车牌定位技术的比较与研究.docVIP

车牌定位技术的比较与研究 摘 要：在智能交通系统中，车牌定位和识别是重要环节之一，本文对目前已有的车牌定位技术进行比较和研究，以更好的研究高速、准确的定位方法。 关键词：车牌定位；纹理特征；神经网络；边缘检测 1 引言 目前，一些车牌识别产品的识别率和识别的速度还不是很理想，特别是车牌定位方面，其定位具有一定的环境变化的不适应性，还没有一种通用合适的定位和识别方法。因此，研究高速、准确的定位识别算法仍然是当前智能交通系统中需要解决的一个研究方向。 2 车牌定位方法的原理介绍 2.1 基于纹理特征的车牌定位法 纹理特征是图像的一个重要特征，监控系统拍摄到的车辆图像因拍摄环境的变化而不同，然而车辆牌照特征不因外部条件变化而改变。车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域（包括边缘）有丰富的边缘存在，呈现出规则的纹理特征。在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。 该方法存在一个缺陷，当应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域。 2.2 基于神经网络的定位算法的原理和优缺点 利用神经网络来定位车牌是一类较为常见的方法。从车牌区域特征来判别牌照，在搜索时会重点考虑一些表面特征，如边缘、对比度、纹理等，而忽视图像区域的内容。但有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。 本算法主要包括：（1）神经网络训练：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。该过程将获得一个对车牌敏感的BP神经网络。（2）图像预处理：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。（3）车牌定位：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。 2.3 基于特征统计的车牌定位 基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。车牌区域字符笔划变化含有丰富的边缘信息。对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。 2.4 基于数学形态学的定位方法 基于数学形态学的车牌定位算法是利用开启和闭合这两种运算在图像中进行定位。数学形态学中的开闭运算具有以下特点：（1）开运算可以擦除图像中的像素。从而能够去除孤立的小点、毛刺，保持总的位置和形状不变。（2）闭运算可以使图像中的像素粘连。这一特点可用于填平小孔、弥合小裂缝，保持总的位置和形状不变。 利用数学形态学中的开闭运算对图像处理，得到多个车牌可能区域，然后用多区域判别法在图像的多个车牌可能区域中找到车牌的正确位置。此算法中结构元素大小的选取至关重要。结构元素过大，会使非车牌区域的边缘点粘连在一起，可能的车牌区域增多，给随后的多区域判别算法带来困难；结构元素过小，车牌区域无法粘连在一起，可能使真正的车牌区域不包含在可能车牌区域集合中。 2.5 基于改进Sobel算子边缘检测法[1] 传统Sobel算子只有水平和垂直两个方向模板，其中水平模板对水平边缘的响应最大，垂直模板对垂直边缘响应最大。模板的方向表示灰度由低到高或由高到低的变化方向，而不是图像的实际边缘方向。通过对车牌字符的垂直方向和斜线方向进行划分，本文采用六方向模板，算法实现的基本思想：构造六方向模板，对图像进行逐点计算，取最大值作为该点的新灰度值，该最大值对应模板的方向为该像素点的边缘方向。车牌图像提取特征后，采用迭代求图像最佳分割阈值的算法进行二值化；大多数车牌图像上噪声点较多，经过二值化后的图像如果直接进行水平投影定位，可能出现伪特征信息，所以应先进行去除噪声。本文采用模板大小为l×3的腐蚀运算，去除一些较小噪声点，保留图像车牌部位的主要信息。得到腐蚀后的车牌图像后，对图像的像素沿水平方向累加产生一个投影图，在车牌对应的水平位置会出现一段峰值。判断峰值对应的位置是否为车牌区域方法如下：1）波峰和波谷之间具有一定的落差，当一个局部最大值和它邻近的局部最小值的差大于某一阈值时，该局部最小值为波谷，反之为干扰值。2）波峰的两个临近波谷之间具有一定宽度，该宽度值由车牌宽度特征决定。3）波谷所占整个图像的高度在一个范围之内，由车牌处于车身较低位置的特点决定。 在光照均匀和背景不复杂的图像中，车牌的峰值特性十分明显，很容易定位出车牌区域的水平位置。当光照不均匀或者背景复杂的图像中峰值特性不明显，需要选择合理的阈值来准确确定局部最小值是否