文献综述车牌识别.docVIP

文献综述 1 前言 近几年来，随着汽车的数量猛增，智能型交通体系(ITS——Intelligent Transportation System)便成为未来交通监管系统的主要发展趋势，所谓智能交通系统是在较完善的基础设施(包括道路、港口、机场和通信)之上将先进的信息技术、通信技术、控制技术、传感器、计算机技术和系统综合技术有效的集成， 并应用于地面运输系统，从而建立起在大范围内发挥作用的，实时、准确、高效 的运输系统[1~2]。 行驶车辆的车牌实时识别尤其是智能运输系统研究的重要组成部分。车牌识 别系统是对公路上配置的摄像头拍摄的照片进行数字图像处理与分析，综合应用 大量的图像处理最新成果和数学形态学方法对汽车图像进行平滑、二值化、模糊 处理、边缘检测、图像分割、开运算、比运算、区域标识等，利用多种手段以提 取车牌区域，进而达到对汽车牌照的精确定位并最终完成对汽车牌照的识别。 车牌识别系统的用途很多，如高速公路电子收费站、公路流量控制、公路稽 查、失窃车辆查询、监测黑牌机动车、监控违章车辆的电子警察等公路监管场合， 以及停车场车辆管理、出入控制等需要车牌认证的场合都要应用车牌识别系统， 尤其在高速公路收费系统中，实现不停车收费技术可提高公路系统的运行效率， 由此可见车牌识别系统具有不可替代的作用， 因此对车牌识别技术的研究和应用系统的开发具有重要的现实意义。 2 车牌识别技术研究现状 车牌识别系统要综合应用多种手段提取车牌区域， 对汽车牌照的精确定位并最终完成对汽车牌照的识别。因此车牌识别系统要应对多种复杂环境，如车流量高峰期、照射反光、车牌污染等。利用模拟人脑智能ANN，在识别车牌时能 进行联想记忆与推理，能够较好地解决字符残缺不完整而无法识别的问题。 2.1 车牌识别方法的研究 车牌识别系统主要包括车牌定位、字符分割、字符识别等工作模块，同时系统自身具有良好的维护性和扩展性，可在无需为车辆加装其他特殊装置情况下实 现对车辆的自动检测[3]。 2.2 车牌定位方法的研究 车牌定位就是把车牌区域完整的从一副具有复杂背景的车辆图像中分割出来，它是解决图像处理中的实际问题，其方法多种多样，当前最常见的定位技术 主要有：基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、遗 传算法和人工神经网络技术等。 基于边缘检测的车牌定位方法：在对车牌进行定位前，先将汽车图像通过灰 度变换、直方图均衡化等增强预处理，再经二值化，最后利用边缘检测算子对图 像进行边缘检测。检测到边缘后在进行区域膨胀，腐蚀去无关的小物件，这时图 像会呈现出多个连通的判断区域， 最后找出所有连通域中最可能是车牌的那一个便可[4~5]。 基于色彩分割的车牌定位方法：主要由彩色分割和目标定位等模块组成，在 进行色彩分割前，要先将原始图像从RGB色彩空间转换到HSV空间，再在HSV空间内进行色彩分析。具体的分割运算：依次将四种车牌底色中一种为基准，对图像中每一像素先对照表1进行色彩分量比较，对超出基准色限定范围的像素直接设置为背景色(白色)，否则统计所有落在该区间内的像素三分量的均值，作为分割计算的颜色中心，再对所有区间范围内的像素计算其与颜色中心的色彩距离，若距离大于阈值，则设置为背景色，否则设置为目标色(黑色)。对大量图片的色彩分析得出的四种色彩所限定的区间范围值如表1所示： 表1 HSV三分量范围(—表示该值不予考虑) 蓝 黄 白 黑 H [ 200—250 ] [ 25—55 ] — — S [ 0.35—1 ] [ 0.35—1 ] [ 0—0.1 ] — V [ 0.3—1 ] [ 0.3—1 ] [ 0.92—1 ] [ 0—0.35 ] 由于图像背景的复杂性， 色彩过滤后的图像仍然可能包含多个可能的目标区域，需进一步使用车牌体态比特征对多个目标区域进行过滤[6~7]。 基于小波变换的车牌定位方法：先将车辆图像转换成索引图像，然后对索引 图像作用小波变换，获取图像在不同子带的小波系数．车牌特征提取就是基于汽 车图像在小波变换后的LH高频子带，根据图像中车牌区域的小波系数幅值大、密度高的特点，可以通过作用一个阈值来滤掉非牌照候选区域的小波系数。通过小波尺度分解提出纹理清晰且具有不同空间分辨率、不同方向的边缘子图；再利用车牌目标区域具有水平方向低频、垂直方向高频的特点实现子图提取，最后用数学形态学方法对小波分解后的细节图像进行一系列的形态运算， 进一步消除无用信息和噪声，以确定车牌位置[8]。 基于遗传算法的车牌定位方法： 车牌目标区域的主要特点有车牌底色往往与车身颜色、字符颜色有较大差异；另外牌照的长度比变化有一定范围，存在一个最大和最小长宽比。根据这些特点，可以在灰度图像的基础