车牌的定位与字符分割报告概要.doc

车牌的定位与分割 实验报告 一 实验目的 针对交通智能系统所拍摄的汽车图片，利用设定的算法流程，完成对汽车车牌部分的定位，分割车牌部分，并完成字符的分割，以便于系统的后续分析及处理。 二 实验原理 详见《车牌的定位与字符分割》论文。 三 概述 一般流程 车牌自动识别技术大体可分为四个步骤：图像预处理、车牌定位与分割、车牌字符的分割和车牌字符识别。而这四个步骤又可归结为两大部分：车牌分割和车牌字符识别。 图1-1为车牌自动识别技术的一般流程图。 本实验的流程 （1） 图像预处理：图像去噪 图像复原 图像增强 （2） 车牌的定位：垂直边缘检测 （多次）形态学处理的粗定位 合并邻近区域 结合车牌先验知识的精确定位 （3） 车牌预处理：车牌直方图均衡化 倾斜校正 判定（蓝底白字或者黄底黑字） 归一化、二值化 （4） 字符的分割：垂直投影 取分割阈值 确定各个字符的左右界限（结合字符宽度、间隔等先验知识） 分割字符 四 实验过程 图像预处理 图像去噪 一般的去噪方法有：空间域上的均值滤波和中值滤波；频率域上的巴特沃斯滤波器。图4-1是各滤波器处理椒盐噪声的效果。 a．被椒盐噪声污染的图片 b.均值滤波的效果图 c.中值滤波的效果图 d.BLPF的效果图 图4-1 各滤波器处理椒盐噪声的仿真 可见，中值滤波对椒盐噪声的处理效果极好，而一般所拍摄的图片上最多的便是孤立的污点，所以此处以中值滤波为主进行去噪。图4-2是采用中值滤波处理实际汽车图片的效果。 a.原始图像 b.灰度图像 c.中值滤波后的图像 图4-2 中值滤波处理实际汽车图片的效果 很显然，经过中值滤波后去除了原图上的部分污点。 图像复原 由于通常情况下都不知道点扩展函数，所以我们采用基于盲解卷积的图像复原策略。 图4-3~4-7图是函数进行盲解卷积的实验结果，其中图4-3是图像cameraman的模糊图像。 图4-3 模糊图像 在盲解卷积处理中，选择适当大小的矩阵对恢复图像的效果很重要。PSF的大小比PSF的值更重要，所以首先指定一个有代表性的全1矩阵作为初始PSF。恢复的图像如图4-4所示，初始PSF如图4-5所示。 图4-4 初步恢复图像 图4-5 初始PSF 复原的图像呈现出由算法中使用的离散傅里叶变换所引入的振铃，则我们在调用函数deconvblind之前要使用函数edgetaper。消除振铃后的图像如图4-6所示，新重建的PSF如图4-7所示。 图4-6 消除振铃后的图像 图4-7 新重建的PSF 由图可以看出，恢复后的图像消除了振铃的存在，但是，恢复结果仍有一 定的失真。 图像增强 此处采用直方图均衡化来增强图像对比度。图4-8为原始图像，图4-9为直方图均衡化后的效果图。 图4-8 原始图像 图4-9为直方图均衡化后的效果图 很明显地增强了图像对比度。 车牌定位 垂直边缘检测 对于垂直边缘，我们提出了自己的算法，能很好地去除大量非字符的垂直边缘，定位效果也较好。图4-10给出了本文算法与Sobel算法、Prewitt算法的应用结果比较。图4-10(a)为原始图像，图(b)为其灰度图像，图(c)为用sobel垂直算子获得的垂直边缘图，图(d)用prewitt垂直算子获得的垂直边缘图，图(e)为用canny算子获得的边缘图,图(f)为使用本文算法获得的垂直边缘图，模板参数取m=2，n=12。 a.原始图像 b.灰度图像 c.Sobel算子处理的结果