基于改进数学形态学的车牌定位算法研究

陈爱萍 ,林金山

(1.湄洲湾职业技术学院 信息工程系,福建 莆田 351119;2.莆田学院 机电与信息工程学院,福建 莆田 351100)

0 引言

随着经济的快速发展,国民的生活水平得到了大幅度的提升,城市机动车保有量快速增加。车牌是汽车的“身份证”,能够在公共场合确定汽车的身份。车牌识别作为城市智能交通的重要组成部分,直接影响城市的交通管理与控制,车牌定位成为当前学术界研究的焦点问题。廉宁等针对复杂背景下车牌定位效果不理想的问题,提出了联合数学形态学和颜色特征的车牌定位算法,该算法对车牌定位准确率高、受背景的限制较少[1]。王晓群等研究了不同光线环境所采集车牌图像的定位问题,对所采集的车牌图像运用自适应对比度增强算法实施图像预处理,使得不同光线下所采集的车牌图像能够得到有效处理,车牌定位的精度大幅提升[2]。刘晓瑶等针对背景、天气、图像倾斜等干扰导致车牌定位精度低的问题,提出了将颜色边缘特征提取与深度学习相结合的车牌定位算法,并通过实例验证了该算法具有良好的鲁棒性,能够确保在复杂环境下良好的车牌定位性能[3]。李兵等采用TensorFlow深度学习对采集图像进行边缘检测,借助数学形态学算法获得车牌候选区域,同时确保车牌候选区域是连通的,它提升了车牌定位的精度和效率[4]。秦玮等针对图像识别易被噪声破坏的问题,引入数学形态学,指出基于数学形态学的图像边缘检测对噪声与模糊图像具有良好的鲁棒性[5]。数学形态学是建立在格论与拓扑学基础上的图像分析学科,将其应用于车牌定位中,能提升车牌定位的精度。

1 改进数学形态学的边缘检测算法

1.1 数学形态学

数学形态学建立在格论与拓扑学基础之上,其由形态学代数运算子所构成。数学形态学算法通过结构元素获取图像中的特定形状,实现图像处理的目的。膨胀、腐蚀、开启、闭合是数学形态学的4种基本运算[6]。

膨胀运算符号为⊕,图像集合A用结构元素B来膨胀,即

(1)

腐蚀运算符号为Θ,图像集合A用结构元素B来腐蚀,即

AΘB={x|(B)x⊆A}

(2)

开启运算符号为∘,即先进行腐蚀运算,然后进行膨胀运算,同时腐蚀和膨胀运算采用的是同一结构元素,即

A∘B=(AΘB)⊕B

(3)

闭合运算符号为•,即先进行膨胀运算,然后进行腐蚀运算,同时膨胀和腐蚀运算采用的是同一结构元素,即

A•B=(A⊕B)ΘB

(4)

由图1可知,图像进行膨胀操作能够将图像中的背景点与图像中的物体合并,增大目标,同时对目标中的空洞进行填补操作。图像进行腐蚀运算能够将图像边界点消除,缩小目标,同时小于结构元素的噪声点也可以得到有效滤除。通过数学形态学的开运算操作能够有效消除在图像中的细小噪声实现对图像边界的平滑处理,进行闭运算操作能够对图像中的细小空洞进行填补,同时对物体的边界进行平滑处理。

图1 图像数学形态学4种基本运算结果

图2 图像边界提取结果

采用数学形态学可以对图像的边缘进行检测,设β(A)为集合A的边界,β(A)可以通过原始图像和腐蚀后图像作差或者膨胀后图像与原始图像作差的方式来获得,即[7]

(5)

1.2 改进数学形态学

传统数学形态学采用单一结构,这使得其对图像边缘的提取往往不能够获得理想的效果,为此对数学形态学进行改进,具体操作为:

1)采用3×3或者5×5的结构元素对图像进行膨胀操作,将膨胀图像和原始图像作差,其结果为A1;

2)采用3×3或者5×5的结构元素对图像进行腐蚀操作,将原始图像和腐蚀图像作差,其结果为A2;

3)将膨胀图像和腐蚀图像作差,其结果为A3。

取A1、A2、A3的平均值,将其作为图像边缘检测的结果,即

(6)

2 车牌定位

2.1 车牌粗略定位

车牌定位的关键是对包含车牌的区域粗略定位,采用改进数学形态学算法就可以实现车牌的粗略定位。对车牌边缘图像实施闭运算和开运算,车牌区域就实现了连通,进而获得车牌的候选区域。车牌粗略定位流程如图3所示[8]。

图3 车牌粗略定位流程

由图3可知,车牌粗略定位的第一步是对边缘图像闭运算,通过闭运算将狭窄缺口连接,对处理对象的轮廓平滑处理和填充比较小的洞。结构元素的选择直接影响到图像处理的结果,考虑到车牌区域形状为矩形,因此选择方形结构元。边缘图像进行闭运算之后,一些无关背景也被连通,因此第二步是进行开运算,同样选择方形结构元,通过开运算处理无关背景影响因素。在经过闭运算和开运算之后将得到多个连通的区域,这对车牌精准定位产生巨大的干扰。采用MATLAB软件自带的bwareaopen函数将小对象移除,从而更好地实现车牌的精准定位。

2.2 车牌精准定位

对车牌进行粗略定位使得车牌定位的范围大大缩小,但是依旧有许多多余的候选区域。为了实现对车牌的精准定位,在车牌粗略定位基础上通过车牌彩色信息对图像进一步进行分割,从而实现对车牌的精准定位。目前,车牌底色主要有四种,分别为蓝色、黑色、黄色、白色(军车、武警车车牌),利用车牌底色信息对车牌进一步进行分割。区域标记法和行列扫描投影法是车牌精准定位的常用算法,和行列扫描投影法相比,区域标记法具有原理简单、实现容易等优点,在车牌精准定位中应用十分广泛[9]。考虑到我国车牌拍照宽高比为3.14,因此设定宽高比率阈值区间为3.0～3.5。分别采用区域标记法和车牌彩色信息法获取车牌区域,对两种方法所获得的车牌区域取交集,从而实现对车牌的精准定位。联合区域标记法和车牌底色特征对车牌实施精准定位流程如图4所示。

图4 联合区域标记法和车牌底色特征的车牌精准定位流程

3 车牌定位实例分析

3.1 图像预处理

采用图像采集器获得的车辆图像均是RGB彩色图像[10],最终得到处理后的二值化图像,图5为所采集车辆的原始图像及对应二值化图像。

图5 车辆原始图像及二值化图像

车牌定位的第一步是提取图像的边缘,将改进前后的数学形态学算法应用于车牌图像边缘提取中,结果如图6所示。

图6 图像边缘提取结果对比

3.2 结果分析

由图6可知,传统数学形态学算法能够较好地提取图像的边缘,但是所提取的边缘细节不够丰富。改进数学形态学算法能够更为完整地保留图像的边缘,同时将一些虚假的边缘去掉,所得到的图像边缘轮廓更为清晰。

车牌定位的第二步是车牌粗略定位,对提取的图像边缘轮廓进行闭运算、开运算以及小对象移除,得到移除小对象后的图像,结果如图7所示。

图7 移除小对象后结果

车牌定位的第三步是车牌精准定位,分别对车辆1和车辆2的两个区域进行标记,提取标记区域的坐标、宽、高,并进行记录。设定宽高比率阈值区间为3.0～3.5,提取车辆1和车辆2的车牌区域,结果如图8所示。

图8 车牌精准定位结果

由图8可知,对存在倾斜、复杂背景下的车牌,改进的数学形态学算法均可以对车牌进行精准定位。

3.3 算法稳定性分析

为了验证改进数学形态学算法在车牌定位应用上的稳定性,随机采集180辆汽车的车牌照片,这些车牌照片包含不同光照条件、不同拍摄角度、不同车型。分别采用传统数学形态学算法和改进数学形态学算法进行车牌定位,车牌准确定位结果如表1所示。

表1 不同算法车牌定位结果对比

由表1可知准确定位率提高了13.9百分点,特别是对于倾斜的车牌能够更为准确地定位,在车牌定位领域具有更为广泛的应用。

4 结论

车牌识别是城市交通管理智能化的关键,而准确识别车牌的关键是车牌的精准定位。针对传统数学形态学算法在车牌定位上存在车牌倾斜时定位精度不高的问题,对数学形态学算法进行改进,并将其应用于实际的车牌定位中。结果表明,改进的数学形态学算法对车牌定位准确率高,特别是在车牌倾斜时改进算法更为有效,相对于传统的数学形态学算法具有更好的通用性。该研究对提高车牌定位的准确率、车牌识别的精度具有一定的参考价值。