车牌识别系统中的字符分割与识别分析.docxVIP

设计模式大作业车牌识别（LPR）中的车牌定位及字符分割摘 要本文提供了一套完整的LPR中的车牌定位和字符识别系统的实现方式。算法主要涉及到：基于边缘检测的LPR车牌定位，包括利用图像的灰度化、二值化以及滤波处理等步骤。然后进行车牌提取、字符分割，以及利用模板库对得到的字符进行模式识别，从而达到从一个汽车抓拍图片到识别出对应的车牌字符串的过程。该过程中涉及到了若干比较经典的设计模式（Design Patterns），我们进行了认真的分析并给出了自己的理解和总结。关键词：LPR、模式识别、车牌分割、字符分割，设计模式概述随着我国经济的高速发展，国内的私家车、公交车、高速公路、停车场越来越多车牌识别系统是智能交通系统的重要组成部分，随着各国交通事业的不断发展和科技水平的不断提高，各国也不断加大了对车牌识别系统的研究。车牌识别系统的应用可以极大地提高交通管理的效率和自动化程度。车牌识别系统主要由车牌定位、字符分割和字符识别三部分组成。其中车牌定位和字符分割对后续的字符识别成功与否具有直接影响，进而对整个车牌识别系统的性能起到了决定性的作用。作为智能交通系统中至关重要一部分的车牌识别系统也得到了极大的关注和发展。车牌识别系统具有广泛的应用前景。车牌识别系统可以应用于很多场合，使各种管理系统的工作效率和自动化程度大大提高，因此车牌识别系统具有着极其重要的现实意义。车牌识别系统的设计LPR是一个较为复杂的系统，整个系统的实现涉及到了很多方面。我们在此为了更清晰地描述整个过程以及为了模块化分析整体流程，讲整个系统分为几个主要部分。分别是：图像输入、图像处理、车牌提取、字符分割、字符识别、输出信息。这些步骤每一个都有着自己的技术支持。各步骤之间相互独立又相辅相成，后者的正确执行离不开前面步骤的结果。其整体结构表示如下：本文研究的重点是其中两个最为 核心的部分：“车牌定位”和“字符分割”。下面分别介绍这两部分。车牌定位车牌定位是车牌识别系统中至关重要的一步，也是评价整个车牌识别系统的一项重要性能指标。对于整个车牌识别系统来说，车牌识别精度的高低主要取决于车牌定位精确度的高低。汽车牌照的特点不同国家的车牌在颜色、形状、位置、字符个数等方面是不一样的。在我国，根据中华人民共和国公共安全行业标准GA36-92，汽车车牌有10种。这10种汽车车牌的几何外形大小和颜色信息如下表所示。从人的视觉出发，我国的车辆牌照区域具有以下特点：大部分车辆牌照含有7 个字符，少量车辆牌照有9个字符。字符和字符之间或字符和分割符之间存在12mm 的间距。存在6 种前景和背景的组合：即黄底黑字、蓝底白字、黑底白字、白底红字、黑底车牌中字符颜色与背景颜色亮度相差很大，即要么字符颜色的亮度明显高于背景颜 色的亮度，要么字符颜色的亮度明显低于背景颜色的亮度。在图像中存在着许多长短不一的长方形区域，例如车灯、汽车商标等，但是车牌一般是在整个图像的所有矩形区域最下方。车牌预处理车牌图像的准确分割是最终实现字符识别的关键所在，但同时能否准确分割又取决于对车牌的灰度化、二值化、倾斜校正以及去边框处理等车牌图像预处理工作。该部分的主要流程如图7 所示。图像灰度化处理把图像由彩色转化为灰度的过程叫做灰度化。在24 维真彩色图像中，它的每一个像素点由R、G、B 三个分量组成。本设计采用最大值法：首先求出每个像素点R、G、B 三个分量的最大值，然后再把这个最大值赋给该像素点的R、G、B 三个分量，完成彩色图像到灰度图像的转化。即采用如下公式进行灰度化。按照该方法进行灰度化处理，得到的图像如下所示：二值化处理二值图像是指整幅图像像素仅有黑、白二值的图像，二值图像在数字图像处理中占有非常重要的地位。二值化算法又称为阈值算法，算法的关键是要找到合适的阈值将目标图像从背景中凸现出来。综合考虑以上各种算法的优缺点，本设计采用了Ostu 法。Ostu 法是一种经典的全局化阈值方法，它是由Ostu提出的最大类间方差法。 下图为用 Ostu法进行二值化前后车牌图像。边缘检测 基于灰度的还有边缘检测的车牌定位：由于车牌字符的灰度值与车牌底色的灰度值相差较大，字符与底色的交界处就有灰度突变，灰度突变处就会产生边缘，这是车牌定位技术中非常重要的特征。也可以通过检测车牌的外边框来定位车牌，由于外边框的上下左右四边都为直线，而且有明显的边缘特征，所以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。下图是提取得到的边缘信息。图像滤波 通常情况下，由于外界光线、气候或其他自然、设备本身、人为因素等干扰而导致所拍摄的车牌图片成像不完美，使得对比度太小、曝光量太大、不清晰、倾斜等情况产生，这些情况都会极大的影响后期车牌号码字符的分割、识别操作