有效的车牌定位方法.doc

车牌定位的一个有效方法 Danian Zheng *, Yannan Zhao, Jiaxin Wang 国家重点实验室 智能技术与系统、计算机科学与技术系、 清华大学、北京100084、中国 摘要 车牌定位是机动车牌照自动识别运输系统的一个重要阶段。 本文提供了一个实时和强劲车牌定位方法。 车牌区域包含丰富的边缘和纹理信息。 我们先用图像增强和Sobel算子提取出图象的垂直边缘, 然后用一个有效算法除去图像的大部分背景和噪声边缘, 最后在剩余边缘图像中利用一个矩形窗口搜索车牌区域并从原始图像中将车牌切割出来。 实验结果表明,我们的方法有很强的鲁棒性和很高的效率。 _ 2005 Elsevier B.V. All rights reserved。 关键词:图像增强; 边缘检测; 长曲线和随机噪声的去除; 车牌定位和分割 引言 车牌识别成为当今许多自动交通管理系统如公路交通管理, 公路自动缴费和桥梁或停车场出入管制的关键技术。 车牌定位是这项技术中非常必要和重要的一个阶段,它已引起了相当大的关注。 研究人员已经找到许多不同的方法定位车牌。 Rodolfo 和 Stefano(2000)制定了一种基于矢量量化(VQ)的方法。 矢量图像是基于一种特定的编码机制的四叉树，它可以提供给系统关于图像区域所包含内容的一些线索，这些信息有助于定位的实现。Park et al. (1999)使用神经网络定位车牌。 神经网络可作为过滤分析图像的小窗口,判断每个窗口是否包含车牌,其输入为HIS值。一个后处理器将这些过滤图像合并起来并在图像中定位跳跃的车牌区域。 除去神经网络,其他过滤方法也被研究过。 例如,有些作者用线敏感过滤器提取车牌区域。 可以确定车牌区域由很高密度的薄暗线或曲线。 因此 ,车牌的定位是一个在图像中寻找包含由一个累积函数计算能得到的最大线过滤值的矩形区域的操作(Luis et al. 1999)。车牌字符可以直接通过对输入图像的扫描和寻找到图像中彼此不相连的部分来识别。 如果发现有一些字符存在于一条直线上,那么他们所组成的部分 * Corresponding author。 Tel。: +86 10 fax: +86 10 E-mail address: zdn02@mails。tsinghua。edu。cn (D。 Zheng)。 0167-8655/$ - see front matter _ 2005 Elsevier B。V。 All rights reserved。 doi:10。1016/j。patrec。2005。04。014 可能就是车牌区域(Lim et al. 1998)。 模糊逻辑已被Zimicet al. (1997)应用于车牌定位问题。 作者制定了一些很直观的规则来描述车牌, 并定义一些模糊的设定“明”和“暗”及“明暗变化”的成员函数得到水平和垂直的车牌位置。 但这种方法对车牌的颜色和亮度很敏感并需要大量的处理时间。 Zhu et al. (2002) 和 Wei et al. (2001) 研究了利用颜色特征定位车牌,但这些方法在不同环境中并不足够稳健。车辆图片的边缘特征是很重要的, 基于车牌自身的特征，边缘密度可以被用来成功的定位车牌。 Ming et al. (1996) 研制了一种通过消除图像边缘密度最高和最低的部分来简化整个图像的方法。 但车牌的一些特征会在此方法中丢失。 本文进一步研究车牌定位的课题。矩形的车牌区域包含丰富的边缘和纹理信息，所以我们从图像边缘角度进行研究，但又不同于Ming et al. (1996)。我们首先加强原始图像来突出车牌区域，用Sobel算子提取车牌的垂直边缘, 然后删除边缘图像的背景曲线和噪声, 最后用一个滑动的长方形的窗口在剩余图像部分中搜索车牌并将其从原始车辆图像中分割出来。 文章的第2部分为车牌定位方法的描述,它包含四个部分:图像增强、垂直边缘提取、背景曲线和噪音的消除、车牌的搜索和分割。第三部分是关于三套车牌图像的实验。 第4部分进行讨论并作出结论。 拟定的车牌定位方法 本次使用的所有车辆图像均为256灰度级，大小为384×288 像素。示例图Fig.1。 车牌轿车有许多字符组成 (如拉丁字母、阿拉伯数字等), 所以车牌 Fig.1：384·288 像素 and 256灰度级的示例图 区域蕴含丰富的边缘信息. 但有时车辆图像的背景也有很复杂的边缘信息. 有两个事实需要引起我们重视: 一是牌照周围的背景区域大都包含一些水平边缘; 另一个是在背景中的边缘主要是长曲线和随机噪音, 然而在车牌区域中的边缘都聚集在一起,产生强烈的纹理特征. 只要能提取汽车图像中的垂直边缘(虽然会丢失一些水平边缘信息,但这小