基于有色点对搜索的车牌定位算法

周泽华

（合肥学院 电子信息与电气工程系，安徽 合肥 230601）

基于有色点对搜索的车牌定位算法

周泽华

（合肥学院 电子信息与电气工程系，安徽 合肥 230601）

研究车牌识别定位算法问题.传统的车牌设识别定位算法的识别精确度难以满足现实在交通管理和流量监测中的应用，存在车牌图像定位的精度不高等问题.为解决上述问题，在对车辆图像预处理基础上，提出一种基于有色点对搜索的车牌定位算法.基于车牌图像颜色特征，选取适合的颜色模型进行车牌提取.用有色点对算法搜索出符合车牌字符特征的候选区域对车牌进行粗定位，最后对候选区域进一步分析准确定位出车牌.通过研究表明，该算法具有较高的准确率.

有色点对；颜色模型；车牌定位

1 引言

智能交通系统(Intelligent Transport Systems，ITS)是 21世纪道路交通管理的发展趋势，车牌识别 (License Plate Recognition，LPR)是实现交通管理智能化的重要环节.而车牌定位直接关系到的车牌识别的成败.目前车牌定位的算法主要分为两类：一类为基于彩色图像的车牌定位方法，这类方法一般将RGB彩色图像转化为HSV或其他空间，再通过车牌与背景固定颜色信息来定位车牌[1-3].二类是基于灰度图像处理的车牌定位方法，这类方法基于空间信息处理，以检测车牌边界为目的，常见的方法有直方图处理，数学形态学、区域生长和Hough变换等[4-6].这些方法在一定的应用背景下都得到了较好的效果，但其仍然受到一定条件的限制.所以，对车牌定位算法的研究和优化仍然具有重要的意义.通过对已有算法的研究，提出一种基于有色点对搜索的车牌定位算法，能够有效提高定位精度，易于实现.

2 车牌和颜色的特征分析

按照我国交通管理部门的规定，汽车牌照的特征主要有颜色特征、结构特征和纹理特征.颜色特征：我国车牌颜色共分为四种，分别为蓝底白字、黑底白字、黄底白字、和白底黑子.结构特征：车牌宽度为440mm，高度为140mm，宽高比为3.14.车牌中字符宽度为45mm，高度为90mm，宽高比为0.5.车牌应安装于汽车下部.纹理特征：车牌中含有类字符区，即车牌的横向颜色呈现有规律的波峰波谷变化.

3 基于有色点对搜索的车牌定位

针对车牌识别系统中关于静态图片中的车牌定位问题，主要运用了图像处理的知识，在VC开发平台上，通过对静态图片进行灰度变换，二值化，边缘检测、几何变换等一系列预处理，然后利用有色点对搜索算法实现了从采集到的包含车牌的图像中定位出车牌，为进一步的车牌字符识别打下基础.整个系统由4部分组成：车辆图像采集、车辆图像预处理、车牌粗定位、车牌的准确定位，系统框图如图1所示.

图1 车牌定位系统框图

3.1 图像采集

在日常学习当中比较常用的图像格式由BMP、JPG、GIF、PCX等，其中比较常用JPG.系统设计中采用的是BMP格式图像，由于程序对识别图像的准确率，识别的效果和识别的时间，选择图像的大小为640*480像素的真彩色图像.采集到的车辆图像如图2所示.

图2 采集的车辆图像

3.2 图像的预处理

图像的预处理包括图像的灰度化、二值化、几何变换、边缘检测等.针对不同的图片通过几何变换进行倾斜校正，然后对已预处理增强的图像进行Sobel垂直算子边缘检测，用有色点对算法搜索出符合车牌字符特征的候选区域对车牌进行初定位，最后根据车牌底色和比例大小等先验知识对候选区域进一步分析准确定位出车牌.

由于汽车图像的设置角度问题，可能导致摄制的车牌发现倾斜，这会对车牌识别当中字符切割中和识别造成困难，因此需要通过图像的几何变换，对图片进行校正.图像的几何变换是最常见的图像处理手段，通过对变形的车辆图像进行几何校正，可以得出准确的图像.为后面车牌的定位提供更加有力的条件.常用的几何变换功能包括图像的平移、图像的镜像变换、图像的转置、图像的缩放、图像的旋转等等.

3.3 图像的有色点对搜索实现车牌粗定位

3.3.1 有色点对搜索

由于处理彩色图像的计算量非常大，简单的思路是将彩色图像转换成灰白图像，甚至再转换成黑白二值图像来处理.但这是以抛弃大量有用信息为代价的.为了提高算法的抗干扰能力，本文车牌定位算法直接采用彩色图像进行处理.

以蓝底白字车牌为例.针对车牌区域的颜色特征是夹杂少量白色区域的蓝色区域，将通过在图像中寻找一种特殊的颜色模式来实现.针对蓝底白字车牌，定义有色点对（A，B）：A点，其左方为蓝色点，右方为白色点；B点其左方为白色点，右方为蓝色点；A、B点应在一定的方位内.

由于颜色判断属于模糊判断，为了提高算法的抗干扰性，对有色点对的颜色定义比较宽泛，具体步骤如下：

（1）设某一点的红绿蓝色分量为 Cr、Cg、Cb.

（2）当某一点的颜色满足Cb>f1*Cr,g且Cb>T1时，即认为该点为蓝色点.其中f1=1.4，T1=20.

（3）当某一点的颜色满足Cr,g,bT2时，即认为该点为白色点.其中，f2=0.4，T2=200，S=Cb+Cr+Cg.

有色点对算法可以准确的找到车辆图像中车牌区域的有色点对，从而突出了图像中车牌大致位置，为后续进一步车牌精确定位打下良好的基础.以上算法在VC++平台上运行的结果如图3.

图3 有色点对搜索

3.3.2 车牌的粗定位

利用有色点对搜索，对彩色图像进行处理，这里选用的是数学形态学的方法，其基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的.数学形态学的应用可以简化图像数据，保持它们基本的形态特征，并除去不相干的结构.在处理的过程中进行了一次形态学闭环运算和十次腐蚀运算.

图4 车牌粗定位

对找到的有色点对密集区域进行车牌的形状识别，即根据车牌的宽长比应在3左右进行判别.图像形态学处理后唯一的有色点对密集区域宽长比符合车牌形状特征，因此，可初步认定其为车牌所在区域如图4.

3.4 车牌的精定位

在获得车牌的大致位置后，根据有色点对搜索实现车牌的粗定位.再根据车牌底色、比例大小等有关知识，利用灰度图分割出合理的车牌区域，确定车牌数字和汉字各自灰度范围，然后行方向统计在此颜色范围内的象素点数量，设定合理的阈值，确定车牌在行方向的合理区域.然后，在分割出的行区域内，统计列方向蓝色象素点的数量，最终确定完整的车牌区域如图5.

图5 车牌精定位

4 结束语言

本文基于有色点对搜索的车牌定位算法，针对经过预处理后的车牌图像，分为车牌图像的粗定位和细定位两个步骤进行处理.其中粗定位基于车牌图像颜色特征，选取适合的颜色模型，利用有色点对搜索出符合车牌字符特征的候选区域，保证了车牌区域获取的完整性.精定位过程根据车牌底色、比例大小等有关知识，利用灰度图分割出合理的车牌区域保证了车牌定位的准确性.实验表明，该方法准确率高、精确度好、实时性强，具有较强的应用价值，为智能交通和安全监控技术的发展提供一个新的车牌定位方法.

〔1〕Anagnostopoulos C N E，Anagnostoploulos I E，Psoroulas I D，et al.License plate recognition from still images and video sequences：a survey[J].IEEE Transactions on Intelligent Transportation System，2008，9（3）：377-391.

〔2〕聂洪印,周卫东,刘辉.多颜色模型和综合特征下的车牌定位新方法[J].计算机工程与应用,2010,46(12):221-223.

〔3〕谢建平.一种基于快速最近特征线的汽车牌照识别方法[J].电视技术，2006，30(4):93-96.

〔4〕尚赵伟,国庆,朱贝贝，等.Top-hat变换在多车牌定位中的应用[J].计算机工程与应用,2011,47(29):214-217.

〔5〕SUBHRANSU M,JITENDRA M.Object detection using a max－margin Hough transform ［C］//Proc.IEEE Conference on Computer Vision and Pattern Recognition，2009.［S.l.］:IEEE Press:1038－1045.

〔6〕黄文杰,王海涛,姬建岗.基于公路收费系统的车牌定位与字符分割算法[J].电视技术,2006,30(2):85－87.

TP391.9

A

1673-260X（2012）08-0068-02

2011年度安徽高校省级科学研究项目（KJ2011B136）