1  引  言

　　車輛牌照識(shí)別( VLPR: V ehic le L icense PlateRecognit iON)系統(tǒng)作為一個(gè)專用的計(jì)算機(jī)視覺系統(tǒng)，能夠自動(dòng)攝取車輛圖像并識(shí)別出車牌。這個(gè)系統(tǒng)可應(yīng)用在公路自動(dòng)收費(fèi)、停車場管理、失竊車輛偵察、門衛(wèi)系統(tǒng)、智能交通系統(tǒng)等不同場合。汽車牌照定位是車牌識(shí)別的難點(diǎn)， 因此， 公路車牌定位算法的研究有著重要而實(shí)用意義。車牌識(shí)別在圖像處理技術(shù)中是典型的先分割目標(biāo)進(jìn)而識(shí)別的應(yīng)用實(shí)例。類似的應(yīng)用包括信封上郵政編碼的分割與識(shí)別、貨運(yùn)列車車型車號(hào)的自動(dòng)分割和識(shí)別、文字的識(shí)別等等。雖然車輛牌照識(shí)別系統(tǒng)是一個(gè)針對(duì)車牌識(shí)別的專用系統(tǒng)， 然而對(duì)它的研究定會(huì)對(duì)上述類似問題的研究起到推動(dòng)作用。

　　關(guān)于車牌定位已有很多方法提出， 如基于數(shù)學(xué)形態(tài)學(xué)的定位方法：基于顏色的定位方法 ， 這種方法主要利用彩色空間的信息， 實(shí)現(xiàn)車牌定位， 包括彩色邊緣算法、顏色距離、相似度算法和基于邊緣的顏色對(duì)方法等; 基于遺傳算法提取汽車牌照的方法：基于神經(jīng)網(wǎng)絡(luò)的車牌定位方法。

　　針對(duì)各種車牌定位算法的優(yōu)缺點(diǎn)， 提出基于DCT變化的車牌定位算法， 該方法在DCT 數(shù)據(jù)中，提取出一種基于加權(quán)頻率的車牌區(qū)新特征， 然后經(jīng)過自適應(yīng)閾值分類， 采用基于投影法的車牌區(qū)分割方法， 直接在DCT 域?qū)崿F(xiàn)車牌的快速定位。該方法可使定位矩形框緊湊地包圍車牌區(qū)域， 有效降低誤檢率， 且運(yùn)算復(fù)雜度較低， 有利于實(shí)現(xiàn)復(fù)雜背景中車牌的快速定位。

　　2  車牌定位算法

　　2. 1  離散余弦變換

　　離散余弦變換( DCT )是利用傅立葉變換的對(duì)稱性， 采用圖像邊界褶翻操作將圖像變換為偶函數(shù)形式， 然后對(duì)這樣的圖像進(jìn)行二維離散傅立葉變換， 變換后的結(jié)果將僅包含余弦項(xiàng)， 故稱之為離散余弦變換。DCT可以將圖像描述為不同幅值和頻率的正弦值之和的形式。對(duì)于一幅典型的圖像， DCT 有這樣的性質(zhì): 許多有關(guān)圖像的重要可視信息都集中在DCT變換的一小部分系數(shù)中。

　　一個(gè)M  N矩陣A 的二維DCT定義如下：

　　數(shù)值Bpq稱為A 的DCT系數(shù)。DCT是一個(gè)可逆變換， 逆變換的定義如下：

　　DCT逆變換方程可以理解為: 任意M  N 的矩陣A 都可以寫成M  N 個(gè)如公式( 3)所示的函數(shù)之和的形式:

　　這些函數(shù)被稱為DCT基本函數(shù)。

　　2. 2  基于DCT 域的特征提取

　　對(duì)于彩色圖像， 圖像預(yù)處理部分首先將輸入的圖像去掉彩色， 進(jìn)行灰度化。利用RGB 空間到灰度的轉(zhuǎn)換公式得到車牌的灰度圖像， 即：

　　其中， f ( x， y )為( x， y )位置像素的灰度值， R ( x，y )、G (x， y )、B ( x， y )為輸入彩色圖像在( x， y )位置像素的紅、綠、藍(lán)顏色對(duì)應(yīng)的彩色信息。

　　預(yù)處理后的圖像經(jīng)DCT 變換后所得到的系數(shù)位置及其幅值所反映的是該變換圖像的空間頻率及其能量。這里， 將圖像劃分為子塊， 子塊的大小為8   8， 對(duì)每個(gè)8   8的子塊進(jìn)行DCT 變換使其能量按頻率集中， 得到的64個(gè)變換系數(shù)， 分別代表對(duì)應(yīng)不同基波頻率分量的大小。

　　若將8   8的DCT系數(shù)劃分為0區(qū)、1區(qū)、2區(qū)、3區(qū)等4個(gè)區(qū)域， 則每個(gè)區(qū)域代表不同紋理的方向:0區(qū)表示的是直流分量(即8   8子塊的平均值) ， 1區(qū)表示的是豎向紋理(即水平方向的頻率變化)， 2區(qū)表示的是斜向紋理(即斜向的頻率變化) ， 3區(qū)表示的是橫向紋理(即豎直方向的頻率變化)。

　　由于車牌字符區(qū)域具有特殊的線條結(jié)構(gòu)， 它基本上可歸為橫向、豎向、斜向的線條組合。在圖像中， 這些線條主要顯示出特殊的紋理特點(diǎn)， 其灰度與背景相差較大， 即邊緣變化較劇烈， 且表現(xiàn)出明顯的豎向、斜向、橫向紋理特征。而在DCT 域中則主要表現(xiàn)為在圖的1、2、3區(qū)的中高頻部分的系數(shù)值較大， 即豎向線條的變換系數(shù)主要集中于1區(qū)， 斜向線條的變換系數(shù)主要集中于2區(qū)( 1區(qū)與3區(qū)也有一定的分布) ， 橫向線條的變換系數(shù)主要集中于3區(qū)，這是圖像所含車牌字符在DCT 域中所表現(xiàn)出的紋理特征?？梢?， 車牌字符區(qū)所具有的特殊結(jié)構(gòu)使其在DCT 域能夠表現(xiàn)出更為豐富的中、高頻DCT 分量。同時(shí)， 車牌字符區(qū)在DCT域表現(xiàn)出明顯的方向性信息。綜合考慮上述兩點(diǎn)， 用一種基于DCT子塊的加權(quán)頻率特征(W eighted Frequency， WF) ， 通過對(duì)不同方向DCT 分量進(jìn)行非線性加權(quán)增強(qiáng)， 如公式( 5)所示， 從而使車牌字符區(qū)特征更加明顯。

　　其中c( i， j)為8   8塊中第i行第j列的DCT系數(shù); i取1~ 8; j取1~ 8， 圖1為輸入車輛圖像及其對(duì)應(yīng)的WF 特征圖?？梢姡?車牌字符區(qū)域的WF 值明顯高于背景。

圖1  輸入圖像及其WF特征圖。

　　2. 3  分類處理

　　在進(jìn)行分類時(shí)， 如果圖像中車牌和背景之間的對(duì)比度較低， 此時(shí)的WF 值會(huì)比較小; 另外， 高頻信息豐富的非車牌區(qū)域背景經(jīng)常也具有較大的WF值。因此， 如果采用固定閾值， 則不利于低對(duì)比度車牌區(qū)域的提取， 同時(shí)也容易將高頻豐富的背景誤認(rèn)為車牌區(qū)域。因此本算法采用自適應(yīng)閾值法進(jìn)行分類， 閾值的設(shè)定如公式( 6)所示。

　　其中aver為整幅圖像的平均WF 值， max 為整幅圖像的最大WF值， m in為整幅圖像的最小WF值， k為經(jīng)驗(yàn)值， 可按公式( 7)進(jìn)行分類。

　　圖2為分類結(jié)果圖， 可以看出， 大量的背景被去除， 車牌區(qū)被很好地提取出來。

圖2  分類結(jié)果圖。

　　2. 4  平滑去噪

　　分類后的二值標(biāo)記圖中， 通常會(huì)存在一些零散的噪聲點(diǎn)， 而真實(shí)車牌區(qū)域只有一個(gè)， 過多的噪聲點(diǎn)往往會(huì)干擾車牌區(qū)域的投影， 引起定位框比實(shí)際車牌區(qū)域大， 或者制造假車牌區(qū)。因此， 在分割之前，需要對(duì)分類結(jié)果圖進(jìn)行平滑去噪。通常的噪聲是一些物體邊緣或紋理較豐富的背景， 形狀大多不規(guī)則且分布較稀疏， 用統(tǒng)計(jì)濾波法， 可減小其影響， 具體方法為: 統(tǒng)計(jì)每個(gè)候選區(qū)域中的像素點(diǎn)數(shù)， 并找出最大的像素點(diǎn)數(shù)， 當(dāng)候選區(qū)域的像素點(diǎn)數(shù)小于一定值時(shí)(本算法中使用候選區(qū)域最大像素點(diǎn)數(shù)的1 /4) ，即認(rèn)為該區(qū)域?yàn)樵肼晠^(qū)域， 將其去除。

　　對(duì)于候選車牌區(qū)中可能會(huì)有的少量凹區(qū)和斷續(xù)， 可以通過游程平滑算法進(jìn)行平滑。所謂游程平滑算法是對(duì)同一掃描行上的黑像素點(diǎn)之間的距離進(jìn)行檢測， 當(dāng)兩相鄰黑像素點(diǎn)之間的空白游程長度小于門限值時(shí)， 則將這兩點(diǎn)之間的空白游程全部填黑。

　　考慮到一條水平掃描線上的一段游程L = (P 1， P 2，……， P i， Pi+ 1，……，P j- 1， P j， ……， Pn ); 其中游程L1 =(P1， P2， ……， P i )和L 3 = (Pj ， ……， P n )是0- 游程(即黑像素游程)， 而L 2 = (Pi+ 1， ……， Pj- 1 )是1 - 游程(即白像素游程)。當(dāng)L2 的長度j- i- 1小于設(shè)定的門限T 時(shí)， 則將兩黑游程L1 和L3 連接起來即把游程L2 的全部像素平滑成黑。在本算法中游程平滑算法運(yùn)用了兩次， 即水平方向和垂直方向各用一次。

　　處理后的圖像如圖3所示。

圖3  平滑去噪處理后。

　　2. 5  投影分割

　　經(jīng)過上述操作后， 某個(gè)區(qū)域內(nèi)一定會(huì)包含實(shí)際的車牌， 為精確定位車牌， 采用投影法分割， 快速定位圖像中的車牌區(qū)域， 并且誤檢率較低。

　　對(duì)于去噪后的標(biāo)記圖， 首先對(duì)其進(jìn)行水平投影，然后對(duì)投影值進(jìn)行分析， 確定出水平基線， 再在水平基線之間進(jìn)行垂直投影， 確定出垂直基線。這樣就可以初步定位出車牌區(qū)。基線的產(chǎn)生依據(jù)下面的規(guī)則: 首先設(shè)定一個(gè)閾值T， 將小于此閾值的投影值置0， 大于此閾值的投影值置1， 然后當(dāng)相鄰?fù)队爸狄粋€(gè)為0， 另一個(gè)為1時(shí)， 即認(rèn)為非零投影值處存在一條基線。在本算法中進(jìn)行了兩次投影， 即水平和垂直投影。確定出水平基線和垂直基線后即可在圖像中劃出矩形框， 標(biāo)出車牌區(qū)域。另外， 為使矩形框緊緊包圍車牌區(qū)域， 在畫基線之前， 首先判斷矩形框各基線上所有像素值之和是否為零， 若為零， 則將基線向靠近矩形中心的位置移動(dòng)直到各基線上所有像素值之和不為零為止。算法的最終定位結(jié)果圖如圖4所示。

圖4  定位結(jié)果圖。

　　3  結(jié)束語

　　本算法通過對(duì)汽車圖像進(jìn)行離散余弦變換( DCT )， 得到DCT 系數(shù)， 并計(jì)算加權(quán)頻率特征， 之后采用自適應(yīng)閾值法， 實(shí)現(xiàn)車牌區(qū)/非車牌區(qū)的快速分類; 再經(jīng)平滑濾波之后， 利用投影法實(shí)現(xiàn)車牌區(qū)域的定位， 有效降低誤檢率， 且運(yùn)算復(fù)雜度較低， 有利于實(shí)現(xiàn)復(fù)雜背景中車牌區(qū)域的快速定位。經(jīng)多次實(shí)驗(yàn)證明， 本算法具有較高的正確檢測率， 部分實(shí)驗(yàn)結(jié)果如圖5所示。