基于图像预处理和纹理特征的车牌定位算法

薛倩

（陕西交通职业技术学院 信息工程系，陕西 西安 710018）

基于图像预处理和纹理特征的车牌定位算法

薛倩

（陕西交通职业技术学院 信息工程系，陕西 西安 710018）

为了解决车牌定位过程中拍摄图像背景复杂，噪声大，检测准确率偏低的问题，提出简便有效抗干扰强的车牌定位算法。首先将彩色图像转换为灰度图像，其次设定灰度门限区分图像目标和背景，进行二值化处理，然后使用Sobel边缘检测算子计算图像梯度幅度值，检测图像边缘点，采用局部图像平滑技术中值滤波对图像去除干扰，最后根据车牌区域纹理信息较其它区域丰富的特征，采用投影法，通过水平和垂直方向上投影分布特征的反复提取，准确检测定位车牌。实验结果表明，该方法定位出的车牌区域图像清晰度和准确度较高。

车牌定位；灰度化；二值化；边缘检测；中值滤波；纹理特征

车牌定位技术经过发展，日趋成熟，各具特点，例如较早的杨卫平等利用车牌目标在图像中的成像特点提出基于投影不变性的汽车牌照自动定位算法。宋焕生等提出基于汽车牌照成像的特殊补光和成像技术的车牌定位技术。王枚等提出利用车牌区域的伴生与互补特征使用投影法进行车牌精确定位的算法。张玲等利用遗传算法进行车牌特征匹配，结合区域特征向量构造的适应度函数，寻求车牌定位的最佳参量的车牌识别算法，等。目前车牌定位技术较多，但很多方法检测手段复杂、定位图像清晰度差，特别对背景复杂、噪声大的图像，都难以取得令人满意的定位效果。为此提出设计一种针对复杂背景图像的车牌定位算法，该算法能够完成对车牌图像区域的准确提取。

1 算法总体设计

车牌定位算法流程如图1所示，首先根据该类图像特点选取有助于车牌定位的多个图像预处理技术，以突出图像的本质特征，为车牌区域定位做好准备。其次根据车牌区域在水平、垂直两个方向的纹理信息较其他区域都更加丰富的特征[1]，采用投影法，通过水平和垂直方向上投影分布特征的反复提取，结合车牌特征，准确检测定位车牌。

图1 车牌定位算法流程Fig.1 Flow chart of license plate location algorithm

2 图像预处理

由于车牌在拍摄中受到自然光线、拍摄距离和角度、车牌本身的整洁度等外在的客观因素的影响[2]，拍摄的图像可能噪声大，因此首先需要对拍摄的车牌图像进行一系列的图像预处理，以尽量避免上述因素引起的偏差。车牌定位预处理的范围很广，能够快速有效去除噪声的方法主要包括图像的灰度化、二值化、边缘检测、图像滤波等处理步骤。

2.1 图像灰度化

拍摄的车牌图像为彩色图像，可分解成红（R）、绿（G）、蓝（B）3 种基色，其配色方程为[3]：

其中 r[R]、g[G]、b[B]为 3 色分量。

彩色图像的色彩模式存储开销大，处理速度慢，且存储信息有冗余。因此，采用图像灰度化处理加权平均值算法将彩色图像转换为灰度图像，对R、G、B分量加权平均，取得的值g为灰度化后的图像灰度值，表达式如下：

其中R、G、B表示原真彩色图中的红、绿、蓝分量，WR、WG、WB分别为R、G、B的权值。根据人眼对各色的敏感度，R、G、B 的权值分别取 WR=0.9，WG=1.77，WB=0.33，即：

2.2 图像二值化

灰度化处理后，图像的每个像素都有灰度值[4]，其大小决定了像素的亮暗度。可以将车牌图像看成是前景和背景两部分，通过图像二值化找到合适的阈值把二者分开。常见的阈值选取方法有：P-tile试探法、直方图法、最小误差法、最大类间方差方法（即OTSU法）等[5]，利用基于像素值的全局迭代阈值选取方法，对光线过暗、过强时拍摄的图像二值效果较好。

具体方法：

1）先求出图像的最小灰度值μmin，再求出图像的最大灰度值μmax，然后计算二者平均值 T0，将 T0设定为初始阈值，T0的表达式如下：

2）使用T0将图像分割成前景目标和背景2部分。

3）再分别求出前景目标和背景两部分的平均灰度值μ1和μ2：

其中，μ（i，j）代表图像中坐标为（i，j）的点的灰度值，N（i，j）代表坐标为（i，j）的点的加权系数，通常 N（i，j）为灰度值为μ（i，j）的点的个数。

4）求出前景目标和背景平均灰度值μ1和μ2的平均结果，得到新的阈值:

5）重复执行2）～4），直到经过再次计算，得到的新阈值和上次阈值相等，则结束迭代。

2.3 图像边缘检测

边缘检测原理是通过图像梯度来测量强度极变化[6]。可通过阈值确定边缘点。常见边缘检测算子有：Roberts算子、Krisch算子、Prewitt算子等，相比而言Sobel算子对噪声有较强的抑制作用，因此采用的Sobel算子进行边缘检测。Sobel边缘算子是基于3×3的梯度算子，先加权平均，再微分。Sobel算子的卷积模板由两个卷积核定义，分别为水平和垂直方向。表达式如下：

梯度幅度值通常按照下式计算：

Sobel算子的卷积模板如下：

使用几种边缘检测算子对同一幅车牌图像进行边缘提取，其对比图如图2所示。

2.4 图像滤波处理

滤波是进一步对图像去除干扰[7]，以突出图像特征的重要步骤。滤波在空间域的范围内一般可以分为线性滤波和非线性滤波两大类[8]。

线性滤波器方法中具有代表性的为邻域平均法的均值滤波方法。其特点是算法简洁，对于噪声抑制较好，但当区域窗口较大时，图像清晰度较差。

图2 几种边缘检测算子处理结果对比Fig.2 Processing results comparison of several edge detection operator

而非线性滤波方法中的中值滤波既能消除噪声的干扰，而且对图像中间和周边灰度差大的图像滤波效果好，因此采用中值滤波技术在上述处理的基础上再进行滤波操作。首先确定图像中某点（x，y）为中心点，然后将图像内所有的像素点的灰度按照升序或降序排列，接下来计算所有灰度值的中间值，当有2n+1个奇数像素点，取第n个的灰度值，当有2n个偶数像素点，取第n和第n+1两个像素点灰度的平均值，并将其作为中心点（x，y）的灰度。

如某图像中一个3×3的像素子矩阵窗口如式（12）示：

先对区域内的像素灰度按照升序或者降序排序，其中X为中心点，对这9个像素的灰度排序后，取中间第4个像素的灰度为中心点新的灰度值。继续迭代其他需要的像素进行滤波。

中值滤波窗口可根据实际需要选择，不同的窗口形状滤波效果不同，对具有较长轮廓线的对象适合选用矩形或者圆形窗口，对具有尖棱角的图像适合采用十字形窗口。

3 车牌区域定位

图像经过处理后，更加突显其本身特征，进而可以根据图像特征将车牌从整个拍摄的图像中分割出来。投影法是一种用于车牌图像定位、分割技术，分为水平投影和垂直投影两种，其特点是通过图像在指定方向上投影的分布特征来进行检测、统计所需位置、区域。结合我国车牌尺寸、字符数以及字符宽度等特点[9]，以及车牌区域在水平、垂直两个方向的纹理信息比其他区域都明显的特征，投影法在车牌定位方面具有较强的优势，其技术原理与图像特征较吻合，而且操作简单、效果好。车牌区域定位过程主要分为粗略定位和精确定位两个步骤。

分别利用水平投影法和垂直投影法检测车牌在图像中的水平位置和垂直位置，以此粗略截取出有可能包含车牌的图像。投影法获得的投影特征具有平移不变性和旋转不变性，它既可以是图像中像素的灰度，也可以是像素间的灰度差，当投影区域中的像素的灰度大于某个选定的阈值时，对该像素进行投影。由于图像中可能存在汽车车灯、涂鸦等多处纹理特征明显的区域[10]，因此粗略定位出的车牌区域中存在伪车牌区域，接下来再次进行精确定位，定位过程中可根据实际需要选择水平或垂直投影，结合车牌包含的字符间距等车牌先验知识，将伪车牌区域排除，最终定位出真正的车牌。

4 实验应用

4.1 图像预处理

对原彩色图像按照上述定位算法首先进行一系列图像预处理，如图3所示。其中图3（a）为原彩色图像，经灰度化、二值化、Sobel边缘检测、中值滤波变换处理的图像，如图3（b）、图3 （c）、图 3 （d）、图 3 （e）所示。

图3 图像预处理结果Fig.3 Results after image preprocessing

4.2 车牌粗略定位

4.2.1 水平定位

对含有车牌的图像进行水平投影，水平投影情况如图4（a）所示，其中的红色中竖线为水平投影特征值，从水平投影图中可以看出超出水平投影特征值的两个较长的阴影有可能是车牌区域所在的位置，对应的原始图分别如图4（b）和图4（c）所示，由图可知，图 4（c）中才包含真正的车牌。

4.2.2 垂直定位

对检测出来的可能的车牌区域进行垂直投影，垂直投影图如图5（a）所示。图5（a）中的横线为垂直投影特征值，从垂直投影图可以看出，超过垂直投影特征值，即垂直投影信息较高的区域有可能是车牌区域。将这几处可能的车牌区域对照原始图像，可以得到垂直定位结果，即粗略定位之后的结果，如图 5（b）所示。

4.3 精确定位

对粗略定位出的图像再次垂直投影，垂直投影情况如图 6（a）所示。根据车牌中包含多个字符及其之间存在一定规律间距的特点，去除伪车牌区域，最终车牌定位结果如图6（b）所示。

图4 水平投影定位图Fig.4 Horizontal projection and location images

图5 垂直投影定位图Fig.5 Vertical projection and location images

图6 车牌定位结果Fig.6 Result of license plate location

5 结束语

文中介绍了一种基于图像预处理技术和纹理特征信息的车牌定位算法，归纳提出有效去除干扰的图像预处理步骤，详细分析车牌区域特有的纹理信息特征，提出通过粗略定位、精确定位分步进行水平和垂直方向上投影分布特征的多次提取，最终实现车牌区域的准确定位。实验结果表明该车牌定位算法具有抑制噪音作用，对背景复杂的图像同样具有较好的处理效果，且易于实现，是一种简单、有效且实用的定位算法。

[1]王磊，王瀚漓，何良华.基于双边缘检测的车牌识别算法[J].计算机工程与应用，2013，49（8）：169-173.

WANG Lei，WANG Han-li，HE Liang-hua.License plate recognition based on double-edge detection[J].Computer Engineering and Applications，2013，49（8）：169-173.

[2]甘玲，孙博.基于分块投影和形态学处理的多车牌定位方法[J].计算机应用研究，2012，29（7）：2730-2732.

GAN Ling，SUN Bo.Multiple license plate location based on separation projective and morphology operation[J].Application Research of Computers，2012，29（7）：2730-2732.

[3]瞿中，王永昆，常庆丽，等.基于三次定位过程的车牌精确定位算法设计[J].计算机工程与设计，2013，34（8）：2806-2810.

QU Zhong，WANG Yong-kun，CHANG Qing-li，et al.Accurate location algorithm design for license plate based on three steps location[J].Computer Engineering And Design，2013，34（8）：2806-2810.

[4]黄艳国，赵书玲，许伦辉.基于纹理特征和颜色匹配的车牌定位方法[J].微电子学与计算机，2011，28（9）：123-126.

HUANG Yan-guo，ZHAO Shu-ling，XU Lun-hui.Vehicle license plate location technique based on texture feature and color matching[J].Microelectronics&Computer，2011，28（9）：123-126.

[5]孙露，乔双.一种复杂环境下快速车牌定位的新方法[J].东北师大学报：自然科学版，2013，45（2）：90-94.

SUN Lu，QIAO Shuang.A novel method for fast license plate location under complex environments[J].Journal of Northeast Normal University：Natural Science Editon，2013，45（2）：90-94.

[6]DEB K，LIM H，JO K H.Vehicle License plate extraction based on color and geometrical features[J].IEEE International Symposium on Idustrial Electronics，2010，57（2）：1650-1655.

[7]程增会，戴祥，唐大鹏.一种基于 HSI和 YUV颜色模型的车牌定位方法 [J].计算机应用与软件，2011，28（12）：132-135.

CHENG Zeng-hui，DAI Xiang，TANG Da-peng.A carlicense plate location method based on HSI and YUV color model[J].Computer Applications and Software，2011，28（12）：132-135.

[8]LALIMI M A，GHOFRANI S，MCLERNON D.A vehicle license plate detection method using region and edge based methods[J].Computers and Electrical Engineering，2012，（26）：231-230.

[9]CHEN Rong-bao，LUO Yun-fei.An improved license plate location method based on edge detection[J].Physics Procedia，2012，（24）：1350-1356.

[10]WEN Ying，LU Yue.An algorithm for license plate recognition applied to intelligent transportation system[J].IEEE Transactions on Intelligent Transportation Systems，2011，12 （3）：830-845.

Vehicle license plate location based on image preprocessing and texture feature

XUE Qian
（Department of Information Engineering， Shaanxi College of Communication Technology， Xi’an 710018， China）

In order to solve the problem of the captured images in complex background， noise，and low accuracy of image detection，this paper presents a simple， effective and strong anti-jamming algorithm of the vehicle license plate location.Firstly， the color image is converted to gray image， secondly set the gray threshold to distinguish between target and the background， and binary process image， then use the Sobel edge detection operator to calculate the image gradient magnitude，and detect the image edge point，next remove the interference of image by median filtering in local image smoothing technology， finally， according to the characteristics of texture information in the license plate region is richer than other regions， by using a projection method， through repeated extraction of the distributed character of projection in horizontal and vertical directions， accurately detect and locate the license plate.The experimental results show that， the clarity and accuracy of the vehicle license plate image located by this method is higher than by other methods.

license plate location； graying； binarization； edge detection； median filtering； texture feature

10.14022/j.cnki.dzsjgc.2014.16.047

TN98

A

1674-6236（2014）16-0159-04

2013-12-31 稿件编号：201312244

国家自然科学青年基金项目（41102107）

薛 倩（1978—），女，河南焦作人，硕士，讲师。研究方向：图像处理与模式识别。