近年來，我國(guó)在城市和交通建設(shè)方面取得了巨大的進(jìn)步。然而，面對(duì)越來越多的交通路口、收費(fèi)站以及治安卡口，傳統(tǒng)的人工值守顯然已經(jīng)滿足不了要求。為解決這種現(xiàn)狀，出現(xiàn)了適應(yīng)信息化時(shí)代的計(jì)算機(jī)集成產(chǎn)品，即電子警察，并已經(jīng)得到了廣泛的應(yīng)用。

電子警察采用視頻圖像的識(shí)別技術(shù)，全天候進(jìn)行車輛及道路的監(jiān)控，對(duì)違規(guī)車輛進(jìn)行抓拍，實(shí)現(xiàn)了城市道路交通的智能化管理，達(dá)到無人化值守。利用該系統(tǒng)可以迅速查明違章車輛、分析交通事故，為進(jìn)一步整頓交通環(huán)境，交通管理科學(xué)化提供高效可靠的技術(shù)依據(jù)。

1 抓拍照片分析

出于性價(jià)比的原因，目前國(guó)內(nèi)電子警察系統(tǒng)的圖像獲取單元一般都采用CCD工業(yè)電視攝像機(jī)，而且被架設(shè)在室外?，F(xiàn)以闖紅燈違章抓拍系統(tǒng)為例來分析抓拍的圖像數(shù)據(jù)。

(1) 由于紅燈的停車線靠近行人通道，造成圖像背景特別復(fù)雜;

(2) 機(jī)動(dòng)車的車型較多，車牌的位置各不相同;

(3) 拍攝圖像時(shí)受天氣、照明以及運(yùn)動(dòng)等因素的影響很大;

(4) 攝像機(jī)受路口實(shí)際條件的限制，可能距離較遠(yuǎn)，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(shù)據(jù)要比在實(shí)驗(yàn)室所用的數(shù)據(jù)惡劣得多，而且意想不到的情況也時(shí)有發(fā)生，這就給圖像識(shí)別帶來了極大的困難。

2 圖像處理方案

通過多次實(shí)驗(yàn)檢測(cè)，最終選用了圖1所示的圖像處理方案。

對(duì)圖像數(shù)據(jù)的灰度化、平滑、邊緣檢測(cè)、二值化以及旋轉(zhuǎn)都屬于圖像的預(yù)處理部分。判定就是準(zhǔn)確地定位車牌位置，接下來先對(duì)車牌進(jìn)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(gè)特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入，以便于字符識(shí)別。所以字符識(shí)別部分用了一個(gè)三層的神經(jīng)網(wǎng)絡(luò)，先進(jìn)行學(xué)習(xí)訓(xùn)練，得到收斂的一組權(quán)值。

限于篇幅，本文只介紹圖像預(yù)處理和判定部分，識(shí)別應(yīng)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(chǔ)，由CCD攝象機(jī)獲取的圖像通過圖像采集卡采集到工控機(jī)或圖像處理器件后，一般會(huì)轉(zhuǎn)換成JPEG格式。這樣處理的對(duì)象也就是JPEG文件，要進(jìn)行灰度化，以去掉彩色信息，加快處理速度?；叶然墓娇梢圆捎檬?1)。

其中，g(i，j)為點(diǎn)(i，j)處的灰度值，R，G，B分別為該點(diǎn)的三基色值。但是，定位車牌時(shí)亮度信息并不重要。鑒于在這個(gè)式子中，G基色占的比重最大，所以有理由在灰度化時(shí)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(jìn)行圖像處理時(shí)才能發(fā)現(xiàn)。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(jìn)行圖像平滑?？梢圆捎玫屯V波的方法來去除噪聲，為此要設(shè)計(jì)空間域系統(tǒng)的單位沖激響應(yīng)矩陣。

2.2 邊緣檢測(cè)與二值化

與平滑過程相反，邊緣檢測(cè)相當(dāng)于高通濾波器，是為了提取圖像中的高頻部分。因?yàn)檐嚺粕献址^密，所以這一部分的圖像變化必然比其它區(qū)域高，這對(duì)于車牌定位是很重要的信息。邊緣增強(qiáng)的方法很多，常用的增強(qiáng)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(jìn)形式。Kirsch算子是一種象素鄰點(diǎn)順時(shí)針循環(huán)平均求梯度的方法，它取如下的梯度圖像作為檢測(cè)結(jié)果:

分別表示f(i，j)的八鄰象素中順時(shí)針排列的相鄰三個(gè)象素和五個(gè)象素之和。規(guī)定A0為f(i，j)左上角的鄰域。A的下標(biāo)按模8計(jì)算，如圖2所示。

式(3)中大括號(hào)內(nèi)的取極大值運(yùn)算，其實(shí)就是求f(i，j)在8個(gè)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(yùn)算后，圖像中每象素點(diǎn)的值代表了該點(diǎn)的高頻信息，從這些信息中要定位出車牌的位置，就必須進(jìn)行二值化處理。二值化的方法有很多，但應(yīng)用于工程上時(shí)，一個(gè)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?yàn)榄h(huán)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(xì)微變化。針對(duì)這個(gè)問題，本文提出了一種反向積分求象素點(diǎn)的方法，使得二值化能自適應(yīng)選擇適當(dāng)?shù)拈撝怠?/p>

其中:n(k)為圖像中所有取值為k的象素點(diǎn)個(gè)數(shù)，n為圖像總象素?cái)?shù)。通過大量的實(shí)驗(yàn)，發(fā)現(xiàn)這個(gè)象素值-概率關(guān)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(dá)到最佳，閾值一定在曲線趨于平坦的點(diǎn)附近。

這時(shí)會(huì)發(fā)現(xiàn)不管是白天還是夜間，S總是在一常數(shù)附近，而這個(gè)差別對(duì)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(gè)常數(shù)來處理。雖然它也與圖像的復(fù)雜程度有關(guān)，但這只會(huì)影響二值化后點(diǎn)的分布。車牌位置總是處于高頻部分，對(duì)它的影響較小。這個(gè)現(xiàn)象也同時(shí)說明，要準(zhǔn)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(shù)，那么從gmax開始反向積分(求和)，就可以得出th，而且th會(huì)隨著圖像的亮暗程度、對(duì)比度自適應(yīng)變化。

2.3 圖像旋轉(zhuǎn)與車牌定位

在實(shí)際施工中，鏡頭的架設(shè)常受到條件的限制，圖像的傾斜程度特別大。這時(shí)，用圖像的旋轉(zhuǎn)不變距顯然難以湊效，只有對(duì)圖像進(jìn)行旋轉(zhuǎn)。而且這個(gè)角度的設(shè)定對(duì)具體的環(huán)境不再發(fā)生變化，知道了這個(gè)角度，也有利于汽車的運(yùn)動(dòng)軌跡判斷。

進(jìn)行完前面的預(yù)處理工作后，定位車牌就容易了。對(duì)圖像自下而上逐行掃描，在限定的模板寬度內(nèi)，若變化頻率達(dá)到一定次數(shù)，例如10次，則向下開始掃描，直到滿足模板高度，將這個(gè)區(qū)域定為車牌的候選區(qū)。如果沒找到車牌，則將車牌的模板進(jìn)行一些調(diào)整，再繼續(xù)搜索，還是找不到，就是沒有車牌。對(duì)于多個(gè)候選的區(qū)域，可以進(jìn)行粗略的聚類估計(jì)和簡(jiǎn)單的邏輯判斷，以提高定位準(zhǔn)確性。

3 運(yùn)行結(jié)果

用這一套組合策略，對(duì)不同時(shí)間、不同交通路口、不同光照下抓拍的汽車圖像進(jìn)行車牌定位識(shí)別，定位結(jié)果如表1所示。

在選圖時(shí)，夜間圖像占20% 左右。從上述結(jié)果，可以清楚地看出，公共汽車的準(zhǔn)確率最低，這是因?yàn)楣财囉性S多廣告和粘貼紙，造成了錯(cuò)誤定位?？ㄜ嚨能嚺圃谲嚳蛳逻?，較為隱蔽，有些車牌特別臟，識(shí)別比較困難。而出租車和中巴車的錯(cuò)誤定位大多是夜間圖像引起的。還要說明一點(diǎn)，夜間圖像在拍攝時(shí)加了紅外補(bǔ)光系統(tǒng)。針對(duì)工程應(yīng)用的水平，這個(gè)結(jié)果是令人滿意的。

本文只介紹了電子警察抓拍系統(tǒng)中車牌定位的內(nèi)容。電子警察系統(tǒng)最大的困難就是受自然環(huán)境的影響特別大，而且安裝時(shí)總是要去適應(yīng)地形環(huán)境，所以拍攝到的圖像有時(shí)非常不好，并不象實(shí)驗(yàn)室處理的那么理想。因此要找到一種適應(yīng)性較好的定位方法，只有舍棄許多優(yōu)越的處理方法。本文使用的這種圖像處理的策略，只設(shè)定幾個(gè)參數(shù)，在特定的環(huán)境中可以實(shí)現(xiàn)二值化閾值的自適應(yīng)調(diào)整，將車牌識(shí)別提高到工程應(yīng)用的水平?？傮w上來說，具有較好的適應(yīng)性。