基于OPENCV的車牌定位方法

周 毅

(廣西交通科學(xué)研究院有限公司，廣西 南寧 530007)

0 引言

隨著經(jīng)濟(jì)發(fā)展，車牌識(shí)別系統(tǒng)已逐漸成為智能道路系統(tǒng)中重要的組成部分，在交通管理中應(yīng)用廣泛。相關(guān)車輛管理部門通過建立智能交通系統(tǒng)，實(shí)時(shí)、全面、準(zhǔn)確、高效地獲取道路車輛數(shù)量、車輛類型的交通狀況，進(jìn)行超速、違章停車等信息的收集，對(duì)數(shù)據(jù)處理和分析，便于車輛實(shí)時(shí)檢測(cè)。隨著交通監(jiān)控的普及，道路交通工作人員需要根據(jù)需求查看和處理越來越多的交通視頻，工作人員在某些情況下，為了提高工作效率，只需要快速查看視頻中的車輛信息，但是現(xiàn)在道路交通狀況多為攝像機(jī)監(jiān)控，獲取的原始視頻包含眾多復(fù)雜信息，其中與車輛無關(guān)的行人信息為工作人員的工作增添了麻煩。而在眾多視頻中快速檢測(cè)到車輛目標(biāo)并提取車輛車牌，既可以節(jié)約相關(guān)道路部門的人力成本，又提高了工作的效率。車牌識(shí)別技術(shù)主要是從復(fù)雜背景中提取和識(shí)別車輛牌照，最終達(dá)到識(shí)別車輛號(hào)碼、顏色等信息的目的。車牌識(shí)別是機(jī)器視覺的重要組成部分。車牌的成功定位與車牌的有效識(shí)別密切相關(guān)，因此為了盡可能地定位車牌，有必要保證車牌圖像在車輛圖像中的分割。

同時(shí)，車牌定位系統(tǒng)已發(fā)展成為現(xiàn)代智能交通系統(tǒng)中重要的、不可替代的一部分。它廣泛應(yīng)用于道路交通收費(fèi)站、城市道路違章監(jiān)測(cè)和重大停車監(jiān)控等道路交通管理，實(shí)現(xiàn)智能化的道路交通。

OpenCV是“Open Source Computer VisiON Library”的簡(jiǎn)寫，是Intel開源計(jì)算機(jī)視覺庫。在程序算法的具體設(shè)計(jì)實(shí)現(xiàn)過程中，OpenCV的運(yùn)用提高了程序的運(yùn)行速度、可靠性與準(zhǔn)確性。在保證程序的運(yùn)行速度的基礎(chǔ)上，需要進(jìn)一步提高程序性能。因此研究人員需要投入更多對(duì)算法的研究，然后利用OpenCV函數(shù)加以實(shí)現(xiàn)，不需要重新用c語言或者c++設(shè)計(jì)實(shí)現(xiàn)函數(shù)，從而可以大大縮減研發(fā)時(shí)間。

1 設(shè)計(jì)原理

完整的車牌識(shí)別系統(tǒng)主要包括硬件和軟件系統(tǒng)兩部分，硬件部分包括觸發(fā)裝置、CCD圖像采集裝置；軟件算法部分包括圖像預(yù)處理、圖像單通道化、二值化、車牌位置提取、字符分割識(shí)別等部分組成。如圖1所示，當(dāng)有車輛通過出發(fā)裝置時(shí)，利用CCD攝像頭對(duì)車輛進(jìn)行拍照，進(jìn)而采集圖像，將采集的圖片傳送至計(jì)算機(jī)進(jìn)行處理，處理過程是：(1)需要預(yù)處理，預(yù)處理的過程可進(jìn)行圖像大小適應(yīng)性調(diào)整、圖像質(zhì)量增強(qiáng)、濾波等操作；(2)對(duì)車牌區(qū)域進(jìn)行粗定位，定位的準(zhǔn)確對(duì)后續(xù)的字符分割有重要影響，所以還要進(jìn)行精定位，定位準(zhǔn)確完成后，對(duì)字符進(jìn)行分割、識(shí)別；(3)完成車牌識(shí)別的目標(biāo)。

圖1 車輛識(shí)別過程示意圖

1.1 圖像預(yù)處理

預(yù)處理能有效地改善圖像的質(zhì)量，突出有效區(qū)域，減少后期的數(shù)據(jù)量，在雙目攝像頭實(shí)時(shí)獲取圖像過程中，會(huì)出現(xiàn)光照強(qiáng)度驟變、背景有微小物體波動(dòng)、攝像頭晃動(dòng)等突發(fā)情況，使背景建模困難重重，會(huì)對(duì)后期分離車輛目標(biāo)的精度和穩(wěn)定性產(chǎn)生很大的影響。通過預(yù)處理消除運(yùn)動(dòng)車輛檢測(cè)過程中的瞬時(shí)環(huán)境噪聲。

車牌圖片在成像過程中往往會(huì)受很多因素影響，比如天氣環(huán)境、光照強(qiáng)度變化、設(shè)備出現(xiàn)干擾等都會(huì)影響圖片的成像質(zhì)量。因此，預(yù)處理是此系統(tǒng)中很重要的第一步。預(yù)處理的目的是消除圖像中的噪聲，提高圖像的識(shí)別率，便于下一步進(jìn)行后續(xù)的圖像處理工作，提高車牌定位及識(shí)別的效率。經(jīng)預(yù)處理后的實(shí)驗(yàn)效果如圖2所示。

圖2 圖像預(yù)處理結(jié)果示例圖

1.2 圖像灰度化

將由RGB描述的三通道圖像變換為由灰度描述的單通道圖像的過程叫做圖像的灰度處理。對(duì)任意一個(gè)彩色RGB圖像均可解析為由紅Red、綠Green、藍(lán)Blue三種顏色描述的三維矩陣，即每一個(gè)像素點(diǎn)的顏色由這三個(gè)分量來描述，每個(gè)分量的取值范圍為0到255。由此可見，每一個(gè)像素具有大約16 000 000(256×256×256)顏色?；叶葓D像僅由一個(gè)通道表示顏色數(shù)據(jù)，在使用計(jì)算機(jī)處理時(shí)，相較于RGB圖像，減少了67%的數(shù)據(jù)處理量，提高處理效率。最重要的是灰度圖像仍能反映整個(gè)圖像的局部色度和亮度等級(jí)的分布和特征。

本文采用經(jīng)典的彩色RGB圖像到單通道灰度圖像的轉(zhuǎn)換方法，即建立灰度Gray與紅色R、綠色G、藍(lán)色B三個(gè)顏色分量的對(duì)應(yīng)關(guān)系：Gray=(R*30+G*59+B*11+50)/100，完成圖像灰度化過程。并采用OpenCV中的顏色空間轉(zhuǎn)換函數(shù)cvtColor()來實(shí)現(xiàn)。

1.3 圖片的灰度拉伸

灰度拉伸主要是通過選擇性地拉伸灰度級(jí)來改善圖像的質(zhì)量。如圖3所示，變換函數(shù)的結(jié)果是將原始圖像從A到B拉伸到C到D。如果圖像的灰度集中在較暗區(qū)域并使圖像變暗，則可以使用灰度拉伸函數(shù)來拉伸(斜率>1)對(duì)象?；叶确秶纳茍D像。類似地，如果圖像集中在較亮的區(qū)域，則圖像更明亮，并且灰度擴(kuò)展函數(shù)也可以用于壓縮對(duì)象的灰度范圍(斜率<1)來提高圖像質(zhì)量。本文所實(shí)現(xiàn)的車牌識(shí)別系統(tǒng)中的預(yù)處理部分的灰度拉伸采用線性灰度拉伸。

圖3 圖片灰度拉伸變換函數(shù)示意圖

1.4 圖片的二值化

二值圖像是指圖像中僅有黑白二種顏色的圖像(黑、白的灰度值分別為0與255)。二值圖像處理簡(jiǎn)單，特征明顯，是研究的熱點(diǎn)。圖像的二值化后圖像變得簡(jiǎn)單，數(shù)據(jù)量減小，再利用經(jīng)典的形態(tài)學(xué)方法處理膨脹腐蝕，能輕松檢測(cè)到目標(biāo)的輪廓，進(jìn)而能夠?qū)δ繕?biāo)檢測(cè)、定位。一般而言，二值圖像是由灰度圖像轉(zhuǎn)換而來。

最簡(jiǎn)單的二值化方法是固定閾值分離方法，對(duì)單通道灰度圖像中像素點(diǎn)的值大于或等于閾值的像素，改變其灰度值為255，對(duì)于灰度值小于閾值的像素點(diǎn)，將其灰度值改為0。固定閾值二值化法，實(shí)現(xiàn)簡(jiǎn)單，但是分離效果有限，遷移性不強(qiáng)，對(duì)于不同的圖像都需要手動(dòng)選擇閾值，只能應(yīng)用于極少特定場(chǎng)景。一般經(jīng)常采用的是自適應(yīng)閾值二值化法。該方法無需設(shè)置閾值，而是根據(jù)像素鄰域的灰度來將他們轉(zhuǎn)化為黑或白。該方法目前被普遍設(shè)置。

以上兩種方法對(duì)應(yīng)OpenCV中cvThreshold()和cvAdaptiveThreshold()兩個(gè)函數(shù)。本文選用自適應(yīng)二值化方法處理車牌后的效果如圖4所示。

圖4 黑底白字效果圖

由圖4可以看出，首先將車牌進(jìn)行初步定位，定位后的車牌區(qū)域還是原始圖像的信息，并沒有經(jīng)過任何處理，車牌進(jìn)行灰度化之后，車牌號(hào)變?yōu)榛叶葓D像，數(shù)據(jù)處理的速度明顯增快，算法的計(jì)算量變少，經(jīng)過灰度化后的車牌下一步需要進(jìn)行二值化處理，車牌號(hào)經(jīng)過二值化處理后，圖片質(zhì)量增強(qiáng)，車牌號(hào)明顯變得清晰，車牌號(hào)變得更易識(shí)別。比起灰度化的效果，車牌二值化后的效果圖更加清晰可見。經(jīng)過灰度化與二值化的處理，車牌區(qū)域更容易識(shí)別與定位，因此這兩個(gè)步驟在本系統(tǒng)中具有重要作用，是車牌識(shí)別的重要依據(jù)。

2 車牌定位

車牌定位主要的任務(wù)是從獲取的圖像中分離出車牌號(hào)所在的區(qū)域。因?yàn)樵谲嚺茀^(qū)域中最主要的就是紋理特征，其中包含大量邊緣信息，利用邊緣檢測(cè)算子提取出輪廓特征后，便可以利用邊緣特點(diǎn)對(duì)整個(gè)車牌圖像進(jìn)行處理，標(biāo)記出有效的車牌信息，并進(jìn)行分割定位。這可以大大地促進(jìn)車牌的定位準(zhǔn)確，便于下一步精確快速地識(shí)別車牌號(hào)。因此，本方案中選用了一種基于邊緣檢測(cè)和區(qū)域搜索的車牌定位分割算法，該方法運(yùn)算復(fù)雜度較低，有利于實(shí)現(xiàn)系統(tǒng)的快速性。

2.1 Sobel邊緣檢測(cè)

邊緣檢測(cè)是根據(jù)算法提取圖像中的邊界，將圖像從背景中分離出來。Sobel邊緣檢測(cè)，其主要作用是識(shí)別有用信息，首先算子與圖像相卷積，其具有方向性，方向?yàn)槊總€(gè)邊緣點(diǎn)變化方向，其中灰度跳變劇烈的點(diǎn)就是邊緣點(diǎn)，圖像梯度較亮的那一部分就是檢測(cè)中需要輸出的邊緣，從而可以得到圖像的邊緣信息。Sobel邊緣檢測(cè)在應(yīng)用過程中實(shí)用性比較強(qiáng)，效率相對(duì)于其他算法較高，減少冗余信息的混亂，消除了噪聲的影響，相比于其他算法，實(shí)時(shí)性較強(qiáng)，且運(yùn)算簡(jiǎn)單，但是檢測(cè)細(xì)紋理方面不如其他算子效果好。因此，本文采用Sobel邊緣檢測(cè)選擇邊緣信息。Sobel算子模板表示如圖5所示：

(a)水平模板

(b)垂直模板

邊緣檢測(cè)的第一步是確定圖像中的邊緣像素，把所有的邊緣像素連接到一起就是邊緣。這樣會(huì)排除很多干擾，也能獲得連續(xù)的邊緣，但是可能會(huì)損失一定的精度。如圖6所示，經(jīng)過Sobel算子邊緣檢測(cè)后，車牌的圖片信息并沒有丟失，反而呈現(xiàn)了清晰的輪廓，此算法完整地提取了車牌號(hào)輪廓。為下一步的定位與識(shí)別打下了重要的基礎(chǔ)。

圖6 sobel算子邊緣檢測(cè)車牌示例圖

2.2 車牌區(qū)域搜索

車牌區(qū)域的搜索對(duì)于后續(xù)工作影響很大，首先應(yīng)確立車牌區(qū)域，才能進(jìn)行下一步的車牌判定，因此可以先進(jìn)行區(qū)域搜索，保證進(jìn)一步縮小檢測(cè)的范圍，大大降低工作量，使整個(gè)系統(tǒng)運(yùn)行更快速，運(yùn)算更簡(jiǎn)單。所以如何快速搜索車牌區(qū)域并縮小范圍直接關(guān)系到最后的實(shí)驗(yàn)結(jié)果。在實(shí)際應(yīng)用中，首先需要確定上下邊界和左右邊界，行掃描和列掃描可以滿足對(duì)它們的搜索和確立。行掃描確定上下邊界來掃描和檢索從左到右和從上到下的每一行像素。如果跳轉(zhuǎn)點(diǎn)為1，而且跳轉(zhuǎn)變量大于閾值M，則將其視為可能的照片區(qū)域，并將其設(shè)置為下邊界。如果大于M的跳轉(zhuǎn)變量的數(shù)量超過閾值N，則被認(rèn)為是正確的車牌區(qū)域。最后一行設(shè)置為上界，否則行數(shù)為0，然后重新搜索牌照較低的邊界。

2.3 候選車牌區(qū)域判定

上述方法不止一個(gè)候選區(qū)域，因此需要對(duì)它們加以區(qū)分，才能準(zhǔn)確定位車牌區(qū)域。由于車牌的大小是已知的，所以使用尺寸、長(zhǎng)度、寬度比作為標(biāo)準(zhǔn)，進(jìn)行真實(shí)車牌區(qū)域的判斷。最終定位結(jié)果如圖7所示。

圖7 車牌定位示意圖

由圖7可以看出：原始圖像中主要是利用攝像機(jī)對(duì)車輛進(jìn)行抓拍，整幅圖像中車牌部位并不是很清晰，接著從原始圖像中提取車牌信息。初步提取后的車牌圖片、數(shù)字并不是十分清晰，經(jīng)過二值化后，車牌變?yōu)楹诎追植迹嚺铺?hào)清晰可見，便于識(shí)別，最后程序運(yùn)行識(shí)別出的車牌號(hào)結(jié)果為新N86808，與車牌號(hào)完全一致，說明本文的算法可以準(zhǔn)確完整無誤地識(shí)別出車牌號(hào)碼，具有較高的準(zhǔn)確性，可以應(yīng)用到實(shí)際檢測(cè)過程中。但是實(shí)驗(yàn)中還存在著一個(gè)重要問題：當(dāng)實(shí)驗(yàn)采集的汽車圖像中的車牌區(qū)域的顏色與整幅圖像的顏色趨近于相似，本文所采用的算法對(duì)于這種情況會(huì)出現(xiàn)誤差，對(duì)車牌定位達(dá)不到要求的精度，因此本算法還需改進(jìn)。

3 結(jié)語

本文提出的嵌入式視頻監(jiān)控系統(tǒng)基于VS2015平臺(tái)，采用OpenCV的高效算法實(shí)時(shí)對(duì)獲取的視頻流進(jìn)行車牌號(hào)提取。實(shí)驗(yàn)結(jié)果表明，本文提出的車牌定位算法在實(shí)際應(yīng)用中能夠很好地進(jìn)行車牌定位與識(shí)別，大大降低了勞動(dòng)強(qiáng)度，提高了工作效率，且檢測(cè)成本低，對(duì)視頻實(shí)時(shí)處理效果顯著，因此具有較高的實(shí)用性與準(zhǔn)確性。本實(shí)驗(yàn)良好的實(shí)時(shí)性能為有效的車牌識(shí)別提供參考。