基于边缘颜色信息的车牌定位算法
- 格式：pdf
- 大小：398.13 KB
- 文档页数：5
万方数据干扰能力较弱，也难以解决背景复杂的图像定位问题；方法④利用边缘检测方法测得车牌边缘，该方法要求图像边缘的连续性要好，但实际拍摄的车牌边框往往不连续。
遗传算法和神经网络算法抗噪性好，但训练鼍过大、实现较困难。
因此需要寻求一种高准确率的快速车牌定位算法。
充分利用车牌提供的信息，突出车牌区域抑制非车牌区域。
是实现车牌定位的基本思想。
车牌字符笔划的宽度、字符个数，以及车牌的背景与字符的颜色搭配都具有固定的标准。
综合利用车牌的这些特征可以将单一的符合车牌某一特征的伪车牌剔除掉，从而提高车牌定位的准确性。
本文在边缘颜色点对的基础上利用扫描线法构造ｒ一种新的车牌定位方法。
该方法充分利用车牌的颜色特征、结构特征和纹理特征，能够准确地把车牌从背景中分割｝ｆ｛来，为车牌字符的定位、识别奠定基础。
２边缘颜色点对我国车牌最显著的特征就是车牌背景与字符具有固定的颜色搭配，即白底黑字或红字（白牌）、蓝底白字（蓝牌）、黑底白字（黑牌）和黄底黑字（黄牌）。
对于车牌中任意一点像素八菇，Ｙ）的颜色可以用Ｃｏｌｏｒ（ｆ（ｘ，Ｙ））来表示（并、Ｙ分别代表像素点的横纵坐标位置）。
车牌的五种特征颜色可以表示为Ｃｏｌｏｒ（ｆ（菇，Ｙ））＝１…２３４、５，所对应的颜色分别为白色、黄色、红色、蓝色、黑色。
这里以蓝底白字符…１’为例说明车牌边缘颜色点及车牌边缘颜色点对的概念，图１为其示意图。
车牌字符具有一定的宽度，示意图中框内为白色，外部背景规定为蓝色。
￡ｌ、也代表字符两边的垂直边缘方向。
Ａ为左侧垂直边缘Ｌｌ上任取一点，过Ａ点做一条垂直于其边缘方向Ｌｌ的线段（图中用虚线表示），其与另一条边缘方向趁交于点口。
Ａ点为白颜色，可表示为Ｃｏｌｏｒ（ｆ（％，ＹＡ））＝１；在线段内Ａ点左侧相邻的像素为蓝颜色，可表示为Ｃｏｌｏｒ（ｆ（札一ｚ，ＹＡ））＝４，ｚ＝１，２，…，Ｍ；Ａ点右侧相邻的像素为白颜色，可表示为Ｃｏｌｏｒ（ｆ（ｘ．＋ｚ，ＹＡ））＝ｌ，ｆ＝１，２，…，Ⅳ。
这样，在字符“１＇’的边缘￡ｌ上，边缘点Ａ左有两侧的像素具有固定的颜色配对（蓝色，白色），以ＣＥＰ来表示边缘颜色点，则边缘点Ａ叮表示为ＣＥＰＡ＝（４，１），这样的点称之为边缘颜色点。
同理，右边的垂直边缘￡２上的边缘点Ｂ左右两侧的像素具有固定的颜色配对（白色，蓝色），即ＣＥＰｓ＝（１，４）。
Ａ，曰这样的点对称之为边缘颜色点对，用ＣＥＰＳ（Ａ，Ｂ）来表示。
我国车牌Ｅ的字符所具有的边缘颜色点如表１所示，其边缘颜色点集合为ＣＥＰ＝［（１，５），（１，３），（４，１），（５，１），（２，５）］。
表ｌ车牌字符的边缘颜色点下面仍以蓝牌白字为例来说明边缘颜色点对的判定方法：Ｌｌ蓝图１边缘颜色点对示意图１）Ａ点，其左方为蓝色，右方为白色；２）Ｂ点，其左方为白色，右方为蓝色；３）Ａ点距Ｂ点应在一定范围之内。
这样的边缘颜色点对ＣＥＰＳ（Ａ，Ｂ）问的区域就町认为是车牌内的白色字符区，而其所在位置也相应就是夹杂少量白色区域的蓝色车牌区所在位置。
对于其他颜色的车牌，仅需修ＩＦ识别算法的颜色定义即可。
３搜索边缘颜色点对从边缘颜色点对定义可知，边缘颜色点对一定在汽车图像中的物体边缘区。
而一幅图像的物体边缘区一般只占整幅图像的５％。
进而，利用彩色图像进行处理最大的问题就是如何解决运算速度和运算精度的矛盾问题。
如果先进行图像的边缘检测，冉在检测区中进行边缘颜色点对的搜索，可以极大地减少计算瑷，提高计算效率和速度，有效地解决运算速度与运算精度的矛盾。
所以，边缘颜色点对的搜索呵分为两个阶段：边缘检测和正式搜索。
３．１灰度化边缘检测法是基于灰色图像的，因此需要对彩色图像进行灰度化处理。
在本文中，彩色图片的厌度化由于没有特别的要求，所以叮采用通用的转换公式。
其转换公式为：灰度值＝０．２１２６７１×红色＋０．７１５１６０×绿色＋０．０７２１６９×蓝色（１）圈２汽车彩色图片图２是汽车彩色图片，图３足灰度化后的图片。
３．２边缘检测图像的边缘是图像的基本特征之一。
所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。
－－－－——２６３・－－－——万方数据图３灰度化图片边缘广泛存在于图像中的物体与背景之间、物体与物体之间、基元与基元之间。
边缘榆测的目的是解决在何处进行搜索的问题。
经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化，利用边缘邻域的一阶或二阶方向导数变化规律来检测边缘。
常见的边缘枪测算子有梯度箅子、Ｒｏｂｅｒｔｓ算子、Ｌａｐｌａｅｉａｎ算子、Ｋｒｉｓｅｈ算子、Ｓｏｂｅｌ算子、Ｐｒｅｗｉｔｔ算子、高斯一拉普拉斯算子等。
由于噪声点对边缘检测有一定的影响，而高斯一拉普拉斯算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合了起来，先平滑掉噪声，再进行边缘榆测，所以高斯拉普拉斯箅子足效果较好的边缘检测器。
常用的高斯拉普拉斯算子是５ｘ５的模板，如图４所示。
－２－４—４—４－２一＾Ｏ８Ｏ一４－４８２，１８－４－４Ｏ８０—４－２—４－４－４－２图４高斯拉普拉斯边缘检测算子本文选用效果较好的高斯拉普拉斯边缘检测算子。
对图３汽车灰色图像进行边缘枪测，其结果见图５。
一２６４一图５图像边缘检测结果３．３二值化经过边缘检测处理后，汽车图像信息已经大为减少。
但剩下的信息中仍存在着０—２５５共２５６级的灰度分布：Ａ［ｉ］（ｉ＝０，１，…，２５５），Ａ［ｉ］为灰度值为ｉ的点集。
本文只在Ａ［ｉ］（ｉ≥１２８）点集中进行搜索（边缘程度最强）。
对图５进行二值化处理，阈值取为１２８。
其结果如图６。
图６图像二值化结果经过二值化处理后，汽车图像的物体边缘点理论上又会缩小５０％。
这又将大幅提高边缘颜色点对搜索速度。
３．４搜索３．４．１颜色判定方法一般计算机获取的图像足用ＲＧＢ模型描述的，用红、绿、蓝二种颜色的亮度值表示每一种颜色。
该模型受光照条件影响，为了提取各种光照条件下的车牌颜色信息，把ＲＧＢ模型转化为ＨＳＩ模型进行处理。
ＨＳＩ模型用色度（Ｈｕｅ）、饱和度（Ｓａｔｕｒａｔｉｏｎ）、亮度（Ｉｎｔｃｎ－ａｉｒｙ）来描述颜色。
色度描述纯色的属性，饱和度给出纯色被白光稀释的程度，亮度为图像的灰度值信息。
这三个分量是独立的，因此，该模型叮以在消除亮度影响的情况下提取彩色信息。
ＲＧＢ模型到ＨＳＩ模型的转换如下：¨，ｉ墨二堡２±ｉ墨＝旦）＼肚一０８【再盲ｉ艿意磊蒜ＪＨ∈［０，２１ｒ１（２）．ｓ＝ｌ一面南【ｍｉｎ（Ｒ，Ｇ，８）】Ｓｅ【ｏ，１】（３），：坠粤塑，∈【ｏ，２５５］（４）把日分量乘上１８０／ｚｒ转化为角度。
角度从小到大对应的主要颜色依次为红色、黄色、绿色、青色、蓝色及深红。
色度值Ⅳ是区分颜色的主要依据，但是黑色和白色需用亮度值，区分，并且当饱和度ｓ的值较低时，用色度来区分颜色也是不可靠的。
现在通用的车牌类型有蓝底白字、黄底黑字、白底黑字、黑底白字。
根据实际情况，判断已定位的车牌区域内像素点的颜色种类依次按照以下顺序：如果０≤，＜１５Ｉ｜（，＜９５＆＆Ｓ＜０．３５）返回黑色；万方数据如果２２０≤，＜２２５１０≤Ｓ≤０．１返回白色；如果１９０≤Ｈ＜２４０＆＆Ｓ＞０．１返回蓝色；如果２５≤日＜５５＆＆Ｓ＞０．３５返Ｉ口ｌ黄色；否则，返回其他颜色；３．４．２搜索算法利用图６提供的搜索位置信息在图２中利用彩色信息进行搜索。
下面仍以蓝牌白字为例说明搜索方法。
假设汽车图像由肼行Ⅳ列点阵集组成，自左向右为行的正方向，自下往上为列的正方向，起始点为，（０，０）。
而边缘颜色点对个数为ｎ，各边缘颜色点对的坐标为：（（虹ｋ］，ｙｌ［ｋ］），（髫［ｋ］，ｙ２［ｋ］））ｋ＝１，２，…，ｍ其步骤如下：１）从ｉ＝０Ｊ＝１，开始搜索，此时边缘颜色点对个数凡＝０。
如果此点在图６中是边缘点且在图２中Ｃｏｌｏｒ（‘厂（０，１））＝１，则分别判断图２中以０，０）和以０，２）的颜色；２）若以ｉ√一１）为蓝色而“ｉ，Ｊ＋１）为白色，则认为以ｉ，Ｊ）为疑似边缘颜色点对的起始值，记下坐标值“ｒｇ］＝Ｏ，ｙｌ［，１］＝１，转步骤４。
若不满足Ｉ：述条件，则转步骤３）；３）继续判断下一个边缘点八ｉ，，）是否为疑似边缘颜色点对的起始值。
若是记下坐标值茗［ｎ］＝ｉ，ｙｉ［ｎ］＝．『，转步骤４，继续搜索该疑似点对的终止值。
若不是则继续判断下一个边缘点八ｉＪ）是否为疑似边缘颜色点对的起始值。
当江肼一ｌ√＝Ｎ—ｌ时，转步骤５）；４）令，＝Ｊ＋ｌ，判断以ｉ√一１）是否为白色而以ｉ√＋１）是否为蓝色。
如果是，则认为找到该疑似边缘颜色点对的终止值，并成功找到一个边缘颜色点对，记下坐标值“／７，］＝ｆ，妮［ｎ］＝Ｊ，而该边缘颜色点对的坐标为（（髫［儿］，ｙｌ［ｎ］），（算［ｒｔ］，ｙ２［，１］）），且ｒｔ＝ｎ＋ｌ，转步骤３），继续寻找下一个边缘颜色点对。
若不是，重复本步骤，并记下重复次数。
当重复次数超过一个阈值ｒ（在本文阈值７’取１０，对应字符宽度），则认为该疑似点不是边缘颜色点对的起始点，取消终止点的搜索，返回步骤３）；５）退出边缘颜色点对搜索程序。
４车牌区域定位本文利用车牌字符的连续特性。
车牌区域有连续７个字符，而且字符与字符之间的距离在一定范嗣内。
在一定长度范围内牌照区域相对于其它非车牌区域边缘颜色点对多，而且大于一定阈值。
通常为７以上，因为车牌中含有７个字符，每个字符有一个以上边缘颜色点对，为了防止字符的断裂、模糊、车牌倾斜等的影响，为保守起见采用５。
本文扫描线在彩色图像中扫描定位车牌（一般来说车牌都在车辆的下部，与车牌文字类似的文字干扰大多在上部），采用从左到右、从下到上的顺序扫描。
扫描线的长度为图像中车牌的长度。
一般汽车距图像采集设备的距离在一定范围之内，图像中车牌的长度变化不大，因此扣描线长度可根据先验值来取得。
算法如下：１）扫描线碰到边缘颜色点对记录下每对边缘颜色点的当前位置，每一行扫描完成后检杳经过边缘颜色点对最多的那条扫描线，如果某扫描线有连续５对以上边缘颜色点对，就记录下此扫描线段的起始点和终止点位置；２）若连续有十行以上这样的边缘颜色点对，并且相邻上下行的起始点和终止点相邻，就认为该区域是车牌预选区域。
３）在车牌预选区域内统计记录下的每行起始点和终止点的坐标位置，令ＸＩ＝横坐标的最小值，Ｘ２＝横坐标的最大值，Ｙ１＝纵坐标的最小值，＇２＝纵坐标的最大值。
以（ｘ１，ｙ１）、（Ｘ１，Ｙ２）、（Ｘ２，Ｙ１）、（也，ｙ２）为顶点做矩形。
此矩形区域为疑似汽车牌照区。
车牌宽度为４５０ｒａｍ，高度为１５０ｍｍ，宽高比为３。
则疑似汽车牌照区的形状满足如下公式：２．５＜（Ｘ２一Ｘ１）／（坨一ＹＩ）＜３．５（５）就町以认为通过形状识别要求。
否则疑似车牌区域为假。
图７为定位结果。
图８为提取的车牌区域。
图７车牌定位结果煳糊图８车牌区域５试验结果及分析应用本文的车牌定位方法对１３０车辆图像进行了实验，输入图像尺寸为６４０×４８０像素，车速不超过３０ｋｍ／ｈ。
