《优秀毕业论文（设计）：边缘检测技术在汽车牌照自动识别监控系统中的应用.doc》由会员分享，可在线阅读，更多相关《优秀毕业论文（设计）：边缘检测技术在汽车牌照自动识别监控系统中的应用.doc（51页珍藏版）》请在三一办公上搜索。
1、 四川理工学院毕业设计（论文） 边缘检测技术在汽车牌照自动识别监控系统中的应用 四川理工学院自动化与电子信息学院 二00九年六月摘 要车牌识别是智能交通中关键技术之一。车牌识别系统一般包括车辆图像采集、车牌定位、字符分割和字符识别四个模块。本文在简单介绍车牌识别的四个模块的基础上，主要对车牌边缘检测进行了讨论，分析了Roberts算子、Sobel算子、canny算子、拉普拉斯(Laplacian)算子和Marr边缘检测算子。Roberts算子检测定位精度比较高，但对噪声敏感。Sobel算子可以产生较好的边缘效果，但是对噪声具有平滑作用，减小了对噪声的敏感性。但是，Sobel边缘检测算子也检测出
2、了一些伪边缘，使得边缘比较粗，降低了检测定位精度。canny算子能在噪声抑制和边缘检测之间取得较好的平衡，并能产生较细的边缘效果。故本文采用canny算子对车牌的边缘进行了提取，仿真结果表明了该算子能较好的检测出图片的边缘信息。关键词：车牌识别，车牌定位，字符分割，边缘检测ABSTRACT The car license recognition is one of key technologies in the intelligent transportation .The car license recognition system includes vehicles image gathe
3、ring, the car license localization generally, the character division and the character recognition four modules.This article in the simple introduction car license recognition four module foundations, mainly has carried on the discussion to the car license edge examination, has analyzed the Roberts
4、operator, the Sobel operator, the canny operator, the Laplacian (Laplacian) operator and the Marr edge examination operator. The Roberts operator examination pointing accuracy quite is high, but is sensitive to the noise. The Sobel operator may produce the good edge results, but has the smoothing ef
5、fect to the noise, reduced to the noise sensitivity. But, the Sobel edge examination operator also examined some false edges, caused the edge quite to be thick, reduced the examination pointing accuracy. The canny operator can obtains the good balance between the noise abatement and the edge examina
6、tion, It can produce the thin edge results. Therefore this article used the canny operator to carry on the extraction to the car license edge, the simulation result has indicated this operator to be able the good examination picture edge information.Key words: car license recognition, car license lo
7、calization, character division, edge examination目 录摘 要IABSTRACTII第1章 引 言11.1 课题背景及研究意义11.2 国内外研究现状21.2.1 汽车牌照识别国内外研究现状21.2.2 边缘检测算法国内外研究现状31.3 我国汽车牌照识别的难点51.4 课题的主要研究内容6第2章 汽车图像的采集72.1常用的车辆检测方法72.2运动车辆检测算法概述72.2.1光流场法72.2.2帧差法82.2.3背景消减法82.3背景图像的提取与更新92.3.1背景图像的提取92.3.2背景图像的更新92.4有无车辆判定10第3章 车牌定位113
8、.1 现行汽车牌照的规格113.1.1 现行汽车牌照的类型113.1.2 车牌字符特征123.1.3 车牌比例特征123.2 车牌的先验知识123.3车牌定位133.3.1直接车牌定位法143.3.2 多分辨率车牌定位法153.3.3基于数学形态学的车牌定位法16第4 章 车牌图像的边缘检测204.1 车牌图像的灰度化和二值化204.1.1 图像的灰度化204.1.2 图像二值化214.2 灰度变换增强224.2.1 灰度变换224.2.2直方图均衡化244.3 空间域滤波264.3.1 领域平均法264.3.2 高通滤波284.3.3 中值滤波284.4 简单边缘检测算子294.4.1 梯度
9、算子294.4.2 拉普拉斯算子314.4.3 Marr边缘检测方法31第5章 canny边缘检测算法应用及仿真345.1 算法步骤345.2 实验结果分析36第6章 结束语38致 谢40参 考 文 献41附 录43第1章 引 言1.1 课题背景及研究意义随着我国国民经济以及科学技术的高速发展，机动车数量不断增加，国内高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高，智能交通系统(Intelligence Traffic System)，简称ITS。它已经成为当前交通管理的方向。所谓智能交通系统是将先进的信息技术、数据通讯传输技术、电子控制技术及计算机处理技术等综合
10、运用于整个交通运输管理体系，通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，对各种交通情况进行协调和处理，建立起一种实时、准确、高效的综合运输管理体系，从而使交通设施得以充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展1。我国从70年代开始在传统的交通运输和管理中应用了电子信息技术，随着社会的发展与进步，我国道路在未来20年内仍然处于建设阶段，这期间正是智能交通系统在全世界进入全面实施的阶段，因此我国需要根据公路交通的实际需要探讨在我国公路网中应用智能交通系统来提高交通效率，保障安全和保护环境。随着社会的发展，多学科多领域的融合发展成为技
11、术发展的新趋势。智能交通系统的发展趋势也从单一的运输模式的智能化向综合交通的多种运输模式协调配合的智能化方向发展。目前，铁路、航空、水运业都在考虑利用智能运输系统的先进技术改造传统的运输方式，智能交通系统将起到越来越重要的作用。车辆牌照的自动识别是计算机视觉与模式识别技术在智能交通领域结合应用的重要研究课题之一，是实现交通管理智能化的重要环节。车牌识别系统(License Plate Recognition，简称LPR)具有广泛的应用范围，主要应用于：高速公路收费、道路交通监控管理、交通事故现场勘察、违章管理；小区、停车场管理；车辆登录、验证；车辆统计、安全管理2。对提高这些场所交通系统的管理
12、水平和自动化程度具有重要的意义和巨大的经济价值。车辆牌照图像识别也是计算机智能化的关键技术之一，涉及到模式识别、图像处理、人工智能、信息论、计算机等多个学科，同时也与语言文字学和心理学等学科相关，是一门综合的技术，有着重要理论意义和实际应用价值。1.2 国内外研究现状1.2.1 汽车牌照识别国内外研究现状从20世纪90年代初(1988年)，国外的研究人员就己经开始了对车牌自动识别的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。在车牌识别过程中，也出现了很多的技术方法，有人使用模糊数学理论，也有人用神经元网络的算法来识别车牌中的字符，但由于外界环境光线变化、光路中有灰
13、尘、季节环境变化，以及车牌本身比较模糊等条件的限制和影响，使得LPR系统一直以来都是一个不能很好解决的问题，而且很多的方法都需要大量的数值计算，并没有考虑到实时处理的环境。为了解决图像恶化的问题，目前国内外的研究机构或公司企业采取的办法是采用主动红外照明摄像或使用特殊的传感器来提高图像的质量，继而提高识别率。国内外现有的一些类似产品主要有：以色列Hi Tech公司的See/Car System系列产品，香港 Asia Vision Technology公司的VECON产品，新加坡Optasia公司的VLPRS产品等，其中VECON和VLPRS产品主要适合于香港和新加坡的车牌，Hi Tech公司
14、的See/Car System有多种的变形产品来分别适应某一个国家的车牌，See/Car Chinese系统可以对中国大陆的车牌进行识别，但也有很大的缺陷，而且不能识别车牌中的汉字，另外日本、加拿大、德国、意大利、英国等各个西方发达国家都有适合于本国车牌的识别系统。各个国家的产品虽然不同，但基本上都是基于车辆探测器的系统，设备投资较大，其中的车辆探测器主要有：踏板式探测器、光探测器、微波雷达通过型探测器、压力探测器、声控探测器、红外探测器、电磁感应环探测器、测速雷达探测器、磁强探测器和压敏探测器等。国内做得较好的产品主要有中科院自动化研究所汉王公司的“汉王眼”，北京信路威，昆明利普视觉，沈阳聚
15、德。除此之外国内的亚洲视觉科技有限公司、深圳市吉通电子有限公司、中国信息产业部下属的中智交通电子系统有限公司等也都有自己的产品。另外西安交通大学的图像处理与识别研究室、上海交通大学的计算机科学与工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等也都做过类似的研究。通常处理时为了提高系统的识别率，都采用了一些硬件的探测器和其它的辅助设备如红外照明等，其中“汉王眼”就是采用主动红外照明和光学滤波器来减弱可见光的不可控制的影响，减小恶劣气候和汽车大小灯光的影响。1.2.2 边缘检测算法国内外研究现状 由于边缘是图像最基本的特征，边缘信息是一种图像的紧描述，所包含的往往是图像中最重要的信息。
16、对图像提取边缘能极大地降低我们要处理的数据量。所以，本课题的一个重要方向就是边缘提取算法的研究及改进。 边缘检测技术的研究一直就是计算机视觉图像分析和检测领域的研究热点，经过几十年的研究已经形成了许多成熟的边缘检测技术，并取得了很好的应用，而随着一些新理论新方法的出现，也进一步推动了边缘检测技术的发展。图像边缘检测方法主要包括以下几类： (1)微分算子法：这种方法主要从边缘点(通常对应于一阶微分幅度值大的点)，同时也从二阶微分的零交叉点出发，设计一些一阶或二阶微分算子，求得其梯度或二阶导数过零点，再选择一定的阈值提取边界。如Roberts算子、Sobel算子、canny算子、Prewitt算子
17、、Laplacian算子等。另外还有基于曲面拟合的各种边缘检测算法，它们的基本思想是用一个平滑的曲面和待测点周围某领域内像素的灰度值进行拟合，然后计算此曲线的一阶或二阶导数3。 (2)最优算子法：这类方法的目的是根据信噪比求得检测边缘的最优滤波器。Marr_Hildreth算子是Marr 和 Hildreth应用Gauss函数先对图像进行平滑，然后采用拉普拉斯算子根据二阶导数过零点来检测边缘，也被称之为LOG算子。LOG算子和视觉生理中的数学模型相容，从而在计算机视觉和视觉生理研究之间建立了联系，在机器视觉研究领域得到了广泛的应用。另一种方法是局部曲线最小二乘拟合法，其基本思想是：根据最小二乘
18、法把图像的局部区域近似表示为一组基函数的线性组合，从而达到消除噪声的效果。Canny从边缘检测算子的信噪比准则、定位精度准则、单边缘响应准则出发，提出了Canny算子，它检测受高斯白噪声影响的阶跃型边缘有比较好的效果4。 (3)多尺度方法：此方法是随着多分辨率和小波理论的出现而逐渐发展起来的。窗口大小(或尺寸)参数的自动调整是很难的，而应用多个尺度可以对此问题给出一个比较满意的解决。多尺度信号处理的目的不仅是为了辨识出信号中的重要特征，而且能以不同细节程度来构造对信号的描述，在高层次视觉处理的任务中多尺度方法有着重要的作用，是一种新兴的边缘检测方法4。 (4)基于自适应平滑滤波的边缘检测方法：
19、基于自适应平滑滤波的边缘检测方法的基本思想是利用一个通用算子对信号进行平滑，该算子能使其本身与信号的局部结构相适应。利维等人提出的一种加权模板，其系数是根据窗口的中心点及其相邻点的灰度平均值来确定。还有一种方法是选择具有与中心点灰度值最接近的邻近点，并利用这些点灰度值的平均值取代中心点值。一种复杂的方法是根据每一点的邻域的局部统计性质来确定模板的系数5。 (5)松弛迭代法：有学者从边界增强的角度出发提出了松弛迭代的方法。这种方法分二步，图像的平滑、边缘的获取、松弛迭代。它使用边缘点的位置、梯度矢量、曲率等信息来初始化松弛网络像素的标记，根据边界曲线上的点的信息在局部具有一致性和相关性，而噪声点
20、的信息是随机的、规律的特点，进行邻域点的信息的相互作用，增强有规律的边缘信息同时削弱无规律的噪声，通过不断的迭代对标记进行重复纠正和约束，最后使得迭代收敛于真实的边缘6。以上方法是目前研究较多的边缘检测方法，其中前两类方法属于经典边缘检测方法，都是依靠对图像进行微分运算求得梯度来进行边缘检测的，其优点是计算简单，速度快，缺点是仅仅依靠了局部信息，对噪声较为敏感。这些方法大都采用了平滑运算，但平滑运算和微分运算是一对矛盾，平滑降低了噪声的影响同时也会使边缘模糊。这些方法中使用的平滑滤波器的参数都要人为设定，由于没有对图像中的噪声以及边缘的尺度进行估计，因此不合适的滤波可能会滤掉一些边缘细节信息，
21、造成微分操作无法准确得到边缘细节。经典边缘检测方法在处理简单的图像时有着很大的优势，但是由于物理世界和成像过程的复杂性，以及各种噪声源的干扰。使得被处理的图像信号相当复杂，在这种情况下仅仅依靠局部信息检测是不够的。边界检测的困难主要来自噪声的影响，因此如果能在边缘检测前对边缘和背景噪声进行估计，自适应地滤出噪声，并且根据边缘点的上下文信息很好的连接边缘，就可以得到比较好的边缘检测结果。基于这种思想，有学者提出了自适应平滑滤波和松弛迭代方法，这两种方法对复杂图像以及含噪声的图像可以取得很好的边缘检测效果，但是也存在算法复杂，计算耗时间的缺点。图1-1是边缘检测的流程图。 图1-1 边缘检测的流程
22、图1.3 我国汽车牌照识别的难点 虽然，国外汽车牌照识别系统研究工作己有一定进展，但并不尽合我国国情，这主要是因为以下五个方面的原因： (1)我国标准汽车牌照是由汉字、英文字母和阿拉伯数字组成，汉字的识别与字母和数字的识别有很大的不同，从而增加了识别的难度； (2)国外许多国家汽车牌照的底色和字符颜色通常只有对比度较强的两种颜色(例如韩国的车牌底色为红色，车牌上的字符为白色)，而我国汽车牌照仅底色就有蓝、黄、黑、白等多种颜色，字符颜色也有黑、红、白等几种颜色； (3)其他国家的汽车牌照格式(如汽车牌照的尺寸大小，牌照上字符的排列等)通常只有一种，而我国则根据不同车辆、车型、用途，规定了多种牌照
23、格式(例如分为军车、警车、普通车等)； (4)我国汽车牌照的规范悬挂位置不统一； (5)由于环境、道路或人为因素造成汽车牌照污染严重，这种情况下国外发达国家不允许上路，而在我国仍可上路行驶。 由于我国汽车车牌识别的特殊性，采用任何一种单一识别技术均难于奏效。使得车牌定位识别的难度大大增加。1.4 课题的主要研究内容 本课题所要研究的内容是针对通过数码相机抓拍到的图像进行基于图像处理技术的车牌识别的研究与开发。具体研究主要包括图像采集、车牌的定位、字符的分割三大块内容，字符识别可参考其它教科书。其中涉及了模式识别、图像处理、视频处理等方面的知识，具体流程图如图1-2所示。图1-2 LPR系统流程
24、图主要研究内容如下： (1)图像采集。介绍了常用的车辆检测方法，并分别介绍了光流场法、基于相邻帧差算法以及背景消减法的运动目标检测的基本原理，讨论了各自优缺点。并提出采取简单实用的背景消减法作为车辆检测的方法较好。(2)车牌定位。首先介绍了汽车牌照的类型、字符特征和先验知识。再分别介绍直接车牌定位法，多分辨率车牌定位法和基于数学形态学的车牌定位法。并讨论了各自有缺点及其适用范围。(3)边缘检测。先对图像进行预处理，主要对图像的灰度化、二值化方面的处理进行了详细的分析。再比较分析了简单边缘检测算子和各种梯度算子，通过几种边缘检测算法对采集来的图像进行了大量实验，得到canny算子能在噪声抑制和边
25、缘检测之间取得较好的平衡，并能产生较细的边缘效果。且有着计算简单，容易实现，速度快等优点。故本文采用canny算子对车牌的边缘进行了提取，仿真结果表明了该算子能较好的检测出图片的边缘信息。第2章 汽车图像的采集运动目标的检测与跟踪研究一般分为两类：(1)摄像头是固定的，只对视场内的运动目标进行检测。目前大多数运动目标检测算法研究的都是基于这种情况。(2)摄像头和跟踪的目标都是运动的。本章将主要对前一种情况进行讨论和研究。2.1常用的车辆检测方法目前较常用的车辆检测方法有：环形磁感线圈检测、超声波检测、微波雷达检测、红外线检测、气动导管检测、光电式检测、基于视频车辆检测等。以往的车辆检测大多数都
26、是在道路的固定地点埋设压感线圈来获得的，这种方式的缺点是设备安装过程复杂，易于受损，且对路面造成破坏，维护费用相对较高。而基于激光传感器、红外传感器的检测，人为的干扰则比较大。相对而言，基于视频的道路交通监测系统具有不破坏路面，检测范围大，安装使用灵活，维护费用低的特点，具有广阔的应用前景7。可见视频检测同其他方法相比具有很大的优越性，尽管在应用过程中还存在着易受外界环境干扰的影响、检测准确率较低等缺点，然而随着计算机硬件与软件技术的不断发展，已逐渐成为交通参数检测中的一种新兴技术。2.2运动车辆检测算法概述目前常用的基于视频的车辆检测算法可分为如下几种8-9：光流场法，帧差法，背景消减法。下
27、面按照上述分类分别加以介绍。2.2.1光流场法光流(Image flow)的概念是Gison于 1950年提出的。所谓光流10,11是指图像中模式运动的速度，光流场是一种一维(2D)瞬时速度场，其中一维速度向量是可见的二维速度向量在成像平面上的投影。光流法是把检测区域的图像变为速度的矢量场，每一个向量表示了景物中一个点在图像中位置的瞬时变化。因此，光流场携带了有关物体运动和景物二维结构的丰富信息，通过对速度场(光流场)的分析可以判断在检测区域内车辆的有无。光流计算法的优点在于光流不仅携带了运动区域的运动信息，而且还携带了有关景物二维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的
28、任何信息，并且能够适用于静止背景和运动背景两种环境，具有较好的适应性。但是当运动区域与背景图像的对比度太小，或图像存在噪音时，单纯的从图像灰度强度出发来探测运动区域的光流场方法将会导致很高的虚警率。此外，光流场法的计算复杂耗时，除非有特殊的硬件支持，否则很难满足实时运动区域的检测。从而导致光流计算算法的实用性比较差。2.2.2帧差法帧差法12是将前后两帧图像对应像素点的灰度值相减，如果灰度差值很小，可以认定该点无车经过;反之灰度变化很大，则认定有目标经过。帧差法的特点是实现简单、运算速度较快，对于动态环境有很强的适应性，对光照变化也不十分敏感。采用这种方法时，需要考虑如何选择合适的时间间隔进行
29、差分运算，这一般依赖于所检测的目标的运动速度。对快速运动的物体，需要选择较小的时间间隔，因为如果时间间隔过大，在最坏情况下物体在前后两帧中没有重叠，就会造成被检测物体为两个分开的目标；而对慢速运动的物体，应该选择较大的时间差，如果时间间隔过小，在最坏情况下，车辆在前后两帧中几乎完全重叠，导致根本无法检测到物体。2.2.3背景消减法背景消减法13是目前基于视频的运动目标检测算法中最常用的一种方法。背景消减法可以看作是一种特殊的帧差法。它是一种利用当前帧图像与背景图像对应像素点的灰度差值来检测车辆的技术：如果当前图像的像素点和背景图像的像素点灰度值差别很大，就认为此像素点有车通过；相反，如果当前图
30、像的像素点和背景图像的像素点灰度值差别较小，并且在一定的范围值内，我们就认为此像素点为背景像素点。背景消减法的关键是背景提取与背景更新。然而该方法对于动态场景的变化，如光照的变化和阴影的干扰等比较敏感。因此，构建一个可靠的背景模型进行背景提取与动态更新以适应环境的变化是必要的。背景图 当前帧 消减结果 图2-1背景消减法效果通过比较分析，采取简单实用的背景消减法作为车辆检测的方法较好。首先提取无车辆状态下的背景图像，通过将当前图像与背景图像做差分找到作为前景的运动物体。如公式(2-1)所示，变量C为视频卡采集的当前帧图像，变量BG为背景帧图像。如果当前图像不含车辆，则和背景图像相同，此时差值为
31、0 。反之，如果当前图像包含车辆，则和背景图像不同，此时差值为1,阈值T的作用是减少噪声和光线变化的影响。 (2-1)2.3背景图像的提取与更新2.3.1背景图像的提取在序列图像中连续提取K帧图像，并且把在一定范围中的像素灰度值按一定的序号顺序存储在预先开辟的内存空间中，对该范围中的每个像素逐点求其灰度值的直方图，选择出现次数最多的灰度值作为背景图像中当前像素的灰度值。当遇到目标比较密集的情况时，可以适当增加图像采集的帧数，以便构建较好的背景图像。在初次的背景构建过程中，将不对读入的视频图像进行运动目标检测。2.3.2背景图像的更新对背景的更新，采用隔时进行背景提取和更新的方法。在程序中设置一
32、个定时器，每隔一段时间，程序就自动进行一次背景提取。在背景提取过程中，程序仍进行车辆的检测，不过本次检测所用的背景为上一次提取的背景。一旦当前背景提取结束，当前背景就会自动取代上一次的背景，在下一帧的车辆检测时就可以使用更新后的背景进行来车检测。实验表明，此方法可以有效抑制光线和自然条件的缓慢变化，并能够在一定程度上提高背景差分算法检测运动目标的效果。2.4有无车辆判定设背景图的灰度函数为，当来车出现且行进到适当位置，此时当前帧图像的灰度函数为。 (2-2)上式中HG为灰度判决门限值，若满足公式(2-2)，则可以判定有来车，否则无车。HG如果选择过大，有可能造成漏判；HG过小则有可能造成误判。
33、视频检测的主要目的是通过设计判断识别算法，正确识别有无来车，将有来车的图像进行抓拍并作进一步的处理，对HG于没有来车的图像将丢弃。首先将一幅没有车辆经过的图像作为背景模板。将待处理的当前灰度图像的对应像素值与模板图像的灰度值相减；再根据设定的灰度门限进行标记，差值大于HG的像素标记为“1，其个数记为n，然后记整幅图像像素个数为N，当n/N大于门限值JG时，判定有来车，否则无车。HG和JG的值一般根据实际情况确定。在实际的工程应用中，为了获得较快的判决速度，只对整幅图像的某一区域进行检测14。第3章 车牌定位 在车牌识别过程中，车牌定位、字符切割和字符识别这三个步骤是相辅相成的，车牌定位的好坏直
34、接影响到后续各步的处理。因而车牌定位是提高整个系统识别率的关键中的关键15。3.1 现行汽车牌照的规格3.1.1 现行汽车牌照的类型 根据中华人民共和国公共安全行业标准对机动车牌照的有关规定，车辆牌照主要有六种类型16-17： (1)小型汽车所用的蓝底白字牌照； (2)大型汽车所用的黄底黑字牌照； (3)军用或警用的白底黑字、红字牌照； (4)国外驻华机构用的黑底白字牌照； (5)摩托车牌照，前220mm长95mm宽;后220mm长，140mm宽； (6)农用运输车、拖拉机牌照。前四种车牌的前牌长度均为440mm，宽度为140mm，共有字符7个我们识别主要针对这四种车牌，一般民用牌照第一个字符
35、是汉字，且是各省、自治区、直辖市的简称，如“川”、“桂”、“京”、等。第二个字母是大写英文字母，是发证机关代号，如“A、B、C”等。第三个字符可能是英文字母，也可能是阿拉伯数字。第四至第七个字符是阿拉伯数字。第三到第七个字符表示的是车辆的注册编号。如“川C 52205”就是最典型的车牌号码。有的时候最后一个字符也可能是汉字，如“川C5487学”。图3-1常见车牌3.1.2 车牌字符特征 标准车牌(除军车、警车、教练车、外交车外)含有七个字符。它们基本呈水平排列。字符(除去边框)的总长度为409mm，其中单个字符的统一宽度为45mm，高度为90mm，在第二和第三个字符之间间隔为34mm，其余的字
36、符间距都为12mm。3.1.3 车牌比例特征 由规定的车牌物理尺寸可以得到车牌的一些重要的比例特征：车牌宽高比：Rplate=440 / 140=3.14字符/间距：Rcha/in=45 / 12=3.75字符宽高比：Rchar = 90 / 45 = 2字符区域宽高比：Rare = 409 / 90=4.54这些比例特征对于车牌定位和车牌字符分割都有很重要的意义。3.2 车牌的先验知识 为了准确、快速地定位出车辆牌照，人们己经研究出了很多算法，这些算法都或多或少地利用了车牌的先验知识，即车牌的自身特征。当然这些特征对于不同国家是不同的，我国车牌具有以下可用于定位的特征18： (1)形状特征：
37、车辆牌照在图像中是一个近似长方形或近似平行四边形的图形。虽然真实的汽车牌照是一个矩形，但由于摄像头的安装位置和拍摄角度的原因，拍摄的车牌可能不是矩形。国家统一的车牌大小是标准的，宽高比是一定的，即使有所变形也是在一定范围内，因此车牌在原始图像中的相对位置比较集中，偏差不会很大。 (2)颜色特征：现有的车牌有4种颜色类型：小型汽车的蓝底白字车牌、大型汽车的黄底黑字车牌、白底黑字的军警车、黑底白字的国外驻华使馆用车。 (3)灰度跳变特征：车牌的底色、边缘颜色和车身的颜色各不相同，表现在图像中即灰度级互不相同，这样在车牌边缘形成灰度突变边界。在车牌区域内部，由于字符本身和牌照底色的灰度是均匀的，所以
38、穿过车牌的水平直线呈连续的峰、谷、峰的分布。 (4)纹理特征：车牌内有多个字符，而且大小统一、基本水平排列，一般数目确定，文字和背景之间有明显的灰度对比。车牌图像定位的难点主要有：(1)图像获取受环境因素干扰(环境光照不均匀等)，车牌照片质量难以得到保证；(2)广告牌等其它字符区域干扰，可能导致定位错误；(3)车牌出现污损，变脏，笔迹模糊，褪色等；(4)车牌被保险杠等部分遮挡；(5)车辆速度过快造成图像的模糊失真等；(6)应用背景复杂，车辆种类繁多、车型、颜色变化多样。3.3车牌定位 车牌定位即根据车牌的特征找到牌照在拍摄到的车辆图像中的位置，并从背景中分离出来。车牌定位是车牌自动识别系统的关
39、键，与字符切分和字符识别相辅相成，所以车牌定位的结果直接关系到字符的分割和识别率。由于图像背景的复杂性，牌照位置的不确定性，图像质量的不可预知性，给牌照的定位与分割增加了很大的难度。从人的视觉特点出发，车牌目标区域具有如下特点：1、车牌底色往往与车身颜色、字符颜色有较大差异；2、车牌有一个连续或由于磨损而不连续的边框，车牌内有七个字符，基本成水平排列，所以在牌照的矩形区内存在较丰富的边缘，呈现出规则的纹理特征；3、车牌内字符排列均匀，字符和牌照底色在灰度值上存在跳变，且字符本身与牌照底部灰度均匀；4、车牌内字符间的间隔、字符大小和牌照大小有固定的比例；5、车牌的几何特征：即车牌的高、宽和高宽比
40、相对固定。根据这些特点，我们就可以更好的定位提取车牌。为了准确、快速地定位车牌，人们提出了许多定位算法。其中大部分算法是根据车牌特征而设计的，目前所利用算法主要有直接法、基于多分辨率、基于颜色信息以及基于数学形态学的车牌定位方法。下面对这些算法逐一介绍。3.3.1直接车牌定位法 直接车牌定位法大多是根据车牌的形状、灰度分布特性等特点来检测车牌。其中，频率法是直接车牌定位法中的一个典型定位算法19。频率法是一种基于字符和背景变化频率的投影定位方法，它结合车牌的先验知识，在图像中定位车牌。主要用到车牌以下的先验知识： (1)摄像机与汽车的距离基本固定，而实际车牌的大小又基本相同，所以在图像中车牌的
41、大小是一个特征量； (2)车牌有边界，边缘检测时会有边缘存在； (3)车牌中一般7个字符，笔划存在边缘；车牌的搜索方法如下： (1)对图像作垂直投影，然后从下向上搜索投影值，因为图像中车牌以下部分的灰度值较低，且灰度分布相对均匀，经过图像增强和边缘检测后基本变为0。考虑到实时性的要求，搜索是跳跃前进的；(2)当搜索到的0，1变化频率大于某一定值T，且跳跃距离(即两个“0”或两个“1”之间的距离)在规定的范围内，则可认为可能找到车牌的下沿了，记下第一次搜索到“1”时的横坐标和该行纵坐标。此时，步进值改为1，以便实现精确搜索； (3)继续搜索上边各行，检查是否也满足投影值大于T的条件，直到找不到满
42、足条件的行，就认为可能是车牌的上边沿，记下它的下一行的最后搜索到“1”的横坐标和该行纵坐标； (4)计算该可能车牌的高：，再计算其宽度:，得出其宽高比，若R局限于3的一个领域内，则表明找到了车牌，否则继续搜索； (5)根据上述步骤完成定位，分割出车牌。 实验中定值T取为13，因为牌照中7个字符(不包括“”)，左右边缘至少应该有7*2=14个，边缘检测后每行应该至少有13次“0”到“1”的变化。 频率提取法简单实用，在干扰少的情形下车牌定位效果较好，对牌照所占比例较大，背景干扰较小的情况比较合适，一般和其它方法结合使用会更好。3.3.2 多分辨率车牌定位法所谓多分辨率定位法，就是在低分辨率的图像
43、上大致确定出牌照的位置，然后在高分辨的图像上做出精确的定位，这样可以有效地减少计算量。汽车本身具有一定的特点，在一般情况下，牌照都挂在缓冲器上或附近。只要确定缓冲器的位置，就能得到牌照的大致位置。本算法中输入图像为未进行边缘检测的灰度图像20。具体的算法如下：(1)将输入图像分成一系列大小相同的子图像，每个子图像的灰度均值为： (3-1)其中，为子图像中心坐标。这样就把高分辨率图像变换成为低分辨率子图像，转换为低分辨率图像的目的是为了提高处理速度； (2)对低分辨率图像，将其象素沿水平方向累加，得到一个投影； (3)由于汽车的缓冲器位于车轮上方，由于光线的照射，无论是直射光，还是散射光，缓冲器
44、至车轮底部这部分的平均灰度比缓冲器至缓冲器以上部分的平均灰度要暗一些。这样，就会在图像中呈现出一条明显的边界，在投影表中反映为陡变的边沿。因此，只要能从表中找到这样一个边沿，便可定出缓冲器的位置；(4)程序中自下而上检测投影表的波峰和波谷。当波峰和波谷第一次满足式(3-2)时，则认为检测到了缓冲器的位置，从而可以间接定位车牌。 (3-2)3.3.3基于数学形态学的车牌定位法3.3.3.1数学形态学概述 最初形态学是生物学中研究动物和植物的一个分支，后来也用数学形态学来表示以形态为基础的图像分析数学工具。形态学的基本思想是使用具有一定形态的结构元素来量和提取图像中的对应形状，从而达到对图像进行分
45、析和识别的目的。数学形态学可以用来简化图像数据，保持图像的基本形状特性，同时去掉图像中与研究目的的无关的部分。使用形态学操作可以完成增强对比度、消除噪声、细化、填充和分割等常用图像处理任务21。 数学形态学的基础和使用的语言是集合论，其基本运算的四种：膨胀( Dilaition)、腐蚀(Erosion)、开启(Open)和闭合(Close)基于这些基本运算还可以推导和组成各种数学形态学运算方法。其运算对象是集合，通常给出一个图像集合和一个结构元素集合，利用结构元素对图像进行操作。结构元素是一个用来定义形态操作中所用到的领域的形状和大小的矩阵，可以具有任意的大小和维数。3.3.3.2 数学形态学
46、基本运算(1)膨胀膨胀的运算符为“” ，图像集合A用结构元素B来膨胀，记作AB，其定义为： (3-3)其中，表示B的映像，即与B关于原点对称的集合。式(3-3)表明，用B对A进行膨胀的过程是这样的：首先对B作关于原点的映射，再将其映像平移x，当A与B映像的交集不为空集时，B的原点就是膨胀集合的像素。也就是说，用B来膨胀A得到的集合是B的位移与A至少有一个非零元素相交时B的原点的位置的集合。膨胀的作用效果如图3-2所示。其中白色表示目标，背景为黑色，结构元素为5X5正方形对象。膨胀前 膨胀后图3-2 图像膨胀前后比较(2)腐蚀腐蚀的运算符是“” ，图像集合A用结构元素B来腐蚀记作，其定义为： (3-4)式(3-4)表
