车牌倾斜校正的研究综述.docVIP

车牌倾斜校正的研究综述 　　摘 要：作为智能交通系统的核心技术之一，基于机器视觉的车牌识别一直受到广泛的关注。对车牌图像进行倾斜校正是车牌识别的重要步骤，其目的是解决拍摄角度随机性对识别过程的影响。该文将现有倾斜校正方法划分为直线检测、投影最值、角点检测、主方向分析四类，首先介绍了它们的研究成果，然后剖析了它们在鲁棒性方面存在不足的原因，展望了下一步的研究方向。 　　关键词：智能交通 车牌识别 倾斜校正 　　中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2013）01（a）-0-02 　　基于机器视觉的车牌识别是智能交通系统的核心技术之一，可广泛应用于高速公路自助缴费、城市交通监控、违章或犯罪监控以及智能停车场管理等方面，它主要包括图像获取、车牌定位、倾斜校正、字符分隔、字符识别五个部分。由于车牌的悬挂位置、车辆的位置以及摄像机的安装位置存在相对的不确定性，对车牌的拍摄角度具有一定的随机性，导致定位后提取的车牌图像中字符不可避免地存在某种程度的倾斜，不利于下一步的字符分割，进而影响后续的字符识别率，因此需要在车牌定位和字符分割之间进行车牌的倾斜校正。该文首先分类介绍了现有倾斜校正方法的研究成果，然后剖析了这些研究的不足之处及其原因，展 　　望了倾斜校正的下一步研究方向。 　　1 直线检测法 　　车牌具有两组平行边框，尤其是上下边框较长，水平边缘呈两条平行的直线，当车牌倾斜时，两平行线与水平方向的夹角即可看作车牌的倾斜角度。Hough[1-4]和Radom[5-7]变换经常被用来检测车牌区域的两条最长的平行线，从而根据它们与水平方向的夹角实现倾斜校正。这两条平行线所在的方向使得Hough或Radom变换累加器取得最大值，直接在车牌区域的边缘图像中检测该最大值对应的直线即是Hough、Radom直线检测法的常用形式。然而，这两种变换计算量大，导致执行时间急剧上升。芮挺等针对传统Hough直线检测法实时性差的特点，提出一种改进算法。他们首先通过数学形态学处理和轮廓跟踪去除与校正无关的冗余信息，仅保留边框的轮廓；然后，采用一种Hough变换倾斜角分级检测的策略，将角检测精度到从1 °过度到0.1 °，大幅降低检测次数。实验证明：改进方法的校正时间约为传统Hough直线检测法的十分之一左右，在23～27 ms之间（AMD Athlon-800 CPU，128 M RAM，VC++6.0）。同样地，这种改进也适用于Radom直线检测法。事实上，车牌的边框特征很不稳定，很多情况下边框并不明显，或是残缺不全，因此Hough、Radom直线检测法的鲁棒性较差。 　　2 投影最值法 　　车牌在倾斜方向上的投影具有特殊的最值现象，通过查找该最值对应的旋转角度即可确定车牌的倾斜角，这种方法叫做投影最值法[8-13]。吴成东等按一定的角度旋转车牌图像，并得到相应的水平差分投影；然后，利用Fisher判别准则获得最优水平切割。当切割后的水平差分投影均值最大时，对应的旋转角度即为车牌的倾斜角度。采用类似的坐标轴投影方法，王枚等通过字符投影的最小距离以及J.B.Jiao等通过有效投影线段的最小数目获得车牌的倾斜角度。区别于上述向坐标轴投影的方法，陈振学指出：在倾斜方向上投影像素值的累积平方合是最大的，可以将倾斜车牌向各个方向投影，同时计算投影区域的像素值累积平方和，其中最大值对应的方向就是车牌倾斜的方向。利用230个倾斜车牌进了测试，该方法取得了96.1%的校正准确率。此外，为了克服传统投影最值法不断变换角度引起计算量显著增大的缺点，吴一全等[9]将旋转后车牌图像的垂直边缘向水平方向投影，然后导出边缘点投影方差最小时旋转角度的闭合表达式，由此直接确定车牌的倾斜角度。利用50幅图像在MATLAB6.5平台上进行了多种校正方法的比较实验，结果表明：该方法在校正精度和实时性方面具有较大的优势，尤其是执行时间较Hough直线检测法和传统的投影最值法分别低了1和2个数量级，平均校正误差约为0.338 °，平均执行时间约为4.5 ms（P4 2.8 G CPU，512 M）。而且，他们还进一步利用粒子群优化算法讨论了投影p次方差对校正精度和执行时间的影响，实验结果表明：p=2时运算速度最快，p→∞时校正精度最高[13]。 　　3 角点检测法 　　车牌区域的角点与其倾斜角度存在着一定联系，通过定量描述这种联系可以确定倾斜角度，这种方法称为角点检测法[14-15]。张美多等试图通过检测车牌边框的四个角点来实现倾斜校正。为了降低运算量和分析难度，他们将检测区域限定在车牌四个顶点处的矩形区域内，并设定该区域的长和宽分别为整个车牌区域长度的1/10和宽度的1/4。然后，利用Harris算法检测出符合要求的角点，并进一步根据内角