結(jié)合有色點(diǎn)對(duì)搜索和區(qū)域統(tǒng)計(jì)特征的車牌定位算法分析

周彬彬++周之平++賈杰

摘要：為了提高車牌檢測(cè)系統(tǒng)中車牌定位的效率，文章利用HSV和RGB雙重顏色模型對(duì)藍(lán)白像素點(diǎn)建立定性描述模型，基于該模型提出一種結(jié)合藍(lán)白有色點(diǎn)對(duì)搜索和區(qū)域統(tǒng)計(jì)特征信息的車牌定位方法。該方法首先通過(guò)搜索有色點(diǎn)對(duì)并結(jié)合角點(diǎn)和車牌紋理等特征確定車牌的粗略區(qū)域，然后利用垂直/水平投影、霍夫直線檢測(cè)以及顏色提取方法實(shí)現(xiàn)車牌精確定位。測(cè)試結(jié)果表明，針對(duì)復(fù)雜環(huán)境和不同光照條件下的車牌，新方法能夠?qū)崿F(xiàn)車牌的快速精確定位。

關(guān)鍵詞：車牌定位；有色點(diǎn)對(duì)；區(qū)域統(tǒng)計(jì)特征

車牌識(shí)別是智能交通系統(tǒng)的重要組成部分，而車牌定位作為車牌識(shí)別的關(guān)鍵步驟之一，直接影響著車牌識(shí)別系統(tǒng)的性能。由于光照、視點(diǎn)和距離、背景的復(fù)雜性等因素的影響使得車牌定位準(zhǔn)確率不高。因此，如何找到一種方法能夠?qū)崿F(xiàn)在不同環(huán)境下車牌的快速、精確定位是研究的重點(diǎn)。目前的車牌定位算法可分為：基于邊緣信息的定位方法、基于Hough變換的定位方法和基于顏色特征的定位方法。

文獻(xiàn)通過(guò)統(tǒng)計(jì)邊緣密度信息和車牌字符分布進(jìn)行精確定位，該方法需要提取字符特征并對(duì)字符進(jìn)行識(shí)別，其實(shí)現(xiàn)復(fù)雜性較高。文獻(xiàn)結(jié)合車牌形狀及其在Hough空間的特征，通過(guò)Hough反變換重建車牌區(qū)域，若不能提取到明顯的車牌直線邊框，則無(wú)法定位。文獻(xiàn)把輸入的RGB圖轉(zhuǎn)換到HSV空間上，利用車牌區(qū)域的固定底色特征及紋理特征定位車牌，算法中涉及的車牌底色的顏色選擇環(huán)節(jié)有待改進(jìn)。文獻(xiàn)通過(guò)選取適當(dāng)?shù)念伾Ｐ吞崛≤嚺疲撃Ｐ筒荒苓m應(yīng)于不同顏色明亮程度和不同環(huán)境下的車牌。

為此，本文在文獻(xiàn)的研究基礎(chǔ)上提出一種改進(jìn)的車牌定位算法。該方法對(duì)文中的RGB顏色空間中的藍(lán)白像素點(diǎn)描述方法進(jìn)行改進(jìn)，通過(guò)搜索RGB和HSV兩個(gè)顏色空間中滿足一致性約束的像素來(lái)確定車牌字符的邊緣像素點(diǎn)，最后利用車牌區(qū)域的紋理特征，結(jié)合連通域分析、角點(diǎn)/直線特征檢測(cè)以及水平垂直投影方法進(jìn)行車牌精確定位。

1 有色點(diǎn)對(duì)搜索方法改進(jìn)

文獻(xiàn)以藍(lán)底白字的車牌為例，利用車牌區(qū)域?yàn)樗{(lán)色背景和白色字符的特征，通過(guò)搜索有色點(diǎn)對(duì)確定車牌內(nèi)的白色字符區(qū)域。其中像素點(diǎn)對(duì)（A，B）的有色點(diǎn)對(duì)定義為：A點(diǎn)，其左側(cè)為藍(lán)色像素點(diǎn)，右側(cè)為白色像素點(diǎn)；B點(diǎn)，其左側(cè)為白色像素點(diǎn)，右側(cè)為藍(lán)色像素點(diǎn)。對(duì)于點(diǎn)A（或者B）裉據(jù)其顏色分量C_r，C_R，C_b，通過(guò)如下模糊判斷來(lái)確定所屬顏色：

（l）當(dāng)滿足C_b>f₁*C_r，g且C_b>T₁時(shí)，即認(rèn)為該像素點(diǎn)為藍(lán)色點(diǎn)。

（2）當(dāng)某一點(diǎn)的顏色滿足i C_{r，g，b}2*S且S>T₂時(shí)即認(rèn)為該點(diǎn)為白色點(diǎn)。其中，fi=l.4，f2=0.4，Ti=20，T，=200，s=C_r+C_z十C_b。

通過(guò)對(duì)大量的車牌圖像進(jìn)行測(cè)試發(fā)現(xiàn)，上述關(guān)于藍(lán)白像素點(diǎn)的定義不夠準(zhǔn)確，例如對(duì)于淺藍(lán)色的車牌，因?yàn)榇蠖鄶?shù)白色字符周圍的藍(lán)色點(diǎn)C_b/C_g∈（1.2，1.4），f₁取為1.4時(shí)只能得到很少的字符像素，如圖l（d）所示。此外，對(duì)于顏色鮮艷的藍(lán)色車牌，由于受到藍(lán)色背景的色差影響，f₂取為0.4也無(wú)法實(shí)現(xiàn)定位，如圖1 （e）所示。統(tǒng)計(jì)分析表明，車牌圖像中的白色字符C_b/s取值為《0.4，0.45）。若減小f₁或增大f₂，可以有效檢測(cè)出圖l（a）和圖l（b）中的有色點(diǎn)對(duì)，但對(duì)于淡藍(lán)色車牌（見(jiàn)圖1（c》，會(huì)將藍(lán)色的車牌背景誤判為白色，導(dǎo)致字符搜索不出來(lái)或產(chǎn)生粘連（見(jiàn)圖l（f））。

選擇不同顏色鮮艷程度、不同光照強(qiáng)度下車牌作為測(cè)試圖像，統(tǒng)計(jì)分析其HSV三個(gè)通道的分布規(guī)律，從而給出藍(lán)白像素點(diǎn)的判定規(guī)則。

規(guī)則1：HSV顏色空間藍(lán)白點(diǎn)判定規(guī)則

（1）若h∈（95，130），S∈[51，255]，V∈[25，255]，則判定該像素點(diǎn)為藍(lán)色點(diǎn)。

（2）若h∈（10，163），S∈（O，120]，V∈[70， 255]，則判定該像素點(diǎn)為白色點(diǎn)。

同理，通過(guò)統(tǒng)計(jì)分析的方法得出RGB顏色空間上藍(lán)白像素點(diǎn)的定義規(guī)則。

規(guī)則2：RGB顏色空間藍(lán)白點(diǎn)判定規(guī)則

（l）若C_b√C_r>1.20，C_b/C_g>1.1O時(shí)判定該像素點(diǎn)為藍(lán)色點(diǎn)。

（2）若C_r/s<0.43.C_g/S<0.4時(shí)則判定該像素點(diǎn)為白色點(diǎn)。 但是在HSV顏色模型中，對(duì)s∈[51，120]的像素進(jìn)行顏色界定時(shí)存在模糊性，而通過(guò)大量的對(duì)比分析發(fā)現(xiàn)，同一張車牌圖像中大多數(shù)藍(lán)色點(diǎn)的s分量要大于白色點(diǎn)，如圖2所示。為此，利用規(guī)則1來(lái)判斷白色點(diǎn)時(shí)，不僅要求s分量滿足s≤120，而且還應(yīng)小于鄰域內(nèi)藍(lán)色點(diǎn)的s分量。

綜合上述判定規(guī)則，給出藍(lán)白點(diǎn)的判定條件：

（l）對(duì)于二值邊緣圖像中的邊緣點(diǎn)P，其在HSV圖像中各分量滿足h_p∈（95，130）.s_p∈[51，255]，v_p∈[25.255]，并且RGB彩色圖像中對(duì)應(yīng)像素滿足

時(shí)，則判定P為藍(lán)色像素點(diǎn)。

（2）對(duì)于二值邊緣圖像中的邊緣點(diǎn)B，其在HSV圖像中各分量滿足h_B∈（10，163），s_B∈（0，120]，v_B∈[70，255]，并且RGB彩色圖像中對(duì)應(yīng)像素滿足 時(shí)，同時(shí)S_B小于鄰域內(nèi)藍(lán)色像素的s分量時(shí)，則判定像素點(diǎn)B為白色像素。

針對(duì)圖1（a）～（c），采用新的判定條件進(jìn)行有色點(diǎn)對(duì)搜索的效果如圖l（g）～（i）所示。與文獻(xiàn)的方法相比，它提供了車牌區(qū)域更為豐富的信息，有利于后續(xù)的車牌定位。

2 車牌定位算法

2.1 車牌區(qū)域的粗定位

經(jīng)過(guò)有色點(diǎn)對(duì)搜索后的圖像中會(huì)包含一些干擾的黑色區(qū)域，因此可先利用形態(tài)學(xué)運(yùn)算消除干擾區(qū)域，并對(duì)相距較近的區(qū)域進(jìn)行合并。然后對(duì)于候選連通域，采用車牌區(qū)域的紋理特征，如寬高比、車牌區(qū)域的面積和質(zhì)心以及黑白像素跳變的平均次數(shù)，提取包含車牌的區(qū)域。

但是，如果車身背景是藍(lán)色，車牌區(qū)域和車身區(qū)域可能會(huì)粘連在一起，導(dǎo)致無(wú)法定位。為此，首先提取區(qū)域的Harris角點(diǎn)特征，然后對(duì)角點(diǎn)所限定的矩形區(qū)域進(jìn)行逐一測(cè)試，判斷該區(qū)域內(nèi)是否含有車牌紋理特征進(jìn)而確定車牌所在的區(qū)域。其實(shí)現(xiàn)過(guò)程如下所述：

算法A1：車牌區(qū)域粗定位算法

（b）車牌“京AOOOOI”

Stepl：首先對(duì)圖像進(jìn)行腐蝕和膨脹運(yùn)算以消除干擾區(qū)域，再進(jìn)行連通分量標(biāo)記，并構(gòu)造各個(gè)連通域的最小矩形包圍盒 。轉(zhuǎn)Step2。

Step2：判斷r_i是否僅包含單個(gè)連通成分。若是，記 ，轉(zhuǎn)Step6；否則，選擇面積最大的連通域 ，記為 ，轉(zhuǎn)Step3。

Step3：分別統(tǒng)計(jì) 中黑白像素的面積 和 。如果 ，則判定其不包含大量的干擾區(qū)域，轉(zhuǎn)Step6；否則，轉(zhuǎn)Step4。

Step4：對(duì)連通域 檢測(cè)Harris角點(diǎn)，并根據(jù)坐標(biāo)值對(duì)角點(diǎn)排序（先按橫坐標(biāo)升序再按縱坐標(biāo)降序排列），記作 。轉(zhuǎn)Step5。

Step5：對(duì)于角點(diǎn) ，確定其右下角的所有角點(diǎn) 。利用紋理特征判斷由 和 構(gòu)成的矩形是否包含車牌區(qū)域。如果包含車牌區(qū)域，表明找到車牌區(qū)域，退出循環(huán)；否則， ，判斷下一個(gè)點(diǎn)是否滿足。當(dāng)k=n，且未找到時(shí)， ，繼續(xù)上述搜索過(guò)程，直至找到一個(gè)包含車牌區(qū)域的矩形為止。

Step6：利用車牌紋理特征直接判斷候選區(qū)域。

對(duì)藍(lán)色車身的車牌圖像進(jìn)行連通域分析，車牌區(qū)域粗定位的過(guò)程如圖3所示，其中圖3（b）～（d）對(duì)應(yīng)于包含車牌的連通域（為了便于顯示，對(duì)局部圖像進(jìn)行了放大）。

2.2 車牌區(qū)域精定位

為提高后續(xù)字符分割精度和識(shí)別效率，提取粗定位區(qū)域中的邊緣特征，并根據(jù)像素跳變次數(shù)和彩色圖上白色點(diǎn)數(shù)目確定字符區(qū)的水平和垂直邊界，以實(shí)現(xiàn)車牌的精確定位。

2.2.1 水平方向精定位

Hough直線變換可以檢測(cè)到位于車框和字符的鄰近區(qū)域內(nèi)的一些直線段，可利用這些線段來(lái)確定車牌字符區(qū)的上下邊界，如圖4所示。

可引入如圖5所示的坐標(biāo)系，外面的矩形框表示車牌粗定位區(qū)域。通過(guò)提取那些與區(qū)域Rl（和R2）交集不為空的直線段并根據(jù)像素跳變次數(shù)來(lái)確定車牌字符的上下邊界，具體過(guò)程如下：

算法A2：車牌區(qū)域水平邊界定位算法

Stepl：選擇與區(qū)域Rl交集不為空的直線段（如圖5中l(wèi)₁，l₂），將其存入集合S₁中；同樣選擇與區(qū)域R2交集不為空的直線段（如圖5中l(wèi)₃，l₄），將其存入集合S₂中。轉(zhuǎn)Step2。

Step2：根據(jù)直線段中點(diǎn)y坐標(biāo)分別對(duì)集合S₁和S₂中元素進(jìn)行降序和升序排列。記， 。轉(zhuǎn)Step3。

Step3：選擇 中的第i個(gè)元素（i初始值為1） 進(jìn)行測(cè)試。在二值圖像上作通過(guò) 兩個(gè)端點(diǎn)P₁，p₂的水平線并統(tǒng)計(jì)線上像素跳變次數(shù)n₁，n₂。轉(zhuǎn)Step4。

Step4：先判斷n₁是否小于閾值τ₂。若是，則取P的y坐標(biāo)作為上邊界U，轉(zhuǎn)Step6；否則，轉(zhuǎn)Step5。

Step5：判斷ψ₂是否小于閾值τ₂。若是，則取p₂的y坐標(biāo)作為上邊界U，轉(zhuǎn)Step6；否則，選擇下一個(gè)元素，轉(zhuǎn)Step3。

Step6：同理對(duì)集合S₂中元素按照Step3-Step6過(guò)程確定下邊界B。記錄（U'B）作為水平方向上下邊界。

針對(duì)圖4中的3幅圖像，水平邊界的精確定位效果如圖6所示。

2.2.2 垂直方向精定位

對(duì)應(yīng)于圖6所示的定位結(jié)果，可抽取到其有色點(diǎn)對(duì)圖像，如圖7所示。

當(dāng)粗定位區(qū)域的有色點(diǎn)對(duì)圖包含較完整的車牌字符時(shí)（見(jiàn)圖7（a）），利用水平投影法可實(shí)現(xiàn)字符左右邊界的精確定位。但是，若首末字符與車牌左右邊框間隙很小或發(fā)生粘連，通過(guò)有色點(diǎn)對(duì)搜索無(wú)法得到完整的首末字符時(shí)（見(jiàn)圖7（c）），會(huì)導(dǎo)致定位失敗。結(jié)合白色像素點(diǎn)定義和水平精定位所確定的區(qū)域，可從原始圖像中提取白色像素圖，如圖8所示。比較圖7和圖8發(fā)現(xiàn)：（l）白色像素圖包含了完整車牌字符的信息。（2）有色點(diǎn)對(duì)圖像的首字符一般在白色邊框的右邊，末字符一般在白色邊框的左邊。

為此，首先在有色點(diǎn)對(duì)圖上通過(guò)水平投影得到一個(gè)包含部分字符區(qū)域的初始邊界，再對(duì)照車牌白色像素圖，結(jié)合水平投影方法和水平區(qū)間延伸檢測(cè)來(lái)實(shí)現(xiàn)左右邊界的精確定位。具體算法實(shí)現(xiàn)如下所述。

算法A3：車牌區(qū)域垂直邊界定位算法

Stepl：在有色點(diǎn)對(duì)圖上從第一列開(kāi)始，按從左到右方向依次掃描，搜索白色像素?cái)?shù)n_ww>τ₄的首列。并記錄其列索引col left。轉(zhuǎn)Step2。

Step2：在白色點(diǎn)圖上從第col left開(kāi)始，按從右到左方向依次掃描，搜索白色像素點(diǎn)數(shù)目m_w>τ₅的首列j₁。記錄左邊界L=j₁。轉(zhuǎn)Step3。

Step3：在有色點(diǎn)對(duì)圖上從最后一列開(kāi)始，按從右到左方向依次掃描，搜索白色像素?cái)?shù)n_ww>τ₄的首列。并記錄其列索引col right。轉(zhuǎn)Step4。

Step4：從白色點(diǎn)圖中第col right列開(kāi)始，按從左到右方向依次掃描，搜索白色像素點(diǎn)數(shù)目m_w>τ₅的首列j₂。記錄右邊界R=j₂。

一旦確定了車牌字符的上下邊界（U，B）和左右邊界（L，R），則可從原始圖像中提取對(duì)應(yīng)區(qū)域的車牌字符圖像，效果如圖9所示。

3 實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證算法性能，選取不同尺寸、光照和顏色明亮程度的276張車牌進(jìn)行測(cè)試。統(tǒng)計(jì)結(jié)果表1不同背景環(huán)境和光照條件下的部分測(cè)試結(jié)果表明，文獻(xiàn)定位成功率為88.3%，本文算法的定位成功率為94.2%，相比之下本文方法在定位準(zhǔn)確率上有了較大提高。表1列出了部分實(shí)驗(yàn)測(cè)試結(jié)果，其中樣例1是底色為淺藍(lán)色的車牌，樣例2是顏色較為鮮艷的車牌，樣例3是傍晚時(shí)刻拍攝的車牌，樣例4是車身為藍(lán)色的車牌。從表l可以看出，新算法能夠適用于不同環(huán)境下采集到的不同質(zhì)量的車牌圖像，因而具有較強(qiáng)的魯棒性。

4 結(jié)語(yǔ)

為了提高復(fù)雜環(huán)境下車牌定位的效率，本文提出一種基于有色點(diǎn)對(duì)搜索和區(qū)域統(tǒng)計(jì)特征的車牌定位算法。該方法將HSV和RGB雙重顏色空間與邊緣圖像相結(jié)合對(duì)藍(lán)白顏色點(diǎn)進(jìn)行定性描述，增強(qiáng)了有色點(diǎn)對(duì)搜索的效率；利用角點(diǎn)特征進(jìn)行局部區(qū)域紋理匹配，消除了車身顏色對(duì)定位的影響；通過(guò)水平/垂直邊界精確定位，有效地界定了車牌字符區(qū)域。測(cè)試結(jié)果表明，針對(duì)復(fù)雜環(huán)境和不同光照條件下的車牌圖像，該方法能夠?qū)崿F(xiàn)快速、精確定位。而如何將該算法推廣到不同類型的車牌，使其更具有一般性，將是下一步研究的內(nèi)容。