- 1、本文档共5页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
车牌识别定位方法的研究
|引|领|停|车|管|理|新|概|念|
车牌识别定位方法的研究
1 引言
随着国民经济的高速发展,高速公路、城市道路、停车场建设越来越多,对交通控制、安全管理的要求也日益提高,智能交通系统its(intelligent traffic system) 已成为世界交通领域研究的前沿课题。在此基础上发展的车牌识别lpr(license plate recognition)
系统是智能交通系统的重要组成部分,在交通管理中占有重要地位。lpr系统主要由三部分组成:车牌定位、字符分割、字符识别,其中车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。主要的车牌定位方法:基于灰度图像的车牌定位方法[1]、基于小波变换的车牌定位方法[3]、基于形态学的车牌定位方法[4]、基于神经网络的车牌定位方法[7]、基于支持向量机的车牌定位方法[8]等。虽然这些算法在某些特定条件下识别效果较好,但综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响,暂时还不能完全满足实际应用的要求,有必要进行进一步的研究。
2 车牌定位方法
2.1 基于灰度图像的车牌定位方法
灰度数字图像是每个像素只有一个采样颜色的图像。这类图像通常显示为从黑色到白色的灰度。为了便于车牌定位,将该图像转换成二值图像,即只有黑色和白色两种颜色的图像。
此方法是应用车牌的如下特点:车牌牌照的字符和背景的对比度比较大,对应于车牌区域的水平灰度变化比较频繁;再者车牌一般挂在汽车的缓冲器上或附近,并靠近图像的下部,干扰一般比较少。根据以上特点,使用靠近水平方向的一阶差分运算,以突出灰度变化频繁的区域。其一阶差分运算的算式为:
从车牌照是一个矩形这一特点,我们可以判断它所对应的水平投影图与车牌的形状相仿,是一块较为独立的矩形区域,从水平投影图中可以看车牌位置基本对应于图中从下到上的第一个较大的波峰,车牌投影值区域大致对应于上述波峰值上、下邻域的波谷之间所包含的投影值区域,且这两个波谷大致对称于波峰,波峰和波谷的变化率较大。在这个过程中最重要的是确定选择哪个波峰,如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值,并且两个波谷之间的宽度大致等于车牌照的高度,就认定它所确定的区域就是车牌的水平位置。对于车牌垂直方向的定位算法:一般情况下,车牌的底色和字符的颜色的对比度很大,而且在一个相对范围较小的范围内变化比较频繁,通过这个特征确定车牌垂直方向。该方法对质量较高的图像有很好的定位,不过对于图像中车前和车牌附近的车辆背景过多,容易导致错误的车牌定位。
2.2 基于小波变换的车牌定位方法
小波变换是20世纪80年代中后期在傅里叶分析的基础上发展起来的一个重要的应用数学分支。与傅里叶变换相比,小波变换具有较强的时、频域局部分析能力。通过伸缩和平移等运算功能对信号进行多尺度细化分析,在高频处取窄的时(空)间窗,在低频处取宽的时(空) 间窗,克服了傅里叶分析无法同时在时域和频域上取得良好局部特性的局限性,近年来这一方法在很多工程领域得到广泛应用。小波分析的核心是多分辨率分解,其良好的时—频特性使其成为研究精细结构的理想工具。在车牌图像处理方面,经过基于小波变换的高通滤波,车牌区域的横、竖、撇、捺笔划变得十分简洁、明晰,与传统算法中通过中值滤波等方法来滤除图片中的噪声干扰相比较,小波变换增强了处理的针对性,在降噪的同时增强了有用信息,便于在后续程序中获取车牌区域的细节信息。南京航天航空的马永一、宋铮等人将小波变换直接应用于车牌定位,提出了一种直接对灰度图像进行除噪处理的方法。
该方法是首先设计一个基于小波变换的滤波器,然后对图片进行x层小波变换之后对低频部分llx进行衰减,再进行小波反变换即可实现高通滤波,滤除图片中由于光照不均等多种因素造成的噪声干扰突出车牌区域。在传统的车牌定位算法中,都是先对图像进行二值化处理。对于原始的灰度图像中存在很明显的由光照不均引起的亮度差别,汽车的左半部分的亮度因建筑物遮挡比右半部分的亮度暗,同时右半部分也存在着局部的光线不足的情况下,如果直接进行平均灰度整体阈值二值化,很容易出现由于阈值选取过高而造成车牌区域的不可辨识的情况,假如在程序中刻意降低阈值又会引入很多噪声,失去了二值化的使用意义。如果使用局部阈值二值化,一方面增加了计算阈值的工作量,增加了处理时间,同时也可能会因为区域划分的原因引发新的边界噪声干扰。使用基于小波变换的高通滤波处理后,图片效果十分理想,不仅完全消除了光照不均造成的影响,而且使车牌区域更加突出,大大提高了定位查找的准确率。但是降噪预处理时的重构信号会丢失原有的时域特征。
2.3 基于形态学的车牌定位方法
数学形态学是由
文档评论(0)