基于最小錯(cuò)誤決策的車牌定位方法研究

摘 要 針對(duì)車牌定位中的先驗(yàn)知識(shí)使用，提出一種基于最小錯(cuò)誤決策的融合算法，通過(guò)樣本學(xué)習(xí)構(gòu)建決策模型進(jìn)行像素分類，實(shí)現(xiàn)車牌區(qū)域定位。經(jīng)實(shí)驗(yàn)驗(yàn)證算法有效，同時(shí)實(shí)現(xiàn)適合嵌入式系統(tǒng)移植。

關(guān)鍵詞 車牌識(shí)別;檢測(cè);貝葉斯決策;形態(tài)學(xué)

引言

車牌自動(dòng)識(shí)別系統(tǒng)主要分為車牌定位，字符分割和字符識(shí)別幾個(gè)環(huán)節(jié)，其中車牌定位是整個(gè)處理過(guò)程的關(guān)鍵點(diǎn)，如果無(wú)法準(zhǔn)確地找到畫(huà)面中的車牌位置，就無(wú)從進(jìn)行后續(xù)的識(shí)別處理。鑒于車牌定位的重要性，研究者已提出多種用于車牌定位的做法，如基于LBP紋理分析和伴生顏色特征方法等。但這些方法大多只利用了傳統(tǒng)圖像處理中的單一特征，在實(shí)際應(yīng)用中易受干擾。我國(guó)車牌有較強(qiáng)的先驗(yàn)信息，本文將這些先驗(yàn)知識(shí)通過(guò)貝葉斯最小錯(cuò)誤決策框架進(jìn)行融合，提出一種新的車牌定位方法，同時(shí)算法計(jì)算量低，適合嵌入式系統(tǒng)實(shí)現(xiàn)[1]。

1車牌的先驗(yàn)信息

根據(jù)《中華人民共和國(guó)機(jī)動(dòng)車號(hào)牌》標(biāo)準(zhǔn)，我國(guó)車牌主要有如下三種顏色組合：藍(lán)底白字、黃底黑字和白底黑字，在顏色上有較強(qiáng)的視覺(jué)可區(qū)分性;在車牌區(qū)域中，集中存在7個(gè)字符，字符與底色有明顯的對(duì)比，邊緣成分較為集中;同時(shí)車牌作為一個(gè)矩形區(qū)域，有固定的寬高比例范圍。由以上分析，對(duì)車牌區(qū)域中的像素，其所在區(qū)域的顏色信息及邊緣強(qiáng)度是可靠的判定依據(jù)，同時(shí)區(qū)域?qū)捀弑瓤勺鳛槿旨s束條件使用，用于過(guò)濾顏色紋理相似的干擾區(qū)域[2]。

2最小錯(cuò)誤率決策

由貝葉斯決策理論，對(duì)于觀察到的特征值，設(shè)有決策集合， 可求取對(duì)于每個(gè)決策的后驗(yàn)概率：

（1）

取各個(gè)后驗(yàn)概率中的最大值，此時(shí)出錯(cuò)概率最小，對(duì)應(yīng)的決策即為最小錯(cuò)誤決策。

3基于最小錯(cuò)誤決策的車牌定位算法流程

車牌定位的目的是確定輸入圖像中某個(gè)區(qū)域是否存在車牌，從決策角度，即要將輸入圖像中的像素區(qū)分為車牌像素及背景像素，可通過(guò)構(gòu)建決策模型進(jìn)行。

3.1 決策模型生成

收集一定數(shù)量的車牌圖片及背景圖片， 轉(zhuǎn)換到HSV色彩空間，并使用Sobel算子計(jì)算邊緣圖。對(duì)樣本圖片中的像素點(diǎn)進(jìn)行采樣，在HSV分量圖和邊緣圖上計(jì)算每個(gè)像素的鄰域均值，生成特征向量集合。分別對(duì)車牌及背景特征向量集合屬性值進(jìn)行直方圖統(tǒng)計(jì)，并歸一化到（0，1）區(qū)間，得到兩個(gè)先驗(yàn)概率模型：及，其中為樣本像素在各顏色分量及邊緣圖上的鄰域均值。在程序?qū)崿F(xiàn)時(shí)，模型數(shù)據(jù)按查找表進(jìn)行存儲(chǔ)，通過(guò)值索引可快速求取對(duì)應(yīng)概率值[3]。

3.2 決策推理

對(duì)于給定的待處理圖片，轉(zhuǎn)換到HSV色彩空間并計(jì)算Sobel邊緣圖像，對(duì)其中每個(gè)像素計(jì)算鄰域均值向量，代入到生成的決策模型中，求取對(duì)應(yīng)的后驗(yàn)概率 及，根據(jù)概率值比較將其歸屬為車牌還是背景像素，在標(biāo)記圖像上分別標(biāo)記為1或0。

3.3 形態(tài)學(xué)處理

經(jīng)過(guò)決策推理過(guò)程后，對(duì)得到的二值標(biāo)記圖，先通過(guò)腐蝕膨脹操作，去除面積較小的干擾區(qū)域。對(duì)剩下的連通區(qū)域計(jì)算寬高比，保留滿足的區(qū)域作為定位輸出[4]。

4實(shí)驗(yàn)結(jié)果及分析

為了驗(yàn)證本文算法的有效性，選取了各200張車牌及背景圖像，按照4.1描述的過(guò)程訓(xùn)練生成決策模型，其中鄰域大小按經(jīng)驗(yàn)值取為16。使用收費(fèi)站采集的500張不同光照條件車頭圖像作為測(cè)試集，按4.2和4.3描述的過(guò)程進(jìn)行車牌區(qū)域定位，部分實(shí)驗(yàn)結(jié)果見(jiàn)圖1。

對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行統(tǒng)計(jì)，定位成功率為99.2%。剩下定位錯(cuò)誤的圖片，主要是受光照干擾出現(xiàn)過(guò)曝，車牌特征變化過(guò)大導(dǎo)致。經(jīng)性能測(cè)試，在主頻為3.4G的I7臺(tái)式機(jī)上處理一張圖片耗時(shí)在100毫秒內(nèi)，基本能達(dá)到實(shí)時(shí)處理。由于決策模型是以查找表方式實(shí)現(xiàn)，沒(méi)有過(guò)多的復(fù)雜計(jì)算，此算法可方便的部署到基于DSP的嵌入式平臺(tái)上[5]。

5結(jié)束語(yǔ)

車牌定位作為車牌識(shí)別應(yīng)用的關(guān)鍵環(huán)節(jié)，對(duì)系統(tǒng)的魯棒性和處理性能起著決定性作用。本文基于貝葉斯決策理論對(duì)先驗(yàn)知識(shí)進(jìn)行融合，提出一種新的車牌定位方法，經(jīng)實(shí)驗(yàn)驗(yàn)證能有效實(shí)現(xiàn)定位，并適合嵌入式平臺(tái)移植和部署。

參考文獻(xiàn)

[1] 張凡，景曉軍，孫松林.一種基于LBP紋理的車牌定位方法[EB/OL]. http：//www.paper.edu.cn/releasepaper/content/200810-628，2008-10-24.

[2] 王枚，王國(guó)宏.利用伴生與互補(bǔ)顏色特征的車牌定位新方法[J].計(jì)算機(jī)工程與應(yīng)用，2007，43（1）：206-208.

[3] 言茂松.貝葉斯風(fēng)險(xiǎn)決策工程[M].北京：清華大學(xué)出版社，1989：89.

[4] 胡琛，秦實(shí)宏.基于色彩紋理的車牌定位系統(tǒng)設(shè)計(jì)[J].武漢工程大學(xué)學(xué)報(bào)，2017（3）：73-80.

[5] 錢(qián)月.基于MATLAB的圖像形態(tài)學(xué)處理技術(shù)與應(yīng)用[J].內(nèi)江師范學(xué)院學(xué)報(bào)，2019（10）：51-55.

作者簡(jiǎn)介

廖原，男，廣西南寧人;畢業(yè)院校：浙江工商大學(xué)，專業(yè)：信息與電子工程，學(xué)歷：本科;現(xiàn)就職單位：北京信路威科技股份有限公司南寧分公司，研究方向：智能圖像處理。