小波变换在车牌定位中应用.docVIP

小波变换在车牌定位中应用 　　摘要:为了解决含噪车牌图像的定位问题,本文研究了Mallat算法及其在小波系数多尺度分解中的应用,然后在此基础上针对汽车车牌与复杂背景的分割问题,提出了一种基于小波分析的边缘检测和图像分割方法。 　　Abstract: In order to solve the noisy license plate image positioning, this paper researches on the application of the Mallat algorithm and its multi-scale decomposition of wavelet coefficients. Then license plate and Fuza background segmentation problem is presented based on Xiao Bo analysis of edge detection and image segmentation. 　　关键词:车牌图像定位;二进小波变换;降噪 　　Key words: vehicle license plate image Location; dyadic wavelet transform; noise reduction 　　中图分类号:TN911文献标识码:A文章编号:1006-4311(2010)04-0074-02 　　 　　0引言 　　近几年,中国汽车的消费量不断增长,车辆管理已经成为智能交通管理中的重要环节。随着数字图像处理和模式识别技术??发展,汽车牌照识别技术成为智能交通领域中的重要研究课题。车牌识别技术包括车牌定位、车牌分割、字符分割和字符识别4个步骤,牌照的正确定位是车牌识别技术中的关键技术和难点所在。 　　车牌的快速、准确定位是车牌识别系统中的核心问题,直接关系到整个识别系统的成败。然而在现实中图像背景复杂,车辆种类繁多,颜色变化多端,以及不同天气变化所导致的不同光照条件给车牌定位带来了很大的困难,因此,车牌定位也是车牌识别系统中的难点问题。目前已提出的车牌定位方法主要是沿着两条技术路线进行[1,2]。一是基于灰度车牌图像的定位方法,另一种是基于彩色车牌图像的定位方法。这两种方法各有优势,基于灰度车牌图像的定位方法具有更好的实时性;采用基于彩色车牌图像的定位方法,由于考虑了车牌的颜色特征,因此比基于灰度车牌图像的定位方法能获得更好的效果,但该方法也存在一些缺陷:(1)定位速度较灰度车牌定位实时性差;(2)车牌图像颜色的正确识别是准确实现定位的前提。由于众多原因,图像常受到随机噪声的干扰,而边缘的噪声在空间域表现为灰度有较大起落,在频域反映为高频分量,因此边缘检测的结果常把噪声当成边缘点检测出来,本文针对这种现象提出了一种解决方法,它充分利用小波变换所提供的信息,在降噪的同时提取边缘,经过试验证明是一种有实用价值的方法。 　　1车牌定位算法及流程 　　1.1 彩色图像灰度化 　　为了兼顾黑底红字和白底红字的车牌,本文在灰度化时红绿蓝分量的权值作了调整。经过对500张不同类型的车牌图片进行试验比较,设置新的红绿蓝分量的权值分别为0.5,0.4,0.1,则新的灰度化公式变为: 　　fg(x,y)=0.5R(x,y)+0.4G(x,y)+0.1B(x,y) (1) 　　1.2 灰度图像的Lipschitz去噪 　　小波变换与极大值点的Lipschitz指数α满足如下关系[3]: 　　|Wf(s,x)|≤A(s)a (2) 　　通常情况下,取s=2j,j=1,2,3…,假设原始信号的Lipschitz指数是正的,白噪声的Lipschitz指数是负的。由下式可知,E(|Wn(s,x)|2)和尺度S成反比。因此,随着尺度的减小,如果某些小波变换模极大值点的模急剧递增,则信号在这些模极大值点上具有负的Lipschitz指数,因此可判断它们是噪声信号,去掉这些信号便可。 　　ds=+(3) 　　1.3 灰度图象二值化 　　采用Ostu和Bersen算法相结合的改进算法。此算法如下:采用Ostu算法,计算图像的整体阈值T1;采用Bersen算法计算各点阈值,再逐点二值化。 　　1.4 小波的设计及小波边缘检测算法的实现 　　1.4.1 小波系数的设计 　　小波函数的选择,对分析结果影响很大。??据不同的用途,应慎重选择合适的小波函数。 　　为了进行小波分解与重构,四合一的小波函数不存在,本文中“一分为四”,选择了四个函数,巧妙地解决了这些问题。这四个函数是:尺度函数,小波函数,对偶尺度函数,对偶小波函数[3]。 　　V0=closL2 (IR)(0,K:K∈Z)(4) 　　其中,