基于改進(jìn)Sobel算子和數(shù)學(xué)形態(tài)學(xué)的車牌定位研究

朱芳

摘要

隨著車牌識(shí)別技術(shù)的廣泛應(yīng)用，對(duì)車牌定位的準(zhǔn)確率提出了更高的要求。本文對(duì)車牌進(jìn)行分步定位，首先對(duì)車牌圖像利用改進(jìn)的Sobel算子進(jìn)行邊緣檢測(cè)粗略定位，確定車牌所在區(qū)域。再對(duì)邊緣檢測(cè)后的二值圖像進(jìn)行膨脹、腐蝕等一系列數(shù)學(xué)形態(tài)學(xué)操作，完成車牌精確定位。實(shí)驗(yàn)結(jié)果表明，該方法能準(zhǔn)確定位車牌，具有較好的實(shí)用價(jià)值。

【關(guān)鍵詞】車牌定位 改進(jìn)的Sobel算子 邊緣檢測(cè) 數(shù)學(xué)形態(tài)學(xué)

隨著人工智能技術(shù)的崛起，智慧交通也逐漸進(jìn)入人們的視野，融入人們的生活。車牌識(shí)別技術(shù)作為智慧交通的核心技術(shù)之一受到社會(huì)各界的廣泛關(guān)注。目前，車牌識(shí)別技術(shù)己廣泛應(yīng)用于停車場(chǎng)管理系統(tǒng)、電子警察系統(tǒng)、高速公路收費(fèi)系統(tǒng)等場(chǎng)合，為停車管理、交通執(zhí)法、公路收費(fèi)等提供便利。車牌定位作為車牌識(shí)別的重要組成部分，在車牌識(shí)別中起著至關(guān)重要的作用。本文提出了一種利用改進(jìn)的Sobel算子進(jìn)行粗略定位，再用數(shù)學(xué)形態(tài)學(xué)進(jìn)行精確定位的車牌定位方法。

1 車牌識(shí)別工作流程

車牌識(shí)別流程如圖1所示。

1.1 圖像預(yù)處理

車牌識(shí)別技術(shù)要求能將采集到的車牌從復(fù)雜的背景中識(shí)別出來(lái)。在自然環(huán)境下，圖像采集時(shí)由于受到光照不均（白天，黑夜）、天氣（雨雪、陰天、大霧等等）、拍攝角度和自身牌照狀況（如磨損、污漬）的影響，圖像的質(zhì)量往往比較差。采集到的圖像往往會(huì)存在圖像模糊不清、角度傾斜、光照不均等現(xiàn)象。因此，需要對(duì)采集到的圖像進(jìn)行預(yù)處理。預(yù)處理的效果將直接影響到車牌的定位以及后續(xù)的車牌字符分割和車牌識(shí)別結(jié)果的好壞。首先將采集到的彩色圖像進(jìn)行灰度化處理，再將圖像去噪處理，然后用圖像增強(qiáng)技術(shù)改善圖像的視覺(jué)效果，提高圖像成分的清晰度。

1.2 車牌定位

圖像經(jīng)過(guò)預(yù)處理后，為了準(zhǔn)確的識(shí)別車牌首先要對(duì)車牌進(jìn)行定位。根據(jù)我國(guó)車牌特征，采用邊緣檢測(cè)法和數(shù)學(xué)形態(tài)學(xué)法進(jìn)行車牌區(qū)域定位。車牌定位的準(zhǔn)確與否決定其后的車牌字符分割和車牌識(shí)別能否順利進(jìn)行。

1.3 車牌字符分割

經(jīng)過(guò)圖像預(yù)處理和車牌定位后，得到的灰度圖像還不能直接進(jìn)行分割，需要對(duì)圖像二值化、圖像傾斜校正、去除邊框和鉚釘、車牌圖像歸一化等一系列處理。在經(jīng)過(guò)了上述一系列的處理之后，可以得到只包含牌照字符的水平條形區(qū)域。在水平區(qū)域進(jìn)行字符分割即可。

1.4 車牌字符識(shí)別

字符識(shí)別是車牌識(shí)別系統(tǒng)最后的關(guān)鍵環(huán)節(jié)，是整個(gè)車牌識(shí)別系統(tǒng)的核心。選擇合適的字符識(shí)別算法對(duì)分割后的字符進(jìn)行縮放、特征提取，與字符數(shù)據(jù)庫(kù)模板中的標(biāo)準(zhǔn)字符進(jìn)行匹配判別，識(shí)別出車牌字符。

2 基于改進(jìn)Sobel算子的邊緣檢測(cè)車牌定位

2.1 基于邊緣檢測(cè)的定位方法

圖像的邊緣檢測(cè)是根據(jù)圖像灰度級(jí)的變化來(lái)精確定位邊緣區(qū)域。牌照區(qū)域可通過(guò)邊緣檢測(cè)技術(shù)先將邊緣點(diǎn)檢測(cè)出來(lái)，再按照某種規(guī)律將檢測(cè)出來(lái)的點(diǎn)連起來(lái)，最終形成車牌區(qū)域輪廓。通常情況下，采用構(gòu)造邊緣檢測(cè)算子的方法來(lái)檢測(cè)車牌邊緣區(qū)域。常用的邊緣檢測(cè)算子有很多種，每種都有其適用場(chǎng)合。本文主要采用一種改進(jìn)Sobel算子的邊緣檢測(cè)法來(lái)對(duì)車牌定位，經(jīng)過(guò)改進(jìn)的Sobel運(yùn)算，進(jìn)行邊緣提取，粗略確定車牌所在區(qū)域。

2.2 基于改進(jìn)Sobel算子的邊緣檢測(cè)車牌定位

傳統(tǒng)的Sobel邊緣算子用兩個(gè)卷積核分別來(lái)計(jì)算水平和垂直方向上的梯度，如圖2所示。改進(jìn)的Sobel算子采用了六方向模板，可對(duì)車牌字符的垂直方向和斜線方向進(jìn)行處理，如圖3所示。

改進(jìn)的Sobel算子算法實(shí)現(xiàn)的基本思想是：首先構(gòu)造如圖3所示的六方向模板，然后對(duì)圖像進(jìn)行逐點(diǎn)計(jì)算，并且取最大值作為該點(diǎn)的新的灰度值，該最大值對(duì)應(yīng)模板所表示的方向?yàn)樵撓袼攸c(diǎn)的邊緣方向。

圖4表示經(jīng)過(guò)傳統(tǒng)Sobel算子檢測(cè)后的圖像，圖5表示經(jīng)過(guò)改進(jìn)的Sobel算子檢測(cè)后的圖像。從圖5中可以看出，經(jīng)過(guò)改進(jìn)Sobel算子檢測(cè)之后只剩下需要定位的牌照區(qū)域和汽車其他部分的一些邊框，檢測(cè)效果明顯優(yōu)于傳統(tǒng)的Sobel算子

3 基于數(shù)學(xué)形態(tài)學(xué)的車牌精確定位

經(jīng)過(guò)改進(jìn)的Sobel邊緣檢測(cè)算子提取出來(lái)的邊緣精度不夠高，還達(dá)不到要求，因此需要進(jìn)一步精確定位。數(shù)學(xué)形態(tài)學(xué)法抗傾斜性較強(qiáng)，能夠精確定位。本文采用了數(shù)學(xué)形態(tài)學(xué)的相關(guān)運(yùn)算對(duì)粗定位出來(lái)的車牌區(qū)域再進(jìn)行精確定位。

3.1 數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算

數(shù)學(xué)形態(tài)學(xué)（Mathematical Morphology）是一種應(yīng)用于圖像處理和模式識(shí)別領(lǐng)域的新的方法?；镜男螒B(tài)學(xué)運(yùn)算是腐蝕和膨脹，設(shè)有兩個(gè)集合A和集合S。

3.1.1 圖像腐蝕

腐蝕的運(yùn)算符為，A用S來(lái)腐蝕記為：

腐蝕主要用于消除物體的邊界點(diǎn)。腐蝕可以將圖像中小且無(wú)意義的物體去除。

3.1.2 圖像膨脹

膨脹主要用于擴(kuò)展物體的邊界點(diǎn)，可以把圖像周圍的背景點(diǎn)一起合并到物體中。膨脹可以填補(bǔ)分割后物體中的空洞。

3.1.3 開(kāi)運(yùn)算

開(kāi)運(yùn)算執(zhí)行的是先腐蝕后膨脹。開(kāi)運(yùn)算可以消除圖像上的細(xì)小物體，使圖像的輪廓變得平滑，將狹窄的部分削弱，還可以去掉細(xì)的突出等。

3.1.4 閉運(yùn)算

閉運(yùn)算執(zhí)行的是先膨脹后腐蝕?？梢詫⑽矬w影像內(nèi)的細(xì)小空問(wèn)進(jìn)行填充，同時(shí)可以起到連接臨近物體和平滑邊界的作用。

3.2 基于數(shù)學(xué)形態(tài)學(xué)的車牌精確定位

通過(guò)邊緣檢測(cè)消除了圖像中大量無(wú)用信息，同時(shí)突出了車牌區(qū)域內(nèi)文字的邊緣信息。但車牌圖像還存在許多干擾區(qū)域，因此可以利用數(shù)學(xué)形態(tài)學(xué)工具進(jìn)行精確定位

基于數(shù)學(xué)形態(tài)學(xué)車牌定位算法大體處理過(guò)程如圖6所示。

首先選擇合適的結(jié)構(gòu)元財(cái)經(jīng)過(guò)改進(jìn)的Sobel算子進(jìn)行邊緣檢測(cè)粗略定位得到的二值車牌圖像區(qū)域進(jìn)行一次腐蝕運(yùn)算。再進(jìn)行二次膨脹運(yùn)算，最后進(jìn)行一次開(kāi)運(yùn)算，使車牌圖像形成一系列的塊狀連通區(qū)域。在本文的處理中僅對(duì)粗定位出來(lái)的條形區(qū)域進(jìn)行形態(tài)學(xué)變換，既可以節(jié)約運(yùn)算時(shí)間又可以節(jié)約內(nèi)存，使算法簡(jiǎn)潔。

初步檢測(cè)出來(lái)的二值車牌圖像如圖7所示。對(duì)車牌圖像分別進(jìn)行腐蝕、膨脹、多次開(kāi)運(yùn)算后的圖像分別如圖81圖91圖1。所示。

刪除小區(qū)域后的圖像如圖11所示。

4 結(jié)束語(yǔ)

目前，車牌定位的算法有很多種，每種方法都有其適用范圍，使用單一的算法往往不能達(dá)到理想的定位效果。本文采用了一種基于邊緣檢測(cè)的車牌粗定位和基于數(shù)學(xué)形態(tài)學(xué)的車牌精確定位相結(jié)合的方法，并將改進(jìn)的Sobel算子檢測(cè)運(yùn)用其中，取得了良好的效果。

參考文獻(xiàn)

[1]梁利利，王興武.基于Sobel算子邊緣檢測(cè)和數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].現(xiàn)代電子技術(shù)，2015，38（14）：98-100.

[2]山美娟.車牌識(shí)別中的圖像定位及分割方法[J].理論探討，2010（11）：178-179.

[1]王濤，全書(shū)海.基于改進(jìn)Sobel算子的車牌定位方法[J].微計(jì)算機(jī)信息，2008（13）：312-314.