摘  要： 提出了一種基于顏色空間理論和形態學結合的方法。首先對圖像進行顏色空間轉換，按要求提取出需要的特征顏色區域，再對顏色特征區域進行檢測，對邊緣進行灰度統計，按一定的比例進行篩選，并利用前方車輛位置變化的特點，對下一次車牌可能出現的區域進行粗定位，利于下一次更快速的定位。應用該算法對100幅車牌圖像進行定位，定位準確率達90%，速度均在0.1 s內。
關鍵詞： 顏色空間理論；形態學；車牌定位

　高速公路上車輛踫撞是最常見的交通事故，因此，對前方道路上行駛的車輛進行定位與跟蹤是智能輔助駕駛系統研究領域的重要內容。車輛定位與跟蹤要求算法具有實時性、快速性和準確性等特點。視頻圖像包含了大量的圖像信息，便于功能擴展，同時，視頻設備安裝調試簡單、成本低廉且實用性強，而單目攝像頭法處理的信息量相對較少，處理速度更快。因此，本文采用單目視覺輔助技術對車輛進行檢測、定位和跟蹤。
目前視覺車牌定位的方法有很多。黃驥等[1]在HSV顏色空間上，根據我國車牌顏色的特點作為車牌區域顏色跳變特征，準確率高，但計算量大，實時性不夠。盧雅琴等[2]采用了數學形態學方法進行車牌定位，該方法簡單且在背景單一及車牌區域特征明顯的情況下有很好的效果，但是復雜背景下車牌定位準確率不高。陸鋮等[3]提出采用灰度跳變特征，具有較快的檢測速度，但準確性受噪聲影響很大。LEE E R等[4]提出以HSV顏色空間為基礎的車牌識別系統，使用了Hough變換方法，雖然識別率比較高，但當車身與車牌顏色相近或車牌污染嚴重時，會大大降低定位準確率。鹿曉亮等[5]考慮到國內車牌的特有特征以及字符間特點，對車牌區域橫向掃描，根據閾值來定位車牌，但該方法不適合快速定位的要求。針對快速自動識別系統的要求，根據國內車牌顏色特征及車牌的外廓尺寸的固有特征，本文提出先基于車牌色彩信息選取敏感區域，然后再根據形態學的方法來進行篩選，從而達到快速定位。
1 總體流程
　前方車輛的檢測與定位算法流程如圖1所示，包括以下幾個步驟：
　（1）特征區域。利用顏色空間理論，選取車牌顏色為特征，確定圖像中的敏感區域。
　（2）邊緣提取。基于Canny邊緣提取算法，對特征區域圖像進行邊緣提取。
　（3）灰度統計。基于圖像邊緣提取結果，統計每一部分區域長度與寬度的數值。
　（4）目標篩選。根據每一部分的長度與寬度的數值比值篩選出車牌。
　（5）目標定位。當篩選部分只剩下一個時，即為目標對象。

1.1 敏感特征區域
　選擇合適的顏色空間模型快速準確地找到敏感特征區域是非常關鍵的。考慮到實際需要關注的特性，確定RGB顏色空間到HSI顏色空間的轉換近似公式[6]。本文強調在各種環境下快速尋找藍色，對顏色的細節識別要求比較高，要求轉換后顏色的分辨力盡可能大，但又要考慮到運算時間盡可能短。因此本文采用分段定義法來近似RGB轉換到HSI的關系：


1.2 邊緣提取
　圖像邊緣含有大量重要的圖像特征信息，因此，邊緣檢測的方法是圖像分析與識別領域十分重要的課題。本文中的車牌邊緣是一個非常重要的信息，利用這個信息可以從第一步選取出的敏感區域中快速篩選和確定車牌。本文引用Canny算子，該算子是一類具有優良性能的邊緣檢測算子，其基本思想是：先對預處理的圖像選擇一個高斯濾波器進行平滑濾波，然后采用一種稱為“非極大抑制”的技術對平滑后的圖像進行處理，得到最后所需要的邊緣圖像。在實際應用中，Canny算子邊緣提取效果良好，邊緣線性程度較好且完整，線型較細，具有良好的抗噪性能和邊緣定位精度。本文利用Canny算子進行邊緣提取的結果如圖3所示。

1.3 灰度統計與目標篩選
　為了準確地篩選出目標車牌，根據車牌特有的信息對邊緣信息進行邊緣提取后，分兩步篩選出目標車牌。
　（1）利用車牌邊緣的邊長比例關系篩選。首先分割出每個獨立的有連續邊緣的圖像塊，若大圖像塊內有小的圖像塊，則小圖像塊不作單獨處理，統計圖像塊在水平方向和垂直方向的灰度像素統計，統計完成后，計算水平方向和垂直方向灰度像素比值t。車牌是一個440×140的矩形，車牌的長寬比為3.14，考慮到攝像機記錄車牌的角度變化等各種因素的影響，確定閾值上限為5，閾值下限為2.5，若計算出來的比值t在2.5~5之間，則認為是目標車牌。
　（2）利用車牌的直角關系篩選。車牌在長度和寬度的接連處是一個垂直關系，因此，本文利用車牌的直角關系可以快速地篩選出絕大部分非目標物體。以篩選左邊直角為例，從分割出的圖像塊從上往下、從左往右開始掃描，當到掃描到第一個點時，以該點為中心點，計算中心點向下邊緣線和中心點向右邊緣線的夾角θ。考慮到攝像機記錄時產生的形變及車牌角度的變化等因素對圖像坐標系中夾角的影響，確定在一定閾值范圍內的角度即為直角范圍，本文中采用的閾值上限為105°，下限為85°。若計算所得夾角θ在85°~105°之間，則認為是目標車牌。
1.4 目標定位
　經過兩個特征關系的篩選后，目標車牌即可被篩選出來。目標車牌提取出來后，記錄下車牌的大小及在圖像中的位置。為了方便能更快速地定位從攝像機中提取的下一幀圖像，本文采用一種新的搜索方法，即以已經確定的目標車牌為中心，四周按一定比例進行面積擴大。本文從攝像機中按10 幀/s的速度提取圖像，即兩幀圖像間隔為0.1 s，而車輛的速度為60 km/h~100 km/h，因此在0.1 s間最大的相對行駛速度為（100－60） km/h，最大的相對行駛距離為40 km/h×0.1 s=1.1 m。根據攝像機的相關原理，算出圖像坐標系中車牌的大小的變化率在10%以內，因此，本文選擇按擴大長度的10%和寬度的10%作為下一幀圖像的大小范圍。圖4所示為第1次定位所用時間，圖5所示為第2次定位所用時間。

2 實驗結果與分析

　本文選用不同背景、不同光照下拍攝的100幅車牌圖像對本算法進行仿真實驗，結果如表1所示。可見準確定位率達到92%。若對連續運動的圖像進行跟蹤定位，本算法第1次定位時間較長，達到1.13 s，第2次及以后定位時間大幅度減少，平均為0.65 s，只有第1次定位時間的57.5%，速度得到很大的提升。由于算法采用HSI顏色空間理論，因此受光線影響不大。
　本文主要研究了對前車輛的快速定位和車牌預處理，利用車牌的顏色對車牌的敏感特征區域進行了提取，再利用車牌的形態特征進行目標車牌篩選，最后通過對車牌進行圖像幾何校正，提取出精確的車牌。通過該方法，前方車輛得到了快速檢測與定位。仿真實驗表明，該方法快速、高效，滿足實時性的要求，并且有較高的魯棒性，為下一步車輛的距離計算提供了良好的保障。
參考文獻
[1] 黃驥.汽車牌照識別系統中車牌定位與校正及字符分割的研究[D].南京：南京航空航天大學，2007.
[2] 盧雅琴，鄔凌超.基于數學形態學的車牌定位方法[J].計算機工程，2005，31（2）：224-227.
[3] 陸鋮，何東健，何曉.基于掃描線和特征篩選的車牌定位快速算法[J].計算機工程與設計，2008（10）：5125-5128.
[4] LEE E R， KING P K. Automatic recognition of a car license plate using color image processing[J]. Journal of Korea Institute of Tele-matics and Electronics，1995，24（2）：128-131.
[5] 鹿曉亮，陳繼榮.復雜背景下快速車牌定位方法研究[J].計算機仿真，2006，23（7）：256-259.
[6] 劉華波.RGB與HIS顏色模型的轉換方法對比研究[EB/OL].中國科技論文在線，2008.