基于HSV夜间车牌识别算法.docVIP

基于HSV夜间车牌识别算法 　　摘要：本算法利用HSV 颜色模型能根据夜间车辆图像特征，很好地将车牌区域与车灯及其形成的光束和道路上的车道线等大量噪声分离开来，将饱和度较高但不符合车牌颜色特征的区域剔除；将传统算法中字符分割采用的最大最小优化熵[1]阈值分割法以及字符区域的前景、背景分布等方面提出了改进。实验结果证明该方法实现简单快捷， 对于包含车头灯或车尾灯的夜间图像， 定位方法均有效，有效降低了单个字符之间的粘连和孤立噪声点，系统的识别准确率高。 关键词：夜间图像； 最大最小分割； 饱和度分量； 色彩分量 中图分类号：TP391.4 文献标识码：A文章编号：2095-2163（2013）02-0086-03 0引言 在交通状况日益繁复、交通研究不断深入的现在，车牌识别已经引起人们的广泛重视和关注。其车牌识别关键技术包括图像获取、车牌区域定位、字符分割以及字符识别。尤其当夜间汽车前灯开放引起车牌信息丢失的情况下，车牌识别难度更相应增大。由此，针对受光线、噪声诸因素影响的夜间低照度的车牌图像，本文给出一种提高夜间牌照定位识别精度的图像处理方法。目前常采用的算法[2]有： （1）利用Sobel边缘算子，检测垂直边缘，进行车牌定位； （2）使用数学形态学，对相邻两帧图像进行差分操作，从而消除车辆大灯的影响； （3）利用颜色和运动信息进行车牌定位的方法等。 由于车牌多使用特殊材料制成，在车牌反光时，图像较易识别，在此主要考虑夜间非反光状态下的车牌而提出一种有效识别技术。在以上方法中，方法（1）对外部硬件设置要求较高，实现起来仍有一定困难；方法（2）、（ 3）则适于视频图像， 而目标定位与识别的原始图像却仅是针对单张特写的车辆图像，而且也不具备消除各类噪声影响的能力。基于此，本文选用HSV 颜色模型，能根据夜间车辆图像特征， 定位得到车牌区域。饱和度分量可有效地去除车灯造成的各类噪声， 成功突显车牌区域； 而色彩分量H 则可标识与车牌背景颜色有关的区域，从而准确定位车牌目标。 为了提高系统识别率，文中在字符分割方面提出了新的实现设计，将原有的最大最小优化熵阈值分割法进行了适当的改进，结合车牌字符区域的前景及背景分布，将原来的前景背景统一处理改变成为加权标定。实验结果证明，单个字符间的粘连有所降低，噪声点也随之得到了孤立，系统识别的准确率大为提高。 1夜间车牌定位算法 由于夜间拍摄的图像背景较暗，且车辆周身及地面斑马线等处均有反光现象，但车牌区域的颜色特征却稳定良好，因此可作为车牌与噪声区分的有效依据。车牌区域的图像特征是，具有固定的字符与背景颜色搭配，其颜色较其他区域更为饱满。由图像处理技术可知，RGB适用于硬件显示， HSV更适用于人类视觉特点。HSV中，H代表色调，S代表饱和度，V代表明度。饱和度S反映颜色的纯度，只有在接近一定亮度和饱和度时，某种色彩才有实体意义；而明度V则与环境的亮度有关。现在选取RGB 和HSV彩色各分量对夜间车辆图像进行比较，对比效果如图1所示。 由图1可以看出， H，S 分量对车牌区域的识别明显好于RGB 各分量， 故在此选取HSV 颜色模型用于夜间车牌定位研究。在HSV空间中， V分量与颜色无关， 对车牌区域最图1 夜间图像的RGB和HSV各分量图示 Fig.1 Night-time image of the RGB and HSV components icon为敏感的是S 分量，字符区域跳变频繁。S分量，即饱和度分量能够将车牌与大量噪声， 包括车前大灯及其反射光束和路面车道线，连同其它噪声区域做以清晰划分，有利于车牌目标的提取。H 分量分布相对发散，但对于含有车尾灯的车辆图像， 由于车尾灯呈现偏红色， 且饱和度较高， 可由色彩分量将其与车牌区域区别开来。也可提取符合车牌背景颜色部分。 从卡口获取的实测图像为RGB 模型， 首先需将其转化为HSV 模型。转换表达式为：R=R/255，G=G/255，B=B/255，则：第2期王洪亚：基于HSV的夜间车牌识别算法智能计算机与应用第3卷 1.1H 和S 分量提取的车牌区域与AOI 区域融合算法 夜间在车灯照射下， 车牌区域具有饱和度较高且颜色恒定不变的特点， 呈现在HSV颜色模型中的S 分量较高， 而H分量则可将与车牌相关区域一并提取， 目标区域具备了这两方面特点， 将二者相“与”获得融合的最小结果，再利用数学形态学[3]去除小面积， 得到的结果即为车牌目标。 目前，国内共有4类车牌，分别是：蓝底白字、黄底黑字、白底黑字、黑底白字。按其出现的概率，由大至小依次为蓝色、黄色、白色、黑色，若再有出现在图像中的其他颜色，则与车牌无关。若对原始完整图像提取以上4