多车牌定位（共7篇）
多车牌定位 篇1
1 引言
随着人工智能技术在交通管理中的应用,智慧交通的建设受到了极大的关注。对车牌的正确识别是建设智慧交通的基石,因此车牌识别成为当前研究的热门领域。目前车牌识别技术已经被运用到违章检测(电子警察)、停车场不停车收费、车辆检测等领域。
车牌定位是车牌识别的关键和重要前提。从复杂的背景中正确定位车牌位置,是成功识别车牌的重要成功率,直接影响最终车牌识别的效果。在车牌定位方面,国内外学者都做了大量的研究,并提出了一些多车牌定位的算法。比较常用的算法有以下几种:
1)基于纹理的分割方法,主要利用车牌区域水平方向的纹理特征进行分割,包括小波纹理、水平梯度差分纹理等[1]。该方法定位成功率不高,因为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;而且对车牌倾斜度有要求,当倾斜度过大时,车牌定位效果明显下降。
2)基于边缘检测的分割方法通过检测车牌字符的边缘特征定位车牌[2]。由于许多汽车前脸栅栏有很多垂直或水平边缘,因此会影响定位成功率。
3)基于神经网络的方法,选取训练样本,将图像的灰度序列采用BP算法进行训练,获得有效的网络权值[3]。该方法用BP网络对灰度图像进行感知,能够获得较好定位效果。
4)基于数学形态算法的方法,利用开运算和闭运算对图像进行处理,得到多个区域,再对这些区域进行判断,找到车牌正确位置[4]。
以上算法在背景不太复杂的情况下,对于单车牌都有比较好的定位成功率。但对于复杂背景下的多车牌定位,则需要综合多种定位方法,排除更多的干扰因素来确定车牌的定位。
基于以上分析,本文采用基于颜色检测、边缘检测与支持向量机相结合的定位方法现多车牌定位。首先针对基于颜色检测车牌候选区域的方法进行改进,并引入了边缘检测的方法来定位,通过颜色与宽高比来选取车牌候选区域,最后基于支持向量机(SVM)完成车牌的精确定位和截取。通过对不同多车牌图片的车牌定位,验证算法的有效性。
2 基于多算法融合的多车牌定位方法
在日常生产生活中,最常见的有小型汽车号牌、大型汽车号牌、警用汽车号牌等。2007年发布的《中华人民共和国公共安全行业标准》(GA36-2007)对我国机动车号牌标准做了详尽规定。小型汽车号牌是蓝底白字白框线的车牌;大型汽车号牌前车牌是黄底黑字黑框线的车牌;警用汽车车牌是白底黑字,红“警”字黑框线车牌。它们的尺寸大小都是440mm×140mm。本文所研究的多车牌定位方法主要是针对小型汽车号牌和大型汽车号牌进行定位。
本文对多车牌定位的流程如下:首先进行车牌候选区的定位;其次进行车牌候选区域的去噪和倾斜校正;最后基于SVM进行车牌精确定位和提取。
2.1 基于颜色和Sobel边缘检测的车牌粗定位方法
RGB颜色模型和HSV颜色模型是数字图像处理中常用的两个颜色模型。RGB彩色模型中,各像素值是由R(红色)、G(绿色)和B(蓝色)三种颜色分量的亮度值叠加来表示。而这三种颜色的亮度值对环境的光照强度比较敏感。当光照强度变化时,这三种亮度值会随之变化。所以,在RGB颜色模型下,很难完成基于颜色的车牌定位。
在HSV颜色模型中,一个像素的颜色特征分别用H(色度)、S(饱和度)和V(亮度)三个分量来表示。亮度分量仅表示亮度信息,不包含颜色信息。如果不考虑亮度分量的信息,使用H和S两个分量就可以实现在各种光照条件下对车牌区域进行初步定位。
2.1.1 RGB模型到HSB模型的转换
普通的车牌图像都是RGB颜色模型,因此需要先将图像从RGB模型转换到HSV模型。
设r,g,b分别是一个像素的红、绿、蓝三个分量的值,它们的值是在0到1之间的实数,max为r,g,b中的最大值,min为这些值中的最小值[5]。则从RGB到HSV的转换公式可用公式表示:
2.1.2 车牌颜色阈值的选择
在我国,常见的车牌底色共有蓝色和黄色两种。在HSV颜色空间中使用H分量能识别出这两种颜色。黄色和蓝色的HSV阈值范围如表1所示。分别用于识别小型汽车和大型汽车的车牌区域。例如,通过蓝色模板的阈值对图片中的像素进行逐个匹配,当图片中的像素能匹配颜色模板的数值时,则置该像素的灰度值设为255,将不匹配的像素灰度值设为0。匹配完成后得到一张包含多个车牌信息的二值图。
2.1.3 基于Sobel边缘检测的车牌候选区方法
在二值图的基础上,通过边缘检测可以得到图片中的所有边缘的信息。本文采用Sobel算子对灰度图进行水平方向的边缘检测。该方法以某一个像素为中心点,对它的周围的八个点的像素值进行加权运算,判断该点是否处于极值状态,若该点处于极值状态,则该点为图像边缘。
车牌存在垂直方向与水平方向的边缘,通过边缘检测,能得到车牌字符的边缘信息。采用Sobel算子对水平方向进行求导,从而得到垂直方向的边缘信息。
2.2 车牌候选区的形态学和矫正操作
形态学运算包括腐蚀、膨胀、开运算和闭运算。腐蚀一种消除边界点,使边界向内部收缩的过程。膨胀是将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。先腐蚀后膨胀的过程称为开运算,用来消除小物体、在纤细点处分离物体、平滑较大物体的边界,同时并不明显改变其面积。先膨胀后腐蚀的过程称为闭运算,用来填充物体内细小空洞、连接邻近物体、平滑其边界,同时并不明显改变其面积。
为了实现更准确的车牌定位和截取,本文对基于颜色和Sobel边缘检测得到的车牌候选区域做闭运算处理,使原本不连续的车牌区域变成一块连同区域。
闭运算处理具体算法如下:
1)设有图像A,B是一个合适的结构元素,先利用公式(4)实现A被结构元素B膨胀,再利用公式(5)实现A对B进行腐蚀操作,这两步的目的是将目标周围的噪声去除。
2)为了将目标内部的噪声去除继续,利用B对A进行腐蚀操作,最后利用B对A进行膨胀操作[6]。
经过闭运算处理之后,车牌的区域能大致从图片中定位出来,但是定位车牌的角度可能会有较大的倾角,这一步需要对图片的倾斜角度进行矫正,以便获取角度正常的字符进行字符的识别处理。
对车牌候选区域进行倾斜矫正的步骤如下:
(1)首先,通过闭运算处理之后的二值图,逐个求出图中连通区域最大外接矩形,并计算最大外接矩形的倾斜角度。
(2)对倾斜角度在-5度到5度之间的图片,可以直接输出。
(3)对倾斜角度在5度到50度,或者-5度到-50度的车牌,需要先调整图片角度。
()调整角度后,判断车牌区域是否为平行四边形。
()如果不是平行四边形,则可以直接输出。
(6)如果是一个平行四边形的区域,再获取平行四边形三个顶点的坐标,通过仿射变换将平行四边形矫正成一个矩形,调整完成,将结果输出。
在输出结果时,需要将图片进行归一化处理,变成宽150像素,高40像素的图片。
2.4 基于SVM的车牌精确定位方法
由于基于颜色的定位会受到与车牌颜色相近的物体的干扰(如图1(a)所示),基于边缘检测的定位会受到汽车车灯等一些边缘信息与车牌相近的物体干扰(如图1(b)所示),影响最终的定位效果。因此引入支持向量机(SVM)来对上面粗选出的候选车牌区域进行判别。
支持向量机是一种基于统计学习理论的机器学习算法,其采用结构风险最小(Sructural Risk Minimization,简称SRM)原则替代传统的经验风险最小(Empirical Risk Minimization,简称ERM)原则进行分类,从而保证了算法具有较强的泛化能力。
SVM的训练过程等价于求解一个线性约束的二次规划问题,其目标是在训练样本集中寻找一个最优的超平面,将样本数据最大限度地分开,使两类数据之间的边界最大且分类误差最小,且能保证得到的解为全局最优解。
在本文中使用图像的直方图特征作为支持向量机的输入特征,输入的特征维度是190。直方图特征的特征量丰富,适用于支持向量机分类,有利于车牌的准确定位。
1)首先,将输入的图像进行二值化处理。
2)统计图像中一行元素中为1的数目,输入的图像共40行,得到40个数据.
3)再统计图像中一列元素中为1的数目,输入图像有150列,得到150个数据。
4)将第二步与第三步得到的这些数据作为SVM的输入特征,输入特征维度为190。
本文使用1000个车牌图像及500个非车牌图像对支持向量机进行训练。
3 实验结果
为了检测本文方法的有效性,本文分别选取了含有两个车牌和三个车牌的图像进行了多车牌定位测试。
经过颜色检测、边缘检测、形态学操作、车牌矫正与SVM筛选等步骤之后,对两个车牌的图像(图2)截取出车牌图片如图3所示。对三个车牌的图像(图4)截取出车牌图片如图5所示。实验表明,本文算法能对包含多车牌图像中车牌的定位的准确率能达到95%以上。
4 结束语
本文提出基于颜色检测、边缘检测和支持向量机(SVM)的多车牌定位综合方法,能从复杂背景中将待识别的多个车牌较准确的定位和截取。该方法首先使用颜色检测和Sobel边缘检测两种方法粗选车牌候选区域,其次对车牌候选区域进行形态学和倾斜矫正处理,最后提取车牌候选区域特征信息利用SVM精确定位车牌区域。实验结果表明,本文所用综合方法能排除背景干扰,多车牌定位效果和成功率较高。
摘要：为了提高多车牌定位和识别效率,本文提出基于颜色检测、边缘检测和支持向量机(SVM)的多车牌定位方法。首先使用颜色检测和Sobel边缘检测两种方法粗选车牌候选区域,其次对车牌候选区域进行形态学和倾斜矫正处理,最后提取车牌候选区域特征信息,采用SVM精确识别和定位车牌区域。实验结果表明,该方法能排除背景干扰,多车牌定位效果和成功率较高。
关键词：多车牌定位,颜色检测,边缘检测,支持向量机
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):472-476.
[2]李文举,梁德群,张旗,等.基于边缘颜色对的车牌定位新方法[J].计算机学报,2004,27(2):204-208.
[3]张燕,任安虎.多特征与BP神经网络车牌识别系统研究[J].科学技术与工程,2012,12(22):5644-5648.
[4]戴青云,余英林.一种基于小波与形态学的车牌图像分割方法[J].中国图象图形学报,2000,5(5):411-415.
[5]谭同德,王三刚.基于Open CV的车牌定位方法[J].计算机工程与设计,2013,8(34):2816-2820.
[6]王慧锋,战桂礼,罗晓明.基于数学形态学的边缘检测算法研究及应用[J].2009,45(9):223-225.
车牌定位方法探讨 篇2
关键词：图像处理,牌照定位,小波变换
车牌定位方法是图像处理技术、车牌特征以及小波分析、神经网络等新工具的有效结合。车牌定位系统通常包括图像预处理、牌照搜索、图像裁剪三个部分。
图像预处理包括将图片转换成灰度图;获得有用的图像边缘并将其二值化;削弱背景干扰;牌照搜索以得到可能的候选区域。区域裁剪是从候选区域中剔假取真，提取真正的车牌。
车牌的定位过程如图1所示。
1 车牌定位方法
目前车牌定位的方法按图像色彩分为两大类：一类基于黑白图像，另一类是基于彩色图像。
黑白图像只具有灰度层次，用一个单值实函数f(x,y)来表示，函数在某点的值称为此点的灰度级或亮度。彩色图像不仅具有色彩的浓淡，而且易受各种光线作用的影响，须用一个有值向量，或几个函数表示。
1.1 基于黑白图像的车牌定位方法
黑白图像对于人的视觉而言.以灰度等级来体现图像深浅程度。根据图像的灰度级来进行图像定位。结合车牌特点对传统技术加以改进。
(1)基于特征的车牌定位法。车牌的特有特征：车牌内的水平的字符之间的空白，边缘比较丰富。字符和牌照底在灰度值上存在跳变点.具有丰富的纹理特征等。
(2)基于边缘检测的定位方法。图像的边缘是其周围的像素灰度有阶跃变化的一系列的点的集合，是图像的最基本特征。在汽车图像中，牌照K域内含有丰富的边缘(包括水平边缘、垂直边缘和斜向边缘)。而其余K域则不具有这个特点，故可通过边缘检测技术来寻找存在较多边缘的Ⅸ域，再对图像进行特定的填充算法，直到图像中只留下待识别的目标，从而达到牌照定位的目的。
(3)基于数学形态学的定位方法。数学形态学车牌定位算法是利用牌照字符具有纵向纹理的特性.提取车牌图像的垂直边缘并用于聚类分析算法进行二值化，再利用数学形态学工具，进行膨胀和闭运算等一系列的形态学运算，使得车牌区域形成闭合的连通矩形区域，然后通过标记这些候选牌照区域并利用车牌的几何特性。
(4)基于小波变换的车牌定位。小波变换是一种窗口面积固定但其形状可以改变、时间窗和频率窗都可以改变的时频局部化分析方法。其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f带信号，这些子带信号具有良好的时域、频域等局部特征，这些特征可以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。
基于小波变换的车牌定位算法基本思路如下：车牌图像的预处理，包括裁剪与灰度化，小波阀值消噪，然后进行小波分解，即将一幅固定的图像，经过变换提供的一系列运动图像.实际上，可以把函数看作视野的移动，当一幅图像发生伪运动时，其小波系数将会产生振荡，同时，振荡的幅度将会给出函数的频率信息。
(5)基于遗传算法的车牌定位方法。基于遗传算法的车牌定位方法的基本思想是根据车牌所在区域厌度变化剧烈，且高低灰度差异较大的特点。对原始图像中任意的一个矩形氏域中的每一行灰度值进行一维的波峰波谷检测。然后统计区域波峰密度、波峰均值、波蜂波谷均值差、波峰方差，波谷方差和波峰分布的均匀程度，将这六个特征组成的特征矢量进行线性变换得到新的特征矢量，这样车牌识别问题就转化为如何确定矩形区域的参量，使从中提取的特征矢量最佳。
1.2 基于彩色图像的车牌定位
基于彩色图像的车牌定位的算法总体过程为：
(1)将车辆RGB彩色图像根据转换公式转换为HSV彩色图像。
(2)根据像素点颜色将HSV彩色图像进行二值化，得到蓝色、白色像素区域。
(3)将RGB彩色图像灰度化，进行边缘检测并二值化，得到二值化边缘图。
(4)确定图像蓝白色边缘点。
(5)进行纹理分析，确定车牌区域。
基于彩色图像的车牌定位主要有：彩色分割及多级混合集成分类器的车牌自动识别方法与彩色图像边缘检测技术与BP神经网络相结合的定位方法。
彩色分割及多级混合集成分类器的车牌自动识别方法的主要思想是通过三层感知器网络将具有均匀角度空间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。预处理是将RGB模式图像转化为HIS模式图像。
彩色图像边缘检测技术与BP神经网络相结合的定位方法是通过图像预处理使抽取的全局特征能够很好地反映车牌全局特性。首先使采样图像校正，使扭曲程度降低到最低来提高车牌定位的准确率。再利用车牌图像的高频特性选择车牌可能出现的区域。由竖直边缘图提取反映车牌高频特性的特征矩阵，对特征矩阵进行分析，确定若干候选区。然后去掉非车牌特性的图像部分。这样有利于全局特征的抽取。
2 结束语
本文对车牌定位方法进行系统的分析、总结，目前车牌定位方法离实际的应用尚有较大的距离。探求一个实用的智能化车牌定位方法是今后的研究目标。
参考文献
[l]赵雪春,等.基于彩色分割的车牌自动识别技术[J].上海:上海交通大学学报,1998(10).
[2]梁栋,陈迎春.基于形状特性和反Hough变换的车牌区域定位与重建[J].成都:计算机应用,2002(5).
[3]戴青云,余英林.一种基于小波和形态学的车牌图像分割方法.北京:中国图像图形学报,2000.
[4]蔡孟波,何箢凌.遗传算法在车牌定位中的应用[J].北京:公路交通科技,2000,17(2).
多车牌定位 篇3
随着当今社会经济的飞速发展,车辆的数量也变得与日聚增起来。高速增长的汽车数量和落后的停车场管理模式形成了鲜明的矛盾冲突。于是,智能车辆管理系统的实现变得尤为重要。实现智能车辆管理系统的核心内容就是能够自动化识别车辆车牌,而作为车牌识别核心技术的第一步——车牌定位技术的好坏极大程度上决定了车牌识别的性能。
目前车牌定位的实现方法大体分为两类,一类是基于灰度图像的车牌区域定位方法,另一类是基于彩色图像的车牌区域定位方法。前者主要有基于纹理特征法、基于数学形态学法、基于小波分析法等方法。后者主要有基于RGB颜色法、基于神经网络法等。本文结合两类不同的方法,先采用改良的RGB颜色法——HSV颜色模型来识别车牌,可以定位出大部分颜色鲜明的车牌,由于此方法受图片质量影响较大,我们在颜色法后采用边缘检测定位法,通过垂直边缘检测,将图片中垂直边缘较多的区域定位出来,两种方法的结合可以获得车辆图片中车牌所在的区域,判断出真正的车牌位置。
2 颜色定位
采用RGB颜色定位方法需要RGB的3个分量(Red分量--红色,Green分量--绿色,Blue分量--蓝色)共同确定一个颜色标准,我国大部分车牌都是蓝色,我们要从Blue分量中找到分量的阈值确定蓝色的范围,这本就不是一件容易的事。但是我们往往不只有3原色构成的车牌,遇到像黄色的车牌时情况会更加复杂,需要考虑Red分量和Green分量的配比问题。这些问题让单纯选择RGB颜色定位变得分外困难。
为了解决这些问题我们采用HSV颜色模型,如图1所示。HSV模型是根据颜色的直观特性创建的一种圆锥模型。与RGB颜色模型中的每个分量都代表一种颜色不同的是,HSV模型中每个分量并不代表一种颜色,而分别是:色调(H),饱和度(S),亮度(V)。
H分量是代表颜色特性的分量,用角度度量,取值范围为0~360,从红色开始按逆时针方向计算,红色为0,绿色为120,蓝色为240。S分量代表颜色的饱和信息,取值范围为0.0~1.0,值越大,颜色越饱和。V分量代表明暗信息,取值范围为0.0~1.0,值越大,色彩越明亮。我们可以从一种纯色彩开始,即指定色彩角H,并让V=S=1,然后我们可以通过向其中加入黑色和白色来得到我们需要的颜色。增加黑色可以减小V而S不变,同样增加白色可以减小S而V不变。这就意味着通过保持V,S不变来找表示颜色的H的范围,再反过来通过H的范围确定V,S的取值范围,从而可以确定出我们需要的颜色范围,如图2所示。
采用颜色定位我们首先需要将图像颜色空间从RGB转换为HSV,再遍历图像的所有像素,将满足HSV范围内的像素点标记为白色,其余部分标记为黑色。所得图片中白色部分为车牌位置。再采用闭操作,取轮廓等操作获取目标车牌。
3 边缘检测定位
边缘检测是图像处理和计算机视觉中的基本问题,边缘检测的目的是标识数字图像中亮度变化明显的点。而本文采用的是基于垂直边缘的检测方法。因为一般的车牌图片在没经过一定的处理之前车牌边缘都有很多垂直边缘,那么就可以以此来判定车牌的位置。
车牌定位准确率的高低与图片的好坏有着密不可分的关系,如图片的天气,环境等外界环境因素直接影响图片的识别率。所以在进行识别之前必须对车辆图片进行预处理,消除干扰并突出车牌特征。
这里对车辆图片进行车牌边缘检测定位的流程如图3所示:
3.1 高斯模糊
对车辆图片先进行高斯模糊就是把图片中某一点周围的像素色值按高斯曲线统计起来,采用数学上加权平均的计算方法得到这条曲线的色值,最后能够留下物体的轮廓。高斯模糊使图片变得更平滑,去除了干扰的噪声对后面车牌的判断打下了坚实的基础。
3.2 灰度化
将彩色图像转化成为灰度图像的过程称为图像的灰度化处理。彩色图像中的每个像素的颜色有R、G、B三个分量决定,而每个分量有255中值可取,这样一个像素点可以有255*255*255种颜色的变化范围。而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,也正因为如此,对图像的灰度化处理存在的最大争议就是图像信息的丢失,图像信息的丢失可能使得对车牌的识别变得更加复杂。但对于计算机而言,处理灰度化图像相比于处理彩色图像要更加容易,同时,现在已研究的很多处理图像的算法和技术仅支持对灰度化图像的处理,在现今的科技状况下对图像灰度化处理使我们更便捷地获取所需要的信息。但无疑,对彩色图像直接进行判断更符合人眼识别的规律,更趋近人工智能的本质,也是今后研究的方向与趋势。一般有以下四种方法对彩色图像进行灰度化处理:分量法,最大值法,平均值法,加权平均法。
(1)分量法:将彩色图像中的三分量的亮度作为三个灰度图像的灰度值,可根据应用需要选取一种灰度图像。
其中fk(i,j)(k=1,2,3)为转换后的灰度图像在(i,j)处的灰度值。
(2)最大值法:将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。
(3)平均值法:将彩色图像中的三分量亮度求平均得到一个灰度值。
(4)加权平均法:根据重要性及其他指标,将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高,对蓝色敏感最低,因此,按下式对RGB三分量进行加权平均能得到较合理的灰度图像。
3.3 Sobel算子
Sobel算子是边缘检测定位中的核心算法,用于检测图像的垂直边缘,便于区分车牌。
Sobel算子是一阶导数的边缘检测算子,在算法实现过程中,通过3×3模板作为核与图像中的每个像素点做卷积和运算,如下所示,其中A为原图像,然后选取合适的阈值以提取边缘。
许多学者已经提出了很多图像检测算子,如Sobel算子、Laplace算子、Canny算子等。比较常用的有Sobel算子和Laplace算子。Sobel算子求图像的一阶导数,Laplace算子则是求图像的二阶导数,在通常情况下,也能检测出边缘,不过Laplace算子的检测不分水平和垂直。
3.4 二值化
图像的二值化,就是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的只有黑和白的视觉效果。一幅图像包括目标物体、背景还有噪声,要想从多值的数字图像中直接提取出目标物体,最常用的方法就是设定一个阈值T,用T将图像的数据分成两部分:大于T的像素群和小于T的像素群,然后分别设置为黑白两种颜色,实现了整个图像的二值化。
3.5 闭操作
对二值化图像先进行膨胀运算,其次进行腐烛运算,此组合运算即为图像的闭运算。对二值化图像先进行腐烛运算,其次进行膨胀运算,此组合运算即为图像的开运算。闭操作可使轮廓线更光滑,但与开操作相反的是,闭操作通常消除狭窄的间断和长细的鸿沟,消除小的空洞,并填补轮廓线中的断裂。使用结构元素B对集合A进行闭操作,数学表达为:
这个公式表明,使用结构元素B对集合A的闭操作就是用B对A进行膨胀,然后用B对结果进行腐蚀。
3.6 取轮廓,筛选,角度与尺寸判断
经过上述一系列的图像操作我们可以得到一张包含许多独立图块的图像,取轮廓操作就是将图像中的所有独立的不与外界有交接的图块取出来。然后根据这些轮廓,求这些轮廓的最小外接矩形。尺寸判断操作是对外接矩形进行判断,以判断它们是否是可能的候选车牌的操作。经过尺寸和角度判断,会排除大量由轮廓生成的不合适尺寸的最小外接矩形。接下来需要对剩下的图块进行旋转操作,将倾斜的车牌调整为水平,为后面的车牌判断与字符识别提高成功率的关键环节。最后确定我们要识别的车牌的尺寸。
4 结论
本文提出了两种关于车牌识别中车牌定位的方法,采用改进的HSV颜色模型,准确,快速地对颜色鲜明的车牌进行定位,简化了车牌定位中一些图片处理和特征判断的过程。而另一种方法是边缘检测中垂直边缘定位的方法,垂直边缘的选择让此方法能获得更高的准确率,同时采用图像处理,数学形态学等多种算法强化了图片中的许多特征量,极大提高了垂直边缘的判断。
虽然采用两种定位方法的结合,极大提高了车牌定位的准确率,但仍然有不足之处,需要进一步完善。两种方法都需要较高的图片质量,大量的光暗区域和严重的雨雪天气都会对车牌定位的准确率产生较大的影响。还有如颜色定位中一旦车辆的颜色与车牌的颜色一致,那判断的准确率会大大降低。而第二种方法如果遇到大量垂直边缘的车辆也会造成较大的误差。
摘要：车牌识别技术是智能交通管理系统的关键技术之一,而车牌定位则是车牌识别的实现基础。快速,准确,高鲁棒性的车牌定位技术可以给车牌识别带来极大的辅助。针对车牌定位的问题,研究提出了基于HSV颜色模型的颜色定位方法和通过垂直边缘检测的边缘检测定位这两种方法。两种方法的结合使用不仅实现了车牌快速,准确的定位,更为车牌识别后续的字符分割,字符定位等步骤奠定了坚实的基础。
关键词：车牌定位,图像处理,HSV颜色模型,边缘检测,数学形态学
参考文献
[1]魏平顺.智能交通系统中车标图像识别技术研究[D].南京:南京理工大学,2013.16-25.
[2]李侠.车标定位技术研究[D].大连:辽宁师范大学,2011,16-26.
[3]张闯,孙兴波,陈瑶,等.常用边缘检测技术的对比[J].传感器世界,2013,19(11):20-23.
[4]刘毅,赖晓风.基于边缘检测的图像分割技术浅析[J].电子制作,2013(16):67-67.
基于车牌精确定位的研究 篇4
这种方法适用于比较常见的图片, 即背景不是很复杂, 没有太多干扰的图像, 因为要将图片全部进行灰度化, 所以对颜色没有具体要求, 通过车牌自身的特征进行形态学处理, 最后确定车牌的区域。
算法流程如图1。
1 对图像的腐蚀及灰度化处理
对图像的腐蚀可以去除一些明显非车牌的区域。由于原始图像棱角比较分明, 通过腐蚀可以棱角弱化, 使车牌大面积连续的区域更加明显。我们通过灰度化处理放弃了颜色信息, 但是增强了图像的对比度, 图像特征变得明显。
2 图像的边缘检测
采用边缘检测算子 (各种算子差距不大, 我们用的是sobel) 进行数值方向的边缘检测, 由于车牌的特征只需进行竖直方向的检测。车牌属于矩形区域, 且横长竖短, 长度是高度的两倍, 所以针对这种特征我们可以仅仅采用竖直边沿检测, 而放弃使用水平边缘检测。这样可以进一步弱化面积和车牌类似但是长宽比与标准车牌差距较大的区域。
边缘检测的算子有很多, 常用的有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子等。通过在MATLAB中调用edge函数, 这些算子实际效果相差不是很大, 在本例中也仅有微小差别, 经过实际比较, 本例选择Roberts算子效果较好, 输出为二值图像。
3 图像填充
边缘检测后的图片由于很多的噪点以及其他的干扰, 无法准确的定位出车牌区域。在MATLAB中采用imclose函数, 图像填充后突出车牌的特征, 也便于进行伪车牌的去除。
4 滤波
滤波也就是伪车牌的去除, 填充后的图像中有很多明显不是车牌的区域。通过滤除一些干扰项, 采用MATLAB中的bwareaopen函数, 可以进行精确地定位, 去除聚团灰度值小于2 500 的部分。
5 车牌的提取方法
车牌的提取分两步进行。第一步先确定车牌所在图像的行区域, 第二步再确定图像所在的列区域。针对图像和车牌的特征, 两步采用不同的方法。
提取出车牌的行区域:图像中虽然去除了一些伪车牌, 但还是有较大的干扰项, 其中最大的干扰项就是车标的干扰。为了去除车标的干扰可以将该二值图像的像素点进行行方向的投影, 找出其中的最大值点, 从最大值点往两边搜索, 找出一定阈值内的区域, 由于车标的像素的数量小于车牌区域, 从而此方法可以去除车标的干扰。
提取出车牌的列区域:第二步建立在第一步之上。将已经提取的行区域再投影的到列方向上, 由于字符与字符之间有间隙, 故直接从两边搜索大于某阈值的区域最方便。此提取方法也可适用于上文, 尤其适用于最后图像中干扰较多的情况。
6 结论
本文的性能指标总结如下所述。
1) 对于复杂场景、灰度低质量差的图像识别能力好。经过对多幅大场景、夜晚等质量较差的图像进行实验, 表明本系统能够准确地定位字符区域, 速度快, 精确高。
2) 对固体场景的图像可以去除背景提高识别速度和精度。使用去除背景的方法可以极大地减少需要处理的数据量, 加快了识别速度。
3) 字符区域定位准确, 误检率、漏检率低。
参考文献
[1]张强, 王正林.精通Matlab图像处理[M].北京:电子工业出版社, 2009.
[2]ichard E.woods.数字图像处理[M].matlab版.北京:电子工业出版社, 2005.
多车牌定位 篇5
随着交通飞速发展, 全国机动车保持快速增长趋势, 据统计, 截至2015年底, 近十年汽车年均增加1200多万辆, 汽车迅速进入千家万户。2015年, 汽车保有量已达到1.48亿辆, 是2005年汽车数量的6.2倍, 占全部机动车比率达到58.9%, 比十年前提高了32.9%。汽车的增加给城市带来了巨大的交通压力。车牌定位作为车牌识别的重要环节, 影响着车牌识别的精度。
车牌定位是基于车牌区域的特征将车牌区域从车牌图像中分割出来。常见的车牌定位方法有:一是基于灰度图像纹理特征分析法, 此类方法一般利用图像处理的手段获取车牌图像的纹理特征;二是基于数字形态学的车牌定位算法, 此方法是对二值化后的图像, 进行腐蚀和闭运算消除噪声, 并形成闭合的连通区域;三是基于小波变换的车牌定位算法, 此方法是将原始图像分成不同分辨率、不同频率特性的子信号, 利用信号完成局部变换;四是基于神经网络的车牌定位算法。为了提高车牌定位速度和准确度, 文章综合实验所采集到的车牌图像, 从海量图像中进行分析, 找出各种图像的分布特点, 采用Hough算法准确的定位车牌图像, 能有效地定位车牌区域。
2 Hough算法
2.1 Hough算法的理论
Hough算法是利用图像的全局特性将边缘像素连接起来组成区域封闭边界的一种方法, 它所实现的是一种从图像空间到参数空间的映射关系。是根据数学对偶性原理提出检测图像直线的方法, 主要应用于模式识别领域中对二值图像进行直线检测。
2.2 车牌区域定位
设第j个连通域的宽高比为, 其中Width (j) 、Height (j) 分别为第j个连通区域外界矩形框的宽度和高度。根据车牌先验知识, 国内车牌每个字符的宽高比为0.6, 在文章中采用的车牌字符区域的判定式为。
3 实验结果分析
本实验图像库中共有100幅图 (580个样本) , 其中60幅作为训练集 (360个样本) ;40幅图作为测试集 (220个样本) 。
文章运用MATLAB软件对车牌进二值图像化、定位处理等过程。文章基于灰度值转换, 在MATLAB环境下运行, 达到了预期的效果。由实验可知, 图1 (A) 为原始图, (B) 是经过Hough变换后筛选的连通域, (C) 为定位后的图像。Hough算法能够准确定位车牌图像, 图2是车牌在白天和夜间定位效果图, 黑暗下车牌定位存在模糊不清的情况。以后在车牌图像定位研究过程中, 将进一步完善该算法, 使其达到更好的定位效果。
参考文献
[1]蔡杰.数字图像处理技术在车牌定位中的应用[J].辽宁学院学报, 2014 (4) .
[2]庞茂群, 邓开发.一种基于灰度图像的车牌定位方法[J].计算机工程与科学, 2012 (10) .
[3]李睿, 皮佑国.一种车牌图像的快速定位算法研究[J].微型电脑应用, 2013.
[4]李波, 曾致远, 周建设.一种自适应车牌图像定位新方法[J].中国图象图形学院, 2014 (10) .
基于数学形态学的车牌定位 篇6
基于数学形态学的图像处理是应用具有一定形态的结构元素度量和提取图像中对应的形状,以达到对图像分析和识别的目的。将数学形态学用于图像分割,既能有效滤除噪声,又有助于保留图像中原有的细节信息。目前国内外已有较多的论文研究了将数学形态学应用到文字提取中[1]。
针对各种车牌定位算法的优缺点,本文提出了一个实时、有效的车牌定位方法:首先增强图像并利用车牌中字符的特点,应用迭代法选取阈值实现背景去除,接着利用不同的结构元素对去除背景后的汽车图像进行进一步的去噪处理,最后综合利用车牌的特征值,在汽车图像中定位车牌。实验证明,该方法能准确定位分割出车牌图像。
1 数学形态学原理及其运算
数学形态学以图像的形态特征为研究对象,描述图像的基本特征和基本结构,也就是描述图像中元素与元素、部分与部分间的关系。通常形态学图像处理表现为一种邻域运算形式,采用邻域结构元素的方法,在每个像素位置上用邻域结构元素与二值图像对应的区域进行特定的逻辑运算,逻辑运算的结果为输出图像的相应像素。数学形态学的运算以腐蚀和膨胀这两个基本运算为基础,引出了其它几个常用的数学形态运算,最常见的基本运算有以下几种:腐蚀、膨胀、开运算和闭运算,它们是全部形态学的基础。用这些运算及其组合可以进行图像形状和结构的分析及处理,包括图像分割、特征抽取、边界检测、图像滤波、图像增强和恢复等方面的工作。
腐蚀运算的作用是消除物体的边界点,是边界向内部收缩的过程,可以去除小于结构元素的物体。腐蚀运算定义为:
式(1)中S表示腐蚀后的二值图像集合,B表示用来进行腐蚀的结构元素,结构元素内的每一个元素取值为0或1,它可以组成任何一种形式的图形,在B图形中有一个中心点;X表示原图像经过二值化后的图像集合。此式的含义是用B来腐蚀X得到的集合S,S是由B完全包括在X中时B的当前位置的集合。
膨胀的作用与腐蚀的作用正好相反,它是对二值化物体边界点进行扩充,将与物体接触的所有背景点合并到该物体中,使边界向外扩充的过程。如果两物体之间的距离比较近,则膨胀运算可能会把两个物体连通到一起,膨胀对填补图像分割后物体中的空洞很有作用。膨胀运算定义为:
式(2)的含义是用B来膨胀X得到的集合S,S是由B映像的位移与X至少有一个像素相同时B的中心点位置的集合。
一般情况下,腐蚀与膨胀是不可恢复的运算,但通过腐蚀与膨胀可以构成开运算和闭运算。先腐蚀后膨胀的过程称为开运算,它具有消除图像上细小物体,并在物体影像纤细处(目标狭窄区)分离物体和平滑较大物体边界的作用;先膨胀后腐蚀的过程称为闭运算,它具有填充物体影像内细小空洞,连接邻近物体和平滑边界的作用。开运算和闭运算定义为式(3)和式(4):
2 基于数学形态学的车牌定位算法
由于天气变化、光线强弱、车辆洁度等室外条件的影响,在实际场景中得到的汽车图像背景很复杂并且存在噪声,因此在进行车牌定位识别之前需要对图像进行预处理。预处理环节包括图像增强和去噪滤波等环节。在预处理之后对图像进行形态学处理,首先利用腐蚀运算进行滤波,再进行开运算,在确定出目标区域的同时,只掺杂少量非目标区域。
根据上述思想,本文采用的车牌定位模型为如图1所示:
3 车牌定位算法的实现
3.1 预处理
为了消除摄像头拍摄过程中带来的噪声,应对图像进行去噪处理。目前常用的消噪方法主要有邻域平均法和中值滤波法。领域平均法对抑制噪声是有效的,但它选择的是低通滤波器,而通常图像中的边缘信息里含有大量的高频信息,所以在去噪的同时也使边界变得模糊。中值滤波法采用一种非线性平滑滤波器,它与邻域平均法的不同之处在于,中值滤波器的输出像素值是由邻域像素的中间值决定而不是平均值决定的。中值滤波法运算简单、速度快,并且在滤除噪声的同时能很好地保护信号的细节信息[5],在一定条件下,可以克服线性滤波器所带来的图像细节模糊。汽车图像中的细节信息对于车牌定位识别来说是很重要的,因此,本文选用中值滤波的方法对图像进行消噪处理。
摄像头拍摄到的图像光照条件不够理想,而且车牌位于车身下部,对比度较差,加上车身上部的一些反光等诸多因素的影响,如果直接对图像进行扫描定位会有很大困难,为了获得较好的扫描、分割效果,有必要对车辆图像进行增强处理。图像增强是指对图像的某些特征,如边缘、轮廓、对比度等进行强调或锐化,以便于显示、观察或进一步分析与处理。图像增强不会考虑引起图像质量下降的原因,而是将图像中感兴趣的特征有选择地突出,并衰减不需要的特征。根据汽车图像的特点,本文选用灰度变换增强,变换公式如式(5)所示:
Rmax、Rmin分别为原始图像直方图中的的最大灰度值和最小灰度值;Smax、Smin分别为变换后图像直方图中的的最大灰度值和最小灰度值。
3.2 去除背景
在作形态学处理之前,必须对输入的包含车牌的图像作背景去除处理。去除背景即把车辆与背景分开形成二值图像,以便进行后期的车牌定位。精确地分开前景与背景其关键是选取合适阈值。由于不同的图像其分割阈值不尽相同,因此必须针对不同图像进行计算求得阈值,为了使算法具有自适应性和较快的运算速度选取迭代阈值选择法计算阈值[6]。算法步骤如下:
1)求出整幅图像的最大灰度值和最小灰度值,记作Gmax和Gmin,令初始灰度门限为T0=(Gmax+Gmin)/2;
2)根据灰度门限T0(Tk)将图像分割为前景和背景,分别求出两者的平均灰度值Z1和Z2;
3)求出新的灰度门限T1(Tk+1)=(Z1+Z2)/2;
4)若T0=T1,则T0即为灰度门限,否则到第2步,用T1代替T0进行分割,继续迭代计算,直到Tk=Tk+1(k=0,1,2…),即求得灰度门限为Tk。
3.3 形态学处理
去除背景后的图像中还存在一些噪声,需要做进一步的去噪处理,这里选用数学形态学的腐蚀和膨胀运算作滤波处理。结构元素为3×3的块,不同的形态学运算采取不同的结构元素。腐蚀运算采用图2(a)所示的结构元素,膨胀运算和开运算采用图2(b)所示的结构元素。对去除背景后的二值图像做一系列的形态学运算,包括一次膨胀、一次腐蚀和一次开运算。
3.4 车牌定位
经数学形态学处理之后的图像,最终还要进行车牌定位。根据我国车牌的几个特征,分别采用面积、长宽比以及垂直投影特征值进行加权综合来确定车牌区域。实际处理如式(6)所示,
其中:λi表示各自不同的权值;Ci表示集中特征置信度,包括面积S、长宽比P以及垂直投影特征值H。
面积(S)指各矩形区域内非零像素的数目,在二值图像上面积越大,是车牌的可能性越大,因此面积越大,特征置信度Ci就越大。
长宽比(P)是车牌的一个明显特征,虽然车牌反映在图像中的大小不同,由于我国车牌长宽比相对固定,一般在0.3-0.34之间,因此在图像中车牌区域的长宽比也相对固定,所以越接近真实车牌长宽比的区域的置信度Ci就越大。
垂直投影特征值(H)是根据在二值图像上车牌字符呈明暗交替变化来确定的。特征值的计算方法如式(7)所示[7],其中特征值越大就越接近真实车牌,因此置信度Ci就越大。
式中:LU为垂直投影直方图中所有从波谷到波峰的路径总长度;LD为直方图中所有从波峰到波谷的路径总长度;bW为图像的宽度,可消除图像大小不同对特征值的影响;1000为规范化因子。
综合面积、长宽比以及垂直投影特征值三个因素进行综合分析来定位车牌区域,可以消除仅用某一参数来进行评价所带来的误差。
4 仿真结果
选取一幅像素为512×384的背景相对复杂的汽车图像进行仿真实验,仿真结果如图3所示:
迭代二值化后车牌图像中存在噪声点,如图3(d)所示,经形态学处理之后消除了车牌图像中的噪声,得到了汽车图像中的车牌部分,如图3(e)所示。
5 结论
车牌定位是车牌自动识别的关键环节,直接关系车牌自动识别的准确率。本文针对车牌图像的特点,提出一种基于数学形态学的车牌定位方法。该算法针对去除背景后的汽车图像中仍然存在噪声,采用不同的结构元素对图像进行形态学运算,以进一步消除噪声,大大提高了车牌定位的精确度。实验表明该方法可以从复杂背景中分离出待识别的车牌部分,使进一步的车牌字符识别成为可能。同时从实验结果中也可以看出,定位结果中还存在非车牌区域没有被剔除,因此需要做进一步的研究。
摘要：车牌定位是汽车牌照识别系统中的重要环节,直接影响车牌识别的准确率。对数学形态学进行了研究,并且分析了利用数学形态学进行车牌定位的原理。为了对汽车牌照进行精确的定位,提出了一种基于数学形态学的车牌定位方法。对汽车图像进行预处理和阈值分割后,利用不同的结构元素对二值图像进行形态学滤波,以进一步消除干扰。最后利用面积、长宽比和垂直投影特征值进行综合分析,完成车牌定位。实验结果表明,该方法定位准确率高,为车牌识别创造了良好的前提。
关键词：车牌定位,数学形态学,结构元素,图像识别
参考文献
[1]卢雅琴,邬淩超.基于数学形态学的车牌定位方法[J].计算机工程,2005,31(3):224-225.
[2]王钧铭,赵力.一种基于数学形态学的车牌图像分割方法[J].电视技术,2007,31(10):84-86.
[3]左琦,史忠科.一种基于数学形态学的实时车牌图象分割方法[J].中国图象图形学报,2003,8(3):281-285.
[4]李刚,曾锐利.基于数学形态学的车牌定位算法[J].仪器仪表学报,2007,28(7):1323-1327.
[5]杨山.基于中值滤波和小波变换的图像去噪[D].南京:南京理工大学,2002.
[6]Ridler T W,Calvard S.Picture Thresholding Using An Iterative Selection Method[J].IEEE Transaction on System,Man and Cybernet-ics,1978:8(8):630-632.
多车牌定位 篇7
随着社会科技的不断进步和人类生活水平的提高, 车辆数量和交通流量剧增, 高速公路管理和城市汽车交通管理亟待加强管理水平, 智能交通系统一直是研究的热点。在智能交通管理系统中, 对车辆的识别唯一ID即对车牌的识别是核心技术。车牌识别系统中最核心的先验环节是车牌定位, 车牌定位的准确性直接影响后续环节--字符分割、字符识别。因此对车牌定位的研究极有意义和价值, 本文就车牌定位技术进行研究。
当前具有代表性的车牌定位算法有基于边缘检测、纹理分割算、数学形态学、颜色空间、小波变换、神经网络的算法等, 以往的这些算法虽然在一定程度上能进行车牌定位但也存在一些不足。基于边缘检测的定位算法[1,2]实时性和去噪效果好, 但对车牌倾斜或有的车牌无边框的情况下导致车牌定位不准确;基于纹理特征的定位算法[3]抗噪效果不理想, 因此常与垂直投影结合进行定位[4], 但容易将把相似的纹理特征的非车牌区域误作为车牌的候选区域;基于数学形态学的定位算法[5,6], 车牌定位效果依赖所选取的结构元素的形状和大小, 因此在识别过程中, 对不同的车牌定位需要设置不同形状和大小的结构元素, 不具备定位的通用性;基于Lab彩色空间可识别定位蓝色车牌区[7], 也有采用HSV空间根据不同牌照的底色特征提取各种分量的取值范围[8], 但仅依赖某一空间的颜色分量的阀值定位是不可靠不合理的, 因此依据单一颜色空间的定位效果不理想, 基于多颜色空间的车牌定位方法[9]可通过多个颜色分量确定车牌位置, 但多个分量涉及到的计算偏大;基于小波变换的定位算法, 充分利用小波具有“数学显微镜”的特点, 结合行扫描可快速定位, 但不适用于车牌褪色或光线不好的情况[10];基于神经网络的定位算法[11,12,13]学习能力、自适应能力、并行计算能力强, 弊端是计算量大、训练过程中对样本的依赖性较强, 因此要求对样本的采集全面反映车牌特征和非车牌特征, 而对此样本的采集工作不易实现。本文首先通过HSI和YUV空间对车牌区域初定位, 然后中值滤波处理, 通过投影技术精确定位, 最后倾斜校正, 达到了较好的定位效果。
2 基于HSI和YUV的车牌初定位
车牌图像采集到的照片是RGB彩色图像。笔者采集到的图像像素是1936×2592×3的数组, 可等效为由R分量灰度图像、G分量灰度图像、B分量灰度图像形成的“堆”。三个颜色分量的相关性很强, 即使是相同的颜色接受不同的光照在人视觉中感知的颜色却未必相同, 故一般不用R G B颜色分量作为提取颜色的特征向量。
一般由艺术家所推崇使用的HSI空间, 该彩色空间具有两大特点: (1) 亮度I分量与图像的彩色信息独立; (2) 色调H分量、饱和度S分量与人感受颜色的信息紧密相关。这些特点是H I S空间便于彩色特性检测与分析的重要依据。在HSI空间中, 如果饱和度S很小, 所有的颜色最终表现出来的的是由亮度分量I代表的灰色, 只有S比较大时, 才表现出与色调分量H一致的颜色。
Y U V彩色空间最显著的特点是亮度信号Y与色度信号U、V分离, 适用于对光照比较敏感的情况下的图像处理。我们在采集车牌图像时, 往往会遭受晴天、阴天和雨天等不同光照影响, 需要依靠Y U V颜色空间定位实现对复杂天气情况的车牌定位。比较式 (4) 和式 (5) , Y U V空间的Y分量比H S I空间的I分量更能准确的表达红、绿、蓝三个颜色分量对亮度的贡献程度。
依据《中华人民共和国机动车号牌》的规定, 我国车牌的颜色分为白字蓝底、白字黑底、黑字黄底、黑字白底四种。通过对这四种车牌底色的实验可知, 当S较大时, H分量用于提取白字蓝底和黑色黄底的车牌, 蓝底车牌的H大致在235°-245°分布, 黄底车牌的H大致在55°-65°分布;当S较小时, Y分量用于提取白字黑底和黑字白底的车牌, 白底车牌的Y大致在250-255分布, 黑底车牌Y大致在0-5分布。
利用H S I颜色空间三个分量彼此独立不相关、Y U V空间的亮度和色度独立不相关的特点, 笔者基于H S I空间和Y U V空间进行初定位。所以我们在界定S较大或者S较小时, 采用HSI颜色空间的饱和度分量S与阀值F做比较最终确定像素到底由色调信号H或亮度Y信号。其中阀值F由式1求取[14]。
当S小于F时, 认为S很小, 把Y U V空间的Y分量作为提取的特征向量, 根据Y的取值范围即可分离白底、黑底车牌区域和非车牌区域;当S大于F时, 即视为S较大, 此时HSI颜色空间的H分量作为提取的特征向量, 对照H的取值范围即可分离蓝底、黄底车牌区域和非车牌区域。
其算法步骤是, 首先将RGB空间转换成HSI空间和YUV空间, 在具体的转换过程中, 无需转换计算HSI空间和Y U V空间的所有分量, 只需转换H S I空间的H分量、I分量、S分量及YUV空间的Y分量即可。其中H分量、S分量、I分量和Y分量分别由式2、式3、式4、式5进行转换。式 (2) 把H分量的单位从弧度化成角度, 此时H分量的取值范围为0°-360°, S分量归一化至0-1, I分量和Y分量在0-255上分布, 阀值F的取值范围为0.2-1。
利用以下逻辑对R G B车牌图像进行二值化处理:
以上算法完成了车牌的初定位, 实验结果见图2。
3 基于投影技术的车牌精定位
对初定位的图2滤波处理, 用3×3的中值滤波去噪。对去噪后的二值图像进行水平方向和垂直方向投影, 设二值图的大小为m×n, 投影的映射函数:
fy (x) 表示每行白色像素值的个数累积和, fx (y) 表示每列白色像素值的个数累积和。图2-a对应的行方向和列方向的像素点累积和如图3-a和图3-b所示。分别从图像的顶端和底端行扫描, 选取30为阀值, 若行累计像素值fy (x) >30, 说明这是车牌的上边框和下边框, 将上、下边框的行值作为行索引值可确定车牌的行区域;分别从图像的左端和右端列扫描, 若列累计像素值fx (y) >30, 说明这是车牌的左边框和右边框, 将左、右边框的列值作为列索引值即可确定车牌的列区域。得到的精确定位结果如图4所示。图1-b为雨天时所拍的车牌照片, 从图4-b可看出, 该算法也可实现对雨天的车牌准确有效的定位, 即克服了在图像采集时受到的天气、光线等因素的影响, 有效的抑制了噪声。
4 倾斜校正
由于拍照角度不同、行驶路面存在坡度等原因, 可导致车牌有一定的倾斜, 因此在车牌精确定位后进行倾斜校正, 为后续的字符分割环节提供保障。本文采取Radon变换求取倾斜角。如图5所示, 原坐标 (x, y) 旋转θ角度后的新坐标为 (x1, y1) , 函数f (x, y) 可沿任意角度θ计算其在各方向的线积分[15]。
Radon变换公式:
其中,
首先把倾斜的车牌图像灰度化, 对灰度图在一定角度范围内Radon变换, 计算各角度投影后投影值为0的数目, 数目最多所在的角度作为车牌的倾斜角度。由此算法校正后的车牌彩色图如图6-b所示。
5 结束语
本文就车牌定位环节进行研究, 并在M A T L A B R2010b上实现, 首先基于HSI颜色空间和YUV颜色空间初定位, 然后利用投影技术精确定位, 对于倾斜的车牌采用Radon变换做倾斜校正。本算法不再采用单一的颜色空间的颜色分量作为提取的特征向量, 而是从四种车牌底色入手, 在不同情况下提取HSI空间的H分量和YUV空间的Y分量, 不再只定位蓝底车牌, 可定位四种底色的车牌, 具有定位的通用性;在定位过程中, 虽然是基于两种颜色空间的定位, 但是无需对所有分量进行计算, 使算法简化;YUV颜色空间适用于对光照比较敏感的情况下的图像处理, 可克服光照等因素的影响, 因此本文的算法能在阴天、雨天等复杂环境下有效车牌定位, 提高了定位的准确性。
摘要：车牌定位是车牌识别系统的核心技术之一。本文采用基于色调H、饱和度S、强度I空间 (HSI颜色空间) 和亮度Y、色彩U、饱和度V空间 (YUV颜色空间) 的车牌初定位方法, 去噪处理后通过水平投影和垂直投影精定位, 并用Radon变换校正倾斜的车牌。该算法可有效定位四种不同底色的车牌并倾斜校正, 算法简单易实现, 并能克服光照等因素影响, 在阴天、雨天等复杂环境下具有较好的定位效果。