基于边缘检测和形态学处理的车牌定位技术小探.docVIP

基于边缘检测和形态学处理的车牌定位技术小探 　　1 引言 　　随着信息技术的发展，人们现在越来越愿意通过信息技术来解决日常工作中遇到的繁重和重复的问题。图像处理技术和图像识别技术正在试图解决人们在交通车辆管理中遇到的一些问题。车辆牌照的识别技术是图像处理和图像识别在交通领域重要的应用，在很多情况下我们都要记录下车辆的牌照，例如：高速公路收费站、城市中心的收费停车场，违章停车的车辆等，那么车辆牌照的识别技术就能解决这个问题从而简化人力的记录工作。车辆牌照识别的一般步骤是：图像预处理、车牌定位、字符分割、字符识别、数据管理。　　车辆牌照准确的定位是识别技术中的关键，也是本文重点讨论的对象，它主要包括两方面的工作：首先是对抓取到的车辆的图片进行图像的预处理，运用数字图像处理技术对图片进行图片格式的识别、灰度化、边缘检测、膨胀腐蚀、二值化等处理。其次是利用不同的算法在已经处理好的图片上准确的定位出车牌的位置，并将车牌位置从整幅图片中分割出来，为下一步的字符切割做好准备。 　　2 车牌定位 　　2.1 车牌的特征　　车辆牌照本身具有明显的特征，目前我国现行的GA36-2007 标准，其中规定了车辆牌照统一特征参数：　　（1）颜色：蓝底白字、黄底黑字、白底黑字（红字）、原来GA36-92 标准的黑底白字已经取消，目前只有少量正在使用。　　（2）尺寸：车牌外轮廓尺寸为440×140mm 的矩形，字符高度90mm，宽45mm，字符间隔12mm，间隔符宽10mm。　　（3）字符：共7 个字符，首字为汉字代表省份，紧跟着字符代表城市，后面5 位字符是数字和字母的组合，其中字母不超过两位。　　通过以上参数我们可以看出，车牌具有明显的字符的纹理特征，有很密集的字符的边缘，有统一的外轮廓尺寸，有固定的字符密度，本文主要是基于对外轮廓的宽高比与车牌内部的平均灰度来判定车牌定位是否准确。而车牌内部的字符分布特征决定了它的灰度特征呈现波峰波谷交替分布的特征，如图20 与图28 所示，这个特征是我们分割字符的依据，分割的位置为波谷。 　　2.2 车牌定位的主要工作　　车牌定位工作主要是从拍摄的车辆图片中找到车牌的准确位置，通过车牌的准确位置将车牌从图片中分割出来，由于各种干扰因素及不同车辆本身的不确定因素很多，这给车牌定位造成了很多困难，为了克服这些不利因素，人们依据车牌的不同的特征提出了不同车牌定位的方法。 　　2.3 现有的车牌定位方法介绍　　目前人们针对车牌定位已经提出了很多算法，但是仍然没有一种算法可以全面适用各种条件和各种车牌的定位识别，他们基于的原理各不相同，对于各种条件下的图像定位效果也各不相同，简要总结如下：　　(1) 基于颜色信息的车牌定位方法，彩色图片比灰度图片包含了更多的信息，并且在大多数的情况下车身的颜色是与车牌的颜色不相同的，所以我们可以利用彩色的边缘检测和彩色的区域信息来判定车牌的位置，但是车身于车牌具有相同颜色时定位不准确。　　(2) 基于神经网络的方法，它利用一个训练好的神经网络来判断输入它的样本是否是车牌的一部分，它的优点是抗干扰性强，缺点是计算量较大。　　(3) 基于水平或垂直投影的方法，车辆牌照区的字符与背景的灰度对比度很大。利用图像的水平与垂直投影分析投影之后的亮度峰值从而确定车牌的位置，他的优点是如果车牌占图像中的比例较大的情况识别较好，抗干扰能力差。　　(4) 基于边框信息，这些方法主要是利用Hough 变换，因为Hough 变换克服了其他边缘检测的缺点，理论上利用各种微分算子的边缘检测只产生边缘上的像素，但是实际上，结果像素由于噪声不均与照明引起的边缘断裂和杂散的亮度不连续难以得到完整的边缘特性。　　利用Hough 变换仍然不能很好的检测车牌的边框。对于边框规范或者已经模糊的处理不好。　　(5) 基于字符纹理，目前很多车牌定位算法都是基于字符边缘和纹理进行的，他们用不同的方法提取边缘，例如小波、一阶微分、边缘检测，然后利用形态学运算去掉干扰最后确定出车牌位置。 　　3 基于边缘检测和形态学处理的车牌定位算法 　　3.1 图像的预处理　　首先要读取图片，对图片格式的识别，无论是jpg 还是bmp 格式的图片都要读取到矩阵中去，如果图片是彩色图片的话将其转化为灰度图像，将彩色图片转为灰度图像的公式为：　　Gray = 0.3R + 0.59G + 0.11B　　在灰度图像的基础上做top-hat 变换，使阴影的细节增强。对经过top-hat 变换之后的灰度图像进行边缘检测的比直接进行边缘检测的效果更好。 　　3.2 边缘检测　　虽然点检测和线检测在任何关于图像分割的讨论中确实很重要，但是到目前为止边缘检测最通用的方法是检测亮度值的不连续性。这样的不连续性是用一阶和二阶导数检测的。