数学形态一学实时车牌定位方法研究.docVIP

基于数学形态学的实时车牌定位方法研究 1引言 众所周知，各种类型的交通违章行为给交通带来的危害非常严重，是造成习机动车交通事故的主要原因之一。采用先进技术，进行交通违章行为的自动检测，为公安交通管理部门提供强有力的执法证据(电子警察不仅可以抓拍到车辆的违章过程，还可以抓拍到车牌的特写照片)，对改善交通秩序、保障交通安全、提高道路交叉口通行能力、减少交通事故等都将起到重大作用。 但随着电子警察数量的增加，图片数量也急剧增长，完全依赖于后勤处理人员的人眼识别是不经济的，所以，进行违章车牌号码的自动识别，提高违章处罚的自动化水平，势在必行，因此，自本章起到第七章，论文将对车牌自动识别方法进行研究。 由于车牌定位直接影响车牌识别准确率的高低，因此国内外研究者根据对车牌特征的理解，提出了很多算法[52-57]，如:文献[52]采用基于扫描行的方法;文献[53-54]采用边缘锐化的方法;文献[55-59]采用彩色图像识别技术来处理车牌定位的方法;文献[60-67]通过车牌的矩形边框特点来定位车牌;文献[68-72]采用数学形态学方法来定位车牌。现有的车牌定位方法具有以下几个主要缺陷:1、选择车牌定位的特征较少，造成“伪车牌”增多;2、两种以上特征的组合属于松散组合;3、定位准确率和定位速度无法统一提高。 本章提出了一种基于数学形态学和评价函数的实时车牌定位算法。与其他方法不同，本文以数学形态学和模糊评价函数作为多种车牌特征结合的载体，避免使用单个特征或多个特征的松散组合来定位车牌，提高了车牌定位的抗干扰性和定位准确度。另一方面，本文将基于点的数学形态学运算方法进行引申，形成了一套基于线的数学形态学运算方法，结合基于对象的车牌抽取方法，不仅提高了车牌定位的准确率，而且具有很强的实时性。实验显示，本章所述述算法具有优良的性能。 2 算法概述 图5-1车牌定位算法总流程图 根据对车牌与周边环境的差异特征，以及国内外车牌定位算法的优缺点分析，本文采取如下措施来提高车牌定位的效果: 1、选择稳定、可靠的车牌特征。如果特征选择不当，当该特征发生变化而不满 足条件时，定位算法将无法找到车牌。如选择车牌边框作为车牌定位的根据，当车牌边框变形，不再是直线时，Hough变换将无法找到车牌边框。 2、必须结合多种车牌特征进行定位，争取从整体来分析车牌的真伪:选择两种以上的车牌特征来定位车牌，将能提高车牌定位的准确率，但如能综合运用这些特征，将具有更好的定位效果和更强的车牌真伪辨别能力。 3、适应光照的变化。除在光照较暗的夜晚需要补光外，车牌定位算法必须具备适应光照变化的能力。 车牌定位的算法流程图如图5-1所示。本章的核心思想是;首先利用垂直边缘锐化技术，增强垂直边缘，再根据车牌字符矩形尺寸特征进行数学形态学运算，将垂直纹理融合成车牌宏观形态特征;以数学形态学和模糊评价函数为载体，将车牌纹理结构信息与车牌的宏观整体结构信息进行有机结合，增强车牌定位的准确性和抗干扰性;将基于点的数学形态学运算方法进行引申，形成一套基于线的数学形态学运算方法，结合基于对象的车牌抽取方法，不仅提高了车牌定位的准确率，而且具有很强的实时性。 3基于抽象目标模型指导的图像分割方法 本节将详细介绍本文所提出的基于数学形态学和评价函数的车牌定位算法:.虽然车牌定位算法，归类于图像分割，但通常意义的分割，只能把图像中具有不同平均灰度或不同组织特征的区域分离开，而车牌在整个汽车图像中只占有很小部分，也就是说，在整个图像的灰度直方图中只占有很小的比重，而现有的图像分割算法对小目标分割的效果较差，因此一般意义的图像分割方法应用于车牌定位分割中，不可能取得很好的分割效果。再者，车牌区域并不具各灰度一致性的特征，特别是中国车牌，具有蓝底白字、黄底黑字、白底黑字等几种牌照，在灰度空间中呈现出白底黑字和黑底白字的特点，无法单独将其归类为白或者黑的区域中，因此无法使用一般的图像分割方法将其提取出来。 因此引出了各种针对车牌定位的分割方法。但是这些方法依然摆脱不了现有图像分割方法的影子。也就是说，依然基于象素点亮度及其邻域的特点来定位和分割车牌，没有从目标整体识别的角度来考虑，因此图像定位效果并不令人满意。 目标描述被广泛应用于图像识别中，用目标之间的形状、大小、面积、周长、矩形度、圆度、纹理、边缘、投影等差异来识别不同目标，但都是在目标已被分割、分离，并经过一定的预处理(如二值化)之后才开始运用这些特征来识别的，却很少被有意识的运用于图像分割中。这是因为目标的描述特征是一种高级特征，而图像分割属于一种低级特征分割，多数情况下，都是通过低级特征分割，将检测目标正确提取后，再依据这些低级特征来抽取高级特征。但是，当背