值范圍集中在30至90間，在此基礎上進行直方圖均衡化處理，來增加圖像的對比度，處理結果如圖3b所示。

2)利用Bernsen算法取得圖像二值化的最佳閾值，對圖像進行二值化處理(結果如圖4所示)，并進行一定的降噪處理，然后用Sobel算子對二值化的圖像進行邊緣檢測，結果如圖5所示。邊緣檢測能夠對灰度的階躍變化進行有效的檢測，通過邊緣檢測將車身及背景去除，能夠保證后面牌照定位的精度。

3)根據圖5邊緣檢測得到的圖像，對圖5所示圖像進行腐蝕和膨脹運算，腐蝕運算可以確定牌照的大概區域如圖6a所示，通過膨脹運算可以對圖像中的孔洞進行填充，使牌照區域連通成為一體。然后根據牌照幾何特征利用數學形態學進行處理，去除其它的噪聲區域，最終確定牌照的定位坐標，結果如圖6b所示。

4)根據得到的牌照的精確定位坐標，在LabVIEW2010環境下，使用IMAQ OCR Read Text函數的訓練接口進行字符分割與識別，結果如圖7所示。

從得到的結果來看,仿真處理對原始圖像進行二值化、灰度增強、均衡化和邊緣檢測都達到了系統設計的處理要求。

4 結論

本文對現有常用的汽車牌照識別算法在工程應用的不足進行了廣泛的研究，提出了一種基于圖像幾何特征與數學形態學的汽車牌照識別算法，在LabVIEW 2010環境中進行了系統的實現。仿真過程中能夠較好地解決汽車牌照背景復雜、噪聲多、信息量大等問題，對汽車牌照的定位準確，牌照識別效率較好。