- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
基于顶帽变换和小波变换的车牌提取方法
一、引言
在车牌识别系统中,区域检测是关键步骤。提出了一种从复杂背景。首先,计算灰度图像垂直梯度的水平投影梯度方差和水平提取。准确检测到垂直位置为了该方法的有效性,各种场景和不同的条件进行了360拍摄图像算法可以快速、准确检测区域98。61%。随着智能交通系统(ITS)的发展,车牌自动识别 (LPR)许多应用中起重要作用。如何从区域复杂的场景是车牌识别的关键组成部分,直接影响到系统的整体性能。大量学者对进行了研究开发,已被提出,如边缘提取方法1]Hough变换[9]颜色特征以及直方图分析[8]等等。但,如局限于室内场景静止背景固定照明规定车道或有限车速[4-7]。本文本文提出了顶帽变换和小波变换汽车牌照自动检测。实验表明该算法快速高效的。 本文的其余部分安排如下:第2讨论关于车牌区域的第3节介绍了算法的,第4节示出了实验结果,最后第5结论引用的
中华人民共和国于1992年基于GA36-92的有关电的标准,汽车牌照一般为矩形,的长度与宽度的比例被限制在,如车车牌的外形尺寸为 440*140(毫米)它的字符排列为:X1 X2、X3 、X4 、X5、 X6 、X7,X1是x2是英文字母,x3是英文字母或阿拉伯数字4 、X5 、X6、X7是阿拉伯数字。每一个和高度45毫米和90毫米。符号为10mm ,每单位间隔宽度为12mm 。此外是15.5毫米,并且从第一符号到25mm。3车牌检测对于大多数车牌获得的图像实际环境是彩色图像,我们。该式示于公式(1)f(i, j) =0.114 *A(i, j,1) 0.587 *A(i, j,2)+0.299 *A(i, j,3) (1)其中,f ( I,J )是灰度图像的数组,A ( I,J ,1 ) ,A( I,J , 2 ) , A( I,J , 3 )是在R,G ,B值。在下面的章节中,我们将介绍算法3.1获取灰度图像从第2部分,我们车牌是由两种颜色。因此,灰色的字符像素和背景像素不同。我们可以使我们首先计算梯度变化,并。更大变化代表照位置因此,我们粗略地定位水平。我们可以使用公式2计算垂直梯度。g (i, j) | f (i, j 1) - f (i, j) | (2)
3.2关于垂直梯度的顶帽变换
数学形态学[3 ] [4]是一种非线性滤波器,抑制噪音的功能,提取和图像分割等,其特点是它能够分解复杂的人物数学形态学的基本算是腐蚀和膨胀。他们的公式分别在公式3和式4所示。X = A Θ B = { x: B + X A} ( 3 )X = A B = {X : ( - B + X ) ∩A ≠Φ } ( 4 )A被B侵蚀A又经公式( 4 )中的B腐蚀运算和膨胀运算不能恢复。这两个操作。其方程示于Eq.5和分别Eq.6A ?? B ??( A ??B ) ⊕?B (5)A? B = (A B) Θ B( 6 )在.5中集合A和集合B进行一个开运算,在公式6中,集合B和集合A进行一个闭运算。开运算能消除,,大物体边界。闭可以的小洞,并连接两个,物体边界。顶帽变换是数学它有效的黑色像素或黑色背景白色像素。顶帽的方程示于HAT ( A ) ??A ??( A ?B ) (7)
从.7中,我们可以看到,顶帽A是将A 和集合B进行减运算,再和集合A进行开运算的结果, 在我们的算法,A是垂直梯度GV(I,J),B是一个3 * 3 原始图像灰度图像示于图1,它的顶帽变换,如图2所示。
图像1.原始图像的灰度图像
图像2.顶帽变换后的图像
3.3获得车牌图像的水平候选区域
从步骤2中,我们可以看到,更大垂直梯度值可以粗略地代表车牌区域。所以车牌区域趋于对垂直水平投影梯度差异。根据牌照,我们计算水平投影使用式8
因为有很多毛刺,我们引入高斯滤波器的目的为这些毛刺。对于离散的曲线我们经常使用.9去过滤图像。
在公式中,代表原始预测值表示滤波后的投影值,并且从1到m。 w是平滑的宽度,H(J,σ)是高斯滤波器σ表示高斯滤波器的参数。多次实验后高斯滤波器参数可行值得出。在我们的算法,W =8,σ=0.05。滤波的曲线示于图3。
图像3,经过滤后的水平投影水平值较大的区域以大致牌照区域,我们可以一个阈值来定位的候选。阈值T代表经滤波的投影值T的平均 H(i)t表示重量参数T ??t * aver (10)
在我们的算法,经过实验,T =1.1。如果TH(I)大于或等于T,我们设置一个标记,并堆栈的值(1,i)为1,
图像4。堆栈的标记图像
从图4中,我们在堆栈中可以看到, s的连续区域表示水平的候选。然后,我们使用一些规则来合并一些,一些太宽
文档评论(0)