隨著我國城市規(guī)模的急劇擴大，對智能交通系統(tǒng)(ITS)的需求越來越迫切。車牌照自動識別技術(shù)廣泛應(yīng)用于闖紅燈車輛監(jiān)控、停車場管理、電子收費系統(tǒng)等領(lǐng)域。完整的車牌識別系統(tǒng)一般分為3部分：車牌定位、字符分割和字符識別，其中車牌定位技術(shù)是整個車牌識別系統(tǒng)的核心，直接影響整個識別系統(tǒng)的速度和準(zhǔn)確率。
    目前已有的車牌定位算法眾多，包括邊緣檢測、數(shù)學(xué)形態(tài)學(xué)、小波分析、投影法、顏色特征提取和神經(jīng)網(wǎng)絡(luò)等?；谶吘墮z測、數(shù)學(xué)形態(tài)學(xué)及小波分析的方法，定位較準(zhǔn)確，但在背景信息復(fù)雜或車牌上方有引擎散熱孔的圖像中容易產(chǎn)生錯誤定位。而投影法速度較快，很難區(qū)分車牌文字與車燈區(qū)域，因而準(zhǔn)確率低。基于顏色特征和神經(jīng)網(wǎng)絡(luò)的方法定位準(zhǔn)確，但是運算速度慢，并且受天氣、光照及車牌磨損等情況
的影響較大。
    由于以上各種單一方法的明顯局限性，提出了一種綜合邊緣檢測、數(shù)學(xué)形態(tài)學(xué)、彩色特征和投影法的算法，通過質(zhì)心排序去除了引擎散熱孔及其他邊緣豐富區(qū)域的干擾，并通過谷值分析補全車牌區(qū)域。實驗結(jié)果表明該方法克服了以往各種定位方法的缺點，既提高了定位的準(zhǔn)確性，也保證了定位的實時性和魯棒性。

1 車牌識別的粗定位
1．1 邊緣檢測及數(shù)學(xué)形態(tài)學(xué)處理
    由于彩色的車牌中富含的信息量太大，干擾強，故不適合做直接分析。因此，往往將彩色的RGB圖像轉(zhuǎn)成灰度圖再進行處理。待定位的車牌區(qū)域含有較多字符，邊緣量豐富。而車身背景中的邊緣量較少，并不密集。因此，可以用邊緣檢測的方法對灰度圖做預(yù)處理。
    由于邊緣是圖像上灰度變化較為劇烈的地方，在灰度突變處進行微分則會得到突起值，因此，在數(shù)學(xué)上可用灰度的導(dǎo)數(shù)來表示邊緣。而在實際應(yīng)用中往往采用的是邊緣檢測算子，通常使用的邊緣檢測算子有：Sobel算子、Prewitt算子、Roberts算子和Canny算子等。本實驗采用的是Sobel算子，對水平邊緣分量和垂直邊緣分量同時進行檢測。
    數(shù)學(xué)形態(tài)學(xué)的基本思想是利用“結(jié)構(gòu)元素”來收集圖像信息。結(jié)構(gòu)元素可被當(dāng)成探針，當(dāng)探針在圖像中移動時，便可考察圖像各部分之間的相互關(guān)系，從而了解圖像的結(jié)構(gòu)特征。其算法為：
    1)先進行數(shù)學(xué)形態(tài)學(xué)閉運算：其可簡單定義為先膨脹再腐蝕。閉運算一般會將狹窄的缺口連接起來形成細長的彎口，并填充比結(jié)構(gòu)元素小的洞。這樣便可以連接鄰近物體，在不明顯改變物體面積的情況下起到平滑邊界的作用。
    閉運算定義為：
   
    實驗結(jié)構(gòu)如圖1、圖2所示。

    2)再進行數(shù)學(xué)形態(tài)學(xué)開運算，可簡單定義為先腐蝕再膨脹。開運算后完全刪除了不能包含結(jié)構(gòu)元素的對象區(qū)域，平滑了對象輪廓，斷開了狹窄的連接，去掉了細小突出部分。
    開運算定義為：
   
    實驗結(jié)構(gòu)如圖3所示。

1．2 待選區(qū)域的質(zhì)心定位及顏色判斷
    對待選區(qū)域的傳統(tǒng)處理方法有多種，其中包括面積排序，長寬比排序和顏色識別。
    1)面積排序 由于無法保證車牌區(qū)域的邊緣分量最豐富。當(dāng)車體上圖案較多，或車燈紋理較為明顯時，對定位準(zhǔn)確率的干擾很大。
    2)長寬比排序數(shù)學(xué)形態(tài)學(xué)處理后，常常引入了較多符合車牌長寬比特性的區(qū)域。而且當(dāng)車牌角度出現(xiàn)偏差時，長寬比判定的準(zhǔn)確率明顯下降。
    3)顏色識別 在多數(shù)情況下可以識別車牌，但是當(dāng)車體上有較為豐富的圖案且顏色與車牌顏色相近時，顏色識別的準(zhǔn)確率便大大下滑。
    對于絕大多數(shù)汽車來說，車牌基本位于車輛的最底部，而車牌下部不像車身那樣擁有大量文字或圖案，給識別帶來干擾，它形式較為單一，這給識別帶來極大方便。同時，地面因為樣式單一，干擾量更是微小。因此，可采用對候選區(qū)域進行自下而上檢測的方式。
    然而，還需注意的是，車燈往往與車牌區(qū)域平行，其邊緣量也很豐富，故其干擾相對較大?？紤]到車燈多數(shù)為紅色，白色或透明，和車牌顏色相差較大，因此可以用顏色識別來區(qū)分車牌區(qū)域和車燈區(qū)域。故本實驗采用質(zhì)心檢測與顏色識別相結(jié)合的方法。先對待選區(qū)域質(zhì)心的縱坐標(biāo)進行排序，并由圖像最底部向上進行檢測。
    首先，將候選區(qū)域內(nèi)各像素點由RGB模型轉(zhuǎn)為HSV模型，即色度(Hue)、飽和度(Saturation)和強度(Value)。由于直接轉(zhuǎn)成HSV模型后，均勻量化的結(jié)果導(dǎo)致量化數(shù)據(jù)量巨大。而在車牌識別中只需要對特定的幾種顏色進行識別，不需要將各種顏色詳細區(qū)分開來，量化過細反而會造成顏色判斷的歧義，導(dǎo)致結(jié)果失真。因此，可采用非均勻量化的方法來減少量化級別，提高計算效率。同時，非均勻量化還可將相似的顏色歸為同一顏色，大大減小了算法的復(fù)雜度。將色度分為16個等級，飽和度和強度各分3個等級。其算法過程為：
    1)對候選區(qū)域各個像素點的H、S、V值進行統(tǒng)計；
    2)找到H、S、V 3個變量的最大值點H_max、S_max、V_max，這幾個特征值便能代表整個區(qū)域的顏色特征信息；
    3)顏色判斷的算法為
   
    實驗結(jié)果證明，該算法識別準(zhǔn)確率比傳統(tǒng)算法高，能對車身有大量圖案干擾的車輛進行準(zhǔn)確識別。質(zhì)心位置檢測可以排除顏色與車牌相近的車身圖案、標(biāo)志的干擾。顏色識別則可以排除位于車牌附近車燈、保險杠等干擾。

2 車牌識別的細定位
2．1 豎直投影處理
    在粗定位的候選區(qū)域里，常會存在錯誤和誤差。錯誤大多是因為在車牌下部還附帶有文字廣告，警示語等。而誤差的產(chǎn)生大多是由于圖像清晰度低或曝光不足等因素導(dǎo)致的車牌識別中字符間斷裂等情況。
    為解決此類問題，采用豎直分量投影的方法。選取能包含待選區(qū)域且與原圖像等寬的最小區(qū)域的灰度圖，利用以下公式將相鄰2個像素點兩兩進行相減再求和，即可求得該列上邊緣信息的變化情況。
   
    將每一列的投影值均計算出來后，即可作出候選區(qū)域的投影圖，如圖4，5，6，7所示。

    由投影圖可以看出，有字符的區(qū)域有明顯峰值，而字符之間均為谷值。通過該峰谷的交替變換，即可判斷字符的位置和數(shù)量。
2．2 基于字符間隔的細定位
    在實際操作過程中，有時選區(qū)域是由其他字符組成，如廣告或字符圖案，其特征與車牌特征過于相似，導(dǎo)致一般方法很難將其區(qū)分開來。此時，可采用谷值數(shù)量檢測的方法判斷字符數(shù)目來區(qū)分車牌與字符圖案。另外由于圖像曝光等原因，導(dǎo)致字符處出現(xiàn)斷裂，使車牌區(qū)域變成兩個候選區(qū)域。因此，在最終輸出時往往只能輸出車牌的一部分，而不是全部。為了解決字符斷裂的問題，采用谷值跟蹤技術(shù)。即由質(zhì)心點分別向左右兩側(cè)檢測谷值處，并統(tǒng)計谷值的個數(shù)。對于普通車牌，即7個字符，應(yīng)有6個谷值點。當(dāng)檢測到確實為6個谷值點時，則找到車牌，當(dāng)檢測谷值點小于6個時，放寬閾值，繼續(xù)檢測，直到谷值點為6個為止。具體操作過程為：
    1)找到投影圖像的峰值peak，并將整個投影圖像二值化。即：
   
    這樣便可得到二值化的投影圖如圖8所示。

    2)由質(zhì)心處分別向兩邊進行檢測。1值作為起點，當(dāng)檢測到下個點也為1時，再繼續(xù)檢測下個點；當(dāng)檢測到下個點為0時，num_zero=num_zero+1，再繼續(xù)檢測下len個點，若len個點中有一個為1，則把這個點當(dāng)作起點繼續(xù)檢測。若len個點均為0，則最后的1值處即為車牌的端點處。
    3)若num_zero=6，則車牌區(qū)域完整，跳出循環(huán)。若num_zero<6，放寬閾值len_new=1．2*len，再進行檢測。直到len_new=2*len時，若還未跳出循環(huán)，則說明該區(qū)域不是車牌區(qū)域，轉(zhuǎn)入上層循環(huán)，查找下一候選區(qū)域。
    結(jié)果表明，在該細定位的算法下，車牌識別較為準(zhǔn)確，只有少數(shù)車牌出現(xiàn)字符斷裂的情況。出現(xiàn)斷裂的車牌圖像是因為車牌尾字符為數(shù)字1，在做差分投影時，其顯示為谷值，故漏檢一位字符。針對此種情況，將最終定位的車牌邊緣值與初始候選區(qū)域的邊緣值相比較，若投影后的邊緣值小于候選區(qū)域1個字符長度以上，則認為其尾字符在差分投影中被減掉，可將其補上。最終輸出車牌圖像如圖9所示：

3 實驗結(jié)果
    實驗所采用的圖像為640×480像素256級灰度圖像，其中車牌包括小型民用車牌照(藍底白字)、大型民用車牌照(黃底黑字)、軍用牌照(白底黑字)。圖像中車牌所占的大小比例各異，背景不同，其中部分車輛車身有明顯的字符圖案和粘貼的警示語。在集中檢測的80幅圖中正確檢測了77幅，漏檢1幅。誤檢2幅。漏檢圖像由于車牌掉色過于嚴(yán)重，導(dǎo)致最后幾位字符無法檢測；而誤檢的兩幅圖是因為車牌底部有顏色、字符均與車牌相近的廣告語，無法將其與車牌區(qū)分開來。該問題可以在車牌定位之后的字符識別環(huán)節(jié)中可以得到解決。

4 結(jié)論
    本文提出的算法綜合了質(zhì)心檢測排序，顏色判別和投影法字符跟蹤檢測的方法。該算法通過質(zhì)心檢測排序的方法解決了車身上部文字花紋和廣告語、警示語對車牌識別的干擾：通過顏色識別排除了類似車燈區(qū)域等有著高邊緣特性區(qū)域?qū)嚺茀^(qū)域的干擾；而投影法字符跟蹤檢測算法解決了在精確車牌字符定位中字符斷裂、缺損等情況的發(fā)生。該算法定位檢測準(zhǔn)確率高，且抗干擾能力強，在實際應(yīng)用過程中是可行有效的。