基于HSV颜色空间的候选车牌区域筛选算法

杨 奇，吴云东，陈水利

(1.集美大学理学院，福建厦门361021;2.集美大学影像信息工程技术研究中心，福建厦门361021)

0 引言

车牌识别系统 (LPR)是智能基础设施系统的核心之一，而车牌定位是其中的关键.近年来在车牌定位方面，主要有支持向量机 (SVM)算法［1］和AdaBoost算法［2-5］，其中AdaBoost算法定位车牌速度较快，它是基于图像灰度特性来检测的，主要利用矩形子图像区域的特征值检测车牌，但该方法容易使某些符合分类阈值条件的非车牌区域，被误判为车牌，从而出现多个候选车牌区域.文献［1-5］所描述的大多数情况主要是车身与车牌的颜色不同，而对背景的复杂程度考虑相对较少，使算法的适用范围偏小.本文拟讨论，当车身颜色与车牌底色相近或相同时，根据候选车牌区域的纹理、类似的边缘信息、非常接近的宽高比值，如何筛选候选车牌区域的问题.

1 将候选车牌区域由RGB颜色空间转化到HSV空间

在RGB颜色空间中，由于R、G、B 3个分量都会随着光照的变化而改变，而两种相近的颜色其R、G、B值可能相差很大，所以RGB空间不适合用于颜色分割.但在HSV空间中，色调 (Hue)、饱和度 (Saturation)和亮度 (Value)三要素是独立的3个量，在筛选候选车牌区域中颜色分割更容易通过调节这3个参数而实现，因而本文算法把RGB颜色空间的候选车牌区域转化到HSV空间.

在HSV空间中，H表示色调，即所处光谱颜色的位置，该参数用角度来表示，取值为 ［0°，360°)，红、绿、蓝分别相隔120度，互补色分别相差180度.S代表饱和度，为一比例值，取值范围为［0，1］，它表示所选颜色的饱和度和该颜色最大的饱和度之间的比率.V是亮度，表示色彩的明亮程度，取值范围为 ［0，1］.

设(R，G，B)分别是一种颜色的红、绿和蓝3个分量的坐标，它们的值归一化为 ［0，1］的实数.设max是R、G、B中的最大值，min是R、G、B中的最小值.RGB到HSV的转换公式［6］为:

2 在HSV空间中车牌底色阈值的确定

我国主要有4类车牌，分别为:蓝底白字 (小功率汽车牌照)、黄底黑字 (大功率汽车牌照)、白底黑字 (军用或警用车派)和黑底白字 (或红字)(国外驻华机构用车)，即车牌底色共分蓝、黄、白、黑4种颜色.

取不同条件下的4种车牌各100张，进行统计分析，得出4种颜色对应3个分量的阈值范围，如表1和图1、图2所示.在HSV空间中，利用V分量可以将黑底车牌的黑色像素点数量统计出来，利用H和S分量可将蓝和黄色像素点数量统计出来，利用S和V分量可以将白色像素点数量统计出来.

以上4种底色的像素点数量，用N表示，然后计算4种底色占车牌区域的比值，称为底色平均密度，用r表示，计算公式为:r=N/(w×h)，其中w和h为车牌区域的宽和高.通过对样本车牌的底色平均密度进行的统计分析，得到车牌区域的r值应在区间［0.6，0.8］范围内.

当非车牌区域的颜色与车牌底色不同或非车牌区域里包含与车牌底色相近的颜色较少时，非车牌区域的r值一般小于0.6，当非车牌区域里包含与车牌底色相近的颜色较多时，非车牌区域的r值会大于0.8，这样就可以通过r的阈值范围把4种车牌检测出来.

表1 4种颜色3个分量的阈值范围Tab.1 Threshold range of three components of four colors

图1 HSV颜色空间Fig.1 HSV color space

图2 4种颜色在HSV空间的表示Fig.2 Four kinds of color in HSV color space representation

3 实验结果与分析

本文实验的编译平台是基于OpenCV1.0函数库［8］的VC++6.0，电脑配置为:Windows XP 2002个人版，Inter酷睿i5-2400，主频3.10GHz，内存2G.

为了验证本文算法的有效性，将与累计概率Hough变换［9］(PPHT)进行比较.图3—图6显示了实验数据、PPHT处理结果及筛选效果.为便于与r值作对比，类似地，用den表示候选车牌区域中线段端点的平均密度，计算公式为:den=num/(w×h)，其中num表示线段端点数量.

图3 车身及车牌底色为黑色Fig.3 Black car body and black background of vehicle license plate

图3的分辨率是350×248，加星形标志的矩形区域包含了车灯和散热片，这样该区域就包含了丰富的纹理及边缘信息，而这与车牌区域的情况类似，并且加星形标志的矩形区域与车牌的矩形区域的宽高比分别为2.946与3.037，它们的值也是非常接近的.加星形矩形区域的数据:N=2004，w=109，h=37，num=59;车牌矩形区域的数据:N=1503，w=82，h=27，num=32.

图4的分辨率是500×375，候选车牌区域的特征情况与图3类似，加星形矩形区域与车牌矩形区域的宽高比值也非常靠近，分别为2.733与2.848.加星形矩形区域的实验数据:N=1127，w=82，h=30，num=39;车牌矩形区域的实验数据:N=1962，w=94，h=33，num=49.

图5的分辨率是820×530，加星形矩形区域包含了车灯和一部分黄色车身区域，而且该区域有一些纹理及边缘特征，其中宽高比为2.857，与宽高比是2.848的车牌矩形区域情况有些类似.实验数据分别为加星形矩形区域:N=1671，w=120，h=42，num=39;车牌矩形区域:N=7841，w=174，h=60，num=159.

图5 车身及车牌底色为黄色Fig.5 Yellow car body and yellow background of vehicle license plate

图6的分辨率是330×350，加星形矩形区域包含了很少的车灯、一个LOGO和大片蓝色车身区域，它的宽高比为2.913，与宽高比是2.971的车牌矩形区域的底色和纹理情况相似.实验数据分别为加星形矩形区域:N=5422，w=134，h=46，num=9;车牌矩形区域:N=2659，w=104，h=35，num=43.

图6 车身及车牌底色为蓝色Fig.6 Blue car body and blue background of vehicle license plate

对于候选车牌区域的纹理信息、边缘和宽高比值都接近的情况下，从表2的实验数据中可以看出，使用PPHT处理后，在图3、图4中黑色和白色车辆的非车牌区域的den值是大于车牌区域的，而且两者的den值很接近，数值精度要求较高，当达到万分之一时，才能辨别车牌区域.在图5、图6中当den数值精度达到千分之一时，才能判定黄色和蓝色车辆的非车牌区域的den值是小于车牌区域的.这样对于4种车辆，在候选车牌区域边缘信息接近的情况下，使用PPHT，较难通过设定den阈值范围，把车牌区域筛选出来.

从表2的实验数据中还可以看出，使用本文算法，在车身与车牌底色相似的情况下，车牌区域的r值介于0.6与0.8之间，而非车牌区域的值在这个阈值范围之外，且r值精度要求不高，只要百分之一就可以区分候选车牌区域.所以，在候选车牌区域的边缘信息接近的情况下，与PPHT算法相比，本文算法利用车牌区域的颜色特征，能较有效地筛选出车牌区域.

表2 候选车牌区域的den值和r值Tab.2 The den and ratio value of candidate vehicle license plate regions

4 结束语

本文在使用支持向量机和AdaBoost算法定位车牌后，重点讨论了在4种车身颜色与车牌底色相近或相同，且候选车牌区域的纹理、边缘特征和宽高比都很接近的情况下，针对出现的两个候选车牌区域，分别采用累计概率Hough变换和本文算法进行筛选.实验结果表明，基于HSV颜色空间的候选车牌区域筛选算法，优于累计概率Hough变换算法，能较好去除非车牌区域，得到定位正确的车牌区域.

［1］ KIM K，JUNG K，KIM H.Fast color texture-based object detection in images:Application to license plate localization［J］.Lecture Notes Comput Sci，2005，177:297-320.

［2］ DLAGNEKOV L.License plate detection using Adaboost［DB/OL］.［2012-12-03］.http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.115.823＆rep=rep1＆type=pdf.

［3］ CUI D，GUDONG B.License plate detection algorithm based on gentle Adaboost algorithm with a cascade structure［C］ //IEEE International Conference on Robotics and Biomimetics.Piscataway，NJ:IEEE Computer Society，2009:1962-1966.

［4］ WANG S Z，LEE HSI-JIAN.A cascade framework for a real-time statistical plate recognition system ［J］.IEEE Transactions on Information Forensicsc and Security，2007，2(2):267-282.

［5］ PENG Y，XU M.Cascade-based license plate localization with line segment features and haar-like features［C］ //Proceedings-6th International Conference on Image and Graphics.Piscataway，NJ:IEEE Computer Society，2011:1023-1028.

［6］ ROGERS D F.Procedural elements of computer graphics［M］.2nd.NY:McGraw-Hill，1997.

［7］魏宗舒.概率论与数理统计教程［M］.2版.北京:高等教育出版社，2008.

［8］刘瑞祯，于仕琪.学习OpenCV(中文版)［M］.北京:清华大学出版社，2009.

［9］ GALAMBOS C，MATAS J，KITTLER J.Progressive Probabilistic Hough Transform for line detection ［C］ //Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition CVPR Los.Alamites，CA，United States:IEEE，1999:554-560.