车牌定位的毕业论文参考.docxVIP

第三章车牌定位3.1车牌定位的主要方法所谓车牌定位算法是指在实际拍摄的图像中确定车牌区域的位置以便提取分割出车牌区域图像的问题。牌照的快速准确定位是车牌自动识别技术中非常关键的一步，是典型的图像分割问题，因此定位方法与车牌特征和图像处理技术是分不开的。经典的车牌定位分割算法包括从简单的灰度阈值方法、频域和空间分割方法到复杂的连接元素方法以及Hough变化法等，在背景较复杂和光照不均匀条件下，这些方法难以取得令人满意的分割效果。近年来，人们针对这种情况，提出了各种各样的定位算法。目前没有一个标准图像数据库来评价无限制条件车牌定位算法的性能，这个问题的研究目前刚刚起步。3.1.1基于直线检测的方法这类方法一般采用Hough变化等方法来检测直线（车牌周围边框形成）。利用车牌形状特性来定位车牌，在实际运用中忧郁光照不均匀等影响和摄像机畸变，曝光不足和动态范围太窄等原因，导致图像存在伪影，加上车牌上的灰尘、脏污等使形状特性表现的不明显，从而影响定位效果，此外传统的Hough变换法应用在车牌定位中，只是单纯的进行直线的检测，没有和车牌形状特性结合起来，而且Hough空间与原图像空间不是一一对应的，由Hough空间中检测到的特征点无法确定出车牌轮廓的起始位置，无法避免直线干扰的问题，因此在有直线干扰时及未进行边框提取时的可能性会大大增加。Hough变化计算量较大，对于边框不连续的实际车牌，需要附加量加大的运算。3.1.2 基于阈值化的方法图像经过阈值化得到一个字符和背景分离的二值图像是这类方法的特点。目前已经提出了多种阈值化策略，但简单算法二值化效果不好，复杂算法计算时间长、计算量大限制了实际应用。3.1.3 基于灰度边缘检测方法此类方法通常利用车牌区域局部对比度明显和灰度有规律变化的纹理特征来定位。中国车牌类型较多，在不同光照条件下车牌对比度更加不一，需要进行图像增强处理，还要考虑图像中与车牌特征非常相似的非车牌区域的排除问题。（1）基于灰度直方图的门限化边缘检测基于灰度直方图的门限化边缘检测是一种最常用、最简单的边缘检测方法。对检测目标——背景图像中目标的边缘效果很好。这种图像的灰度直方图呈双峰状态。（2）基于微分的边缘检测1.基于差分的边缘检测①一阶差分边缘检测对位于边缘两侧的点，像素点灰度值将发生急剧变化，因此有较大的差分值。当差分方向和边界方向垂直时将获得最大差分，因此，只要对f(i ,j) 各方向的差分值再进行一次门限化处理，即可检出边缘像素点，从而求得其边缘图像。②二阶差分边缘检测这是利用在图像的边缘处，灰度发生急剧变化这一特性，采用图像灰度值沿着确定方向(x，y或对角线)取二次差分后的某些性质进行边缘检测的。2. 基于梯度的边缘检测由于边缘发生在图像灰度值变化比较大的地方，对应连续情形就是函数梯度最大的地方。Roberts算子、Prewitt算子和Sobel算子就是比较简单而常用的例子。还有一种比较直观的方法就是利用当前像素临域中的一些像素值拟合一个曲面，然后求这个连续曲面在该像素处梯度。从统计角度上说，我们可以通过回归分析得到一个曲面，然后做类似的处理。① Robert算子在图像中边缘的锐利程度是由图像的梯度来决定的。梯度是一个向量,o f指出梯度变化最快的方向和数量. （3-1）② Prewitt算子和Sobel算子1970 年左右，Prewitt和Sobel分别提出7一个算子，即Prewitt算子Sobel算子。 Prewitt边缘检测算子使用两个有向算子(一个是水平的，一个是垂直的一般称为模版，每一个逼近一个偏导数): （3-2）Sobel算子和Prewitt算子的不同在于使用的模板不一样：（3-3）对一些图像噪声结构，Sobel算子和Prewitt算子能产生比较好的结果，但是他们存在一些共同的问题: A.检测结果对噪声很敏感，图像的离散差分对噪声比对原图像更敏感; B.可以通过对图像做平滑来改善结果，但是又会产生一个问题:会把一些靠在一起的边缘平滑掉，而且会影响对边缘的定位: C．用上述模板卷积后得到的边缘可能是跨越好几个点而不是一个点:为了改善这个问题，还要做一些改进:边缘像素不只是要大于闽值，而且梯度方向上梯度的大小要大于它的前者和后者，这个方法称之为非极值抑制. ③Canny边缘检侧算子提起图像边缘检测就不得不提Canny准则及Canny算子。1986年JohnCanny提出了划时代的边缘检测的三条准则，并在此基础上得到了一个很不错的使用算法。Canny三准则: A. 好的检测结果，或者说对边缘的错误检测率要尽可能的低:就是在图像上边缘出现的地方检测结果不应该没有:另一方面也不要出现虚假边缘。这是因为所有用边缘检测做更深入工作的系统，它的性能依赖于边缘检测的误差。B. 对