一种快速车牌定位算法

蒲东兵，赵大伟，赵东来，马志强

0 引言

智能交通系统[1]（Intelligent Transportation System，ITS）由美国智能交通协会于1990年提出，它利用先进的信息处理技术、通信技术、自动控制技术、图像处理和模式识别技术以及计算机网络技术等来加强道路、车辆、驾驶员和管理人员的联系，实现道路交通管理自动化和车辆行驶的智能化，有效地缓解交通堵塞，减少交通事故，建立舒适安全的交通环境。

智能交通系统中，车辆牌照的定位与识别，作为鉴别车辆信息的来源，占有着重要的地位。车牌识别系统[2]（License Plate Recognition System，LPS）的任务是处理、分析所摄取的汽车图像，自动识别出车牌号码，从而确定车辆的身份。车牌识别系统能广泛应用于高速公路收费站、城市交叉路口、港口和机场、国家机关等重要场所，对提高这些场所交通系统的管理水平和自动化程度具有重要的意义。车牌识别算法主要包括，图像预处理、灰度图像二值化、牌照图像的整形与去噪、车牌区域的定位与切割、字符的分割和识别，本文主要介绍车牌定位的快速算法。

1 车牌区域的定位

对于快速行驶的车辆，可以通过高速的摄像设备，捕获一帧汽车前视或者后视图像，作为后续定位和识别之用。而对捕获的车辆图像进行分析和识别过程中，车辆牌照的定位是整个环节的基础和关键。

1.1 图像预处理

由于外界因素的影响，在对车牌区域进行定位之前所获取的车辆图像的质量往往较低，并且存在大量的噪声，要准确地对车牌区域进行定位，需要对获取的图像进行必要的预处理，主要是对获取的彩色图像进行灰度化，随后进行图像增强，然后转化为二值图像，利用滤波算子进行滤波预处理，对图像中的噪声进行消除或降低噪声干扰。

1.1.1 图像灰度化

由于采集的图像一般是彩色图像，不但存储开销很大，而且处理上也会影响系统的处理速度，因此，对图像进行定位前先将图像转化为灰度图像，以加快处理速度。

图像的灰度化处理的基本原理[3]，彩色图像中的每个像素的颜色有R、G、B三个分量决定，而每个分量有256种取值，一个像素点就可以有1600多万（256*256*256）种颜色。灰度图像是R、G、B 3个分量取值相同的一种特殊彩色图像，每个像素点只有256种取值，所以在数字图像处理中，一般先将各种格式的彩色图像转化成灰度图像，以使后续图像处理的计算量减少。灰度图像的描述与彩色图像一样，仍然反映图像的整体、局部的色度、亮度等级的分布和特征。

根据YUV的颜色空间中，Y的分量的物理意义是点的亮度，由该值反映亮度等级，根据RGB和YUV颜色空间的变化关系可建立亮度Y与R、G、B 3个颜色分量的对应关系。

将彩色图像转化为灰度图像常采用公式（1）：[4]

由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，由式（1）得到的灰度图像是较为合理的。

1.1.2 图像增强

从摄像机获得的汽车图像由于受到自然环境的影响，往往质量较差，并且在图像信号的采集、输入过程中，也会使图像的质量下降，给后面的车牌定位和分割工作带来困难，因此需要对以上图像进行图像增强，提高图像质量。

在图像增强处理中，基于点操作的增强方法也叫做灰度变换。使用灰度变换的主要目的是为了提高图像的对比度，即增强原图像各部分的反差，去除或削弱无用的信息。

假定灰度化后的图像的灰度级范围为G（i，j）∈[a，b]，为了将图像的灰度级范围拓展为G’（i，j）∈[a’，b’]，所需的线性变换如式（2）所示：

由于车牌位于车身的下部中间，属于中间灰度级范围，而车头上部及背景中一些区域一般较亮，属于高灰度级范围，边缘较暗属于低灰度。为了突出牌照的灰度细节，抑制高、低灰度区域，可利用式（3）对车牌图像进行中间灰度拉伸。

1.1.3 图像二值化

在对数字图像处理中，二值图像占有非常重要的地位，一般要进行图像的处理与分析，首先把灰度图像二值化，得到二值化图像，有利于对图像做进一步处理。

二值化的目的是要找到一个合适的阈值，将待研究的区域划分为前景和背景两部分。

本文采用Otsu算法[5]对图像进行二值化变换。Otsu算法基于图像象素的灰度值进行分类，它是在判别最小二乘法的基础上推导出来的，按照使类间方差与类内方差比值最大的原则获得阈值，使目标和背景之间方差最大。

1.1.4 去噪处理

汽车图像信息在采集过程中往往受到各种噪声源的干扰，如光照、杂物、污痕等，这些噪声在图像上常常表现为一些孤立像素点，这可理解为像素的灰度是空间相关的，即噪声点像素灰度与它们临近像素的灰度有着显著不同。为减少干扰或孤立像素点对图像区域分割、分析和判断带来的影响，需要对图像进行平滑处理，常用的图像平滑方法有收缩再膨胀，图像平均法，域平均法（均值滤波），中值滤波法等。本文采用自定义模板中值滤波[6]，区域灰度基本上被赋值为0，号码部分是由许多短线组成，背景噪声中大部分是孤立噪声，采用模板（1，1，1，1，1）对图像进行中值滤波，除掉图像中大部分噪声干扰。

1.2 车牌定位

车牌定位主要是基于车牌的特征信息进行分析定位，在一幅经过预处理，二值化处理和去噪处理后的含有车牌的图像中，车牌区域有以下3个基本特征：

1）在一个不大的区域内密集包含多个字符；

2）车牌字符与车牌底色形成鲜明对比；

3）车牌区域大小相对固定，区域长度和宽度成固定比例。

根据以上特征，车牌区域所在的行相邻像素之间的0到1和1到0的变化会很频繁，变化总数会大于一个临界值，这可以作为寻找车牌区域的依据。[7][8]

由上至下统计每行相邻象素之间的灰度变化次数，当某行的变化次数首次大于临界值时，则假定该行为待搜索车牌的最高行，然后继续向下搜索，当某行的变化次数首次小于临界值时，则假定该行为待搜索车牌的最底行。

计算牌照上下边界的定位算法如下：

（1）定义一个窗口window，窗口宽度可以由车牌在图像中的大致比例来选取，为了能将整个车牌覆盖，应适当地放大宽度；

同时定义一个矩阵judge，用来记录window在图像上的移动情况，其行数取图像的行数，其列数取图像的列数减去window的宽度，元素初值为0；

（2）让window在图像上从上到下，从左到右移动，在每一个移动的位置，统计窗口中象素的灰度值从0到1和从1到0的变化的次数n；

（3）如果n＜临界值，则让window继续向右移动；

（4）如果n＞临界值，则在judge的对应行对应列记录下当前window的左端点，即将该位置的元素置1，并停止该行的移动，继续向下移动；

（5）window完成移动后，judge就记录下了window在所有位置的全部情况，然后对judge从上到下观察，如果发现有15行中存在连续的1，并且每一行1出现的横坐标不超过一个给定的阈值，就认为最上面的一行为车牌的上边界，同理，确定下边界。

基于车牌左右边界的确定，仍然采用与上下边界定位相似的方法，但是左右边界的定位相对要困难一些，因为汽车车牌中，左右两端的噪声在垂直方向上的灰度投影，也呈现出与车牌区域一样的波峰波谷交替出现的情形，所以容易将车牌的左右边界范围定得过大，因此要采取其他一些措施。

2 实验结果

采用VC++6.0对算法编程实现，处理的图像为24位真彩色640*480的bmp文件。实验中选择30幅车辆图像进行处理，这些车辆图像包含不同大小和不同清晰度的牌照，对这些图像进行车牌定位测试。实验结果如表1所示。

表1 车牌定位实验结果

图1是4张车辆原始图像，图2是对原始图像进行灰度变换和图像增强后的效果，图3是将图像二值化处理后的效果，图4是对图像进行去噪处理后的效果，图5是车牌区域上下边界定位后的效果，图6是最终定位的车牌区域。

图1 汽车前、后视的原始图像

图2 灰度化与图像增强后的汽车图像

图3 二值化后的汽车图像

图4 去噪处理后的汽车图像

图5 上下边界定位后的图像

图6 车牌最后定位裁剪结果

3 总结

本文提出一种快速的车辆牌照定位算法，对获取的车辆图像进行相应的预处理之后，根据车辆图像的纹理特征，分析了牌照区域字符分布情况及变化规律，根据车辆号码区域像素值的变化频率，在一个特定的范围内，进行水平和垂直方向上的定位，得到准确的车牌区域，便于后续识别。实验结果表明本文的算法可以很好地去除伪车牌区域，实现车牌的快速、准确定位，具有很强的适应性和应用前景。

[1]李树广，刘允才.智能交通的发展与研究[J].微型电脑应用，2005，21（6）:1-6.

[2]张丽芬，代君.智能监控交通系统中车牌识别技术研究[J].微计算机信息，2008，24（11）:312-314.

[3]Rafael C.Gonzalez，Richard E.Woods.Digital Image Processing[M].北京:电子工业出版社，2006.

[4]赵启升，赵存华.基于 VC++下的车牌识别系统关键技术研究[J].计算机科学，2006，33（12）:207-209.

[5]张辉，张道勇.灰度等级处理中的OSTU动态阈值法研究[J].传感器世界，2008:24-27.

[6]数字图像处理典型算法及实现[M].求是科技.北京:人民邮电出版社，2006，6.

[7]陈智丽，赵巍.一种快速有效的动态车辆牌照定位算法[J].机械设计与制造，2008，（11）:11-13.

[8]吴昊，丁庆生.一种完整的汽车牌照识别算法[J].计算机测量与控制，2008，16（3）:392-394.