復(fù)雜背景下的車牌自動(dòng)識(shí)別系統(tǒng)

0 引言
    隨著現(xiàn)代交通的發(fā)展，車牌自動(dòng)識(shí)別技術(shù)越來(lái)越成為智能交通的重要組成部分。車牌識(shí)別技術(shù)主要是采用計(jì)算機(jī)圖像處理技術(shù)對(duì)車牌的圖像進(jìn)行分析，以自動(dòng)提取車牌信息，確定車牌號(hào)。一般說(shuō)來(lái)，在車牌自動(dòng)識(shí)別系統(tǒng)中，處理的關(guān)鍵技術(shù)問(wèn)題是車牌的定位及字符的分割。對(duì)于車牌自動(dòng)識(shí)別系統(tǒng)已經(jīng)提出了許多方法，如運(yùn)用多重特征的車牌定位算法，基于彩色和紋理分析的車牌定位方法，用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車牌自動(dòng)識(shí)別等。針對(duì)通過(guò)攝像頭動(dòng)態(tài)采集到的圖像有可能存在模糊、噪聲干擾等問(wèn)題，我們先用改進(jìn)模糊C-均值聚類算法對(duì)采集到的圖像進(jìn)行分割，然后根據(jù)車牌區(qū)域的特點(diǎn)對(duì)車牌進(jìn)行定位。車牌定位后，根據(jù)車牌中字符的分布特點(diǎn)，對(duì)字符進(jìn)行分割及識(shí)別。對(duì)于采集到的復(fù)雜背景的圖像進(jìn)行實(shí)驗(yàn)后，得到了較理想的車牌自動(dòng)識(shí)別效果。

1 車牌的定位
    車牌定位是車牌識(shí)別系統(tǒng)的核心，它是從一個(gè)復(fù)雜背景的圖像找到車牌所在的區(qū)域。為了更好對(duì)車牌加以定位，需先對(duì)采集到的圖像進(jìn)行分割。
1．1 用改進(jìn)的模糊C-均值聚類算法進(jìn)行圖像分割
    模糊C-均值(FCM)算法是常用的圖像分割方法，它是通過(guò)迭代法優(yōu)化目標(biāo)函數(shù)來(lái)實(shí)現(xiàn)圖像分割的，該算法的不足是收斂速度較慢。為了提高該算法的速度，已提出了不同的改進(jìn)FCM算法，在文獻(xiàn)[5]中，利用分層聚類把圖像數(shù)據(jù)分成一定數(shù)量的色彩相近的子集，來(lái)提高FCM算法的計(jì)算速度。該改進(jìn)算法是通過(guò)減少聚類樣本來(lái)提高聚類的速度的。
    在FCM算法中，初始聚類中心及聚類數(shù)目的選取對(duì)算法速度有一定的影響，較好的初始值，有助于提高聚類的速度。聚類中心與聚類數(shù)目與圖像的灰度直方圖的極值點(diǎn)相關(guān)聯(lián)。對(duì)一幅較復(fù)雜的圖像，其灰度直方圖不是連續(xù)的圖形，直方圖中存在很多的毛刺，確定出的極值點(diǎn)一般有很多個(gè)。為了更有效地獲取其極值點(diǎn)，我們對(duì)圖像的灰度值做如下處理，將灰度值為[h，h+n]間的像素的個(gè)數(shù)疊加在一起，其中n為灰度區(qū)間，這可以避免一些像素值較小的極值點(diǎn)出現(xiàn)。通過(guò)處理后的圖像灰度值col[i](其中0≤i≤255)，來(lái)獲得灰度直方圖的極值點(diǎn)。當(dāng)col[i-1]<col[i]≥col[i+1]時(shí)，該點(diǎn)便為極值點(diǎn)。獲得的灰度值的極值點(diǎn)可以作為聚類中心的一個(gè)特征量，極值點(diǎn)的個(gè)數(shù)可以作為聚類數(shù)目的初始值。
    為提高聚類的收斂速度，還需對(duì)隸屬度進(jìn)行修正，在半抑制式模糊C-均值聚類算法(HSFCM)中引入了一抑制門限參數(shù)β，將最大隸屬度值uRj與該門限進(jìn)行比較，若其大于該門限，則對(duì)其進(jìn)行修正；否則就不對(duì)其修正。為了更好地提高聚類的速度，將隸屬度修正公式變?yōu)椋?/p>

   
    在式(1a)，當(dāng)最大隸屬度值uRi大于門限值β1時(shí)，uRi=1，轉(zhuǎn)為硬C聚類算法；當(dāng)uRi小于門限值β2時(shí)，不修正；當(dāng)β1≥uRj>β 2時(shí)，uRj增加為原來(lái)的2-uRj倍，提高其隸屬度。在式(1b)中，將其它隸屬度做相應(yīng)的修改，以滿足

    改進(jìn)后的模糊C-均值聚類算法的具體操作步驟如下：
    (1)對(duì)圖像進(jìn)行灰度處理，獲得灰度值的極值點(diǎn)及個(gè)數(shù)來(lái)初始化聚類中心初始聚類中心V(0)及聚類數(shù)目C，并具體選取ε>0，令迭代次數(shù)k=0。
    (2)計(jì)算U（K），如果∨j，r,drj(k)>0，則
    如果存在j,r，使得drj(k)=0，則令urj(k)=1，且i≠r，uij(k)=0。
    (3)根據(jù)式(1a)、(1b)，修正隸屬度矩陣U(k)。
      

(5)如果||V(k)-V(k+1)||<ε，則停止，否則令k=k+1，重復(fù)步驟(2)、(3)、(4)、(5)。
    對(duì)圖1所示的原始圖像中，處理后的灰度直方圖如圖2所示，獲得的極值點(diǎn)的個(gè)數(shù)(即聚類數(shù)目)為4，聚類中心灰度值特征量的初始化值分別為(21、66、141、186)。通過(guò)改進(jìn)FCM算法后，獲得分割后的圖像如圖3所示。

1．2 車牌的定位
    根據(jù)拍攝到的車牌圖像的特點(diǎn)，牌照一般是在圖像的下方，且牌照下方多數(shù)是地面，在水平方向上，地面的圖像灰度分布比較均勻；而牌照區(qū)域由于圖像字符的分布，使得圖像灰度值在水平方向上的變化頻率比較大，且變化間隔較均勻。根據(jù)上面的分析，車牌從下至上來(lái)定位可以避免上面復(fù)雜背景的干擾，縮短定位時(shí)間。圖像不同部分的水平灰度值變化如圖4～7所示，其中圖4是車牌區(qū)域中字符下邊緣的與上邊緣的水平灰度值的變化(圖中白線所示)，圖5是車牌區(qū)域外下邊緣與上邊緣的水平灰度值的變化。根據(jù)灰度值的變化便可定位出車牌的字符區(qū)域，如圖6所示。

2 字符的分割
    經(jīng)過(guò)圖像分割后的車牌區(qū)域中，字符與牌照底的內(nèi)部灰度較均勻，而字符與底色在灰度上有較大差異，并且字符間有明顯的間距。根據(jù)這個(gè)特點(diǎn)，將字符區(qū)域中字符像素的個(gè)數(shù)垂直投影來(lái)進(jìn)行字符的分割。設(shè)置一個(gè)閾值T用來(lái)區(qū)分字符與牌照底色，hhi(0≤i<W)表示水平位置i處字符在垂直方向的像素個(gè)數(shù)，W表示車牌區(qū)域的寬度。當(dāng)字符區(qū)域的灰度值h>T時(shí)，對(duì)應(yīng)的水平位置的hhi自增1。統(tǒng)計(jì)后hhi顯示如圖7所示，可以看出灰度值的垂直投影間存在明顯的間隔，并與字符間隔相對(duì)應(yīng)。
    根據(jù)hhi的值，當(dāng)

   
    根據(jù)式(2)分割后的字符如圖8所示，分割效果比較明顯。

3 結(jié)論
    本文提出了一種改進(jìn)的模糊C均值聚類算法用來(lái)對(duì)車牌圖像進(jìn)行分割，改進(jìn)算法中通過(guò)圖像灰度直方圖來(lái)初始化聚類中心與聚類數(shù)目，并對(duì)聚類中的隸屬度做了相應(yīng)的修正。在車牌定位與字符分割中，結(jié)合車牌中字符的分布特點(diǎn)，根據(jù)水平灰度值的變化曲線，來(lái)實(shí)現(xiàn)車牌的定位；根據(jù)字符區(qū)域中字符像素個(gè)數(shù)的垂直投影，來(lái)實(shí)現(xiàn)字符的分割。本文中的算法采用VC++6．0編程實(shí)現(xiàn)，并對(duì)多幅背景復(fù)雜的車輛圖像進(jìn)行了實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該算法能夠較快、較準(zhǔn)確地獲得車牌自動(dòng)識(shí)別效果。