《基于数学形态一学的实时车牌定位方法研究》由会员分享，可在线阅读，更多相关《基于数学形态一学的实时车牌定位方法研究（12页珍藏版）》请在金锄头文库上搜索。
1、基于数学形态学的实时车牌定位方法研究1引言 众所周知，各种类型的交通违章行为给交通带来的危害非常严重，是造成习机动车交通事故的主要原因之一。采用先进技术，进行交通违章行为的自动检测，为公安交通管理部门提供强有力的执法证据(电子警察不仅可以抓拍到车辆的违章过程，还可以抓拍到车牌的特写照片)，对改善交通秩序、保障交通安全、提高道路交叉口通行能力、减少交通事故等都将起到重大作用。 但随着电子警察数量的增加，图片数量也急剧增长，完全依赖于后勤处理人员的人眼识别是不经济的，所以，进行违章车牌号码的自动识别，提高违章处罚的自动化水平，势在必行，因此，自本章起到第七章，论文将对车牌自动识别方法进行研究。 由
2、于车牌定位直接影响车牌识别准确率的高低，因此国内外研究者根据对车牌特征的理解，提出了很多算法52-57，如:文献52采用基于扫描行的方法;文献53-54采用边缘锐化的方法;文献55-59采用彩色图像识别技术来处理车牌定位的方法;文献60-67通过车牌的矩形边框特点来定位车牌;文献68-72采用数学形态学方法来定位车牌。现有的车牌定位方法具有以下几个主要缺陷:1、选择车牌定位的特征较少，造成“伪车牌”增多;2、两种以上特征的组合属于松散组合;3、定位准确率和定位速度无法统一提高。 本章提出了一种基于数学形态学和评价函数的实时车牌定位算法。与其他方法不同，本文以数学形态学和模糊评价函数作为多种车牌
3、特征结合的载体，避免使用单个特征或多个特征的松散组合来定位车牌，提高了车牌定位的抗干扰性和定位准确度。另一方面，本文将基于点的数学形态学运算方法进行引申，形成了一套基于线的数学形态学运算方法，结合基于对象的车牌抽取方法，不仅提高了车牌定位的准确率，而且具有很强的实时性。实验显示，本章所述述算法具有优良的性能。2 算法概述 图5-1车牌定位算法总流程图根据对车牌与周边环境的差异特征，以及国内外车牌定位算法的优缺点分析，本文采取如下措施来提高车牌定位的效果: 1、选择稳定、可靠的车牌特征。如果特征选择不当，当该特征发生变化而不满 足条件时，定位算法将无法找到车牌。如选择车牌边框作为车牌定位的根据，
4、当车牌边框变形，不再是直线时，Hough变换将无法找到车牌边框。2、必须结合多种车牌特征进行定位，争取从整体来分析车牌的真伪:选择两种以上的车牌特征来定位车牌，将能提高车牌定位的准确率，但如能综合运用这些特征，将具有更好的定位效果和更强的车牌真伪辨别能力。3、适应光照的变化。除在光照较暗的夜晚需要补光外，车牌定位算法必须具备适应光照变化的能力。 车牌定位的算法流程图如图5-1所示。本章的核心思想是;首先利用垂直边缘锐化技术，增强垂直边缘，再根据车牌字符矩形尺寸特征进行数学形态学运算，将垂直纹理融合成车牌宏观形态特征;以数学形态学和模糊评价函数为载体，将车牌纹理结构信息与车牌的宏观整体结构信息进
5、行有机结合，增强车牌定位的准确性和抗干扰性;将基于点的数学形态学运算方法进行引申，形成一套基于线的数学形态学运算方法，结合基于对象的车牌抽取方法，不仅提高了车牌定位的准确率，而且具有很强的实时性。3基于抽象目标模型指导的图像分割方法 本节将详细介绍本文所提出的基于数学形态学和评价函数的车牌定位算法:.虽然车牌定位算法，归类于图像分割，但通常意义的分割，只能把图像中具有不同平均灰度或不同组织特征的区域分离开，而车牌在整个汽车图像中只占有很小部分，也就是说，在整个图像的灰度直方图中只占有很小的比重，而现有的图像分割算法对小目标分割的效果较差，因此一般意义的图像分割方法应用于车牌定位分割中，不可能取
6、得很好的分割效果。再者，车牌区域并不具各灰度一致性的特征，特别是中国车牌，具有蓝底白字、黄底黑字、白底黑字等几种牌照，在灰度空间中呈现出白底黑字和黑底白字的特点，无法单独将其归类为白或者黑的区域中，因此无法使用一般的图像分割方法将其提取出来。因此引出了各种针对车牌定位的分割方法。但是这些方法依然摆脱不了现有图像分割方法的影子。也就是说，依然基于象素点亮度及其邻域的特点来定位和分割车牌，没有从目标整体识别的角度来考虑，因此图像定位效果并不令人满意。 目标描述被广泛应用于图像识别中，用目标之间的形状、大小、面积、周长、矩形度、圆度、纹理、边缘、投影等差异来识别不同目标，但都是在目标已被分割、分离，
7、并经过一定的预处理(如二值化)之后才开始运用这些特征来识别的，却很少被有意识的运用于图像分割中。这是因为目标的描述特征是一种高级特征，而图像分割属于一种低级特征分割，多数情况下，都是通过低级特征分割，将检测目标正确提取后，再依据这些低级特征来抽取高级特征。但是，当背景较为复杂时，仅仅依据低级目标特征实现可靠的目标抽取是很难办到的，车牌分割就属于这类问题。 图5-2基于抽象目标模型指导的图像分割方法流程图 针对这种在复杂背景下的目标提取，本文提出了一种基于目标抽象描述的图像分割方法。也就是说，通过对目标的各种高级特征的概率统计，抽取能代表目标并区别于其它非目标区域的关键特征，形成统一的有机抽象描
8、述模型，来指导图像分割的全过程，直到被检测目标达到满意的分割效果为止，如图5-2所示。该方法具备一定的目标识别能力，提高了目标提取的准确度，而且其计算的实时性能也较好。 目标的各种高级特征可依据不同的图像预处理过程(边缘锐化、边缘跟踪、角点抽取、数学形态学等等)进行处理，再通过基于目标描述的滤波以便滤除与目标特征差异较大的噪声，然后将各种高级特征合成整体目标的描述，经抽象目标模型评价，判断是否达到满意的目标分割效果。如果分割效果较差，可通过调整影响图像分割效果的因素，来指导分割的过程。 本文即是依据上述的图像分割方法来指导整个车牌图像的分割过程，具体过程见流程图5-2。4图像预处理 金字塔式数
9、据抽取。为使车牌自动识别系统准确、可靠的运行，一般所拍摄的图像分辨率较高，而且图像尺寸也较大，这对车牌定位来说，大量的信息是多余，因为车牌定位只需获取车牌图像在整个图像中的确切位置，而不需要知道车牌号码是多少，况且增加了车牌定位算法的时间。为此，本文采用金字塔式数据抽取方法，可降低图像分辨率，来减少数据量，以使提高车牌定位的处理速度。 观察汽车图像发现，车牌的垂直纹理密集而丰富，而车身图像却恰恰相反。因此首先想到的就是边缘锐化。同时为避免噪声对垂直边缘锐化的影响，在锐化之前需要进行滤波。为了抑制噪声，通常我们选用低通滤波，但由于边缘轮廓含有大量的高频信息，所以.，过滤噪声的同时，必然使边界变模
10、糊，这是我们不愿看到的。但是若不处理，在垂直边缘锐化时，噪声也同样被加强。而中值滤波却能解决这一问题。 中值滤波对于消除孤立点和线段的干扰十分有用，它的突出优点是消除噪声的同时，还能保护边界信息。 设数字图像u=(i，j，g)，则图像u的梯度场可定义为: 由于我们只注重车牌的垂直纹理，所以只取垂直方向的梯度场用差分形式表示为:C(i，j)=| f(i，j) - f(i-l，j) | (5-3) 如图5-3所示，差分后，图像中的垂直纹理被强化，而水平纹理和平滑区域则被弱化，从而使车牌区域显现出来。从图中可以看出车牌纹理区域虽集中，但各字符之间无强连接，无法完整提取出车牌。图5-3垂直边缘增强 一
11、些研究者认为:通过水平及垂直投影方法，在车牌存在区域会出现峰值，并以此来确定车牌存在区域，这种方法存在很大的弊端。首先，车牌存在区域在整个图像中只占很小比例，因此投影后车牌区域所占比重也较少，不一定会展现较强的峰值;其次，车辆前身还含有其它较为丰富的垂直边缘，如车标，车辆前身散热片等等，在投影方向上并不呈现强分离现象，给车牌定位带来困难;最后，图像经垂直边缘增强后，各字符之间出现无连接现象，无法确定具体的车牌区域。因此为达到车牌的可靠分割，还必须利用车牌的其它特征来识别车牌的准确位置。5基于数学形态学和评价函数的车牌定位方法5.1使用车牌纹理的特征参数膨胀 正如上节所言，仅仅依据车牌垂直边缘丰
12、富这一特征来定位车牌并不是明智之举。从车牌识别的应用现场考虑，车辆图像是由固定拍摄地点的摄像机拍摄的，其触发机制多由环形感应线圈感应到车辆存在后，立即发出指令要求数码相拍摄的。从检测到车辆到数码相机拍摄完成，时间不超过40ms，在如此短的时间内，车辆的行驶范围很小。以车速为1 00Km/H计算，在40ms的时间里也仅仅能行驶1.2m。CCD摄像机一般放置在5米以外，根据成像原理，在1.5米内的深度变化范围内，车牌大小变化较小。由此可以得出结论:车牌的字符大小的变化也很小。因此可以利用这一特征来参与车牌定位的工作。为增强车牌大小变化的兼容性，取0-1 .5m范围内(车辆从被检测，到图像抓拍完成的
13、时间间隔内车辆的存在范围)车牌字符呈现的最大车牌字符间距a和字符高度b作为车牌的最大特征参数。那么如何将这些离散的垂直车牌字符边缘形成一个有机的整体呢? 数学形态学处理方法是解决上述问题的最好方法。取长度为(2 a+1l)的一维结构元素B对图像C中梯度大于某一阈值Th的象素点执行膨胀运算，如图5-4所示，车牌区域将被融合为一个整体。其整体的大小近似等于车牌在图像呈现的大小，从而使车牌的细小结构与车牌的整体结构相互结合，为车牌的识别和定位工作提供了很好的证据。5.2一维脉冲滤波 经过数学形态学膨胀运算之后，车牌区域融为一体的同时，其纹理也会融为一体，形成块状区域，必须将这些噪声予以滤除。如上节所
14、言，既然车牌大小变化较小，同样可以将该特征运用到车牌定位的预处理中。由于本文采用的结构因子宽度大于等于车牌字符间距，所以经膨胀运算后，车牌区域将被填充为实体，车牌区域每行的宽度应该在总体车牌宽度附近变化，为增强车牌大小变化的兼容性，取0.8Pwlx1.2Pw2。其中Pw1为最小车牌宽度，Pw2为最大车牌宽度。由此可以逐行分析线段的长度，对于宽度小于0.8Pw;以及宽度大于1 .2Pw2的线段，则认为是噪声，将其滤除。经过上述处理后，车牌区域将更为明显，如图5.5所示。 图5-5一维脉冲滤波5.3 二值化方法 在处理膨胀运算之前，必须进行二值化处理。对现有图像分割算法的分析发现，现有二值化的分割
15、方法，并不适合于车牌图像的分割。原因如下:车牌目标相对于整个图像来说，属于小目标，而现有的图像分割算法对小目标分割的效果较差;其次，车牌目标区域并不预先知道其灰度分布范围，因为车牌具有“白底黑字”和“黑底白字”两种模式;再则，车牌分割算法必须经受住光照变化对车牌二值化变化的影响；最后，车牌区域并不是灰度相近区域，经二值化处理后，车牌区域的前景和背景分属于不同的目标。因此必须从车牌自身的特点入手编写特定的图像分割算法来处理图像二值化问题。 正如前面几节所言，判定是车牌纹理必须满足一定的要求，如垂自边缘间距以及在同一行上跳变波形应具有一定的连续性(满足车牌宽度限制)，而上述几种限制可以通过数学形态学的膨胀运算和脉冲滤波来完成，因此剩下的问题就是如何选择二值化阈值问题。本文提出一种基于目标的图像分割方法，即通过对目标的形象描述来指导图像分割的过程。经阀值分割后的对象如果不满足目标描述的特征，则认为目标分割效果不理想，必须改变阀值直到分割效果达到目标描述的特征为止。 从车辆配挂车牌的角度考虑，是希望交警和过往行人能非常容易的识别出车牌号码，因此在车辆前身设计以及车牌设计时，充分考虑了车牌的“醒目”性:对大量的车辆图像观察后发现:车牌纹理跳变强烈，跳变纹理及跳变幅值在整个车牌区域具有一致性;再者，在与
