车牌定位算法研究进展*

张小敏，常 郝

(安徽财经大学)

车牌定位算法研究进展*

张小敏，常 郝

(安徽财经大学)

根据车牌的纹理、颜色等特征，对近5年出现的车牌定位算法进行详细分类和综述，总结出每种方法的优缺点，为以后的研究提供有效的依据.

车牌识别;车牌定位;边界;纹理;颜色

0 引言

车牌识别系统已经成为城市智能交通管理的重要一环，广泛应用于高速公路、社区停车场、景区、机关单位等重要场合.车牌识别是指从复杂背景中提取并识别出车辆牌照信息，一般分为图像采集、车牌定位、车牌分割、字符识别4个阶段.车牌定位作为车牌识别中的重要环节，它的准确率极大影响了整个系统的准确率.

根据车牌区域的不同特征可将车牌定位方法分为5大类［1］:基于边界特征的方法［2－4］、基于纹理特征的方法［5－7］、基于颜色特征的方法［8－10］、基于字符特征的方法［11－13］和基于全局特征的方法［14－16］.这些方法大多是基于灰度图像来处理的，也有基于彩色图像处理的.前者可在车牌完好的情况下快速定位，但在复杂背景中定位效果不理想，如车牌磨损、光照不均匀等;后者相比灰度图像能得到更多的视觉信息并对各种光照不敏感，但当车身与车牌颜色相近或车牌褪色时，定位效果不理想.现在更多的研究是综合利用边缘、纹理、颜色等特征来有效提高定位的准确率，目前找到一种适用于复杂情况下的精确定位方法，仍然是车牌识别研究领域尚需解决的一项重要研究内容.

该文分析了我国机动车牌照的特征，在此基础上对近5年出现的各种车牌定位方法进行了分类并讨论其优缺点，为日后的研究提供有效的依据.

1 我国汽车牌照的特征

我国的车牌颜色常用的有4类:蓝底白字、黄底黑字、黑底白字、白底黑字.在车牌定位算法中，运用到的车牌特征主要包括:

(1)车牌区域有一个矩形边框，长宽比固定;

(2)车牌区域有丰富的纹理特征和边缘特征;

(3)车牌区域内底色像素数目比字符颜色像素数目多;

(4)车牌区域每个字符为5mm宽，90mm高，间隔一般为12mm.

(5)牌底色占车牌区域70%左右，且底色往往与车身颜色、字符颜色有较大差异.

2 车牌定位算法

2.1 基于边界特征的方法

车牌通常有一个已知长宽比的矩形边框，通过寻找在图像中所有可能的矩形来确定潜在的车牌区域.

Al－Ghaili等［2］提出的基于灰度值对比度的垂直边缘检测算法，检测性能比Sobel算子快5～9次，计算时间达到47.7ms，可以满足实时性的要求.王磊等［3］提出了一种多尺度数学形态学与边缘检测相结合的方法，采用Sobel算子进行边缘提取，结合数学形态学消除不必要的边缘，提取率达到95%以上.Tan等［4］使用了高斯差分算子和Sobel算子相结合的检测方法，分别在白天和夜间捕获了250个和100个图像，定位准确率达到96.9%，较好的解决了由于夜间照明不良导致难以定位的问题.

2.2 基于纹理特征的方法

由于车牌字符和车牌底色之间的灰度级和边缘色度级有着显著变化，局部特征变化明显的区域为车牌候选区域.

甘玲等［5］针对多车牌定位提出了一种基于分块投影和形态学分块处理的方法，大大减少了车牌候选区域，准确率达到97.7%，但算法对于磨损、畸变、部分被遮挡的车牌定位效果不理想.Yu等［6］介绍提出了一种基于小波变换和经验模式分解(EMD)算法，较好的处理了光照变化、复杂背景和视角变等问题，可以准确定位97.91%种不同类型的车牌的位置，并具有相对较短的运行时间.Deb等［7］采用了一种基于滑动同心窗的定位方法，滑动同心窗(SCW)是一种图像分割技术，它可以很好的描述车牌纹理的“不规则”特性，反映窗口像素变化情况.

2.3 基于颜色特征的方法

由于车牌底色和字符颜色的组合是独一无二的，几乎只出现在车牌区域中，若将国内车牌图像中所有像素都用色调、亮度和饱和度来分类，共有13种颜色模型.

常巧红等［8］的采用HSV色彩空间与数学形态学相结合的方法，对90张车辆图片进行测试，定位成功率为96%，但对于天气条件恶劣等复杂情况定位效果较差.Ashtari等［9］采用了一种改进的模板匹配技术，对他们国家的车牌进行标准颜色几何模板匹配，减少了图像的处理和变换的时间，检测的响应时间较快，定位精度达到94%.张晓娜等［10］提出了一种基于主动学习AdaBoost算法与颜色特征的方法，提取边缘颜色对候选区域进行验证进行精确定位，该方法的精度为97.1%，定位效果较好.

2.4 基于字符特征的方法

由于车牌区域有一定数量且间隔均匀的字符，只要找到字符存在的区域，就可作为潜在的车牌区域.

Samra等［11］引入了遗传算法来检测车牌字符的位置，采用了一个的固定规模的关系矩阵作为字符布局模型，定位精度达到98.4%，具有良好的鲁棒性.Cho等［12］首先通过字符宽度和字符与背景间的差异识别出字符区域，在利用字符间的距离提取车牌区域，这种方法的定位准确率为99.5%.Li等［13］是通过最大稳定极值区域(MSER)来检测图像中的候选字符，MSER是一种图像斑点检测的方法，具有仿射不变性、稳定性及多尺度特性，该方法能够较好的适应各种环境因素，如背景杂乱和光照干扰.

2.5 基于全局特征的方法

由于车牌有一个矩形轮廓，通过轮廓检测算法来检测图像，具有车牌几何特征的连接的对象就被认为是车牌候选区域.

张震等［14］提出了两阶段遗传算法，前阶段采用经典遗传算法进行全局搜索，快速聚集到全局最优空间，后阶段采用自适应遗传算法，弥补了前阶段后期搜索效率不高的缺点.Zheng等［15］利用全局边缘信息和局部Haar－like特征构建了一个6层级联分类器，使用Haar特征提取车牌中不变的亮度、颜色、大小和位置，该方法克服了照明条件恶劣和车辆位置变化的问题，可以进行实时应用.Jin等［16］根据中国车牌的几何特征，将边缘点的个数，车牌区域的长度和每一行边缘点的数量用于定位，定位精度为92%.

2.6 总结和讨论

在本节中，详细描述了近5年出现的车牌定位方法，并根据他们的特征分类.表1总结和讨论了每一类方法的利弊.

表1 车牌定位方法的优缺点比较

3 结束语

该文描述了近5年出现的车牌定位方法，并根据它们的特征对其进行分类和讨论.近几年的车牌定位算法中，实验设置通常局限于定义良好的条件，如牌照的倾斜、光照的干扰、噪声的影响等，还尚未研究出适用于复杂情况下的精确定位方法.若将各种干扰因素都考虑其中，准确率将会降低不少.也有许多新方法新技术的出现，比如神经网络算法、遗传算法、滑动同心窗、Ada-Boost算法等，这些方法为车牌定位算法打开了新局面，有待进一步深入研究，未来的研究应集中在多特征、多方法融合的识别上，并积极引入新方法来解决精准定位的难题.

［1］Du S，Ibrahim M，Shehata M，et al.Automatic license plate recognition(ALPR):A state－of－the－art review［J］.IEEE Transactions on circuits and systems for video technology，2013，23(2):311－325.

［2］Al－Ghaili A M，Mashohor S，Ramli A R，et al.Verticaledge－based car－license－plate detection method［J］.IEEE transactions on vehicular technology，2013，62(1):26－38.

［3］王磊，王瀚漓，何良华.基于双边缘检测的车牌识别算法［J］.计算机工程与应用，2013(8):169－173.

［4］Tan J L，Abu－Bakar S A R，Mokji M M.License plate localization based on edge－geometrical features using morphological approach［C］//2013 IEEE International Conference on Image Processing.IEEE，2013:4549－4553.

［5］甘玲，孙博.基于分块投影和形态学处理的多车牌定位方法［J］.计算机应用研究，2012，29(7):2730－2732.

［6］Yu S，Li B，Zhang Q，et al.A novel license plate location method based on wavelet transform and EMD analysis［J］.Pattern Recognition，2015，48(1):114－125.

［7］Deb K，Khan I，Saha A，et al.An efficient method of vehicle license plate recognition based on sliding concentric windows and artificial neural network［J］.Procedia Technology，2012，4:812－819.

［8］常巧红，高满屯.基于HSV色彩空间与数学形态学的车牌定位研究［J］.图学学报，2013，34(4):159－162.

［9］Ashtari A H，Nordin M J，Fathy M.An Iranian license plate recognition system based on color features［J］.IEEE Transactions on Intelligent Transportation Systems，2014，15(4): 1690－1705.

［10］张晓娜，何仁，陈士安，等.基于主动学习AdaBoost算法与颜色特征的车牌定位［J］.交通运输工程学报，2013，13(1):121－126.

［11］Samra G A，Khalefah F.Localization of license plate number using dynamic image processing techniques and genetic algorithms［J］.IEEE transactions on evolutionary computation，2014，18(2):244－257.

［12］Cho B K，Ryu S H，Shin D R，et al.License plate extraction method for identification of vehicle violations at a railway level crossing［J］.International Journal of Automotive Technology，2011，12(2):281－289.

［13］ Li B，Tian B，Yao Q，et al.A vehicle license plate recognition system based on analysis of maximally stable extremal regions［C］//Networking，Sensing and Control(ICNSC)，2012 9th IEEE International Conference on.IEEE，2012: 399－404.

［14］张震，杨晓.基于OpenCV实现多特征融合的移动车牌定位算法［J］.计算机应用与软件，2014，31(4):289－292.

［15］Zheng L，He X，Samali B，et al.An algorithm for accuracy enhancement of license plate recognition［J］.Journal of computer and system sciences，2013，79(2):245－255.

［16］Jin L，Xian H，Bie J，et al.License plate recognition algorithm for passenger cars in Chinese residential areas［J］.Sensors，2012，12(6):8355－8370.

Research Progress on License Plate Location Algorithm

Zhang Xiaomin，Chang Hao
(Anhui University of Finance and Economics)

In this paper，according to the characteristics of the plate texture，color，License Plate Location Algorithm are classified and reviewed，and the advantages and disadvantages of each method are summarized，which provides effective basis for future research.

L icense plate recognition;License plate location;Boundary;Texture;Color

TP391.41

:A

:1000－5617(2017)01－0044－03

(责任编辑:李家云)

2016－11－25

*安徽省财经大学大学生科研创新基金项目“基于多分类器融合的电信客户流失预测模型”的阶段性成果之一(XSKY1717ZD)