基于数字图像处的车牌定位与识别研究.docVIP

基于数字图像处理的车牌定位与识别研究 摘 要 ： 研究了车牌图像的特征，车牌定位算法基于车牌图像颜色特征，选取适合的颜色模型进行车牌提取，将彩色车牌图像转化为灰度图像．采用基于矩的阈值选取方法进行图像二值化处理，Hough 变换的方法对图像进行倾斜校正，最后对已预处理增强的图像进行 Sobel 垂直算子边缘检测，用阈值分割出前景,搜索出符合车牌字符特征的候选区域，对候选区域进一步分析得到牌照位置．提出并采用基于 PCA-BP 神经网络的字符识别算法对车牌进行识别，300ms 内车牌字符识别率达 97.5%，实验证明，在训练样本较少的情况下，该系统的识别率依然较高关键词 ： 车牌识别；图像处理；字符分割；字符识别 (1) 就是之前图片对应的像素点的灰度值。 1 车牌图像的预处理 将彩色图片转换成灰度图过程的方法 在图像处理过程中，灰度处理是非常重要的一步，经过这一步处理后的结果是建立了图片： 图像增强 图像增强技术通常应用在提高图片质量的过程中，图片增强提供了图片需要的合适的确定信息，同时移除不需要的图片信息。他的主要目的是提高图片的可阅读性。 直接修改图片像素的灰度阶是图片增强技术中简单和特殊的操作。他有两个阶段：一个是灰度的校正，他通过修改单独像素点的灰度值来填充图片中不规律的灰度值；另一个是灰度的映射变形，它的目的是改变全部图像或者图像中的某些区域的灰度，以至于增强对比度，使其更容易看到图片的细节。输入的图片像素点的灰度等级值f(x,y)映射到输出图像灰度值g(x,y)，是通过映射函数T(g)来的，即是 1.2.1 线性灰阶转换 假设这个初始函数f(x,y)的灰阶范围是[a,b]，预计变形后的图像动态灰度范围是[c,d],这个变形可是通过一下公式实现： (2) 1.2.2 非线性灰阶转换 当运用合适的非线性函数时，比如对数函数或者指数函数作为映射函数，非线性图像转换可以被实现。对数变形如下： （3） a,b都是可变参数，当低阶灰度图像区域被期望大幅度的扩大以及高阶灰度图像区域被期望大幅度的压缩是，这种变形可以被采用。它使图像灰度分配一致和符合人类可视的特性。 1.3 边缘探索 实验显示，灰度边缘是主要垂直的边缘和少量的水平边缘，这是通过车牌字符的特性来确定的。不连续的灰度能够通过定向的操作被探测到，比如索贝尔算子和线监测算子，用上了他，对应的水平或者垂直的边缘便可以有效的从灰度图像中提取出来。 假设获得的灰度图像举证是f(x,y),在灰度图像中获得的线性检测算子H如下： （4） 图像矩阵被获得后，图像中的平均值m和标准偏差s分别被计算出，将T作为二值化临界值，那么二值化图像矩阵将产生： （5） 2 车牌的定位 车牌定位的主要任务是从交通图像中找到车牌的位置和区分出车牌的精确范围。 2.1 流动算法 2.2 车牌定位的步骤 （1）RGB图像被转换成256个彩色位图，之后彩色图像被转换成灰度图像。 （2）通过基于定向和动向临界值的二值化的方法获得二进制图像。 （3）通过垂直的索贝尔边缘检测算子，从二进制图像中获得边缘图像。 （4）通过寻找临界值的方法（第一次定位）获得车牌粗糙的位置，这样，车牌区域便被提取出了。 （5）被提取出的车牌的色彩信息被用在车牌的第二次定位。 （6）车牌区域就这样被提取出了。 2.3 车牌的粗糙定位 粗糙的定位就是从边缘监测后的图像中获得和提取车牌的范围，图像中的像素通过如下公式计算： （6） 在该公式中, 为像素点的改变值，L为扫描的的变量长度，为对应的像素点索引。当扫描线进入车牌区域后，值为最大值（255），扫描线将车牌的像素点记录到对应的变量中，扫描线从车牌的顶部扫描到车牌的底部，将字符垂直描边，大量的实验表明，白色像素的改变点为字符的描边点。 2.4 车牌精确定位 在上述提到的定位中，仅仅是普通的的车牌能被解析识别出来，这样的解析不能运用到真正的车牌管理系统中。现在，我们讨论不同长，宽，不同颜色的车牌该如何定位，通过不同的像素点数量和车牌范围的大小，计算出对应的变换比例。 学习之前的解析方法得出，通用的车牌通常为蓝底，黑底，和黄底。我们用RGB(红绿蓝)来描述像素点的属性。 （7） 实际上，水平或者垂直字体描边方法就是查找从蓝色（黑色，黄色）像素点过度到其他颜色时的像素点，查找出来的像素点集合就是车牌字符的大概信息。我们将水平字体描边和垂直字体描边都执行一次，就能得到比较精确的字模信息。 2.5 车牌定位测试 要测试算法的精确性，交通视频中选