前處理與車牌位置判斷

在此一階段的主要使命，為將找出車輛牌照之概略位置，以便後續 的各個處理程序順利完成，在影像擷取階段所得到的影像雖然包含車輛 的影像，但仍然有許多不屬於車輛之影像，這些為許多辨識過程中所不 需要的額外資訊，由於這些圖形為辨識不需要的部份，必須將之過濾，

以凸顯出我們要的真正目標。

由於擷取之影像可能包含有各種類型的雜訊，這些來源可能有灰塵、失真、

訊號干擾等，對於雜訊的抑制亦同時為辨識過程中相當重要的過程。為了有效的 抑制雜訊，系統主要使用了高頻濾波器來減少雜訊對系統的影響程度，經過濾波 處理後，將會得到較為平滑的影像。

在所得到的影像中，以車輛牌照區域內所造成的區域明暗對比最為強烈，在 系統裏運用此一特性，可將牌照區域概略性的切割出來，而所用到的技術包括有 Edge Detection, Morphology 等，這些都是用於找出具明顯對比的區域。

在完成 Edge Detection 之後，為了凸顯真正的牌照區域，必須再進行 一次過濾處理，在此運用了 Morphology 與影像灰階轉換計算，其中 Morphology 以 Closing 與 Opening 運算配合運作，可清理一些過零星獨 立的像素；而灰階轉換計算則針對影像的灰階轉換特徵規則，消除多餘 的資訊。

3.3.1 平滑濾波器

對影像中的像素進行積分運算，可以達到平滑的效果，藉以將雜訊 除去，稱為平滑化濾波器(Smooth Filter)，一般常見的平滑化濾波器包括 了線性平滑濾波器、非線性平滑濾波器以及高斯(Gaussian)平滑濾波器等。

線性平滑濾波器是一利用取得處理像素及其周邊之權重值相乘總和後，加以 平均來當作該像素的階層值；而相對的，非線性平滑濾波器則使用了其中的最大 值、最小值或中位數等。而高斯平滑濾波器則屬於線性濾波器的一種，與一般線 性平滑濾波器不同之處在於利用了高斯函數來決定週邊像素的權重。

3.3.2 邊緣偵測

邊緣偵測主要的目的在找出物體與背景的分界，也是兩個重疊物體 的區隔，偵測邊緣多半是利用影像中鄰近像素上的灰階值上的差距來決 定，若灰階值落差很大則為邊緣，反之則否。如果邊緣正確的找出來，

則與物件有關的特性也就可以藉著這個過程取出，如位置、區域、形狀 等。當牽涉到對於圖形中的物件進行指定以及分類時，邊緣偵測便是基 本的工具。當然在找出影像的邊緣時，會遭遇到一些問題，一為因資料 以數位形式存在，在很多的情況下，邊緣並不會剛好只有一點，可能由 數點所構成，真正的邊緣則在這些點之中。一為雜訊問題，因雜訊本身 有其隨機的特質，無法預測[13]。

一般常見的邊緣偵測方式，可用的相當多種，導數濾波器(Derivative filter)是較常被使用的方法，其可用來銳化灰階變化，諸如 Sobel、Laplace、

Roberts、Prewitt 等運算元[17]都是有名的方法，這些運算元主要的差別大 多在於其運算元及其偵測方向數的不同，一般在動態影像的邊緣偵測 上，為了求辨識速度能夠達到即時辨識，因此大多採用 Sobel 運算元，主 要利用水平與垂直兩種方向來作為邊緣偵測，較其他運算元具有簡單且

快速的特性，因此較常被利用來作為邊緣偵測的方式。

Sobel 運算元，主要利用下圖左邊及右邊的圖，將影像中各點以中心 點為主的 3x3 視窗乘上權重，之後再取其絕對值相加，成為邊緣影像的 像素之灰階值

-1 0 1 -1 2 1

-2 0 2 0 0 0

-1 0 1 1 2 1

2

1 H

H

M = + 方程式 2

3.3.3 形態學

Morphology[22][23]，針對影像的外型結構進行分析以及描述而得 名，Morphology 這個字最早用語言學以及生物學中，現已被應用在許多 方面。影像由像素所構成，而這些像素又可歸納為一組組的二維結構，

也就是形狀，我們可以對這些像素使用一些數學運算，來加強這些結構 的某些特性，以達到辨認或計數的目的，最基本的形態學運算，包括了 Erosion 與 Dilation。Erosion 利用所給予的 Pattern 將影像中某些像素加以 刪除；而 Dilation 則恰好相反，可依照影像中像素的分配，填入所給予的 圖樣。

在進行運算之前首先須定義一個結構元件(structuring element)，不同 的結構元件對影像作運算，便可得到不同的結果，之後便可就得到的結 果做分析，所以在做形態學運算以前，必須設計一組適當的結構元件，

圖 5：Sobel 運算元

H₁ H₂

再配合適當的運算元，以求得所需的結果。

利用 Erosion 和 Dilation 可以衍生出另外兩種常用的運算 Opening 以 及 Closing。Opening 可去除一些小面積的高頻雜訊，將影像結構外型變 得較平滑，透過 Opening 的運作可以將圖形中細微連接的部份有效的分 開，而 Closing 則可填補一些小的空洞，透過 Opening 與 Closing 的合併 使用，可以有效抑制二值化影像中的雜訊[17]。

Dilation：

{ }

^b

B b

X B

b and X x b x p p

B

X ⊕ = ∈ε² : = + , ∈ ∈ = Υ∈ 方程式 3

Erosion：XΘ

{ }

^b

B b

X B

b every for X b p p

B ₋

= ∈

∈

∈ +

∈

= ε² : Ι 方程式 4

Opening：X οB(X ΘB)⊕B 方程式 5 Closing：X •B(X ⊕B)ΘB 方程式 6

3.3.4 二值化

二值化指的是將灰階影像轉換成二值影像的工作，所有低於臨界值 [18]的像素都設定為黑色，而大於臨界值的像素都被定為白色，常見於文 字、圖樣的辨識前處理，具有相當的重要性。它最主要的功能是區分出 影像中的物件以及背景，以獲取物件影像資訊。

圖 6：(a) 原圖 (b) 結構元件 (c) Dilation 後 (d) Erosion 後

(a) (b) (c) (d)

N p_i = nⁱ

原始的牌照影像灰階分佈，大致以雙峰的分佈狀態，只要適當的選 取一個可以分離兩個區間的臨界值，便可以使得字體與背景分離。就牌 照辨識工作而言，正確的將字體由牌照上分割出來，與後續的字元辨識 工作成敗具有關鍵性的影響，因此在二值化技術的選擇上，應慬慎挑選。

在本研究採用的二值化技術為 Otsu[18]的二值化方法，此方在 1979 年時提出，其主要的方法為找出一個門檻值，能使得各群集變異數的加 權總和為最小，其作法如下：。

假設我們的影像中有 1~L 的灰階度，影像總合點數 N=n1+n2+...+nL其 灰階度的機率 pi為：

如果要將影分成兩個群集 C0與 C1，C0代表灰階度 1~k 的群集，C1代 表灰階度 k+1~L 的群集，則各群集產生的機率為 w0與 w1。

其中，各群集的平均值(mean)為：

各群集變異數為：

群集變異數的加權總和為：

( )

^k

w p w

k

i i =

=

∑

0 =1

( )

^k

w p

w

L

k i

i = −

=

∑

+

=

1

1 1

( ) ( )

^k

w k w

k ip

i

i µ

µ =

∑

=

=1 0 0

( )

^k

( )

w k w

ip _T

L

k i

i

−

= −

=

∑

+

= _{1 1} 1

1

µ µ µ

( )

1 0

2 0 2

0 w

i pⁱ

k

∑

i

=

−

= µ

σ

( )

1 2

1 1 2

1 w

i pⁱ

L

k

i

∑

+

=

−

= µ

σ

方程式 7

方程式 8 方程式 9

方程式 10 方程式 11

方程式 12

方程式 13

找到令群集變異數的加權總和最小的 k 值。而這個 k 值就是門檻值。

Otsu 方法較固定門檻值與平均值二值化效果為佳，除此之外也有非 常多的方法可以再進一步改善兩值化的效果[19][20][24]，但卻都以 Otsu 所提出的方法作為基礎。

3.3.5 灰階轉換計算與距離

經過邊緣偵測與二值化後所得的影像中，包含了較為明顯的輪廓，

除了車輛牌照文字所產生的以外，也會有許多不被需要的部份存在。其 來源可能包括了保險桿、車體色彩條紋、車燈、當然也有可能是地面的 標線等，而這些線條由於形狀與結構較為單純，故我們可以利用一些簡 單的灰階轉換次數或轉換距離計算，將不符合標準的影像過濾掉。

灰階轉換，指的是像素由黑變白或由白變黑，而灰階轉換次數，則 是轉換次數的總和[12][21]。就六位數長度的自用小客車牌照號碼來說，

最少的灰階轉換次數是十二。透過水平方向以及垂直方向上灰階轉換次 數或轉換距離的計算，可以清除某些不需要的線段。

其實計算灰階轉換次數相當簡單，由於我們已將影像進行邊緣偵測 及二值化了，所以我們只需要計算每條縱向與橫向掃瞄線的黑白相間的 點數即可。

在經由上述數個程序的處理之後便接著評 估區域內被保留下的像素密度，並且找出 最大值所在，在利用形態學進行領域成長

圖 7：線所劃過的部份灰階轉 換次數為 18

的步驟，真正的切割出車輛牌照的概略所在位置。

3.3.6 多目標判定

在一般的情況之下，車牌辨識系統大多都只針對單一車輛進行辨 識，但是若在影像中，同時有兩輛以上的車輛時，大多數的辨識系統都 只會針對較可能的目標進行辨識。然而在實際場合的應用上，我們沒有 辨法限制影像中只能有一個目標物的出現，主要原因為這些地區通常都 是開放式的環境，諸如：超速偵測照像、贓車查緝系統等。

由於車輛的外型變化很大，且顏色與色彩紋路分佈又各異，因此透 過車型或車色等偵測方式，系統相當容易造成誤判。然而在車輛所具備 的特徵當中，以車牌的一致性較高，利用車牌的高對比特性，我們可以 儘可能找出多個車牌區域，而這些區域也都是只是候選區域，可以透過 以下幾個過濾規則來將範圍縮小：

u 由 於 車 輛 的 度 ， 車 牌位 應不 會 相 鄰 。 置

u 一張影像中包含有三個以上的車牌在實際應用上較不可能，如果有也 將因車牌過小而無法辨識。

u 透過適當的門檻值過濾。

u 在同一個環境下，亮度差距不會太大。

經由上述的幾個規則過濾後，將剩下來的區域輸入至辨識系統中進 行辨識的工作，車牌辨識系統辨識所得到的 Matching Degree 與所設定的 門檻值相較，如果其 Total Matching Degree 突破門檻值，則將該區域視為 車牌，相反的如果沒有的話則將該區域去除。

3.3.7 二值化結果反向處理

由 2.3 節的資料可知，車牌號碼與底色有多種組合，但利用了 3.3.4 節的二值化處理之後，則僅會有二種不同的情況發生，一為號碼色為黑 色，但底色為白色；另一種正好相反。如果要正確的號碼標示出，則必 須先判定車號與車牌底色的分佈資訊，才能正確的決定進行反向與否。

由下圖可以看出車牌號碼字形與車牌的灰階點數分佈，車牌底色所 佔的比例往往較號碼字的點數分佈來得多，因此我們可以透過將所標示 出來的車牌進行簡單的統計，分佈量大的部份為底色，如果底色為白，

則必須將車牌二值化影像進行反向處理的工作。

本研究中採用[21]所提出的反向演算法，並予以適當的修正，以加快 其處理時間，作法如下：

1. 首先將車牌影像正規化為 68x30 的影像。

2. 計 算 水 平 黑 點 或 白1 至 3 之間。 點 介 度 於 連 續

3. 計 算 垂 直 黑 點 或 白1 至 3 之間。 點 介 度 於 連 續

4. 找出最大分佈量，判斷是否需要進行反向處理。

5. 進行連通標示。

雖然直接進行水平或垂直方向的黑點或白點運算，也可得到相當好 圖 8：車牌二值化後影像 (a).自用小客車 (b) 營業大客車

(a) (b)

在文檔中 動態多標的車牌辨識系統之研究 (頁 34-43)