基于数学二值形态学的车牌定位与字符分割

谷学静，李宗辉

(1.河北联合大学电气工程学院，河北唐山 063009;2.河北联合大学信息工程学院，河北唐山 063009;)

0 引言

随着城市的发展和汽车的普及，道路交通问题日益严重，主要体现在:道路拥挤、运输效率低、交通事故率高、环境恶化等。交通问题已成为世界各国大中城市共同面临的问题。由于资源、环境等条件的限制，传统依靠增大道路建设量、提高路网容量解决交通问题的方法已经无法满足现代城市道路交通的需要。在这种境况下，人们提出了智能交通系统(Intelligent Transportation System，ITS)的概念:从系统的观点出发，综合考虑车辆和道路设施，依靠科学管理、运用现代科技手段解决道路交通问题。20世纪80年代中期以来，计算机和通信技术的快速发展，为ITS技术的发展创造了良好的条件。可以说ITS技术是以计算机技术和通信技术为基础的。发展ITS技术的目的，在于减少交通拥挤和提高整个交通运输系统的效率以及为驾驶员提高良好的信息服务和安全舒适的驾驶环境。

智能交通系统就是将先进的信息技术、数据通讯传输技术、电子传感技术、电子控制技术以及计算机处理技术等有效地集成运用于整个交通运输管理体系，而建立起的一种在大范围内、全方位发挥作用的，实时、准确、高效的综合运输和管理系统［1］。

随着智能交通的不断发展，计算机视觉技术对车辆数目、车型、车速、车流量、车辆密度、车辆队列长度以及车牌等内容的采集和识别，在智能交通中占据着十分重要的地位。车牌自动识别系统［2］(License Plate Recognition简称LPR)是智能交通系统的核心。该系能从一张车辆图像中自动提取车牌图像，自动分割字符，得到车牌号码。

车牌自动识别系统主要由以下几个模块组成［3］:图像采集，车牌定位，字符分割，字符识别及传输。本文基于数学二值形态学原理解决车牌定位和字符分割问题。

1 图像预处理与车牌定位

由于智能交通系统的环境比较复杂，例如光照条件，车牌褪色，车牌开裂等，所以得到的图像存在较大的噪声，不能直接用于车牌的定位，需要进行图像的预处理，尽可能的去除噪声对图像的干扰，方便对车牌的定位。光照的影响是所有基于图像的系统所需要克服的问题。由于基于交通检测系统是全天候的应用系统，视频检测和跟踪算法应该使用于各种光照下的应用场合。尤其是在光照不充分的情况下，比如阴天、雨天、雪天，图像的对比度比较低，会影响车辆检测和跟踪的正确性。由于是户外场景，下雨、下雪、刮风引起的树木摇动或者恶劣天气等会在画面上产生各种噪声，另外光照条件的不同也会导致图像发生变化，还有影子的影响，以及移动车辆的一部分被遮挡等因素，这些都使得目标的提取变得更加困难。

考虑到光照条件的不同和车牌褪色等问题，本方法在车牌预处理及车牌定位中采用了edge函数运用robert算子对图像进行二值化操作，这样就很好地去除了光照条件和车牌褪色引起的噪声。roberts［4］算子是一种边缘检测算子。根据任一相互垂直方向上的差分都可用来估计梯度，roberts算子采用对角方向相邻两像素之差，即

原始图像如图1所示。用roberts算子做边界处理后，再对二值图像进行腐蚀［6］操作，腐蚀操作采用的结构元素矩阵［7］为以去除图像中大量的小的水平方向的与车牌无关的边界。之后用 [ 20×20]的矩形结构元素［8］对腐蚀后的图像进行闭操作［9］，用以膨胀［10］图像将车牌等区域连通。计算所有的连通域中面积最大一块［11］，最后去除图像中连通域面积小于最大面积的区域。最终剩下的就是最大的连通区域即车牌所在的位置。具体matlab程序如下所示:

在实际的应用中，对处理速度有较高的要求，所以对对行和列分别采取了不同的处理方法，以提高处理速度:

(1)分别对每行和每列上的元素个数求和。

(2)在对行的处理中，从行元素个数最大值所在的行数开始比较，如果某一行元素个数小于5或到达了图像的边界，则说明得到了车牌的上下边界位置，这样就可以去除铆钉等对车牌定位的影响。

(3)在对列的处理中，从图像的左右边界开始，如果图像个数大于20则认为到达了车牌的左右边界。

这样车牌在原图像中的位置就确定了，切割原图像得到车牌。最后车牌定位的效果如图1所示。

图1 车牌定位效果图

2 字符预处理与字符分割

由于智能交通系统的环境比较复杂，并且检测系统是全天候的应用系统，车辆的具体情况又各不相同，其中对系统影响最大的当属车牌的污损和开裂情况。在现实环境中，我们也经常见到污损的车牌和开裂的车牌。现有系统和方法没有很好地考虑这个问题。

为了解决这一突出的问题，本方法采用的原理是数学二值形态学。因为车牌污损和开裂对字符分割的准确性影响却比较大，所以此部分主要考虑的就是车牌开裂和车牌污损的问题，并提出了一种可以解决车牌污损和车牌开裂的字符分割的方法。流程图如图2和图3所示。

(1)对车牌图像进行一定的滤波处理，尽可能的去除一些噪声［12］。如果车牌存在倾斜进行相应的矫正，本方法中没有涉及此部分。实验中的图片都为非倾斜的图片。将图片二值化为下一步处理做好准备，但由于车牌开裂等问题形成的噪声是无法用滤波的方法去除的，所以需要用其它方法做进一步的处理操作。

(2)由于车牌污损和开裂对整个车牌来说毕竟是一小部分，所以采取求均值的方法，即计算图像中全部的白色像素的个数，然后分别除以行数和列数，便可得到行和列中像素的平均数。

(3)以行为例来说明，依次扫描图像的每一行，如果该行的像素数目多于平均值则认为该行不是噪声，属于字符部分，则将添加到新的数组中。反之，不添加。这样所得到的新的图像就是进行行处理后的图像。此种行处理方法可以有效的去除铆钉和车牌上诸如“一路平安”等字符的影响。

(4)在列处理中，需要考虑字符不连通的问题。如“四川”的“川”字。这是一个典型的非连通的汉字。本方法在对车牌图像进行预处理是将其调整到宽度为440像素的固定大小，所以分割后的每个字符的宽度大小就受到了严格的限制。本方法将列元素个数小于某一值的列视为非字符部分。字符分割的具体步骤如下:

〈1〉初始化一个全零列向量。该列向量与行处理后的新数组具有相同的行数。

〈2〉然后依次比较新数组中每列的白色像素个数，如果像素个数小于设定的值，则跳过该列依次向后比较。如果遇到了像素个数大于设定的值是，将该列添加到零列向量的后面，依次进行下去。

〈3〉如果再次遇到了元素个数小于设定值的情况，则可能有两种情况发生。一种情况是到达了字符的右边界。这是我们希望的，这样一个字符就分割了出来。另一种情况是到达了非连通字符内部的一个边界。这时我们还没有得到完整的字符，只是得到了字符的一部分。为了解决非连通汉字问题，根据我国车牌的具体情况，对从左到右的7个字符采取不同的字符宽度。判断字符的数组的宽度值，如果是第一个汉字，并且宽度小于30，则跳过元素个数较少的列继续添加后面的列，直到再次出现元素较少的列并且字符数数组的宽度大于30才进行下一个字符的分割。这样非连通字符就可以被分割出来。再进行其它的字符分割时，字符宽度设置为5，这样就可以将车牌中连续的数字1分割出来。同时解决了车牌中存在不连通的汉字和连续的数字1的问题。

〈4〉返回的步骤〈1〉，依次进行下去直到到达车牌的右边界，就可以分割出所有的字符。

本方法有效地解决了非连通汉字的分割问题，如图4所示。车牌开裂的字符分割问题，如图5所示。车牌污损的字符分割问题，如图6所示。非连通的汉字和连续的数字1的字符分割如图7所示。

3 结论

首先，本方法从二值化的图像中可以看到车牌的内部存在一定的空洞，这是由于车牌中字符的相对位置和一下非连通汉子造成的。在二值化时，整个车牌区域就不在是一个完整的连通区域。为了获取更加准确的车牌特征，应尽量得到完整的连通域。膨胀操作可以填补物体中的空洞，用适当且不易过大的结构元素对二值化图像作膨胀处理，这样就可以得到完整的连通区域。然后，在得到完整的连通区域后，这些区域的大小经过膨胀后会有些偏大，这对后续提取车牌的特征有些影响，会存在一定的精度偏差。同时，图像中还有很多噪点，通过腐蚀操作，也能将这些噪点滤出一些。一般，腐蚀操作时的结果元素应与膨胀操作时的结构元素一样，这样能将连通区域缩减回去。

其次，在字符分割前，对图像进行了一些膨胀和腐蚀操作，以尽可能地去除车牌污损和车牌开裂对字符分割的影响，并将车牌图像调整的固定的大小，以方便字符的分割。在对二值图像进行字符分割时，先对车牌进行行处理，以确定车牌中所以字符的上下边界。然后在根据车牌的大小、车牌中字符的个数和相对位置判断字符的边界，进而分割字符。由于车牌的大小是固定的，车牌中字符的个数和相对位置是固定的，根据实验所得，认为30个像素宽度为一个字符的最大宽度，两个字符左边界之间的最大宽度大于30。所以认为字符的宽度小于30的部分是非连通汉字的一部分，大于30则认为是另一个字符的开始。这样非连通的汉字和连续的数字1的问题就解决了。

本方法适用于智能交通中比较复杂的环境，能够适应由于光照条件，车牌褪色和车牌开裂等形成的噪声。本方法提出了一种新的字符分割的算法，可以快速地处理车牌中含有非连通字符和连续的数字1的分割问题。

本方法对图像的大小有一定的适应性，但是图像的采集过程中车辆的位置不宜过远，如果过远就会造成定位后的车牌图像不清晰，即使采取了一定的放大和滤波策略，放大和滤波后的图像的清晰度也会明显下降，不利于字符的分割。

［1］杜鹏.智能交通系统简单场景下通信性能的研究［D］.北京:北京邮电大学，2010.

［2］李坤，彭延军.车牌自动识别系统的研究与实现［J］.青岛大学学报，2010，25(4):42-43.

［3］李辉.智能交通系统中基于视频的车辆检测与跟踪方法研究［D］.上海:华东师范大学.

［4］胡尚举，田国法，申江波.边缘检测算子的分析比较［J］.大众科技，2008(9):48-49.

［5］艾海舟，武勃等译.图像处理，分析与机器视觉［M］.北京:人民邮电出版社.2003.

［6］邹攀红，孙晓燕，张雄伟，曹铁勇.一种基于数学形态学的二值图像去噪算法［J］.微计算机信息，2010，26(11-2):200-203.

［7］王家文.Matlab 7.6图形图像处理［M］.北京:国防工业出版社，2009:270-275.

［8］王朋伟，牛瑞卿.基于灰度形态学与小波相位滤波的高分辨率遥感影像边缘检测［J］.四川，计算机应用，2011(9):30.

［9］王玉军，董增寿.利用数学形态学与图像二值化进行车牌定位［J］.太原科技大学学报，2011，32(2):89-92.

［10］宾西川，裘正定，章春娥，曾高荣.一种基于数学形态学膨胀运算的文本数字水印［J］.计算机安全，2009，11:4-6.

［11］孙兆林.Matlab 6.x图像处理［M］.北京:清华大学出版社。2002:276—278.

［12］周玲.基于MATLAB的语音信号数字滤波处理［J］.安庆师范学院学报，2011，17(3):46-47.