基于几何特征及数学形态学的机动车牌照识别算法研究

杜召彬， 李廷锋

(郑州职业技术学院 软件工程系，河南 郑州 450121)

随着经济的发展，我国汽车的保有量也在快速增长，2011年汽车保有量10 578万辆，2012年12 089万辆，2013年13 741万辆[1]。面对汽车的快速增长，通过机动车牌照可以对车辆进行身份识别，实现交通管理智能化[2](车辆自动化管理、停车管理和道路违章自动监控等功能)，因而机动车牌照识别技术已经成为交通自动化系统中的核心技术。

机动车牌照自动识别系统的核心内容包括机动车图像预处理、牌照定位、倾斜校正、字符分割和识别等，其中机动车牌照定位是自动识别系统中最为关键上的一环，由于机动车图像的采集环境等因素，受到光线、天气和运动失真等影响，这些都会给机动车牌照的定位带来一定的影响[3]。一些学者对机动车车牌的定位已经进行了深入研究，具体的做法有基于边缘特征[4-6]、基于颜色特征[7-9]、基于纹理特征[10-11]和基于数学形态[12-14]等方法。基于边缘特征的方法，要求图像边缘的连续性要好，实际情况，由于道路监控环境与光线的不同，得到的牌照区域图像往往不连续。基于颜色特征的方法，需要针对彩色图像进行处理，处理数据量大，同时对图像的质量要求较高。基于纹理特征的方法，方法简单常用，但抗干扰能力差，难于解决背景复杂情况下的图像定位问题。单一的数学形态牌照识别方法有较好的抗噪性，在复杂背景下处理效果仍不理想。针对以上方法的优缺点，本文提出一种几何特征与数学形态学相结合的处理方法，首先采用局部阈值法Bernsen和梯度算子Sobel对灰度图像进行二值化处理和边缘提取，然后根据机动车牌照自身的几何特征和数学形态学处理相结合对机动车牌照区域进行精确定位。

1 机动车牌照识别系统结构流程

本文的机动车牌照自动识别系统由图像采集、图像预处理、牌照定位、牌照字符分割和字符识别等组成，整个系统的结构流程如图1所示。

机动车识别系统首先对采集到的图像进行预处理，得到二值图像，然后根据机动车牌照的特征进行精确定位，将定位牌照区域中的字符分割出来并识别，最后输出正确的牌照号码。

2 牌照识别系统的设计

2.1 图像预处理

2.1.1 图像灰度增强

采集到的图像是彩色图像，为了减少数据量和处理时间，需要把采集到的图像转化为灰度图像，最后再转化为二值图像。彩色图像转化为灰度图像的公式如公式(1)所示。

I=0.3×R+0.59×G+0.11×B

(1)

公式1中，R、G、B分别代表图像中像素点的红、绿、蓝三色分量，I为像素点转化后的灰度值。转化后得到的灰度图像与现实物体图像往往不完全匹配，本文采用直方图均衡法对转化后的灰度图像进行处理，增强灰度的变化范围，以求达到提高图像的对比度。进行直方图均衡化的处理过程如下[15]：

1)首先定义灰度变化的比例因子ɑ=255/PixelSum(图像总像素数)；

2)计算原图像的直方图histgram；

3) 对图像的灰度映射进行初始化：b[0]= ɑ×histgram[0]， b[i]=b[i-1]+ ɑ×histgram[i]，b[i]表示为转化后的i的像素点的频数，histgram[i]表示灰度级为i的像素点的频数；

4) 利用上面的计算结果，对图像中的所有像素点进行灰度映射计算：g(x,y)=b[f(x,y)]，f(x,y)为原图像的灰度值，g(x,y)为增强后图像的灰度值。

2.1.2 图像二值化及边缘检测

对得到的灰度图像进行二值化处理，如何选取合适的阈值T是二值化的关键。阈值T选取过高，会将图像中一些目标点当做噪声去除，阈值选取过低，就会出现相反的现象。本文采用文献16所阐述的Bernsen局部阈值算法，该算法用以 (2m+1)×(2m+1)模板来计算像素点(x,y)的阈值，算法描述如下：

1)灰度图像中任一像素的灰度值为f(x,y),f(x,y)∈{0,1,…,255}，利用公式2来计算灰度图像中每个像素点的阈值T(x,y)，再求平均值t:

(2)

2)求出最佳阈值t(0≤t≤255)后，对灰度图像中的像素点利用公式3进行二值变换，变换公式如下：

(3)

其中， g(x，y)∈{0,1}为二值化后图像各点的值， 1表示目标， 0表示背景。

机动车牌照区域在整个图像中有较大的亮度差异，同时大多数牌照是蓝底白字，牌照区域的边缘信息在水平和垂直方向上连续。本文采用Sobel算子[16]进行边缘检测，Sobel算子算子采用了3×3的模板，模板的卷积核如图2所示。

2.2 牌照定位

根据数学形态学的特点，要进行机动车牌照的定位，就要使结构元素与牌照间具有一定的关系。因此，还要了解机动车牌照的主要特征，我国机动车牌照的主要特征[2，17]如下：

1)民用机动车牌照形状为长方形，长为440 mm，宽为140 mm，长宽比为22 ∶7；

2)机动车牌照的面积与其周长平方间存在一定的数学关系：(22t×7t)/[2×(22t+7t)]2≈1/22,式中t代表牌照的宽度。

根据机动车牌照存在上述的特征，对机动车牌照进行形态学处理，先确定牌照所在的大概位置，然后利用机动车牌照的几何特征(长宽比和面积等)进行精确定位。具体算法如下：

1)根据机动车牌照的特征，确定要采用的数学形态学结构元素(3×3的单位矩阵)，对经过边缘检测的图像进行腐蚀处理，去除不必要的噪声点。

2)设定合适的结构元素，对已经过腐蚀的图像进行膨胀处理，以便恢复腐蚀中消除的有效点，连通有效区域。

3)经过上述算法处理的牌照图像，在牌照区域也会有其他较小的噪声干扰，本文采用灰度跳变统计，根据统计数据确定牌照的边缘位置。

4)通过上述的算法步骤，已经确定了牌照在图像中的大概区域位置，接下来利用机动车牌照的长宽比和面积等几何特征，对牌照进行精确定位。

2.3 牌照字符分割及识别

本文采用阈值分割算法[16],合理设置阈值进行目标图像和背景图像的区分。在IMAQ Morphology中阈值的设定分为自动和手动方式。本文采用自动设定阈值方式，自动设定阈值可以动态生成阈值，适合监控环境光线变化较大的情况。

字符识别利用采集到的字符特征及形状信息，通过一定的算法和预先保存在标准字符库中的字符模板进行逐一匹配，输出最为相近的字符。本文采用IMAQ Vision模块进行字符识别，IMAQ Vision模块是一种完善的字符识别工具，能够对质量低下的图像字符进行可靠有效的识别。设定不同的分割阈值、根据牌照在图像所占比例调整字符间距等操作来完成字符的分割及修正，最终生成一个机动车牌照字符库。将经过训练得到的字符库提交给IMAQ Vision 的OCR接口，程序就能根据此字符库进行具体的字符识别，达到对牌照进行识别的功能。

3 系统仿真

本文中采用一副大小为600万像素的彩色图像，在LabVIEW2010环境下实现。仿真过程算法如下：

1)将采集到的彩色图像进行灰度转换和灰度均衡化处理。从处理后的图3a可知，经过灰度处理后的图像灰度值范围集中在30至90间，在此基础上进行直方图均衡化处理，来增加图像的对比度，处理结果如图3b所示。

2)利用Bernsen算法取得图像二值化的最佳阈值，对图像进行二值化处理(结果如图4所示)，并进行一定的降噪处理，然后用Sobel算子对二值化的图像进行边缘检测，结果如图5所示。边缘检测能够对灰度的阶跃变化进行有效的检测，通过边缘检测将车身及背景去除，能够保证后面牌照定位的精度。

3)根据图5边缘检测得到的图像，对图5所示图像进行腐蚀和膨胀运算，腐蚀运算可以确定牌照的大概区域如图6a所示，通过膨胀运算可以对图像中的孔洞进行填充，使牌照区域连通成为一体。然后根据牌照几何特征利用数学形态学进行处理，去除其它的噪声区域，最终确定牌照的定位坐标，结果如图6b所示。

4)根据得到的牌照的精确定位坐标，在LabVIEW2010环境下，使用IMAQ OCR Read Text函数的训练接口进行字符分割与识别，结果如图7所示。

从得到的结果来看,仿真处理对原始图像进行二值化、灰度增强、均衡化和边缘检测都达到了系统设计的处理要求。

4 结论

本文对现有常用的汽车牌照识别算法在工程应用的不足进行了广泛的研究，提出了一种基于图像几何特征与数学形态学的汽车牌照识别算法，在LabVIEW 2010环境中进行了系统的实现。仿真过程中能够较好地解决汽车牌照背景复杂、噪声多、信息量大等问题，对汽车牌照的定位准确，牌照识别效率较好。