车牌识别系统中的图像预处理研究

赵 娟，黄春艳

(华北水利水电学院，河南郑州450011)

车牌识别是现代智能交通系统中的重要组成部分之一，它是一种通过车牌号码来确定车辆身份的高级图像处理技术［1］.主要包括车牌定位、字符分割和字符识别3个环节.其中，车牌定位和字符分割是关键技术，直接影响系统的识别速度和识别率.在车牌准确定位后，字符分割的好坏是影响字符识别率的关键因素.因此，在车牌字符分割前必须采取有效的车牌预处理措施.汽车牌照识别前期工作包括牌照的获取、图像预处理、牌照定位、牌照号分割、字符细化.其中，图像预处理涉及到灰度转换、图像滤波和图像二值化等.

1 图像预处理

用数码相机拍摄到的图像一般为彩色图像，为便于后续的分割和识别，也便于对多种颜色车辆牌照进行统一处理，将拍摄的彩色图像进行灰度转换.利用公式(1)将彩色图像转化为灰度图像［2－4］.

式中:g为灰度化后的灰度值;R为该像素的红色分量;G为绿色分量;B为蓝色分量.处理后的图像如图1所示.

1.1 图像增强

在数字化的过程中，由于受到诸多噪声的影响，比如电磁信号干扰、光照变化等，使得经过灰度变化后的图像质量较差，亮度也有所偏暗，这给后续图像二值化、图像分割和字符识别等带来了很大的不便，因此，需对图像进行亮度增强.

图1 真彩色图像和灰度图像

计算灰度图像的直方图如图2所示.首先统计像素点，使之加上一个适当的常数，对于大于255的像素定义255为新的灰度值，将原来图像的每个像素值都加上40;然后再按上述定义规则，使图像的对比度增强.

1.2 图像二值化

为了便于车牌的定位和字符的分割，要对灰度图像进行二值化处理，这是车牌定位和字符分割的关键.目的是将牌照图像中的字符和其余部分分别用白色和黑色表示.在车牌定位和字符分割过程中阈值的选取是关键，阈值选取得当，不仅可以有效滤除噪声，还可将图像明显分成目标区域和背景区域，大大减少信息量，从而提高处理速度.根据上述直方图选取130作为阈值.二值化后的图像如图3所示.

1.3 图像滤波

图像滤波有很多种方法，常见的有均值滤波、边缘保持滤波和中值滤波等，由于中值滤波对异常值的敏感性比其它类型的滤波方法要小，因此中值滤波可以在不减小图像对比度的情况下去除图像中的异常值.这里采用中值滤波算法.

中值滤波是空域滤波的一种有效手段，它不需要根据相邻像素的值计算得到新像素的值，而是和相邻像素一起排序，将得到的中位像素(即排序后位置处于正中的像素值)作为中心像素值.采用3×3的图像窗口进行9点中值滤波，它既能有效滤除噪声，又能保持图像的边缘，提高图像的质量，为后续的区域定位做好准备.二值化滤波后的牌照图像如图4所示.

图4 二值化滤波后的牌照图像

2 牌照的定位

采用投影直方图的办法，从二值图像中定位车牌.首先，进行水平投影.假设图像的宽度为x，高度为y，设定一个数组L(i)存放水平方向的投影值

在求得水平投影后，依次从图像的最上方开始扫描.如果投影满足L(i)＞mi，对应的最小值M1和最大值M2确定车牌的最上方和最下方位置;m为一可调常数，可根据具体的门牌宽度调整得到;然后对二值图像进行垂直投影，确定车牌的列位置，设定另外一个数组G(j)存放垂直方向的投影值

式中:M1为门牌区域的开始行;M2为门牌区域的结束行.

在求得垂直投影值之后，就可以依次从左向右对图像进行扫描.如果投影满足G(j)＞nj对应的最小值N1和最大值N2就确定了门牌的左右位置，n为一可调常数可根据具体门牌长度调整得到.由此可得门牌在图像中的位置为［M1，N1，M2，N2］.即完成了车牌的定位.定位的图像如图5所示.

图5 定位后的牌照图像

3 字符的分割与细化

3.1 字符的分割

字符分割的基本方法是利用字与字之间的空白间隔在图像的行投影上形成空白间隙将单个字符的图像切割出来.这里采用扫描方法进行字符分割:也就是在求得竖直投影并将其存放在一个一维数组中后，再设置一个阈值，由于字符之间的背景，其像素值为0，所以在该一维数组中字符之间的值较小，字符位置上的数值较大，利用这个特性，在数值剧变处就是字符的分割点，于是求得分割字符如图6所示.

图6 分割后的牌照图像

3.2 字符的细化

图像细化是在不影响原图像拓扑连接关系下，将宽度大于一个像素的图形线条转变为单像素宽线条的处理过程.传统的细化算法种类和方法较多，如PTA 细化算法［5］、Rosenfeld 细化算法［7］和 Hilditch细化算法［8］等剥皮算法.这类算法是基于匹配模板进行边缘点去除的串行细化算法，每次迭代只能削去一个目标层，目标的细化很费时间.而且，不论模板如何改进，图像或多或少都会在弯曲部分或者交叉点处出现连通度冗余，会产生毛刺以及未完全细化等现象［9］.笔者提出一种基于形态学的图像剥皮完全细化算法，改善了传统图像细化算法.首先采用形态学细化算法对图像进行细化预处理，得到未完全细化的图像，然后再用剥皮算法对其进行更深入的处理.

具体细化过程为:

a.计算用于查表的索引值:

b.依据步骤a计算出的结果生成一张表.它实际上是一个数组，大小为256，具体定义见文献［10］.

c.依次从上到下、从左到右对二值图像进行扫描，对每一个黑点做如下处理:判断它的左右邻域，若都是黑点，则该点不做任何处理;否则计算其8邻域编码作为索引值，查看表确定是否删除;若该黑点被删除了，则跳过它的右邻域，处理下一个像素点.

d.对步骤c处理过的图像中每一个黑色像素点继续采用和步骤c同样的处理方法，只是先判断上下邻域，若都是黑色像素点，不做任何处理;否则确定该点是否被删除;若删除了，则越过它的下邻域，处理下一个像素点.

e.如果有黑点被删除，则转至步骤c，否则，细化过程结束.

细化后的车牌图像如图7所示.

图7 细化后的车牌图像

4 结语

介绍了牌照识别前的所有准备工作.结果表明，提出的基于数学形态学的剥皮细化算法的效果明显好于很多文献中提到的OPTA细化算法，该方法对不同大小的图像和不同粗细笔画的字符都有相同的细化效果，并且该细化算法减少了很多毛刺，使得特征点的提取更准确.这一算法拓展了图像细化算法的新途径，为后续的车牌识别提供了一种有效的方法和手段.

［1］张宝强，高满屯，张茜.字符分割前车牌图像的预处理［J］.计算机工程与科学，2008，30(4):40 －42.

［2］赵坤，郭道省.一种改进的车牌识别预处理方法［J］.河南科学，2010，28(3):329 －332.

［3］侯艳丽，杨国胜，黄春艳.基于字符识别的门牌号识别算法研究［J］.河南大学学报(自然版)，2004，34(1):76－79.

［4］侯培国，赵静，刘明.基于小波变换和行扫描的车牌定位方法［J］.系统仿真学报，2006，18(z2)，811 －813.

［5］李四明.工程图纸输入与自动识别的改进细化算法［J］.计算机工程，2003，29(16):37 －38.

［6］闰建国，高华，卢京潮.基于笔划类型的字符细化算法研究［J］.计算机工程与应用，2001，37(11):83 －84.

［7］应义斌.水果图像的背景分割和边缘检测技术研究［J］.浙江大学学报，2000，26(1):35 －38.

［8］李甦，谭永龙.基于生成树的图像完全细化算法［J］.计算机工程与设计，2006，27(21):4006 －4007，4070.

［9］王业琳，宁新宝.指纹图像细化算法的研究［J］.南京大学学报，2003，39(4):468 －475.

［10］李朝友.指纹图像增强［D］.天津:天津大学，2010.