数字图像处理之车牌提取_精品文档文档格式.doc

数字图像处理之车牌提取_精品文档文档格式.doc

《数字图像处理之车牌提取_精品文档文档格式.doc》由会员分享，可在线阅读，更多相关《数字图像处理之车牌提取_精品文档文档格式.doc（6页珍藏版）》请在冰豆网上搜索。

（一）车辆牌照的特点

现在我国车牌有4种类型：

（1）小功率汽车使用的蓝底白字牌照；

（2）大功率汽车使用的黄底黑字牌照；

（3）军、警用的白底黑字、红字牌照；

（4）国外驻华机构使用黑底白字牌照。

这些牌照的长度均为45cm，宽为15cm，共有字符7个。

一般民用牌照第一个字符为汉字，且是各省市的简称；

第二个字符为大写英文字母，如“E”；

第三个字符是英文字母或阿拉伯数字，第四至第七个字符为阿拉伯数字，如“沪E30265”就是最典型的车牌符号。

车牌的位置一般在汽车的下方。

（二）车牌定位算法的发展现状

车牌定位算法分为图像的预处理、车牌的搜索和车牌鉴别定位三部分。

图像预处理就是要获得有用的图像的边缘，并将其二值化；

车牌搜索则是搜索整幅图像以得到有可能包含车牌的若干感兴趣区域；

车牌定位则是根据车牌的特征对提取出的感兴趣的区域进行鉴别和剔除假的车牌,从而提取到真正的车牌。

相较于车身其他位置，车牌区域有其自身特点，主要有车牌底色与车身颜色，字符颜色有较大差异；

车牌的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征；

车牌内字符之间的间隔比较均匀，字符和牌照底色在灰度上存在跳变；

图像中牌照长宽比的变化有一定范围等。

这些都为车牌定位分割提供了先验知识。

但是，摄像机获得的图像含有丰富的自然背景及车身背景信息，易受照明、天气条件及运动失真和模糊的影响，同时由于在野外环境下使用，车牌会有不同程度的磨损、污迹干扰、变形等，这些问题给车牌定位带来了难度。

目前较为成熟的车牌区域定位算法有自适应边界搜索法、区域生长法、灰度图像数学形态学运算法、基于纹理或颜色的分割方法以及模糊聚类法等。

这些方法都有各自的优点，但是在实际应用中也存在着一些不足之处。

例如，对于基于纹理的分割方法，图像中很可能不止一个区域具有车牌区域类似的纹理特征，难以准确找到车牌位置。

这些方法对图像也有各种不同的条件限制，如对车牌倾斜度的要求。

一旦条件发生变化，车牌定位效果明显下降。

应用边缘检测的分割方法时，由于许多汽车前部散热器产生的垂直边缘和某些牌照边框的扭曲或某些汽车牌照没有边框而存在鲁棒性较差的问题。

因此，这些算法仍然需要做进一步的改进或与其他技术联合使用。

（三）车牌定位分割算法介绍

通常拍摄的车辆照片是比较大的，车牌部分只是其中很小的一块，因此为了准确的识别车牌，首先要进行车牌定位。

自动识别系统是智能交通控制系统的一个重要组成部分，车牌定位是车牌自动识别系统中的较为关键的步骤之一，设计出对车牌大小自适应性强、速度快、准确率较高的车牌定位方法对于整个自动识别系统性能指标有至关重要的影响。

车牌定位与分割是车牌识别的前提和准备，其分割效果对后面的识别率有较大的影响。

车牌定位与分割又是图像分割中的一个应用。

车牌定位是智能交通车牌识别中的一个很重要的部分，对它的研究一直比较多。

目前已有不少学者在这方面进行了研究，提出了各自的车牌定位和分割方法，总结起来主要有如下几类方法：

1、基于颜色的分割方法

这种方法主要利用彩色空间的信息，实现车牌分割。

近年来随着计算机技术的飞速发展，很多学者已开始应用彩色图像处理技术进行车牌定位。

这些研究改善了车牌的定位效果，但当车牌底色与其周围颜色近似、车牌底色褪色或图像中存在与车牌相似的几何和纹理特征的伪车牌时，有效定位率下降。

要想提高车牌定位的可靠性，应充分利用车牌提供的信息，突出车牌区域抑制非车牌区域。

已有的车牌定位方法虽考虑了车牌底色的颜色信息，却没有考虑车牌颜色特征的一个重要特点，即车牌背景与字符具有固定的颜色搭配，也就是说车牌字符边缘两侧像素的颜色具有固定的搭配，而如果抓住了这一重要信息，不仅能剥离不符合车牌底色的非车牌区域，而且能够将车牌底色褪色或虽具有和车牌相似的几何及纹理特征但不符合颜色特征的伪车牌剔除。

2、基于纹理的分割方法

这种方法主要利用车牌区域水平方向的纹理特征进行分割。

对于基于纹理或边缘的算法来说，车牌图像中很可能不止一个区域具有车牌区域的纹理特征，难以准确找到车牌位置，而且这些方法对图像有各种不同的条件限制,尤其是对车牌倾斜度的要求，一旦条件发生变化，车牌定位效果明显下降。

基于颜色空间的分割方法中，彩色边缘算法实际上也是一种边缘检测算法，没有摆脱其局限性，而颜色距离和相似度算法中，没能排除光照强度的干扰。

3、基于边缘检测的分割方法

基于边缘检测和多特征扫描的车牌快速定位方法的特点是首先对图像进行边缘检测，然后对检测出来的图像进行最大类间方差二值化，减少干扰并引入位置信息。

随后采用粗定位扫描，获得大致2-3个候选车牌区域，最后通过细定位方法，即对各个候选区域的一系列左右边界求平均值，再求方差，验证区域是否符合矩形区域这一条件，并加上验证矩形长宽比是否符合条件得到最终的结果。

该算法具有运算简便、精度较高的优点。

基于小波分解和亮度矩的车牌定位方法，小波分解及较好的保留了字符边缘信息，又加强了字符与其周围信号的对比度，而亮度矩函数方法对图像进行计算可以更加突出字符与背景灰度值之差，减少误定位分割的可能。

4、基于数学形态学的分割方法

数学形态学的方法主要是用来对二值图像进行一些预处理，它往往要结合其它方法使用，不能单独用来分割车牌。

该方法是在HSV彩色空间中，充分利用车牌图像提供的彩色信息,构造出5级灰度图，然后采用数学形态学、字频统计方法进行分析和判断,确定并分割出汽车牌照。

该方法不受车牌大小、位置以及车牌的背景和光照条件等方面的限制，适用范围较广。

（四）车牌定位算法的若干新技术

针对这些问题，各国科研人员提出了很多与现代智能化方法相结合的车牌定位分割技术。

1.基于神经网络的车牌定位方法

基于神经网络的车牌自动定位系统是通过摄像机拍摄、视频采集得来的汽车图像，完成车牌目标的自动定位的。

首先收集一定数量的车牌图像样本，归一化后送到BP神经网络进行训练，达到预先确定的正确率后，训练结束，得到一个对牌照敏感的BP神经网络。

利用训练好的神经网络就可以从图像预处理模块送来的图像中搜索车牌区域，定位车牌。

为了增强神经网络的泛化性，搜集的汽车灰度图像中常常包含各种光照条件和底色的车牌图像。

2.基于HSV颜色空间的一种车牌定位和分割方法

在基于颜色的数字图像处理中经常用到的颜色模型有RGB和HSV种模型。

RGB模型中各像素值由红色（R）、绿色（G）和蓝色（B）3种颜色的亮度值叠加来表示。

这3种颜色的亮度值随光照强度的不同而改变,因此该模型是受光照条件影响的，而一般汽车图像的光照条件是不定的，所以在RGB空间中进行识别车牌是十分困难的。

HSV模型分别用色度（H）、饱和度（S）和亮度（V）3个分量表示每一个像素的颜色特性，分量V表示了亮度方面的信息，即是光照条件方面的信息，而H和S两个分量包含了图像的彩色信息，如果舍弃V分量，只考虑H和S分量，就是排除了光照条件的影响，这对于光照条件不确定的彩色汽车图像分割具有重要的意义。

在该模型下，仅用H和S两个分量就可以将蓝色和黄色两种颜色区域找出来，只用V分量就能将白色和黑色两种颜色识别出来，因此HSV模型特别适合于车牌区域的识别。

该方法建立在对汽车牌照特征充分认识的基础之上，利用HSV颜色空间的特点，将搜索范围缩小在有限的4种颜色之内，根据不同颜色车牌出现的概率，从最可能的蓝底牌照开始搜索，然后是黄底牌照，黑底牌照，最后是白底牌照，合理利用水平垂直投影技术，进行统计分析，从而定位和分割出车牌，这样有效地提高了运算效率。

3.基于纹理分析和支持向量机的汽车牌照定位算法

纹理分析是图像处理中的重要组成部分，在场景分析、医学图像分析、牌照定位等领域中都具有重要的应用价值，是近年来的研究热点之一。

采用纹理分析的方法定位牌照时，采用的纹理特征太少将难以获得较好的定位效果，增多纹理特征又会导致算法的复杂度增加。

支持向量机（SVM）是数据挖掘中的一个新方法，能非常成功地处理回归问题（时间序列分析）和模式识别（分类问题、判别分析）等诸多问题，是针对小样本统计估计和预测学习的最佳理论。

因此，将支持向量机的这一特性和纹理分析结合起来，对牌照进行定位。

从图像纹理分析的角度，先将原始纹理图像作离散余弦变换，并对频率系数量化，从量化值中提取图像的方向性，并将量化值的统计特性和图像的方向性结合起来构造特征量，再在空域中获得图像的角二阶矩、对比度、相关性和熵等4个特征量，将图像的特征矢量输入SVM网络进行学习，训练获得SVM分类器。

利用该SVM分类器即可对图像区域进行分类，定位出车牌实际位置。

三、处理方法

（一）图像处理部分

1.RGB图像的灰度化

摄像头拍摄的车辆图片都是RGB彩色图像，表示这样一幅彩色图像需要很大的数据量，对这样一幅彩色图像进行处理，也需要很大的运算量。

所以直接对彩色图像进行处理达不到快速、实时的要求。

因此预处理第一步就是把彩色图像转化为灰度图像，在实际处理时，我们利用R、G、B三种颜色的特点，将彩色图像转换成灰度图。

2.灰度的线性变换

由于牌照图像拍摄受到各种条件的限制和干扰，图像的灰度值往往与实际景物不完全匹配，这将直接影响图像的后续处理，如果造成这种影响的原因主要是由于被摄物体的远近不同，使得图像中央区域和边缘区域的灰度失衡，或是由于摄像头在扫描时各点的灵敏度的较大差异而产生的图像失真，或是由于曝光不足使得图像的灰度变化范围较窄，这时就可以采用灰度校正的方法来处理，增强灰度的变化范围，丰富次度层次，达到增强图像对比度、有利于车牌识别的目的。

因为车牌颜色一般比较鲜艳，灰度化后，车辆牌照图像总体上灰度偏低，图像较暗。

根据图像处理的条件，将灰度范砸扩展到s=（0，255）之间是比较理想的。

灰度图像用公式线性变换后的图像。

可以看出，经过上述的线性变换后，原来偏暗图像的整体灰度值有所提高，灰度的动态范围扩大了，更为重要的是对比度也提高了，突出了车牌信息。

3.二值化

二值图像是指整幅图像只有0、255两个灰度值的图像，在它们之间不存在其他的灰度值。

灰度图像的二值化就是选定一个阈值T，如果图像中某像素的灰度值小于该阈值，则将该像素的灰度值设置为0；

否则灰度值设置为255。

从这个定义中我们可以看出图像二值化的关键在于阙值T的选取，根据阈值T来区分图像中的对象和背景。

根据阈值的选取情况，可分为全局阈值、局部阙值和动态阈值三种方法。

全局阈值法是最简单的一种方法，它根据图像的直方图或灰度空间分布确定一个阂值，以此实现灰度图像到二值图像的转化。

典型的全局阈值方法有最大类间方差方法。

全局阈值法对目标和背景分离明显、直方图分布呈双峰的图像效果较好，但对于因为光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰的图像，二值化效果明显较差；

局部阈值通过定义考察点的邻域，并由邻域计算模板，实现考察点灰度与邻域点的比较，因为非均匀光照条件等情况虽然影响整体图像的灰度分布，但不影响局部的图像性质，从而使得局部闽值法比全局阈值法有更广泛、更有效的应用；

动态阈值法是一种自适应的二值化方法，它利用像素自身及