一. 引言

如何從一副圖片中找到車牌? 這是機器視覺的一個應用. 理所當然地, 思考的角度是從車牌本身的信息入手, 為了討論方便, 下面均以長窄型藍白車牌為例.

下圖就是這樣一張車牌的基本信息.

一眼看過去, 可以得到的信息有: 長寬比 - 3.14, 字符數 - 7, 第一個字符是漢字, 第二個字符是字母, 之后為5個字母/數字混合等距排列.

同時還可以大致了解到, 一個清晰的車牌應該擁有足夠多的邊緣信息, 換句話說, 邊緣信息足夠密集地聚集在一個3.14:1的矩形中.

所以今天介紹的算法, 都使用的是邊緣信息, 結合上形態學來進行判別.

二. 什么是邊緣?

什么是邊緣? 一般我們定義灰度(256階)圖像中灰度的跳變點為邊緣. 跳變點指的是相近的兩個像素的灰度差異較大.

一般用于計算邊緣的方法是使用算子對圖像進行處理, 我們這里使用的是Sobel算子. 用于檢測垂直邊緣的三階Sobel算子的形式大致如下:

我們設算子為S, 圖像中應用于算子的部分為G_S, 輸出為O_S. 我們可以得到O_S = G_S?* S. 也即計算了G_S左側和右側灰度值的差, 將此差值賦予中間的三個像素. 可以看到, 這是符合我們對于邊緣的定義的. 下面我們就看看使用垂直和水平兩個方向的Sobel算子的計算結果:

第一張是原圖, 第二張是灰度邊緣.

三. 形態學 - Morphology

形態學聽起來高大上, 實際上不過是利用圖像的一些幾何特征進行分析罷了. 在CLPR(中國車牌識別)學術領域, 形態學分析可以說占據了半壁江山.?

第一章我們就分析過, 車牌可以利用的形態學信息不過寥寥: 長寬比3.14, 邊緣密度高等.

其中長寬比如何確定? 邊緣密度的高低又如何定量?

這些參數的獲取方法和確定方法才是隱藏在形態學分析背后的關鍵所在.

四. 中國車牌識別常見算法匯總

我總結了21世紀以來國內外大多數期刊學報發表的關于CLPR的論文以及它們的效果, 這里先放出來, 以便下一步分析.

大多數已發表的結果定位的成功率都在96%以上. 基于應用情景的不同, 成功率略有波動但無須在意.

這里我們分析第一篇論文"A hybrid License Plate Extraction Method Based?On Edge Statistics and Morphology". 這篇論文發表于模式識別國際會議(ICPR2004)的Proceedings上. ICPR屬于模式識別領域最頂級的會議了, 所以這篇文章的可靠性還是有的. 下面我們看看這篇論文定位算法的基本思路:

我們可以看到, 這篇文章使用的是垂直邊緣檢測配合邊緣分析和形態學提取的方法. 其中的第三步是算法的關鍵實現點, 通過連接近鄰的邊緣點構造邊緣線進而連接這些線來構造矩形, 最后根據矩形的位置信息來合并這些矩形, 從而實現了一種巧妙的圖像膨脹. 這種膨脹不同于一般IP中使用的無目的的膨脹, 它傾向于合并那些水平距離不遠, 垂直距離相近的矩形(見下式).

連接密度定義

overlap_V是兩個矩形垂直方向上的重疊部分, dis_H是它們的水平距離, h₁, h₂, w₁, w₂則是它們的高度和寬度.

• • 當兩矩形越處于同一水平線, overlap_V越大, 則D就越大, 這兩個矩形就越傾向于合并;
  • 當兩個矩形距離越遠, 則dis_H就越大, D就越小, 這兩個矩形就越不傾向于合并;
  • 當兩個矩形都比較高, D越小, 越不傾向于合并;
  • 當兩個矩形都比較寬, D越大, 越傾向于合并;

所以問題的關鍵就落在了D取多少的時候應該合并, 取多少的時候又不該合并呢? 這是一個閾值選取問題. 論文中選取了4階閾值(64, 32, 16, 8)分別對圖像進行處理, 得到4張處理后的圖. 隨后基于以下四點進行提取:

?

高閾值得到的矩形優先級高;

圖像底部的矩形優先級高;

符合標準車牌的比例的矩形優先級高;

交叉的區域可以參考D的定義.

在獲取這些圖后, 作者又使用了非線性濾波器(但是沒說是什么濾波器)移除了一些窄長邊緣. 隨后使用3x15的窗對上述圖像進行卷積, 再使用大津二值法進行二值化. 二值化結束后, 對于每一個邊緣點, 如果它上下的邊緣點的距離低于某一閾值, 我們就連接它上下的邊緣. 隨后使用1x9的窗口對圖像進行膨脹.

這之后就是連通分量分析和特征提取. 此處不再贅述.

五. 邊緣定位算法的優劣分析

邊緣定位算法的優點是準確率非常高, 但是問題明顯.

受噪聲影響, 誤檢率高;

受噪聲影響, 容易粘黏導致形態學分析失效;

受光照條件影響, 性能魯棒性不足.

對于第一點和第二點, 我們需要對邊緣進行處理, 盡量濾除非車牌的邊緣或弱化它們.

對于第三點, 圖像的預處理就非常重要, 直方圖均衡化特別是分塊局部直方圖均衡化是常用的手段, 也有針對特定灰度的折線分段灰度拉伸算法, 此處也不贅述.

總結起來, 使用邊緣算法需要注意兩點:

預處理工作

邊緣濾波

轉載于:https://www.cnblogs.com/lancelod/p/4042295.html

總結

以上是生活随笔為你收集整理的[CLPR] 定位算法探幽 - 边缘和形态学的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。