基于小波变换的汽车牌照定位算法

2022-10-09

车辆牌照在交通系统管理中有着不可替代的作用, 通过它可以检索车辆的各项重要信息, 记录车辆的违章或用于收费等用途。若能用计算机实时地识别车牌就可以在无需为车辆加装其他特殊装置的情况下实现对车辆的自动监测, 从而给交通系统的自动管理提供了极大的方便。车牌识别过程一般分为车牌图像预处理、车牌定位、字符分割和字符识别四个步骤。其中又以车牌定位最为重要, 车牌定位是整个车牌自动识别算法的基础, 车牌定位的准确与否, 直接决定了后阶段的图像处理的质量与处理速度、识别的精度与识别的速度。

车牌定位算法经过多年的研究, 已经有一些比较成熟、典型的算法, 其中以基于边缘提取[1,2]和基于彩色分割[3]的算法最为常见。基于边缘检测的车牌定位算法总的思想是:考虑车牌区域与非车牌区域有明显的灰度差异, 车牌部分存在着大量的边缘, 而背景部分边缘相对要少的多, 我们把边缘作为区分车牌与背景加以区别, 通过对图像进行边缘检测处理, 使车牌区域信息得到增强, 而相应的非车牌部分得到很大程度的减弱。传统的车牌定位上Sobel算法应用的非常广泛, 主要由于Sobel算子的优点是方法简单、处理速度快, 并且所得的边缘光滑、连续。且Sobel算子在车牌定位上的应用尤其以垂直边缘算子[4]效果最佳。Sobel垂直边缘算子列阵为:

由于天气、光照等一系列因素的影响, 经过Sobel垂直边缘算子的图像也具有不稳定因素, 对车牌区域的定位产生一定困难。本文利用小波变换具有多尺度特性、方向特性和其他特性对车牌图像进行一系列的分析, 对车牌图像进行多尺度分析和Mallat塔式分解, 可以得到原始图象在不同尺度、不同方向上的模糊分量和细节分量, 其中垂直细节含有丰富的车牌信息, 且非车牌区域的噪声得到很好的消除[1,2,3,4,5,6,7]。

1 算法

1.1 图像预处理

由于灰度图像使用比较方便, 对于灰度图像来说所有的RGB都是一样的, 即R=B=G。首先需要将采集到的车辆图像转化为灰度图像, 采用传统的方法将24位彩色图像转化为灰度图像, 具体的转换方法如下式所示:

其中R、G、B分别为24位彩色图像的红色 (R) 、绿色 (G) 、蓝色 (B) 分量、Gray为转化后的图像的灰度值。

1.2 车牌定位

1.2.1 小波变换

小波变换是指将信号展开成小波基函数加权和的形式, 在一维信号展开推广到二维图像情况时, 小波变换具有多分辨率特性。图像的多尺度分析指采用不同分辨率下处理图像中不同信息的方法, 将图像在各种分辨率下的细节提取出来, 得到一个拥有不同分辨率的图像细节序列再进行分析处理。即小波变换多分辨率分析特性提供了利用人眼视觉特性的良好机制, 从而使小波变换后图像数据能够保持原图像在各种分辨率下的精细结构。小波变换应用于图像压缩编码始于1989年, S.G.Mallat提出了小波变换多分辨率的概念, 并给出了用于信号分解和重构的Mallat塔式快速小波变换算法。Mallat塔式快速小波变换算法由Mallat小波分解算法和Mallat小波重构算法构成, 其小波分解公式为:

其中, h, g分别为对应同一小波基的低通滤波器和高通滤波器;ck+1为原图像;为小波变换后的亮度子图像。Mallat算法的小波重构公式为

小波变换作为数字视频处理的工具, 具有以下优势: (1) 不仅保持了原图像的空间特性, 而且能够很好地提取图像的高频信息; (2) 小波具有显著的去相关性和能量相关作用; (3) 小波分量具有方向选择性, 分为水平、垂直和对角方向, 与人的视觉特性相吻合; (4) 通过合理的选择小波滤波器, 可以消除块效应、蚊子效应, 改善图像失真, 获得较好的重建视频。图1为一副原始图像的三级小波系数分解图, 由图可知, 分解级数越高, 小波系数对应的空间分辨率越低。

图1为一级小波分解, 左上保持了原始图像的信息, 右上图是原始图像的水平分量, 左下是原始图像的垂直分量, 右下是原始图像的对角分量。从图中可以观察到小波分解的垂直细节图较好的保留了牌照区域的信息。

1.2.2 直方图波形分析法

车牌二值化是识别图像的一个关键步骤, 其目的是得到鲜明区分目标和背景的二值图。图像的二值化就是把灰度图像变成黑白图像, 选取一个阈值, 当灰度值大于该阈值时令其为白点, 否则为黑点。本文采用直方图波形分析法[7], 试验证明该算法非常有效果。灰度直方图是灰度级的函数, 它包含了丰富的图像信息, 反映了图像的灰度分布情况, 是图像最基本的统计特征。通常, 可根据图像直方图中波峰的数目, 将图像直方图分为单峰直方图、双峰直方图和多峰直方图3种 (见图1) 。

通常, 在复杂交通环境下实时采集的车辆图像, 其图像信息比较复杂, 其直方图一般为多峰直方图。对于多峰直方图图像, 在进行二值化处理时, 可根据实际情况放弃其中一些不起关键作用的小的波峰 (对应于原始图像中无关紧要的细节) 。通常可根据原始图像特点设置一些条件进行区分, 原始图像中对应重要细节部分的直方图波峰应满足波峰具有一定的高度, 波峰与邻近的波谷间有一定的高度差。

把经过sobel垂直边缘算法后的图像和经过小波垂直细节后的图像分别进行直方图波形分析法, 如下图所示, 可见, 经过小波垂直细节后的图像含有用信号较多。

1.2.3 二值形态学

形态学的基本思想是用具有一定形态结构的元素, 去量度和提取图像中的对应形状, 以达到对图像分析和识别的目的。设B (x) 代表结构元素, 对工作空间A (被处理的图像) 中每一点x, 各种形态学运算的功能如下。

(1) 腐蚀 (AΘB) :是一种消除边界点的过程, 结果是使目标缩小, 空洞增大, 可以有效消除孤立噪声点。

(2) 膨胀 (A⊕B) :是将与目标物体接触的所有背景点合并到物体中的过程, 结果使目标增大, 空洞缩小, 可填补目标物体中空洞, 形成连通域。

(3) 开运算 (A○B) :具有滤去小于结构元素的细节的功能。

(4) 闭运算 (A●B) :具有填补小于结构元素的细节的功能。

经过小波变换和二值化后的车牌图像中, 车牌区域特征得到了加强, 但同时也加强了背景中部分噪声。数学形态学中的腐蚀运算具有使目标缩小、目标内孔增大, 以及外部孤立噪声消除的效果, 由于车牌区域内, 主要是一种纵向边缘, 因此, 对预处理后的图像E1, 先采用基于垂直方向结构元素的腐蚀运算来进行滤波, 得:

A2=A1ΘBa×1 (Ba×1为a×1的垂直结构元素) (8)

由于闭运算具有填充物体影像内细小孔洞, 连接邻近物体和平滑边界的作用, 接着采用闭运算来增强车牌区, 使车牌区域成为一个连通区域, 得:

考虑运算效率, 将二维结构元素Bm×n拆为水平和垂直方向的两个一维元素来运算。形态学运算结果如图5所示。

1.2.4 连通区域搜索

接着进行连通区域搜索, 这里采用了一种简便的基于行扫描的搜索方法。先估计车牌高度和宽度, 设分别为pHeight, pWidth。设downline=topline=0, leftver=rightver=0。图像自底向上, 每隔pHeight/3的高度进行一次行扫描 (这样既可确保扫描行必经过车牌区, 又可提高搜索效率) 。初始行下标row=0。搜索实现步骤如下。

(1) 统计第row行经过的连续的灰度值为1的象素点数目total_pixeW, 如果该行满足条件P:total_pixeW≥pWidth, 则记下该列下标col, rightver=col即为车牌水平方向的终点坐标。leftver=col～pWidth即为车牌水平方向的起始坐标点。

(2) 同理统计第col列经过连续灰度值为1的像素点数目total_pixeH, 如果该列满足条件Q:total_pixeH≥pHeight, 则记下该行下标row, downline=row即为车牌垂直方向的终点坐标。Topline=rowl–pHeight即为车牌垂直方向的起始坐标点。

(3) 由此得到牌照的四个坐标, 即可确定该牌照位置。

(4) if (downline+topline≥plateH) {找到一个候选车牌区, 保存相应值, 结束};

else{row=row+plateH/3, 转 (a) 继续搜索}。

(5) 如果未找到目标区域, 则放宽阈值, row=0, 转 (a) , 再搜索一次。

经粗定位后的车牌区域为:行下标∈ (d o w n l i n e, t o p l i n e) , 列下标∈ (l e t f v e r, rihgtver) 。适当向上下左右放宽若干象素, 作为精定位的输入。一般由于车牌区为图像最下端的候选车牌区, 第一个搜索到的目标区基本上为车牌区。

2 结语

车牌定位是车牌识别的重要步骤。本文对车牌的定位做了细致的研究, 基于小波变换对车牌图像进行多尺度变换与Mallat塔式分解, 得到良好的车牌目标区域。该算法实现容易, 真确率高, 具有较好的运用前景。

摘要：根据车牌在图像中的特征, 通过小波变换的多尺度分析与Mallat塔式分解方法可得到图像的高频垂直细节图像, 主要代表车牌的目标区域。同时小波变换还易于消除噪声。然后, 用直方图波形分析法对小波分解后的图像进行二值化。再次, 用二值形态学对二值化后的图像进行一系列形态运算, 得出车牌区域的大致位置。最后, 进行连通域搜索找准车牌位置。试验证明该算法正确率高、快速、易实现。

关键词：车牌定位,小波变换,直方图波形分析法,二值形态学,连通区域搜索