车牌定位技术研究--毕业论文开题报告.docVIP

南京工程学院 本科毕业设计（论文）开题报告 题 目: 车牌定位技术研究1)基于边缘检测的车牌定位方法 图像的边缘是指在灰度级上发生急剧变化的区域,而在背景或者物体的内部这种灰度的变化是比较平缓的。边缘检测的任务是精确定位边缘和抑制噪声。边缘检测主要是采用合适的边缘算子作用于图像，通过特定算法提取出边缘像素点，边缘检测的关键是寻找合适的算子进行边界分析。研究者将一些检测效果较好的检测算子应用于车牌定位：（1）Roberts算子、利用局部差分算子寻找边缘，采用领域测对角方向两像素之差近似作为梯度幅值检测边缘。任一对角方向上的差分都可以用来估计梯度值。检测垂直边缘的效果好于斜向边缘、定位精度高：但对噪声敏感，无法抑制噪声的影响。（2）Prewitt算子，利用梯度算子来 文 献 综 述 计算原始图像在横向x和纵向y上的灰度变化率。按照所选的检测方向（水平、垂直或双向）进行检测，计算前先设定阈值，低于该阈值的像素值将被忽略。Prewitt算子计算比较简单，能平滑噪声、但定位精度不够高、可能产生外边缘。（3）Sobel算子、该算子包含横向和纵向共两个矩阵，将之分别与图像作卷积。该算子对噪声有一定的抑制作用，但得到的边缘宽度至少有两个像素。 (2)基于数学形态学的车牌定位方法 数学形态学主要由腐蚀、膨胀、开运算和闭运算四个基本运算组成。腐蚀是对图像内部作处理，可消除图像的细小部分和孤立的噪声点:膨胀是对图像外部作处理，能补全图像中的小孔等，形成连通区域。对车牌图像进行膨胀后可将车牌照的字符区域连成一片。但这种定位算法不能确定车牌的准确位置，也可能会得到符合设定特征的多个定位区域（伪区域）。要求图片背景也应该是比较简单的，背景越复杂，处理干扰噪声的效果就越差，速度和准确性也会受到影响。因此这种定位方法常常和其他定位方法一起运用。例如基于数学形态学和边缘特征的车牌定位方法，先进行预处理，然后根据车牌整体特征采用腐蚀和闭合运算初步确定车牌位置，最后利用字符边缘的微观特征进一步精确定位车牌位置，提高了车牌定位的速度和准确度。 (3)基于小波分析的车牌定位方法 具有“显微镜”特性的小波分析是一种应用于图像处理的重要分析工具。它是80年代后期发展起来的应用数学分支，是一种窗口面积固定但形状可以改变、时间窗和频率窗都可以改变的时频局部化分析方法。其基本思想是将原始信号经过伸缩、平移等运算分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号, 这些子带信号具有良好的时频特性, 这些特性可以利用表示原始信号的局部特性，进而实现对信号时间、频率的局部变化分析。 目前利用小波分析的车牌定位算法大多是利用小波变换与其他多种方法相结合来达到定位更准确、快速。如结合小波变换、数学形态学、边缘检测等方法来对车牌进行准确定位。如可用如下算法: 先用自适应滤波多尺度边缘检测方法检测出车牌的边缘; 然后用数学形态学方法对阈值二值化后的边缘图像进行系列形态运算, 进一步消除无用信息; 最后用基于车牌底色识别的方法进行车牌定位.该方法定位效果好, 适于有噪声的车牌图像进行定位。 (4)基于灰度图像的车牌定位方法 基于灰度图像的车牌定位方法，根据采用的图像处理方法的不同，可以把它们归为四类： 文 献 综 述 第一类是利用图像的梯度信息对图像进行边缘提取，然后对提取的图像进行形态学运算或采用特定的填充算法，直到图像只留下待识别的目标。这种定位方法属于金典的图像分割方法[6]。但由于车头上部可能存在与车牌尺寸相仿的干扰区，很可能产生误识别；对于有污染物或破损的车牌，识别率不高。另一种思路是在对图像进行了边缘提取后，考虑到车牌区域会有直线边缘，用Hough变换检测直线，来确定车牌在图像中的位置[13]。 第二类方法主要考虑车牌图像中车牌区域的纹理特征。一般可以采用能量或其它自定义的特征量来描述车牌区域的纹理特征[7]。把车牌图像划分为若干小块，计算出每一块特征量的值，判断哪些小块是属于车牌区域的。这样就可以对车牌进行初步定位。由于该方法对车牌图像的背景干扰更为敏感，所以定位后要进行进一步的验证和定位操作[8]。 第三类方法是利用车牌区的灰度信息，直接对图像进行水平方向的扫描，找出满足灰度变化规律的区域，确定其为待识别目标，此方法称之为灰度跳变法。 这种方法先对灰度图像进行隔行扫描，判断扫描行是否属于车牌区域。对属于车牌区域的扫描行进行分析，确定车牌的左右边界，由此确定车牌的区域[9]。 第四类方法是投影法，这类方法思路比较简单，首先在原车牌图像上提取垂直边缘或其它的特征值，将其投影到垂直轴上，车牌区域由于垂直边缘密集，所以在对应的位置上会出现一个峰值。编一个算法搜索投影峰值，就可以定位出车牌区域的垂直位置。在提取的区域上进行水平定位，确定车牌区域的左右边界[1