车牌的定位与字符分割报告
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
车牌的定位与分割
实验报告
一实验目的
针对交通智能系统所拍摄的汽车图片,利用设定的算法流程,完成对汽车车牌部分的定位,分割车牌部分,并完成字符的分割,以便于系统的后续分析及处理。
二实验原理
详见《车牌的定位与字符分割》论文。
三概述
1一般流程
车牌自动识别技术大体可分为四个步骤:图像预处理、车牌定位与分割、车牌字符的分割和车牌字符识别。而这四个步骤又可归结为两大部分:车牌分割和车牌字符识别。
图1-1为车牌自动识别技术的一般流程图。
2本实验的流程
(1)图像预处理:图像去噪
(2)车牌的定位:垂直边缘检测(多次)形态学处理的粗定位
合并邻近区域结合车牌先验知识的精确定位
(3)车牌预处理:车牌直方图均衡化倾斜校正判定(蓝底白字或者黄底黑字)归一化、二值化
(4)字符的分割:垂直投影取分割阈值确定各个字符的左右界限(结合字符宽度、间隔等先验知识)分割字符
四实验过程
4.1图像预处理
4.1.1图像去噪
一般的去噪方法有:空间域上的均值滤波和中值滤波;频率域上的巴特沃斯滤波器。图4-1是各滤波器处理椒盐噪声的效果。
a.被椒盐噪声污染的图片 b.均值滤波的效果图 c.中值滤波的效果图 d.BLPF的效果图
图4-1 各滤波器处理椒盐噪声的仿真
可见,中值滤波对椒盐噪声的处理效果极好,而一般所拍摄的图片上最多的便是孤立的污点,所以此处以中值滤波为主进行去噪。图4-2是采用中值滤波处理实际汽车图片的效果。
a.原始图像
b.灰度图像
c.中值滤波后的图像
图4-2 中值滤波处理实际汽车图片的效果
很显然,经过中值滤波后去除了原图上的部分污点。
4.1.2图像复原
由于通常情况下都不知道点扩展函数,所以我们采用基于盲解卷积的图像复原策略。
图4-3~4-7图是函数进行盲解卷积的实验结果,其中图4-3是图像cameraman 的模糊图像。
图4-3 模糊图像
在盲解卷积处理中,选择适当大小的矩阵对恢复图像的效果很重要。PSF的大小比PSF的值更重要,所以首先指定一个有代表性的全1矩阵作为初始PSF。恢复的图像如图4-4所示,初始PSF如图4-5所示。
图4-4 初步恢复图像图4-5 初始PSF 复原的图像呈现出由算法中使用的离散傅里叶变换所引入的振铃,则我们在调用函数deconvblind之前要使用函数edgetaper。消除振铃后的图像如图4-6所示,新重建的PSF如图4-7所示。
图4-6 消除振铃后的图像图4-7 新重建的PSF
由图可以看出,恢复后的图像消除了振铃的存在,但是,恢复结果仍有一定的失真。
4.1.3图像增强
此处采用直方图均衡化来增强图像对比度。图4-8为原始图像,图4-9为直方图均衡化后的效果图。
图4-8 原始图像图4-9为直方图均衡化后的效果图很明显地增强了图像对比度。
4.2车牌定位
4.2.1垂直边缘检测
对于垂直边缘,我们提出了自己的算法,能很好地去除大量非字符的垂直边缘,定位效果也较好。图4-10给出了本文算法与Sobel算法、Prewitt算法的应用结果比较。图4-10(a)为原始图像,图(b)为其灰度图像,图(c)为用sobel 垂直算子获得的垂直边缘图,图(d)用prewitt垂直算子获得的垂直边缘图,图(e)为用canny算子获得的边缘图,图(f)为使用本文算法获得的垂直边缘图,模板参数取m=2,n=12。
a.原始图像
b.灰度图像
c.Sobel算子处理的结果
d.Prewitt算子处理的结果
e.Canny算子处理的结果
f.本文算法处理结果
图4-10本文算法和经典算法的比较
4.2.2(多次)形态学处理的粗定位
一次形态学处理后的结果如若不理想,可进行第二次形态学处理,且结构元素大小可根据实际情况进行调整。图4-11是运用该算法对图4-10(f)的垂直纹理图进行两次形态学处理的结果。
a.一次形态中腐蚀的结果
b.一次形态中膨胀的结果
c.二次形态中腐蚀的结果
d.二次形态中膨胀的结果
图4-11 运用该算法对图4-10(f)的垂直纹理图进行两次形态学处理的结果
其中,由图d可看出除了目标车牌外,还有三个疑似车牌区,只实现了车牌的粗定位,因此还需要后续处理。
4.2.3合并邻近区域
图4-12是运用该算法对另一幅图的处理结果。
a.原始图像
b.一次形态后的粗定位
图4-12
由图中可以看出,由于车牌字符最后三个字符为111,在形态学处理后所得的相应区域与前面的四个字符断开了,从而被当做疑似车牌被该算法舍去了。
而合并邻近区域可很好的解决该问题。即在形态处理时,根据字符间最大间距等先验知识对形态处理所得个疑似区域进行必要的合并。图4-13显示合并邻近区域的结果。
图4-13 邻近区域合并的效果
4.2.4基于车牌恒定宽高比的后续处理--精确定位
运用数学形态学对该图进行处理后,得到多个车牌可能区域。然后合并邻近区域,再根据车牌的长宽比k恒定等特征,提取出车牌区域。其中,k值与许多实际因素有关,比如摄像机的物距、拍摄的角度等。
图4-14是的图4-10(a)车牌的精确定位和分割结果。
a.左侧车牌定位
b.右侧车牌定位
c.定位的左侧车牌
d.定位的右侧车牌
e.分割出的左侧车牌
f.分割出的右侧车牌
图4-14 图4-10(a)车牌的精确定位和分割结果