摘? 要: 提出一套圖像處理" title="圖像處理">圖像處理的新組合和新策略，在特定的環境中可以實現二值化" title="二值化">二值化閾值的自適應調整，將車牌識別提高到工程應用" title="工程應用">工程應用的水平。
關鍵詞: 電子警察? 邊緣提取? 車牌定位" title="車牌定位">車牌定位? 識別
?
近年來，我國在城市和交通建設方面取得了巨大的進步。然而，面對越來越多的交通路口、收費站以及治安卡口，傳統的人工值守顯然已經滿足不了要求。為解決這種現狀，出現了適應信息化時代的計算機集成產品，即電子警察，并已經得到了廣泛的應用。
電子警察采用視頻圖像的識別技術，全天候進行車輛及道路的監控，對違規車輛進行抓拍，實現了城市道路交通的智能化管理，達到無人化值守。利用該系統可以迅速查明違章車輛、分析交通事故，為進一步整頓交通環境，交通管理科學化提供高效可靠的技術依據。
1 抓拍照片分析
出于性價比的原因，目前國內電子警察系統的圖像獲取單元一般都采用CCD工業電視攝像機，而且被架設在室外。現以闖紅燈違章抓拍系統為例來分析抓拍的圖像數據。
(1) 由于紅燈的停車線靠近行人通道，造成圖像背景特別復雜;
(2) 機動車的車型較多，車牌的位置各不相同;
(3) 拍攝圖像時受天氣、照明以及運動等因素的影響很大;
(4) 攝像機受路口實際條件的限制，可能距離較遠，并有一定角度;
(5) 臟、舊車牌比較模糊，還有不少故意作弊的車牌。
這種圖像數據要比在實驗室所用的數據惡劣得多，而且意想不到的情況也時有發生，這就給圖像識別帶來了極大的困難。
2 圖像處理方案
通過多次實驗檢測，最終選用了圖1所示的圖像處理方案。
?
?
對圖像數據的灰度化、平滑、邊緣檢測" title="邊緣檢測">邊緣檢測、二值化以及旋轉都屬于圖像的預處理部分。判定就是準確地定位車牌位置，接下來先對車牌進行字符分割，然后逐字提取特征，形成該字符的特征向量，將這個特征向量作為神經網絡的輸入，以便于字符識別。所以字符識別部分用了一個三層的神經網絡，先進行學習訓練，得到收斂的一組權值。
限于篇幅，本文只介紹圖像預處理和判定部分，識別應用部分這里就不討論了。
2.1 灰度化與平滑
為了便于處理后的傳輸和存儲，由CCD攝象機獲取的圖像通過圖像采集卡采集到工控機或圖像處理器件后，一般會轉換成JPEG格式。這樣處理的對象也就是JPEG文件，要進行灰度化，以去掉彩色信息，加快處理速度。灰度化的公式可以采用式(1)。
其中，g(i，j)為點(i，j)處的灰度值，R，G，B分別為該點的三基色值。但是，定位車牌時亮度信息并不重要。鑒于在這個式子中，G基色占的比重最大，所以有理由在灰度化時只取綠色信息就可以了。
圖像平滑的目的是為了消除噪聲。噪聲并不限于人眼所能看到的失真或變形，有些噪聲只有在進行圖像處理時才能發現。一般來說，圖像的能量主要集中在其低頻部分，而車牌的信息主要在高頻部分，為了去掉高頻干擾，有必要進行圖像平滑?？梢圆捎玫屯V波的方法來去除噪聲，為此要設計空間域系統的單位沖激響應矩陣。
2.2 邊緣檢測與二值化
與平滑過程相反，邊緣檢測相當于高通濾波器，是為了提取圖像中的高頻部分。因為車牌上字符較密，所以這一部分的圖像變化必然比其它區域高，這對于車牌定位是很重要的信息。邊緣增強的方法很多，常用的增強算子有拉普拉斯算子、Sobel算子、Prewitt算子等。本文采用了一種Kirsch算子的改進形式。Kirsch算子是一種象素鄰點順時針循環平均求梯度的方法，它取如下的梯度圖像作為檢測結果:
分別表示f(i，j)的八鄰象素中順時針排列的相鄰三個象素和五個象素之和。規定A0為f(i，j)左上角的鄰域。A的下標按模8計算，如圖2所示。
?
?
式(3)中大括號內的取極大值運算，其實就是求f(i，j)在8個方向上的平均差分之最大值，也就是f(i，j)梯度幅度的近似值[1]。
通過這種運算后，圖像中每象素點的值代表了該點的高頻信息，從這些信息中要定位出車牌的位置，就必須進行二值化處理。二值化的方法有很多，但應用于工程上時，一個最大的問題就是閾值的選取，將它取為固定值顯然是不合理的，因為環境總是變化的;可是將它放開后，又不能很好地跟蹤圖像的細微變化。針對這個問題，本文提出了一種反向積分求象素點的方法，使得二值化能自適應選擇適當的閾值。
其中:n(k)為圖像中所有取值為k的象素點個數，n為圖像總象素數。通過大量的實驗，發現這個象素值-概率關系曲線無外乎兩種情況，即圖3和圖4所示。要使定位效果達到最佳，閾值一定在曲線趨于平坦的點附近。
?
這時會發現不管是白天還是夜間，S總是在一常數附近，而這個差別對于象768×288這樣的圖像來說是微不足道的，完全可以將它定為一個常數來處理。雖然它也與圖像的復雜程度有關，但這只會影響二值化后點的分布。車牌位置總是處于高頻部分，對它的影響較小。這個現象也同時說明，要準確定位并不是二值化后保留的信息越多越好。
既然將S取為常數，那么從gmax開始反向積分(求和)，就可以得出th，而且th會隨著圖像的亮暗程度、對比度自適應變化。
2.3? 圖像旋轉與車牌定位
在實際施工中，鏡頭的架設常受到條件的限制，圖像的傾斜程度特別大。這時，用圖像的旋轉不變距顯然難以湊效，只有對圖像進行旋轉。而且這個角度的設定對具體的環境不再發生變化，知道了這個角度，也有利于汽車的運動軌跡判斷。
進行完前面的預處理工作后，定位車牌就容易了。對圖像自下而上逐行掃描，在限定的模板寬度內，若變化頻率達到一定次數，例如10次，則向下開始掃描，直到滿足模板高度，將這個區域定為車牌的候選區。如果沒找到車牌，則將車牌的模板進行一些調整，再繼續搜索，還是找不到，就是沒有車牌。對于多個候選的區域，可以進行粗略的聚類估計和簡單的邏輯判斷，以提高定位準確性。
3 運行結果
用這一套組合策略，對不同時間、不同交通路口、不同光照下抓拍的汽車圖像進行車牌定位識別，定位結果如表1所示。
在選圖時，夜間圖像占20% 左右。從上述結果，可以清楚地看出，公共汽車的準確率最低，這是因為公共汽車有許多廣告和粘貼紙，造成了錯誤定位?？ㄜ嚨能嚺圃谲嚳蛳逻?，較為隱蔽，有些車牌特別臟，識別比較困難。而出租車和中巴車的錯誤定位大多是夜間圖像引起的。還要說明一點，夜間圖像在拍攝時加了紅外補光系統。針對工程應用的水平，這個結果是令人滿意的。
?
?
本文只介紹了電子警察抓拍系統中車牌定位的內容。電子警察系統最大的困難就是受自然環境的影響特別大，而且安裝時總是要去適應地形環境，所以拍攝到的圖像有時非常不好，并不象實驗室處理的那么理想。因此要找到一種適應性較好的定位方法，只有舍棄許多優越的處理方法。本文使用的這種圖像處理的策略，只設定幾個參數，在特定的環境中可以實現二值化閾值的自適應調整，將車牌識別提高到工程應用的水平?？傮w上來說，具有較好的適應性。
?
參考文獻
1 趙榮椿.數字圖像處理導論.西安:西北工業大學出版社，1995
2 戴青云，余英林.一種基于小波與形態學的車牌圖像分割方法.中國圖像圖形學報，2000;5：411～415
3 黃可為，趙雁南，孫發杰等.一種高效目標搜索方法及其在圖像分析中的應用.中國圖像圖形學報，1999；12:1038～1043