本文首先簡要介紹了RGB色彩空間和HSV色彩空間，給出由RGB到HSV色彩空間的轉換算法。然后提出了基于顏色信息的車牌定位方法。該方法根據車牌顏色在HSV空間三個分量取值范圍對原始圖像進行色彩過濾。最后再根據車牌的形狀特征和車牌字符紋理特征，對過濾后得到的與車牌底色相符合的連通區域進行分析和排除，從而得到車牌區域。
0. 前言
近年來，我國汽車數量迅猛增加。來自中國汽車工業協會的統計顯示，2005年，我國汽車銷售總量為590萬輛，是2001年汽車銷售總量237萬輛的2.5倍。根據中國汽車工業協會預計，2006年，我國汽車市場仍將保持10％―15％的增長，全年汽車銷量將在640萬輛至660萬輛之間。在這些車輛中，藍色牌照的私家車占相當大的比重。
隨著汽車數量的逐年遞增，擺在我們面前的是巨大的城市交通壓力。為了高效地進行交通管理，我們必然要對過往車輛進行檢測，并提取有關交通數據，以達到監控、管理和指揮交通的目的。車牌識別技術是車輛檢測系統中的一個重要環節，在交通監視和控制中占有很重要的地位，是實現交通管理智能化的重要環節。而車牌定位則是車牌識別的關鍵環節，并且也是最難以解決的問題。
在我國，由于藍色牌照的總量相當大，并且各種車牌出現的頻度由高到低依次為藍、黃、白、黑，其中出現最頻繁的兩種車牌都是彩色的。考慮這種情況，本文提出一種根據顏色信息的定位方法，充分利用彩色圖像所包含的色彩信息，專門用于定位彩色車牌。
1．色彩空間
1.1 RGB色彩空間
為了正確識別顏色，需要建立顏色空間。顏色空間是對彩色的一種描述方法，目前有多種表示數字圖像色彩信息的顏色空間模型,常見的有RGB、HSV、CMYK、Lab等。每種模型是針對特定應用問題而提出來的,都有其特定的應用環境。各種顏色空間之間都存在相應的轉換關系。
RGB是使用較普遍的一種色彩空間。RGB分別對應的是紅綠藍三種原色光，自然界的所有顏色都可以用這三種光混合而成。在描述時，用R、G、B作為相互垂直的坐標軸來表示，所以稱為 RGB色彩空間。由于顯示器就是采用這種模型，因此，采用RGB色彩空間時算法的執行速度相對較快。在RGB色彩空間，可以采用C-均值聚類法來確定藍色車牌區域。但C-均值聚類法計算量比較大，所以計算速度較慢，我們這里不做討論。
1.2 HSV色彩空間
HSV色彩空間模型如左圖1所示，是由色調（Hue）,飽和度（Saturation）和亮度（ Value）三個顏色分量組成的一類顏色空間。它是面向用戶的一種復合主觀感覺的顏色空間，通常用于選擇顏色，更接近人對顏色的感知。色調是光經過折射后產生的單色光譜，即純色，它組成了可見光譜，并用360度的色輪來表示。對應于孟塞爾(Mussel)顏色立體中水平剖面的周向。其中藍色位于240度左右。飽和度描述顏色的濃淡程度，各種顏色的最高飽和度為該色的純色，最低飽和度為黑白系列顏色。飽和度對應于孟塞爾顏色立體中水平剖面的徑向，在色輪上，從中心向邊緣飽和度是遞增的。色輪中心由黑色到灰色再到白色的一系列顏色的飽和度都為零。亮度表示顏色的明亮程度。對應于孟塞爾顏色立體中垂直剖面的中軸線。是顏色的相對明暗程度，主要受到光源的強弱影響，它與彩色信息無關。該色彩空間三個分量的相關性較低。所以在選擇顏色時，我們通常由RGB色彩空間轉換到HSV色彩空間中，然后再作處理。
1.3 RGB到HSV色彩空間的轉換
進行色彩空間的轉換運算之前，需要在RGB空間將每個一色彩分量值先歸一化，可以通過對每一分量除以255來得到。RGB到HSV色彩空間的轉換關系如下：
值得說明的是得到V分量的過程實際上是對彩色圖像進行灰度化的過程。不過有時為了在視覺上更接近人的主觀感覺，通常在灰度化時給 分量各自增加一個加權系數，然后求其和。經常用到的灰度化公式如下：
2. 車牌定位算法
2.1 彩色車牌的先驗知識
經過大量的彩色圖像的分析我們發現對于彩色車牌圖像來說，它的色調、飽和度和亮度值范圍如下表1：
表1：HSV的取值范圍
|
|
藍色 |
黃色 |
|
色調 |
200~255度 |
25~55度 |
|
飽和度 |
0.35~1 |
0.35~1 |
|
亮度 |
0.3~1 |
0.3~1 |
而對于黑白車牌來說，其色調和飽和度沒有意義，它只有亮度信息。但是在亮度圖像中，黑白車牌區域比彩色車牌區域的梯度值更大。考慮到黑白車牌出現的頻度非常小，我們可以首先認定原始圖像中的車牌為彩色。根據上面表格中車牌顏色的取值規律，只需要設定了顏色中心，車牌區域的像素就可以直接通過對H、S、V 三分量設定范圍來過濾出來，無需進行較復雜的均值聚類計算，這樣可以在定位彩色車牌時節省大量的時間。
如果原始圖像中的車牌顏色為黑色和白色，那么本算法失效，需要轉入另外設計的黑白車牌定位算法。但是認定需要定位的車牌為黑色和白色后，就確定了車牌區域有很大的梯度值，從而解決了定位算法中閾值選擇困難的問題。
2.2 算法流程
首先對原始目標圖像進行色彩空間變換，由RGB轉換至HSV色彩空間。然后進行色彩過濾，從而得到包含車牌的目標色連通區域和背景色連通區域。接著對目標色連通域進行分析。考察其面積、形狀、最大和最小寬度、長寬比以及區域中單位面積內的邊緣點數目等。濾除與標準車牌特征差別較大的區域。最后再在過濾后的目標色連通區域內利用數學形態學的紋理分析來最終確定正確的車牌區域。
通過色彩過濾以及色彩連通域形狀分析，可以將與車牌底色不符合的區域歸并至背景色,并能過濾掉與車牌底色相似的大面積車身區域及該區域所包含的干擾文字。同時也可以濾掉那些與車牌臨近區域的干擾紋理，因為這些紋理顏色與車牌底色一般有較大的區別。根據車牌區域內字符的紋理特性,通過利用數學形態學的紋理分析可以剔除掉那些顏色、形狀與車牌基本吻合, 但內部紋理特性差異顯著的區域。
算法具體流程如下：
(1) 將原始圖像從RGB色彩空間轉換到HSV 色彩空間。
(2) 設置藍色和黃色的取值范圍。
(3) 以設定的取值范圍對圖像進行色彩過濾，將所有像素歸并至目標色與背景色中。得到二值圖像，該圖像中藍色和黃色像素取值為1，其它顏色像素均為0。
(4) 考察每個像素周圍的目標色像素個數，如果少于一定值，則認為是孤立點，將其刪除過濾掉。
(5) 用一個2*4的矩形區域對二值化后的圖像進行形態閉合運算，形成連通的區域。
(6) 對每個連通區域進行面積、形狀等特征進行分析，過濾干擾區域。
(7) 對符合車牌形狀特征的區域做紋理特征分析，根據車牌內字符區域的紋理特征進行再次過濾，最終定位有效的車牌區域。
(8) 對上一步的結果進行判斷，檢查是否存在有效車牌區域，若是，定位成功，結束流程；否則，跳轉至黑白車牌定位程序。
2.3 算法的實驗結果
進行彩色車牌定位的流程如圖2至圖5所示。可以看出，由于原始圖像含有跟車牌顏色相似的多個色彩區域，色彩過濾后的圖像仍然包含多個可能的目標區域，需要進一步使用車牌形狀特征對多個目標區域進行過濾。從圖中可以發現，除真正的車牌區域外，其它的連通域的形狀特性與車牌的形狀特性
都存在較大差異。一般用面積、形狀、最大和最小寬度、長寬比以及區域中單位面積內的邊緣點數目就可以過排除掉。如果上述特征還不能排除干擾區域，就需要利用形態學去考察區域中的紋理是否符合車牌字符的筆畫特征，從而最終得到彩色車牌區域。如經過紋理分析后排除了所有區域，則證明圖中不存在彩色車牌，需要轉入黑白車牌定位程序。
3. 結束語
本文所提出的基于車牌顏色信息的定位方法充分考慮了車牌定位中可能出現的各種不同干擾背景對車牌定位的影響。充分利用了車牌區域的色彩信息，并綜合利用車牌的形狀特征及紋理特征，逐步過濾干擾區域,最終定位正確的車牌位置。試驗中，在對100 幅采集圖像進行實驗，準確率達到了93%。但由于改方法主要用于定位彩色車牌，對于黑白車牌的定位要首先排除彩色車牌的存在。所以這種方法只適用于黑白車牌出現頻度較小或是一般民用場合，如小區車輛出入管理等。
參考文獻:
1. 胡小峰，趙輝．Visual C++/MATLAB 圖像處理與識別案例精選[M]．人民郵電出版社．2004年．
2. Rafael C. Gonzalez，Richard E. Woods．Digital Image Processing [M]．2005年．
3. 張宏林，蔡銳．數字圖像模式識別技術及工程實踐[M]．人民郵電出版社．2003．
4. 戴云,余英林．一種基于小波與形態學的車牌圖像分割方法[J]．中國圖形圖像學報．2000(5)：411~415．
5. 陳鍛生,謝志鵬,劉征凱. 復雜背景下彩色圖像車牌提取與字符分割[J] ．小型微型計算機系統．2002，23 (9)：1144~1148.
今日頭條
官方微信
官方抖音
案例頻道
北京市公安局海淀分局備案號：11010802023656號