基于多层边缘约束与区域合并部分遮挡车牌定位方法.docVIP

基于多层边缘约束与区域合并部分遮挡车牌定位方法 　　摘 要：针对现有方法对遮挡车牌识别率过低的难题，提出了一种基于多层边缘约束与区域合并的部分遮挡车牌定位方法。该算法首先以边缘方向和颜色对约束对边缘进行筛选，采用自动扫描线法确定候选区域，最后对候选区域进行筛选与合并，实现遮挡车牌的定位。实验表明，该算法对4位以下两端遮挡车牌定位的成功率在90%以上，对4位以下中间遮挡定位的成功率在85%以上。 　　关键词：车牌定位；遮挡车牌；边缘约束；区域合并 　　DOIDOI：10.11907/rjdk.151306 　　中图分类号：TP317.4 　　文献标识码：A 文章编号：1672-7800（2015）007-0196-04 　　0 引言 　　车牌识别（License Plate Recognition，LPR）技术作为智能交通系统的核心技术，是车辆管理、交通稽查、不停车收费以及停车管理等系统自主运行的关键。车牌识别系统一般由车牌定位、字符分割和字符识别3部分组成，车牌定位是其中的重要和基础环节[1]。 　　目前，常用的车牌定位方法有基于纹理特征[2-4]、基于颜色特征[5-7]、基于多特征融合[8，9]以及基于神经网络[10]与遗传算法[11]等车牌定位方法。这些方法主要是面向完整车牌区域的特征来对车牌进行定位。但是，当车牌有遮挡情况时，算法的定位准确率会下降，甚至无法准确定位车牌区域。本文提出基于多层边缘约束与区域合并的部分遮挡车牌定位算法，若车牌定位失败即添加遮挡处理流程，以提高遮挡车牌识别率。 　　1 正常车牌定位方法 　　通常车牌区域由7个字符和2个边框组成。字符间距在一定范围内，且车牌二值化后的图像具有黑白两像素跃变的纹理特征。若采用行扫描线法[14]提取车牌定位，经过车牌区域，其跃变点的个数必然大于18个，且跃变点之间的距离在一定范围内。 　　具体算法描述如下： 　　（1）记TMax为最大跃变间距，Cmin为最少跃变数0。依次对车辆图像的每行从左到右扫描，若存在连续的n（nCmin）个跃变点，且跃变点之间的距离s（sTMax）在一定范围内，则将此连接线保存，并将该连接线所经过的点全部设置为前景点。 　　（2）考虑到字符断裂、模糊等情况，车牌区域得到的行扫描线极有可能不连续。例如，假设第i，i+1，…i+n行都经过车牌区域，在i，i+2，…i+n行保存行扫描线，i+1行的字符出现了断裂情况，未能保存行扫描线。为了确定第i+1行的扫描线，需对车辆图像再进行顺序扫描，若两个行扫描线之间的距离小于一定值，则将两条行扫描线之间区域的像素点设置为前景点。 　　经过上述两步便得到了车牌的候选区域，结合车牌的位置、长宽比等，最后确定出车牌区域。 　　2 多层边缘约束与区域合并的部分遮挡车牌定位算法 　　依据部分遮挡车牌的区域纹理特征，重新设置相关系数使扫描线法的识别范围精确到数个字符级，而非整个车牌区域。为了减少干扰区域，本文在应用扫描线算法之前先对车牌图像边缘进行2层约束，对扫描线法得到的候选区域进行合并与筛选，进而定位出部分遮挡的车牌区域，算法流程如图1所示。 　　图1 算法流程 　　2.1 边缘方向 　　鉴于车牌区域由边框和字符组成，其边缘大多为垂直边缘、45度边缘和135度边缘。而通过预处理得到的边缘图像中存在一些孤立的水平边缘和孤立的边缘点。边缘约束需要尽量保留前者而抑制后者。故首先建立一个3*3结构，记为A（n，a），表示a方向上的第n个点。若在a方向上存在连续的A1，A2，A3点，则认为A2是方向a的边缘。将A2点放于待测的边缘点上，若A（1，45），A（3，45）所对应的像素点是图像的边缘点，则A2边缘方向为45度。同理可判断90度和135度的边缘，如图2所示。 　　图2 边缘方向约束 　　2.2 颜色对约束 　　通过车牌颜色的固定搭配对图像边缘进行筛选，以边缘点为中心构造一个3*（2s+1）的矩形框。若矩形框内存在一点与中心组成（黄，黑）或（蓝，白）等颜色对，则认为此边缘点为候选边缘点，将其保存，否则将其设置为背景点。 　　两层边缘约束处理效果如图3所示，经过第一层边缘方向约束后，图中大部分的孤立点与孤立水平边缘已被排除，处理后的边缘相较于原边缘明显减少，车牌区域相对更加明显；经过第二层边缘颜色对约束后，图像中的大部分非车牌区域被排除。 　　2.3 扫描线法 　　根据扫描线法对处理过的图像进行扫描处理，重新设置相关参数，正常情况下行扫描线若经过车牌区域，必然产生至少18次跃变。但遮挡的情况，若不改变跃变点阈值，必然会造成定位不准确或无法直接定位。该跃变点阈值的设置，对扫描线法的扫描效果有着至关重要的影响。 　　图3 两层边缘约束效果 　　本文分别针对中间遮挡和两端