基于最小错误决策的车牌定位方法研究

摘 要 针对车牌定位中的先验知识使用，提出一种基于最小錯误决策的融合算法，通过样本学习构建决策模型进行像素分类，实现车牌区域定位。经实验验证算法有效，同时实现适合嵌入式系统移植。

关键词 车牌识别;检测;贝叶斯决策;形态学

引言

车牌自动识别系统主要分为车牌定位，字符分割和字符识别几个环节，其中车牌定位是整个处理过程的关键点，如果无法准确地找到画面中的车牌位置，就无从进行后续的识别处理。鉴于车牌定位的重要性，研究者已提出多种用于车牌定位的做法，如基于LBP纹理分析和伴生颜色特征方法等。但这些方法大多只利用了传统图像处理中的单一特征，在实际应用中易受干扰。我国车牌有较强的先验信息，本文将这些先验知识通过贝叶斯最小错误决策框架进行融合，提出一种新的车牌定位方法，同时算法计算量低，适合嵌入式系统实现[1]。

1车牌的先验信息

根据《中华人民共和国机动车号牌》标准，我国车牌主要有如下三种颜色组合：蓝底白字、黄底黑字和白底黑字，在颜色上有较强的视觉可区分性;在车牌区域中，集中存在7个字符，字符与底色有明显的对比，边缘成分较为集中;同时车牌作为一个矩形区域，有固定的宽高比例范围。由以上分析，对车牌区域中的像素，其所在区域的颜色信息及边缘强度是可靠的判定依据，同时区域宽高比可作为全局约束条件使用，用于过滤颜色纹理相似的干扰区域[2]。

2最小错误率决策

由贝叶斯决策理论，对于观察到的特征值，设有决策集合， 可求取对于每个决策的后验概率：

（1）

取各个后验概率中的最大值，此时出错概率最小，对应的决策即为最小错误决策。

3基于最小错误决策的车牌定位算法流程

车牌定位的目的是确定输入图像中某个区域是否存在车牌，从决策角度，即要将输入图像中的像素区分为车牌像素及背景像素，可通过构建决策模型进行。

3.1 决策模型生成

收集一定数量的车牌图片及背景图片， 转换到HSV色彩空间，并使用Sobel算子计算边缘图。对样本图片中的像素点进行采样，在HSV分量图和边缘图上计算每个像素的邻域均值，生成特征向量集合。分别对车牌及背景特征向量集合属性值进行直方图统计，并归一化到（0，1）区间，得到两个先验概率模型：及，其中为样本像素在各颜色分量及边缘图上的邻域均值。在程序实现时，模型数据按查找表进行存储，通过值索引可快速求取对应概率值[3]。

3.2 决策推理

对于给定的待处理图片，转换到HSV色彩空间并计算Sobel边缘图像，对其中每个像素计算邻域均值向量，代入到生成的决策模型中，求取对应的后验概率 及，根据概率值比较将其归属为车牌还是背景像素，在标记图像上分别标记为1或0。

3.3 形态学处理

经过决策推理过程后，对得到的二值标记图，先通过腐蚀膨胀操作，去除面积较小的干扰区域。对剩下的连通区域计算宽高比，保留满足的区域作为定位输出[4]。

4实验结果及分析

为了验证本文算法的有效性，选取了各200张车牌及背景图像，按照4.1描述的过程训练生成决策模型，其中邻域大小按经验值取为16。使用收费站采集的500张不同光照条件车头图像作为测试集，按4.2和4.3描述的过程进行车牌区域定位，部分实验结果见图1。

对实验结果进行统计，定位成功率为99.2%。剩下定位错误的图片，主要是受光照干扰出现过曝，车牌特征变化过大导致。经性能测试，在主频为3.4G的I7台式机上处理一张图片耗时在100毫秒内，基本能达到实时处理。由于决策模型是以查找表方式实现，没有过多的复杂计算，此算法可方便的部署到基于DSP的嵌入式平台上[5]。

5结束语

车牌定位作为车牌识别应用的关键环节，对系统的鲁棒性和处理性能起着决定性作用。本文基于贝叶斯决策理论对先验知识进行融合，提出一种新的车牌定位方法，经实验验证能有效实现定位，并适合嵌入式平台移植和部署。

参考文献

[1] 张凡，景晓军，孙松林.一种基于LBP纹理的车牌定位方法[EB/OL]. http：//www.paper.edu.cn/releasepaper/content/200810-628，2008-10-24.

[2] 王枚，王国宏.利用伴生与互补颜色特征的车牌定位新方法[J].计算机工程与应用，2007，43（1）：206-208.

[3] 言茂松.贝叶斯风险决策工程[M].北京：清华大学出版社，1989：89.

[4] 胡琛，秦实宏.基于色彩纹理的车牌定位系统设计[J].武汉工程大学学报，2017（3）：73-80.

[5] 钱月.基于MATLAB的图像形态学处理技术与应用[J].内江师范学院学报，2019（10）：51-55.

作者简介

廖原，男，广西南宁人;毕业院校：浙江工商大学，专业：信息与电子工程，学历：本科;现就职单位：北京信路威科技股份有限公司南宁分公司，研究方向：智能图像处理。