基于Sobel算子边缘检测和数学形态学的车牌定位算法.docVIP

基于Sobel算子边缘检测和数学形态学的车牌定位算法-电气论文 基于Sobel算子边缘检测和数学形态学的车牌定位算法 梁利利，王兴武 （咸阳师范学院外国语学院，陕西咸阳712000） 摘要：随着智能化交通管理系统的飞速发展，对车牌的定位和识别提出了更高的要求，因此提出了一种结合边缘检测和数学形态学的车牌定位算法。采用Sobel算子进行边缘检测，经数学形态学处理得到连通的车牌候选区域，然后对其进行分析，实现车牌区域定位。实验结果表明，该方法能准确实现车牌定位，性能良好。 关键词 ：Sobel算子；边缘检测；数学形态学；车牌定位 中图分类号：TN911?34 文献标识码：A 文章编号：1004?373X（2015）14?0098?03 收稿日期：2015?01?13 基金项目：咸阳师范学院2012年科研立项课题：基于数字图像处理的校内车牌识别系统研究（11XSYK325） 车牌识别是智能交通系统中的重要组成部分，在智能交通管理和控制中发挥着举足轻重的作用。车牌识别系统一般包括车牌定位、车牌分割和车牌识别3个部分。其中，车牌定位是识别工作的前提和基础，是影响后续工作能否顺利进展的关键步骤。本文根据各种已有定位算法的优缺点，提出一种结合边缘检测和数学形态学的车牌定位算法，该算法首先对车牌图像进行预处理，然后进行Sobel算子边缘检测，最后结合我国车牌图像特征进行连通域分析和定位。 1 车牌图像预处理 采集到的原始彩色车牌图像由于受到噪声、光照等一些外界因素的影响，需要进行预处理以保障车牌定位及识别工作的正常进行。本文采用灰度化、去噪处理、二值化的预处理过程。 （1）图像灰度化处理。采集到的彩色图像如不加处理直接应用，其复杂性和庞大的数据将会降低系统运行速度，达不到实时性的要求。本文采用的灰度转换公式[1]如下： Gray(i,j) = 0.299R(i,j) + 0.587G(i,j) + 0.114B(i,j) （1）式中：Gray（i，j）为灰度值；R（i，j），G（i，j），B（i，j）分别为红色、绿色和蓝色分量值。图1（a）、图1（b）分别为原始图像和灰度化后的图像。 （2）中值滤波。中值滤波的工作原理是：以图像中任一点某个领域内所有像素点灰度值的中值来代替该像素点的灰度值。该方法能在去除噪声的同时较好地保护图像的边缘。本文结合车牌图像特征采用3×3模板进行中值滤波去噪，效果如图1（c）所示。 （3）图像二值化。图像二值化是图像处理中最常见、最重要的处理手段。简单的说，图像二值化就是将图像黑白化，即将图像转变成只有黑和白2种颜色的鲜明对比图像。为了得到区分鲜明的目标和背景，在车牌图像预处理过程中对图像进行二值化是必不可少的。 图像二值化的关键是阈值的选择。经过对多种阈值分割方法的研究，发现采用最大类间方差法（Ostu）效果好，适应性强，故本文采用Ostu法进行二值化。实验效果如图1（d）所示。 2 Sobel 算子边缘检测 边缘存在于不同灰度值的2个邻域之间，是灰度值不连续的表现，是图像最基本的特征。车牌区域和背景就有明显的边缘，这也是车牌区域不同于其他区域的根本特征之一。传统边缘检测方法正是利用这个特点，使微分运算作用于图像中每个像素点进而确定边缘。 边缘检测的基本思路就是首先确定图像中的边缘像素，然后通过一定的方法把它们连接在一起构成所需要的边缘[2]。边缘检测算子是指从图像中抽取边缘集合的算法。常用的边缘检测算子有：Robert算子、Canny算子、Sobel算子、Prewitt算子和拉普拉斯算子等。通过对各种算子研究可知，Sobel算子不仅能检测边缘点，而且对于噪声较多的图像也能较好地平滑处理。本文采用Sobel算子对图像中的每个像素点做卷积[3]。Sobel算子有水平和垂直2个方向的模板，选用带有方向性的模板做卷积可以增强某一方向上的边缘特征。Sobel算子模板表示如图2所示。 经过Sobel算子检测后的效果如图3所示，其中图3是在进行了图像预处理的基础上进行的。从中可以看出，经过Sobel算子检测后很好地保留了车牌区域和整幅图像的轮廓信息。 3 数学形态学定位 3.1 数学形态学基本知识介绍 数学形态学是一种应用于图像和模式识别领域的新方法[4]。其理论基础深厚，但基本原理却很简单。数学形态学将结构元素作用于输入图像，得到的输出图像与输入图像大小相同。膨胀和腐蚀是最基本的数学形态学运算，它们是对偶运算。膨胀是增加图像中目标对象的像素，