李震，唐莉萍

　　(東華大學 信息科學與技術學院，上海 201620)

       摘要：文章給出了自行設計的在低功耗嵌入式平臺上實現(xiàn)車牌定位檢測的算法。首先通過Sobel水平算子對車牌圖像進行垂直邊緣檢測，運用形態(tài)學方法對邊緣圖像進行閉運算得到連通圖塊。然后根據(jù)連通區(qū)域輪廓確定最小外接矩形，解決車牌位置斷節(jié)問題，得到車牌候選區(qū)域。最后根據(jù)車牌特征對提取出的車牌候選區(qū)域進行篩選實現(xiàn)準確的車牌定位。實驗結(jié)果證明了該算法的有效性，而且在復雜背景下也具有較好的魯棒性和自適應性。

　　關鍵詞：車牌定位；Sobel算子；形態(tài)學；閉運算

　　中圖分類號：TP391.41文獻標識碼：ADOI： 10.19358/j.issn.1674-7720.2017.03.014

　　引用格式：李震，唐莉萍.基于低功耗嵌入式系統(tǒng)的車牌定位算法［J］.微型機與應用，2017,36（3）：45-48，58.

0引言

　　在大型停車場的出入口和停車智能收費場所都裝有攝像頭，對進出場所的車輛進行圖像拍攝，以獲取車輛的車牌號。對含有車輛的圖像進行車牌識別是車輛收費管理系統(tǒng)的一個重要環(huán)節(jié)。在車牌識別中，要實現(xiàn)字符的正確分割和識別，首先需要完成對車輛車牌的精確定位。車牌定位的精度直接影響監(jiān)控系統(tǒng)的性能［1］。多數(shù)收費管理系統(tǒng)采用的方案是攝像頭加PC，由攝像頭采集圖像，由PC通過圖像處理算法得到車牌號。這種方法不易實現(xiàn)活動場所的車牌識別。因此基于嵌入式平臺的移動車牌識別成為一個新的研究熱點。目前主流的嵌入式平臺有三種：ARM平臺、DSP平臺和FPGA平臺。

　　基于ARM平臺主要使用ARM9、ARM11或者CortexA8處理器，例如文獻［2］用三星的ARM9芯片讀取CMOS攝像頭采集的車輛圖像進行車牌區(qū)域判斷；文獻［3］將CortexA8芯片運行于Linux操作系統(tǒng)，并借助于OpenCV圖形圖像處理庫中成熟的函數(shù)實現(xiàn)車牌的定位；張海霞選擇ARM11開發(fā)板(S3C6410為微處理器核心)作為嵌入式車牌識別系統(tǒng)的核心硬件電路［4］?；贒SP平臺的主流處理器是德州儀器TMS系列，例如左宗鵬等人采用TMS320DM642讀取SAA7113采集的圖像數(shù)據(jù)，通過改進的BP神經(jīng)網(wǎng)絡算法實現(xiàn)車牌定位和識別［5］?；贔PGA平臺的內(nèi)核是定制的軟核處理器，如鄭存芳等人用FPGA通過定制的Nios Ⅱ軟核調(diào)用接口讀取CCD攝像頭的圖像數(shù)據(jù)，運用邊緣檢測方法進行車牌定位［6］；鄭存芳對比基于PC或DSP的車牌識別系統(tǒng)，提出了基于FPGA的車牌識別系統(tǒng)研究與實現(xiàn)方案［7］。還有研究人員將FPGA和DSP結(jié)合在一起實現(xiàn)車牌識別［8］。

　　以上文獻給出的嵌入式平臺，硬件平臺采用的處理器大多為中高端產(chǎn)品，產(chǎn)品的投入成本較高。在軟件方面有的需要運行在特定的操作系統(tǒng)，有些需要借助特殊的圖形圖像處理軟件，將會引起處理器內(nèi)存開銷過大，影響系統(tǒng)的運行速度。本文研究將低端、低功耗嵌入式處理器引入移動車牌識別系統(tǒng)，無需操作系統(tǒng)，通過對相關圖像處理算法進行改進，直接在硬件電路中完成車牌定位，為后續(xù)字符的正確分割和識別提供保障。

1系統(tǒng)組成

　　本系統(tǒng)采用Aptina公司的MT9P031 CMOS傳感器作為圖像采集器件，這種傳感器具有高分辨率、高幀率、與處理器接口簡單的特點。圖像有效像素為500萬，在全分辨率條件下幀率為14幀/s，在640×480像素下的幀率可達50幀/s，與處理器連接僅需要兩線串行接口。主控處理器選用意法半導體公司的STM32F429ZGT6，其內(nèi)核為CortexM4，最高主頻達180 MHz，內(nèi)存容量為256 KB，自帶8~14位并行Camera接口，傳輸速率為54 Mb/s。系統(tǒng)要在硬件中直接對圖像進行各種處理，需要足夠的內(nèi)存交換數(shù)據(jù)，因此增加64 KB外部存儲器件SDRAM。為了能保存歷史數(shù)據(jù)，硬件部分預留了SD卡接口。根據(jù)移動車牌識別的特點，系統(tǒng)與上位機采用WiFi通信模式。系統(tǒng)采用鋰電池供電，當檢測的圖像不變時，系統(tǒng)自動進入休眠狀態(tài)，每200 ms自動喚醒一次。若檢測到圖像有變化時，立即執(zhí)行圖像處理算法，這樣可以有效降低移動車牌識別的系統(tǒng)功耗。硬件系統(tǒng)框圖如圖1所示?！?/p>

2定位算法

　　車牌定位是從一張拍攝到的圖像中定位出車牌的位置，并提取出車牌圖像。由于CortexM4的硬件資源有限，要求算法的復雜度不能太高。為了保證定位算法的實時性，需要對CMOS傳感器采集到的圖像進行截取，在含有車輛運動的全景圖像中，截取640×480像素的車輛目標圖像作為目標車輛的最佳區(qū)域，再在該區(qū)域進行車牌定位。定位算法包括以下幾個步驟：

　　(1）圖像二值化處理;

　　(2）二值化圖像快速邊緣檢測;

　　(3）確定車牌候選區(qū)域;

　　(4）候選車牌區(qū)的外接矩形劃定;

　　(5）對候選車牌區(qū)篩選確定最終車牌區(qū)域。

　　2.1快速邊緣檢測的實現(xiàn)

　　我國車牌的顏色特征主要分為4類：藍底白字（藍牌），黃底黑字（黃牌），白底黑字（白牌），黑底白字（黑牌）。車牌顏色雖然不一，但是它們具有共同的特點：（1）都有矩形線段圍成的邊框；（2）邊框內(nèi)的字符呈水平排列，并且分布間隔較均勻；（3）均表現(xiàn)為豐富的紋理特征，很容易捕捉到邊緣信息；（4）車牌具有統(tǒng)一的標準尺寸。針對以上特點，可以運用邊緣檢測算法對圖像進行初步處理。

　　圖像處理算法中常用的邊緣檢測算子包括Laplacian算子、Canny算子和Sobel算子。Laplacian算子是一種求圖像的二階導數(shù)算子，它將在圖像邊緣處產(chǎn)生一個陡峭的交叉。在通常情況下，Laplacian算子也能檢測出邊緣，但是其檢測方向不分水平和垂直，算法的復雜度高。Canny邊緣檢測算子具有很好的邊緣檢測性能，在圖像處理中得到了廣泛的應用。但是Canny邊緣檢測需要完成對圖像的高斯濾波去噪，從原始灰度圖中求出水平、垂直兩個方向的梯度圖，以及綜合梯度圖，再對3種梯度圖進行非極大抑制，進行邊緣連接等步驟，在PC中都非常難以保證算法的實時性。Sobel算子原理是對圖像求一階的水平與垂直方向?qū)?shù)，根據(jù)導數(shù)值的大小判斷是否是邊緣。Sobel算子分為垂直邊緣算子和水平邊緣算子，其卷積模版為：

　　3種邊緣檢測算法得到的結(jié)果如圖2所示。對比邊緣檢測結(jié)果，Canny檢測獲得的邊緣最清晰，Sobel邊緣檢測的清晰度結(jié)果介于Canny檢測和Laplacian之間。雖然Canny檢測獲得的邊緣最清晰，從車牌定位的目的考慮，邊緣檢測的最終目的并不是要刻畫出圖像清晰的邊緣，而只是要確定車牌的一個具體區(qū)域。并且Canny邊緣檢測算法的復雜度遠高于Sobel算子，不僅無法滿足處理器實時處理的要求，還會消耗處理器的大量內(nèi)存，在硬件電路中無法實現(xiàn)，因此邊緣檢測算法選用Sobel算子。

　　由于嵌入式系統(tǒng)要求執(zhí)行的圖像處理算法必須運算量小，占用RAM少，所以采用以塊代點的方法，將圖像分成大小為64×48的100個小塊，因車輛是左右對稱結(jié)構，按照從圖像底部往上尋找的方式找對稱塊，這是因為大多數(shù)車牌的位置離圖像的底部較近。經(jīng)實驗數(shù)據(jù)測定和分析，當找到15對對稱的圖像小塊后，車牌就能快速鎖定在這30個區(qū)域塊中。然后對找到的30個區(qū)域塊進行Sobel算子邊緣檢測。

　　由于汽車的車牌邊框是有規(guī)則的邊緣，并且車牌的字符是有規(guī)律的排列，因此相對于水平邊緣車牌的垂直邊緣更為豐富。而汽車的車身卻有豐富的水平邊緣，垂直邊緣不明顯。根據(jù)車牌和車輛邊緣特征的不同，本文僅使用Sobel算子對找到的30個區(qū)域塊進行水平方向求導，這樣可以大大減小處理器的內(nèi)存開銷，降低算法的復雜度，提高處理器的運算速度，在硬件電路上實現(xiàn)邊緣檢測。作為對比，對圖像進行了垂直方向和水平垂直兩個方向同時求導，結(jié)果如圖3所示。從檢測結(jié)果可以看到汽車的前端車牌附近有很多的水平邊緣，這是由車頭位置的排氣孔、汽車廠家標志等產(chǎn)生的。這些多余的水平邊緣很容易干擾車牌定位的結(jié)果，導致最終搜索不到真正的車牌位置。因此本文采用Sobel水平算子實現(xiàn)快速邊緣檢測?！?/p>

　　2.2確定車牌候選區(qū)域

　　在提取車牌圖像中垂直方向的邊緣后，需要得到的二值邊緣圖像進行數(shù)學形態(tài)學運算，將車牌區(qū)域連通為一個閉合的區(qū)域。圖像處理中常用的數(shù)學形態(tài)學運算分別為開運算和閉運算。開運算是對圖像先腐蝕再膨脹，能夠使得圖像的輪廓變得更加光滑，并且可以斷開狹窄的間斷以及消除細小的突出。閉運算是對圖像先膨脹再腐蝕，與開運算相反的是，閉運算通常能夠彌補狹窄的間斷以及細長的鴻溝，并且能夠消除細小的空洞，填補輪廓線中的斷裂。針對2.1節(jié)Sobel水平求導得到的邊緣圖像進行開、閉兩種運算操作，結(jié)果如圖4所示。

　　對比圖4可以發(fā)現(xiàn)由于腐蝕的效果太強，導致開運算膨脹沒有效果，圖像中幾乎沒有有用信息。而閉運算則將圖像中車牌區(qū)域附近的一些邊緣連成圖塊，包括車牌中的字符也被連成圖塊，這些連接成塊的區(qū)域形狀不一，組成了車牌的候選區(qū)域，如圖4(a)所示。

　　由圖4結(jié)果對比可知，對得到的二值邊緣圖像只需要進行閉運算，就可以完成對候選區(qū)域的確定。這樣可以進一步減少運算量，提高車牌定位的實時性。

　　2.3字符外接矩形斷節(jié)處理

　　我國標準車輛的車牌是由一個省份漢字、一個城市字母和5個字母或阿拉伯數(shù)字組成的字符序列。每個字符的寬度為45 mm，高度為90 mm，間隔符的寬度為10 mm，除了第二個和第三個字符之間的間距為 34 mm 外，字符之間的間隔寬度為12 mm，如圖5(b)車牌滬F C0439。

　　圖5(b)中字符F和字符C的距離大于其他相鄰字符的距離。這個距離越大，字符區(qū)域輪廓就越大，需要的字符外接矩形也就越大。當字符外接矩形設置較小時，導致滬F和C0439分隔開，這樣就只能選中距離較近的字符，如圖5(b)。由于車牌中間的字符斷開，必將影響車牌的準確定位。經(jīng)過反復實驗，在保證相鄰字符距離最大時，車牌字符之間不發(fā)生斷節(jié)現(xiàn)象，取字符外接矩形的寬度為29個像素點，高度為9個像素點。

　　3車牌定位區(qū)篩選

　　經(jīng)過以上步驟處理后的圖像，能夠定位出幾個車牌的候選區(qū)域。這些候選區(qū)域中，除了真正的車牌以外，其余的是汽車標志、車燈或者排氣孔等，如圖6所示。

　　圖6車牌候選區(qū)為了在候選區(qū)域中正確定位車牌位置，可以根據(jù)我國車牌的特點以及安裝特征進行判斷。實際車牌的長寬比為定值約為2.85~3.33，圖像中車牌的像素比也應該在此范圍；車牌一般安裝在車輛的正中心偏下位置，外接矩形的角度應該小于10度；外接矩形的中心應該位于圖像中心線附近。根據(jù)這三個條件可設置一個車牌判別公式：

　　f(A,R,CX)=Σλixi

　　其中，A為外接矩形的角度，R為車牌的長寬比，CX為外接矩形的中心橫坐標，λi為3個條件的權重，xi為限制條件。將候選區(qū)外接矩形的3個參數(shù)代入這個公式，滿足f(A,R,CX)>0.9時就能準確找到車牌的位置。

4實驗結(jié)果

　　將本文的車牌定位算法在本設計中的硬件平臺上進行車牌定位檢測。使用的嵌入式處理器為STM32F429，芯片運行主頻為180 MHz。圖7給出了該算法在實際應用中檢測的部分圖片的效果。

　　為了驗證算法的效率和準確率，本文對不同時間段的照片進行了實驗，白天照片測試了65張，傍晚的照片測試了60張，夜晚的照片測試了62張，實驗結(jié)果如表1所示。

　　從實驗結(jié)果分析，白天定位準確率較低，原因是陽光的光線照射對車牌邊緣檢測存在干擾，而且更多的邊緣信息導致每張照片定位的平均耗時也相對較長。傍晚的陽光沒有那么強烈，攝像頭能夠捕獲到相對柔和的照片，光線對邊緣信息的干擾會相對減少，因此準確率上升的同時耗時也有所下降。夜晚時，光線明顯不足，導致車牌邊緣信息存在一定的丟失，導致檢測耗時下降和準確率下降。

5結(jié)束語

　　本文提出一種基于低功耗嵌入式系統(tǒng)的車牌定位檢測算法。首先使用Sobel水平算子對車牌圖像進行垂直邊緣檢測，運用形態(tài)學方法對邊緣圖像進行閉運算得到連通圖塊。再根據(jù)連通區(qū)域輪廓確定最小外接矩形，解決車牌位置斷節(jié)問題，從而得到車牌候選區(qū)域，最后根據(jù)車牌結(jié)構特征對提取出的車牌候選區(qū)域進行篩選，得到準確的車牌定位。實驗結(jié)果表明該方法有效，而且在復雜背景下也具有較好的魯棒性和自適應性。

參考文獻

　　［1］ ANAGNOSTOPOULOS C N E, ANAGNOSTOPOULOS I E, LOUMOS V, et al. A license platerecognition algorithm for intelligent transportation system applications［J］. IEEE Transactions on Intelligent transportation systems, 2006, 7(3): 377-392.

　?。?］ 孔繁榮, 丁志剛. 基于嵌入式的車輛牌照識別系統(tǒng)設計［J］. 計算機應用與軟件, 2015, 32(10): 223-226.

　?。?］ 張海霞. 基于ARM的車牌識別系統(tǒng)的研制［J］. 華北電力大學學報, 2012, 18(6): 49-51.