【文章內(nèi)容簡介】 目前，車牌定位方法可以分為兩大類： (1)基于灰色圖像的車牌定位方法， (2)基于彩色圖像的車牌定位方法。 3． 1． 1 基于灰度圖像的車牌定位方法 早期由于受計(jì)算機(jī)運(yùn)算速度和內(nèi)存大小的影響，考慮到實(shí)時(shí)性，車牌定位主要是基于狄度圖像處理技術(shù)，現(xiàn)在很多 !學(xué)者仍然沿此路線進(jìn)行研究。目前基于灰度圖像的車牌定位方法主要有以下幾種。 (1)基于紋理特征分析的定位方法。該方法利用汽車牌照中文字筆畫變化頻率比較穩(wěn)定的特點(diǎn)，即筆畫間隔的像素是穩(wěn)定在某一個(gè)范圍內(nèi)、筆畫數(shù)也存在下限的特征。設(shè)定閾值，通過掃描確定上下邊界位置和左 右邊界位置。這樣在已縮小的范圍內(nèi)再用上述方法進(jìn)行遞歸檢測，直到牌照位置比較穩(wěn)定為止。該算法對(duì)于牌照的傾斜或變形以及光照不均、偏弱或偏強(qiáng)有很好的效果，但對(duì)噪聲敏感，圖片中的灰塵、臟污以及車牌區(qū)域外的文字都會(huì)對(duì)定位造成很大的影響。 (2)基于數(shù)學(xué)形態(tài)學(xué)的定位方法。數(shù)學(xué)形態(tài)學(xué)是一門建立在集合理論基礎(chǔ)上的學(xué)科，它是幾何形態(tài)分析和描述的有力工具，近年來在機(jī)器視覺和數(shù)字圖像處理領(lǐng)域得到廣泛的應(yīng)用和發(fā)展。數(shù)學(xué)形態(tài)學(xué)進(jìn)行圖像處理的基本思想，是利用一個(gè)結(jié)構(gòu)元素來探測一個(gè)圖像，看是否能將這個(gè)結(jié)構(gòu)元素很好的填放在圖像內(nèi)部，同時(shí) 驗(yàn)證填放元素的方法 11 是否有效。腐蝕、膨脹、開啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算。 使用數(shù)學(xué)形態(tài)學(xué)方法之前通常先將圖像轉(zhuǎn)換為二值圖片，然后設(shè)計(jì)一結(jié)構(gòu)元素對(duì)圖片進(jìn)行膨脹可以連接車牌區(qū)域像素點(diǎn)，對(duì)圖片進(jìn)行腐蝕可以去除噪聲。最后再用邊緣特征分析方法提取車牌區(qū)域。通常還耍利用車牌的一些先驗(yàn)知識(shí)去除偽車牌區(qū)域。 （ 3）基于邊緣檢測的定位方法。圖像的邊緣是指在灰度級(jí)上發(fā)生急劇變化的區(qū)域，而在背景或者物體的內(nèi)部這種灰度的變化是比較平緩的。邊緣檢測的任務(wù)是精確定位邊緣和抑制噪聲。能夠進(jìn)行檢測的方法有多種，如 Roberts 邊緣算子 、 Prewitt 算子、 Sobel算子以及拉普拉斯邊緣檢測。這些方法正是利用了物體邊緣處灰度變化劇烈這一特點(diǎn)來檢測圖像的邊緣。各算子對(duì)不同邊緣類型的敏感程度不同，產(chǎn)生的效果也不一樣，經(jīng)過大量實(shí)驗(yàn)分析可知， Roberts 邊緣算子是一種利用局部方差算子尋找邊緣的算子，定位比較精確； Prewitt 算子和 Sobel 算子對(duì)噪聲有一定的抑制能力，但不能完全排除偽邊緣；拉普拉斯算子是二階微分算子，對(duì)圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確且具有旋轉(zhuǎn)不變性，但容易丟失一部分邊緣的方向信息，同時(shí)抗噪能力較差。所以針對(duì)不同的環(huán)境和要求，選擇 合適的算子來對(duì)圖像進(jìn)行邊緣檢測才能達(dá)到好的效果。 使用邊緣檢測方法的定位準(zhǔn)確率較高，反映時(shí)間快，能有效去掉噪聲，適合于包含多個(gè)車牌的圖像，并且在多車牌圖像的情況下定位速度也很快。但是對(duì)車牌嚴(yán)重褪色的情況，由于檢測不到字符筆畫的邊緣會(huì)導(dǎo)致定位失敗。定位后的區(qū)域在外界有干擾以及車牌傾斜時(shí)比車牌稍大。 3． 1． 2 基于彩色圖像的車牌定位方法 與灰度圖像相比，彩色圖像色彩豐富，信息具有原始性和完整性，在設(shè)備存儲(chǔ)量和速度允許的情況下可以取得更好的處理效果，而且人類視覺系統(tǒng)又對(duì)色彩非常敏感。因此，很多研究人員認(rèn)為 彩色圖像比灰度圖像更有利于圖像分割和目標(biāo)提取。車輛牌照具有與牌號(hào)、車身、背景不同的顏色，所以近年來很多學(xué)者已經(jīng)開始應(yīng)用彩色圖像處理技術(shù)進(jìn)行車牌定位，采取的主要方法有： (1)采用多層感知器 網(wǎng)絡(luò)對(duì)輸入彩色車牌圖像進(jìn)行彩色分割，通過投影法分割出潛在的車牌區(qū)域并根據(jù)先驗(yàn)知識(shí)得出合理的車牌區(qū)域。 (2)彩色邊緣檢測算子與區(qū)域生長相結(jié)合的牌照定位算法。這種方法的主要思想是通過邊緣檢測算子對(duì)彩色圖像進(jìn)行邊緣檢測，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實(shí)現(xiàn)區(qū)域的連通，采用區(qū)域生長方法標(biāo)記候選區(qū)域，最后利用車牌的先驗(yàn) 知識(shí)，剔除虛假車牌區(qū)，確定真正的車牌區(qū)域。 (3)利用顏色空間距離和相似度進(jìn)行車牌底色的顏色分割，再采用投影法根據(jù)車牌的寬高比確定車牌候選區(qū)域，最后對(duì)候選區(qū)域的灰度圖像進(jìn)行紋理分割提取車牌。 (4)將彩色圖像轉(zhuǎn)換到色調(diào)飽和度亮度空間 (HSI 空間 )，統(tǒng)計(jì)車牌底色在 HSI 空間中的各分量的經(jīng)驗(yàn)范圍并提取車牌候選區(qū)域，然后對(duì)候選區(qū)域進(jìn)行投影分析和形態(tài)學(xué)操作提取車牌。 3． 2 基于數(shù)學(xué)形態(tài)法的車牌定位 基于灰度的方法能很好的利用車牌區(qū)域的灰度分布、字符排列、長寬比例、邊緣特性等特征。由于圖像中會(huì)存在其他非車牌區(qū) 域具有年牌的特征，給定位結(jié)果帶來影響。基于彩色圖像的車牌定位技術(shù)的研究增加了彩色信息，改善了車牌的定位效果。但是，圖像中除了車牌外還有車身和周圍景物等其它物體的顏色可能與車牌顏色相同或相近，這將造成有效定位率下降。 上述方法雖然已經(jīng)考慮了車牌底色的顏色信息，但是卻沒有考慮到車牌顏色特征的另一個(gè)重要特點(diǎn)，即車牌背景與字符具有固定的顏色搭配。 12 目前，已經(jīng)有一些車牌定位算法的研究利用到了車牌背景與字符的固定顏色搭配。其中，李文舉提出了邊緣顏色對(duì)的概念。我國車牌顏色的重要特點(diǎn)是車牌背景與字符具有固定的顏色搭配， 即藍(lán)底白字 (藍(lán)牌 )、黃底黑字 (黃牌 )、白底黑字 (白牌 )和黑底白字 (黑牌 )。車牌背景與字符交界的點(diǎn)必然存在固定的顏色配對(duì)，將這些固定的顏色配對(duì)點(diǎn)稱為顏色對(duì)特征點(diǎn)。例如底色為藍(lán)色的車牌中會(huì)出現(xiàn)相鄰的兩個(gè)像素，一個(gè)像素為藍(lán)色而另一個(gè)像素為白色，則將這兩個(gè)像素都看作是藍(lán)白特征點(diǎn)：底色為黃色的車牌存在黃黑特征點(diǎn)：底色為白色的車牌存在白黑特征點(diǎn)：底色為黑色的車牌也存在白黑特征點(diǎn)。以上所述藍(lán)白特征點(diǎn)、黃黑特征點(diǎn)和白黑特征點(diǎn)就是我國車牌中可能出現(xiàn)的三種顏色對(duì)特征點(diǎn)。 于是，基于顏色對(duì)特征點(diǎn)和數(shù)學(xué)形態(tài)學(xué)的車牌定位方法逐漸成 型。 考慮到車牌背景與字符的固定顏色搭配，在 HSI 彩色空間對(duì)彩色圖像進(jìn)行色彩分析，并找出顏色對(duì)特征點(diǎn)。顏色對(duì)特征點(diǎn)充分考慮到了車牌本身的紋理和顏色搭配等信息，能有效得去除很多干擾。又考慮到車牌區(qū)域每一行上字符與背景跳變很頻繁，得到顏色對(duì)特征點(diǎn)后，設(shè)計(jì)一種水平方向上的形態(tài)學(xué)算子，把每一行上相距較近的顏色對(duì)特征點(diǎn)連接起來，再使用一個(gè)更大的形態(tài)學(xué)算了進(jìn)行去噪，在得到的車牌區(qū)域中根據(jù)車牌的先驗(yàn)知識(shí)分析去除偽車牌區(qū)域。 圖像增強(qiáng) 由于拍攝時(shí)光照強(qiáng)度的不同，會(huì)造成圖片亮度不均。為了不影響車牌定位的準(zhǔn)確性，我 們需要對(duì)圖片進(jìn)行圖像增強(qiáng)。直方圖是多種空間域 處理技術(shù)的基礎(chǔ)，其可以有效地用于圖像增強(qiáng)。在較暗的圖像中，直方圖的組成成分集中在灰度較低的一側(cè)；而明亮圖像的直方圖則傾向于灰度級(jí)較高的一側(cè)；對(duì)于低對(duì)比度的圖像直方圖 則集中于一段較窄的灰度級(jí)中。通過直方圖均衡化可以將圖像調(diào)整為灰度級(jí)豐富且 動(dòng)態(tài)范圍大的圖像。對(duì)車牌圖像進(jìn)行直方圖均衡后可以提高其對(duì)比度，有利于提高車牌定位的準(zhǔn)確性。這里介紹將圖像轉(zhuǎn)換到 HSI 模型的方法，這樣只需要對(duì)亮度分量 I 進(jìn)行直方圖均衡化即可以達(dá)到圖像增強(qiáng)的效果。 圖 2 RGB分量均衡化 Fig 2 RGB ponent equalization 13 圖 3 HSI分量均衡化 Fig 3 HSI ponent equalization 以上為彩色圖像均衡化步驟。 一般 RGB 直方圖均衡化后的圖像相比原始圖像，圖像的細(xì)節(jié)更加清楚了但是單獨(dú)對(duì)各 RGB 分量進(jìn)行均衡化將產(chǎn)生不正確的顏色，而對(duì) HSI 顏色空間的亮度分量直方圖均衡化后的圖像，雖然會(huì)影響到整體圖像的彩色感觀，但沒有改變圖像的色調(diào)和飽和度值，因此本文采用的是對(duì) HSI中的亮度分量進(jìn)行直方圖均衡化的方法。 視覺空間和顏色空間的轉(zhuǎn)換 人類的視網(wǎng)膜南感光細(xì)胞覆蓋。這些細(xì)胞類似于 CCD 芯片上的感受基 (像素 )。顏色豐要是由視網(wǎng)膜上稱為錐狀體的三種不同的感光細(xì)胞感知不同波長的光而形成的。這三剩 t 錐狀體分別感知紅色 (R)、綠色 (G)和藍(lán)色 (B)的光，所有其它顏色都是這三種顏色的不同混合效果。因此，紅、綠、藍(lán)這三個(gè)顏色被稱為人類視覺的三原色，由此形成的一套理論稱為三原色原理， R、 G、 B 分別表示構(gòu)成顏色的一個(gè)分量。 顏色空間也叫顏色模型，它指的是通過基本顏色分量來定義其他各種顏色的模型結(jié)構(gòu)。之所以將顏色模型稱為顏色空間，是 因?yàn)槿藗儼l(fā)現(xiàn)用笛卡爾空間坐標(biāo)的形式來映射顏色模型往往顯得更加直觀、有效。常用的顏色宅間有 RGB 顏色空間， CMY 顏色空間和 HSI 顏色空間等。 14 圖 4 RGB顏色空間 Fig 4 RGB color space 如圖 4 所示， RGB 顏色空間將所有的顏色值映射到一個(gè)立方體中。這樣，任意顏色值都可以由 3個(gè)取值在 0 到 l 之間的顏色分量來表示。取值為 0 表示最小的顏色分量，而 l表示最大的顏色分量。比如， (0， 0， 0)表示黑色， (1， l， 1)表示白色。 在 RGB 顏色空間中，黑色 (無光 )點(diǎn)為坐標(biāo)原點(diǎn)，以 (0， 0， 0)為起點(diǎn)，其他顏色都可以看作足在原點(diǎn)即黑色的基礎(chǔ)上疊加三種顏色分量形成的。這種形成顏色的方法稱 為疊加原色法，相應(yīng)的 RGB 三原色稱為疊加三原色。用 RGB顏色空間來描述色彩雖然方便，但不符合人眼的視覺原理。在顏色相同 的情況下，明晴的細(xì)微變化會(huì)引起 RGB 值的較大跳躍，不利于顏色的檢測。為了定 量地描述顏色對(duì)人眼的視覺作用，可以選用色調(diào) (hue)、飽和度 (saturation)、亮度 (intensity)這三個(gè)與視覺特征有關(guān)的量。 HSI 彩色模型就是按照色調(diào)、飽和度和亮度值建立起來的。色調(diào)是由物體反射光線中 占優(yōu)勢的波長來決定的，不同的波長產(chǎn)生不同的顏色感覺，如紅、橙、黃、綠、青、藍(lán)、紫等。色調(diào)是彩色的最重要的屬性，是決定顏色本質(zhì)的基本特性。顏色的飽和度是指一個(gè)顏色的鮮明程度，飽和度越高，顏色越深，如深紅，深綠。在物體反射光的組成中，白色光愈少，則其飽和度愈大。在顏色中加上白色或灰色愈多，其飽和度就愈小。亮度是指刺激物的強(qiáng)度作用于感受器所發(fā)生的效應(yīng)，其大小是由物體反射系數(shù)來決定，反射系數(shù)越大，物 體的亮度愈大，反之愈小。 15 圖 5 HSI顏色空間 Fig 5 HSI color space 為了準(zhǔn)確 迅速地檢測顏色，需要將圖像由 RGB 顏色空間轉(zhuǎn)換至 HSI 顏色空間?，F(xiàn)有的 HSI 空間模型有四面體、圓柱體、圓錐體等多種定義公式，本文采用圓柱體的 HSI坐標(biāo)系進(jìn)行顏色空間轉(zhuǎn)換的實(shí)現(xiàn)，示意圖如圖 5所示。 3． 3． 2 提取顏色對(duì)特征點(diǎn) 我國車牌顏色的重要特點(diǎn)是車牌背景與字符具有固定的顏色搭配，即白底黑字 (白牌 )、藍(lán)底白字 (藍(lán)牌 )、黑底白字 (黑牌 )和黃底黑字 (黃牌 )。因此可以根據(jù)這一特點(diǎn)，把顏色信息和邊緣信息融合起來，盡量排除干擾以精確保留車牌特征。 HSI顏色空間模型中的 i分量與圖像的彩色信息無關(guān)， h 分量抽出了色度 而忽略了亮度信息，可以減少光照影響。對(duì)于具有某種目標(biāo)色的像素，可以直接通過對(duì) h、 J 和 i三個(gè)分量設(shè)定一個(gè)閾值范圍來把它們提取出來，無需進(jìn)行比較復(fù)雜的色彩距離計(jì)算，這樣可以在色彩分割的時(shí)候節(jié)省大量的時(shí)間，這種方法對(duì)藍(lán)色和黃色尤其有 效。但是，白色的色度沒有意義，黑色的色度和飽和度也沒有意義，也就是說這些分量取值不規(guī)律。所以白色像素只能利用飽和度和亮度兩個(gè)分量來提取，黑色像素只能根據(jù)亮度分量來提取。 在實(shí)際中的各種車牌顏色的閾值范圍通過收集的樣本車牌的顏色值統(tǒng)計(jì)得到。并且，為了適應(yīng)車牌褪色、光線、灰塵等的影響，適 當(dāng)放寬了各種顏色的閾值范圍，綜合以后，得到彩色判斷條件如下： 按照公式把彩色像素點(diǎn)從 RGB 空問轉(zhuǎn)化到 HSI 空問，得到 h、 s 和，三個(gè)分量的值： 如果 s0 1 且 iO 5，則該像素點(diǎn)為白色； 如果 iO 35，則該像素點(diǎn)為黑色： 16 如果 220h250， j01 和 i0． 1同時(shí)成立，則該像素點(diǎn)為藍(lán)色： 如果 20h50， s0． 1和 iO .35 同時(shí)成立，則該像素點(diǎn)為黃色； 如果 350h360， s0 l 和 i)0． 35 同時(shí)成立，則該像素點(diǎn)為紅色： 不符合以上條件的像素點(diǎn)視為無效點(diǎn)。 在以上 的判斷條件里面，藍(lán)色和黑色的取值范圍有重臺(tái)的部分，這是因?yàn)榇婀饩€較晴的條件下，藍(lán)色和黑色的亮度分量比較接近：考慮到四種底色的車牌顏色搭配中，沒有藍(lán)色和黑色的搭配，所以這兩種顏色取值范圍可以有重合的部分。在這里對(duì)紅色點(diǎn)也進(jìn)行判斷，是因?yàn)樵诎椎缀谧值能嚺浦?，前兩個(gè)字符是紅色的，不能忽略。 通過上面的分析可以得到車牌及其背景的顏色邊緣點(diǎn)。但是，在車牌外區(qū)域也有很多其他像素點(diǎn)的顏色和紋理符合車牌的四種顏色邊緣點(diǎn)。由于有車牌區(qū)域顏色固定搭配的先決條件．因此，下面還可以繼續(xù)根據(jù)顏色邊緣點(diǎn)的配對(duì)規(guī)律來繼續(xù)排除多余的非車牌 干擾點(diǎn)。這個(gè)過程也就是提取顏色對(duì)特征點(diǎn)的過程。 4 車牌字符分割算法與實(shí)現(xiàn) 4． 1 常見字符分割方法 車牌字符分割技術(shù)是指將定位后的車牌區(qū)域分割成單個(gè)字符區(qū)域。字符區(qū)域分割的準(zhǔn)確與否將直接影響到下一步的字符識(shí)別，因此許多學(xué)者也對(duì)此進(jìn)行了研究，提出了很多關(guān)于車牌字符分割的方法。遲曉君等提出了基于投影特征值的車牌字符分割算法。根據(jù)車牌預(yù)處理圖像垂直投影圖的特點(diǎn)，提出一個(gè)特征值，并由車牌圖像的先驗(yàn)知識(shí)和此特征值相結(jié)合來進(jìn)行字符分割。吳進(jìn)軍等提出了車牌字符分割新方法。通過在車牌定位圖像上定位出車牌的第三個(gè)字符，再 進(jìn)行字符區(qū)域的分裂和合并，并針對(duì)字符缺損情況，進(jìn)行字符區(qū)域擴(kuò)展，而且