车牌定位算法研究及实现
[开题报告]车牌识别系统中定位算法的研究
![[开题报告]车牌识别系统中定位算法的研究](https://img.taocdn.com/s3/m/a75db7b3c77da26925c5b0a2.png)
毕业论文（设计）开题报告（含文献综述、外文翻译）题目车牌识别系统中定位算法的研究姓名黄泽学号3060433088专业班级06自动化1班指导教师崔家林分院信息科学与工程分院开题日期2010年 3 月25日第1章文献综述1.1 国内外现状汽车牌照识别技术(License Plate Recognition, LPR)是智能交通系统(ITS)的重要组成部分，多应用在电子计费领域。
LPR 系统是一个以特定目标为对象的专用计算机视觉系统，该系统能从一幅图像中自动提取车牌图像，自动分割字符，运用模式识别、人工智能技术，实时准确地自动识别出车牌的数字、字母及汉字字符，使得车辆的电脑化监控和管理成为现实。
常用的LPR 识别技术有IC卡识别技术、条形码识别技术和图像处理识别技术。
基于图像处理技术的LPR 系统无需在车上额外安装条形码或者IC卡，因而不必改造现有的车辆系统，相对其他两种识别技术来说适用面广，更容易普及[1]。
车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节,该技术能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算,识别出视野范围内的车辆牌照号码,它运用数字图像处理、模式识别、人工智能技术,对采集到的汽车图像进行处理的方法,能够实时准确地自动识别出车牌的数字、字母及汉字字符,并以计算机可直接运行的数据形式给出识别结果,使得车辆的电脑化监控和管理成为现实。
其在交通监视和控制中占有很重要的地位。
车牌识别技术的研究最早出现在20 世纪80 年代,这个阶段的研究没有形成完整的系统体系,而是就某一具体的问题进行研究,通常采用简单的图像处理方法来解决。
识别过程是使用工业电视摄像机( Industrial TV Camera) 拍下汽车的正前方图像,然后交给计算机进行简单处理,并且最终仍需要人工干预[2]。
从20 世纪90 年代初，国外的研究人员就已经开始了对车牌识别的相关研究，其中具有代表性的工作有：R.Mullot等开发的一种可以同时用于集装箱和普通车辆的车牌识别系统，该系统主要是利用文字的纹理在车辆图像中的共性进行定位与识别。
人工智能技术在车牌识别中的应用研究进展
人工智能技术在车牌识别中的应用研究进展引言：车牌识别是人工智能技术在交通监控和管理上的重要应用之一。
随着信息技术的快速发展，车辆管理和交通安全成为城市发展的重要组成部分。
在这个背景下，人工智能技术的进步为车牌识别提供了更高效、准确和智能化的解决方案。
本文将介绍人工智能技术在车牌识别中的应用研究进展，包括车牌定位、车牌字符分割和车牌识别算法等方面。
一、车牌定位技术的研究进展车牌定位是车牌识别的第一步，其目标是通过图像处理技术找到图像中的车牌位置。
近年来，基于深度学习的车牌定位方法取得了显著的进展。
深度学习能够自动学习和提取图像中的特征，从而提高了车牌定位的准确性和鲁棒性。
例如，YOLO算法可以快速而准确地定位多个车牌，其目标检测精度优于传统的基于边缘和颜色信息的方法。
二、车牌字符分割技术的研究进展车牌字符分割是车牌识别的关键步骤，其目标是将车牌上的字符从车牌图像中分离出来。
传统的字符分割方法主要利用模板匹配、局部阈值和形态学操作等技术。
然而，这些方法对光照变化、车牌样式和分割效果的不确定性具有较强的敏感性。
近年来，基于深度学习的车牌字符分割方法得到了广泛应用。
例如，采用卷积神经网络结构的方法可以自动学习并提取车牌字符的特征，从而提高了字符分割的准确性和鲁棒性。
三、车牌识别算法的研究进展车牌识别算法是整个车牌识别系统的核心部分，其目标是对车牌字符进行识别并输出正确的车牌号码。
传统的车牌识别算法主要基于机器学习和模式识别方法，例如支持向量机、隐马尔可夫模型和k最近邻算法等。
然而，这些传统方法对光照变化、遮挡和干扰等因素具有较强的敏感性。
近年来，基于深度学习的车牌识别算法取得了显著的进展。
深度学习模型可以自动学习和提取车牌字符的特征，从而大大提高了识别准确度。
例如，采用卷积神经网络结构的方法可以实现端到端的车牌识别，并且能够处理大量车辆和复杂场景下的车牌识别任务。
四、人工智能技术在车牌识别中的应用挑战与展望尽管人工智能技术在车牌识别中取得了显著的进展，但仍然存在一些挑战和问题。
车辆牌照识别系统中定位算法的设计和实现
该 定 位 算 法 正 确 率 较 高 ， 由 于采 用 了神 经 网络 计 算 但 法 ， 区域 颜 色 与 附 近 颜 色 相 似 时 ， 算 速 度 较 慢 。 当获 当 计
取 的彩 色 图像 质 量 较 高 时 ， 其 是 车 牌 区域 颜 色 与 附 近 颜 尤 色差别较大 时 ， 确率将有所下 降。 准
车牌 区域 。
１ 常 用 的 车 牌 定 位 算 法
根 据 车牌 的 不 同特 征 ， 以 采 用 不 同的 定 位 方 法 。 目 可 前 车 牌 定 位 的方 法 很 多 ， 常 见 的定 位 技 术 主 要 有 基 于 边 最 缘 检 测 的方 法 、 于 彩 色 分 割 的 方 法 、 于 小 波 变 换 的 方 基 基
中车 牌 的 快 速 定 位 。
关键 词 ： 车牌识别 ； 定位 算法 ； 学形 态学； 数 区域 ； 图像
中 图分 类 号 ： ３ １ ５ ＴＰ １ ．
文 献标 识 码 ： Ａ
文章 编 号 ：６ ２７ ０ （ ０ ２ ０ ５０ ２ — ２ １ ７ —８ ０ ２ １ ） ０ — ０ ５０ 各 算 子对 不 同 边缘 类 型 的 敏感 程 度不 同 ， 生 的效 果 也 不 产
摘 要 ： 车辆牌照识别 系统作 为一 个专用的计算机视 觉 系统 ， 够 自动摄取 车辆 图像 并识别 出车牌 。主要 应 用于 高 能
速 公路 收 费 口 以及 住 宅 小 区 车 库 的 管 理 等 场 合 。研 究 了 汽 车 牌 照 识 别 中的 车 牌 定 位 算 法 。 首 先 对 现 有 的 车 牌 定 位 方 法进 行 系统 的 分 析 ， 结 出车 牌 定 位 研 究存 在 的 主要 问题 。其 次 ， 对 车 辆 图像 背 景 复 杂 、 直 纹 理散 热 器噪 声 干 总 针 垂 扰 严 重 等 问题 ， 出 了一 种 新 的 车 牌 定 位 算 法 。该 方 法 能有 效 降低 误 检 率 ， 运 算 复 杂 度 较 低 ， 利 于 实现 复 杂 背 景 提 且 有
汽车牌照定位与字符分割的研究及实现
1.2.1 车牌定位技术研究现状及发展趋势
车牌定位技术是 LPR 系统研究的重点和难点。采集车辆图像过程中一般都有
1
汽车牌照定位与字符分割的研究及实现
各种背景干扰，能够正确分割字符的前提是从图像中准确地分割出牌照区域，这 也是 LPR 系统能否在实际中应用的基础。 目前的车牌定位算法中，主要是分析车牌所共有的部分特征，根据这些特征 来确定车牌区域的位置。车牌几何形状特征及相应的分析方法主要有[2-8]： (1)灰度变化特征：水平/垂直扫描时，牌照区域的像素灰度值按照一定的规 律进行波动；(2)颜色特征：原始车牌区域内部颜色和外部颜色差异的特征；(3) 投影特征：对车辆图像的水平/垂直扫描后其投影直方图中，牌照所对应的区域具 有一定规律的峰谷分布；(4)边缘特征：牌照区域有许多的边缘信息，使用相应的 算子将边缘信息提取出后，再通过边缘投影直方图来确定边缘的信息；(5)几何特 征：主要有车牌的长度、宽度以及长宽比例在一定的范围之内,或者可以通过牌照 的面积在一定的范围之内。利用以上这些特征均可以确定车牌的位置。 目前，车辆牌照的定位方法有基于彩色图像牌照区域字符和背景的颜色差异 特征进行定位，也有基于灰度图像牌照区域字符几何纹理特征进行定位，还有其 它结合了牌照区的颜色差异和字符纹理两种特征的方法定位，另外还有的是基于 数学形态学、神经网络、遗传算法、灰度聚类等牌照定位方法[9]。
作者签名： 导师签名：
日期： 日期：
年 年
月 月
日 日
中南民族大学硕士学位论文
第1章
1.1 问题的提出
绪论
车牌识别技术(License Plate Recognition， LPR )是智能交通管理系统的 重要组成部分，主要用于识别车牌号码。 LPR 技术在实际生活中主要应用于高速 公路实现无人收费功能、道路行车的流量监控、交通违规车辆的监控等。特别是 在各种场合实现无人收费功能的系统中，为了提高车辆的运行效率， LPR 技术将 代替人工的管理方式实现无人自动管理的功能， 因此,对 LPR 技术的研究和系统的 开发具有重要的现实意义和和实用价值。 车牌定位、字符分割、字符识别是 LPR 系统的三大关键技术。同时也是车牌 本身的几何形状特征与图像处理技术[1]的很好结合，车牌定位与字符分割在 LPR 系统中用到的数学知识主要有数学形态学、神经网络、小波分析等。对车牌定位 与字符分割的研究主要包括：图像预处理、车牌定位、车牌倾斜校正、车牌字符 分割及字符分割结果输出等。如图 1.1 所示为系统的流程框图：
车牌识别系统中车牌定位与字符分割的研究
车牌识别系统中车牌定位与字符分割的研究一、本文概述随着科技的发展和智能交通系统的普及，车牌识别系统已经成为了现代交通管理的重要组成部分。
车牌识别系统的核心在于准确、快速地实现车牌的定位与字符分割。
本文旨在深入探讨车牌识别系统中车牌定位与字符分割的关键技术，并分析其在实际应用中的挑战与解决方案。
本文将对车牌识别系统的基本框架进行概述，介绍车牌定位与字符分割在其中的地位和作用。
接着，本文将详细阐述车牌定位技术的发展历程和现状，包括基于颜色、纹理、形状等特征的定位方法，以及近年来兴起的深度学习技术在车牌定位中的应用。
同时，本文还将对字符分割技术的研究现状进行梳理，包括基于投影分析、边缘检测、形态学处理等方法的字符分割算法。
在此基础上，本文将重点分析车牌定位与字符分割在实际应用中面临的挑战，如复杂背景下的车牌定位不准确、字符粘连或断裂导致的分割失败等问题。
针对这些问题，本文将提出相应的解决方案，如通过改进算法提高定位精度、采用多特征融合的方法提高字符分割的鲁棒性等。
本文将通过实验验证所提方法的有效性，并对实验结果进行分析和讨论。
本文还将展望车牌识别系统的未来发展趋势，探讨新技术在车牌定位与字符分割中的应用前景。
通过本文的研究，旨在为车牌识别系统的优化和改进提供有益的参考和借鉴。
二、车牌定位技术研究车牌定位技术是车牌识别系统的关键环节，它涉及从复杂的背景中准确提取出车牌区域。
随着计算机视觉和图像处理技术的不断发展，车牌定位技术也取得了显著的进步。
早期的车牌定位主要基于车牌的颜色和边缘特征。
由于中国车牌通常为蓝底白字，因此可以通过颜色过滤来初步提取出可能的车牌区域。
随后，利用边缘检测算法（如Canny边缘检测）来进一步细化车牌的轮廓，从而实现车牌的粗定位。
然而，这种方法受光照条件、车牌污损等因素影响较大，定位准确性有待提高。
为了克服颜色和边缘特征方法的局限性，研究人员开始尝试基于纹理和形状特征的车牌定位方法。
汽车牌照识别系统中的牌照定位方法研究的开题报告
汽车牌照识别系统中的牌照定位方法研究的开题报告一、选题背景随着社会的不断发展和城市化的加速推进，交通拥堵问题逐渐凸显，交通安全问题成为社会关注的焦点。
为了提高交通管理水平和交通安全性，各国都陆续推出了基于视频监控和图像识别技术的交通管理系统。
在这些系统中，车牌识别系统是一个非常重要的部分，能够准确地把车辆的识别信息传递给交通管理部门，帮助管理部门高效地进行交通管控、追踪违法行为等，有助于缓解拥堵、提升交通安全。
车牌识别系统中，牌照定位技术是其中的一个重要环节，其作用是对车辆牌照的位置进行定位和提取，从而为后续的牌照识别提供可靠的数据。
如何准确快速地实现牌照定位，是车牌识别系统设计的一个关键问题。
二、选题意义传统的车牌识别系统需要人工标注，然后才能进行车牌的识别，耗时、耗力。
而现代的车牌识别系统利用计算机视觉技术，能够实现自动化检测和识别车牌。
因此，车牌识别系统具有工作效率高、准确率高、操作简单等优点。
同时，车牌识别技术还广泛应用于人脸识别、安防监控、智能交通等领域。
本研究旨在探究车牌定位技术的具体实现方式，提升车牌识别系统的效率和准确性，为智能交通的发展做出贡献。
三、研究内容本研究的主要内容将包括以下几个方面：1.分析车牌定位的原理，综述目前国内外车牌定位技术的研究现状和应用情况。
2.设计和实现基于卷积神经网络的车牌定位系统，通过大量的样本数据训练和优化模型，实现车牌定位的自动化。
3.在模型搭建的过程中，选取几种不同的卷积神经网络结构进行比对，对比各种结构的优缺点和适用场景。
4.对比分析传统的车牌定位方法和基于卷积神经网络的车牌定位方法的优势和劣势，探究基于卷积神经网络的车牌定位方法的可行性。
5.根据实验结果，结合实际应用场景，对车牌定位系统进行性能评估和功能完善，提高系统的实用性和稳定性。
四、研究方法本研究将采用文献调研、算法设计、模型实现和实验分析等多种研究方法，具体步骤如下：1.通过查阅相关文献、研究报告等资料，全面了解车牌识别系统和牌照定位技术的发展现状和应用情况。
车牌识别方法的研究与实现
做 分割处理之前对它进行基于小波包变换的预处理 ， 则会 得
到预期 的效果 。
一
个含 有噪声的二维 图像可 以表示成如下的形式 Ｊ ：
Ｙ ｉ ）＝ （√ ｏ （ ， （ ， ｉ ）＋ ＇ ｊ ｅ ） １ …ｍ；＝１ ｊ …ｎ．
其 中，（ Ｊ 为高斯 白噪声 Ｎ（ ， ） 噪声级为 １ 为其 ｅ ） ０１ ， ；
圈 图圈 蕊 豳 国 圜
图２ 分割后的图像
上述步骤 中最重要的是如何 选择合适 的阈值进行 阈值
像纹理特征的方法 。选用不同的定位算法会有不同的效果 。
量化 ， 因为它直接关系 到对信号进行 降噪 处理的 质量 ， 而常 用 的小波包 闭值去噪 的方 法有三种 ： 默认 阈值去 噪处理 、 给 定 阈值去噪处理 以及强制去噪处理 。
２１ 年第２ ０２ 期
文章编号 ：６４４ ７ （０ ２ ０ ．０ ０ ０ １ ７ －５８ ２ １ ｌ２０ ２ ．２
山西 电 子技术
应 用 实 践
车牌 识 别 方 法 的研 究与 实现
刘 冰 ，游小红 ，逯子荣
（ 中北 大学 机 械 工程与 自动化 学 院 ， 山西 太原 ００ ５ ） ３０ １
摘 要： 随着科技 的进步 ， 车牌识别 系统有了很 大的发 展。其识 另 过程 大概 分为三个过 程 ： １ 】 车牌定位 ， 字符 分 割 和字符识 别。由于在现 实中车牌的识别会受到 自然原 因、 为原 因以及 图像 采集设备 的影响 ， 些会 造成 字符 人 这
分割 的不准确 ， 而导致识 别的失败 。基 于此提 出了在利用 ｈｕｈ变换对 车牌进行 分割前用 小波 包变换的 多分辨 从 ｏｇ
率进行 降噪 的方法， 最后 利用 Ｋ Ｌ变换进行车牌字符识 别的方 法。实验表 明其技 术在速度和识 别率 等方 面具有很
基于深度学习的车牌定位与识别方法研究与实现
基于深度学习的车牌定位与识别方法研究与实现基于深度学习的车牌定位与识别方法研究与实现摘要：随着社会的发展，汽车数量的增加使得车牌定位与识别技术成为重要的研究方向。
本文介绍了一种基于深度学习的车牌定位与识别方法，并通过实验验证了其准确性和可靠性。
该方法使用深度学习算法对车牌图像进行处理，将车牌定位与识别作为两个独立的任务进行，提高了整体的效果。
实验结果表明，本文所提出的方法在车牌定位与识别方面具有很高的准确率和鲁棒性，能够有效应用于实际场景中。
关键词：深度学习；车牌定位；车牌识别引言：随着汽车的普及，车牌在交通管理、安全监控等领域扮演着重要的角色。
车牌定位与识别技术是实现车辆自动识别与监控的关键技术之一。
目前，车牌定位与识别方法主要有基于传统图像处理技术的方法和基于深度学习的方法。
由于传统方法对图像的光照、遮挡等因素不敏感，对于复杂的场景往往无法取得良好的效果。
而深度学习方法具有良好的特征提取能力和鲁棒性，在车牌识别领域已经取得了显著的成果。
本文将重点研究并实现一种基于深度学习的车牌定位与识别方法，以期提高车牌识别的准确度和鲁棒性。
一、深度学习算法介绍深度学习是一种模仿人脑神经网络机制的机器学习方法，具有多层次的结构，能够自动学习和提取高级抽象特征。
本方法采用卷积神经网络（CNN）作为基本模型，该模型具有良好的特征提取能力和较强的非线性表达能力。
由于车牌定位与识别问题可以看作是一个目标检测和分类问题，因此本文将使用CNN对车牌图像进行处理。
二、车牌定位与识别方法车牌定位与识别是两个独立且关联的问题，本文将分别对两个问题进行详细的研究与实现。
2.1 车牌定位方法车牌定位是将图像中的车牌区域准确地标定出来的过程。
本文采用了基于颜色特征和形态学操作的方法。
首先，通过对图像进行颜色空间变换，将车牌的颜色特征提取出来。
然后，通过二值化和形态学操作，将车牌与其他区域进行分离。
最后，根据车牌的形状特征，利用边缘检测和轮廓提取技术，确定车牌的位置和大小。
车牌识别系统算法的研究与实现(小论文).doc
基于图像处理的汽车牌照的识别作者:陈秋菊指导老师:李方洲(温州师范学院物理与电子信息学院 325027)摘要：以一幅汽车牌照的识别为例，具体介绍了车牌自动识别的原理。
整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。
在研究的同时对其中出现的问题进行了具体分析，处理。
寻找出对于具体的汽车牌照识别过程的最好的方法。
关键词：汽车牌照车牌提取字符分割字符识别The vehicle license recognition based on the image processingAuthor:Chen QiujuTutor:Li Fangzhou(School of Physics and Electronic Information Wen Zhou Normal College 325027) Abstract：With one vehicle license recognition, the principle of the automobile License recognition is introduced .This process was divided into pre-process,edge extraction, vehicle license location, character division and character recognition, which is implemented separated by using MATLAB. The license is recognized at last. At the same time, the problems are also analyzed And solved in the process. The best method of recognition to the very vehicle license is found.Keywords: vehicle license vehicle license location character segmentationCharacter recognition1.引言1.1 选题意义汽车牌照自动识别系统是以汽车牌照为特定目标的专用计算机视觉系统，是计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要环节，它可广泛应用于交通流量检测，交通控制与诱导，机场、港口、小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，具有广阔的应用前景。
基于遗传算法的车牌定位技术研究论文
基于遗传算法的车牌定位技术研究论文基于遗传算法的车牌定位技术研究论文摘要：随着我国经济的快速发展，我国机动车辆数量大大增加，给交通管制带来了一定压力。
车牌是管理交通车辆的唯一标识，为了对车牌进行准确的定位，根据车牌的特征，本文提出一种自适应的遗传算法。
通过实验，该方法能有效地对车牌进行精确的定位，达到了较好的实验效果。
关键词：关键词：遗传算法车牌定位图像处理车牌牌照的提取是一个寻找最符合牌照特征的区域的过程，从本质上讲，就是一个在参量空间里寻找最优定位参量的问题。
由于车牌定位中最优定位参量的寻找不仅涉及牌照区域的特征，还有一些有关先验知识，就构成了一个复杂的组合优化问题，这个优化问题用常规方法来解决不仅容易出错，而且效率不高。
本文采用自适应的遗传算法准确的定位车牌图像。
由于遗传算法的车牌定位方法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适应度函数，最终寻找车牌区域的最佳定位参量。
车牌定位是寻找一个符合“车牌区域特征”最佳区域的过程，本质上就是从参量空间寻找最优定位参量的问题，但是在实时系统中，车牌定位速度受遗传算法中迭代次数的影响很大。
1 遗传算法遗传算法(Genetic Algorithm,GA)是一种新发展起来的优化算法。
是一类借鉴生物界进化规律演化而来的随机化搜索方法，它是计算机科学人工智能领域中用于解决最优化的一种搜索启发式算法，能在大量干扰的数据系统中动态寻优，在给定的时间内搜索问题的较好解。
1.1 遗传算法的原理对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可描述为下述数学规划模型：式中，为决策变量，为目标函数，和为约束条件，是基本空间，是的一个子集。
满足约束条件的解称为可行解，集合表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。
1.2 遗传算法的基本运算过程遗传算法中，将维决策向量用个记号所组成的符号串表示：把每一个看作一个遗传基因，它的所有可能取值称为等位基因，这样就可看作是由个遗传基因所组成的一个染色体。
车牌定位与车牌字符识别算法的研究与实现
车牌定位与车牌字符识别算法的研究与实现一、本文概述随着智能交通系统的快速发展，车牌识别技术作为其中的核心组成部分，已经得到了广泛的应用。
车牌定位与车牌字符识别作为车牌识别技术的两大关键环节，对于实现自动化、智能化的交通管理具有重要意义。
本文旨在探讨和研究车牌定位与车牌字符识别的相关算法，并通过实验验证其有效性和可行性。
本文首先对车牌定位算法进行研究，分析了基于颜色、纹理和边缘检测等特征的车牌定位方法，并对比了各自的优缺点。
随后，本文提出了一种基于深度学习的车牌定位算法，通过训练卷积神经网络模型实现对车牌区域的准确定位。
在车牌字符识别方面，本文介绍了传统的模板匹配、支持向量机（SVM）和深度学习等识别方法，并对各种方法的性能进行了比较。
在此基础上，本文提出了一种基于卷积神经网络的字符识别算法，通过训练模型实现对车牌字符的准确识别。
本文通过实验验证了所提出的车牌定位与车牌字符识别算法的有效性和可行性。
实验结果表明，本文提出的算法在车牌定位和字符识别方面均具有较高的准确率和鲁棒性，为车牌识别技术的实际应用提供了有力支持。
本文的研究不仅对车牌识别技术的发展具有重要意义，也为智能交通系统的进一步推广和应用提供了有益参考。
二、车牌定位算法的研究与实现车牌定位是车牌字符识别的前提和基础，其主要任务是在输入的图像中准确地找出车牌的位置。
车牌定位算法的研究与实现涉及图像处理、模式识别等多个领域的知识。
车牌定位算法的研究主要集中在两个方面：一是车牌区域的粗定位，即从输入的图像中大致找出可能包含车牌的区域；二是车牌区域的精定位，即在粗定位的基础上，通过更精细的处理，准确地确定车牌的位置。
在车牌粗定位阶段，常用的方法包括颜色分割、边缘检测、纹理分析等。
颜色分割主要利用车牌特有的颜色信息，如中国的车牌一般为蓝底白字，通过颜色空间的转换和阈值分割，可以大致找出可能包含车牌的区域。
边缘检测则主要利用车牌边缘的灰度变化信息，通过算子如Canny、Sobel等检测边缘，从而定位车牌。
车牌定位
3．1车牌区域定位3．1．1定位算法研究车牌定位是车牌识别系统的一项关键技术，也是难点之一。
因为现场采集的车辆图像受环境影响，采集的车辆图像质量波动较大，同时存在其它字符区域的干扰，使得真实车牌区域难以准确定位。
第二章中已经采用图像滤波、二值化、边缘检测等预处理方法增强图片效果，本章主要解决车辆图像中准确定位车牌区域的问题。
车牌图像的定位处理算法，常用的有以下几种：1．基于纹理特征的车牌定位法车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。
车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。
在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。
基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。
但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。
2．基于神经网络的定位算法利用神经网络来定位车牌是一类较为常见的方法。
本算法的基本步骤和各模块的功能如下：(1)神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。
本模块将获得一个对车牌敏感的BP神经网络。
(2)图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。
(3)车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。
本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。
有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。
4基于特征统计的车牌定位基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。
车牌识别系统——车辆牌照定位系统的设计与实现
车牌识别系统——车辆牌照定位系统的设计与实现中文摘要车牌识别系统作为智能交通系统的一个重要组成部分，在交通监控中占有很重要的地位。
车牌识别系统可分为图像预处理、车牌定位、字符识别3个部分，其中车牌定位作为获得车辆牌照图像的重要步骤，是后续的字符识别部分能否正确识别车牌字符的关键环节。
车牌定位系统实现对车辆牌照进行定位的功能,即从包含整个车辆的图像中找到车牌区域的位置，并对该车牌区域进行定位显示，将定位信息提供给字符识别部分。
在本文中作者分析出车辆牌照具有如下特征：（1）具有固定的长宽比；（2）车牌区域内部字符数目固定；（3）字符与背景之间存在很大的颜色差别；（4）对于含有车牌信息的灰度图像，其车牌区域边缘明显，灰度跳变大，相对于车牌以外区域，具有明显的特征等。
所以，一般基于图像处理的车牌定位系统是通过分析车辆牌照的某些特征来进行定位的。
针对车牌本身固有的特征，本文首先介绍了在车牌定位过程中常用的几种数字图像处理技术：图像的二值化处理、边缘检测和图像增强等。
其次介绍了现在常用的车牌定位方法，并对这些方法进行分析，总结出各种方法的优缺点，然后在此基础上提出采用带边缘检测的灰度图像行扫描投影方法对车牌进行定位，并使用VC++6.0编码实现车牌定位系统。
最后对该系统进行了测试，测试结果表明该系统具有良好的人机交互方式，具有较高的识别正确率和较快的识别速度，对用户给定的待测图像能够迅速准确地进行车辆牌照的定位并将定位结果显示给用户，该系统具有一定的实用价值。
关键词：车牌定位；灰度图像；行扫描；投影License Plate Recognition System - - Design and Implementation of vehiclelicense Positioning SystemABSTRACTAs an important part of the Intelligent Transportation Systems, License Plate Recognition System plays an important role in traffic monitoring area. License plate recognition system can be divided into three parts, i.e., image pre-processing, license plate location and character recognition. The vehicle license plate location is an important procedure which is used to obtain a license image. It is also the key of the following character recognition system which can identify the correct license plate characters. License plate location system can perform the vehicle license location function, i.e., finding the location of the vehicle license in the image containing the entire vehicle license plate, positioning the plate region and then demonstrating the location information on the computer screen which will be transferred to the character recognition system.In this thesis, the author analyzes the vehicle license and finds that it has the following characteristics: (1) Fixed aspect ratio. (2) Fixed license plate characters number. (3) Great color difference between characters and background. (4) Obvious edge and great intensity change for grayscale images with registration information, and obvious characteristics compared with the outer plate region. Therefore, the majority of image-based positioning systems perform location function by analyzing some characteristics of the vehicle license.According to the own inherent characteristics of license plate, this thesis introduces many commonly used digital image processing techniques in the location process of license plate: binary image processing, edge detection and image enhancement, and so on. Then, we introduce the commonly used methods of license plate location. Further, we analysis these methods and summarize their advantages and disadvantages. Moreover, we propose locating plate by using the gray-scale image projection and line scanning method with edge detection. This system was implemented by using the VC++ 6.0. Finally, the experimental results indicate that the system has a good human-computer interaction, a better identification rate and higher speed. For images provided by users, the system can quickly and accurately locate the vehicle license and display the location results to the users. Therefore, this system has some practical values.KEY WORDS: license plate location; gray-scale images; line scan; projection目录中文摘要 (I)Abstract (II)目录 (III)第一章绪论 (1)1.1 课题的来源及意义 (1)1.2 课题主要研究的问题 (1)1.3 系统设计的目标及基本思路 (1)1.3.1 设计目标 (1)1.3.2 基本思路 (1)第二章车牌定位中常用的数字图像处理技术 (3)2.1 汽车牌照的特征 (3)2.2 数字图像处理技术概述 (3)2.3 DIB图像概述 (3)2.4 车牌定位中常用的数字图像处理技术概述 (3)2.4.1 图像二值化 (3)2.4.2 边缘检测 (3)2.4.3 图像增强 (3)第三章车牌定位方法研究.......................................................................... 错误!未定义书签。
车牌识别定位方法的研究
车牌识别定位方法研究1 引言伴随国民经济高速发展, 高速公路、城市道路、停车场建设越来越多, 对交通控制、安全管理要求也日益提升, 智能交通系统its（intelligent traffic system）已成为世界交通领域研究前沿课题。
在此基础上发展车牌识别lpr（license plate recognition）系统是智能交通系统关键组成部分, 在交通管理中占相关键地位。
lpr系统关键由三部分组成: 车牌定位、字符分割、字符识别, 其中车牌定位成功是否直接影响是否能够进入车牌识别以及车牌识别正确率。
关键车牌定位方法: 基于灰度图像车牌定位方法［1］、基于小波变换车牌定位方法［3］、基于形态学车牌定位方法［4］、基于神经网络车牌定位方法［7］、基于支持向量机车牌定位方法［8］等。
即使这些算法在一些特定条件下识别效果很好, 但综合部分诸如天气、背景、车牌磨损和图像倾斜等干扰原因影响, 临时还不能完全满足实际应用要求, 有必需进行深入研究。
2 车牌定位方法2.1 基于灰度图像车牌定位方法灰度数字图像是每个像素只有一个采样颜色图像。
这类图像通常显示为从黑色到白色灰度。
为了便于车牌定位, 将该图像转换成二值图像, 即只有黑色和白色两种颜色图像。
此方法是应用车牌以下特点: 车牌牌照字符和背景对比度比较大, 对应于车牌区域水平灰度改变比较频繁; 再者车牌通常挂在汽车缓冲器上或周围, 并靠近图像下部, 干扰通常比较少。
依据以上特点, 使用靠近水平方向一阶差分运算, 以突出灰度改变频繁区域。
其一阶差分运算算式为:从车牌照是一个矩形这一特点, 我们能够判定它所对应水平投影图与车牌形状相仿, 是一块较为独立矩形区域, 从水平投影图中能够看车牌位置基础对应于图中从下到上第一个较大波峰, 车牌投影值区域大致对应于上述波峰值上、下邻域波谷之间所包含投影值区域, 且这两个波谷大致对称于波峰, 波峰和波谷改变率较大。
在这个过程中最关键是确定选择哪个波峰, 假如这个波峰两个波谷之间值高度都大于某一个设定值, 而且两个波谷之间宽度大致等于车牌照高度, 就认定它所确定区域就是车牌水平位置。
基于图像识别的车牌自动识别技术研究与实现
基于图像识别的车牌自动识别技术研究与实现摘要：随着交通工具的快速发展和普及，车辆数量的增加导致了交通管理的挑战。
车牌自动识别技术作为一种有效的交通管理手段，受到越来越多的关注。
本文旨在研究和实现基于图像识别的车牌自动识别技术，通过分析和概述相关研究成果，设计和实现一个完整的车牌自动识别系统。
1.引言随着车辆数量的快速增加，交通事故和交通堵塞问题日益严重。
车牌自动识别技术被广泛应用于交通管理、车辆监控、停车场管理等领域，实现对车辆行为和流量的监测与管理。
该技术通过图像识别算法和机器学习方法，能够自动识别和提取车辆的车牌信息。
2.车牌自动识别技术的研究进展车牌自动识别技术的发展经历了几个阶段。
早期的车牌识别技术主要基于传统图像处理算法，如颜色分割、字符分割和字符识别等。
然而，这些方法在复杂背景、光照变化和字符模糊等情况下容易出现误识别。
近年来，随着深度学习算法的兴起，基于卷积神经网络（CNN）的车牌自动识别技术取得了显著的进展。
通过使用深度学习算法，可以有效地提高车牌识别的准确度和鲁棒性。
3.基于图像识别的车牌自动识别技术原理基于图像识别的车牌自动识别技术主要包括以下几个步骤：车牌定位、车牌字符分割和字符识别。
首先，通过图像处理技术，对输入图像进行预处理，包括去除噪声、调整对比度和亮度等。
然后，使用特征提取算法和机器学习方法，对车牌进行定位，将车牌从图像中分割出来。
接下来，对分割得到的车牌进行字符分割，将每个字符分离出来。
最后，通过字符识别算法，对每个字符进行识别，得到完整的车牌号码。
4.基于图像识别的车牌自动识别技术实现为了实现基于图像识别的车牌自动识别技术，需要搭建一个完整的车牌自动识别系统。
系统的核心是图像识别算法模块，包括车牌定位、字符分割和字符识别。
在车牌定位模块中，可以使用基于颜色特征或形状特征的方法来实现车牌的定位。
在字符分割模块中，可以使用基于连通域或基于卷积神经网络的方法来实现字符的分割。
OpenCV下车牌定位算法实现
OpenCV下车牌定位算法实现代码（一）车牌定位算法在车牌识别技术中占有很重要地位，一个车牌识别系统的识别率往往取决于车牌定位的成功率及准确度。
车牌定位有很多种算法，从最简单的来，车牌在图像中一般被认为是长方形，由于图像摄取角度不同也可能是四边形。
我们可以使用OpenCV中的实例：C:\Program Files\OpenCV\samples\c.squares.c 这是一个搜索图片中矩形的一个算法。
我们只要稍微修改一下就可以实现定位车牌。
在这个实例中使用了canny算法进行边缘检测，然后二值化，接着用cvFindContours搜索轮廓，最后从找到的轮廓中根据角点的个数，角的度数和轮廓大小确定，矩形位置。
以下是效果图：这个算法可以找到一些车牌位置，但在复杂噪声背景下，或者车牌图像灰度与背景相差不大就很难定位车牌。
所以我们需要寻找更好的定位算法。
下面是squares的代码：#ifdef _CH_#pragma package <opencv>#endif#ifndef _EiC#include "cv.h"#include "highgui.h"#include <stdio.h>#include <math.h>#include <string.h>#endifint thresh = 50;IplImage* img = 0;IplImage* img0 = 0;CvMemStorage* storage = 0;CvPoint pt[4];const char* wndname = "Square Detection Demo";// helper function:// finds a cosine of angle between vectors// from pt0->pt1 and from pt0->pt2double angle( CvPoint* pt1, CvPoint* pt2, CvPoint* pt0 ){double dx1 = pt1->x - pt0->x;double dy1 = pt1->y - pt0->y;double dx2 = pt2->x - pt0->x;double dy2 = pt2->y - pt0->y;return (dx1*dx2 + dy1*dy2)/sqrt((dx1*dx1 + dy1*dy1)*(dx2*dx2 + dy2*dy2) + 1e-10); }// returns sequence of squares detected on the image.// the sequence is stored in the specified memory storageCvSeq* findSquares4( IplImage* img, CvMemStorage* storage ){CvSeq* contours;int i, c, l, N = 11;CvSize sz = cvSize( img->width & -2, img->height & -2 );IplImage* timg = cvCloneImage( img ); // make a copy of input imageIplImage* gray = cvCreateImage( sz, 8, 1 );IplImage* pyr = cvCreateImage( cvSize(sz.width/2, sz.height/2), 8, 3 );IplImage* tgray;CvSeq* result;double s, t;// create empty sequence that will contain points -// 4 points per square (the square's vertices)CvSeq* squares = cvCreateSeq( 0, sizeof(CvSeq), sizeof(CvPoint), storage );// select the maximum ROI in the image// with the width and height divisible by 2cvSetImageROI( timg, cvRect( 0, 0, sz.width, sz.height ));// down-scale and upscale the image to filter out the noisecvPyrDown( timg, pyr, 7 );cvPyrUp( pyr, timg, 7 );tgray = cvCreateImage( sz, 8, 1 );// find squares in every color plane of the imagefor( c = 0; c < 3; c++ ){// extract the c-th color planecvSetImageCOI( timg, c+1 );cvCopy( timg, tgray, 0 );// try several threshold levelsfor( l = 0; l < N; l++ ){// hack: use Canny instead of zero threshold level.// Canny helps to catch squares with gradient shadingif( l == 0 ){// apply Canny. Take the upper threshold from slider// and set the lower to 0 (which forces edges merging)cvCanny( tgray, gray,60, 180, 3 );// dilate canny output to remove potential// holes between edge segmentscvDilate( gray, gray, 0, 1 );}else{// apply threshold if l!=0:// tgray(x,y) = gray(x,y) < (l+1)*255/N ? 255 : 0//cvThreshold( tgray, gray, (l+1)*255/N, 255, CV_THRESH_BINARY ); cvThreshold( tgray, gray, 50, 255, CV_THRESH_BINARY );}// find contours and store them all as a listcvFindContours( gray, storage, &contours, sizeof(CvContour),CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE, cvPoint(0,0) );// test each contourwhile( contours ){// approximate contour with accuracy proportional// to the contour perimeterresult = cvApproxPoly( contours, sizeof(CvContour), storage,CV_POLY_APPROX_DP, cvContourPerimeter(contours)*0.02, 0 );// square contours should have 4 vertices after approximation// relatively large area (to filter out noisy contours)// and be convex.// Note: absolute value of an area is used because// area may be positive or negative - in accordance with the// contour orientationif( result->total == 4 &&fabs(cvContourArea(result,CV_WHOLE_SEQ)) > 1000 &&cvCheckContourConvexity(result) ){s = 0;for( i = 0; i < 5; i++ ){// find minimum angle between joint// edges (maximum of cosine)if( i >= 2 ){t = fabs(angle((CvPoint*)cvGetSeqElem( result, i ),(CvPoint*)cvGetSeqElem( result, i-2 ),(CvPoint*)cvGetSeqElem( result, i-1 )));s = s > t ? s : t;}}// if cosines of all angles are small// (all angles are ~90 degree) then write quandrange// vertices to resultant sequenceif( s < 0.3 )for( i = 0; i < 4; i++ )cvSeqPush( squares,(CvPoint*)cvGetSeqElem( result, i ));}// take the next contourcontours = contours->h_next;}}}// release all the temporary imagescvReleaseImage( &gray );cvReleaseImage( &pyr );cvReleaseImage( &tgray );cvReleaseImage( &timg );return squares;}// the function draws all the squares in the imagevoid drawSquares( IplImage* img, CvSeq* squares ){CvSeqReader reader;IplImage* cpy = cvCloneImage( img );int i;// initialize reader of the sequencecvStartReadSeq( squares, &reader, 0 );// read 4 sequence elements at a time (all vertices of a square)for( i = 0; i < squares->total; i += 4 ){CvPoint* rect = pt;int count = 4;// read 4 verticesmemcpy( pt, reader.ptr, squares->elem_size );CV_NEXT_SEQ_ELEM( squares->elem_size, reader );memcpy( pt + 1, reader.ptr, squares->elem_size );CV_NEXT_SEQ_ELEM( squares->elem_size, reader );memcpy( pt + 2, reader.ptr, squares->elem_size );CV_NEXT_SEQ_ELEM( squares->elem_size, reader );memcpy( pt + 3, reader.ptr, squares->elem_size );CV_NEXT_SEQ_ELEM( squares->elem_size, reader );// draw the square as a closed polylinecvPolyLine( cpy, &rect, &count, 1, 1, CV_RGB(0,255,0), 3, CV_AA, 0 );}// show the resultant imagecvShowImage( wndname, cpy );cvReleaseImage( &cpy );}void on_trackbar( int a ){if( img )drawSquares( img, findSquares4( img, storage ) );}char* names[] = { "pic1.png", "pic2.png", "pic3.png","pic4.png", "pic5.png", "pic6.png", 0 };int main(int argc, char** argv){int i, c;// create memory storage that will contain all the dynamic datastorage = cvCreateMemStorage(0);for( i = 0; names[i] != 0; i++ ){// load i-th imageimg0 = cvLoadImage( names[i], 1 );if( !img0 ){printf("Couldn't load %s\n", names[i] );continue;}img = cvCloneImage( img0 );// create window and a trackbar (slider) with parent "image" and set callback// (the slider regulates upper threshold, passed to Canny edge detector)cvNamedWindow( wndname,0 );cvCreateTrackbar( "canny thresh", wndname, &thresh, 1000, on_trackbar );// force the image processingon_trackbar(0);// wait for key.// Also the function cvWaitKey takes care of event processingc = cvWaitKey(0);// release both imagescvReleaseImage( &img );cvReleaseImage( &img0 );// clear memory storage - reset free space positioncvClearMemStorage( storage );if( c == 27 )break;}cvDestroyWindow( wndname );return 0;}#ifdef _EiCmain(1,"squares.c");#endifOpenCV下车牌定位算法实现代码（二）前面介绍了用OpenCV的squares实例定位车牌的算法，效果不是很理想。
车牌定位的研究与实现
高速公路及有关 军事部 门等方面得到 了广泛 的应 用。完整的车牌识别系统是 由车牌定位、字符分割
与字符识别 ３ 部分组成， 其中车牌定位是关键步骤 。 为 了快速 准 确地 进行 车牌 定 位 ，国 内外学 者进 行了广泛的研究，提出了许多算法 ：基于车牌颜色 特征 的算法川，基于纹理分析 的算法ｌ，基于灰度 ２ 】 特征 的投影算法【，基于神经 网络的算法１等。上 ３ 】 ４ ］ 述算法尽管在一定的条件下能够分割出车牌，但有 定 的局 限性 而且 时 间也 较长 。实 际应 用 中车 牌识
ｆ ｃｏ ｓ ｔ ｅｉａ ｃ ｒｃ ａ ｎ ｄ ｔｅ ｆｉｔ ｅ ｓｏ ｌｔ ｅ ｕｔｄ Ｈｅｅ ｙ ａ ｆｅ ｔ ｄ ｓ ｅ ｄｎ ｓ ａ ｔｒ ， ｎ ｃ ｕ ａ ｙ ｏ ｌ ｔ ｇ ａ ａｎｎ ｓ ｐａｅ ｒｓ ｌ ． ｒｂ ｅ ｃ ｐ ｅ ｉｅ ｓ ｈ ｆ ｏ ｉ ｃ ｎ ｈ ｆ ｅ ｎ ｎ ａ ｍ ｅｈ ｄ ｔｏ ｗａ ｐ ｏ ｏ ｅ ． Ｔｈｓ ｓ ｒ ｐ ｓｄ ｉ ｍｅ ｏ ｐ ｔ ｍａ ｅ ｆ ｐ ｅ ｕｔ ｇ ｎ ｄ ｉ ｔｒｌ ｉ ｔｒｎ ｉ ｉ ｇ ｈ ｔｄ ｕ ｉ ｇ ｏ ｒ ｃ ｔ ｎ ａ ｂｌ ｅａ ｆ ｅ ｇ ｎ ｍａ ｅ ｉ ａ ｌｉ ｐ ｅ ｒｃ ｓｉ ｇｏ ｈｅＬ ｃ ｎ ｅＰ ａｅＬ ａ ｏ ， ｅ ｅ ｔｗｉ ｅｐａｅｉ ｇ ｙ ｅ ｇ ｅｅ ｔ ｎｔ ａ ｅ ｒｐ ｏ ｅｓｎ ｆｔ ｉｅ ｓ ｌｔ ｏ ｔ ｎ ｔ ｎｄ ａ ｔ ｔ ｌｔ ｍａ ｅｂ ｅｄ ｔｃ ｏ ｈ ｖ ｃ ｉ ｈ ｌ ｈ ｈ ｄ ｉ ｏ ｌｃ ｔｄ ｔｅ ｌ ｅ ｓ ｌｔ ｙ ｌ ｅ ｓ ａ ｎｎ ．Ｅｘ ｒｍｅ ｔｌｒｓ ｌ ｘ ａ ａｅ ｈ ｈｓ ｍ ｅｈ ｏ ｌ ｏ ａｅ ｉ ｎ ｅ ｐａｅ ｂ ｉ ｃ ｎ ｇ ｈ ｃ ｎ ｉ ｅ ｐｉ ｎａ ｅ ｕｔ ｅ ｐ ｔ ｔｄ ｔａ ｔｉ ｔ ｏ ｃ ｕｄ ｓ ｉ ｔ ｄ
- 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)。
车辆自动识别技术（一）——车牌定位算法研究及实现(2010-07-19 22:45:15)分类：控制仿真类标签：杂谈摘要随着我国交通事业的迅速发展，城市汽车容量的急速攀升，建立现代化的智能交通系统已经成为解决此类中诸多问题的焦点所在。
汽车牌照识别系统是交通管理领域和数字图像处理领域里的热点问题，车辆是构成整个智能交通系统的最基本元素，而车辆牌照是我们标定车辆的唯一ID，所以说，车牌定位是实现车牌字符分割和字符识别的前提和关键。
本文介绍了三种基于MATLAB的汽车牌照图像定位方法。
这些算法充分利用了车牌纹理、颜色、宽高比等特征，经过灰度化、运动区域定位、边缘提取、水平投影、自适应数学形态学处理、垂直投影、颜色判定、区域生长等一系列步骤，最终实现车牌定位。
特别是边缘处理算子的改进、自适应数学形态学的引入以及小波分析的应用，对算法性能有着巨大影响，是本算法的关键所在。
实验结果表明，所述的三种方法是有效的，能够定位所采集的车牌，虽然不能定位全部采集到的图片，但方法三相对前两种方法的准确率有很大的提高，达到了预期的目的。
关键词：车牌定位；纹理分析；边缘检测；数学形态学；小波分析目录摘要Abstract第1章绪论 11.1 课题研究背景及意义 11.2 课题研究目的 21.3 国内及国外研究现状 21.3.1 国内研究现状 21.3.2 国外研究现状 41.4 本文的工作及基本结构 4第2章图像处理技术基础 52.1 图像预处理 52.1.1 图像灰度化 52.1.2 图像二值化 62.1.3 图像小波变换 62.1.4 图像形态学处理 72.2 图像区域裁剪 9第3章基于MATLAB的车牌定位算法实现 103.1 MATLAB及其图像处理工具 103.2 我国车牌特点及识别难点 103.2.1 我国车辆牌照特点 103.2.2 我国车辆牌照定位难点 113.3 图像的采集 113.4 基于不同车牌特征的程序实现过程及结果图 133.4.1 基于车牌颜色特征的方法 133.4.2 基于数学形态学和边缘特征的方法 163.4.3 基于小波分析的方法 203.5 三种方法的结果比较 23第4章结束语 26参考文献 27致谢 28附录 29第1章绪论1.1 课题研究背景及意义近年来，随着全球经济的发展，交通事业也快速发展起来，机动车辆的规模大幅度增加，整个社会对交通运输的需求也不断增大。
无论是发达国家还是发展中国家，都不同程度的受交通问题的困扰。
交通拥挤、事故、环境污染已成为最难消除的现代社会公害之一。
面对日益严重的交通问题，各国专家提出了多种解决办法，但这些办法或受到投资和资源的制约，或受到见效面狭窄、见效期长等限制，尤其是发达国家的公路网早已建成，不可能靠大量拆迁来增建和拓建交通设施。
同时，人们越来越多的从保护环境、节约能源和谋求社会可持续发展的角度来考虑问题。
因此，随着计算机处理能力的增强和数字图像处理技术、通讯技术、信息技术的飞速发展，将车辆、道路、使用者三者紧密集合起来，用系统的观点进行思考，把先进的技术运用于智能交通系统（Intelligent Transportation System简称ITS）的开发中来[1]。
ITS的总体功能是通过改进（通常是实时地）交通网络的管理者和其他用户的决策，从而改善整个运输系统的运行[2]，它是世界道路交通管理的发展趋势。
车牌识别系统(License Plate Recognition System)是ITS中一个非常重要的方向，主要由图像采集、车牌定位、字符分割以及字符识别四部分组成，己经越来越受到人们的重视。
它具有良好的实际应用价值，目前主要应用于公路治安卡口、开放式收费站、车载移动查车、违章记录系统、门禁管理、停车场管理等场合[3]。
所谓车牌定位(License Plate Location)，就是把车牌区域完整的从一幅具有复杂背景的车辆图像中分割出来。
它是进行车牌识别的首要任务和关键技术，能否将牌照的位置找出来，决定着车牌识别的后续工作能否继续进行，如果不能正确找到牌照的位置，那么就无法将它分割出来，字符分割和字符识别工作将无从谈起。
同时，车牌定位的效率也直接影响着整个识别系统的效率，一个高效率的车牌识别系统首先必须是建立在高效的车牌定位算法的基础之上。
因此，不论在学术界还是在业界，人们都对车牌定位技术给予了高度的重视，研究与开发车牌定位的算法具有十分重要的实用意义[4]。
1.2 课题研究目的通过对车牌定位算法的研究，进一步了解车牌识别系统(License Plate Recognition System)中车牌定位的基本原理和实现过程，通过对MATLAB软件的学习，了解其功能丰富的图像处理工具，学习和掌握常用的图像处理技术，包括图像灰度化、边缘提取、颜色判定等，并学会利用MATLAB编写算法，通过仿真，使原始图像经过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。
1.3 国内及国外研究现状目前最常用的车牌识别方法就是数字图像处理技术[5]，数字图象处理(Digital Image Processing)是指利用计算机对数字图像进行系列操作，从而获得某种预期的结果的技术，也称为计算机图象处理(Computer Image Processing)[6]。
现在DIP已经成为工程学、计算机科学、信息科学、生物学以及医学等各学科学习和研究的对象。
基于图像处理的车牌定位识别技术，是一种无源型车辆牌照定位识别技术，他通过对运动或静止车辆的车牌号码的无接触采集图像，利用图像处理技术、模式识别技术及神经网络技术等，进行车辆牌照的实时定位识别[2]。
1.3.1 国内研究现状我国大城市交通拥堵问题己相当严重，道路基础设施远远不如发达国家，交通运输体系和结构也与发达国家不同，因此发展我国的ITS要结合中国的实际情况，总结发达国家交通发展的经验和教训，确立适合中国国情的发展战略[7]。
我国经过“九五”的准备期，在“十五”期间将ITS列为交通管理发展的主要研究方向。
在这种背景下，车牌识别系统作为ITS的重要前端设备，在交通调查、交通监管和车辆管理等方面发挥着举足轻重的作用，对这项课题的研究必将推动我国交通管理自动化的进程[1]。
国内常见的基于图像的车牌定位技术可分为以下几种[2]：1. 基于彩色图像的定位算法，定位准确，精度高。
但适应性差，对于偏色，以及背景颜色干扰等情况无法做出有效处理，因此很少单独使用。
近年来，在这一方面做出有益尝试的有上海交通大学的赵雪春等，他们提出了一种基于色彩分割的及多级混合集成分类器的车牌定位识别方法；浙江大学的张引、潘云鹤也对基于彩色图像的牌照定位方法进行了研究，提出了彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法ColorLP。
2. 基于边缘检测的车牌定位算法，定位准确，速度慢，漏检率高，误检率高。
此类算法中最典型的如Varsha Kamat等用Hough变换从车辆图像中检测到车牌边框，实现车牌定位。
3. 基于灰度值变化的车牌定位算法，速度快，但因为只依据车牌尺寸及形状来确定目标，所以误检率很高。
4. 基于神经网络的车牌定位方法，自适应能力强、准确率高，但计算量大，当牌照尺寸发生变化较大变化时，就必须对神经网络进行重新训练。
典型算法有Sirthinaphong等采用的四层神经网络实现车牌定位。
5. 基于数学形态学的定位方法，对特定场景定位效果较好，且速度较慢。
比较典型的算法有Joe ，实现定位。
6. 遗传算法定位，在图像质量较差是对目标区域有很好的增强效果，在光线较弱的夜里也能有不错的效果，但其原理是通过不断地迭代优化运算来提高效能，所以，虽然其总有进一步优化的潜力，但运算速度慢却是其致命瓶颈。
1.3.2 国外研究现状车牌定位的研究国外起步较早，世界各国都在进行适用于本国汽车牌照的自动跟踪识别，美、日、韩等国现在已经有了一些相应的系统(基于传感器)问世，并已获得较好的社会和经济效益。
目前的牌照识别系统已经达到了一定的识别率，但是，在天气条件差的情况下或夜晚时，识别率会明显下降，因此现有的识别系统要达到完全实用化仍然有很长的路要走。
现有的比较好的方法主要有J.Barroso等提出的基于水平线搜寻的定位方法；R.Parisi等提出的基于DFT 变换的频域分析方法；Charl Coetzee提出的基于Niblack二值化算法及自适应边界搜索算法的定位方法；Barroso J.Buls-Cruz等人提出的基于扫描行的车牌提取算法等。
上述算法尽管能在一定条件下分割出车牌，但对于许多的客观干扰，如天气、背景、车牌磨损、图像倾斜等，特别是应用到中国，定位效果并不十分理想[2]。
而以色列的Hi-Tech公司、新加坡的Optasia公司、香港的AsaiVisionTechnology公司分别研制了名为See/Car System、VLPRS、VECON的汽车牌照识别系统性能较好，这三种产品所能识别的汽车图像均为单车牌的灰度图像，即每幅灰度图像中只能含有一个车牌，并未涉及多车牌的识别问题。
VLPRS、VECON分别适合于对新加坡格式和香港格式的车牌进行识别，H-Tech公司则研制出了多种See/Car System，每种See/Car System适合于某一国家的车牌识别，其中See/Car System型的车牌识别系统可对中国格式的车牌进行识别，但不能识别车牌中的汉字。
以色列Zamir开发的“All-in-One”产品Lane Controller，集成了图像传感器、近红外光LED照明、识别算法处理器和车辆检测器于一体，已在欧洲多个国家得到应用；新加坡Optasia公司的IMPS系统，是一个综合的多通道系统，被马来西亚和新加坡用到识别移民的关卡中[9]。
我国目前还没有类似的系统问世，而引进国外这些系统不仅费用高而且由于各国车牌和实际的交通环境不同，引进的系统也无法满足我国城市化的需求[7]。
1.4 本文的工作及基本结构经过研究大量的文献资料，本文基于现有的车牌定位算法，根据不同的原理，提出了三种车牌定位方法，分析三种算法的优缺点，最终找出定位效率最高的方法。
第2章主要介绍常用的图像处理技术，包括图像预处理，图像裁剪等。
第3章主要介绍MATLAB及其图像处理工具，我国车牌的特点及识别难点，主要讲解本文车牌定位算法的流程，以及各步骤的技术解决方案，并且给出测试结果和分析。
第4章对本文的三个算法进行总结，并讨论后续改进方向。
后附参考文献、致谢及程序代码。
第4章结束语由前面的论述可知，本文主要基于图像处理技术，研究车牌定位的基本原理，设计基于MATLAB仿真软件的车牌定位的算法。