摘　要: 車牌定位是車牌自動識別技術中的一個關鍵問題，許多學者研究發展多種車牌定位算法。簡要介紹和比較了目前比較常見的幾種車牌定位方法進行了。
關鍵詞: 車牌定位;紋理分析;邊緣檢測;數學形態學;小波分析

    車牌識別LPR(License Plate Recognition)技術作為交通管理自動化的重要手段和車輛檢測系統的一個重要環節，能經過圖像抓拍、車牌定位、圖像處理、字符分割、字符識別等一系列算法運算，識別出視野范圍內的車輛牌照號碼；它運用數字圖像處理、模式識別、人工智能技術對采集到的汽車圖像進行處理，能夠實時準確地自動識別出車牌的數字、字母及漢字字符，并以計算機可直接運行的數據形式給出識別結果，使得車輛的電腦化監控和管理成為現實。
　車牌識別技術的任務是處理、分析攝取的視頻流中復雜背景的車輛圖像，定位、分割牌照字符，最后自動識別牌照上的字符。為了保證汽車車牌識別系統能在各種復雜環境下發揮其應有的作用，識別系統必須滿足以下要求:
　(1)魯棒性:在任何情況下均能可靠正常地工作，且有較高的正確識別率。
　(2)實時性:不論在汽車靜止還是高速運行情況下，圖像的采集識別系統必須在一定時間內識別出車牌全部字符，達到實時識別。
　車牌識別技術的關鍵在于車牌定位、字符分割和字符識別三部分，其中車牌定位的準確與否直接決定后面的字符分割和識別效果，是影響整個LPR系統識別率的主要因素，是車牌識別技術中最為關鍵的一步。目前車牌定位的方法多種多樣, 歸納起來主要有基于紋理特征分析的方法、 基于邊緣檢測的方法、 基于數學形態學定位、基于小波分析定位以及基于彩色圖像定位等，這些方法各有所長。
1車牌目標區域特點
　車牌定位方法的出發點是利用車牌區域的特征來判斷牌照，將車牌區域從整幅車輛圖像中分割出來。車牌自身具有許多的固有特征，這些特征對于不同的國家是不同的。從人的視覺角度出發，我國車牌具有以下可用于定位的特征:
　(1)車牌底色一般與車身顏色、字符顏色有較大差異;
　(2)車牌有一個連續或由于磨損而不連續的邊框;
　(3)車牌內字符有多個，基本呈水平排列，在牌照的矩形區域內存在豐富的邊緣，呈現規則的紋理特征;
　(4)車牌內字符之間的間隔較均勻，字符和牌照底色在灰度值上存在較大的跳變，字符本身和牌照底內部都有比較均勻的灰度;
　(5)不同圖像中牌照的具體大小、位置不確定，但其長寬比在一定的變化范圍內，存在1個最大值和1個最小值。
　以上幾種特征都是概念性的，各項特征單獨看來都非車牌圖像所獨有，但將它們結合起來可以唯一地確定車牌。在這些特征中，顏色、形狀、位置特征最為直觀，易于提取。紋理特征比較抽象，必須經過一定的處理或者轉換為其他特征才能得到相應的可供使用的特征指標。通常文字內容特征至少需要經過字符分割或識別后才可能成為可利用的特征，一般只是用來判斷車牌識別正確與否。
2 常用的車牌定位算法
　根據車牌的不同特征，可以采用不同的定位方法。目前車牌定位的方法很多，最常見的定位技術主要有基于邊緣檢測的方法、基于彩色分割的方法、基于小波變換的方法、基于遺傳算法的方法、基于數學形態學的車牌定位和基于灰度圖像紋理特征分析的方法等，在此對幾種常用的定位算法進行簡單的介紹。
2.1 基于邊緣檢測的車牌定位方法
　所謂“邊緣”就是指其周圍像素灰度有階躍變化的那些像素的集合。“邊緣”的兩側分屬于兩個區域，每個區域的灰度均勻一致，而這兩個區域的灰度在特征上存在一定的差異。邊緣檢測的任務是精確定位邊緣和抑制噪聲。檢測的方法有多種, 例如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測［1］。這些方法正是利用物體邊緣處灰度變化劇烈這一特點來檢測圖像的邊緣。各算子對不同邊緣類型的敏感程度不同, 產生的效果也不同, 經過大量實驗分析可知, Roberts邊緣算子是一種利用局部方差算子尋找邊緣的算子, 定位比較精確; Prewitt算子和Sobel算子對噪聲有一定的抑制能力, 但不能完全排除偽邊緣; 拉普拉斯算子是二階微分算子, 對圖像中的階躍型邊緣點定位準確且具有旋轉不變性, 但容易丟失一部分邊緣的方向信息, 同時抗噪能力較差。針對不同的環境和要求, 選擇合適的算子來對圖像進行邊緣檢測才能達到好的效果。具體定位流程如圖1所示。

    該方法的定位準確率較高、 反應時間短、 能有效去掉噪聲, 適合于包含多個車牌的圖像, 在多車牌圖像的情況下定位速度也很快。但是對車牌嚴重褪色的情況, 由于檢測不到字符筆畫的邊緣會導致定位失敗，在有外界干擾以及車牌傾斜時，定位后的區域比車牌稍大。
2.2基于彩色分割的車牌定位方法
　基于彩色分割的車牌定位方法由彩色分割和目標定位等模塊組成，采用多層感知器網絡對彩色圖像進行分割，然后通過投影法分割出潛在的車牌區域[2]。在進行彩色分割時采用神經網絡模型，一般圖像采用RGB三原色，但RGB三原色中兩點的歐氏距離與顏色距離不成線性比例。為了更好地進行彩色分割，將RGB模式的彩色圖像轉化為HSI模式，即色調、飽和度和亮度，然后對輸出圖像的飽和度作調整。為了減少計算量，將彩色圖像抽稀后再進行模式轉化。同時，為了減少光照條件對圖像分割產生的影響，采用對數方法進行彩色飽和度調整。然后對模式轉化后的彩色圖像進行彩色神經網絡分割，最后根據車牌底色及長寬比等先驗知識，采用投影法分割出合理的車牌區域。當獲取的彩色圖像質量較高時，尤其是車牌區域顏色與附近顏色差別較大時，準確率將有所下降。
　該定位算法正確率較高，但由于采用了神經網絡計算法，當區域顏色與附近顏色相似時，計算速度較慢。具體定位流程如圖2所示。

2.3基于小波變換的車牌定位方法
    小波分析是一種應用于圖像處理的重要分析工具, 具有“顯微鏡”的特性。小波分析的多分辨率特性使得小波分解系數在不同方向的高頻子波系數具有不同特性, 因此利用方向小波能夠反映出圖像在不同分辨率上沿任一方向變化的情形。小波分析的多尺度分解特性更加符合人類的視覺機制。
　小波變換的基本思想是將原始信號經過伸縮、平移等運算分解為一系列具有不同空間分辨率、不同頻率特性和方向特性的子帶信號, 這些子帶信號具有良好的時頻特性, 通過利用這些特性可以實現對信號的時域、頻域的局部分析。
　目前利用小波分析的車牌定位算法大多是利用小波變換與其他多種方法相結合來實現更準確、快速的定位[3]。例如基于小波分析和數學形態學的車牌定位方法，該方法通過小波多尺度分解提取出紋理清晰且具有不同空間分辨率、不同方向的邊緣子圖，然后利用車牌目標區域具有水平方向低頻、垂直方向高頻的的特點實現子圖提取，最后用數學形態學方法對小波分解后的細節圖像進行一系列的形態運算，進一步消除無用信息和噪聲，以確定車牌位置。該方法在噪聲較小的情況下定位效果好，分割精度高；其缺點是速度較慢，且在噪聲較大時誤定位機率也隨之增大。具體定位流程如圖3所示。

2.4基于遺傳算法的車牌定位
    基于遣傳算法的車牌定位方法利用遺傳算法對圖像進行優化搜索，結合區域特征矢量構造適應度函數，最終尋找車牌區域的最佳定位參量。車牌定位是尋找一個符合“車牌區域特征”最佳區域的過程，本質上就是從參量空間尋找最優定位參量的問題，而尋找參量空間的最優解正是遺傳算法所擅長的[4]。但是在實時系統中，車牌定位速度受遺傳算法中迭代次數的影響很大。具體定位流程如圖4所示。
 

2.5基于數學形態學的車牌定位方法
    數學形態學圖像處理的基本思想是利用一個結構元素來探測一個圖像, 看是否能將這個結構元素很好地放在圖像內部, 同時驗證填放元素的方法是否有效。腐蝕、膨脹、開啟和關閉是數學形態學的基本運算。具體定位流程如圖5所示。

    基于數學形態學的車牌區域定位方法不能精確確定車牌左右邊界的位置, 所以必須結合其他定位方法進行精確定位。例如基于數學形態學和邊緣特征的車牌定位方法[5], 這種方法先對車牌圖像進行預處理, 然后基于垂直方向結構元素的腐蝕運算進行濾波, 再用閉合運算來填補車牌區域內細小孔洞, 進而增強車牌區, 使車牌區成為一個連通區域, 最后利用字符邊緣的特征對車牌進行準確的定位。該方法將數學形態學運算與數字圖像的特征相結合, 有效改進了傳統的車牌定位方法, 提高了車牌定位的速度和準確度。
2.6基于灰度圖像紋理特征分析的車牌定位方法
　傳統的紋理特征分析定位算法大多基于灰度圖像來分析的, 因此該算法需要對圖像進行預處理, 將彩色圖像轉換為灰度圖像[6]，然后進行行掃描, 找出圖像中每一行所含有的車牌線段, 記錄下它們的起始坐標和長度，如果有連續若干行均存在不少于一個的車牌線段, 且行數大于某一確定的閾值, 則認為在行的方向上找到了車牌一個候選區域, 并確定了該候選區域的起始行和高度；在已找到的可能存在車牌的區域做列掃描, 以確定該車牌候選區域的起始行和高度以及起始列坐標和長度，由此確定一個車牌區域；繼續在其他可能存在車牌的區域尋找, 直至找到所有的車牌候選區域。

　該算法對于牌照傾斜或變形以及光照不均、偏弱或偏強有很好的效果, 但對噪聲敏感, 對于背景復雜的圖像可以結合垂直投影的方法來得到真正的車牌區域,可以有效地解決背景復雜的車牌定位。
　車牌定位技術是車牌識別系統中的一個重要環節,在定位的精度、計算速度和適用的可靠性方面還需要進一步改進和提高。目前，還沒有一種算法能夠實現對于任意背景、位置和光照條件下的汽車圖像進行車牌定位。
參考文獻
[1] 周心明，蘭賽，徐燕.圖像處理中幾種邊緣檢測算法的比較[J]. 現代電力，2000，17（3）：65-69。
[2] 趙雪春，威飛虎.基于彩色分割的車牌自動識別技術[J].上海交通大學學報，1998，32（10）：4-9.
[3] 韓麗萍,尹王保,李月娥.一種有效的濾波尺度自適應調整的小波邊緣檢測方法[J].計算機工程與應用, 2005,41(11):70-71.
[4] 戴青云,余英林.一種基于小波與形態學的車牌圖象分割方法[J].中國圖象圖形學報, 2000,5A(5):412-413.
[5] 李波,曾致遠,付祥勝.基于數學形態學和邊緣特征的車牌定位算法[J].視頻技術應用與工程,2005,(7):94-96.
[6] 楊家輝，王建英.基于色彩分割與體態紋理分析的車牌定位方法[J].計算機與現代化，2004（11）：22-26.