纹理研究车牌定位方法探究现状和展望.docx

纹理研究车牌定位方法探究现状和展望 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。车牌定位是车牌识 别的重要步骤，其目的是确定车牌在图像中的坐标位置，从 而剔除大部分的噪声区域，仅保留包含车牌的子区域。目前, 纹理分析是车牌定位最基本也是最重要的手段。该文首先介 绍了纹理分析车牌定位方法的研究成果，然后总结这些方法 的不足，展望了下一步的研究方向。 关键词：智能交通车牌识别车牌定位 中图分类号：TP3文献标识码：A文章编号：1674-098X (2013) 01 (b) -00-03 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。 车牌定位即确定车牌在图像中的坐标位置，从而剔除大部分 的噪声区域，仅保留包含车牌的子区域。定位效果直接制约 着倾斜校正、字符分割以及识别效能的发挥。具有丰富的纹 理是车牌区别于诸多背景的最基本特征。通过分析这些纹理 特征进行车牌定位的方法称为纹理分析车牌定位法，简称纹 理定位法。按照纹理特征的类型可以将纹理定位法分为边缘 跳变、边缘密度、边缘相关性、灰度梯度、连通性、角信息 六类。该文首先分别介绍了这六类方法的研究成果，然后总 结了现有纹理定位法存在的不足，展望了下一步的研究方 向。 1边缘跳变 车牌字符和车牌底之间的颜色分立特征导致从字符到 底色或是从底色到字符均存在显著的边缘跳变，统计这种跳 变特征即可找到感兴趣的区域。文献［1］首先提取二值边缘, 然后采用行扫描记录边缘跳变点数，从而实现候选区定位。 刘庆祥［2］等进一步将这种跳变特征模板化，然后利用该模 板进行扫描匹配，从而实现车牌定位。投影则是另一种常用 的统计方法，它通过二值边缘图像的水平和垂直投影统计边 缘跳变点的分布，分别确定车牌在水平和垂直方向的位置。 其中，一些学者还针对投影曲线的特征分析进行了大量的改 进。为了克服传统投影法关于多峰值的缺点，冯国进等［3］ 提出一种自适应投影法，自动获取投影最大值变化点，仅保 留少数显著的峰值区域，减少分析的难度以及提高定位准确 性。为了达到相同的目的，乙X. Chen等⑷利用字符的高度 去除不满足条件的峰值区域。此外，X. F. Chen等［5］首先通 过投影曲线形状的平滑分析将车牌图像分为白天和夜晚两 种类型；对于前者，使用垂直投影确定车身的范围，缩小搜 索区域；然后，通过投影曲线平滑、放大、分割特征分析等 实现夜晚类型图像和处理过后的白天类型图像的车牌定位。 2边缘密度 车牌可以看成是边缘丰富的类矩形区域，因此边缘密度 经常被应用于车牌的候选区定位。边缘密度的计算方式可分 为固定矩形、外接矩形和分块合并三种。文献［6］根据先验 知识设计一个与车牌尺寸相比拟的矩形窗口，并使用该窗口 在图像中进行滑动扫描，计算当前窗口的边缘密度，将满足 一定条件的窗口区域作为车牌候选区。为了提高扫描的鲁棒 性，文献［7］进一步将扫描窗口设定为边缘外接矩形，这样 有利于适应车牌区域的尺寸变化。但是，无论固定矩形和外 接矩形窗口扫描都是按照一定行列步进进行的，扫描速度较 慢。为了提高扫描速度，文献［8］首先将图像划分为若干个 子块，分别计算其边缘密度，若满足一定条件就判定当前子 块属于车牌候选区域；然后，对挑选出来的子块进行合并、 再分割等操作，从而实现候选区定位。 3边缘相关性 车牌的字符笔画具有一定的宽度，使得字符尤其是英文 字母和数字具有对称性较好的的边缘对。朱风云等［9-10］提 出一种基于互相关矢量图的车牌定位算法，有效地提取了这 种特征，从而结合先验知识实现车牌定位。该算法首先利用 水平差分得到差分为正和负的两幅图像，并进行阈值化；然 后，利用粒子图像测速互相关算法对这两幅图像进行分析， 得到车牌图像的互相关矢量图；最后在矢量图中确定车牌的 位置。 4灰度梯度 灰度梯度特征是边缘跳变特征的初级阶段，一旦经过二 值化，前者就转化为后者。然而，二值化过程对噪声比较敏 感，因此一些学者直接利用灰度梯度特征进行车牌定位。这 些研究的重点主要集中在车牌区域的灰度梯度增强和灰度 梯度特征提取两个方面。张玉姣等［11］提出一种基于模糊边 缘检测的定位方法。模糊边缘检测需要根据灰度梯度直方图 确定广义渡越点，进而对感兴趣的灰度边缘进行增强。该方 法对目标区域的灰度梯度增强效果较好，且具有一定的噪声 抑制功能。但是，模糊边缘检测过程中的多次迭代会显著降 低定位过程的实时性。因此，作者仅将该方法应用于候选区 筛选，而非候选区定位，取得了较好效果。李宇成等［12］通 过构造卷积能量图，实现目标区域的灰度梯度增强。首先， 通过