車牌識(shí)別(LPR)技術(shù)是計(jì)算機(jī)視覺、圖像處理技術(shù)與模式識(shí)別技術(shù)的融合，是智能交通系統(tǒng)中一項(xiàng)非常重要的技術(shù)。一般說(shuō)來(lái)，車牌識(shí)別前期的處理技術(shù)至關(guān)重要，其前期技術(shù)包括：車牌的定位、車牌圖像的二值化及字符分割。本文主要針對(duì)車牌定位算法進(jìn)行研究。
　　車牌定位就是在車輛圖像中定位牌照區(qū)域的位置。由于車輛圖像都采集于自然環(huán)境中，而在自然環(huán)境中車牌和背景的成像條件一般是不可控制的，隨機(jī)變化的因素(尤其是光照條件)和復(fù)雜的背景信息給目標(biāo)搜索帶來(lái)巨大困難。不同光照下，車牌的顏色、亮度、明暗對(duì)比度都有很大變化；背景信息通常比車牌信息更加復(fù)雜，某些背景區(qū)域又可能與車牌區(qū)域差異不大；再加上攝像距離、角度的不同，要從種種干擾中區(qū)別出目標(biāo)是十分困難的。而車牌區(qū)域在整幅圖像中所占的比例較小，要從整幅圖像中定位車牌區(qū)域必然要在大量的背景信息中搜索，而且由于應(yīng)用的特殊性,要求快速、準(zhǔn)確地完成車牌定位。如果沒有高效率的搜索方法，就需要耗費(fèi)很多計(jì)算時(shí)間和存儲(chǔ)空間。所以車牌定位技術(shù)一直以來(lái)是一個(gè)難點(diǎn)，是車牌識(shí)別系統(tǒng)的一個(gè)關(guān)鍵技術(shù)環(huán)節(jié)。
　　目前，已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個(gè)共同的出發(fā)點(diǎn)即通過(guò)牌照區(qū)域的特征來(lái)判斷牌照。根據(jù)不同的實(shí)現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為兩類[9]：直接法、間接法。
　?。?）直接法：直接分析圖像的特征。例如，文獻(xiàn)[1]提出一種基于線模板的二值化圖像中的角檢測(cè)算法。該算法利用車牌的邊框角點(diǎn)，檢測(cè)車牌的四個(gè)角點(diǎn)，并以此來(lái)定位車牌。文獻(xiàn)[2]介紹一種基于直線邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。文獻(xiàn)[3]介紹利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。文獻(xiàn)[4]利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無(wú)用的信息和噪聲，以定位車牌。
　?。?）間接法：主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計(jì)算是當(dāng)前研究熱點(diǎn)之一。文獻(xiàn)[8]提出利用BP神經(jīng)網(wǎng)絡(luò)定位車牌,文獻(xiàn)[5]提出利用DTCNN(Discrete-Time Cellular Neural Network)和模糊邏輯結(jié)合的方法。文獻(xiàn)[6]利用多層感知器網(wǎng)絡(luò)(MLPN)對(duì)車牌進(jìn)行定位。文獻(xiàn)[7]提出利用遺傳算法定位車牌，它利用遺傳算法對(duì)圖像進(jìn)行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造的適應(yīng)度函數(shù)，最終尋找到車牌的牌照區(qū)域的最佳定位參量。
　　通過(guò)分析和觀測(cè)得知，與汽車圖像中其他區(qū)域相比，車牌區(qū)域主要有以下特征：
　　(1)車牌字符區(qū)域中的垂直邊緣較水平邊緣相對(duì)密集，而車身其他部分(如保險(xiǎn)杠等)的水平邊緣明顯，垂直邊緣較少。另外，車牌一般懸掛在車身上較低的位置，其下方基本上沒有明顯的邊緣密集區(qū)域。
　　(2) 有明顯的邊框，在其內(nèi)部規(guī)則地排列著一系列的省名縮寫(漢字)、地區(qū)代號(hào)(英文字母)和5位字母/數(shù)字編號(hào)(普通民用車輛)。底牌與字符的顏色主要有藍(lán)底白字、黃底黑字、黑底白字和白底黑字(或紅字)四種。隨拍攝角度和車牌自身污損程度的不同，所采集到的車牌邊框經(jīng)常出現(xiàn)傾斜、斷裂等現(xiàn)象。
　　因此直接定位法是利用邊框特性（利用特征2）以模板匹配的方法尋找牌照的四個(gè)角來(lái)定位或者尋找車牌邊框直線定位車牌以及利用牌照區(qū)域的灰度變化頻率（利用特征1）來(lái)定位。
　　由于車牌邊框有時(shí)有污染，相對(duì)來(lái)說(shuō)車牌字符區(qū)域灰度頻率變化是車牌區(qū)域最穩(wěn)定的特征，所以本文提出一種利用車牌字符區(qū)域灰度變化頻率的方法定位車牌,即基于邊緣檢測(cè)和掃描線相結(jié)合的車牌定位算法。該算法的思想是首先對(duì)車輛圖像進(jìn)行邊緣增強(qiáng)，再利用水平掃描線進(jìn)行車牌區(qū)域的檢測(cè)。
1 車牌定位的預(yù)處理
　　圖像預(yù)處理的作用是突出圖像中的有用信息，不同的圖像預(yù)處理對(duì)應(yīng)于不同的圖像分割以獲得最佳的車牌特征。車牌定位預(yù)處理目的是突出車牌區(qū)域的特征，抑制其它無(wú)用的特征。車牌區(qū)域的主要特征之一是垂直邊緣較密集。所以本文提出增強(qiáng)垂直邊緣的差分" title="差分">差分算子進(jìn)行垂直邊緣增強(qiáng)。
　　為了不失一般性，本文對(duì)灰度圖像進(jìn)行研究。由于本文采集的圖像是彩色圖像，所以要把彩色圖像轉(zhuǎn)化為灰度圖像。為了減少不必要的彩色－灰度轉(zhuǎn)化的運(yùn)算，本文只對(duì)輸入的彩色汽車圖像的綠色分量作處理。
　　邊緣檢測(cè)的算子很多。例如：如Sobel算子、Roberts算子、Prewitt算子、Laplacian算子等。Sobel、Roberts、Prewitt、Laplacian算子都不是專門用于檢測(cè)垂直邊緣的，且運(yùn)算量較大。雖然可以只用它們的垂直邊緣檢測(cè)算子，但是相對(duì)而言，運(yùn)算量還是比較大。為此，本文專門設(shè)計(jì)了一個(gè)水平模板算子，即 [1，1，1，…,1，1，1，1]。該算子與圖像進(jìn)行卷積然后再與原圖像作差分運(yùn)算，當(dāng)差分值大于某一門限值就認(rèn)為它是邊緣目標(biāo)，否則是背景。
　　水平模板即 [1，1，1，...，1，1，1，1]，它與圖像進(jìn)行卷積相當(dāng)于對(duì)圖像水平方向進(jìn)行低通濾波，再與原圖像差分，其目的是突出圖像的垂直方向的高頻信息(相當(dāng)于對(duì)圖像進(jìn)行高通濾波)。由于該算子可以做增量運(yùn)算，也就是在計(jì)算局部平均值時(shí)，先計(jì)算水平方向窗口內(nèi)各點(diǎn)之和，將前次運(yùn)算的結(jié)果減去窗口最左邊點(diǎn)的值再加上右邊新一點(diǎn)的值。這樣可以減少求和運(yùn)算次數(shù)，所以其運(yùn)算量比Sobel算子少。
　　算子描述如下：
　　
　　式(1)的左半部分是水平模板，即[1，1，1，...，1，1，1，1]與圖像進(jìn)行卷積，右半部分可理解為原始圖像。它們進(jìn)行差分是式(1)的運(yùn)算結(jié)果。
　　由于可以做增量運(yùn)算，所以算子的長(zhǎng)度對(duì)運(yùn)算量影響不大。在這里取9，其目的是與字符筆劃的寬度相符。
　　從圖1可以看出：圖像進(jìn)行卷積然后再與原圖像作差分的數(shù)據(jù)，只有車牌區(qū)域、車輪、車燈等灰度突變處值相對(duì)較高，而其它幾乎為零。通過(guò)對(duì)整幅圖像的處理，得到車輛圖像的二值化圖像如圖2（a），對(duì)差分圖像進(jìn)行二值化，結(jié)果如圖2(b)（其中閾值取10）。

2 車牌的預(yù)定位
2.1 長(zhǎng)程" title="長(zhǎng)程">長(zhǎng)程濾波與顆粒濾波^[10]
　　(1)長(zhǎng)程濾波
　　從圖2（b）可以看出預(yù)處理后很多邊緣點(diǎn)連接成長(zhǎng)程帶狀曲線（特別是在車輪、車窗）。而車牌區(qū)域不會(huì)有這種情形。如果不作相應(yīng)處理，就會(huì)給車牌定位帶來(lái)干擾。因此，在定位前應(yīng)當(dāng)先作長(zhǎng)程濾波。
　　長(zhǎng)程濾波算法基于這樣的思想：如果許多點(diǎn)連綴成一個(gè)長(zhǎng)程曲線L，那么長(zhǎng)程濾波器考察L在x方向和y方向的空域延展程度。如果超過(guò)閾值，即將所有屬于L的候選點(diǎn)從候選點(diǎn)集合中濾掉。
　　(2)顆粒濾波
　　長(zhǎng)程濾波后，圖像中仍有許多候選點(diǎn)集結(jié)成小型的彼此分離的顆粒狀，而車牌區(qū)的候選點(diǎn)一般不會(huì)有這種情況。由此進(jìn)行了顆粒濾波處理，濾掉顆粒噪聲。
　　由此本文定義兩個(gè)模板：擊不中模板、擊中模板，如圖3所示。只要擊中模板和圖像乘積大于一定閾值，而擊不中模板與圖像乘積小于一定閾值就把擊中模板內(nèi)的圖像全置為零。
　　顆粒濾波基于這樣的想法：對(duì)于某一個(gè)候選點(diǎn)顆粒狀集合，在它周圍一定存在一個(gè)小矩形區(qū)(矩形區(qū)的大小與所考察的顆粒粒度有關(guān))，這個(gè)小矩形區(qū)的四周，包含非常少的候選點(diǎn)(理想情況是沒有候選點(diǎn))。那么，對(duì)全圖進(jìn)行小矩形區(qū)掃描，檢查矩形區(qū)周邊上的候選點(diǎn)個(gè)數(shù)是否小于閾值。如果小于，則認(rèn)為該矩形區(qū)內(nèi)的所有候選點(diǎn)形成了孤立的顆粒狀集合，抹去這些點(diǎn)，就達(dá)到了顆粒濾波的目的。由于顆粒大小不一，可以進(jìn)行若干次不同粒度的顆粒消抹。對(duì)圖2（b）進(jìn)行長(zhǎng)程濾波與顆粒濾波后的處理結(jié)果如圖4所示。

2.2 車牌的預(yù)定位
　　本文利用了車牌字符的連續(xù)特性。車牌區(qū)域有連續(xù)7個(gè)字符，而且字符與字符之間的距離在一定范圍內(nèi)。本文定義從目標(biāo)到背景或者從背景到目標(biāo)為一個(gè)跳變" title="跳變">跳變。牌照區(qū)域相對(duì)于其它非車牌區(qū)域跳變多，而且間距在一定范圍內(nèi)和跳變次數(shù)大于一定次數(shù)。通常為14以上，因?yàn)檐嚺浦泻?個(gè)字符，每個(gè)字符有兩個(gè)以上跳變，為了防止字符的斷裂、模糊、車牌傾斜等的影響，本文保守起見采用10。
　　因此本文掃描線在二值化圖像中掃描定位車牌(一般來(lái)說(shuō)車牌都在車輛的下部，與車牌文字類似的文字干擾大多在上部)，采用從左到右、從下到上的順序掃描。算法如下：
　　從下到上的順序掃描，對(duì)圖像的每一行進(jìn)行從右向左的掃描。
　　(1) 碰到跳變點(diǎn)記錄下當(dāng)前位置，如果某行有連續(xù)10個(gè)跳變點(diǎn)以上，并且前一個(gè)跳變點(diǎn)和后一個(gè)跳變點(diǎn)的距離在一定范圍內(nèi)，就記錄下起始點(diǎn)和終止點(diǎn)位置；
　　(2)如果連續(xù)有十行以上這樣的跳變點(diǎn)，并且相鄰上下行的起始點(diǎn)和終止點(diǎn)相鄰。就認(rèn)為該區(qū)域是車牌預(yù)選區(qū)域。圖5顯示一幅典型的車輛圖像的定位結(jié)果圖。

　　從定位結(jié)果看，本定位算法還適合車輛圖像中包含多車牌的情況，而且定位速度受多車牌影響不大。雖然車燈和車上的字符（包括車牌、車燈等垂直邊緣豐富的區(qū)域，以及繳費(fèi)車牌等）也可能定位為預(yù)選區(qū)域，但是由于它們大都在車牌的上方，本文又采用從下而上的方式對(duì)預(yù)選區(qū)域進(jìn)行篩選，所以對(duì)定位速度影響不大。在99％以上的情況下遇到的第一個(gè)預(yù)選區(qū)域是車牌區(qū)域如圖6(a)、(c)，很少有象圖6（b）的情況?；谶@種情況，本文這樣設(shè)計(jì)定位策略：若要求實(shí)時(shí)處理，就只選取第一個(gè)預(yù)選區(qū)域，把它送入切分和識(shí)別模塊；如果不要求實(shí)時(shí)性，就可以把各個(gè)預(yù)選區(qū)域分別送入切分和識(shí)別模塊。同時(shí)對(duì)于2000式車牌（圖6（c）），本文算法也能準(zhǔn)確定位。對(duì)于2000式車牌中上排的字符，只能通過(guò)切分模塊反饋獲得車牌左右邊界的進(jìn)一步定位^[9]。

　　對(duì)大多數(shù)車輛來(lái)說(shuō)車牌定位非常準(zhǔn)確，但是對(duì)某些車牌來(lái)說(shuō)，特別是貨車的車牌，牌照很有可能與附近的汽車紋理輪廓的某些區(qū)域發(fā)生了粘連，所有這些區(qū)域均構(gòu)成了候選牌照區(qū)。因此為提取正確車牌區(qū)域，必須設(shè)法去除虛假候選牌照區(qū)，從粘連的候選牌照區(qū)和復(fù)合塊中分離出真正的牌照區(qū)。在實(shí)際場(chǎng)景中，用上述算法預(yù)選的區(qū)域粘連都是與車牌左右兩邊的一些紋理輪廓粘連，幾乎不與車牌上下部分粘連（由于算法只利用垂直邊緣），所以前面定位的預(yù)選區(qū)域的高度就可以近似為車牌的高度，可以依據(jù)車牌的先驗(yàn)知識(shí)，根據(jù)牌照字符高寬比,可估計(jì)出牌照字符寬度CharWidth。在此可以參看文獻(xiàn)[9]的算法。該算法通過(guò)牌照字符寬度估計(jì)出牌照寬度Platewidth(對(duì)于普通車牌一般取10×CharWidth),同時(shí)根據(jù)牌照區(qū)圖像的垂直邊緣圖在牌照字符處高度集中,而在其他地方相對(duì)分散的紋理特征和估計(jì)出的牌照寬度來(lái)自動(dòng)搜索牌照字符區(qū)域所在的位置，即真正車牌區(qū)域邊緣向下投影為最大。具體步驟可參看文獻(xiàn)[9]。
　　采用該方法對(duì)圖7進(jìn)行了牌照左右邊界確定,結(jié)果如圖8所示。白色矩形框，是車牌的預(yù)選區(qū)域?？梢钥闯銎滠嚺婆c車燈粘連，根據(jù)預(yù)定位的長(zhǎng)寬比大于一定數(shù)值，就認(rèn)為車牌和車燈等區(qū)域粘連。運(yùn)行上述算法，進(jìn)一步確定車牌左右邊界。結(jié)果如圖8所示。

3 實(shí)驗(yàn)結(jié)果
　　部分車輛圖像定位結(jié)果如圖9所示。