《毕业设计论文基于数字图像处理在车牌识别中的应用.doc》由会员分享，可在线阅读，更多相关《毕业设计论文基于数字图像处理在车牌识别中的应用.doc（34页珍藏版）》请在三一办公上搜索。
1、目录摘 要IABSTRACTII第一章 绪论31.1论文的背景及意义31.2数字图像处理技术31.3基于图像处理的车牌识别技术的研究现状41.4车牌识别存在的主要特点及难点51.5本文主要工作5第二章 图像预处理62.1图像灰度化62.2图像灰度拉伸82.3图像滤波处理92.4水平和垂直彩色边缘检测结合旋转投影校正方法13第三章 车牌定位163.1 各种车牌定位技术163.2 本章提出的车牌定位方法19第四章 车牌字符分割及识别224.1 常用字符分割方法224.2 车牌字符识别234.3基于神经元网络24结论 30参考文献31致谢 32数字图像处理技术在车牌识别中的应用摘 要随着城市化步伐加
2、快，机动车日益普及，目前许多国家都存在交通事故频发、交通拥堵情况严重等问题。如何高效的进行交通管理，已经成为世界各国关注的焦点。在这种大的背景下，伴随着计算机技术、通信技术、信息技术的飞速发展，智能交通系统(ITS,Intellingence Traffic System)也随之诞生，并且已经成为当前交通管理发展的主要方向。车辆牌照识别(LPR)系统作为智能交通系统的核心，起着非常关键的作用。目前，图像处理技术在车牌识别中的应用研究已经成为科学界的一个重要研究领域。本文在分析图像处理技术理论的基础上，以车辆牌照为研究对象，主要研究如何通过图像的预处理、车牌的定位、车牌字符分割和字符识别等一系列
3、过程，以完成汽车牌照的识别。关键词：数字图像处理； 图像预处理；车牌定位；车牌字符分割和字符识别33The Application Of Digital Images Processing In Licenese Plate RecognitionABSTRACTWith the acceleration of urbanization and increasing popularity of motor vehicles, now in many countries there are frequent traffic accidents and jams .How to manage th
4、e traffic efficently has become the focus of attenton around the world. In this environment, along with the rapid development of computer technology, communications technology and information technology, the intelligent transportation system (ITS) has become the main development directon of the curr
5、ent traffic management. As the core of ITS, the License Plate Recognition (LPR) System plays a very important role. This dissertation base on analysis the theory of image proeessing and the vehicle license as the research object.the main research how the image preprocessing, number plate, positionin
6、g, license plate character segmentation and character recognition and a series of processes in order to complete the vehicle licenseidentification.KEYWORDS: Digital image processing; image pre-processing; plate positioning; license plate character segmentation and character recognition数字图像处理技术在车牌识别中
7、的应用电子信息工程2班， 200795024067 ,安鹏飞指导老师：张昭第一章 绪论1.1论文的背景及意义交通的发展是社会发展和人民生活水平提高的基本条件，随着我国经济的快速发展，交通拥挤、交通事故、环境污染等问题日益突出,保持经济可持续发展，以提高现有道路、公路网络的运输能力和运输效率的智能交通系统Intelligent Transportation System (ITS)成为解决交通运输问题的一个重要途径。车辆牌照识别(LPR)系统作为智能交通系统的核心功能部分，在以对行驶车辆的牌照进行自动识别基础上提供高速公路自动收费，电子警察抓拍系统，重要交通节点的管理控制，无人停车场自动管理，小
8、区智能车辆管理，违章车辆的追踪以及失窃车辆的调查等功能，以此来提供交通系统的利用率，节省人力与资金，目前，伴随着计算机科学技术等一系列相关科技的发展与完善、车辆牌照自动识别系统也逐渐从研究阶段转化到了实用推广阶段。1.2数字图像处理技术“图”是物体透射光或反射光的分布，“像”是人的视觉系统对图的接收在大脑中形成的印象或认识。前者是客观存在的，而后者为人的感觉，图像应是两者的结合。所谓图像处理，就是对图像信息进行加工处理，以满足人的视觉心理和实际应用的要求。人类获取外界信息有视觉、听觉、触觉、嗅觉、味觉等多种方法，但绝大部分(约80%)是来自视觉所接收的图像信息，即所谓“百闻不如一见”。由此可见
9、视觉信息对人类的重要性，而图像正是人类获取视觉信息的主要途径。图像处理的手段有光学方法和电子学(数学)方法。前者己经有很长的发展历史，从简单的光学滤波到现在的激光全息技术，光学处理理论已经日趋完善，而且处理速度快，信息容量大，分辨率高，又很经济。但是光学处理图像精度不够高，稳定性差，操作不便。从20世纪60年代起，随着电子技术和计算机技术的不断提高和普及，数字图像处理进入高速发展时期。数字图像处理的英文名称是“DigitalImageProeessing”。所谓数字图像处理就是利用数字计算机或者其他数字硬件，对从图像信息转换而得到的电信号进行某些数字运算，以提高图像的实用性。通常所说的数字图像
10、处理是指用计算机进行的处理，因此也称为计算机图像处理(Computer Inage Processing)。数字图像处理技术起源于20世纪20年代，目前，随着信息高速公路，数字化地球概念的提出以及因特网的飞速发展，数字图像以其信息量大、传输速度快、作用距离远等一系列优点已成为人类获取信息的重要来源。而数字图像处理则因为其处理精度高、处理内容丰富、可进行复杂的非线性处理以及良好的变通能力取得了飞速的发展。1.3基于图像处理的车牌识别技术的研究现状基于图像处理的车牌识别技术的研究在国外起步比较早，在美国、意大利、德国、以色列、新加坡等国家，现在都已经有比较成熟的产品投入使用，比如美国的（AUTOS
11、COF）2003系统、以色列的Hi-Tech公司研制的See/Car System、德国西门子公司的ARTEM7SXI系统、新加坡的Optasia公司研制的VLPRS等车牌识别系统，但因为我国车牌样式的多样性、车牌颜色的多样性以及包含汉字等特点，这些车牌识别系统部适合我国国情。近几年，国内也有许多公司以及科研机构进行这方面的研究，并且有一些实用化的产品，这些产品的车牌识别率都在90%以上，但对环境要求较高，在全天候的条件下，都存在识别精度不高、识别时间长凳缺点，车牌识别技术还存在很大的发展空间。目前，这一领域的研究很活跃。基于图像处理的车牌识别技术主要包括车牌定位、车牌分割、字符识别等方面的技
12、术。关于车牌定位方面，主要理由车牌的边缘、形状、颜色等特征，再结合数字图像处理、形态学、小波变换、人工神经网络等技术对车牌进行定位。基于特征的车牌定位的方法有C.J.Setchel提出的基于字符边缘检测的车牌定位方法，通过图像中的字符边缘和水平扫描之间相交的边缘之间的距离分布规律，确定可行的车牌区域，通过对区域的进一步分析来确定真是的车牌区域。M.M.Mfahmy提出一种基于迭代阈值的车牌定位方法，根据车牌上文字变化特点快速、准确地从复杂背景中分割车牌。车辆图像经阈值的反复迭代得到一满意的阈值时，字符将和背景分离，再将图像进行二值化来定位。这种方法迭代阈值的时间长，而且对噪声比较敏感，需要大量
13、的去噪计算工作。完全基于形态学的算法有运用数学形态学的闭运算获得车牌的候选区，然后采用投影的方法剔除假车牌，定位针车牌。基于 神经元网络的方法有基于BP网络的牌照定位方法，在该算法中，使用一个滑动窗口作为采样窗口，在灰度图像上依次移动，将窗口覆盖下的图像块作为神经网络的输入，当输出接近0.5时，表示滑动窗口下的图像块属于车牌区域，当输出近-0.5时，表示滑动窗口下的图像属于背景区域。人工神经网络算法抗干扰性好，但是由于图像中的车牌区域通常只占2%3%的面积，特征值难以提取，算法也比较复杂。基于彩色的车牌定位方法有采用多层感知器网络对输入彩色图像进行彩色分割及多级混合集成分类器的车牌自动识别方法
14、。这种方法的主要思想是通过三层MLPN网络将具体均匀色度的彩色图像进行色彩分割，再利用投影法分割出潜在的各种底色的车牌区域。该方法识别正确率高、鲁棒性好，车牌定位正确率达到98.6%。还有根据彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法。这种方法的主要思想是通过边缘检测算子ColorPrewitt和彩色边缘检测，增强牌照区域，并借助数学形态学膨胀技术实现区域的连通，采用区域生长方法标记候选区域，最后利用车牌的先验知识，剔除虚假车牌区域，确定真正的车牌区域。1.4车牌识别存在的主要特点及难点从目前一些车牌识别产品的性能指标可以看出，LPR系统的识别率和识别
15、速度有待提高。特别是在车牌定位方面，还没有一种通用的方法，研究高速、准确的定位与识别算法依然是当前需要解决的一个研究方向，车牌定位和识别，特别对我国车牌识别技术，存在以下的难点： 汉字识别率问题。目前无论哪个车牌识别系统，当图像的分辨率降到一定程度时，汉字识别率都急剧下降。如何抽取汉字的有效特征使识别率提高，是目前研究的主要问题之一。 自然环境问题。监控系统摄取的车牌图像含有丰富的自然背景及车身背景信息，易受照明条件、天气因素及运动失真和模糊的影响，因此所获取的图像质量一般都不高。 车牌种类的多样性问题。国外许多国家汽车牌照的底色和字符通常只有对比度较强的两种颜色，而我国汽车牌照仅底色就有蓝、
16、黄、黑、白等多中颜色，字符也有黑、红、白等若干种颜色；同时根据不同车辆、车型、用途，规定了多种牌照格式（例如分为军车、警车、普通车等）。 其他因素。如车牌悬挂位置不规范，车牌受到严重污染等也严重影响了车牌的识别率。1.5本文主要工作本文以车牌照为研究对象，运用图像处理和模式识别技术来实现车牌照的检测与识别，其中对车牌照的定位与分割和车牌照字符的分割与识别提取进行了深入研究;主要研究了如何通过图像的预处理、车牌的定位、车牌字符切分和字符识别等一系列过程完成汽车牌照的识别。本文主要工作如下:1、通过阅读大量的文献，对车牌自动识别技术的应用背景和研究意义、车牌识别系统的技术难点以及车牌自动识别技术的
17、发展和研究现状进行了系统的阐述。2、针对采集得来的车牌图像质量低、噪声大等缺点，在对车牌识别前得进行一系列的预处理，如灰度化、灰度拉伸、二值化、滤波等操作，并在此基础上提出一些改进的方法和技术。3、车牌识别精确度的高低主要取决于车牌定位精确度的高低，车牌定位在车牌识别中占据很重要的地方，本问对现有的定位技术进行简单的分析，然后提出一种快速且鲁棒性强的车牌定位算法。 4、车牌字符分割和识别同样是车牌识别的关键，文章对多中分割技术进行分析的同时指出其优点和缺点；采用神经元网络识别技术对车牌的字符进行识别，详尽介绍了BP网络实现识别的步骤和原理。最后，对本文的工作进行了总结，并对后续的研究工作进行了
18、一些探讨。第二章 图像预处理在汽车成像的过程中，受多种因素的影响，图像质量会有所下降，这种图像质量下降的过程称为图像的退化。由于自然光照度的变化、车辆自身的运动，采集图像设备本身的因素等的影响，会引起汽车图像的退化，从而干扰对车牌信息的提取。为了改善退化的牌照图像，必须对图像进行预处理。对图像进行预处理，主要包括图像的二值化、灰度拉伸和增强等方法。2.1图像灰度化目前，采集到的车牌原始图像大都是通过摄像机、数码相机等设备来拍摄获取的。一般情况下，得到的都是彩色图像。彩色图像包含大量的颜色信息，它的每个像素都具有三个不同的颜色分量R、G、B，其需要占用的存储空间很大，对其进行处理时会浪费较多的系
19、统资源，降低系统的执行速度。灰度图像是只含亮度信息不含色彩信息的图像，其中亮度值量化为256级。灰度图进行算法处理相对简便，首先RGB值一样，且图像数据就是调色板索引值，也就是实际的RGB亮度值，又因调色板是256色的，所以图像数据中一个字节代表一个像素。如果是彩色的256色，则经过图像算法处理后，可能产生不属于这256种颜色的新颜色，而真彩色RGB图像必须用三个与图像尺寸相同的矩阵来存储，这样计算代价过大。所以，在实验室中一般采用256级灰度图来进行处理。 本论文中用到的图像，是用摄像机获得的24位彩色位图文件格式。位图格式（BMP格式）的图像由文件头、位图信息头、图像数据等部分组成。文件头
20、和信息头包含文件类型、大小等信息。BMP图像以像素为单位记录图像数据。24位BMP格式文件的每个像素点均用3个字节（24位）来表示像素值，3个字节分别存储红、绿、蓝3原色的值。 彩色位图格式包含图像的原始信息，所含信息丰富。但是彩色位图图像的原始数据量庞大，存储空间大，处理速度慢。文中的车牌算法是基于灰度图像实现的，因此需要先对整个图像灰度化。这样做可以同时提高处理速度与去掉无用的信息。颜色的三个分量分别用R，G，B表示，像素点的灰度值为Grey，图像灰度化可采用下面方法实现：Gray (x ,y )=0.299R (x ,y )+0.587G (x, y )+0.114B( x ,y)(2-
21、1)Gray (x, y)是转换后灰度图像在点(x,y)的灰度值，R (x ,y)、G (x, y)、B( x, y)分别为转换前点(x,y)的R、G、B分量。如图2-1所示为24位真彩图车辆图像及灰度图：图2-12.2图像灰度拉伸许多拍摄的图像中，灰度级集中在很小的区域内，对比度不良，影响人机器对图像的理解。此时可以利用灰度的线性拉伸将灰度范围拓展到0- 255的度范围。灰度拉伸和灰度的线性变换有点类似，都用到了灰度的线性变换。不同之拉伸不是完全的线性变换，而是分段进行线性变换，它的拉伸范围和拓展程度是可以自由选择的。灰度拉伸的函数表达式如下: （2-2 ）式中(，)和(，)是图2-2的两个
22、转折点的坐标。灰度拉伸可以更加灵活的控制输出灰度直方图的分布，它可以有改善输出图像。图2-2所示的变换函数的运算结果是将原图在和之间的灰度拉伸到和之间。图2-2如果一幅图像灰度集中在较暗的区域而导致图像偏暗，可以用灰度拉伸功能来拓展(斜率1)物体灰度区间以改善图像;同样如果图像灰度集中在较亮的区域而导致图像偏亮，也可以用灰度拉伸功能来压缩(斜率1)物体灰度区间以改善图像质量。现在关键的问题是如何选取适当的、和、，使得对比度增强明显，拉伸效果更理想。，、的选取有多种方法，总的原则选取灰度最为集中的一段的左右端点。可以利用灰度直方图，、分别选取为直方图的最大波峰两侧波谷所对应的灰度值。也可以固定灰
23、度步长进行扫描，对步长内的像素点个数累积求和，找出最大值，x，、分别选取为取得最大值的灰度范围的左右端点。在我们的系统中，、选取为两大谷底对应的灰度值，；， 这样就可以把高灰度区和低灰度区压缩，中间灰度区域拉伸，取得了很好的效果，其处理效果如图2-3所示。 图2-3 灰度拉伸2.3图像滤波处理经图像采集系统获取的原始图像，通常都含有各种各样的噪声与畸变，这将大大影响系统的识别精度。因此，在进一步处理之前，必须对图像进行滤波。采用适当的滤波方法，可以将图像中感兴趣的特征突出，并削弱不需要的特征，以改善图像的质量。图像增强的方法分为空域法和频域法两类，空域法主要是对图像中的各个像素点进行操作；而频
24、域法是在图像的某个变换域对整个图像进行操作，并修改变换后的系数，如傅立叶变换、DCT变换等的系数，然后再进行反变换,便可得到处理后的图像。对图像进行处理，通常采用空域滤波的方法，下面介绍几种常用的空域滤波器。2.3.1常用滤波方法介绍2.3.1.1均值滤波均值滤波器适用于去除图像中的颗粒噪声。对于给定的图像f(i,j)中的每个像素点(m,n)处的灰度，取其邻域S。设S含有M个像素，取其平均值作为处理后所得图像点(m,n)处的灰度。邻域S的形状和大小根据图像特点确定。一般取的形状是正方形、矩形和十字形等，S的形状和大小可以在全图处理过程中保持不变，也可根据图像的局部统计特性而变化，类似点(m,n
25、)一般位于S的中心。例如S为33邻域，点(m,n)位于S中心，则： (2-3)假设噪声n是加性噪声，空间中各点互不相关，且期望为0，方差为，g是未受污染的图像，含有噪声的图像f经过邻域平均后为： (2-4)由公式（2-4）可知，经邻域平均后，噪声的均值不变，方差，即噪声方差变小，说明噪声强度减弱了，抑制了噪声。而且邻域平均法也平滑了图像信号，特别是可能使图像目标区域的边界变得模糊。可以证明，对图像进行邻域平均处理相当于图像信号通过低通滤波器。2.3.1.2中值滤波中值滤波器是一种非线性滤波器，也是一种典型的低通滤波器，中值滤波是将邻域中的像素按照灰度大小排序，若像素的数量为奇数，则取中间的数作
26、为待处理像素的灰度值，若像素的数量为偶数，则取中间的两个像素灰度的平均值作为待处理像素的灰度值，假设一组数据按原来的位置排序为5、2、7、6、1，中值滤波的算法是将这组数排序为1、2、5、6、7，待处理的数为7，则用5代替7，处理后的一组数变为5、2、5、6、1。事实上，中值滤波器是用nn的滤波器除去那些相对于其邻域像素更亮或更暗，并且其区域小于n2/2（滤波器区域的一半）的孤立像素集。中值滤波器能够在抑制噪声的同时不使边缘模糊，而且方法简单、易实现，但有时会丢失图像的细节。中值滤波器可以推广到二维，对二维图像操作，二维中值滤波器的窗口形状和尺寸对滤波效果影响较大，对于不同内容不同应用要求的图
27、像，需要采用不同尺寸和形状的窗口。窗口的形状可以是矩形、圆形和十字形等，窗口的尺寸一般先用3点，再取5点然后逐点增大，直到达到满意的效果。2.3.2改进的快速中值滤波算法上述的各种方法,在去噪的效果上都取得了一定的效果,但是都没有考虑到滤波的耗时问题。本文针对标准滤波的排序方法,根据窗口在移动过程中前后窗口之间的相关性，同时根据窗口内像素间的统计特性,采用方差和均值对像素点进行噪声判断，来降低对边缘细节信息的影响，提高滤波效果和滤波的自适应性。此改进的快速中值滤波算法主要包括:中值的确定、噪声点的确定和滤波处理三个环节，下面予以详述。（1）中值的确定由于较大的窗口会倍增滤波时间,且窗口越大,图
28、像边缘细节丢失越多，因此，在实际实验中采用33窗口进行滤波。用一个33窗口在图像中扫描，把窗口内包含的图像像素按灰度级升序或降序排列，取图像灰度值居中的像素灰度为窗口中心像素的灰度，便完成了中值的确定。（2）噪声点的确定噪声点的确定主要是判断该像素点的灰度值是否大于某一个阈值,如果大于则为噪声,反之则为信号点。关于此阈值主要有两种途径得到,一是根据长期处理去噪的经验得来,二是采用窗口内像素点的均值来粗略估计。这两种方法噪声判断率不高。本文根据像素点之间的统计特性,采用均值和方差同时作用来确定噪声点。以噪声图像的像素Z(i,j)为中心，选取像素为33的窗口，求出该窗口内像素的均值M和方差 （2-
29、5） （2-6）根据噪声的特性,该像素点值Z(i,j)，如果满足：Z(i,j)M+3或者Z(i,j)M-3，则该像素为噪声点。（3）滤波处理根据上面噪声点确定的结果,如果为噪声点,则用中值取代该像素点灰度值,否则,该像素点的灰度值不变。此处理过程有效的降低了去噪过程对图像边缘细节信息的影响,提高了图像的信噪比。通过以上研究分析,基于VC+采用了以上算法。对模拟图像进行了滤波比较,并分别用33窗口进行实验，所得到的结果如图2-4所示设定页眉 原图 效果图2.4水平和垂直彩色边缘检测结合旋转投影校正方法由于摄像机和车牌之间角度的变化,常常使所拍摄的车牌图像产生倾斜现象,给字符分割带来不利影响,造成
30、误分割和车牌识别率的下降。 因此,需要在字符分割之前进行车牌的倾斜校正。 目前的车牌倾斜校正方法主要有: (1) Hough 变换法。 通过Hough 变换求取车牌的边框,进而确定车牌的倾斜角；或者由Hough 变换提取牌照边框的参数后,再求解牌照区域四个顶点的坐标,然后通过双线性空间变换对畸变图像进行校正。 (2) 通过模板匹配寻找牌照区域的四个顶点,再通过双线性空间变换重建矩形车牌区域。 (3) 通过求取车牌字符区域的局部极小和局部极大特征点,再进行投影确定车牌的倾斜角。 (4) 通过求取车牌上各字符连通域的中心点,然后拟合为直线来确定车牌的倾斜角。 由于图像中车牌的边框有时并不明显(如有
31、的白牌白车) ,且因噪声、污迹等干扰的影响,造成Hough 变换后参数空间中的峰值点很分散,这使得方法(1) 和方法(2) 效果并不理想；当车牌上有污迹和噪声时,方法(3) 的检测精度下降；由于二值化等原因,车牌上字符会有粘连和断裂现象,就使得方法(4) 的效果也不理想。而且,上述四种方法有一个共同的缺陷,就是当图像对比度较小、光照不均时,检测到的倾斜角误差较大. 本文提了一种新的车牌倾斜校正方法,该方法采用水平和垂直彩色边缘检测结合旋转投影求取车牌的水平和垂直倾斜角度,然后进行双线性插值倾斜校正。 大量实验表明, 该方法简单实用,对光照不敏感,抗干扰性强。2.4.1水平和垂直彩色边缘检测设C
32、（）代表图像位置（）处的彩色向量，C（）= ( R()，G（）,B(),以C（）为中心取一（2w+1）(2w+1)的窗口，其中，w为大于等于1的整数。令： (2-7) (2-8) （2-9) (2-10)则 处的垂直彩色梯度和水平彩色梯度分布定义为： (2-11) (2-12)其中，| * | 代表欧几里得范数。设 和分别代表DV的均值和标准方差，和分别代表DH的均值和标准方差，则按下式对图像进行二值化，获取图像的水平彩色边缘和垂直彩色边缘： (2-13) (2-14)2.4.2双线性插值在对车牌图像进行倾斜校正时,输出像素常被映射到图像的非整数位置, 最典型的是在四个输入像素之间. 因此,
33、需进行彩色向量插值运算. 插值方法主要有最近邻插值、双线性插值和高阶插值等. 最近邻插值算法简单、运算量小, 但有块状效应;高阶插值插值效果好,但运算量大. 双线性插值的运算量小于高阶插值,插值效果虽不如高阶插值,但明显优于最近邻插值, 完全能满足车牌识别的需要. 所以,本文选择双线性插值算法进行图像插值运算. 双线性插值示意图如图2-5所示.像素C被C、C、C和C四个像素包围，则 （2-15）图2-5双线性插值示意图作为一种特殊情况，当像素C（）落在C和C之间时，则有： （2-16）2.4.3 车牌倾斜校正算法由于道路的坡度、车牌的悬挂和摄像机与车牌之间倾斜角度的影响, 使得拍摄到的车牌图像
34、产生了倾斜,这实际上是一种透视失真. 一般情况下, 可将倾斜的车牌图像近似看成一个平行四边形, 可有三种倾斜模式:水平倾斜、垂直倾斜和水平垂直倾斜,分别如图2-6 、图2-7 和图2-8 所示. 图2-6 为水平倾斜的两种情况, 这时字符基本上无倾斜, 车牌的水平x 轴与图像的水平x 轴有一个倾斜角度- , 只要求取,将图像绕x 轴旋转-即可. 图2-7 为垂直倾斜的两种情况. 这时的倾斜实际上是同一行间像素的错位偏移. 只要检测到垂直倾斜角度进行错位偏移校正即可. 图2-8为水平垂直倾斜的两种情况,既存在水平倾斜又存在垂直倾斜,是最一般的情况. 可先检测水平倾斜角度进行水平倾斜校正,然后再求
35、取垂直倾斜角度进行垂直倾斜校正.图2-6 水平倾斜图2-7 垂直倾斜图2-8 水平垂直倾斜每章完结要总结这一章的工作第三章 车牌定位对于整个车牌识别系统来说，车牌识别精确度的高低主要取决于车牌定位精确度的高低，而车牌定位又是车牌识别中最难解决的一步，迄今为止，仍然没有一个完全通用的智能化车牌定位的方法。当前车牌定位的方法主要有利用颜色信息、基于小波和形态学相结合的算法、二值化投影等。这些方法主要存在:参数的调节受识别环境的影响较大,在环境发生改变时由于参数的选择不当往往会造成误定位和漏定位;计算复杂度较高,定位速度较慢,影响车牌识别的实时性能。针对以上情况,本文提出了一种快速且鲁棒性强的车牌定
36、位算法。它主要根据车牌在水平方向上能量高且集中的特点,先通过一种自适应的高通能量滤波快速地粗分割出车牌的候选区域,再用车牌较为细致的纹理特征对候选区域进行校验和修正,最后得到车牌的精确位置。3.1 各种车牌定位技术3.1.1 基于边界的车牌定位技术图像边界是图像局部特征不连续性（灰度突变、颜色突变、纹理结构突变等）的反映，它标志着一个区域的终结和另一个区域的开始，边界蕴含着丰富的内在信息（如方向、阶跃性质、形状等）,它是识别中重要的图像特征之一。目前常用的基于边界的分割技术包括边缘算子法（如一阶微分算子、sobel算子、Hough变换等）、模块匹配法、边缘跟踪法、线拟合法等。基于特征的车牌车牌
37、定位算法是利用一阶微分算子对原始图像的边缘进行预处理，并在基础上运用数学形态学的闭运算获得车牌的获选区，然后采用投影的方法剔除假车牌，定位真车牌，这种方法的算法简单，减少了噪声的干扰，能够满足实时定位的要求。3.1.2 基于区域的车牌定位技术车辆图像像一般是在室外拍摄的，其背景较复杂，而车辆牌照具有不因外部条件变化而改变的特征，即车牌内有多个基本成水平排列的字符，字符和牌照底面在灰度上存在跳变，呈现出规则的纹理特征。基于区域的车牌识别技术就是根据车牌的纹理特征将图像分成不同的区域，然后对目标区域进行检测。目前基于区域分割的技术主要包括阈值化方法、特征空间聚类方法、区域生长法、分裂合并法等。基于
38、字符串形状特征的车牌分割方法，主要针对牌照字符串沿水平方向排列的规则纹理，采用了一种线性滤波器来初定车牌区域，采用平均值的办法选取阈值而进行二值化，然后利用投影的方法进行精确定位。这种方法能够在对牌照的字符、牌照位置及其大小、颜色和车牌的背景等做最小限定的条件下，对牌照中字符串进行增强，实现复杂背景中车辆牌照的自动分割。3.1.3基于神经元网络的车牌定位技术人工神经元网络是进行模式识别的一种重要方法，今年来，它以其抗噪声、容错、自适应等能力强而得到广泛的应用。例如，Thanongsak Sirithnaphong和Kosin Chamnongthai提出的基于BP网络的牌照定位方法，M.H.t
39、erBrugge等人提出的利用DTCNN和模糊逻辑相结合的方法。在这些方法中，神经元网络相当于滤波器，这些滤波器通过分析牌照的颜色、纹理等对图像进行分类，确定此像素属于牌照区域还是属于背景区域。在这类BP算法中，使用一个滑动窗口作为采样窗口，在灰度图像上依次移动，将窗口覆盖下的图像块作为神经网络的输入，所采用的BP网络是三层全连接前馈网络，其输入层神经元数目为滑动窗口的尺寸，其输出层神经元数目为1，当输出接近时，表示滑动窗口下的图像块属于车牌区域，当输出接近时，表示滑动窗口下的图像属于背景区域。3.1.4 基于小波分析和变化车牌定位技术 小波变换是分析和处理非平稳信号的一种有力工具，它是以局部
40、化函数所形成的小波基作为基底而展开，是一种窗口大小固定不定但形状可改变的时频局部化分析方法，小波变换的基本思想是将原始信号通过伸缩及平移后，分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号，这些子带信号有良好的时域、频率等局部特性。它在信号的高频部分，可以取得较好的时间分辨率，在信号的低频部分，可以取得较好的频率分辨率，这些特性可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析，以克服Fourier分析在处理非平稳的复杂图像时所存在的局限性。用小波变换可以进行图像增强、特征提取、边缘检测、图像分割、纹理分析、图像压缩、模式识别等方面的处理。边缘是图像分析对象中的
41、重要特征之一，而边缘检测又是图像处理中一个困难的问题，这是因为实际景物图像中的边缘往往是各种类型的边缘以及它们模糊化后结果的组合，对边缘的确认有时甚至涉及心理学的因素，且实际图像信号存在着噪声，噪声和边缘一样都属于高频信号，很难用频带作取舍。但边缘与噪声的显著区别是两者能量不同，边缘有较大的能量和范围，隐藏在平滑滤波作用下，它不会像噪声那样消失，而是表现为模糊化。利用小波检测边缘的一般方法就是先将图像进行多尺度小波变换，然后在各尺度下求梯度方向和梯度矢量模，根据矢量模块在各尺度下求边缘提取及链化，然后根据设定的规则进行多尺度匹配，符合多尺度边缘链，重构图像边缘模型，最后对取得的边缘信息进行投影
42、处理，就是可以得到车牌所在的确定位置。采用小波分析提取边缘的算法，能够弥补传统的边缘检测算法的不足，在有效地抑制噪声影响的同时，提供了较高的边缘定位精度。3.1.5基于颜色空间的车牌定位方法由于车辆牌照具有与车牌号、车身、背景不同的底色，颜色反差较大，而且车牌的底色也比较固定，可以在此基础上过滤一些背景信息和噪声干扰，再结合神经元网络、形态学、边缘算子、投影法等技术精确地分割出车牌。还有一种彩色分割及多级混合集成分类器的车牌自动识别技术，该方法采用多层感知器网络对输入彩色图像进行彩色分割，通过投影法分割出潜在的车牌区域并进一步疯出字符，由多级混合集成分类器给出字符识别的初步识别结果及置信度，经
43、过处理后得到最终的结果。这种方法的典型代表是彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法ColorLP.这种方法的思想是通过边缘检测算子ColorPrewitt和彩色边缘检测，增强牌照区域，并借助数学形态学膨胀技术实现区域的连通，采用区域生长法标记候选区域，最后利用车牌的先验知识，剔除虚假车牌区域，确定真正的车牌区域。3.1.6基于矢量量化的车牌定位方法矢量量化主要应用在图像压缩、编码领域，其基本原理就是将图像分割成基本的块，将所有可能出现的块组成一个数据空间。在这个数据空间中，一些特定的块被选作参考矢量，又叫码字，全部码字的集合构为码字。量化编码过程就
44、是为每一个块在码字中找一个与之最相似的码字，然后用这个码字的索引表示这个块，通常用Eucclidean距离衡量某个块与码字之间的相似程度。由于码书中码字的数量总是少于所有可能出现的块的数量，矢量量化是一种有损压缩，采用矢量量化进行牌照定位的出发点在于图像的矢量量化编码过程隐含了对图像纹理的分析过程。码字和需要编码的块属于同样的数据空间，在块的编码的过程中，找出其最相似的码字，实际上就完成了对块内容的一种分类，因此它可以判别某个块是否可能位于牌照区域。3.2 本章提出的车牌定位方法3.2.1基于能量滤波的车牌粗定位在数字图像处理中,能量是一种描述纹理特征的统计参数,其一般表达式为： （3-1）式
45、中p ( x , y) 为坐标( x , y) 的特征值。考虑到在实际捕获的汽车图片中,车牌往往是水平方向上亮度值跳变剧烈且集中的区域。因此,选取p ( x , y) 为水平方向上的亮度差分值,即 （3-2）式中I ( x , y) 为坐标( x , y) 的亮度值。则车牌区域在图像中表现为水平方向上能量高而集中的区域。所以,基于能量滤波的车牌定位的主要思想是先通过一种高通能量滤波快速地将图片中绝大部分平滑区域(即能量低的区域) 滤除掉,再在剩余区域根据车牌形状的先验知识粗分割出车牌的候选区域,最后对候选区域进行校验和修正。在进行能量滤波之前,可先将原图像 平均划分为(n一般取8)的小方块,
46、分别计算各个小方块内的能量,即 0 i M,0 j N （3-3）M= M/ n , N= N/ n这样做的优点是：1）将M N 的图像处理转化为缩小了n n 倍且为MN的二维数组的处理, 极大地加快了车牌分割的速度；2）可去除掉水平方向上亮度值跳变剧烈但分布稀疏的区域，从而最大限度地减少干扰源的影响。图3-1 是将各小方块内的能量量化到(0 ,255) 区间后得到的直方图。图3-1 二维能量数组直方图由图可以看出,绝大部分区域(平滑区域) 分布在能量低的区间少部分区域(车牌候选区域) 分布在能量高的区间。因此，若选取合适的阈值,可以快速地粗分割出车牌候选区域,即 （3-4） 0 i M,0 j N式中Th 为选取的阈值。B ( i , j) = 1 表示( i , j) 在原图中对应n n 的区域,为车牌候选区域;反之,为其他区域而被滤除掉。然后根据车牌区域在水平方向上能量集中的特点和车牌形状的先验知识,在能量数组E ( i , j) 中找取K 个满足B ( i , j)
