一种新的快速自应车牌定位方法.docVIP

一种新的快速自适应车牌定位方法 p1和p2根据动态范围p做自适应调整。我们使用的参数是：p0.8时，p1＝p2＝0.2；p0.5时，p1＝p2＝0.15；其余p1＝p2＝0；在实验中收到了良好的效果。图1是原图象，图2是用本文的自适应拉伸法处理后的图象，可以看到图2的对比度增强了，牌照字符的边缘更加清晰，有利于后面的定位处理。?????????? ???????2.?车牌定位当我们从远处观察车辆时，判别牌照区域的主要依据是车牌的颜色、亮度和车牌字符的边缘形成的纹理。所以，充分利用这些信息就成了定位车牌的关键。2.1? 粗定位牌照区域区别于其他区域的地方就在于牌照上有字符，这一特征体现在图象的灰度上就是其水平投影具有较好的连续性，不会有大的起伏，体现在纹理信息上就是其垂直边缘的间距较有规律。本文的车牌定位方法就是基于这两个特征的结合进行的，从而更有效地排除干扰区域，更快速地进行车牌的定位。1）?水平定位首先，我们要找出车牌所在的水平位置。虽然车牌区域内水平方向有着较大的灰度变化，但由于字符在竖直方向上的灰度有着较好的连续性，在车牌范围内的水平灰度投影不会有很大的起伏，而在车牌之外的上下区域由于车身或背景的关系投影值则明显不同。同时车牌区域除了在水平方向应有的灰度连续性，还应该具有一定灰度变化频度。为了统计灰度变化频度，经试验比较，在我们的算法中采用简单快速的水平梯度算子[-1 1]。通过二值化水平梯度图提取具有最大梯度的边缘，同时去除了大多数噪声的干扰。因为成像模糊等原因使提取的有些边缘宽度大1，我们对边缘图象再一次做水平差分计算。经运算后边缘图象轮廓清晰，车辆牌照子图象区域完全凸现出来，而车体上其他部分和背景中的轮廓线特征往往并不突出。 由于搜索整幅位图，速度非常慢，为了缩小搜索范围，加快定位速度，算法采用如下方法：(1) 每间隔10行扫描一行，记下变化频度最大的行号i 。(2) 从中选出最大的10行，R{row (i) | i = 0,1,…,9}。记row(i) 的灰度投影值为pro (row(i))，记投影变化的下门限为th_low，上门限为th_high，记水平方向灰度变化频度的门限是th_edge。(3) 对R中每一个row (i)向上或向下扫描灰度投影，以{th_low *pro(row(i)), th_high *pro(row(i))}向上和向下做区域增长，同时考虑变化频度是否满足要求。实际由于各种原因，有时不是车牌范围内的每一行都满足灰度投影连续性和变化频度的要求，所以我们允许对不满足要求的连续的行数和总行数有一定的冗余。(4) 对得到的高度区域进行筛选，去掉高度不合格的区域。筛选到的区域送到下一步确定左右边界。在实验中，一般只有1--3个有效的候选区域，减少搜索量为原来的1/2以上，但准确率却提高了50%以上，收到了很好的实效。投影和变化频度在搜索中有效的结合不仅提高了水平定位的准确性，而且使得算法对区域增长的阈值不敏感，提高了系统的鲁棒性。图3中的水平长直线是用此方法得到的车牌候选区的水平位置，这三个水平位置正是图象中包含字符串的类车牌区的所在。经实验证明，此方法对确定车牌的水平位置十分有效，在我们所试验的200多张图象中，全部找到了车牌所在的水平位置。2） 垂直定位接着，我们对经水平定位得到的每个区域分别进行垂直定位。我们发现，不是所有的车牌都有边框，并且当车牌底色和车身颜色相近时车牌的边界也不存在了。所以，如果车牌有边框或边界，可以以此来定位；如果没有，可以对最左边和最右边的字符的边缘定位。为了提高边缘的抗干扰能力，我们采用动态阈值的Canny算子，上阈值用式（7）计算，下阈值为上阈值的0.7倍。由于搜索Canny边缘是在水平定位子图像上进行，所以速度很快，不影响整个系统的实时性。从图4可以看到用此方法提取的边缘什分清晰准确。????????????????????????????? 式（7）中c(i) 为水平定位子图像的灰度累积直方图。那么怎么得到车牌的左右边界呢？进一步分析车牌纹理特征，除了在水平方向有一定的边缘外，这些边缘还应该是集中地分布在一定范围内，间隔较有规律。因此，方法如下：扫描每个水平定位子图像的每一行l (i, j) ，( i＝1……q, j=1……h (i) )。q为子图像数，h (i)为第i 个子图像的高度。设子图像i 的扫描起始列为c。(1) 从行l (i, j)的扫描起始列c开始扫描，将c后的第一个边缘点记为这一行的起始点，即第一个有效点。(2) 如果下一个边缘点和上一个有效点的距离小于1.3×h (i)，则这一点为有效点，否则为无效点。如果一行的连续无效点和无效点总数大于冗余阈值，这一行为无效行，继续下一行扫描。如果一行的有效点