基于HSV色彩空間對藍白車牌進行識別

1、基于HSV色彩空間對藍白車牌進行識別摘要車牌的自動識別是智能交通很重要的一部分，它作為連接數(shù)字處理與現(xiàn)實的紐帶，有必要具備好的性質(zhì)。傳統(tǒng)的車牌識別算法都是在RGB色彩空間中進行的，本文的基本思想是采用更加貼近人眼視覺的HSV色彩空間，來達到不同的圖像分析效果。關(guān)鍵詞字符識別；模板匹配；HSV色彩空間；車牌定位Blue-White Vehicle License Plate Recognition Based On HSV Color SpaceLi Zhe, Liu Xin, Nie LeiAbstract: Vehicle license plate recognition is one o

2、f the most important parts of the smart transportation; it connects the digital process and the real world. Traditionally, we process plate image in RGB color space, we choose the HSV color space in this article, which is more similar to humans view, to achieve better result.Keyword： Vehicle license

3、 plate recognition; template match; HSV color space; vehicle license plate location;1. 引言傳統(tǒng)的車牌定位方式的已經(jīng)比較成熟，但是仍然有一個重要的缺陷，即自適應(yīng)的問題。傳統(tǒng)算法的適應(yīng)范圍有限，對于不同的圖片，需要對算法調(diào)整才能夠處理好。但是，對于不同圖像，只能通過手動選擇算法或者更改參數(shù)來提高質(zhì)量，算法選擇的過程和參數(shù)的調(diào)整不容易自動化，缺乏相應(yīng)的估測機制。本文著重于研究小型車輛的藍色車牌，由于藍色車牌顏色的特殊性，考慮采用與人眼視覺更加接近的HSV色彩空間，對目標區(qū)域進行篩選和提取。相比傳統(tǒng)算法，取得了較為

4、滿意的自適應(yīng)性和定位結(jié)果。另外，本文對于傳統(tǒng)的字符模板匹配的方式進行了一定的修正，提高了其兼容范圍，使得模板匹配獲取更高的識別率。2. HSV色彩空間HSV（也叫HSB）是對RGB 色彩空間中點的一種有關(guān)系的表示，它嘗試描述比 RGB 更準確的感知顏色聯(lián)系，并仍保持在計算上簡單。H指hue（色相）、S指saturation（飽和度）、V指value(色調(diào))。色相（H）是色彩的基本屬性，就是平常所說的顏色名稱，如紅色、黃色等。飽和度（S）是指色彩的純度，越高色彩越純，低則逐漸變灰，取0-100%的數(shù)值。明度（V），亮度（B），取0-100%。HSV 模型通常用于計算機圖形應(yīng)用中。在用戶必須選擇一

5、個顏色應(yīng)用于特定圖形元素各種應(yīng)用環(huán)境中，經(jīng)常使用 HSV 色輪。在其中，色相表示為圓環(huán)；可以使用一個獨立的三角形來表示飽和度和明度。典型的，這個三角形的垂直軸指示飽和度，而水平軸表示明度。在這種方式下，選擇顏色可以首先在圓環(huán)中選擇色相，在從三角形中選擇想要的飽和度和明度。如下所示：RGB到HSV的轉(zhuǎn)換設(shè) (r,g,b) 分別是一個顏色的紅、綠和藍坐標，它們的值是在 0 到 1 之間的實數(shù)。設(shè)max等價于r,g和b中的最大者。設(shè)min等于這些值中的最小者。3.車牌定位由此，我們可以知道，藍色和其臨近色的飽和度H處以一個有限的范圍內(nèi)，事實上，我們知道以下顏色的飽和度，而它們均為藍色的臨近顏色：青色

6、：180，青藍：210，藍色：240，紫藍色：270因此，歸一化以后，H的取值范圍在0.50.75而查看色表可以知道，要使人眼對相應(yīng)的顏色產(chǎn)生感覺，則S=0.25，V=0.125所以我們就可以得到一個初步的篩選模式，利用HSV的范圍進行初步篩選。%H: Cyan (180) - Blue-Cyan (210) - Blue (240) - Magenta-Blue (270)blueRegion = (H(:,:,1) = 0.5) & (H(:,:,2) = 0.25) & (gray = 0.125);可以看出，初步篩選會遇到一個選擇多余區(qū)域的難題。上面所給出的第一個例子中，車體與車牌顏色

7、一致，導(dǎo)致了選取過度，我們需要一種方式將車牌分離出來。結(jié)合傳統(tǒng)的思路，我們知道，車牌區(qū)域是屬于邊緣比較復(fù)雜明顯的區(qū)域，因此，可以考慮使用邊緣算子進行處理。但是，事實上車身的細節(jié)也會造成較為復(fù)雜的邊緣，那么要如何區(qū)分這些邊緣則成了重點。進過反復(fù)嘗試，我們選擇了sobel算子，這種算子的速度比較快，但是效果并不是很好，不過，利用sobel算子獲取橫向和豎向的邊緣，進行形態(tài)學(xué)處理并且取交集，就得到和非常理想的效果。因為車身的細節(jié)大多是單一的橫向或者縱向，一般只有車牌處是雙向的細節(jié)。效果如下：將最終的結(jié)果圖與通過HSV選擇選取的區(qū)域進行交集運算后進行形態(tài)學(xué)膨脹，得到了如下效果：可見，上述區(qū)域已經(jīng)基本只

8、包含車牌區(qū)域和一些很小的干擾區(qū)，相比之下，車牌區(qū)域是最大的連通區(qū)域，所以，采取篩選最大面積連通區(qū)域的方式，我們可以得到車牌：進過反復(fù)測試發(fā)現(xiàn)，該方法相比于傳統(tǒng)方法最大的優(yōu)點就是自適應(yīng)性，對于光照度不好的圖片，也可以正常處理。整個處理過程中不需要調(diào)整任何參數(shù)，不需要對圖片進行一些估計運算，這是傳統(tǒng)方法所達不到的。另外，該算法在車身有傾斜度時也有很好的表現(xiàn)：4.字符分割字符分割采取了傳統(tǒng)的背景色投影的方式。先對車牌區(qū)域進行精確定位，消除車牌周圍部分的影響。然后，對于獲得的車牌區(qū)域，灰度化繼而自適應(yīng)二值化，對于獲得的二值化圖像，進行水平的投影分割。為了消除車身傾斜帶來的車牌矩形區(qū)域帶有邊框的問題，本

9、文中采用了邊緣外的圖像刪除，通過HSV中藍色的選擇，將藍色的外邊沿意外的區(qū)域進行的填0處理，一面邊緣的白色線條對分割造成干擾。5.字符識別模板匹配在字符識別方法中，屬于比較簡單和低級的一種，由于無法獲取標準的車牌字符庫，所以，在過程中，會引起一定范圍的誤差，并且，漢字的匹配誤差更為明顯。為了彌補模板匹配的不足，對于有一定分辨率的圖片，考慮到對字符進行分塊，對每一塊進行分別的匹配，但匹配塊大于一定值的時候，則認為內(nèi)容匹配。經(jīng)過測試，英文和數(shù)字在大多數(shù)情況下均能正常匹配，不需要分塊。但是漢字分塊可以帶來明顯的效果提升。漢字的分塊分為8*4的區(qū)域時，效果最好。在實際測試中，參考了多方的設(shè)計，我們選取了如下匹配規(guī)則：將字符進行劃分，劃分為四列八行，然后對每一個子塊對應(yīng)到模板相應(yīng)部分，進行匹配。當(dāng)每一分塊相似度大于一定閥值的時候，將相應(yīng)的分塊標記為1。當(dāng)待匹配區(qū)域的1的標記數(shù)達到一個預(yù)先設(shè)定的閥值，則判斷為匹配。如果沒有達到閥值，則：（1）字符整體與模板庫匹配，如果僅有單獨的匹配結(jié)果，則匹配有效。（2）字符左半部分與右半部分分別匹配，如果匹配有單一結(jié)果（左右匹配的交集僅有一個結(jié)果），則匹配有效。（3）字符上半部分與下半部分分別匹配，如果匹配有單一結(jié)果，則匹配有效。經(jīng)過改進后，識別率有明顯提高，對于由