基于HALCON的车牌识别研究.docxVIP

基于HALCON的车牌识别研究 随着私家车的不断增加，智能交通系统在交通、大型停车场、收费站等场合的车辆管理发挥着重要作用，而车牌识别是智能交通系统中的重要部分。车牌识别系统包括图像采集、车牌定位、字符分割与字符识别四部分。其中，车牌定位是车牌识别系统实现字符分割与字符识别的前提。目前车牌定位有以下几种方法：基于纹理特征和颜色匹配的方法、基于小波分解的方法、基于边缘检测的方法[4?5]、基于形态学的方法等。实践表明，以上每种方法都有其优点和不足之处，例如基于纹理的方法是根据车牌区域灰度变化密集的特征利用扫描法和投影法同时与车牌颜色匹配来实现车牌定位，克服了单一特征的局限性，但容易受光线干扰；边缘检测方法噪声抑制能力较强，定位准确率高，但在车牌褪色严重字迹不清的情况下无法检测到车牌边缘而导致定位失败。 字符分割是将车牌区域中的7个字符分割为相互独立的字符区域。通常字符分割方法有以下几种：聚类分析法、垂直投影法[8?9]、模板算法和最大最小优化熵法等。但聚类方法中由于汉字包含多个连通域所以需要重复的聚类，而垂直投影法受噪声的影响较大。 本文针对车牌定位与字符分割模块分别提出了一种新的处理方法，在车牌定位模块提出了在HSV通道上采用两次阈值实现车牌定位的方法，由于在S通道上车牌区域明显比其他部位亮，可采用阈值方法获取，此方法简单并且节省时间。在字符分割模块提出了汉字分割与连通域相结合的方法，先将汉字独立分割出来，得到它的连通域，再将独立的汉字连通域与其他6个字符的独立连通域合并到一个区域中，得到一个包含7个相互独立的字符连通域的区域。此方法能够准确获取字符信息并解决了聚类方法中需要对汉字重复聚类的问题。字符识别是先提取分割字符的特征，然后利用已训练好的分类器进行分类识别的过程。在字符识别模块采用的是BP神经网络识别法。 1 车牌识别系统 车牌识别系统在德国MVTec公司研发的图像处理软件平台Halcon上实现，此软件包含1 000个以上的独立的函数，已经是公认的具有最佳效能的机器视觉软件。使用Halcon软件来实现车牌识别系统的设计具有运行时间短、稳定性高和实时性好等特点。本文车牌识别系统包括图像采集、车牌粗定位、车牌校正、车牌精确定位、字符分割和字符识别几部分，如图1所示。 e：＼c16＼14年16期＼image＼26t1.tif/e：＼c16＼14年16期＼image＼26t1.tif 图1 车牌识别流程 2 车牌图像的处理与定位 车牌定位是车牌识别系统的重要一步，首先采集图像并对图像进行预处理，包括转换为灰度图像与HSV图像、灰度阈值和去噪声。然后利用S通道图像阈值，通过区域特征选择出车牌候选区域，再将候选区域校正，二次阈值定位，从而得到精确的车牌区域。 2.1 车牌图像处理 利用Halcon软件中的算子read_image（）从磁盘中加载已获取的图像。而采集到的图像一般是彩色图像，需要在车牌识别处理前进行预处理将彩色图像转化为灰度图像，原图像与转化的灰度图像如图2所示，转化原理如下： [fx，y=0.299Rx，y+0.587Gx，y+0.114Bx，y] （1） 式中：[fx，y]表示转化后灰度图像元素的灰度值；R（x，y）；G（x，y），B（x，y）分别为彩色图像中每个元素的红、绿、蓝的分量值。 在灰度图像中，由于各种原因车牌区域与其他区域的对比度较低，难以实现车牌区域的定位。本文采用HSV颜色模式，其中H表示色调，S表示饱和度，V表示明度，此模式最接近人眼的观察效果，因此最适合用于图像处理。 可以看出在S通道上车牌区域灰度值明显大于其他区域（如图2所示），在转化HSV前需将彩色图像分为R、G、B三个独立单通道图像，再将此三个单通道图像转化为HSV图像，基本原理如下： [V=maxR，G，B] （2） [S=Max-MinMax] （3） [H=G-BMax-Min×60，R=Max2+B-RMax-Min×60，G=Max4+R-GMax-Min×60，B=Max0， Max=Min] （4） 式中：[Min=minR，G，B]，[Max=maxR，G，B]。 对S通道图像阈值，再进行去噪处理可以得到比较干净的车牌区域，处理后效果如图2所示。 e：＼c16＼14年16期＼image＼26t2.tif/e：＼c16＼14年16期＼image＼26t2.tif 图2 原图与部分处理后图像 2.2 车牌粗定位 图像预处理后可得到比较干净准确的车牌候选区（见图3），车牌第一次定位方法如下： （1） 利用区域面积特征和Halcon中