摘   要： 針對加油站管理系統中的車牌定位問題，在對彩色圖像灰度化的基礎上，利用迭代法進行圖像分割，利用行掃描技術并結合車牌字符特征，實現了車牌的準確定位，實驗證明了該方法的有效性。
關鍵詞： 車牌定位; 迭代法; 二值圖像; 行掃描

    加油站信息管理系統利用信息技術對油品銷售、油料配給等進行實時、高效、智能的監控和管理，從而極大地降低了運行和管理成本，減少投入，以較低代價獲取最佳的經濟價值,因此具有明顯的經濟和社會效益。國內的大型鋼鐵、交通物流、港口碼頭等企業都有內部加油站為本公司車輛加油，而且油料在生產成本中占據了很大比重。利用IC卡技術可在一定程度上實現對車輛的用油統計和管理，但無法完全杜絕用油中的漏洞,存在IC卡用于非對應車輛加油現象。利用加油車輛的車牌信息判別是否為授權加油車輛，可最大程度地保證加油車輛的合法性，提高用油管理的等級，能在較大程度上杜絕用油漏洞。
　加油站管理系統通過攝像頭對進入加油站的車牌進行圖像抓拍，并對抓拍的圖像進行號碼自動識別，獲得數字化信息來進行有關的管理和控制，對登記過的合法車輛授權加油機進行加油。車牌識別的工作過程分為兩個步驟：一是確定車牌在整個圖像中的位置；二是車牌號碼字符識別，即從車牌圖像中識別出車牌號碼，并輸出車牌號碼字符串。在加油站中，基于防爆考慮，拍照時不能進行補光，采集的圖像較暗，尤其在晚上更為突出，因此研究一種快速有效的車牌定位技術顯得尤為必要。
　國內外學者對車牌定位進行了廣泛的研究，提出了許多算法，如基于數學形態學的方法[1]，該方法利用選取合適的結構元素使車牌區域形成閉合的連通區域，通過這些連通區域的篩選可以將車牌找到，運算量較小，但識別準確率不高；基于神經網絡的方法[2-3]則需把圖像特征輸入神經網絡進行學習，計算量很大，同時存在網絡局部收斂、車牌定位時間長等問題；基于Hough變換進行直線檢測的方法[4]，計算量較大，對于邊框小、連續的車牌，需附加大量的運算；基于彩色圖像的車牌分割方法[5]一般將輸入的RGB彩色圖像轉換成HIS空間的彩色圖像，需進行大量的浮點運算，然后進行色彩分割，再進一步定位車牌，計算量很大；基于模糊邏輯的方法[6]需要在圖像屬性域和模糊域之間變換，實時性比較差。本文在利用迭代法生成二值圖像的基礎上，利用行掃描技術，結合車牌圖像的字符特征，研究了一種適合加油站使用的車牌定位技術，為后續的字符識別提供技術支持。
1 圖像的灰度化
　視頻采集系統輸出的是24位真彩圖像,彩色圖像包含大量的顏色信息，圖像信息更加豐富,但也存在存儲空間大、計算量大等缺點，為此要把彩色圖像轉換為灰度圖像。將彩色圖像轉換為灰度圖像的方法有以下三種：

    對一幅彩色圖像進行灰度化，其結果如圖1所示。

2 圖像閾值分割
　直方圖閾值法是灰度圖像廣泛使用的一種分割方法，它基于對灰度圖像的這樣一種假設：目標或背景內部的相鄰像素間的灰度值相似，但不同目標或背景上的像素灰度差異較大，反映在直方圖上，不同目標或背景對應不同的峰。選取的閾值應位于兩個不同峰之間的谷上，以便將各個峰分開,典型的方法有Otsu方法、最大熵方法等?；谥狈綀D的方法要求直方圖是雙峰的，即要有明顯的谷底以便選取閾值。由于車牌圖像中，相對于車牌區域來講，背景比較復雜，圖像不一定有明顯峰值，因此本文采用迭代法來獲取閾值，因為迭代法不要求直方圖有明顯的雙峰。迭代法方法如下:
    (1)求出圖像的最大灰度值和最小灰度值，分別記為Gmax、Gmin，使初始閾值為:

    (2)在t步，根據t-1步計算的閾值,將圖像分割為背景和目標，并利用式(6)計算目標和背景的平均灰度，
g(i,j)為像素點(i,j)的灰度級:

    直到兩組的平均灰度值不再發生改變，這時得到的就是所需要的閾值。利用上述方法對圖1進行圖像分割后的結果如圖2所示。

3 行掃描的車牌定位技術
3.1 車牌行掃描
    牌照區域區別于其他區域的最明顯的特征是：牌照區域有按一定標準排列的字符，不僅字符和車牌底色在灰度上存在跳變，且在車牌區域有豐富的邊緣存在，呈現出規則的紋理特征，具體可歸結為該區域水平方向灰度變化頻度比較高。記圖像中第i行灰度變化函數為f(i)(0≤i≤M)，M為圖像的高度,使用水平掃描線獲取整幅圖像每行的灰度變化值，即二值化后圖像由黑到白或由白到黑的變化頻率。由于車身和背景的水平灰度變化值要低于車牌區域，據此設計的行掃描技術如下:
　(1)統計二值化后圖像第i行的灰度變化值，采用的公式為：
  
g(i,j)表示在像素點(i,j)上的灰度級。即橫向掃描線掃描到的像素點，其值的變化從黑點變到白點，或者從白點變到黑點，這時統計的數據加1，整行掃描完獲取的就是第i行的灰度變化值。
    (2)求出圖像行灰度變化值大于零的行的灰度變化平均值，計算公式為：
   
   (3)對f(i)進行拷貝，得到fc(i)后，去除所有f(i)小于Ave的行，即將這些行的f(i)置為0。對圖2進行行掃描后的結果如圖3所示。

3.2 車牌區塊狀化
　利用上文所述方法進行車牌掃描后，其結果可能把車牌區域的某幾行去除，當然車牌區域大多數行仍然保留著，所以要進行區域塊化，以保留完整的車牌區域。根據實際情況和實驗表明，在車牌區域中行灰度變化值f(i)>0和f(i)=0的變化間距不會超過某個數值T1，因為車牌區域的字符是連貫的，而且車牌周圍的背景比較穩定，所以以行距T1作為歸并車牌區域的閾值。T1在實際中可以取一個合適數值，如5或6。
　具體算法如下：
　(1)遍歷所有i(0≤i≤M)，只要滿足f(i-1)>0&&f(i)=0,進行步驟(2)，否則繼續步驟(1);
　(2)令j=i，滿足j>i+T1&&j≤M；若存在f(j)>0，則可以使i到j這幾行的f(j)=fc(j)，即讓其恢復原值，完成區域塊化；
　(3)去除零散區域。由于車牌在整幅圖像中的寬度不可能小于T2個像素,同時實驗結果表明以T2取10~15作為去除零散區域的閾值比較合適。首先查找滿足f(i-1)>0&&f(i)=0的行，則第i-1行為此區域的邊界，從此邊界開始向下搜索T2個像素，如果存在f(i)=0，說明此區域的行寬不足T2，則去掉此零散區域，即令f(i)=0；
   (4)判斷是否i≥M，如果是則退出,否則繼續步驟(1)。
　利用此算法對圖3進行處理的結果如圖4所示。

3.3 利用車牌特征選取條狀區域
   在剩余的矩形區域中，統計每個矩形區域中灰度跳變點總數，將總數最大的那個區域確定為車牌區域，如圖5所示。若此區域不存在，則認為圖像中無車牌圖像。接著，要在可能的條狀區域中選擇車牌可能在的塊狀區域。原始車牌中每個字寬45 mm，字高90 mm， 間隔符寬10 mm，每個單元間隔12 mm，根據這些尺寸，可以得出車牌區域中字高和字的總長比值約為1:5。

　經過前面的篩選，留下的條狀區域必然緊貼字符，假設可能的每個條狀區域的行高為H，按照1:5的比例，獲取此條狀區域中所有H×5H的塊狀區域,計算這些塊狀區域的灰度變化值B(i)，其中最大的B(i)值對應的塊狀區域即為可能的車牌塊狀區域。
3.4 密度法獲取精確位置
   由于車牌區域字符紋理的復雜性，其單位面積的灰度變化值應該是最大的，若可能的第i塊車牌區域的灰度變化值為B(i),面積為A(i)，就可得到灰度變化值的密度為D(i)。比較所有的密度值，則最大的密度值對應的區域即為車牌區域。其中，
   
   利用此法獲取的車牌區域如圖6所示。

4 實驗
　在VC++6．0環境下開發車牌定位系統, 在Pentium(2.2G)CPU、2 GB內存的計算機上對300幅車輛圖像進行車牌牌照圖像獲取測試。試驗結果如表1所示，車牌定位總有效率在96%以上。算法中，由于在車牌區塊化的過程中對車牌行掃描中去除的車牌區域進行了復原，因此車牌沒有出現漏檢區域，但是出現了將非車牌的背景區域也包含進來的情況，算法有待進一步改進。

    本文針對加油站管理系統中的車牌定位問題展開研究，在灰度化的圖像上進行迭代法分割圖像，并采用行掃描技術結合車牌字符特征，對車牌區域進行了準確定位。本文提出的定位算法計算量小、處理速度快。實驗結果表明，其總有效率達到了95％以上，具有較高的檢測速度和準確率。
參考文獻
[1] 盧雅琴，鄔凌趟．基于數學形態學的車牌定位方法[J]．計算機工程，2005，3l(2)：224-227.
[2]  張興會，杜升，陳增強，等．基于神經網絡的車牌照自動識別系統[J]．儀器儀表學報，2001，22（3）增刊.
[3]  JUNG K. Neural network-based text location in colorimage[J]. pattern recognition Letters,2001(22):1503-1515.
[4] SURAL S, DAS P K. Fuzzy hough transform and an MLP     with fuzzy input/output for character recognition[J]. Fuzzy Sets and Systems,1999:489-497.
[5] 任德華. 自然復雜環境中基于顏色的多車牌定位研究[J]. 中國圖象圖形學報, 2009,14(12):2517-2525.
[6]  WANG Feng, MAN Li Chun, WANG Bang Ping, et al. Fuzzy-based algorithm for color recognition of license plates[J].Pattern Recognition Letters,2008(29):1007-1020.