基于DCT域的公路車牌定位算法

　　2. 2 基于DCT 域的特征提取

　　對于彩色圖像， 圖像預(yù)處理部分首先將輸入的圖像去掉彩色， 進行灰度化。利用RGB 空間到灰度的轉(zhuǎn)換公式得到車牌的灰度圖像， 即：

　　其中， f ( x， y )為( x， y )位置像素的灰度值， R ( x，y )、G (x， y )、B ( x， y )為輸入彩色圖像在( x， y )位置像素的紅、綠、藍顏色對應(yīng)的彩色信息。

　　預(yù)處理后的圖像經(jīng)DCT 變換后所得到的系數(shù)位置及其幅值所反映的是該變換圖像的空間頻率及其能量。這里， 將圖像劃分為子塊， 子塊的大小為8 8， 對每個8 8的子塊進行DCT 變換使其能量按頻率集中， 得到的64個變換系數(shù)， 分別代表對應(yīng)不同基波頻率分量的大小。

　　若將8 8的DCT系數(shù)劃分為0區(qū)、1區(qū)、2區(qū)、3區(qū)等4個區(qū)域， 則每個區(qū)域代表不同紋理的方向:0區(qū)表示的是直流分量(即8 8子塊的平均值) ， 1區(qū)表示的是豎向紋理(即水平方向的頻率變化)， 2區(qū)表示的是斜向紋理(即斜向的頻率變化) ， 3區(qū)表示的是橫向紋理(即豎直方向的頻率變化)。

　　由于車牌字符區(qū)域具有特殊的線條結(jié)構(gòu)， 它基本上可歸為橫向、豎向、斜向的線條組合。在圖像中， 這些線條主要顯示出特殊的紋理特點， 其灰度與背景相差較大， 即邊緣變化較劇烈， 且表現(xiàn)出明顯的豎向、斜向、橫向紋理特征。而在DCT 域中則主要表現(xiàn)為在圖的1、2、3區(qū)的中高頻部分的系數(shù)值較大， 即豎向線條的變換系數(shù)主要集中于1區(qū)， 斜向線條的變換系數(shù)主要集中于2區(qū)( 1區(qū)與3區(qū)也有一定的分布) ， 橫向線條的變換系數(shù)主要集中于3區(qū)，這是圖像所含車牌字符在DCT 域中所表現(xiàn)出的紋理特征?？梢?， 車牌字符區(qū)所具有的特殊結(jié)構(gòu)使其在DCT 域能夠表現(xiàn)出更為豐富的中、高頻DCT 分量。同時， 車牌字符區(qū)在DCT域表現(xiàn)出明顯的方向性信息。綜合考慮上述兩點， 用一種基于DCT子塊的加權(quán)頻率特征(W eighted Frequency， WF) ， 通過對不同方向DCT 分量進行非線性加權(quán)增強， 如公式( 5)所示， 從而使車牌字符區(qū)特征更加明顯。

　　其中c( i， j)為8 8塊中第i行第j列的DCT系數(shù); i取1~ 8; j取1~ 8， 圖1為輸入車輛圖像及其對應(yīng)的WF 特征圖?？梢?， 車牌字符區(qū)域的WF 值明顯高于背景。

圖1 輸入圖像及其WF特征圖。

　　2. 3 分類處理

　　在進行分類時， 如果圖像中車牌和背景之間的對比度較低， 此時的WF 值會比較小; 另外， 高頻信息豐富的非車牌區(qū)域背景經(jīng)常也具有較大的WF值。因此， 如果采用固定閾值， 則不利于低對比度車牌區(qū)域的提取， 同時也容易將高頻豐富的背景誤認為車牌區(qū)域。因此本算法采用自適應(yīng)閾值法進行分類， 閾值的設(shè)定如公式( 6)所示。

　　其中aver為整幅圖像的平均WF 值， max 為整幅圖像的最大WF值， m in為整幅圖像的最小WF值， k為經(jīng)驗值， 可按公式( 7)進行分類。

　　圖2為分類結(jié)果圖， 可以看出， 大量的背景被去除， 車牌區(qū)被很好地提取出來。

圖2 分類結(jié)果圖。