计算机图像处理技术在车牌识别系统中应用.docVIP

计算机图像处理技术在车牌识别系统中应用 　　摘 要：随着人们生活水平的持续提高，机动车的保有量居高不下，城市的交通问题日益凸显。如何高效的管理机动车成为人们关注的焦点。智能交通系统应运而生，它把人们从低效、复杂的人工管理中解脱出来，而车牌识别系统作为智能交通的重要组成部分，它被广泛应用于公路的布控、高速公路的自动收费系统、重要场所的出入管理等。本文应用计算机图像处理技术，提出了车牌识别系统的总体方案，有效解决了车牌识别的问题。 　　关键词：图像处理； 智能交通； 车牌识别 　　中图分类号：TP391.41 文献标志码：A 文章编号：1006-3315（2014）12-163-002 　　1.车牌识别系统的工作原理 　　通常情况下，车牌识别系统由以下几个部分组成： 　　（1）图像的预处理：由照相机或摄像机采集到的车牌图像由于是在露天的环境下采集的，由于外部因素，比如不同的光照??间或者角度以及硬件采集的问题，使得图像的质量不高，其噪声会影响到后续的车牌定位和字符分割，因此需要在前期对图像进行预处理。 　　（2车牌的定位：其目的是要从整幅图像中获得车牌所在图像的位置，并把它提取出来。车牌定位是系统中比较重要的环节，定位的准确程度直接影响着后续的处理。 　　（3）车牌字符的分割：其目的是要从定位后的车牌图像中把单个的字符一个个分割提取出来。现实中由于摄像头拍摄的角度问题，定位后的车牌图像可能存在一定角度的倾斜，如果有倾斜，还需先对图像进行倾斜校正。 　　（4）车牌字符的识别：其目的是要把已经分割的单个字符能够显示出来。 　　2.图像的预处理 　　2.1彩色图像灰度化 　　摄像头采集到的图像为彩色图像，在RGB模型中，每个分量有255种取值可能，一个像素点就是1600万种取值，这个处理量是巨大的。因此需要对彩色图像进行处理。灰度图像是指R=G=B的特殊图像，R=G=B的值叫做灰度值。这样一个像素点只有255种取值，存储的空间也大大降低了。常见的灰度化方法有取分量最大值的最大值法、取三个分量平均值的平均值法、根据现实要求进行加权平均的加权平均法。 　　2.2图像的滤波 　　图像滤波的目的是在尽可能的保留图像信息的前提下，将图像进行去噪处理。由于图像在采集的过程中或是传输的过程中会受到噪声的干扰，有些噪声会表现为比较强烈的孤立点或是像素块，极大的降低了图像的质量。常见的滤波方法有：（1）中值滤波：它的思想是用滤波窗口的中值来代替窗口中心位置像素的灰度值，这样能够去除窗口中灰度值最大或者是最小的点，达到了抑制噪声的目的。（2）均值滤波：它的思想是用均值来代替原图像中像素点的灰度值。但它不能保护好图像的细节，容易使图像变的模糊。 　　2.3二值化 　　彩色图像在进行灰度化后，其数据量大大减少，处理速度得到很大的提升。为了进一步的图像处理，使图像变的更简单，数据量变的更少，同时又能凸显出价值目标，可以对图像进行二值化处理。图像的二值化，简单的说就是将图像上的像素点的灰度值设置为0或255两种值，使整个图像呈现出明显的只有黑和白的视觉效果。在二值化时，需要通过一个阈值把图像分为两部分，将大于阈值的点设为白色或黑色，小于阈值的点设为相反的颜色。可以看出，二值化的关键就是阈值的选择。根据阈值选取的不同，可分为固定阈值和自适应阈值。固定阈值指的是在二值化过程中只有一固定的阈值T，把每个点的灰度值与阈值T进行比较来生成二值化图像。自适应阈值指的是二值化过程中，阈值不是固定的，根据图像的局部特征，如像素之间的均方根值，像素之间的差平方，窗口像素的平均值等来实现动态阈值。动态阈值可以通过参数方程来求得： 　　2.4边缘检测 　　图像的边缘是图像的基本特征。所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。边缘广泛地存在于物体与背景之间、物体与物体之间、基元与基元之间。它的存在是灰度不连续造成的。经典的边缘检测方法是考察图像的每个像素的某个邻域内灰度的变化，利用边缘邻近一阶或二阶导数变化规律，用简单的方法检测边缘，这种方法称为边缘检测局部算子法。本文采用的是Sobel算子，这种算子对噪声有抑制作用。 　　2.5数学形态学 　　数学形态是一种非线性滤波方法，可以用于抑制噪声，进行特征提取、边缘检测、图像分割等图像处理操作。形态学滤波有四种基础操作：腐蚀、膨胀、开操作和闭操作。本文先采用腐蚀的操作使得图像缩小，然后进行闭运算填补缝隙，使得图像可以成为一块整体。 　　3.车牌的定位 　　汽车牌照的定位是指从拍摄的车辆图像中得到车牌照所在的位置，并把含有车牌的子区域提取出来。从编程实现的角度来看，就是针对某汽车图像，通过运行某个定位算法，确定车牌子区域的对角坐标。显然在汽车牌照识别系统中，车牌定位准确与否直接