基于多算法融合的多车牌定位方法研究

葛艳　陈晨

摘要：为了提高多车牌定位和识别效率，本文提出基于颜色检测、边缘检测和支持向量机（SVM）的多车牌定位方法。首先使用颜色检测和Sobel边缘检测两种方法粗选车牌候选区域，其次对车牌候选区域进行形态学和倾斜矫正处理，最后提取车牌候选区域特征信息，采用SVM精确识别和定位车牌区域。实验结果表明，该方法能排除背景干扰，多车牌定位效果和成功率较高。

关键词：多车牌定位；颜色检测；边缘检测；支持向量机

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2016）23-0155-03

Abstract： In order to improve the efficiency and recognition efficiency of multi-license plate location， this paper presents multi-algorithms to locate multi-license plate based on color detection， edge detection and SVM. This method selects candidate region of license plate based on color detection and edge detection， and then do morphology and tilt correction for the candidate regions of license plates. Finally， the license plate candidate region feature information is extracted as the feature information input to the support vector machine to identify and locate the license plate region. The experiment results show that this method can eliminate the background interference and the recognition effect and rate of multi-license plate location is high.

Key words： multi-license plate location； color detection； edge detection； support vector machine

1 引言

随着人工智能技术在交通管理中的应用，智慧交通的建设受到了极大的关注。对车牌的正确识别是建设智慧交通的基石，因此车牌识别成为当前研究的热门领域。目前车牌识别技术已经被运用到违章检测（电子警察）、停车场不停车收费、车辆检测等领域。

车牌定位是车牌识别的关键和重要前提。从复杂的背景中正确定位车牌位置，是成功识别车牌的重要成功率，直接影响最终车牌识别的效果。在车牌定位方面，国内外学者都做了大量的研究，并提出了一些多车牌定位的算法。比较常用的算法有以下几种：

1）基于纹理的分割方法，主要利用车牌区域水平方向的纹理特征进行分割，包括小波纹理、水平梯度差分纹理等[1]。该方法定位成功率不高，因为车牌图像中很可能不止一个区域具有车牌区域的纹理特征，难以准确找到车牌位置；而且对车牌倾斜度有要求，当倾斜度过大时，车牌定位效果明显下降。

2） 基于边缘检测的分割方法通过检测车牌字符的边缘特征定位车牌[2]。由于许多汽车前脸栅栏有很多垂直或水平边缘，因此会影响定位成功率。

3）基于神经网络的方法，选取训练样本，将图像的灰度序列采用 BP算法进行训练，获得有效的网络权值[3]。该方法用BP网络对灰度图像进行感知，能够获得较好定位效果。

4） 基于数学形态算法的方法，利用开运算和闭运算对图像进行处理，得到多个区域，再对这些区域进行判断，找到车牌正确位置[4]。

以上算法在背景不太复杂的情况下，对于单车牌都有比较好的定位成功率。但对于复杂背景下的多车牌定位，则需要综合多种定位方法，排除更多的干扰因素来确定车牌的定位。

基于以上分析，本文采用基于颜色检测、边缘检测与支持向量机相结合的定位方法现多车牌定位。首先针对基于颜色检测车牌候选区域的方法进行改进，并引入了边缘检测的方法来定位，通过颜色与宽高比来选取车牌候选区域，最后基于支持向量机（SVM）完成车牌的精确定位和截取。通过对不同多车牌图片的车牌定位，验证算法的有效性。

2 基于多算法融合的多车牌定位方法

在日常生产生活中，最常见的有小型汽车号牌、大型汽车号牌、警用汽车号牌等。2007年发布的《中华人民共和国公共安全行业标准》（GA36-2007）对我国机动车号牌标准做了详尽规定。小型汽车号牌是蓝底白字白框线的车牌；大型汽车号牌前车牌是黄底黑字黑框线的车牌；警用汽车车牌是白底黑字，红“警”字黑框线车牌。它们的尺寸大小都是440mm×140mm。本文所研究的多车牌定位方法主要是针对小型汽车号牌和大型汽车号牌进行定位。

本文对多车牌定位的流程如下：首先进行车牌候选区的定位；其次进行车牌候选区域的去噪和倾斜校正；最后基于SVM进行车牌精确定位和提取。

2.1 基于颜色和Sobel边缘检测的车牌粗定位方法

RGB颜色模型和HSV颜色模型是数字图像处理中常用的两个颜色模型。RGB彩色模型中，各像素值是由R（红色）、G（绿色）和B（蓝色）三种颜色分量的亮度值叠加来表示。而这三种颜色的亮度值对环境的光照强度比较敏感。当光照强度变化时，这三种亮度值会随之变化。所以，在RGB颜色模型下，很难完成基于颜色的车牌定位。

在HSV颜色模型中，一个像素的颜色特征分别用H（色度）、S（饱和度）和V（亮度）三个分量来表示。亮度分量仅表示亮度信息，不包含颜色信息。如果不考虑亮度分量的信息，使用H和S两个分量就可以实现在各种光照条件下对车牌区域进行初步定位。

2.1.1 RGB模型到HSB模型的转换

普通的车牌图像都是RGB颜色模型，因此需要先将图像从RGB模型转换到HSV模型。

设r，g，b分别是一个像素的红、绿、蓝三个分量的值，它们的值是在0到1之间的实数，max为r，g，b中的最大值，min为这些值中的最小值[5]。则从RGB到HSV的转换公式可用公式表示：

2.1.2车牌颜色阈值的选择

在我国，常见的车牌底色共有蓝色和黄色两种。在HSV颜色空间中使用H分量能识别出这两种颜色。黄色和蓝色的HSV阈值范围如表1所示。 分别用于识别小型汽车和大型汽车的车牌区域。例如，通过蓝色模板的阈值对图片中的像素进行逐个匹配，当图片中的像素能匹配颜色模板的数值时，则置该像素的灰度值设为255，将不匹配的像素灰度值设为0。匹配完成后得到一张包含多个车牌信息的二值图。

2.1.3基于Sobel边缘检测的车牌候选区方法

在二值图的基础上，通过边缘检测可以得到图片中的所有边缘的信息。本文采用Sobel算子对灰度图进行水平方向的边缘检测。该方法以某一个像素为中心点，对它的周围的八个点的像素值进行加权运算，判断该点是否处于极值状态，若该点处于极值状态，则该点为图像边缘。

车牌存在垂直方向与水平方向的边缘，通过边缘检测，能得到车牌字符的边缘信息。采用Sobel算子对水平方向进行求导，从而得到垂直方向的边缘信息。

2.2 车牌候选区的形态学和矫正操作

形态学运算包括腐蚀、膨胀、开运算和闭运算。腐蚀一种消除边界点，使边界向内部收缩的过程。膨胀是将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。先腐蚀后膨胀的过程称为开运算，用来消除小物体、在纤细点处分离物体、平滑较大物体的边界，同时并不明显改变其面积。先膨胀后腐蚀的过程称为闭运算，用来填充物体内细小空洞、连接邻近物体、平滑其边界，同时并不明显改变其面积。

为了实现更准确的车牌定位和截取，本文对基于颜色和Sobel边缘检测得到的车牌候选区域做闭运算处理，使原本不连续的车牌区域变成一块连同区域。

闭运算处理具体算法如下：

2）为了将目标内部的噪声去除继续，利用B对A进行腐蚀操作，最后利用B对A进行膨胀操作[6]。

经过闭运算处理之后，车牌的区域能大致从图片中定位出来，但是定位车牌的角度可能会有较大的倾角，这一步需要对图片的倾斜角度进行矫正，以便获取角度正常的字符进行字符的识别处理。

对车牌候选区域进行倾斜矫正的步骤如下：

（1）首先，通过闭运算处理之后的二值图，逐个求出图中连通区域最大外接矩形，并计算最大外接矩形的倾斜角度。

（2）对倾斜角度在-5度到5度之间的图片，可以直接输出。

（3）对倾斜角度在5度到50度，或者-5度到-50度的车牌，需要先调整图片角度。

（4）调整角度后，判断车牌区域是否为平行四边形。

（5）如果不是平行四边形，则可以直接输出。

（6）如果是一个平行四边形的区域，再获取平行四边形三个顶点的坐标，通过仿射变换将平行四边形矫正成一个矩形，调整完成，将结果输出。

在输出结果时，需要将图片进行归一化处理，变成宽150像素，高40像素的图片。

2.4基于SVM的车牌精确定位方法

由于基于颜色的定位会受到与车牌颜色相近的物体的干扰（如图1（a）所示），基于边缘检测的定位会受到汽车车灯等一些边缘信息与车牌相近的物体干扰（如图1（b）所示），影响最终的定位效果。因此引入支持向量机（SVM）来对上面粗选出的候选车牌区域进行判别。

支持向量机是一种基于统计学习理论的机器学习算法，其采用结构风险最小（SructuralRisk Minimization，简称SRM）原则替代传统的经验风险最小（Empirical Risk Minimization，简称ERM）原则进行分类，从而保证了算法具有较强的泛化能力。

SVM的训练过程等价于求解一个线性约束的二次规划问题，其目标是在训练样本集中寻找一个最优的超平面，将样本数据最大限度地分开，使两类数据之间的边界最大且分类误差最小，且能保证得到的解为全局最优解。

在本文中使用图像的直方图特征作为支持向量机的输入特征，输入的特征维度是190。直方图特征的特征量丰富，适用于支持向量机分类，有利于车牌的准确定位。

1）首先，将输入的图像进行二值化处理。

2）统计图像中一行元素中为1的数目，输入的图像共40行，得到40个数据.

3）再统计图像中一列元素中为1的数目，输入图像有150列，得到150个数据。

4）将第二步与第三步得到的这些数据作为SVM的输入特征，输入特征维度为190。

本文使用1000个车牌图像及500个非车牌图像对支持向量机进行训练。

3 实验结果

为了检测本文方法的有效性，本文分别选取了含有两个车牌和三个车牌的图像进行了多车牌定位测试。

经过颜色检测、边缘检测、形态学操作、车牌矫正与SVM筛选等步骤之后，对两个车牌的图像（图2）截取出车牌图片如图3所示。对三个车牌的图像（图4）截取出车牌图片如图5所示。实验表明，本文算法能对包含多车牌图像中车牌的定位的准确率能达到95%以上。

4 结束语

本文提出基于颜色检测、边缘检测和支持向量机（SVM）的多车牌定位综合方法，能从复杂背景中将待识别的多个车牌较准确的定位和截取。该方法首先使用颜色检测和Sobel边缘检测两种方法粗选车牌候选区域，其次对车牌候选区域进行形态学和倾斜矫正处理，最后提取车牌候选区域特征信息利用SVM精确定位车牌区域。实验结果表明，本文所用综合方法能排除背景干扰，多车牌定位效果和成功率较高。

参考文献：

[1] 郭捷， 施鹏飞.基于颜色和纹理分析的车牌定位方法[J].中国图象图形学报，2002，7（5）：472-476.

[2] 李文举，梁德群，张旗，等.基于边缘颜色对的车牌定位新方法[J].计算机学报，2004，27（2）：204-208.

[3] 张燕， 任安虎. 多特征与BP神经网络车牌识别系统研究[J].科学技术与工程，2012，12（22）：5644-5648.

[4] 戴青云，余英林. 一种基于小波与形态学的车牌图像分割方法[J].中国图象图形学报，2000，5（5）：411-415.

[5] 谭同德， 王三刚. 基于OpenCV的车牌定位方法[J].计算机工程与设计，2013，8（34）：2816-2820.

[6] 王慧锋， 战桂礼，罗晓明.基于数学形态学的边缘检测算法研究及应用[J].2009，45（9）：223-225.