基于分形维数的二值化算法在车牌识别中的应用.doc

基于分形维数的二值化算法在车牌识别中的应用 孔平 严广乐 [摘要]针对当前常用车牌识别算法中二值化算法存在的问题，提出了基于分形维数的二值化的算法。通过计算两次突变的分维数，来确定图像的灰度值范围，并利用该灰度值范围确定阈值。通过实验，表明利用所得到的阈值进行。The Application of Binarization Algorithm in License Plate Recognition Based on Fractal Dimension Kong-Ping Yan-GuangLe The University of Shanghai for Science and Technology [Abstract]Fractal dimension is applied to calculate the threshold value of the segmentation of fingerprint image for solving the problem of the segmentation of License Plate Recognition. By caculating the fractal dimension of the break of the object, the grary’s value scope of image can be gotten, and then the threshold can be constituted. Moreover, the experiment result proved that threshold value through Fractal dimension can achieve excellent effect. [key word]Fractal Dimension; License Plate Recognition; Binarization; Threhold 0.引 言 车辆牌照识别（License Plate Recognition，LPR）技术是现代智能交通的核心技术之一，现已广泛用于电子收费、车辆监控等方面。一般将车牌识别系统划分为三大部分[1],首先将车牌从经过预处理的图像中定位出来,然后对车牌中的字符进行准确的分割,最后对分割好的字符进行识别。其中车牌字符的二值化处理是车牌分割的重要组成部分，其目的是把车牌上有效的字符背景区域提取出来，使后续的智能识别处理能够集中于有效区域。一个优秀的二值化算法不仅能减少后续分割的时间增加分割效率，而且还能大大提高字符特征提取的精确度，因此是车牌识别算法中的重要组成部分。近年来车牌识别中的二值化算法越来越成为众多学者研究的热点。早期使用的主要是简单方差阈值法，利用背景区域的方差小而前景区域的方差大，计算每个块的方差，与阈值进行比较，从而对其进行二值化处理[2]。这种方法虽然简单快速，但是当出现其他干扰时就无法达到预期的分割效果。遗传算法也常被用于计算二值化阈值，其中使用最多的是最大类间方差法即Otsu[3]法，这种方法在图像的背景不均匀，或是目标灰度变化率比较大时，能取得较好效果，但是不连续区域和强噪声干扰区域仍然存在一定的局限性。此外，也有人提出采用Gabor滤波算法进行二值化处理[4]，利用Gabor滤波器的频域和方向选择性，但是这种算法的时间复杂度较高，而且对于不连续区域以及变化剧烈的区域，同样难以取得令人满意的效果。总的来说到目前为止，尚没有一种二值化算法能达到理想的分割效果，各种新方法仍在不断出现中[]。 基于对复杂自然景物自相似的描述，Mandelbrot创立了分形几何学理论，提出用分形维数的概念来度量自然现象的不规则程度[]。图像的分形维数能反映图像的复杂程度因此分形维数[11]。 本文针对目前常用的算法所存在的问题，将分形维数应用于中。实验表明利用分形维数所得到的阈值进行。 1.基于分形维数的二值化算法 1.1基于分形维数的阈值选取思想 对于一幅灰度图像，按照阈值从小到大得到一系列的二值化图像，每幅二值化图像得到一个分维数。由盒维数的计算公式，可知不同尺度的网格个数直接影响分维数。在低灰度值时，二值化得到的只是一些无关联的噪声点；在尺度为1时，可以得到无关联噪声点的个数；当尺度变大时，因为这些噪声点是无关联地随机地分布在图像中，网格个数会骤减甚至为零，此时计算得到的分维数是比较大的。随着灰度值的升高，当目标物体在二值化后的图像中显示出来时，黑点集中在目标物体区域,随着尺度的放大，网格个数的变化是有规律的，这个规律反映了目标物体的分维数。这样，从随机噪声点到出现目标物体，分维数会出现一个突变。如果灰度值继续升高，目标会不再清晰，图像的背景会显示出来，黑点区