基于车牌颜色特征改进车牌定位算法探究和实现.docVIP

基于车牌颜色特征改进车牌定位算法探究和实现 　　摘 要：汽车牌照识别主要包括图像预处理、车牌定位、字符分割和字符识别四大模块。本文对图像预处理和车牌定位两个模块进行了深入研究，并提出了相应的改进方法。本文提出了一种基于局部最优化思想的图像预处理方法。该方法是基于彩色图像的预处理方法，同时基于局部最优化的思想弥补了传统方法的劣势，能够更好地解决光照不均问题。车牌定位采用一种改进的“扫描线法”，把颜色跳变视为特征点，算法根据车牌字符区域特征点密集的特点来定位车牌区域。 关键词：车牌定位；彩色图像；局部最优化 中图分类号：TP391.41 汽车牌照识别系统（License Plate Recognition System，简称LPR）是智能交通系统的一个重要组成部分，能够应用于很多交通管理场合，如道路交通流监控、交通事故现场勘查、高速公路自动收费系统等。汽车牌照识别系统主要包括四个部分，分别是：图像采集、车牌定位、车牌字符分割、车牌字符识别[1]，其中车牌定位部分在整个系统中起着十分重要的作用。 目前，国内外的专家和学者们对车牌定位做了很多研究，主要的定位技术包括：（1）基于纹理特征的车牌定位法[2]。该方法对光照不均匀、车牌倾斜等情况的鲁棒性较强，但是对复杂背景的鲁棒性较差。（2）基于神经网络的定位方法[3]。该方法在进行定位前需要收集大量图像样本进行训练，样本的特点对最终定位结果影响很大。（3）基于数学形态学的定位方法。该算法的准确性过于依赖于结构元素大小，结构元素过大或过小都会严重影响定位结果[4]。（4）基于颜色空间特征的车牌定位方法[5]。该方法利用车牌的底色和字体颜色不同的特征进行车牌区域的定位，当车身颜色和车牌颜色相同时，定位成功率低。 本文提出了一种基于颜色特征的改进车牌定位方法，该方法利用车牌的颜色特征，综合利用RGB颜色模型和HSV颜色模型的特点，利用一种局部最优化思想，通过把图像划分为多个固定区域，把每个固定区域的颜色划分为黄色、蓝色、黑色、白色以及其他颜色，并通过一种改进的行扫描方法，利用车牌区域的颜色跳变特征，得到车牌区域的准确位置。实验表明，本方法能够实现高准确率、高精确度的车牌定位。 1 图像预处理 1.1 颜色模型选择 常用的颜色模型有RGB、HSV、CMY、YIQ等[6]。为了实现对颜色的准确分类，要求采用的颜色模型能够满足独立性和均匀性[7]，HSV颜色模型在一定程度上能够满足独立性和均匀性，RGB颜色模型易于区分白色和黑色，根据车牌颜色特征，本文不仅使用HSV颜色模型，而且使用RGB颜色模型，从而达到更好的颜色区分效果。 1.2 图像颜色预处理 1.2.1 车牌颜色统计 颜色直方图是对颜色信息的一种统计，能够很好地反映区域的颜色信息，通过计算车牌区域的H，S，V颜色分量的直方图，得到车牌区域的H，S，V分量值的范围，利用H，S，V分量值的范围能够区分车牌区域和非车牌区域。 通过对大量不同条件的图片进行统计分析，确定出蓝底白字车牌、黄底黑字车牌（没有考虑红色车牌）的H，S，V分量值的具体范围。如表1所示。 1.2.2 改进的颜色预处理方法 传统颜色预处理方法是对图像区域的每一个像素点使用表格1中的阈值进行颜色判断，根据阈值范围把该像素点划分为蓝、黄、白、黑，或者灰色。即实现图像的预处理。 本文提出的一种改进的颜色预处理方法，通过定义滑动窗口滑过整个图像区域，对每个滑动窗口内的颜色进行分类，从而达到更精确的分类效果，主要步骤如下：（1）计算出滑动窗口内所有像素点的H、S、V分量值的均值的标准差σ，若σ大于阈值thre表明矩形内有两种颜色，执行步骤（2）；若σ小于阈值thre，表明矩形内只有一种颜色，执行步骤（3），通过实验，发现thre取0.1比较合适。（2）根据表1中定义的H分量的范围，判断当前像素属于黄色车牌还是属于蓝色车牌，如果当前像素点属于黄色车牌，则根据表1中V分量的范围划分为黄色和黑色；如果当前像素点属于蓝色车牌，则计算其和黑色的颜色相似度，区分其是“蓝白”还是“黑白”像素点，再分别通过表1中的V分量的范围划分为蓝色（白色）或者黑色（白色）；对于既不属于黄色车牌又不属于蓝色车牌的像素点，则根据V分量的值划分为白色点或者黑色点或者灰色点；（3）在RGB颜色模型中，可以容易把当前像素点区分为“没有彩色”和“有彩色”两类，对“没有彩色”的像素点，在RGB颜色模型中区分为白色或者黑色，对“有彩色”的像素点，在HSV颜色模型中区分为蓝色或者黄色，对“没有彩色”像素点，对其进行灰度化，如果灰度值大于200，则为白色，小于60，则为黑色，否则为灰色；对“有彩色”像素点，根据表1中H分量的范围区分为蓝色或者黄色。