基于DCT域的公路车牌定位算法

　　2. 2 基于DCT 域的特征提取

　　对于彩色图像， 图像预处理部分首先将输入的图像去掉彩色， 进行灰度化。利用RGB 空间到灰度的转换公式得到车牌的灰度图像， 即：

　　其中， f ( x， y )为( x， y )位置像素的灰度值， R ( x，y )、G (x， y )、B ( x， y )为输入彩色图像在( x， y )位置像素的红、绿、蓝颜色对应的彩色信息。

　　预处理后的图像经DCT 变换后所得到的系数位置及其幅值所反映的是该变换图像的空间频率及其能量。这里， 将图像划分为子块， 子块的大小为8 8， 对每个8 8的子块进行DCT 变换使其能量按频率集中， 得到的64个变换系数， 分别代表对应不同基波频率分量的大小。

　　若将8 8的DCT系数划分为0区、1区、2区、3区等4个区域， 则每个区域代表不同纹理的方向:0区表示的是直流分量(即8 8子块的平均值) ， 1区表示的是竖向纹理(即水平方向的频率变化)， 2区表示的是斜向纹理(即斜向的频率变化) ， 3区表示的是横向纹理(即竖直方向的频率变化)。

　　由于车牌字符区域具有特殊的线条结构， 它基本上可归为横向、竖向、斜向的线条组合。在图像中， 这些线条主要显示出特殊的纹理特点， 其灰度与背景相差较大， 即边缘变化较剧烈， 且表现出明显的竖向、斜向、横向纹理特征。而在DCT 域中则主要表现为在图的1、2、3区的中高频部分的系数值较大， 即竖向线条的变换系数主要集中于1区， 斜向线条的变换系数主要集中于2区( 1区与3区也有一定的分布) ， 横向线条的变换系数主要集中于3区，这是图像所含车牌字符在DCT 域中所表现出的纹理特征。可见， 车牌字符区所具有的特殊结构使其在DCT 域能够表现出更为丰富的中、高频DCT 分量。同时， 车牌字符区在DCT域表现出明显的方向性信息。综合考虑上述两点， 用一种基于DCT子块的加权频率特征(W eighted Frequency， WF) ， 通过对不同方向DCT 分量进行非线性加权增强， 如公式( 5)所示， 从而使车牌字符区特征更加明显。

　　其中c( i， j)为8 8块中第i行第j列的DCT系数; i取1~ 8; j取1~ 8， 图1为输入车辆图像及其对应的WF 特征图。可见， 车牌字符区域的WF 值明显高于背景。

图1 输入图像及其WF特征图。

　　2. 3 分类处理

　　在进行分类时， 如果图像中车牌和背景之间的对比度较低， 此时的WF 值会比较小; 另外， 高频信息丰富的非车牌区域背景经常也具有较大的WF值。因此， 如果采用固定阈值， 则不利于低对比度车牌区域的提取， 同时也容易将高频丰富的背景误认为车牌区域。因此本算法采用自适应阈值法进行分类， 阈值的设定如公式( 6)所示。

　　其中aver为整幅图像的平均WF 值， max 为整幅图像的最大WF值， m in为整幅图像的最小WF值， k为经验值， 可按公式( 7)进行分类。

　　图2为分类结果图， 可以看出， 大量的背景被去除， 车牌区被很好地提取出来。

图2 分类结果图。