浅谈车牌定位技术

任艳焱，崔容容

（赤峰学院 计算机科学与技术系，内蒙古 赤峰 024000）

浅谈车牌定位技术

任艳焱，崔容容

（赤峰学院 计算机科学与技术系，内蒙古 赤峰 024000）

车牌定位是指通过计算机视觉、图像处理与模式识别等方法从车辆图像中提取车牌字符信息.从而确定车辆身份的技术.本文通过车牌的纹理和颜色特征，浅述目前国内的几种车牌定位的方法.

LPR；图像处理；模式识别；车牌定位

1 绪论

随着各国公路建设的迅速发展和汽车数量的不断增加，交通管理的任务日趋繁重，利用计算机汽车车牌识别技术(License Plate Recognition,LPR)自动识别汽车牌号在现代交通监控具有非常重要的作用.车牌自动识别系统是计算机模式识别技术的一个重要应用，主要包括车牌定位和车牌字符识别两部分.

LPR系统是模式识别技术的一个极具实用价值的应用，其许多技术来自模式识别技术研究的成果.

本文先从模式识别这个层面上展开论述，从基本原理和基本概念出发，从而引入LPR的基本概念和一般方法，接下来按顺序论述相关的方法.

2 基本概念

2.1 数字图像处理的原理和基本概念

数字图像处理是在以电子计算机为中心，包括各种输入、输出及显示设备在内的数字图像处理系统上进行的，是将连续的模拟图像变成离散的数字图像后，用建立在特定的物理模型和数学模型基础上编制的程序（软件）控制，运行并实现种种要求的处理.

为了利用数字计算机来处理图像，首先必须把连续的图像变换成离散的数字图像.一幅图像可以定义为一个二维函数f(x,y)，这里x和y是空间坐标，而在任何一对空间坐标(x,y)上的幅值f称为该点图像的强度或灰度.当x，y和幅值f为离散的数值时，称该位图像数字图像.数字图像处理是指借用数字计算机处理数字图像.图像处理就是对给定的图像进行某些变换，从而得到清晰图像的过程.

2.2 模式识别的原理和基本概念

2.2.1 什么是模式识别

从字面上就可以看出，模式识别(pattern recognition)是研究如何对模式进行识别的一门学科.把事物的关键特征抽取出来，以不同的特征组合代表不同的事物，并且用适当的形式表示出来，这样就有可能使计算机具有识别能力，使它能区分不同的事物.像这样用事物的特征所构成的数据结构就称为相应事物的模式，或者说模式是对事物定量的或结构的描述.

模式的表示形式与识别方法有关.在统计模式识别中，模式通常用n维特征空间的特征向量来表示.

2.2.2 模式识别的方法

模式识别的方法主要有统计模式识别方法、结构模式识别及人工神经网络三大类.统计模式识别方法其要点是提取待识别模式的一组统计特征，然后按照一定准则所确定的决策函数进行分类判决.结构模式识别的要点是把待识别模式看作是由若干较简单的子模式构成的集合，每个子模式再分为若干基元，这样，任何一个模式都可以用一组基元及一定的组合关系来描述.人工神经网络是大量处理单元（人工神经元、处理元件、电子元件、光电元件等）经广泛互连而成的人工网络，用来模拟脑神经系统的结构和功能.

在车牌识别领域，车牌定位主要使用统计模式识别技术，车牌分割及识别则使用统计模式识别技术或人工神经网络技术.

2.3 LPR系统的工作原理

一个典型的LPR系统由车辆检测、图像采集、车辆识别等部分构成.其系统构成如图1所示.

其中，车辆检测一般使用车辆传感器，它可以检测当前是否有车辆通过.采集图像部分包括照明光源和CCD摄像机，以摄取清晰的车辆图像.车牌识别部分由计算机或DSP处理器以及LPR软件组成，可完成对车牌的识别.

LPR系统的工作流程是：当车辆通过时，车辆检测装置受到触发，从而启动图像采集设备；图像采集设备采集车辆的正面或图像尾部图像，并进入车牌识别；车牌识别部分进行车牌识别并将识别结果送至监控中心或收费处等场所[1]. LPR技术的核心要求是必须准确快速地识别出车牌.在车牌识别过程当中车辆检测、图像采集、车牌识别都是很重要的环节，其中的关键技术为：

（1）车牌区域的定位；（2）车牌中字符的分割与识别.

车牌区域定位的目的是从自然背景中准确可靠地分割出车牌区域，属于图像分割的范畴.通常采用的车牌定位流程是：输入——预处理——分割——输出.

字符的分割与识别是指先将车牌区域分割成单个的字符区域，然后进行识别.其难点是模糊、断裂字符的分割与识别.

3 车牌定位技术的发展现状

3.1 车牌定位的研究及应用现状

汽车车牌识别属于人工智能、模式识别、智能控制和数字图像处理等领域，是一门涉及数学、计算机科学、自动化技术和电子工程技术的边缘学科.

3.2 车牌定位先验知识

图像为汽车正面图像或尾部图像，图像中汽车车型各异、车牌大小不一.有下列四点车牌特点：

（1）汽车牌照在图像中是一个近似长方形或近似平行四边形.

（2）汽车牌照的大小在图像中相对稳定.

（3）汽车牌照在图像中有一定程度的倾斜，但是倾斜角度在一定的范围以内.

（4）汽车前身牌照中文字有统一的大小，水平排列成行.牌照的颜色分为黑底白字、蓝底白字、黄底黑字、白底红字等不同规格[2].

3.3 图像预处理技术及分割技术的发展现状

预处理的作用是突出图像中的有用信息.常用的预处理方法有：

（1）边缘检测，直接从灰度图像或彩色图像得到边缘图像；

（2）Tog-Hat变换对应于灰度图像的数学形态学运算法，以减少输入图像中的噪声和低频分量；

（3）二值化法对应于自适应边界搜索分割法，以获得清晰的字符边界；

（4）模糊规则与阈值法相结合的粗分割阈值法简便、快速、易行，模糊规则可以处理那些模棱两可的数据，模糊规则可由实例图像获得.

4 目前车牌定位识别的常用方法、特点以及适用范围

4.1 车牌目标区域特点

从人的视觉特点出发，车牌目标区域具有如下特点：（1）车牌底色往往与车身颜色、字符颜色有较大差异；（2）车牌有一个连续或由于磨损而不连续的边框，车牌内字符有多个，其呈水平排列，所以在牌照的矩形区或内存在较丰富的边缘，呈现出规则的纹理特征；（3）车牌内字符之间的间隔比较均匀，字符和牌底色在灰度值上存在跳变，而字符本身与牌照底部都有较均匀灰度；（4）不同图像中牌照的具体大小、位置不确定，但其长度比变化有一定范围，存在一个最大和最小长宽比.根据这些特点，可以在灰度图像的基础上提取相应的特征[3].

4.2 车牌定位方法

总体来说，车牌定位方法就是图像处理技术、车牌特征以及小波分析，神经网络等新工具的有效结合.一个车牌定位系统通常包括图像预处理、车牌搜索、车牌的定位与分割三个部分.图像预处理就是要获得有用的图像边缘将其二值化；车牌搜索则是搜索整幅图像以得到有可能包含车牌的若干感兴趣区域；车牌定位则是在感兴趣区域中剔除假车牌，提取到真正的车牌.整个车牌的提取过程如图2所示.

目前车牌定位的方法可以分类两大类：一类是基于黑白图像车牌定位方法，另一类是基于彩色图像的车牌定位方法.

4.2.1 基于黑白图像的车牌定位方法

黑白图像对于人的视觉来说，是以灰度等级来体现图像深浅度.

4.2.1.1 基于特征的车牌定位法

车辆牌照内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域（包括边缘）内有丰富的边缘存在，呈现出规则的纹理特征.在传统的基于灰度分割技术的基础上，这些特征为车牌定位方法的研究提供了切实可行的依据.

基于车牌文字变化特点的自动扫描识别算法是利用汽车牌照中文笔划弯化频率比较稳定的特点，即笔划间隔的像素是稳定在某一个范围内，笔划数也存在下限的特点.设定阈值，通过扫描确定上下边界位置和左右边界位置.这样在己缩小的范围内再用上述方法进行递归检测，直到牌照位置比较稳定为止.这种方法在摄入角度、距离、光线都有很大调整的情况下，能够快速准确定位、分割车牌.而基于特征的车辆牌照定位算法是利用一阶微分算子对原始图像的边缘进行预处理，并在此基础上运用数学形态学的闭运算获得车牌的后选区，然后采用投影的方法剔除假车牌，定位真车牌.这种方法的算法复杂化低，减少了噪声的干扰，能够满足实时定位的要求.针对车牌特点设计的一个变换函数突出其特点从而进行车牌的提取的方法采用最大方差法来进行二值化的阈值选取，并对二值化后的图像进行水平扫描，找相对小的而且扫描线弯化剧烈的区域作为候选区域，再以适当的变化率确定车牌的位置.基于字符串的车辆牌照分割方法则是针对牌照字符串沿水平方向排列的规则纹理，采用了一种线性滤波器，来确定车牌区域；采取平均值的办法选取阈值，进行二值化；然后利用投影的方法进行精确定位.这种方法能够在对牌照的字符、牌照位置及其大小、颜色和车辆的背景等做最小限定的条件下，对牌照中字符串进行增强，实现复杂背景中车辆牌照的自动分割.另外图像的频域信息有助于鉴别牌照区域，还有车牌纹理或形状特征的定位方法，且很好的实现了车牌区域的检测.

4.2.1.2 运用形态学、小波分析、遗传算法等数学工具的车牌定位方法

在图像处理中，对一些复杂图像应用某些数学工具不仅可以加快处理速度而且可以改善和优化处理结果.车牌识别的核心问题在于识别汽牌照上的文字目标.而其关键又在于文字目标所在区域的定位.己有的区域定位算法，比较完善的如机动车辆自动识别收费系统LPR中所提出的一种基于局部阈值的二值化法与自适应形态算法.此算法对于文字区域水平且其周围干扰区域较少的情况下定位比较准确，在二值化法中所得结果的各种尺寸的干扰区域都被保留下来，对于倾斜度的正确估计十分不利.还有的是利用牌照边框为一灰度值高出背景灰度的平行四边形，通过边缘提取，再利用Hough变换检测出平行造成参数空间峰值的点扩散、甚至消失，这些都影响直线识别的准确性.经检验，它只在文字区域集中于某一范围且水平时比较准确，使用范围狭窄.另外，一些传统的定位技术在复杂背景、图像变形、噪声污损严重的情况下，也无法有效的识别.为此，一些学者们从一些数学工具着手利用数学形态学、小波分析、遗传算法等方法对一定传统定位方法进行了改进.此外，国外车牌定位的研究中也采用了一些新工具和新技术，如人工神经网络、数学形态学、Hough变换、信号处理等方法.

4.2.1.3 基于黑白图像的其它定位方法

车牌定位是图像处理中的实际问题.方法多种多样，它可以是以前方法的改进，也可以是独辟蹊径的创新，也可以是新老方法的结合.基于扫描行的车牌提取方法，指出扫描行经过车牌区域会产生有规律的起伏，在此结论的启发下，有人提出了利用扫描行离差数据、有效谷峰点特征及先验知识来初步定位车牌区域，并提出了利用边缘检测和Hough变换进行了倾斜车牌校正的算法及车牌上下界精确定位算法。而通过对以往车牌识别系统的定位方法进行分析，总结提出了一种基于线模板的二值图像角检测算法，将包含车牌的彩色图像转化为二值图像，再经过形态滤波器滤波后，利用快速角检测法寻找图像各角点，最后定出车牌位置，这种算法简单、快捷、稳健[4].

4.3 基于彩色图像的车牌定位

长由于汽车牌照具有与牌号、车身、背景不同的底色，因此考虑颜色来研究车牌的定位方法应该说是车牌识别领域的一种新思路.

近年来，国内提出了一种彩色分割及多级混合集成分类器的车牌自动识别方法.这种方法的主要思想是通过三层MLPN网络将具有均匀色度空间的彩色图像进行色彩分割，再利用投影法分割出潜在的各种底色的车牌区域.过程如图3所示，预处理是将RGB三原色模式彩色图像转化为HSI模式彩色图像，在这个过程之前要进行图像的抽取，以减少计算量；过程之后要进行彩色饱和度的处理，以减少光照条件对图像分割产生的影响.系统经过学习与训练，并利用投影法及先验知识，能够很好地分割颜色，得出合理的车牌区域.不过这种方法在车牌区域颜色与附近颜色非常相似时，车牌的定位错误会有所增加.针对彩色汽车图像牌照定位方法提出了彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法ColorLP.这种方法的主要思想是通过边缘检测算子ColorPrewitt对彩色图像的边缘检测，增强牌照区域，并借助数学形态学膨胀技术实现区域的连通，采用区域生长方法标记候选区域，最后利用车牌的先验知识，剔除虚假车牌区，确定真正的车牌区.其中所提出的面向彩色车辆牌照定位的彩色图像边缘检测ColorPrewitt可直接用于红绿蓝（RGB）颜色空间上，以增强纵向纹理特征，有利于利用牌照上字符的空间频率特性来进行牌照定位，其算子Pc简单描述如下：

其中，e(i1,j1;i2,j2)定义为像素点e(i1,j1),e(i2,j2)之间的彩色值欧式距离：

可见ColorPrewitt算法简单，检测出的牌照区域易于与背景剥离，因此用这种方法定位准确率高，适用于不同的光照，且通用性较好[5].

5 结论

以上在分析国内车牌特点的基础上，对近年来国内外出现的现有的车牌定位方法进行了综述.车牌定位是车牌识别中最为关键、最难解的一步.然而，由于车牌背景的复杂性与车牌特征的多样性，迄今为止，仍没有一个完全通用的智能化车牌定位方法.大多数定位方法局限于某个侧面问题的解决，如牌照的倾斜、光照的干扰、噪声的影响等，离实际应用沿有很大的距离.这些问题都亟待解决.

〔1〕张引，潘云鹤.彩色汽车图像牌照定位新方法，中国图形图像学报，2001（4）：1-2.

〔2〕牛欣，沈兰荪.汽车牌照识别技术的研究.测控技术，1999（12）：14-15.

〔3〕吴维聪.计算机图像处理.上海科学技术出版社，1989.22-23.

〔4〕李金宗.模式识别导论.高等教育出版社，1994.20.

〔5〕郭捷,等.基于颜色和纹理分析的车牌分析的车牌定位方法.中国图形图像学报，2002,7(5)：17-18.

TP391.4

A

1673-260X（2010）09-0028-03