车牌内存的作用

文章编号:!
"#$%&'(!
('&&")&'%&&)*%&+基于模糊集的车牌提取方法白利波,郝晓莉,李杰(北京交通大学电子信息工程学院,北京!
&&&)))摘要:利用了车牌的颜色特征与纹理特征,提出一种新的基于模糊集的车牌提取方法,该方法用图像颜色对区域检测、颜色对边缘检测、色度峰值统计及密集小边缘增强,使用模糊集算子综合它们的结果,精确提取出车牌,实验结果表明:对在不同条件下拍摄的图像应用本方法,车牌提取准确率达到(*,&-,特别地对光照不均、背景复杂的图像,本方法仍具有很强的鲁棒性,关键词:车牌提取;颜色对区域检测;颜色对边缘检测;模糊集;隶属度函数中图分类号:.
/$(!
文献标识码:0!
"#$%&$'()*$+,*-)#*".
%/$*0.
12)&$1.
%345567$*!
"#$%&'(,)"*+%,(&-%,$#.
%/(1234454675829:4;;@;64:A>9494;BF;)89&*-)#*:.
3J8:J:8=8;9=>;8K5988L9:>29=84;6NOOH=89MH8AJ54H:>298:;98L9N:823>:>298:98,.
38J:4J4=8A8934>JJ5;28A>L9;558B88;3>;28A8;994B8=,>;938:8=N59=>:898MH6NOOH=894J8:>94:==493>9938598=24N5M88L9:>298>22N:>985H,.
38A8934B8=9>Q8;N;8:G>:;938:8=N59==34K93>9938>G8:>B8>22N:>2H465988L9:>2955H,938A89345=4:4MN=994B8=K92QB:4N;,:$6;.
-1&:5988L9:>29;B,24A郝晓莉(!
(#&—),女,内蒙古呼和浩特人,副教授,第$&卷第'期'&&"年)月北京交通大学学报EUFSV0RUWC7@E@VXE@0U.
UVXFV@Y7S1@.
ZY45,$&V4,'0J:,'&&"http://www.
paper.
edu.
cn中国科技论文在线边缘检测和颜色分割方法所无法比拟的优势!
!
算法原理国内"##$式机动车牌照具有固定的颜色组合方案[%],即蓝白、黄黑、黑白、红白、红黑五种颜色组合,这种固定的颜色搭配是车牌极为重要的特征,以下将以最常见的蓝底白字白边框的民用车牌为例说明本车牌提取算法,只要增加算法中的颜色系数种类即可提取其它类型车牌,算法流程见图"!
图"算法流程图&'(!
")*(+,'-.
/0*+12.
3,-基于车牌固定颜色搭配的重要特征,本算法在456(478,53-7,3-'+9,69-89:'-;)空间中生成表征车牌底色、字符颜色和其它颜色的三级灰度图,计算颜色对区域的钟形隶属度函数!
另外,在(*78)空间中设计了对车牌颜色搭配边缘敏感的颜色对边缘检测算法,计算颜色对边缘的高斯形隶属度函数!
最后,使用模糊有界积算子将颜色对区域隶属度函数和颜色对边缘隶属度函数综合,初步定位车牌!
相对于目前单纯使用颜色分割的车牌提取方法,颜色对区域检测更加有效地利用了车牌颜色搭配特征;而颜色对边缘检测算法是文献[@]中检测思想的改进,对颜色搭配边缘定义更加精确,因此提取出的边缘比一般灰度或彩色边缘检测算法少了许多,更适应于检测#$式车牌!
对初步定位结果进行色度统计,峰值对应输入图像中车牌蓝底色分量!
为精准定位车牌边框,略扩大搜索范围,根据所得的色度统计峰值对其进行阈值量化!
另外,车牌的A个字符区域是小边缘密集区域,所以,使用自定义的边缘增强算子对扩大区域中进行小边缘增强!
最后,利用模糊代数积算子将两者综合精确提取出车牌!
通常使用的:+B8*、,+B8,-:和C,81'--边缘检测算子适用于一般性边缘检测,对于车牌提取工作而言其选择性不好!
本文作者提出的边缘增强算子对于孤立大边缘具有一定平滑作用,而对于车牌中的密集小边缘比较敏感,有利于精确提取出车牌!
"车牌检测算法"!
!
颜色对区域检测彩色数字图像处理主要在空间和456空间中实现,其中456模型可在彩色图像中从携带的彩色信息(色调和饱和度)里消去强度分量的影响,强度概念反映了亮度,因此456模型对于开发基于彩色描述的图像处理方法是个理想的工具[D],这对光照条件不确定的车牌检测系统具有重要意义!
首先,将输入图像转换为456模型,其色调、饱和度、强度分量分别用!
(",#)、$(",#)、%(",#)表示,使用色调和饱和度分量可以将类似于车牌蓝底色的区域分出,字符白色无色调意义可用饱和度和强度分量区分&因此,选取一定数量蓝白车牌图像样本,统计其中蓝底色像素色调与饱和度分量的均值和方差分别记为:'4与'5B、!
4与!
5B,统计其中白色字符像素饱和度与强度分量的均值和方差分别记为:'51与'6、!
51与!
6&其关系式为'4(!
4!
!
(",#)!
'4)!
4(")'5B(!
5B!
$(",#)!
'5B)!
5B($)'51(!
51!
$(",#)!
'51)!
51(@)'6(!
6!
%(",#)!
'6)!
6(E)对456模型图像中满足式(")和式($)的像素点标记为灰度*B,满足式(@)和式(E)的像素点标记为灰度*1,其它像素则标记为*+,并设F"*B!
*1!
*+""&由此得到三级灰度图+(",#)&将三级灰度图+分割为若干小区域,其中,G-为任一区域&实际车牌的蓝底色区域与白色字符区域的面积之比具有一定范围,考虑图像可能倾斜扭曲及小区域不可能精确按整体比例分割车牌,该比值范围应略扩大,记为[.
",.
$]&令/B和/1分别表示蓝、白色像素点数在车牌小区域中所占比例,则/B应满足下式.
"").
"!
/B!
.
$").
$(%)与/B上下界相对应,/1应满足下式"").
"#/1#"").
$(D)对三级灰度图+中各小区域像素点求加和均值,记为#E第$期白利波等:基于模糊集的车牌提取方法!
"!
#·$!
%"#!
&"$'(%,&),若某小区域属于车牌,其!
值上、下限分别记为("和(#,根据其蓝白色像素面积比值范围,可得("和(#分别为("")$·*!
!
+*!
+)%·!
!
+*!
,(#")$·*&!
+*&+)%·!
!
+*&'当#($小区域处于车牌中时,它可以同时包含一定数量的车牌蓝底色和字符白色,所以在车牌小区域其!
值主要处于[(#,("]的区间内;而在颜色较单一的非车牌区,包含相当数量蓝白色像素的小区域很少,也不会像车牌那样密集,所以其!
值较少处于区间[(#,("]内,为准确表征小区域像素点属于车牌区域的程度,对三级灰度图'进行模糊化,也即计算其颜色对区域隶属度函数-'(.
,/),选用具有区间峰值且平滑的广义钟形隶属度函数,定义-'(.
,/)"!
!
+!
#·$!
%"#!
&"$'(%,&)012&3())钟形隶属度函数运算在像素点(.
,/)周围,#($小区域进行,因为车牌是一个长条形区域所以取##$,式())中1和2分别是广义钟形隶属度函数的中心和宽度;3通常是正整数,用来控制交叉点处的斜度,图像中每个点的隶属度函数-'(.
,/)表征了该像素点属于车牌的程度,其值愈大表示该像素点属于车牌的可能性愈大,最后将-'归一化为-!
,即-!
(%,&)"-'(.
,/)0*+,(-'(.
,/))*-.
[-'(.
,/)0*+,(-'(.
,/))](/)!
,!
颜色对边缘检测通过边缘检测来定位车牌的方法一般是在灰度空间或彩色空间将所有边缘检测出,然后根据车牌区域是边缘密集区的先验知识来判断是否为车牌,但是,当背景或是车身其它区域较为复杂时,这一方法误识率很高,本文充分地利用了车牌区域内边缘的固定颜色搭配特征,设计颜色对边缘检测算法,可以有效地突出符合车牌颜色搭配边缘像素点,削弱其它边缘,仍以蓝白车牌为例,输入012图像归一化为4(%,&),令(5,6,3)代表归一化图像的红绿蓝分量值,车牌白色字符像素的5、6、3分量值都接近于!
;而蓝底色由于褪色、灰尘覆盖及摄像设备引起的失真等原因其饱和度不为!
,即并不是纯蓝色而是介于蓝色和青色之间的一种深蓝色,所以其3分量会较5、6分量大,且6分量也会比5分量大,因此,如果像素(%,&)是蓝白边缘点,则其蓝分量梯度较红、绿分量梯度小,绿分量梯度较红分量梯度小,而且三个分量梯度的符号是相同的,在5、6、3三个分量图中分别算其梯度图,记为:$5(%,&)、$6(%,&)、$3(%,&),并且用7(8)表示数值8的符号,所以将满足下式的像素点称为蓝白边缘像素点,即9$3(%,&)9#9$5(%,&)9(3)9$3(%,&)9#9$6(%,&)9(!
4)9$6(%,&)9#9$5(%,&)9(!
!
)7($5(%,&))57($6(%,&))57($3(%,&))(!
&)由于车牌区域包含着密集的蓝白边缘,而其它区域则较少,所以做颜色对边缘检测较容易突出车牌区域,令满足条件的蓝白边缘像素点处幅值为*+,(%$5(%,&)%,%$6(%,&)%,而其它不满足条件的像素点处幅值为零,得到蓝白边缘图,前部车牌宽高比为6,!
7(考虑到摄像倾斜等原因,宽高比可取!
,6!
6,8)[7],它是横向伸展的,使用横向扩展结构元对蓝白边缘图进行横向膨胀,可以提高整个车牌区域的边缘信息,而其它区域由于蓝白边缘不密集所以此操作对其影响不大,横向膨胀后的蓝白边缘图记为*(%,&),根据以上分析可知,像素点(%,&)属于车牌区域的可能性大小是根据以下三个条件来判断的,(!
)像素点(%,&)周围#($区域内是否有大量的蓝白边缘;(&)周围蓝白边缘像素点处幅值是否足够大;(6)周围蓝白边缘与中心像素点(%,&)之间的距离是否足够近,因此,像素点(%,&)属于车牌区域的程度可以通过计算其周围#($区域内边缘点幅值与距离加权来表征,为准确表征边缘像素点属于车牌区域的程度,对横向膨胀后的蓝白边缘图*进行模糊化,也即计算其颜色对边缘隶属度函数-*(.
,/),选用平滑的高斯形隶属度函数,定义为-*(.
,/)"!
%"#!
&"$*(%,&)·9.
:0:(%,&)()!
(!
6)式中,#($是以像素点(.
,/)为中心的一个邻域,考虑到车牌是一个长条形区域所以取##$,:(%,&)5(.
;%)&"%=@AABCCD""7E-,#FAB$8G#@$'+第!
期白利波等:基于模糊集的车牌提取方法它边缘被削弱!
图"(#)是使用模糊有界积算子将!
$和!
%进行模糊综合的结果,值得注意的是,图像中的非车牌细节几乎均被抑制!
图"(&)是初步提取得到的车牌,边框定位还不够准确!
图"(')是扩大区域饱和度分量图,车牌底色和字符的对比度较其它区域强!
图"(()是纵向小边缘增强图,有针对性地增强车牌区域的密集型纵向小边缘,同时平滑车身孤立大边缘!
图"())是精确提取得到的车牌!
在"**幅图像中无效定位的+幅图像中,%幅是由于车牌褪色严重且图像有很大的倾斜扭曲,而找不到目标车牌;剩余,幅是由于背景中包含有比车牌更为明显的蓝白色搭配广告牌,而定位错误!
对于前一种漏识现象,可以通过改进摄像设备或加强车牌管理执法来减小错误率;对于后一种误识现象,可以采用"识别-反馈"法,将字符识别结果再反馈给牌照定位算法,以确定真正的牌照区域!
图"车牌提取过程.
/0!
".
123'4#56271/')89):1#6));65#'6/28!
结论($)基于模糊集理论,本文作者提出一种精确而稳定的车牌提取方法!
该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点,充分利用车牌颜色对区域特征、颜色对边缘特征及小边缘的高密集度等信息,将车牌特殊的颜色特征和纹理特征相结合,准确地提取出车牌!
(%)引入的先验阈值很少且限制条件很宽松,对于不同光照条件、背景复杂度、车型及颜色具有很强的鲁棒性,具有传统边缘检测和颜色分割方法所无法比拟的优势!
(")下一步需要改进的工作是:当图像中有类车牌物体时,如何在不影响算法实时性的前提下,引入其它诸如颜色跳变数、长宽比等车牌特征,更有效地区分出车牌!
参考文献:[$]4@8-A/8,B/C4#80-:/80!
D.
#96B/E')89)F1#6)G;65#'6/28H)642(28C2A:1);=DYZ]/,)6#1!
DY2^)1D::52#'4725_)4/'1)B/')89)F1#6)B2'#6/28<#9)(28G(0)-'2125F#/5[@]!
C4/8)9)@258#127C2A:6)59,%**,,%R,(%):%*,Q%*O!
(/8C4/8)9))[P]中华人民共和国公共安全行业标准!
中华人民共和国机动车号牌[L]!
ZD"+QN%,北京:中国标准出版社,$NN%!
H2625_)4/'1)YA&)5F1#6)27K4)F)2:1)'9S):&1/'27C4/8#[L]!
ZD"+QN%!
<)/X/80:L6#8(#5(9F5)9927C4/8#,$NN%!
(/8C4/8)9))[+]Z28'#1)'SC,W22(9SG!
数字图像处理[H]!
第%版!
阮秋琦,阮宇智译!
北京:电子工业出版社,%**"!
%""Q%"P!
Z28'#1)'SC,W22(9SG!
[/0/6#1JA#0)F52')99/80L)'E28(G(/6/28[H]!
%8()6!
S#8]/-\/,S#8V-'4/,K5#8!
<)/X/80:F&1/94/80=29)27G1)'6528/'9J8(965M,%**"!
%""Q%"P!
(/8C4/8)9))%P北京交通大学学报第"*卷