|
基于HSV颜色模型和投影特征的复杂背景下的车牌定位 付禹铭，张洪刚，向奎** 作者简介：付禹铭（1986-4-17），男，硕士，主要研究方向：模式识别与智能系统 通信联系人：张洪刚（1974-5），男，副教授，主要研究方向：网络图像、视频检索及过滤、机器视觉. E-mail: zhhg@bupt.edu.cn （北京邮电大学模式识别实验室） 5 摘要：车牌定位是车牌识别系统的关键技术, 定位的准确与否直接影响车牌识别的结果。针对复杂背景的车牌定位问题, 本文提出了一种颜色和纹理分析相结合的车牌定位算法。该算法采用基于适合彩色图像相似性比较的 HSV 颜色模型,将二维彩色图中不同的颜色分量有选择的转化为不同深度的灰度,最后利用车牌区域投影图跳变特征来准确地定位出车牌。该10 方法较单一特征的定位方法有较好的通用性，可适应于不同背景、不同光照下的汽车图像，能够确定出车牌区域，准确率得到了较大提高。 关键词：车牌定位；颜色特征；投影特征；边缘检测 中图分类号：请查阅《中国图书馆分类法》 15 License Location Based on the HSV Color Model and Projector Features Fu Yuming, Zhang Honggang, Xiang Kui (Beijing University of Posts and Telecommunications,Pattern Recognition and Intelligent System Laboratory) 20 Abstract: As the accuracy of license location will effect the result of the license recognition system, the license location is the key technology of license recognition system. This paper presents an effective license plate location algorithm, which employs color and texture analysis to extract the number plat e from the complicated- background image. The algorithm uses the HSV color model suitable for distinguishing between the similarity of color image, to transform 25 different color components in the two-dimensional color diagram into different grayscales , and finally plate area projection of transition characteristics are used to accurately locate the plate. Compared with the single feature method, the method we proposed has a better universal and it can be used to locate the license plate region in different backgrounds and illumination intensity. Meanwhile, the accuracy has been greatly enhanced. 30 Key words: License Location; Color Feature; Projector Feature; Edge Detection 0 引言 近年来，我国的汽车工业得到了飞快的发展，交通管理成为人们关注的焦点，智能交通控制系统也就应运而生。车牌自动识别系统是实现交通管理智能化的重要环节之一, 研究车35 牌自动识别技术具有重要的实用价值。车牌自动识别主要分为车牌定位和字符分割识别两部分。车牌定位是车牌自动识别系统中关键的一个环节, 车牌定位的精度和速度直接关系到整个系统的性能。目前已经提出了多种车牌定位的方法[1], 有: ①基于彩色图像信息的方法; ②基于灰度聚类的方法 ; ③基于纹理特征的方法 ; ④基于边缘检测的方法 ; ⑤基于遗传算法提取汽车牌照的方法 ; ⑥基于神经网络的车牌定位方法。上述方法尽管在一定的条件下40 能够分割出车牌, 但车牌识别系统大多是在室外进行, 存在许多客观的干扰, 如天气、背景、车牌磨损、图像倾斜等因素, 因此, 定位并不十分理想, 使得后期识别难度增加。而且这些 方法有许多针对性和局限性,适用范围不大。 基于投影法的分割具有算法快速和原理简单的优点，但准确性不高，直接利用投影法定位车牌往往得不到准确结果，因为车牌附近的排气栅格或广告都会影响或混淆车牌，另外有45 时二值化图像并不一定理想，这些会导致误分割或得到多个车牌图像。但投影法却具有原理简单，算法简便易行的特点，所以本文提出了一种基于HSV 颜色空间转化，充分利用各分量提供的信息, 将二维彩色图中不同的颜色分量有选择的转化为不同深度的灰度, 然后对得到的灰度图进行特定边缘算子的边缘化，再对得到的二值化图像进行水平和垂直方向投影[2],最后利用车牌区域投影图跳变特征来准确地定位出车牌。本文介绍的算法流程如图1所示： 50 55 图1 算法流程图 60 1 我国汽车牌照图像的特点及识别难点 根据中华人民共和国机动车登记方法[3]，现有车辆牌照可分为4类：1)蓝底白字，这是小型民用汽车所用；2)黄底黑字，这是大型民用汽车所用；3)黑底白字，这是使、领馆外籍汽车所用；4)白底红字，这是试车和临时牌照。由此可见，我国的汽车牌照的颜色组合是比较丰富的。 65 由于我国的特殊情况，我国的汽车牌照图像的定位有如下的难点：抓拍图像受环境因素干扰，如环境光，光学成像发生衍射；其他字符区域的干扰，牌照难以准确定位；牌照出现污点变脏，笔迹模糊和褪色等；牌照的部分遮挡；运动图像的模糊失真，形成锯齿，也为车牌定位增加了很大难度。 2 图像转化及预处理 70 2.1 将RGB 图像转化为HSV 图像 表达颜色的彩色空间有许多种, 最常见的是RGB 彩色空间, 但是在RGB 彩色模型中各像素值是由R、G、B 三种分量的亮度值叠加而成, 这三种亮度值随光照强度的不同而改变, 而一般汽车图像的光照强度是不定的, 所以用RGB 颜色模型进行车牌识别是很困难的。HSV 颜色模型由色度H、饱和度S、亮度V 三个分量组成。由于这种模型具有线性伸缩性, 75 可感知的色差与颜色分量的相应样值上的欧几里德距离成比例, 因此HSV 颜色模型比RGB 颜色模型更直观、更容易接受。从RGB 空间到HSV 空间的转化公式如下: 设给定RGB颜色空间的值(,,)rgb，则变换到HSV 空间的值(,,)hsv [4] ,设1max(,,)Vrgb 及2min(,,)Vrgb 定义,,rgb 为： 112rVrVV (1) 80 车辆图像 RGB图像转化为HSV图像 将HSV图像不同分量组合转化为3级灰度图 水平算子边缘检测 水平、垂直投影 确定车牌区域 112gVgVV (2) 112bVbVV (3) 85 12121212125()1()1()3()3()5bifrVandgVgifrVandgVrifgVandbVhbifgVandbVgifbVandrVrotherwise (4) 60hh (5) 121VVVs (6) 90 2551Vv (7) 这里，,,[0,255]rgb,[0,360]h, ,[0,1]sv. 2.2 将图像转化为3级灰度图 95 在HSV 空间中, 利用V 分量可以将黑色区域识别出来, 并将其灰度值设为0, 利用H、S 分量可将蓝、黄区域识别出来,将蓝色和黄色区域的灰度值分别设为0和255, 利用V、S 分量可以识别白色区域, 将其灰度值设为255, 将其它颜色信息设为背景, 灰度值设为127, 这样将图像转化为3 级灰度图, 可以快速定位到与车牌颜色有关的区域。通过对大量的色彩分析得出四种色彩所限定的区间范围如表格1所示： 100 表1 色彩分量与颜色对应关系 色度值 返回结果 0.25V 返回黑色 0.3S && 0.6V 返回白色 190245H && 0.3S 返回蓝色 2575H && 0.3S 返回黄色 2.3 边缘检测 图像的边缘是图像的基本特征之一。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变105 化的那些像素的集合。边缘广泛存在于图像中的物体与背景之间、物体与物体之间、基元与基元之间。边缘检测的目的是解决在何处进行搜索的问题。经典的边缘提取方法是考察图像的每个像素在某个邻域内灰度的变化,利用边缘邻域的一阶或二阶方向导数变化规律来检测边缘。常见的边缘检测算子有梯度算子、Roberts算子、Laplacian算子、Krisch算子、Sobel算子、Prewitt算子、高斯- 拉普拉斯算子等[5]。 110 标准车牌上包含7个字符，纹理密集，且垂直方向上的边缘较为丰富。因此，利用边缘检测 算子对灰度图像进行处理，获得车牌字符特征。传统方法常选取经典的差分算子来检测字符边缘，但是效果往往差强人意。考虑到车牌区域的垂直边缘较丰富，本文选择了一种水平边缘算子，通过水平方向上的差分运算来凸显字符的垂直边缘特征。这种算子是14的模板[6]，如下： 115 1,0,0,1XS (8) 图2给出了两种检测算子和本文使用算子的检测结果。如图所示，利用Sobel算子和Barron算子所得到的结果，虽然车牌区域较为突出，但是其它区域的边缘信息也被保留下来120 了，这为后续车牌区域的准确定位带来了很大的干扰。而本文所使用的算子在抑制与车牌无关边缘的同时有效地保留了车牌区域的信息。 (a) 车辆图像 (b) 三级灰度化效果图 125 (c) Barron算子 (d) Sobel算子 (e) 本文边缘算子 图2 差分运算后的图像 130 3 车牌定位算法设计结论 通过分析，综合考虑定位精确度和算法处理速度，本文汽车牌照水平定位采用水平线搜索定位算法，左右定位采用垂直投影定位算法[2]。这种方法优点是对图像中的噪声不敏感，缺点是定位精度不够高。基于此本文提出了一种投影法的改进方法，即结合利用HSV颜色空135 间转化进行选择性灰度化及预处理的投影法。实验证明，通过将此算法既良好地抑制了噪声，车牌边界的定位也比较精确。 3.1 基于水平线搜索的车牌水平定位 基于水平线扫描定位车辆牌照水平位置： 车牌区域的图像灰度是有一定规律的：在车牌部分由于文字与底色的颜色的差别导致车140 牌部分有丰富的边缘。当一条水平扫描线穿过车牌区域的时候，它与图像交点处的灰度值会在较小的区域内呈现有规律的黑白间隔的纹理分布。 逐行扫描整帧图像，记下黑白变化频率较高的行号Lm，其黑白变化次数为m。这样在车牌区域的水平线扫描过程中，我们会得到一些逐行出现的频率变化次数较多的像素位置区间，这些区间就将作为检测车牌位置的候选垂直区域。经过实验，发现其频率变化的范为变145 化是从0.75m到1.25m，这说明水平扫描线处于车牌区域中，由于车牌区域中的字符，字母，数字边缘的不同组合，才导致了频率变化次数不同。但是，车牌区域中黑白变化频率大体是在一个稳定的范围之内，在车牌区域之外的话，频率变化是不稳定的或者是不变的。通过这种方法确定牌照的起始行和结束行后，便可将牌照的垂直区域分割出来。 3.2 基于垂直投影法的车牌左右定位 150 经过车牌区域的水平定位，我们得到了牌照的垂直区域。针对水平定位过的车牌图像，本文利用垂直投影来确定牌照的左右边界。 对图像统计可得：车牌区域共有7个字符，一个字符大约为9～11象素宽度，字符间隙大约为2～4象素宽度，牌照的宽度大约为150～160象素宽度。对水平扫描所得的各个垂直区域进行垂直投影，在投影图上呈现“峰-谷-峰”的分布。 155 对投影图从底向上进行水平右扫描，发现在牌照区域之内，每一条扫描线上的变化频率比较稳定，在牌照区域之外，变化很小或者基本不变化。垂直方向定位分为以下几步： 1)对投影图从底向上进行水平右扫描，同时满足以下三个约束条件即为牌照的左边界起点： 学术论文网Tag：代写硕士论文 代写论文 代写MBA论文 代写博士论文 |
