边缘定位范文（精选7篇）
边缘定位 第1篇
随着社会的发展, 车辆的急剧增长为交通管理提出了巨大的挑战, 借助与计算机手段进行交通管理的智能交通系统 (ITS:Intelligent Traffic System) 也应运而生。车牌识别技术是智能交通的核心软件, 其中的车辆定位又是车牌识别技术中的关键, 也是本文重点讨论的对象。通常的车牌识别系统中包括车牌定位、字符分割和字符识别三个部分, 在车牌识别技术中定位是第一步, 定位准确与否直接影响后续的分割和识别工作。本文所讨论的方法是基于边缘检测的定位方法, 使用Matlab7.0软件作为开发工具。
2. 车牌定位技术概述
车牌识别技术是对车辆的静态图像进行牌照号码、牌照颜色自动识别技术。
2.1 车牌特征分析
车牌号码是机动车的唯一身份标识。2007年11月1日起, 由公安部颁布的新的标准《中华人民共和国机动车号牌》 (GA36-2007) 实施, 新标准对号牌分类、登记编号编码规则、制作技术和安装使用等规定进行了调整。按照颜色车牌分为黄底黑字、蓝底白字、白底黑字、白底红字和黑底白字, 车牌的尺寸为440mm×140mm, 只有大型车的后牌为440mm×220mm。根据这些信息对车牌区域特征分析如下:1) 车牌颜色特征, 车牌区域底色和字符颜色区分明显色差较大, 而且颜色固定。2) 车牌几何特征, 标准车牌的长宽比是固定的440mm X 140mm的矩形区域。3) 车牌纹理特征, 由于车牌上的每个字符构成了纹理, 每个灰度基元是由每一个字符的连通像素集合构成。4) 车牌区域的字符特征。共7个字符, 首字为汉字代表省份, 紧跟着字符代表城市, 后面5位字符是数字和大写字母的组合, 其中字母不包括I和O。
2.2 车牌定位方法分析
目前主流的车牌定位技术的方法主要有以下几种:基于颜色特征的定位方法[1], 基于边缘特征的定位方法, 基于模版匹配的方法, 基于形态学的方法, 基于支持向量机的方法[2]。其中基于颜色的方法对于车身和车牌同色以及光线干扰或的情况定位准确率不高, 基于边缘定位的方法对于车牌污损或者背景物体干扰的情况也显得无能为力。但总的来说这些方法可以分为两大类:一类是基于灰度图像的车牌定位方法, 基于灰度图像的方法一般来说彩色图像都要先灰度化、二值化处理, 然后通过车牌区域的特征或者边缘特征进行检测, 这类方法在定位中把彩色图像得到处理转化为黑白两色的图像, 反应时间快, 但误检率高;另一类是基于彩色图像的车牌定位方法。这类方法基于彩色图像, 利用颜色模型转换, 精度较高, 可以避免彩色图片经过灰度化和二值化后损失图片信息的问题, 缺点是对图像品质要求高, 尤其是车身车牌同色情况定位不理想。
通过对比本文选择基于边缘的车牌定位方法, 在原有理论算法基础上进行了优化。
3. 车牌定位流程
本文所采纳的定位方法流程如图1所示:
3.1 灰度处理
在本文中使用的是RGB颜色模型。由于车牌定位过程中, 对运算速度有比较高的要求, 一般来说定位一张含有车牌的图片控制在几到几十毫秒比较合适, 为了提高时间效率在本文中需要把彩色图像转换成灰度图像进行进一步的处理。利用公式 (2-1) 将彩色图像转换成灰度图像:p=0.299*R+0.587*G+0.114*B (3-1)
其中p代表图像中某点的灰度值, R, G, B分别代表彩色图中对应点的RGB模型中的R, G, B分量值。
3.2 灰度拉伸处理
由于背景的复杂性和不可知性, 灰度化处理并不能满足实际需要, 车牌照区域在图像中不够突出, 这样为了增强图像对比度, 采用灰度拉伸的办法增强原图的各部分的反差。因此, 图像灰度化后接下来要进行灰度增强处理。灰度拉伸变化方程[4]为:
其中D为灰度变换后灰度, X为变换前灰度, A, B为变换方程系数。
3.3 二值化
为了更加突出字符区域, 需要将图像二值化。二值化的目的就是要找出一个合适的阈值, 将待处理的区域划分为前景和背景两个部分。本文认为车牌字符区域是本文考察的重点, 因此该部分作为图像的前景区, 将字符边缘区域的值设为1, 其他的部分都看成是背景区, 设为0。二值化后的车牌要能保证车牌区域图像的质量, 尽量不丢失原字符的特征, 本文采用了全局阈值二值化的方法。
设原灰度图像为f (x, y) , 二值化后的图像为g (x, y) , 二值化处理表示如公式 (3-3) 所示:
这里的T称为二值化阈值 (Threshold) , 在灰度图象中纯黑色为0, 纯白色为1。经过二值化处理后, 前景和其他背景就由黑白两种颜色分开, 选择不同的阈值会得到不同的分离结果。阈值T的大小对二值化的效果影响很大, 采用迭代二值化算法。
3.4 边缘检测
为了更加突出车牌区域, 需要对图像进行边缘检测。边缘检测的基本思想是通过检测每个像元是否位于一个物体的边界上。如果每个像元位于一个物体的边界上, 则其邻域像元灰度值变化比较大。[3]最直接的边缘检测方法就是对原始图像按像素的某小邻域构造边缘算子, 经过对比本文选取用Canny算子检测图像的边缘。
3.5 去噪处理
图像在边缘检测后往往干扰区域, 车灯区、车身上的广告字体在边缘化后都可能成为备选区域, 要准确地选择出车牌区域, 就要对边缘化后的图片中的连通区域进行进行去噪处理。根据车牌本身是大小固定矩形区域的特点, 对备选区域从下往上筛选, 假设第一个连通区域是车牌区域, 测试其长宽比例看是否在车长宽比例的范围, 如果是则认为是该区域, 否则寻找下一个连通区域直到找到车牌区域。接着对车牌在垂直方向进行开运算, 这样既消除了车牌区域与它上方或下方干扰区域的粘连, 又消除了狭长的水平线的干扰。由于车牌被磨损或者掉色, 车牌区域还可能出现孤点现象, 需要对孤点进行填充空洞处理, 这样达到使车牌区域连通的效果, 最后得到一个完整连通的车牌区域。
3.6 车牌提取
经过以上这些处理之后我们已经可以初步确定车牌的位置了, 对基本定位后的车牌图像进行局部分析, 以进一步确定字符范围, 缩减车牌的左、右和上、下边界, 确定出汽车牌照的具体位置, 精确定位出的图片会因为拍摄角度产生倾斜, 需要对车牌图像进行倾斜矫正, 本文使用Hough变换的方法进行倾斜矫正, 提取出汽车牌照。通过这些步骤成功提取车牌的区域达到了字符切割的标准。
4. 结论
实验选取了含有车牌照图像150幅, 其中120幅来源于实地拍摄, 30幅图像来源于互联网, 其中蓝牌车123幅, 黄牌车21幅, 白牌车6幅。图片包括不同光照条件以及复杂背景条件下的图像, 对本文的车牌定位方法进行测试, 实验结果见表1。
静态图片实验中定位准确率92%, 得到了理想的车牌定位效果, 证明本文提出的车牌照定位算法的优越性。当然其中也存在一些漏识和错识的现象, 错误的主要原因是在二值化后选择的阈值对于反光过于严重的图片显得不太合适, 另外由于部分牌照的污损部分也影响了连通域的计算。实验中对静态图像的平均处理速度达到了0.036秒/幅, 证明了本文提出的定位方法可以满足实时系统对识别速度的要求。
摘要：根据图像处理理论基础知识和现有技术基础上, 对现有定位的算法进行了分析, 提出了基于边缘特征的车牌定位方法。经试验验证, 结果表明所用方法是有效的, 该方法提高了定位准确率, 也缩短了定位所用时间, 达到了预期目的。
关键词：图像处理,车牌定位,边缘检测
参考文献
[1]郭捷, 施鹏飞.基于颜色和纹理分析的车牌定位方法[J].中国图象图形学报, 2002;7 (5)
[2]赵钲.基于支持向量机的车牌识别技术研究, 2008, 西安电子科技大学硕士论文
边缘定位 第2篇
【关键词】新世纪 古代文学研究 边缘化 重新定位
自上个世纪九十年代以来，我国的古代文学研究出现了新的问题，学科状态也不容乐观，古代文学研究已经由曾经的中心学科逐渐成为了“边缘化”的学科。而进入了新世纪之后，文化学术体系正在不断改变，处在其中的古代文学研究系统应该如何适应这种改变并脱离“边缘化”就成为了一个重要课题，这是每一个古代文学研究者都应该着手去解决的严峻考验。
一、古代文学研究的困境和与“边缘化”问题
目前，我国的古代文学研究困境主要包括研究萎缩以及“边缘化”两个问题，古代文学研究萎缩主要变小在研究队伍建设后继乏力，而古代文学研究“边缘化”的问题主要表现在我国的古代文学研究已经从以前的学科中心地位下降到了边缘的地位。
有一些学者认为，自从上个世纪八十年代开始，我国的古代文学研究已经开始逐渐呈现出萎缩的姿态，而进入上个世纪九十年代，我国的古代文学研究地位更是逐渐向社会精神的边缘化过度，之所以会出现这样的情况，一方面是因为学科自身的低迷，古代文学研究作为一门学科，并不能与现代社会良好的结合在一起，而另一方面，当代文学、外国文学等兄弟学科发展迅速，古代文学的发展脚步过慢也是引起古代文学研究困境的原因之一。
就学科地位而言，如今我国的古代文学研究并没有参与到当代的文化当中，因此边缘化的地位在所难免。近年来，我国的古代文学研究并没有积极关注对于人生的关怀等内容，对于古代文学的理论已经阐释并没有达到足够的重视，使得古代文学的意义产生确实，因此，古代文学想要走出困境，需要与现实人生做到良好的结合。
二、新世纪古代文学研究的重新定位于发展方向
如今，面对我国古代文学研究不断出现的新的问题，我国的古代文学研究界进行了深刻的反思，并针对出现的问题进行了探索。要对处于新世纪的我国古代文学研究进行定位，就要围绕多元化古代文学研究的现代意识这一命题进行展开，并进行不屑的探索。
自上个世纪八十年代开始，我国的古代文学研究开始了多元化的发展，而到上个世纪九十年代末，我国的古代文学研究多元化格局已经基本确定。一般来讲，古代文学研究的内涵被归纳为一种古代文学研究的观念；唯物史观与人性论的互补；后现代主义以及现代主义学说的引进；当代科学理论的引进。
目前，对于古代文学研究的现代意识并没有统一的看法，一部分学者认为，古代文学研究的现代意识就是当代性的体现，因此古代文学的研究应与现代文明站在同一角度，加强当代科学意识，树立当代科学方法论，对于古代文学研究现代意识的这种看法，有其一定的合理性，但同时我们应看到，一旦处理不好，这种观念的运用往往会使得古代文学研究进入现时使用意识的陷阱。
在对多元化认识以及古代文学研究的现代意识进行良好梳理的基础上，我们可以看到，古代文学研究的现代意识，主要包括以下三个方面：
1.经济全球化背景下的大文化视野观
要在古代文学研究中体现出文学的个性，使得古代文学研究能够拥有学术价值，此外，古代文学研究还应与哲学研究、文化研究做到良好的结合，与此同时，古代文学的研究应参考国外汉学，在强调古代文学研究多元性与开放性的基础上拓宽视野。
二十一的我国古代文学研究，民族性与世界性将会是其主流的方向，因此，在古代文学研究中应重视建设开放性的文学研究氛围，并在不断探索古代文学的的基础上推动传统研究的更新，而要对文学研究进行更新，就要将中国的研究方法与国外的研究方法做到有机融合。
2.中西文化交流下的文论互补
如今，由于世界性将成为古代文学研究的主要潮流，因此古代文学研究不应只封闭在国人理解的范围。
一些学者认为，古代文学研究的方法可以向西方借鉴，但在实际研究过程中，借鉴的过程有可能会出现乱贴标签等问题，因此，在知识全球化的背景下，古代文学研究者应更新自己的知识结构以及思维方式，对于西方文学研究方法，既不能全部照搬，也不能一棒子打死，而应做到合理的运用。
3.加强交叉学科研究
在古代文学研究过程中，交叉研究是对研究对象的深入思考，除此之外，交叉研究的合理运用有利于问题的解决和探索。因此，要深入进行古代文学研究，就必然要进行交叉研究，交叉研究是古代文学研究深入的必然要求之一。
但需要注意的是，交叉研究的运用应用来说明文学现象，回归文学的本位，不应认为文学研究的平淡就代表文学研究是一种弊端，要突破文学研究本身，就应将文学、哲学等学科融会贯通，并将西方研究方法与民族研究方法做到良好的整合，在引入西方概念的基础上激活我国的学术传统。
结语：总而言之，新世纪以来古代文学遇到了很多问题，一度出现了“边缘化”态势，但我国学者的热烈讨论说明我国的古代文学研究依旧拥有足够的生命力，并没有完全与现代社会脱节，而对于古代文学研究的重新定位，更像是对于促进学科发展的一次演习。
【参考文献】
[1]张应斌. 《七月》的当代阐释与古代文学思想解放[J].湛江师范学院学报.2013（01）
亚像素边缘定位在光纤中应用 第3篇
目前, 国内光纤熔接机镜头检测全靠人工, 不仅效率低, 而且检测精度无法保障。更没有一套检测标准, 以至于镜头生产商与用户之间矛盾颇多。为了实现镜头的全自动检测, 设计出一种基于图像识别的检测系统, 并提出了软硬件设计方案。
1 硬件平台的构建
本系统的硬件平台分为机械驱动模块、图像采集模块和数据处理模块。机械驱动模块由一套机械运动装置和四个两相混合式步进电机组成。这种机械装置可以使镜头做四维运动。简单的说就是可以让镜头做上下、前后、左右以及旋转运动。通过这四种运动可以实现寻找光纤、对焦、以及搜寻对称点等功能。图像采集模块由一个C C D摄像头和一块图像采集卡组成。图像采集卡装在PC机的P C I插槽上。数据处理模块由一台P C机完成。
2 亚像素边缘定位算法的研究
在保证光纤图像采集质量的条件下, 基于图像识别的镜头检测精度主要取决于测量光纤图像特征轮廓的提取精度。近年来发展的多种亚像素边缘检测算法[1,2,3,4]可突破CCD摄像机物理分辨率的限制, 使图像的边缘定位精度达到亚像素级别, 极大提高了图像的检测精度。其中灰度矩边缘检测方法具有计算简单、无需插值和迭代运算等优点, 有较高的实用价值, 其基本原理是通过假设实际图像中的实际边缘分布与理想阶跃边缘模型的灰度矩不变性, 来确定实际边缘的位置。
如图1, 设I (x, y) 为实际图像在归一化边缘领域D内各像素点的灰度值; (x0, y0) 为单位圆中像素点的灰度重心坐标;S为边缘邻域D内灰度值为h1像素点所占的面积;p1和p2分别表示灰度值为h 1和h 2的像素点在邻域D内所占的比例。上述目标区域前三阶灰度矩可以表示为:
其中,
边缘位置ρ、边缘方向θ可分别由下式确定。
因此灰度值h1和h2区域之间的边缘可表示为:
3 检测系统软件的设计开发
在构建检测系统的硬件平台和和研究亚像素边缘定位算法之后, 物镜检测系统软件的架构如图2所示:
光纤在对焦时有两种情形:一是边缘清晰, 二是纤芯清晰。根据熔接机的实际工作图像, 我们把焦距取在两者之间。对称点的寻找的依据是波形图的完全对称, 如果不对称, 则继续搜寻。由于摄像头分辨率的限制, 输出的波形图不是很平滑。因此, 必须在波形配对软件里对波形图像进行平滑处理。
由图3可以看出, 光纤在对焦后是规则图形, 但边缘精度要求较严格。因此, 采用亚像素边缘定位算法可以对物镜做精确的检测和定位。
4 波形配对软件的设计开发
与检测系统配套的波形配对软件的架构如下图所示:在配对软件中, 对波形上各个点之间的比较采用均方差算法, 然后得出一个平均相似度。
由图5可以看出, 进行平滑处理后的波形外缘更加平滑, 这样有利于寻找拐点。在找到相同的拐点后, 利用均方差算法可求得两张波形的相似度。
5 结语
物镜检测系统的研究成果大大提高了光纤熔焊机内部的镜头的检测效率和检测精度, 并且提供了一套业内检测标准。而且间接地提高光纤熔焊机的熔焊质量。同时也填补了国内在光纤熔焊设备领域镜头自动检测的一项空白。
摘要：随着图象识别技术更广泛的应用到生产领域, 其和自动控制相结合可以大大提高工业生产效率, 减少人工操作带来的种种弊端。由于使用图像采集, 计算机分析、处理、控制, 光纤熔接机物镜检测精确度大大提高, 从而使光纤熔接机的熔接质量有了进一步的提高。
关键词：亚像素,熔接机,图像处理
参考文献
[1]于起峰, 陆宏伟, 刘肖琳.基于图像的精密测量与运动测量[M].北京:科学出版社, 2002.
[2]刘桂雄, 申柏华, 冯云庆, 等.基于改进的Hough变换图像分割方法[J].光学精密工程, 2002, 6 (3) :257-260.LIU GUI-XIONG, SHEN BO-HUA.FENG YUNQING, et al.Method of image seg-mentation based on improved hough transform[J].Optics Preci-sion Engineering, 2002, 6 (3) :257～260.
[3]张强劲, 杨丹, 张小洪, 等.基于多尺度模糊逻辑的小波边缘检测方法[J].重庆大学学报, 2005, 28 (10) :62-65.ZHANGQIANG-JIN, YANG DAN, ZHANG XIAOHONG, et al.Waveletedge detection method based on multi-scale fuzzy logic[J].Journal of Chongqing University (Natural Science Edition) , 2005, 28 (10) ;62～65.
边缘定位 第4篇
车牌定位是车牌识别的关键技术,主要是从所获取的图像中定位车牌所在的位置,并把车牌从该区域中准确地分割出来,以进行后续的字符分割和字符识别等处理[1]。车牌的定位准确与否直接影响到字符分割和字符识别的准确率,因此车牌定位也是影响车牌识别系统性能的重要因素之一。
到目前为止,人们对车牌定位问题已经进行了广泛的研究,根据车牌的不同特征,提出了多种车牌定位方法[2,3]。另外,随着小波变换、分形理论、数学形态学方法和遗传算法等理论和方法的逐步发展,研究人员也将这些理论应用于车牌定位方面[1,4]。当然,也有很多的研究人员将一种或多种方法相结合,并且取得了较好的效果。
但是由于车牌图像受到复杂背景以及检测时不同天气,不同光照条件的影响,增加了车牌定位的难度。虽然目前国内外都有一些实用的LPR技术开始用于车流监控、出入控制、电子收费、移动稽查等场合。然而,无论是LPR算法还是LPR产品都存在一定的局限性,需要进一步完善[4]。其中如何从采集到的汽车图像中快速、准确地确定车牌仍然是一个研究难点。
1 基于边缘跳变和投影的车牌定位
本文提出了一种基于纹理特征和投影法的三级车牌定位方法,实现流程如图1所示。首先对预处理图像进行边缘检测,得到二值边缘图像;设定边缘跳变次数阈值,确定车牌所在的可能水平条形区域;通过垂直投影,利用车牌区域波峰—波谷—波峰密集特点定位车牌左右边界,得到车牌区域;若存在多个候选车牌,依据形状特征进行剔除,最后对车牌区域修正处理。
其中灰度化可以看做图像的预处理步骤[5]。主要考虑到现有系统所获取的图像有大量都是彩色的,如果直接对彩色图像进行处理会增加计算量,因此本文的车牌定位方法只利用图像的灰度信息,因此首先需要将彩色图像转化为灰度图像。
下面我们将对本文方法的主要步骤进行分析和说明。
1.1 车牌图像边缘检测
本文主要采用基于边缘跳变数的水平区域定位方法。首先采用Lo G边缘检测器对灰度图像进行边缘检测,得到的边缘图像具有较为闭合的、连通的轮廓[5]。检测过程中,孤立的噪声点和一些较小的结构组织将被滤除。边缘检测后,再去除图像中面积小于指定像素数的连通对象就可以进一步的去除一些杂乱边缘。这一过程可能删除字符的一些笔画信息,但基本上不影响后续步骤的进行。图2是对一幅包含车牌的图像去除杂乱边缘的实验结果。
1.2 基于边缘跳变的水平定位
去除杂乱边缘后,我们就可以统计边缘的跳变次数λ。若任意左右两像素点值edge(i)、edge(i+1)(非1即0)不同则加1;相同则不变。可依据公式(1)计算某一行的边缘跳变次数:
对于我国现行的标准车牌而言,车牌区域共有七个标准字符,字符之间存在间隔,车牌字符边缘检测后会产生0-1跳变,特征量的取值范围可按下述方法得到:
(1)下限的设定:可以考虑极端的情况,即车牌号码五个数字都为“11 111”,则其边缘变化频率为10,汉字和字母某一行都为单笔划时,变化的频率最小且为4(如“京”“I”的最顶行),因而变化频率的最小值应为14,考虑到车牌两侧干扰的存在,可设下限15;
(2)上限的设定:也可考虑极端情形,车牌号的五个数字两次经过某一行(如“88 888”中的上下半部分)时,其边缘变化的频率最大且为20。当字母为“M或W”时,字母四次经过某一行,其边缘变化的频率最大且为8,当汉字为“藏”字时,扫描线经过该字时变化频率最大为12,同时考虑干扰的情况,可设此特征量上限为50。
设置一个阈值N来统计边缘图像包含的边缘信息是否丰富。往往由于车牌区域笔画信息较多,边缘信息也最为丰富,通过阈值N可以确定车牌所在的水平条形区域。具体为对边缘检测后的图像逐行行扫扫描描,,当当跳跳变变次次数数大大于于上上述述阈阈值值NN时时,,保保存存其其位位置置。。扫扫描描结结束束后后,,对对至至少少连连续续MM行行跳跳变变次次数数都都大大于于阈阈值值NN,,则则认认为为该该区区域域可可能能存存在在车车牌,保存起始位置,得到水平区域。反复搜索,直至结束。
最终结果可能有一个或多个水平区域(如图3),但是即使这些区域里存在伪车牌,可以通过之后的步骤进行剔除。
1.3 基于垂直投影定位车牌左右区域
之前的水平定位得到的水平区域为边缘检测后的二值化图像,可以进一步对所检测区域的边缘进行垂直投影。由于车牌字符区域的垂直投影通常会形成的密集的波峰—波谷—波峰特征,而非车牌区域往往波峰和波峰间离的较远,或者波的宽度较大(或较小),不具备车牌字符形成的特征。依据这一特征可以确定车牌的左右边界,得到车牌。其过程见图4和图5。
1.4 伪车牌区域剔除
由上一步骤得到的车牌仍可能为伪车牌,车牌数目不等于1。而我国车牌,除临时入境车辆牌照和部分大型车辆牌照外,实际车牌的高宽多为140mm×440mm,由于上述步骤得到车牌常含有一些背景信息,对车牌高宽比适当放宽,依此可以对高宽比不太适当的“候选车牌”直接剔除。另一方面,当车牌垂直投影后“峰”的个数小于6个时(考虑字符粘连情况),该“车牌”不具备车牌内字符所具有的特征,可以判别为伪车牌。
如图2(a)所示图像,经水平、垂直定位后产生了2个“伪车牌”(见图5(b),(c)),这些伪车牌区域就可以利用前面的方法进一步剔除。
1.5 对车牌区域进行修正
上述步骤得到的车牌可能还存在部分车牌外背景,如图6所示,因此还需要进一步的细分割。由于光照条件差异、车牌污垢、车牌受损、车牌与车身背景颜色相近以及安装位置等各种原因,使得车牌外框的矩形特征利用起来存在很多制约。所以本文还是利用车牌区域最明显的字符特征,利用字符区域的水平和竖直方向的投影特征来进行进一步的细分割,如图6和图7所示。
由图7可以看出,虽然最终定位的车牌区域仍然存在少量背景区域,但基本不影响后续工作的进行。我们对包含不同角度和光照条件的71幅汽车图像进行了实验,其中60幅定位成功,成功率为84.5%。定位失败的图像主要由于车牌倾斜角度较大,或车牌区域获取不清晰等原因造成。总的来说,本文方法在车牌倾斜角度较小(小于5度),图像拍摄距离为1.5m到2.5m条件下,均能够较为准确的定位出车牌区域,对复杂背景、光照、车牌种类等条件不敏感。
2 结论
本文综合运用图像处理多种方法,提出了一种多级框架车牌定位方法,该方法结合粗定位和细定位步骤,能较好的定位出车牌,为车牌字符分割和识别提供了前提条件。
摘要：提出了一种基于边缘跳变和投影法的多级车牌定位方法。该方法首先利用边缘跳变特征对车牌区域进行水平定位,得到一组水平区域;然后,通过垂直投影,利用车牌区域波峰—波谷—波峰密集特点定位车牌左右边界,得到候选车牌区域;最后,对多个候选车牌区域进行分析,剔除错误区域,得到粗定位的车牌区域。并对粗定位车牌区域做进一步修正,获得最终的车牌区域。本文提出的车牌定位方法在车牌倾斜角度较小(小于5度),图像拍摄距离为1.5m到2.5m条件下,能够较为准确的定位出车牌区域,对复杂背景、光照、车牌种类等条件不敏感。
关键词：车牌定位,边缘跳变,投影法
参考文献
[1]Christos-Nikolaos E.Anagnostopoulos,Ioannis E.An agnostopoulos,IoannisD.Psoroulas,Vassili Loumos,Eleftherios Kayafas.License Plate RecognitionFrom Still Images and Video Sequences:A Survey[J].IEEE Transactions onintelligent transportation systems.2008,9(3):377-391.
[2]陈进,徐佩霞.一种改进的车牌定位方法[J].计算机工程与应用.2010,46(23):244-248.
[3]关明山,任洪娥,王洋等.汽车拍照定位的削峰填谷自适应算法[J].计算机工程与应用.2010,46(22):199-202.
[4]柳妮.电子警察系统中车牌定位与识别技术的研究[D].长安大学硕士学位论文.2009.4
边缘定位 第5篇
由摄像头捕捉的汽车图像是彩色图像, 其中包含有大量的色彩信息以及丰富的几何信息。而车牌识别算法的主要工作就是利用图像中已有的颜色信息、车辆的几何信息和车牌的几何信息, 使用数字图像处理的方法来提取车牌的位置。
颜色是人的视觉系统对光谱中可见区域的感知效果, 为了准确地描述颜色, 必须引入色彩空间的概念。 正如几何上用坐标空间来描述坐标集合, 色彩空间用数学方式来描述颜色集合。 而在车牌识别过程用到的主要图像处理算法是边缘检测算法。
1 色彩空间
1.1 RGB色彩空间
RGB色彩模型一种加性色彩模型 ( additive color model) , 通过将红 ( Red) 、绿 ( Green) 和蓝色 ( Blue) 以不同的方式混合在一起, 来获得多种颜色[1]。 RGB色彩模型的名称即来源于最主要的三种混合色:红色、绿色以及蓝色。 而基于RGB色彩模型的颜色空间即为RGB色彩空间。 通过将R、G和B添加在一起 ( 即所有光线反射回眼睛) 可产生白色[2]。 加性色彩空间主要应用在电子显示和照明领域, 如计算机的显示屏、电视屏幕以及照明灯。 以计算机显示器为例, 绿色、红色以及蓝色的液晶由于电压不同而产生不同的透光率, 从而透过对应的光线。光谱上可视区域的大多数色彩都可以通过RGB的加性色彩空间调和三原色的比例和强度来实现。若三原色分别重合则可以生成三原色对应的补色:青色、洋红及黄色。
1.2 CMYK色彩空间
印刷四分色模式是彩色印刷时采用的一种套色模式, 利用色料的三原色混色原理, 加上黑色油墨, 共计四种颜色混合叠加, 形成所谓“ 全彩印刷”。 四种标准颜色是:青色 ( Cyan, C) 、品红色 ( Magenta, M) 、黄色 ( Yellow, Y) 以及黑色 ( blac K, K) 。 CMYK色彩空间是一种减性色彩空间, 常用于印刷行业。相较于加性色彩空间, 减性色彩空间的白色是印刷底料的本色, 没有任何颜色, 而白色则是由所有基色的混合产生。 同时为了节约墨水的开支以及获得更深的暗色调, 黑色直接由黑色墨水获得, 而不是通过混合平红色、黄色和青色获得[3,4]。
1.3 YUV
YUV主要用于优化彩色视频信号的传输, 使其向后相容老式黑白电视。 与RGB视频信号传输相比, 它最大的优点在于只需占用极少的频宽 ( RGB要求三个独立的视频信号同时传输) 。 其中“ Y”表示明亮度 ( Luminance或Luma) , 也就是灰阶值;而“ U”和“ V”表示的则是色度 ( Chrominance或Chroma) , 作用是描述影像色彩及饱和度, 用于指定像素的颜色。
色度信号U、V与亮度信号Y的分离是YUV色彩空间的重要性之所在。 如果只有Y信号分量而没有U、V分量, 那么这样表示的图像就是黑白灰度图像。 彩色的电视信号正因为采用了YUV色彩空间才解决其与黑白电视机的兼容问题, 使黑白电视机也能接收彩色电视信号[5]。
1.4 HSV
HSV是一种使用圆柱坐标来表示色彩的色彩空间, 是一种六角锥体模型。 其通过重排RGB色彩空间的几何描述以使得HSV色彩空间更加符合人眼的直觉和更容易被人眼感知到[6]。该色彩空间在20 世纪80 年代提出, 现在主要用于拾色器、图像编辑软件、图像分析以及计算机视觉领域。 HSV色彩空间的三个字母分别代表:
色调 ( Hue, H) :以角度计算, 其取值范围为在0°~360°之间, 从红色开始按逆时针方向计算, 0°位置为红色, 120°位置为绿色, 240°位置为蓝色。 它们的补色位于60°黄色, 180°青色, 以及300°品红;
饱和度 ( Saturation, S) :取值范围为0.0~1.0, 值越大, 颜色越饱和;
亮度 ( Value, V) :取值范围在0 ( 黑色) ~255 ( 白色) , 有时亮度也会称为Brightness。 与RGB和CMYK等色彩空间面向于硬件不同的是, HSV色彩空间面向的是用户, 更直观的说, 面向的是人的眼睛。
2 边缘检测算子
图像中灰度值或色彩急剧变化之处, 即为物体的边缘, 在灰度值变化比较剧烈之处进行微分运算, 就可以得出区别于其他处的较大值, 因此, 可以利用各种微分运算进行边缘检测。边缘检测算子就是通过检查每个像素点的邻域并对其灰度变化进行量化来达到边界提取的目的, 而且大部分的检测算子还可以确定边界变化的方向[7]。
2.1 罗伯特 ( Robert) 边缘算子
罗伯特 ( Robert) 边缘检测算子是一种利用局部差分方法寻找边缘的算子, 罗伯特 ( Robert) 梯度算子采用的是对角线方向相邻两像素值之差, 算子形式如下:
上述算子对应的两个2×2 模板如表1 所示。 实际应用中, 图像中的每个像素点都用这两个模板进行卷积运算, 为避免出现负值, 在边缘检测时常取其绝对值。
2.2 索贝尔 ( Sobel) 算子
索贝尔 ( Sobel) 算子所采用的算法是先进性加权平均, 然后进行微分运算, 算子的计算方法如下所示:
索贝尔算子垂直方向和水平方向的模板如表2 所示, 图a可以检测出图像中的水平方向的边缘, 后者则可以检测出图像中的垂直方向的边缘。 实际应用中, 每个像素点取两个模板卷积的最大值作为该像素点的输出值, 运算的结果是一幅边缘图像。
索贝尔算子的优点是具有一定的抗噪声能力, 在检测阶跃边缘时可以得到至少两个像素的边缘宽度。
2.3 拉普拉斯 ( Laplace) 算子
拉普拉斯 ( Laplace) 边缘检测算子与前述两个一阶导数算子不同, 拉普拉斯算子是一个二阶导数算子, 其算子的形式如下所示:
拉普拉斯边缘检测算子模板的基本特征是中心位置的系数为正, 其余位置的系数为负, 且模板的系数之和为零, 通过与前述两个算子比较可以得见:拉普拉斯算子不能检测出边缘的方向性信息, 因此, 其很少直接用于边缘检测。
拉普拉斯算子能使噪声成分得到加强, 对噪声很敏感。
3 混和车牌定位算法的提出
根据《 中华人民共和国公共安全行业标准GA36-2007 中华人民共和国机动车号牌》 规定, 我国大型汽车号牌以及挂车号牌长度为440mm, 前号牌高度为140mm, 后号牌的高度为220mm, 颜色为黄底黑字黑框线;小型汽车号牌的外廓尺寸前后一致, 均为高度140mm, 宽度440mm, 颜色为蓝底白字白框线。 根据使用场景来看, 上述两种类型在普通的汽修厂当中是比较常见的车型, 因而实现对相应的号牌号码的识别是首要的任务。由此, 为了解决该问题, 本文提出来一种根据车辆号牌颜色及边缘检测的混合方式来定位车辆号牌在图像中位置的算法。 该算法的主要过程分为两步:
( 1) 根据号牌的几何特征, 利用边缘检测的方式去除噪声, 粗略定位车牌;
(2) 根据号牌的颜色特征, 利用色彩空间的方法去除色彩噪声;
(3) 将上述两步的输出图片进行与运算得到输出结果。
下面分别详细说明上述3 个步骤的内容。
3.1 边缘检测去除噪声
众所周知的是, 国内的车牌都是矩形的, 而在安放车牌的位置的周围存在着大量的非直线形的曲线噪声, 因此利用一阶的边缘嵴检测算子即可去除类似的曲线噪声。同时, 仔细观察车辆号牌的几何特征, 我们会发现:车辆号牌上有大量水平方向的干扰, 比如车辆后备箱盖外缘、引擎盖外缘以及悬挂车牌位置的水平方向干扰等。因此, 可以利用垂直方向的索贝尔算子进行垂直方向的边缘检测以去除水平方向的干扰。 如下图1 所示, 是使用垂直方向的索贝尔算子进行卷积运算后的车辆号牌图像:
3.2 利用色彩特征去除噪声
根据前述, 本文所针对的应用场景中会出现的车辆号牌主要是小型车的蓝底白字车牌以及大型车的黄底黑字车牌。 在HSV的色彩空间中, 蓝色在色调 ( Hue) 空间的角度为240°, 而黄色的角度为60°, 因此将汽车好牌的图像由RGB色彩空间转换至HSV空间后, 可以设定两个角度分别为240°和60°, 即可从空域当中提取出蓝色和黄色的车牌位置。如果光照强度过大, 比如白炽灯直射或者阳光晴好的正午, 蓝色会有向青色便宜的趋势, 所以为了能够对强光及弱光环境有一定的适应能力, 可以分别将蓝色和黄色的色调分别留有10~20°的裕度, 即蓝色的色调范围为230~250°, 黄色的色调范围为50~70°, 实验结果如下图2 所示:
3.3 图片与运算
经过步骤1 和2 之后, 分别到了边缘检测后和基于色彩空间的降噪后, 产生了两幅车牌候选区域的图像。为了进一步去除噪声, 提高车牌的定位精度, 算法的最后一步进行图像的与运算:将步骤1 和步骤2 产生的图像进行与运算以提高车辆号牌的定位精度。 实验结果如下图3 所示:
4 结论及展望
通过上述的算法作用于实验样本中, 最终得到的实验结果为:在100 张图片中, 有96 张图片成功地定位到车辆号牌, 其中有7 幅图像中含有两幅号牌, 结果这7 张图像中的14 幅号牌全部成功地定位。 但是, 需要注意的是该算法的成功率是基于蓝底白字号牌和黄底黑字号牌, 适用范围比较有限, 所以在以后的改进当中需要进一步提高该算法的使用范围。
参考文献
[1]Poynton, Charles A.Digital Video and HDTV:Algorithms and Interfaces[M].Morgan Kaufmann, 2003.
[3]Galer, Mark;Horvat, Les (2003) .Digital Imaging:Essential Skills[J].Focal Press.p.74, 2003.
[4]Jennings, Simon (2003) .Artist’s Color Manual:The Complete Guide to Working with Color[J].Chronicle Books LLC.p.21, 2003.
[5]邵丹, 韩家伟.YUV与RGB之间的转换[J].长春大学学报, 2004, Vol.14.
[6]李薇, 李德仁.基于HSV色彩空间的MODIS云检测算法研究[J].中国图象图形学报, 2011, Vol.16.
边缘定位 第6篇
利用显微视觉进行各种精密测量,主要有3个环节影响测量精度:摄像系统的物面分辨率、摄像系统的标定和误差修正精度以及图像中目标的定位精度[1]。要提高测量精度,通过改变软件算法比改变系统硬件简单而且有效,因此对图像目标进行高精度定位算法的研究就成为提高系统测量精度的最重要环节之一。
在显微视觉中,待测目标一般比较规则,以直线边缘居多。传统边缘检测算法,Sobel算法、Roberts算法、Priwitt算法和Laplacian算法,形式简单,易于实现,速度快,但定位精度差,对噪声敏感。从20世纪70年代起不少专家提出了一些有效的亚像素边缘定位的方法,如形心法、灰度重心法、拟合法和数字相关法等[2]。其中形心法和灰度重心法是针对中心对称目标的亚像素算法,其定位精度可达0.2~0.5个像素[3];拟合法的前提是目标的特性要满足已知或假定的函数形式,所以一般很难获得很高的亚像素精度[4];数字相关法具有原理简单、适应性强和精度高等优点,但在对旋转目标或旋转没有约束目标定位中很少用到,因为这使模板选择难以实现[5]。上述亚像素算法都存在运行速度很慢的问题,难以得到实际应用。
本文提出了一种基于SUSAN算法和Hough变换的直线边缘亚像素定位方法。该方法自定义了直线边缘响应函数,并把响应值作为权值记入Hough变换累加器中,增强直线边缘定位精度。该算法定位精度可达0.3个像素,同时计算量小,速度快,具有良好的实时性。
2 基本原理
2.1 SUSAN算法原理
SUSAN(Smallest Univalue Segment Assimilating Nucleus)算法,是由英国牛津大学的Smith等人于1996年首次提出[6]。该算法具有简单、抗噪声能力强和处理速度快等特点。其基本原理如图1:a,b,c,d,e,f六个点分别是五个圆形的模板在图像中不同的位置,模板的中心被称之为“核”。模板中所有具有与核相同或相似灰度的像素点构成的区域定义为核值相似区,即USAN(Univalue Segment Assimilating Nucleus)。
SUSAN算法的数学描述:
SUSAN圆形模板在图像上滑动,将模板中的各点与核心点的灰度值用下面的相似比较函数进行比较。
式中:t是相似度阈值,用来区分目标与背景;I(x,y)是模板中非核心点的灰度值;I(x0,y0)是模板的核心点灰度值。在实际处理中,往往采用下面更稳定、更有效的相似比较函数:
USAN区域的大小可以由下式给出:
然后将USAN区域大小与一个给定阈值g进行比较,得到初始响应函数:
式中g为几何阈值,用来抑制噪声的影响。由式(4)知,USAN区域越小,初始边缘响应应越大,这样便对边缘信息进行了增强。
2.2 Hough变换原理
Hough变换的核心思想是点-线的对偶性,即把图像空间中的复杂边缘特征信息转化为参数空间中的聚类检测问题[7]。
在直线检测中,图像空间中任一点A的坐标A(xa,ya)都将与参数空间中(ρ,θ)相对应,即图像空间中A点在参数空间中对应着一条正弦曲线:
对于图像空间中共线的n个点来说,它们所对应的参数空间中n条正弦曲线在0≤θ≤π之间必相交于一点,如图2所示。其中,ρ代表直线到坐标原点的垂直距离,θ是直线的法线与x轴正向的夹角。
3 亚像素定位算法
3.1 模板大小的选择
SUSAN算法中常选用37个像素点的圆形模板,主要考虑圆形模板具有各向同性,但计算不便。文献[1]提出可简化为传统3×3模板,但是不同模板的选用对检测能力的影响一直未有文献进行探讨。影响显微图像质量的因素主要是退化和噪声,由于微操作对环境有比较严格的要求,因此环境中噪声干扰相对较小,同时SUSAN算法和Hough变换两者自身都具有比较强的抗干扰能力。相反,在显微视觉中理想的聚焦状态很难达到,一般都会存在不同程度的离焦。因此本文研究图像退化程度对模板的选取的影响。
本实验利用四种模板类型:3×3,5×5,37个像素点,7×7分别检测一系列退化仿真图像,验证模板的检测能力。退化仿真图像序列是通过对原始灰度图像分别加入高斯退化函数,其中模糊圆半径r为5~35,图3为加入r=10的高斯退化函数,实验数据见图4。
通过上述实验可以看到,3×3模板只有在非常理想的状态下才能检测直线,5×5模板能在大多数离焦状态下检测直线,37个像素点和7×7模板能够胜任离焦比较严重的状态。但同时,模板所占像素点越多,计算时间就越长。因此,在本文中选用5×5模板。
3.2 直线边缘响应函数
考虑到检测目标是直线,在这种情况下,当模板的中心位于直线边缘时,USAN区域为最大值的一半,因此,n(x0,y0)值不是越小越好,而是满足一定的范围。在角点检测中认为USAN区域越小,初始响应函数越大,而对于直线检测则应该是USAN越接近一半,初始直线响应越大,因此,定义直线边缘响应函数为
其中:n=n(x0,y0),gmax=3/4nmax,gmin=1/2nmax,gmid=(nmax-nmod)/2+nmod,nmod表示模板的大小,对于5×5模板,nmod=5。
3.3 带权值Hough变换
由于Hough变换计算量大,常规Hough变换是在边缘检测和二值化之后。对图像进行扫描,在图像空间为前景点时,相应的参数空间进行加1操作,即每个前景点的作用是相同。本文提出方法将SUSAN算法与Hough变换相结合,Hough变换只对满足直线边缘响应函数的灰度点进行操作。同时,将此响应值作为前景点的权值转化到参数空间,即每个前景点的作用不同。这样,大大增加了直线检测的精度。
3.4 整像素定位
SUSAN+Hough直线边缘粗定位算法如下:
1)用单阈值自动选取的方法进行阈值选取,此处选用OTSU法[8];
2)对图像中大于阈值的点,用式(2)对模板中各点计算相似度,其中t取25;
3)用式(3)计算USAN区大小,用式(6)产生直线边缘响应;
4)将T(x0,y0)不为0的点用式(5)进行Hough运算转化到参数空间,在参数空间中,取θ的范围(0°~180°),∆θ=2°,ρ取整,将T(x0,y0)作为权值记入累加器中;
5)重复2)~4)操作遍历图像;
6)遍历结束后取累加器中最大值,即得到直线边缘的参数值。
3.5 亚像素定位
具体算法如下:
1)对上述直线进行Hough运算转化到参数空间,参数空间中,取θ∈[θ-2,θ+2],∆θ=0.1°,ρ∈[ρ-10,ρ+10];
2)遍历结束后取累加器中最大值nmax,即得(θ,ρ)值;
3)在一定区域内进行拟合,即在参数空间的一定区域θ∈[θ-0.,2θ+02.],ρ∈[ρ-,1ρ+]1内对满足累加值大于nmax/2的点进行加权平均得到最终的(θ,ρ)值;
4 亚像素定位实验
4.1 实验设备
所有实际图像在自行开发的“微细操作站”平台上采集得到,见图5。主控上位机使用台湾研华科技Advantech工控机PCA-6184V,主频1.8 GHz,512M RAM,Windows2000OS,采用Visual C++6.0编译器。
4.2 仿真实验
对图6中4张781×581仿真图像进行实验。其中PSF退化图像选取高斯退化模型(r=15),椒盐噪声图像强度为0.05,退化加椒盐图像为两者的叠加。用上述算法计算十字仿真图像中心点的坐标,并分别与Roberts、Priwitt、Log边缘检测、二值化后Hough变换(简称HT)定位算法进行比较(见表1)。
从表1中可以看到本文所提出的算法具有较强的抗干扰能力,特别在既有退化又有噪声的情况下,其他算法都无法检测,本文所提出的算法仍然可以对十字图像中心进行精确定位,定位精度达0.01 pixels。
表2中数据表明,本文提出的方法满足实时性要求。
4.3 实际图像实验
4.3.1 网格图像实验
在实验中采用多功能标定板,见图7,定义每个节点的几何中心为P1~P8;用本文提出的方法求得8点P1~P8在像平面中的亚像素坐标;计算每2个节点中心间的几何距离L1~L10。
从理论上讲,应有L1=L2=…=L9=L10。因此,对L1~L10测量结果的一致性越好,说明图像定位算法准确性、鲁棒性越好。由于Priwiit+HT和Log+HT不能实现有效定位,分别使用SUSAN+HT、Sobel+HT和Roberts+HT三种方法对节点进行定位,L1~L10的测量结果见图8。
表3将实验数据进行了统计归纳:Sobel+HT和Roberts+HT的测量结果较为“离散”,SUSAN+HT的测量结果则具有更好的一致性。同时,在运算速度上,SUSAN+HT具有更好的实时性。
4.3.2 十字图像实验
由于无法确定采集得到的781×581十字图像(图5(b))的中心点坐标的实际值,本文使用如图5(a)所示的微操作工作站,对同一目标进行多次采集。这种方法被认为是对同一幅图像加入相同噪声的不同取样。
表4中标志中心点定位精度偏差(RMS),x方向为0.291 7 pixels,y方向为0.183 1 pixels。主要原因是采集图像过程中会受到外界振动的影响。运算时间为324 ms。
5 结论
本文提出了基于SUSAN算法和Hough变换的直线边缘亚像素定位方法。该方法结合了SUSAN算法和Hough变换的优点。讨论了模板大小对SUSAN算法的影响。在离焦退化不十分严重的情况下可以用5×5模板代替。算法中定义了直线边缘响应函数,同时提出了加权Hough变换,将直线边缘响应函数值作为Hough变换的权值加入到累加器中对边缘信息进行了加强。两种算法有机地融合,在保证精度的前提下,减少了对图像重复扫描的时间。实验证明,该算法对十字特征图像能够进行准确的亚像素定位,定位精度可达0.3个像素。同时,该算法为解析曲线精密定位提供了思路。
摘要：提出了一种基于SUSAN算法和Hough变换的直线边缘亚像素定位方法。在该方法中,给出了SUSAN算法模板选择的依据,同时定义了直线边缘响应函数并引入加权Hough变换。首先,利用直线边缘响应函数对直线边缘进行提取;然后对具有响应值的灰度点进行Hough变换并将该响应值作为权值记入参数空间累加器,得到粗定位;在粗定位的基础上对映射区进行局部细化,并对区域内点进行拟合,最终得到直线边缘精定位。实验证明:直线边缘定位精度可达0.3pixels,同时为解析曲线亚像素定位提供了一种新的思路。
关键词：视觉,图像分析,SUSAN,Hough变换
参考文献
[1]于起峰,陆宏伟,刘肖琳.基于图像的精密测量与运动测量[M].北京:科学出版社,2002:148-150.YU Qi-feng,LU Hong-wei,LIU Xiao-lin.Precision measurement and motion measurement based on image[M].Beijing:Science Press,2002:148-150.
[2]Rohde O K,Healy D M Jr,Berenstein C A.Measuring image similarity to sub-pixel accuracy[C]//The3rd IEEE International Symposium on Biomedical Imaging.Washington,United States:Macro to Nano,2006,4:638-641.
[3]郭玉波,姚郁,遆晓光.一种改进的亚像素算法[J].光电工程,2006,33(10):137-140.GUO Yu-bo,YAO Yu,DI Xiao-guang.Improved sub-pixel algorithm[J].Opto-Electronic Engineering,2006,33(10):137-140.
[4]刘力双,张铫,卢慧卿,等.图像的快速亚像素边缘检测方法[J].光电子·激光,2005,16(8):993-996.LIU Li-shuang,ZHANG Yao,LU Hui-qing,et al.A fast sub-pixel edge detection method for images[J].Journal of Optoelectronics·Laser,2005,16(8):993-996.
[5]孙明磊,李大寨,余志伟,等.基于NCCO的十字图像特征亚像素定位[J].北京航空航天大学学报,2005,31(7):780-784.SUN Ming-lei,LI Da-zhai,YU Zhi-wei,et al.Locating cross-shaped image feature with subpixel accuracy based on NCCO[J].Journal of Beijing University of Aeronautics and Astronautic,2005,31(7):780-784.
[6]Smith S M,Brady J M.SUSAN-a new approach to low level image processing[J].Journal of Computer Vision,1997,23(1):45-78.
[7]Hough P V.Machine analysis of bubble chamber pictures[C]//Pro-ceedings of Int Conf High-Energy Accelerators and Instrumentation.Switzerland:Geneva,1959:554-556.
边缘定位 第7篇
陕北本土作家庞文梓,在这部自传式的长篇小说《命运》中,以王家寨村、小城、大漠城为背景,从主人公冯凯盈从六十年代到2012年的人生经历,从十个成长阶段:少年、知音、受苦、出山、老师、母亲、逆境、小城、闲居、路客,描绘了主人公冯凯盈的成长之路。
书中有一句话反复出现:“我说过,我是个边缘人物,却常常处在核心位置上。”
一、迷茫的身份认同之一:两个村庄的边缘人
“路客”,是作品《命运》中反复出现的一个词,主人公冯凯盈人生十个阶段的最后一个阶段也以“路客”为名,可见作者对这个词的执念。那么,什么是路客?“路客”在陕北方言中是“过路客人”
冯凯盈的成长背景不可谓不艰辛,母亲一生经历了常人三大最痛心之事:幼年丧父、中年丧夫、老年丧子。父亲是个连“上门女婿”资格都没有的“招汉”。自己从小是王家寨唯一的冯姓后代,为此从小受尽欺辱。先说王家寨,冯凯盈打小从父亲那里学到一个词“单帮孤人”
再说冯家窑子村,这是父亲的老家,父亲是家中四兄弟的长子,因为是二婚,所以听了奶奶的话,去了王家寨做了“招汉”,从此后,父亲就不能算是冯家窑子村的人了,1947年招兵的时候,父亲因为是外乡人,所以没有被征召的资格;小时候在王家寨受气的冯凯盈第一次随父亲回冯家窑子村时,本以为会被当家人一样接待,谁知道堂兄弟们都称呼他为“王家寨我大老的儿”
二、迷茫的身份认同之二:乡村与城市的边缘人
冯凯盈成长和生活的年代,正是中国城市化加速的年代。城市的加速发展与乡村的停滞并存,在这样的时代大背景下,很容易出现小人物的适应问题。在小农经济、小农意识中长大的农村娃,进城之路,谈何容易?表现在冯凯盈身上一个突出的矛盾就是:无法回归的乡村和闯不出去的城市。
首先是无法回归的乡村。和奥德修斯一样,有着英雄主义情结的冯凯盈,大半辈子也都在上演着一出“回归”的戏码。
冯凯盈的第一次回归,是在读书受挫之后。冯凯盈的读书生涯只能用坎坷来形容了,别人在读初中,他也在读初中,别人在读高中,他在补学,别人在读大学,他还在补学,别人在工作,他还在补学,别人都结婚了,他还在补学。在这样的背景下,自尊心强又脸皮薄的冯凯盈决定回乡当个农民。读书人眼中的农村干净而纯粹,那是一种可远观而不可亵玩的文人情怀。真正深入农村生活的冯凯盈看到了什么?“对上边的人毕恭毕敬,真心实意,无所要求”、“爱算小账,常想占小便宜”
冯凯盈的第二次回归,是在当兵被退伍之后。好不容易得到了一个入伍的机会,入伍后训练项目门门优秀,又是新兵班的统领,又得班长的赏识,眼看着从戎之路顺风顺水,却不料因为耳朵的问题,在入伍36天之后被退伍回乡。这次回来,没有第一次回归时的懊恼,冯凯盈和农村环境的格格不入,被父母的谅解和思念冲淡了。拍拍身上的尘土,冯凯盈以戏校老师的身份,再次出发。
冯凯盈的第三次回归,是在戏校解散之后。几经辗转回到王家寨,村人从之前的刮目相看到这次的挖苦讥笑,就连小卖部的陈怀文都说出“人家要你作甚哩”
冯凯盈的最后一次回归的尝试,是在回乡埋葬父亲的时候。这一次,他带着自己的小女儿,想让她和自己一起感受一下祖先生长过的土地、母亲的骨肉融入进去的土地,起初好奇的小女儿尚同意再次回乡,而真到回乡的时候,小女儿已然忘却了这个约定。这个时候的冯凯盈终于知道,自己的下一代已经彻底城市化,而村人的一句“路客”所传达出来的只是他这一代人的身份。
四次出走,四次回归,返乡的欲望越来越淡,融入城市的事实越来越清晰。冯凯盈的下一代真正实现城市化了,而冯凯盈,这个新中国农村的奥德修斯,只能一直处在城市化的进程中,时而闯出,时而回归,摇摆在农村与城市的夹缝中,最终,身在城市,身份认同在王家寨,这是一个时代的群像和写照。在城市与乡村之间,又做了一名“路客”。
三、事业的边缘人:既不愿屈尊逢迎,又不屑一顾
冯凯盈最终在城市落脚了,但这条道路走得并不顺畅。读书人有读书人的规则,官场有官场的规则。
冯凯盈第一次面临事业危机,是在县武装部工作半年之后。县上要清退一批临时工,常敬斌县长误以为冯凯盈是有后门的人,所以执意要清退他。在几经周折之后,冯凯盈保住了自己的工作。这一次,他凭着文人的清高劲儿,用自己的作品和执著保住了饭碗。
冯凯盈第二次面临事业危机,是在办理农转非户口的时候。县上有几个户口农转非的指标,本该顺理成章办理手续的冯凯盈,却屡遭淘汰。在几经辗转之后,冯凯盈再次凭作品和吃苦耐劳的工作态度获得该指标。
第三次事业危机,与其说是危机,不如说是冯凯盈的“退身”计划,这一次,他放弃了武装部的正式工作,转而调入文化馆。将重心从事业转向家庭。也许是前两次危机太过耗费精力,也许是多年来在事业上的全力追赶太累,也许是人到中年的压力,总之,冯凯盈选择了退出。
与此同时的,他再没有追求过爱情、闯荡这些鲜活的字眼。在两次事业危机中挺过来的冯凯盈,再不谋求升迁,也不留恋返乡了,过起了岁月静好的生活,上上班,写写作品。事业上升的规则是给领导送钱,然而从来只依靠作品的冯凯盈不愿意做这样的选择,因此当领导侧面暗示他送钱的时候,他耿直地回复“没买下房子,没钱”,这一次,冯凯盈做了事业上的“路客”,在经过两次关键路口之后,带着自己的正式工作、农转非的户口选择了隐居在文化馆。既然乡村回不去,城市居大不易,便选择退一步,做了这个城市的边缘人,既不愿屈尊逢迎,又对这一切不屑一顾。
四、爱情的边缘人:求而不得与不求
冯凯盈是什么样的人?联想他拿刺刀捅金锁的往事就可以知道,这是一个宁可不要命都决不受辱的一个人,他的爱情从来都没有面临过面包与爱情二选一的时代难题,他的爱情困境,恰恰是自己营造的。冯凯盈的爱情,可以分为两种类型。第一种是求而不得的爱情,第二种是不求的爱情。
第一种爱情,爱上女老师,爱上女同学,爱上女学生。每一次都有追求,但每一次都求而不得。作者把这样的感情循环叫做“命运”,其实所谓命运,说到底是作者一以贯之的一个心理习惯,仔细看来,在每段爱情的最初,冯凯盈都曾经付出并追“求”过:对周老师,冯凯盈半夜用手指头沾唾沫捅开了老师的窗户,每晚在周老师家大门外徘徊至天明,每次路过周老师家都会驻足观望,每回返乡都要刻意去周老师家绕一圈;对女同学白荟芹,因共同的文学爱好走在一起,在杏树峁约会,打着借书的名号去约会白荟芹;对女学生王莹,冯凯盈曾动心过,“这面容,这愁绪,触动了我心底的情愫,引起了我的怜爱,不,是爱慕。”
第二种爱情,是和田茵的爱情模式。在武装部上班之后,冯凯盈在一次偶然的机会,认识了在医院工作的田茵。几个月的相处时间,两人一起跳舞、一起去环城路散步、一起到体育场打羽毛球,以至在众人眼中,二人俨然一对情侣。然而,冯凯盈却从未将田茵视为正在相处的对象,于是,当田茵的妹妹田静出现的时候,他打心眼里觉得自己更喜欢田静;当田茵的追求者黄朋突然出现在田茵家的时候,他让出了本属于自己的位置;当陈月芳为他俩无疾而终的爱情表达遗憾的时候,他竟然没有一丝后悔。在这种爱情模式里头,冯凯盈完全没有少年时的血气方刚,当这些爱情到来的时候,他坐怀不乱,甚至可以说是无动于衷,既不追求,又何谈有所得。
于是,从求而不得到不求,冯凯盈的爱情故事就这样画上了句号,1994年的婚姻被主人公一笔带过,这最终的情感归宿如何我们不得而知。
小结:
冯凯盈用自己大半生的时间,诠释了一个“边缘人”的成长经历。他自始至终没有一个清晰的身份认同,终其一生被王家寨和冯家窑子村两不接纳。现实生活的卑微处境与性格上的桀骜不驯形成鲜明的对比,冯凯盈不相信“以德报怨”,母亲一辈子忍气吞声,受邻居欺负的时候仍然在帮对方腌大白菜,可冯凯盈不是,他是“以直报怨”的,欺负他的金锁,他会让捅刀子的极端行为让对方知道“正当防卫”的正义性。面对爱情时又过分小心、谨慎、自卑,几乎从不主动出击,而是交由天命控制。从乡村走入城市,以前的习惯尚未脱离,新的习惯尚未形成,这种不稳定的生存状态,带给他的是日复一日的紧张感和失落感。最终在看似融入的城市生活中,又脱离了武装部的“中心”生活,转而投入文化馆的“边缘”生活。长篇小说《命运》中冯凯盈的一生,是城市化进程中一类人的写照,想成为这个社会的“中心”,却在挣扎中走向“边缘”,最终安于“边缘”生活。好在这批人的二代,我们姑且称之为“边缘人二代”,就像冯凯盈的小女儿一样,不需要承受父亲所承受过的“边缘”心理,可以心安理得地认同自己城市人的身份,在社会变革的阵痛之后获得稳定的生存条件,这也许是《命运》所传达出的时代特征和现实性吧。
摘要：本文通过探讨陕北本土作家庞文梓的长篇小说《命运》中主人公冯凯盈的人物定位,认为冯凯盈是一个在各方面都边缘化的人物形象,“路客”是村人对冯凯盈的称呼,能够贴切地表达冯凯盈的身份及认同。主人公的“边缘人”处境也是一个时代群像的代表,有一定的时代性和现实性。
