车牌定位的研究.docVIP

车牌定位的研究 　　【摘 要】 本文提出了一种基于RGB颜色模型和小波变换的车牌定位方法。首先把车牌分为蓝色车牌非蓝色车辆、黄色车牌非黄色车辆和其它三类，分别进行车牌定位。通过形态学运算、连通域标记和连通城分析等方法定位出车牌区城。该方法具有良好的适应能力和实时性，也能够对多车牌进行定位。 　　【关键词】 车牌定位 小波变换 连通域分析 数学形态学 自适应二值化 　　车牌定位是车牌识别系统中的关键环节之一，它是字符分割的基础性工作。目前，车牌定位方法主要有以下三种方法：一是基于水平方向灰度变化的方法，二是基于边缘检测的定位方法，三是基于彩色信息的定位方法。本文提出一种车牌定位的新方法，首先判断车辆是否为蓝色车牌非蓝色车辆和黄色车牌非黄色车辆以及其它车辆，分别采用基于RGB颜色模型和数学形态学的颜色提取定位方法和基于小波变换的定位方法。本方法在保证漏检率和准确性的基础上极大的提高了定位的实时性。 　　1 车牌粗定位 　　在我国车牌使用比较多的是蓝色和黄色车牌，白色和黑色车牌相对比较少。我们先判断车牌是否是蓝色再判断是否为黄色然后再作为其它车牌进行处理。如果是蓝色和黄色车牌，我们采用基于颜色特征的车牌定位方法进行车牌粗定位，如果是其它车牌，我们采用基于小波变换的车牌定位方法对车牌进行初步定位。基于颜色特征的车牌识别方法速度快，准确率高，而基于小波变换的车牌识别方法适应性强。因此，此方法在提高定位速度和准确性的同时，也极大的降低了漏检率。 　　1.1 基于颜色特征的车牌粗定位 　　首先，根据我国车牌的大小和图像采集设备的实际应用情况确定蓝色车牌非蓝色车辆的阀值，一般情况下，车牌面积占图像的范围为[1/300，1/30]，本文采用这个阀值。然后构造出基于RGB颜色模型的蓝色车牌模型，如式（1）、（2）和（3）。其中a、b、c、r分别为常数，R、G、B为三色变量。 　　根据RGB颜色模型通过对常数项的选择把蓝色车牌模型分为严格、适中和宽松三个阀值对车辆图像颜色进行蓝色提取。实验所选，严格为：a=1/3，b=7/12，c=3/4，r=160；适中为：a=1/3，b=7/12， c=3/4，r=185；宽松为：a=1/3，b=7/12，c=3/4，r=210。对提取结果进行数学形态学膨胀和腐蚀操作。 　　实验可知，三种阀值所提取的颜色图像，适中阀值是最理想的结果。为了完成对三种阀值下提取出的图像进行最优选择，定义m为提取出二值图像的白像素个数，M为提取出的二值图像进行形态学操作后的白像素的个数；定义D=（M-m）/m为膨胀系数。设m1为在一种阀值下提取出二值图像的白像素的个数，设m2为在另一种阀值下提取出的二值图像的白像素的个数，我们定义A=（m2-m1）/m1为扩大系数。根据我们的经验可知通常情况下车牌图像像素与车辆图像像素之比大于1/300，我们在对图像做最优选择时首先要判断提取出的像素数是否符合要求。以下步骤中的常数均来源于上面的分析。我们可以结合数学形态学利用膨胀系数D和扩大系数A来对提取出的二值图像进行最优选择。本文实验采用严格阀值二值图像的膨胀系数D1和适中与宽松阀值二值图像的扩大系数A2来对图像进行选择，设所采集的车辆图像的大小为[a，b]，则图像的像素个数为N=a*b。设三种阀值所提取的二值图像白像素的个数分别为m1、m2、m3，对图像进行数学形态学操作后白像素的个数分别为M1、M2、M3。具体步骤如下： 　　如果m13N/2000且D1=（M1-m1）/m17/10，选择严格图像作为最优； 　　如果m23N/2000且A2=（m3-m2）/m21/3，选择适中图像作为最优； 　　其它的选择宽松图像作为最优； 　　如果第一步和第二步都符合条件，选择严格作为最优。 　　黄色车牌非黄色车辆定位方法与蓝色车牌非蓝色车辆定位方法类似，此处不再介绍。 　　1.2 基于Symlets小波变换的车牌粗定位 　　本文在考虑到本设计方案实际情况的前提下，提出一种折中的基于小波变换的车牌定位方法，采用一维行小波变换来定位车牌。本文根据选取的小波要和信号有一定的相似性的标准选择Symlets二阶小波。 　　采用灰度图像自适应二值化算法：首先利用Kirsch算子对灰度图像进行边缘提取，然后对图像进行二值化处理（可以用任一种常用的方法），而后再用区域生长法对连通域进行标记，滤除掉离散的噪声点，计算出每一个连通域的最小外接矩形的上下左右边界（把区域面积不满足车牌要求的去除），对每个矩形区域分别进行二值化，最后再对整幅图像进行全局二值化。经Matlab仿真实验证明，这种二值化方法对车牌图像的二值化能够取得非常好的效果，并且具有很强的鲁棒性。 　　定位算法流程分析法：首先采用加权平均值（g=0.3R+0.59G+ 0.