基于复杂背景下的多车牌定位与识别关键技术研究(4)

车牌定位的方法还有ＤＦＴ变换法：先对图像做ＤＦＴ变换，然后把频率系数逐行累加平均并根据这些平均值做频谱曲线，根据频谱曲线中的“峰”的起始点位置确定车牌的水平位置，对这一水平区域逐列做ＤＦＴ变换，确定车牌的垂直位置。

另外，车牌定位还有模糊聚类法：利用模糊逻辑系统，根据一些分类参量判别由粗分割得到的图像中不确定的部分是隶属于背景还是目标，其中分类参量包括：所选择的窗口的局部标准差，像素灰度与所选窗口的平均像素灰度差，像素与背景的对比测试度。

２．２．２．５各种车牌定位方法的比较与总结表２．１是对目前车牌的定位方法进行对比，指出各种定位方法存在的不足。（２—１４）

江苏大学硕士学位论文

表２．１车牌定位方法小结

实现思想

根据乍牌中的字符在垂直方向的投影

投影

法为一个密集区，水平方向的投影为波浪形跳变区。采用两级定位算法：垂

直定位及水平定位

考察图像的每个像素在某个邻域内灰

基于车牌

特征的车

基

丁．不足之处边缘投影峰较复杂，峰区定位一般采用经验阈值标准模糊，定位不准确计算量较人并且对车牌图像边框的连续性要求较高边缘检测度的变化，根据边缘邻近一阶或二阶方向导数的变化规律，用简洁的方法术检测出边缘，根据７ｆｉ牌内字符之间的问隔比较均牌定位冈不同的颜色级变成

同样的灰度级会丢失

一些边缘信息，从而

对定位产生一定的影

响

计算量＿｛Ｆ常大且易受

噪声影响灰度图像的车

牌

定

位

运用遗传算法运川形态学水平灰度变化匀，字符和牌照底色在灰度值上存在跳变，而字符本身与牌照底的内部都有较均匀的灰度｝ｌｊ不同尺寸的每个可能字符作为结构元素，采ＪＨ击中击不中方法先提取输入图像中的字符，再根据牌照字符的语法得剑汽车牌照利用遗传算法对图像进行优化搜索，结合区域特征矢量构造的适应度函

数，寻找剑牌照Ｉ又：域的最佳定位参量

使用二个时延神经网络在水平和难直

方向对输入图像进行滤波，得到牌照

的候选区域，然后利用牌照的长宽比、

面积、面积与周长比来区分真正的牌

照区域与类牌照区域耗时长，难以进行实时处理要求图像中的牌照尺寸基本不变，一．口．图像中的牌照尺寸发生了较大的变化，必须对神经网络重新进行

训练运用神经网络

通过边缘检测算子对彩色图像的边缘

检测，增强牌照Ｉ又：域，并借助数学形

基于彩色图像的乍牌定

位态学膨胀技术实现｜又：域的连通，采用区域生长方法标记候选区域，最后利

用车牌的先验知识，提出虚假车牌区，

确定真正的々ｉ牌区运算量较人，在车牌区域颜色与附近颜色非常相似时，定位错误有所增加。

２．３车牌字符分割

车牌字符分割足指将字符串图像切割成单独字符的过程。它的重要性是不言而喻的，因为切割错误的字符被正确识别的概率几乎等于零。

传统的字符分割算法有：直接分割法、基于识别基础上的分割法、自适应分割线类聚法。直接分割法简单，但它的局限是分割点的确定需要较高的准确性；

江苏大学硕士学位论文

基于识别基础上的分割法是把识别和分割结合起来，但是需要识别的高准确性，它根据分类和识别的结合程度又有不同的划分；自适应分割线聚类法是要建立一个分类器，用它来判断图像的每一列是否是分割线，它是根据训练样本来进行自适应学习的神经网络分类器，但对于粘连字符训练困难。也有直接把字符组成的单词当作一个整体来识别的，诸如运用马尔可夫数学模型等方法进行处理，这些算法主要应用于印刷体文本识别。

２．４车牌字符识别

字符识别属于模式识别的范畴，模式识别的方法可以分为两类：统计的方法和结构的方法，字符识别方法从印刷体字符到手写体字符的识别，从简单的数字字母识别到复杂的汉字识别都充分体现了二者应用的困难。目前，字符识别的方法可以分为三大类：

（１）模板匹配法

这个方法是把输入的字符直接和标准的字符原形进行比较，找到与之最匹配的模板。模板匹配对噪声很敏感，而且对字符的字体风格不具有适用性，在对车牌的汉字识别中，由于它的汉字只是有限的几个，可以考虑建立标准字库来进行模板匹配【２０１。

（２）特征分析匹配的方法

这类方法是基于特征平面来进行匹配的，是使用率较高的一类方法，相比较于模板匹配而言，它能更好的获得字符的特征，有的特征对噪声是不明显的【２０１。根据所提取特征的类型，特征分析匹配的方法可以分为下面几种：

（ａ）整体变换分析法：比如Ｋａｒｈｕｎｅｕ—Ｌｏｅｖｅ变换、Ｆｏｕｒｉｅｒ变换、Ｈａｄｍａｒｄ变换Ｈｏｕｇｈ变换、投影变换和链码变换。这些变换可以减少特征矢量的个数，并且这些特征比较容易提取，模板也比较容易生成，但通常都需要较大的计算量。因此关键是找到一个合适的变换，该变换能较多的反映字符的主要特征。

（ｂ）由点的统计分布得到的特征抽取法：这些特征包括笔划轨迹，交叉点和距离等。这些特征在某种程度上可以接受字体的变化，提取速度很高，复杂性也较小。但是通常这些特征的掩模的生成比较困难。

（ｃ）几何和拓扑的方法：这种方法是利用字体的结构，把字符分成构成它的元素，主要是获取字符的关键形状特征，比如字符的骨架或轮廓中的这些特征有端

点、连接点、笔划的交叉点、弧、凹度、凸度等，所以这个方法首先要把字符进行细化，然后再从中抽取上述的特征，用拓扑结构来描述，从而把一个字用拓扑图来表示，进而识别。这类特征也是允许存在一定的字体变形，但这些特征模板的生成比较困难。

（３）神经网络的识别方法

此方法是利用神经网络的机制来提取字符中存在的特征，训练已有的样本，从而构建一个稳定的神经网络来进行识别。神经网络训练的缺点是训练会需要很长的时间，不过训练好的网络可以很方便的应用于识别。

２．５本章小结

本章介绍了车牌识别系统的研究现状及目前主要运用的车牌定位方法、车牌字符分割方法与车牌识别方法，并着重介绍了各种车牌定位方法。每种方法均做了详细介绍并且比较了各种方法的优缺点，从而为本文车牌识别方法的研究奠定了理论基础。１４