一种边缘检测与扫描线相结合的车牌定位算法

车牌识别(LPR)技术是计算机视觉、图像处理技术与模式识别技术的融合，是智能交通系统中一项非常重要的技术。一般说来，车牌识别前期的处理技术至关重要，其前期技术包括：车牌的定位、车牌图像的二值化及字符分割。本文主要针对车牌定位算法进行研究。

车牌定位就是在车辆图像中定位牌照区域的位置。由于车辆图像都采集于自然环境中，而在自然环境中车牌和背景的成像条件一般是不可控制的，随机变化的因素(尤其是光照条件)和复杂的背景信息给目标搜索带来巨大困难。不同光照下，车牌的颜色、亮度、明暗对比度都有很大变化；背景信息通常比车牌信息更加复杂，某些背景区域又可能与车牌区域差异不大；再加上摄像距离、角度的不同，要从种种干扰中区别出目标是十分困难的。而车牌区域在整幅图像中所占的比例较小，要从整幅图像中定位车牌区域必然要在大量的背景信息中搜索，而且由于应用的特殊性,要求快速、准确地完成车牌定位。如果没有高效率的搜索方法，就需要耗费很多计算时间和存储空间。所以车牌定位技术一直以来是一个难点，是车牌识别系统的一个关键技术环节。

目前，已经提出了很多车牌定位的方法，这些方法都具有一个共同的出发点即通过牌照区域的特征来判断牌照。根据不同的实现方法，大致可以把现有的定位方法分为两类[9]：直接法、间接法。

（1）直接法：直接分析图像的特征。例如，文献[1]提出一种基于线模板的二值化图像中的角检测算法。该算法利用车牌的边框角点，检测车牌的四个角点，并以此来定位车牌。文献[2]介绍一种基于直线边缘识别的图像区域定位算法，并且利用该算法定位车牌的边框线，以此定位车牌。文献[3]介绍利用车牌的尺寸、字符间距、字符特征等纹理特征定位车牌。文献[4]利用车牌部分垂直高频丰富的特点先利用小波提取图像的垂直高频信息，然后利用数学形态学方法对小波分解后的细节图像进行一系列的形态运算，进一步消除无用的信息和噪声，以定位车牌。

（2）间接法：主要是指利用神经网络法或者遗传算法定位车牌的方法。利用神经网络和遗传算法等柔性方法进行计算是当前研究热点之一。文献[8]提出利用BP神经网络定位车牌,文献[5]提出利用DTCNN(Discrete-Time Cellular Neural Network)和模糊逻辑结合的方法。文献[6]利用多层感知器网络(MLPN)对车牌进行定位。文献[7]提出利用遗传算法定位车牌，它利用遗传算法对图像进行优化搜索，结合区域特征矢量构造的适应度函数，最终寻找到车牌的牌照区域的最佳定位参量。

通过分析和观测得知，与汽车图像中其他区域相比，车牌区域主要有以下特征：

(1)车牌字符区域中的垂直边缘较水平边缘相对密集，而车身其他部分(如保险杠等)的水平边缘明显，垂直边缘较少。另外，车牌一般悬挂在车身上较低的位置，其下方基本上没有明显的边缘密集区域。

(2) 有明显的边框，在其内部规则地排列着一系列的省名缩写(汉字)、地区代号(英文字母)和5位字母/数字编号(普通民用车辆)。底牌与字符的颜色主要有蓝底白字、黄底黑字、黑底白字和白底黑字(或红字)四种。随拍摄角度和车牌自身污损程度的不同，所采集到的车牌边框经常出现倾斜、断裂等现象。

因此直接定位法是利用边框特性（利用特征2）以模板匹配的方法寻找牌照的四个角来定位或者寻找车牌边框直线定位车牌以及利用牌照区域的灰度变化频率（利用特征1）来定位。

由于车牌边框有时有污染，相对来说车牌字符区域灰度频率变化是车牌区域最稳定的特征，所以本文提出一种利用车牌字符区域灰度变化频率的方法定位车牌,即基于边缘检测和扫描线相结合的车牌定位算法。该算法的思想是首先对车辆图像进行边缘增强，再利用水平扫描线进行车牌区域的检测。

1 车牌定位的预处理

图像预处理的作用是突出图像中的有用信息，不同的图像预处理对应于不同的图像分割以获得最佳的车牌特征。车牌定位预处理目的是突出车牌区域的特征，抑制其它无用的特征。车牌区域的主要特征之一是垂直边缘较密集。所以本文提出增强垂直边缘的差分算子进行垂直边缘增强。

为了不失一般性，本文对灰度图像进行研究。由于本文采集的图像是彩色图像，所以要把彩色图像转化为灰度图像。为了减少不必要的彩色－灰度转化的运算，本文只对输入的彩色汽车图像的绿色分量作处理。

边缘检测的算子很多。例如：如Sobel算子、Roberts算子、Prewitt算子、Laplacian算子等。Sobel、Roberts、Prewitt、Laplacian算子都不是专门用于检测垂直边缘的，且运算量较大。虽然可以只用它们的垂直边缘检测算子，但是相对而言，运算量还是比较大。为此，本文专门设计了一个水平模板算子，即 [1，1，1，…,1，1，1，1]。该算子与图像进行卷积然后再与原图像作差分运算，当差分值大于某一门限值就认为它是边缘目标，否则是背景。

水平模板即 [1，1，1，...，1，1，1，1]，它与图像进行卷积相当于对图像水平方向进行低通滤波，再与原图像差分，其目的是突出图像的垂直方向的高频信息(相当于对图像进行高通滤波)。由于该算子可以做增量运算，也就是在计算局部平均值时，先计算水平方向窗口内各点之和，将前次运算的结果减去窗口最左边点的值再加上右边新一点的值。这样可以减少求和运算次数，所以其运算量比Sobel算子少。

算子描述如下：

式(1)的左半部分是水平模板，即[1，1，1，...，1，1，1，1]与图像进行卷积，右半部分可理解为原始图像。它们进行差分是式(1)的运算结果。

由于可以做增量运算，所以算子的长度对运算量影响不大。在这里取9，其目的是与字符笔划的宽度相符。
从图1可以看出：图像进行卷积然后再与原图像作差分的数据，只有车牌区域、车轮、车灯等灰度突变处值相对较高，而其它几乎为零。通过对整幅图像的处理，得到车辆图像的二值化图像如图2（a），对差分图像进行二值化，结果如图2(b)（其中阈值取10）。