基于复杂背景下的多车牌定位与识别关键技术研究(3)

目前基于灰度图像的车牌定位的研究主要有三种：

①以前方法的改进；

②创新；

③新老方法的结合。

ＪＢｕｌａｓ～Ｃｒｕｚ等人提出基于扫描行的车牌提取方法，指出扫描行经过车牌区域会产生有规律的起伏。在此结论的启发下，东南大学的富煜清等人提出了利用６

扫描行离差数据，有效谷峰点特征及先验知识来初步定位车牌区域，并提出了利用边缘检测和Ｈｏｕｇｈ变换进行子倾斜车牌校正的算法以及车牌上下界精确定位算法【９１。

郁梅等人通过对以往车牌识别系统的定位方法进行分析、总结，提出了一种基于线模板的二值图像角检测算法１１０Ｊ。将包含车牌的彩色图像转化为二值图像，再经过形态滤波器滤波后，利用快速角检测法寻找图像各角点，最后定出车牌位置。这种算法简单、快捷、稳健，且具有一定的鲁棒性。

武汉理工大学的刘泉，谢鸣等【１ｌ】提出利用灰色理论的改良种子算法在车牌定位应用，取得了一定的成绩。Ｒ．Ｐａｒｉｓｉ等１４Ｊ提出了一种利用ｌ维ＤＦＴ的车牌识别算法，该算法利用了神经网络的原理，据报道效果不错。ＯｐａｓＣｈｕｔａｔａｐｅ利用模糊熵的原理开发出一套车牌识别系统，其识别率达到９３％以上。

２．２．１．２基于彩色图像的车牌定位研究状况

由于牌照具有不同的色彩，且多与车辆背景不同，因此考虑基于颜色特征来研究车牌的分类定位应该说是车牌识别领域的一种新思路１１２１。文献［１３］采用ｂａｃｋ．ｐｒｏｐａｇａｔｉｏｎ神经网络把图像中各个像素归类为绿、红、白和其它四种色彩，再对绿、白、红做水平和垂直的直方图，以确定牌照在图像中的位置。但该方法无法在牌照倾斜和变形的情况下准确确定出牌照的位置。

近年来，国内在这方面做出尝试。辽宁师范大学李文举提出了一种新的基于边缘颜色对的车牌定位方法１１５】。首先进行彩色边缘检测，然后以每一边缘点为中心，垂直于边缘方向取一线形窗口，在窗口内检测边缘点两侧像素的颜色是否分别匹配车牌的底色与字符颜色，若是，则保留为候选车牌边缘点；然后进行形态滤波，最后对候选车牌区域进行纹理特征的分析以确定真实车牌区域。该方法抓住了车牌背景与字符具有固定颜色搭配的重要特点，综合利用了车牌的结构特征和纹理特征，提高了车牌定位的可靠性，定位准确率达到９８．２％．

上海交通大学的赵雪春等提出了一种彩色分割及多级混合集成分类器的车牌自动识别方法【１６ｌ。这种方法的主要思想是通过三层ＭＬＰＮ网络将具有均匀色度空间的彩色图像进行色彩分割，再利用投影法分割出潜在的各种底色的车牌区域。其过程是通过预处理将ＲＧＢ三原色模式彩色图像转化为ＨＳＩ模式彩色图像，在这个过程之前要进行图像的抽稀，以减少计算量，过程之后要进行彩色饱和度的处理，以减少光照条件对图像分割产生的影响。系统经过学习与训练，并利用投影法及先验知识，能够很好地割颜色，得出合理的车牌区域。不过这种方法在车牌区域颜色与附近颜色非常相似时，车牌的定位错误会有所增加。

山西大学的郭大波等提出的一种基于车牌底色识别的车牌定位方法ｆＨ】。赵海燕等提出了一种先利用颜色加强，再利用车牌颜色进行定位的方法【１７１。

２．２．２车牌定位方法

基于灰度图像和彩色图像的车牌定位研究，派生出基于边缘检测、基于区域生长、基于数学形态学、基于小波和人工神经网络等多种车牌定位方法。当然也可以将两种或多种方法组合使用。

２．２．２．１基于边缘检测的方法

这是一种基于幅度不连续性分割的方法，由于车辆牌照具有不冈外部条件变化而变化的特征，即在车牌这个矩形区域内有丰富的边缘存在，采用边缘检测法能有效的检测出牌照区域边缘。传统的边缘检测方法有：

（１）差分边缘检测

设ｆ（ｘ，Ｙ）是可微函数，对于数字图像，一阶差分方程为：

Ａ，ｆ（ｉ，歹）＝ｆ（ｉ，，）一ｆ（ｉ—ｌ，＿，）

Ａ，ｆ（ｉ，Ｊ）＝ｆ（ｉ，／）一ｆ（ｉ，Ｊ一１）

Ａ口ｆ（ｉ，Ｊ）＝Ａ，ｆ（ｉ，ｊ）ｃｏｓａ＋△，ｆ（ｉ，ｊ）ｃｏｓａ

其中△，ｆ（ｉ，，），△，厂（ｆ，／），△。厂（，，／）分别是灰度ｆ在ｘ、Ｙ、口方向上的变化率。

（２）梯度边缘检测

对于数字图像，梯度模及方向为：（２一１）

Ｇ№川＝［（蛳∽）２＋（ｂｙ巾棚）２ｒ

口＝ａｒｃｔａｎ［Ａ，厂（ｆ，ｊ）／Ａ，／（ｆ，歹）］

为了便于计算，梯度模还可以采用（２．３）的近似式。（２．２）

Ｇ［ｆ（ｉ，Ｊ）］－－ｌａ，厂（ｆ，刊＋ｌ△ｙ厂（ｆ，刊

（３）Ｌａｐｌａｃｉａｎ（拉普拉斯）边缘检测

对于数字图像，Ｌａｐｌａｃｉａｎ算子定义为：

Ｖ２厂（ｆ，Ｊ）＝ｆ（ｉ—ｌ，／）＋厂（ｆ＋１，／）＋厂（ｆ，ｊ－１）＋ｆ（ｉ，ｊ＋１）－４ｆ（ｉ，Ｊ）

（４）不等权平均梯度边缘检测（２－３）（２－４）

江苏大学硕士学位论文

不等权平均梯度边缘检测，如Ｓｏｂｅｌ算子、Ｐｒｅｗｉｔｔ算子和Ｋｉｒｓｃｈ算子。这些的算子由于一些像素首先求和然后再差分，因此具有平滑噪声作用。

设图像ｆ的３×３子域中像素编号为：

ＡｏＡｌＡ２

Ａ，ｆ（ｉ，ｊ）Ａ３

Ａ６Ａ５Ａ４（２ ５）

如Ｓｏｂｅｌ算子是：

Ｇ。＝（Ａｏ＋２Ａｌ＋Ａ２）一（Ａ４＋２Ａ５＋Ａ６）

Ｇｙ＝（Ａｏ＋２Ａ７＋Ａ６）一（Ａ２＋２Ａ３＋Ａ４）（２—６）Ｇ［ｆ（ｉ，叫＝ｌＧ，Ｉ＋１ｃｙｌ

（５）其它边缘检测

此外，还有滑动平均梯度边缘检测、纹理边缘检测等。这类方法的缺点是要求图像边缘的连续性好，由于干扰的存在，用该方法处理后的车牌边框往往是时断时续的。

２．２．２．２基于区域生长的方法

分割的目的是要把一副图像划分成一些区域，对于这个问题的最直接的方法是把一副图像分成满足某种判据区域，也就是说亚点组成区域。

利用跟踪技术可以实现区域的分割与提取。以像素点为单元，或将图像划分成许多互补重叠的，ｚ×以子块（例如ｎ＝２，４，８），以子块为单元，对图像进行扫描，寻找满足检测准则的点或子块；当找到这样的点或子块后，作为核心点或核心块，检查它的全部邻点或邻块，把满足合并准则的任何邻点或邻块和己提取的满足检测准则的点或子块合并从而产生小块目标区域；接着再检查该区域的全部邻点或邻块，并把满足合并准则的邻点或邻块并入这个目标区域；不断重复这个步骤，直到没有邻点或邻块满足合并准则为止，则此块区域生长结束。

然后用检测准则继续寻找新的核心点或核心块，当找到满足检测准则的像素点或子块后，开始第二个区域生长，如此类推【１８】。

２．２．２．３基于数学形态学的方法

数学形态学（ＭａｔｈｅｍａｔｉｃａｌＭｏｒｐｈｏｌｏｇｙ）是一种应用于数字图像处理和模式识别领域的新方法【１９】，它的基本思想是用具有一定形态的结构单元去度量和提取图像中的对应形状，以达到对图像进行分析和识别的目的。数学形态学的数学基础和使用的语言是集合论。

（１）腐蚀（Ｅｒｏｓｉｏｎ）９

江苏大学硕士学位论文

集合Ａ被集合Ｂ腐蚀，表示为ＡＯＢ，其定义如式（２．７）所示。

ＡｏＢ＝｛ｘ，Ｂ＋ｘｃＡ｝

其中Ａ为输入图像，Ｂ称为结构元素。Ａ＠Ｂ由将Ｂ平移ｘ但仍包含在Ａ内的所有点 …… 此处隐藏：2144字，全部文档内容请下载后查看。喜欢就下载吧 ……