复杂背景下的快速车牌识别技术解说.doc

复杂背景下的快速车牌识别技术研究 车牌定位算法分析 1.基于灰度图像的车牌定位方法 1.1基于边缘检测的车牌定位方法 1.1.1通过字符边缘特征定位 首先利用边缘检测算子提取车牌字符边缘,再对字符边缘进行形态学连接,获得车牌候选区域,然后采用投影方法去除伪车牌。 优点：有效地去除非边缘噪声,可以快速定位含有多个车牌的图像; 缺点：难以去除边缘密集的伪车牌,而且无法定位污染严重的车牌图像。 1.1.2通过检测车牌的外边框定位 首先利用边缘检测算法提取车牌边框位置,然后用Hough变换算法检测直线,确认外边框的上下左右四条边位置就确定了车牌在图像中的位置。 1.2基于纹理特征的车牌定位方法 利用车牌区域的灰度跳变特征,对图像进行水平方向的扫描,找到灰度变化满足车牌区域灰度变化规律的车牌线段,对已经找到的可能存在车牌的区域进行垂直方向的扫描,找到连续若干行均存在车牌线段,通过对连通区域的尺寸分析,满足车牌的宽高比,由此确定一个车牌区域。 缺点：灰化和二值化的阙值问题，倾斜车牌定位问题 1.3基于投影法的车牌定位方法 首先对车牌图像进行二值化,由于车牌区域存在明显的剧烈的字符与背景的灰度跳变,将跳变次数投影到垂直轴上,那么车牌区域对应的垂直轴上会有一个明显的峰值,这样可以得到车牌的上下边界。然后对上下边界内的区域进行水平投影,字符区域会出现明显的峰值,这样可以得到车牌的左右边界。 缺点：无法准确定位复杂环境下的车牌 2.基于彩色图像的车牌定位方法 首先利用彩色边缘检测算子Color-Prewitt检测字符边缘,并用数学形态学方法连接各个边缘,最后利用车牌的先验知识,确定车牌位置。 缺点：车牌底色不同。受自然光照变化影响，车牌图像色度变化范围大 3.基于字符边缘特征的车牌定位方法 3.1粗定位 釆用简单方法的车牌粗定位方法获取边缘密集的车牌候选区域,再采用复杂方法的车牌定位去除伪车牌区域。 3.1.1灰度变换 把需要处理的RGB图像转换为YUV（视频数据）图像中的Y分量灰度图像。 转换公式:Y = 0.299*R + 0.587*G + 0.114*5 3.1.2边缘检测 （1）梯度算子 梯度算子是一阶导数算子，图像的梯度是邻域灰度值的差分，图像中灰度值变化剧烈处的梯度值较大,图像中灰度值变化轻微处的梯度值较小。 表1 梯度算子 （2）拉普拉斯(Laplacian)算子 拉普拉斯边缘检测算子是二阶导数算子，通过邻域内各个点的灰度值的差分来实现。该算子无法提供边缘方向,是一个与边缘方向无关的边缘算子,这在一定程度上可以有效地检测出全部图像边缘,但其缺点是对图像噪声比较敏感。 两个模板： （3）Canny 算子 Canny算子是先平滑再求导的边缘检测方法，它利用高阈值和低阈值分别检测图像中的强边缘和弱边缘,以强边缘为基础,搜索和连接附近的弱边缘,而且由于它在边缘检测之前进行了高斯滤波,因此Canny算子不但可以检测出丰富的边缘细节,又可以有效地减少噪声的干扰。 原理： 1.用高斯滤波器平滑图像 高斯平滑函数： (3.1) (3.2) 2.用一阶差分来计算梯度的幅值和方向 选择对噪声有抑制作用的Sobel算子: (3.3) (3.4) 梯度横幅： （3.5） 梯度方向： （3.6） 3.对梯度幅值进行“非极大值抑制” 非极大值抑制是指在梯度方向上只保留梯度幅值为极大值的点,抑制所有非极大值的点。 将梯度角的变化范围缩小到只有四个方向,标号0到3。对梯度图像的每个像素点使用一个3x3的模板,将模板的中心像素X的梯度值与沿着梯度方向的两个相邻像素的梯度值比较,如果X的梯度值均小于沿梯度方向的两个像素的梯度值,则将X处的灰度值置零。 对梯度图像进行“非极大值抑制”处理后,检测到的边缘只有一个像素的宽度。 4.双阈值检测和边缘连接 利用高阈值T1对梯度图像进行二值化,得到强边缘二值图像Edgelmgl;利用低阈值T2对梯度图像进行二值化,得到弱边缘二值图像Edgelmg2。 3.1.3水平跳变检测边缘密集区域 通过输入车牌宽度范围，记最小车牌宽度为minPlateWidth,最大车牌宽度为maxPlateWidth。由最小车牌宽度可以计算出最小字符间距,表示字符边缘的最小距离要求。 对二值边缘图的每一行进行扫描,将同时满足边缘间距和边缘跳变的边缘点连接起来。这样可以快速检测出车牌可能存在的区域 3.1.4连通域分析获得车牌候选区域 获得连通域的最小外接矩形，