一种基于特征的车牌定位算法
收稿日期:1999-11-12
基于特征的车辆牌照定位算法
牛 欣 沈兰荪
(北京工业大学 北京100022)
摘 要 车辆牌照定位是车辆牌照识别中的重要步骤,文章针对车辆图象的复杂背景及非
均匀的光照条件,提出了一种基于特征的车牌实时定位算法。实验结果表明,该算法定位准确率较
高,鲁棒性较好。
关键词 图象预处理 车牌搜索 车牌定位 车牌特征
Abstract:The location of the vehicle license plate is one of the important steps
of the recognition of the vehicle license plate.In regard to the complex backgrounds
of the vehicle images and the varied illumination conditions,a real-time license plate
location algorithm is proposed based on the characteristics of the vehicle license
plates.The experimental results show that this algorithm is excellent in the accura-
cy and the robustness.
Keywords: image preprocessing; vehicle license plate search; vehicle license
plate location;vehicle license plate characteristics
0 引 言
现代交通的发展迫切要求实现交通管理的自
动化。车辆牌照识别系统作为车辆自动识别的一
种重要形式,可用于电子收费、出入控制、车流监
控等众多场合,从而提高交通管理自动化的程度,
他的相关研究正逐渐受到人们的重视。
在车辆牌照识别系统中,牌照区域定位是影
响系统性能的重要因素之一,牌照定位准确与否
将直接影响字符识别的准确率。以往的牌照定位
方法主要包括:J.Barroso等提出的基于水平线搜
寻的定位方法[1];R.Parisi等提出的基于DFT变
换的频域分析方法[2];Charl Coetzee等提出的基
于Niblack二值化算法及自适应边界搜索算法的
定位方法[3];这些方法或者对复杂背景及光照条
件比较敏感,或者定位速度较慢。为了克服这些缺
陷,本文提出了一种基于特征的车辆牌照实时定
位算法。实验结果表明,在复杂背景及非均匀光照
条件下,该方法能够准确实时地定位车牌。
1 车辆牌照定位算法
本算法分为图象预处理、车牌搜索和车牌定
位三部分。图象预处理就是要获得有用的图象边
缘并将其二值化;车牌搜索则是搜索整幅图象以
得到有可能包含车牌的若干感兴趣区域;车牌定
位则在感兴趣区域中剔除假车牌,提取到真正的
车牌。整个算法的流程为如图1所示:
输入图象→图象预
处理
→车牌
搜索
→车牌
定位
→输出车牌
图1 车辆牌照定位算法框图
1.1 图象预处理
由于车辆图象一般在室外拍摄,其背景往往
很复杂,可能包括自然场景中的人、其他车辆、树
木、建筑物等,拍摄图象时的光照条件也因拍摄时
间、地点、天气等条件的不同而不同。然而车辆牌
照却具有不因外部条件变化而变化的特征,即在
车牌内有多个(一般情况下为7个)基本成水平
排
列的字符,字符和牌照底在灰度值上存在跳变,因
而在车牌这个矩形区域内有丰富的边缘存在。为
此,先对车辆图象进行边缘检测,传统的边缘检测
算子如Prewitt算子、而Laplacian算子能够检测
出图象的边缘,但是对噪声很敏感,而且计算量较
31 基于特征的车辆牌照定位算法——牛 欣 沈兰荪大,因此不适用于非均匀光照条件下拍摄的具有
复杂背景的车辆图象。为了减少噪声的影响,选用
如下一阶微分运算检测原始灰度图象的水平、竖
直边缘。
fhedge(x,y)= f(x-1,y)-2*f(x,y)+
f(x+1,y) (1)
fvedge(x,y)= f(x,y-1)-2*f(x,y)+
f(x+1,y) (2)
式(1)、(2)中f(x,y),fhedge(x,y),fvedge(x,
y)分别为原始灰度图象及其水平、竖直边缘图
象。
比较图象中每点水平、竖直边缘的灰度值,取
两者中的最大值作为象素点(x,y)的边缘值,即
可得到边缘图象fedge(x,y):
fedge(x,y)=max(fhedge(x,y),fvedge(x,y))(3)
利用边缘图象的灰度均值和方差,以贝叶斯
最小错误准则作为收敛条件得到分割图象的阈
值[4],将图象二值化,结果图象中白点为目标,黑
点为背景。实验结果表明,这种基于一维边缘检测
的二值化方法计算量小、计算速度快。
图2 图象预处理
在图2中,(a)为原始车辆图象,(b)(c)分别
是利用Prewitt算子、Laplacian算子进行边缘检
测并二值化的结果,(d)为使用本文方法二值化结
果。可以看出,该方法能够有效的保留车牌区域的
边缘,并减少噪声点所造成的伪边缘。
1.2 车牌搜索
虽然车牌区域含有丰富的边缘,但其边缘并
不一定连续,不利于跟踪,因此首先对获得的二值
化图象(图2(d))作数学形态学闭运算,使车牌成
为连通区域,进而将车牌作为一个整体而非几个
字符来分析。闭运算结果如图3(a)所示。然后对
图象中的连通区域进行标定,记录每个连通区域
的最左、最右、最上、最下位置象素点的坐标,分别
记为Left、Right、Top、Bottom。利用上述坐标计
算所标定区域的宽度、高度以及宽高比例,分别记
为xWidth,yHeight和Ration,计算式为:
xWidth=Right-Left; (4)
yHeight=Bottom-Top; (5)
Ration=xWidth/yHeight; (6)
对训练图象的统计表明,车牌的宽度和高度
值在一定的范围内变化。在实物中,某一类车牌的
宽高比是固定的,但经过数学形态学闭运算之后
车牌宽高比不可能完全等同于实物车牌的宽高
比,而且由于不同类的车牌具有不同的宽高比,因
此,车辆图象中的车牌宽高比例也是在一定的范
围内变化。根据车牌上述特点对所标定区域的三
种参数进行判定,若它们均在某一特定的阈值范
围内,则该区域为侯选车牌,否则,该区域不是侯
选车牌。实验中选取的最大、最小高度分别为76、
20个象素点,最大、最小宽度分别为155、30个象
素点,最大、最小宽高比为4、1.65。图3(b)为车牌
搜索所得到的两个侯选区域,图中将其原始灰度
图象分别显示于两个矩形框内,图象其它部分置
黑。
图3 车牌搜索与定位
1.3 车牌定位
经过车牌搜索之后,一般会得到多个侯选车
牌,其中可能包括车牌、车身其它部位及某些背景
等。图3(b)中所示侯选车牌为车牌及车牌上方某
32交通与计算机 2000年第1期 第18卷(总第90期) 一区域。在车牌定位过程中采用投影法可剔除假
车牌,定位真车牌。对侯选车牌按行(列)计算每点
灰度值的总和,即得到该行(列)的灰度投影值。把
侯选车牌区域的每行(列)的灰度投影值都统计出
来,即可得到侯选车牌整个区域的水平(垂直)投
影。在牌照定位过程中,首先对侯选车牌做垂直投
影,图3(d)、3(f)分别为图3(c)、3(e)在垂直方向
上的投影。根据车牌其垂直投影在字符所在处呈
现“峰”这一特点,对侯选车牌的垂直投影图进行
分析,首先对临近峰进行合并、过窄峰进行删除,
然后统计投影图中峰的个数来判断侯选车牌是否
为真。分别对投影图图3(c)、3(e)进行投影分析,
即定位出真正的车牌为图3(c)。
2 实验结果
实验所用车辆图象为在自然场景中拍摄的
320*240像素256级的灰度图象,其中牌照包括
普通牌照(底色为蓝、黑、黄),军用牌照(底色为
白),武警牌照(底色为白)。图象中牌照大小不一,
背景包括人、其它车辆、树木、建筑物等。训练集中
包含50幅图象,其中漏检2幅,误检1幅,正确检
出47幅;测试集包含160幅图象,其中漏检8幅,
图4 部分实验结果
误检5幅,正确检出147幅。定位时间为平均
860ms/幅。图4为部分实验结果,其中图4(a)、图
4(b)、图4(c)、图4(d)分别为轿车、警车、公共汽
车、面包车的牌照定位结果,图4(e)、图4(f)、图4
(g)、图4(h)分别为光线较暗、较亮、车牌倾斜、车
牌尺寸较大时的定位结果。
3 结 论
本文所提出的车辆牌照定位算法对边缘图象
进行数学形态学闭运算,然后从侯选车牌中定位
出真正车牌,算法复杂度低,能够满足实时定位的
要求;而且该算法对复杂的背景以及非均匀的光
照条件并不敏感,具有较好的鲁棒性。
参考文献
1 J.Barroso,A.Rafael,et al.Number plate reading us-
ing computer vision.In Proc.IEEE International Sym-
posium on Industrial Electronics.Portugal.1997
2 R.Parisi,et al.Car Plate Recognition by Neural Net-
works and Image Processing.In Proc.IEEE ISCAS.
USA,1998
3 Charl Coetzee,et al.PC Based Number Plate Recogni-
tion Systems.In Proc.IEEE International Symposium
on Industrial Electronics.1998
4 J.Kittler,et al.Minimum Error Thresholding.Pattern
Recognition.1986,19(1)
33 基于特征的车辆牌照定位算法——牛 欣 沈兰荪