车牌定位方法
Report(车牌定位识别几种方法比较)
几种车牌定位识别方法的比较车牌识别系统是智能交通系统的一个重要组成部分，一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。
其中车牌定位是车牌识别中的关键，车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。
目前，车牌定位的主要方法有：①基于灰度图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法；⑤基于支持向量机的车牌定位方法等。
这些算法，在某些特定条件下，识别效果较好。
但在恶劣条件下，综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，还不能完全满足实际应用的要求，有待进一步研究。
各种车牌定位方法的思路、方法和优缺点比较：①基于灰度图像的车牌定位方法：灰度数字图像是每个像素只有一个采样颜色的图像。
这类图像通常显示为从黑色到白色的灰度。
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的图像。
此方法是应用车牌的如下特点：车牌牌照的字符和背景的对比度比较大，对应于车牌区域的水平灰度变化比较频繁；再者车牌一般挂在汽车的缓冲器上或附近，并靠近图像的下部，干扰一般比较少。
根据以上特点，使用靠近水平方向的一阶差分运算，以突出灰度变化频繁的区域. 其一阶差分运算的算式为：g(i,g)=f(i,i)-f(i,j+1)，式中，i=，2，3... m：m为图像的宽度；j=1，2 ，3…，n ：n为图像的宽度。
再对图像的水平差分图像g(x ，y) 的灰度值沿水平方向累加后做投影，可得投影图：水平方向累加后投影的算式为：T(i) = ∑n j=1 g(i,j)。
从车牌照是一个矩形这一特点, 我们可以判断它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌位置基本对应子图中从下到上的第一个较大的波蜂，车牌投影值区域大致对应干上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的变化率较大. 在这个过程中最重要的是确定选择哪个波峰，如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值，并且两个波谷之间的宽度大致等于车牌照的高度，就认定它所确定的区域就是车牌的水平位置. 对于车牌垂直方向的定位算法：一般情况下，车牌的底色和字符的颜色的对比度很大, 而且在一个相对范围较小的范围内变化比较频繁，通过这个特征确定车牌垂直方向. 该方法对质量较高的图像有很好的定位，不过对于图像中车前和车牌附近的车辆背景过多，容易导致错误的车牌定位。
一种复杂环境中的车牌定位算法
一种复杂环境中的车牌定位算法车牌定位是智能交通系统中重要的一环，它是车辆识别系统的关键步骤。
然而，在复杂环境中，如光线不均匀、天气恶劣或者车辆位置和角度变化较大时，车牌定位变得尤为困难。
因此，为了提高车牌定位的准确性和鲁棒性，在这种复杂环境下，可以采用以下算法。
首先，可以通过颜色特征进行车牌定位。
车牌通常具有特定的颜色，例如蓝色、黄色或者绿色等。
因此，可以使用颜色分割算法来提取图像中的车牌区域。
该算法首先根据颜色阈值将图像分割为不同的颜色区域，然后通过形态学操作来滤除小的非车牌区域。
最后，根据车牌的特定形状和比例进行筛选和检测。
其次，可以利用边缘检测算法来进行车牌定位。
边缘检测可以识别图像中的边缘信息，而车牌通常具有较为明显的边缘。
可以采用经典的边缘检测方法，如Canny算子，对图像进行边缘提取。
然后，根据车牌的特定形状和比例进行车牌候选区域的筛选。
此外，可以采用模板匹配的方法进行车牌定位。
模板匹配是一种基于相似度的匹配算法，可以在复杂背景下识别车牌。
首先，需要采集车牌图像的样本，然后使用特定的特征提取算法，如卷积神经网络（CNN），将车牌样本转换为特征向量。
接下来，对于待检测图像，也使用同样的特征提取算法，将图像转换为特征向量。
最后，通过计算图像特征向量与车牌样本特征向量之间的相似度来判断是否为车牌区域。
最后，可以结合多种算法进行车牌定位。
由于复杂环境下的车牌定位问题具有较高的难度，单一算法往往无法满足要求。
因此，可以采用多种算法的组合，例如，先通过颜色分割算法提取初始车牌区域，然后再使用边缘检测和模板匹配算法进行进一步的筛选和确认。
综上所述，复杂环境中的车牌定位算法可以结合颜色分割、边缘检测、模板匹配等多种方法。
同时，对于车牌定位的准确性和鲁棒性，还需要考虑光照变化、天气条件等因素，并采用适当的预处理和参数调整方法来提高算法的性能。
汽车车牌定位识别概述
汽车车牌定位识别概述汽车车牌定位识别技术的发展得益于计算机视觉技术的进步和硬件设备的不断更新。
自从20世纪80年代末期开始，随着计算机技术的发展，人们开始研究如何利用计算机自动识别车牌。
最初的方法是通过车牌字符的特征提取和模式匹配来实现，但是这种方法在实际应用中存在一些问题，比如对于光照条件、角度和车辆速度的不同会导致识别结果的准确度下降。
随着深度学习技术的兴起，特别是卷积神经网络（Convolutional Neural Network，CNN）的发展，汽车车牌定位识别技术得到了显著的进步。
CNN可以通过学习大量的车牌图像来自动提取图像特征，并通过训练模型来识别不同类型的车牌。
这种方法不仅可以提高识别的准确性，还可以适应不同的光照和角度条件。
汽车车牌定位识别技术的应用非常广泛。
首先，在交通安全领域，汽车车牌定位识别可以帮助交警自动检测和记录违反交通规则的车辆，比如闯红灯、超速等。
这种技术可以大大提高交通管理的效率和准确性，减少人为差错。
其次，在停车场管理中，汽车车牌定位识别可以帮助自动识别道闸前的车牌信息，实现自动出入场的管理。
这不仅方便了车辆的出入，还可以提高停车场的管理效率。
另外，在安防领域，汽车车牌定位识别可以帮助监控系统自动追踪和识别特定车辆的位置和行动轨迹，有助于犯罪侦查和预防。
汽车车牌定位识别技术通常包括以下几个步骤。
首先，对车辆图像进行预处理，包括图像去噪、图像增强等。
然后，利用目标检测算法来定位车牌的位置，常用的方法包括边缘检测、颜色分割等。
接下来，对定位到的车牌进行字符分割，将车牌中的字符单独分离出来。
最后，利用字符识别算法对分割后的字符进行识别，常见的方法包括模板匹配、字符特征提取等。
虽然汽车车牌定位识别技术已经取得了很大的进展，但是在实际应用中仍然存在一些挑战。
首先，不同车牌的形状和颜色差异较大，车牌的角度和光照条件也会导致识别的准确性下降。
其次，特定地区的车牌字符种类较多，字符的形状和位置也有差异，这对识别算法提出了更高的要求。
基于车牌底色识别的车牌定位方法
车牌底色识别技术在车牌定位中的应用1. 背景介绍在现代社会中，随着汽车数量的增加，交通管理日益成为人们关注的焦点。
车牌识别技术作为交通管理中的重要一环，越来越受到人们的重视。
其中，基于车牌底色识别的车牌定位方法，由于其高效、准确的特点，受到了广泛的关注和应用。
2. 车牌底色识别技术原理车牌底色识别技术是基于计算机视觉和图像处理技术的应用。
其原理是通过摄像头采集到的车辆图像，利用图像处理算法提取车牌底色特征，进而对车牌进行定位和识别。
通过对车牌底色特征的提取和分析，可以实现对车牌的快速、准确的定位和识别，从而为交通管理提供了重要的数据支持。
3. 车牌底色识别技术的优势相比传统的车牌定位方法，基于车牌底色识别的方法具有以下几点优势：3.1 高效性：利用计算机视觉和图像处理技术，能够实现对车牌底色的快速、准确提取，从而实现车牌的快速定位。
3.2 准确性：通过对底色特征的分析，能够较为准确地识别车牌，避免了传统方法中识别错误的情况。
3.3 适用性：车牌底色识别技术适用于不同光照条件和天气环境下的车牌定位，具有一定的稳定性和鲁棒性。
4. 车牌底色识别技术的应用车牌底色识别技术已经在交通管理、智慧城市建设等领域得到了广泛应用。
以智能交通管理为例，通过车牌底色识别技术，能够实现对车辆的快速通行、违章车辆的准确识别等功能，从而提高了交通管理的效率和精准度。
5. 个人观点和理解对于基于车牌底色识别的车牌定位方法，我认为这种技术在现代交通管理中具有重要的意义。
其高效、准确的特点，使得交通管理能够更加智能化、精细化。
但也需要重视对个人隐私的保护，避免信息泄露和滥用的情况发生。
总结回顾通过本文的介绍和分析，我们了解了基于车牌底色识别的车牌定位方法在交通管理中的重要应用。
通过对车牌底色特征的提取和分析，能够实现对车牌的快速、准确的定位和识别，为交通管理提供了重要的数据支持。
我们也需要充分考虑个人隐私的保护，确保技术的应用在保护隐私的前提下发挥最大的作用。
车牌识别（一）-车牌定位
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
简述常用车牌定位算法
简述常用车牌定位算法在我国，直至20世纪50年代，车辆管理主要靠人工方式，然而随着经济的迅猛发展，工业化程度的不断加深，汽车数量大量增加，给交通管理、环境治理、社会治安、交通运营等提出了许多新的问题。
伴随着车辆数目的增加，生活小区、地方单位、部队营区、停车场等对车辆的管理面临着新的挑战。
如何做到车辆状态有案可查、有据可依，如何实现车辆的科学化、自动化管理成为人们关注的话题。
车牌的自动识别时计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究方向之一，是实现交通管理智能化的重要环节。
此项研究始于20世纪80年代，目前已成为国内外的一个热点研究方向，主要包括车牌定位、车牌字符分割和车牌字符识别三个关键环节。
目前车牌识别方法主要是采用车牌识别技术和车型识别技术。
车牌识别技术的任务是处理、分析摄取的视频流中复杂背景的车辆图像，定位、分割牌照字符，自动识别牌照上的字符。
为了保证汽车车牌识别系统能在各种复杂环境下发挥其应有的作用，识别系统必须满足以下要求：（1）鲁棒性：在任何情况下均能可靠正常地工作，且有较高的正确识别率。
（2）实时性：不论在汽车静止还是高速运行情况下，图像的采集识别系统必须在一定时间内识别出车牌全部字符，达到实时识别。
车牌识别技术的关键在于车牌定位、字符分割和字符识别三部分，其中车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个LPR系统识别率的主要因素，是车牌识别技术中为关键的一步。
目前车牌定位的方法多种多样，归纳起来主要有基于纹理特征分析的方法、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位以及基于彩色图像定位等，这些方法各有所长。
1车牌目标区域特点车牌定位方法的出发点是利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。
车牌自身具有许多的固有特征，这些特征对于不同的国家是不同的。
从人的视觉角度出发，我国车牌具有以下可用于定位的特征：（1）车牌底色一般与车身颜色、字符颜色有较大差异；（2）车牌有一个连续或由于磨损而不连续的边框；（3）车牌内字符有多个，基本呈水平排列，在牌照的矩形区域内存在丰富的边缘，呈现规则的纹理特征；（4）车牌内字符之间的间隔较均匀，字符和牌照底色在灰度值上存在较大的跳变，字符本身和牌照底内部都有比较均匀的灰度；（5）不同图像中牌照的具体大小、位置不确定，但其长宽比在一定的变化范围内，存在1个值和1个值。
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。
基于车牌底色自动识别的车牌定位方法
３ ． ２ ． ３基于梯度的图 像分割方法
使用阐值的区域分割方法通过将图像 划分为内 部点集和外部点集来实现分割。 与此 相反，边界方法利用边界具有高梯度值的性质直接把边界找出来。 （ 一） 梯度幅度
图 像梯 度函 数可用图 像的 减法运算实 现。 梯 度定 义为： 给定一 个标量函 数ｆ （ ｘ ， ｙ ） 和
ｙ ｒ （ Ｉ ｛ ｉ ， ＞ Ｊ ｉ ＞ ｉ ） 一 Ｉ （ ｉ ａ ， Ｉ ２ ＞ Ｉ ） ） ２ ＋ （ Ｉ （ ｉ ｝ ＞ Ｊ ｉ ＞ ２ ） 一 Ｉ （ ｉ ２ ＞ Ｊ ２ ， ２ ） ） ２ ＋ （ Ｉ （ ｉ ， ａ ｌ ｉ ， ３ ） 一 １ （ ‘ ２ ０ １ ｈ ＞ ３ ） ） ２
基于车牌底色自 动识别的车牌定位方Ｙ ３ ＜
Ｃ ｏ ｌ ｏ ｒ Ｒ ｏ ｂ ｅ ｒ ｔ （ ｉ ， ｊ ） ＝ △ 。 ＋ Ａ ｚ
其中Ｅ ｕ ｄ （ ｉ ｊ ， ； ＇ Ｚ ＞ ｊ ｉ ） 定义为 像素点（ （ ｉ ｊ ） 与（ （ ｉ ｘ ， ｊ ｚ ） 之间的 彩色值欧氏 距离，
Ｅ ｕ ｄ （ ｉｊ ， ； ｉ ｖ ｊ ｚ ） ＝
斜率的权值的大小，梯度幅度由下式的标量函数给出
ｌ ｏ ｆ （ ｘ ， Ａ 二ｚ ａ ｘ ｝ ＋ （ ａ ｆ ｙ ｝
该公式表示在每点 斜率的陡峭程度， 但丢失了方向 信息。 而且， 因为平方根的计算比较
第四章 车牌颜色分割算法
费时，上式可近似地由 下式的形式代替
｝ ｏ ｆ （ ｘ ， Ｙ ） 卜ｍ ａ ｘ 目 ｆ （ ｘ ， Ｙ ） 一 ｆ （ ｘ ＋ １ ， Ｙ ） Ｉ ， Ｉ ｆ （ ｘ ， Ｙ ） 一 Ａ ｘ ， Ｙ ＋ １ ） １ ｝
１ 一１ 一１ － ０ １ 一 ｌ 一 １ 一 １
车牌定位的论文
第三章车牌定位3.1车牌定位的主要方法所谓车牌定位算法是指在实际拍摄的图像中确定车牌区域的位置以便提取分割出车牌区域图像的问题。
牌照的快速准确定位是车牌自动识别技术中非常关键的一步，是典型的图像分割问题，因此定位方法与车牌特征和图像处理技术是分不开的。
经典的车牌定位分割算法包括从简单的灰度阈值方法、频域和空间分割方法到复杂的连接元素方法以及Hough变化法等，在背景较复杂和光照不均匀条件下，这些方法难以取得令人满意的分割效果。
近年来，人们针对这种情况，提出了各种各样的定位算法。
目前没有一个标准图像数据库来评价无限制条件车牌定位算法的性能，这个问题的研究目前刚刚起步。
3.1.1基于直线检测的方法这类方法一般采用Hough变化等方法来检测直线（车牌周围边框形成）。
利用车牌形状特性来定位车牌，在实际运用中忧郁光照不均匀等影响和摄像机畸变，曝光不足和动态范围太窄等原因，导致图像存在伪影，加上车牌上的灰尘、脏污等使形状特性表现的不明显，从而影响定位效果，此外传统的Hough变换法应用在车牌定位中，只是单纯的进行直线的检测，没有和车牌形状特性结合起来，而且Hough空间与原图像空间不是一一对应的，由Hough 空间中检测到的特征点无法确定出车牌轮廓的起始位置，无法避免直线干扰的问题，因此在有直线干扰时及未进行边框提取时的可能性会大大增加。
Hough变化计算量较大，对于边框不连续的实际车牌，需要附加量加大的运算。
3.1.2 基于阈值化的方法图像经过阈值化得到一个字符和背景分离的二值图像是这类方法的特点。
目前已经提出了多种阈值化策略，但简单算法二值化效果不好，复杂算法计算时间长、计算量大限制了实际应用。
3.1.3 基于灰度边缘检测方法此类方法通常利用车牌区域局部对比度明显和灰度有规律变化的纹理特征来定位。
中国车牌类型较多，在不同光照条件下车牌对比度更加不一，需要进行图像增强处理，还要考虑图像中与车牌特征非常相似的非车牌区域的排除问题。
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。
详解车牌识别技术之车牌定位
详解车牌识别技术之车牌定位车牌识别系统(Vehicle License Plate Recognition，VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用，能够将运动中的车辆牌照信息（含汉字字符、英文字母、阿拉伯数字及号牌颜色）从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号、颜色等信息，目前最新的技术水平为字母和数字的识别率均可达到99%以上。
车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。
它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。
当前，车牌识别技术已经广泛应用于停车管理、称重系统、静态交通车辆管理、公路治超、公路稽查、车辆调度、车辆检测等各种场合，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
不过，你知道车牌识别技术是如何实现车牌定位的吗？车牌定位，就是在车牌图像中找出最符合车牌特征的区域。
其主要目的是在经图像预处理后原始灰度图像中寻出车牌的位置，并将包含车牌字符的一块子图像从整个图像中分割出来，供字符识别子系统之用，分割的准确与否直接关系到整个车牌字符识别系统的识别率。
车牌识别系统现阶段比较成熟的车牌定位方法有：基于图像的彩色信息法、基于纹理分析的方法、基于边缘检测的方法、基于数学形态学的方法、基于遗传算法的定位、基于神经网络定位等。
汽车牌照定位：在车牌识别系统中对车牌定位的算法包括三个过程，即颜色识别、形状识别、纹理识别。
先通过颜色识别来初步确定车牌的所在区域，再结合车牌的形状特征以及纹理特征精确定位。
车牌识别系统都是基于牌照区域的特征来进行定位的，车辆牌照的主要特征如下：1、颜色特征车牌底色与字符颜色有着相应的组合，颜色对比强烈。
如果对彩色图像进行定位，有蓝底白字白框线，黄底黑字黑框线，黑底白字白框线，白底黑f红1字黑框线等几种颜色搭配的车牌。
常用车牌定位算法比较
常用车牌 定位算 法比较
文０ 张旭光 （ 防化指挥 工程 学院基础部）
越壶
一
区域 将 被认 定 为 可能 的 车 牌 区域 。 由于 这 种 方 法 不 依 赖 于 车 牌 的 外边 框是 否 清 晰 ， 因此 ，它 可 以应 用 干 车牌 外边 框 不 清 晰或 车牌 定位 算 法 进行 探 讨 ，希 望能找 出各 种 有断 裂 的 情 况 ，并 且 ，实 现 起 来又 简 单 又 算 法的优 缺 点 ，以便 在 现 实 中能 更好 的 运 快 。缺 点 就是 ，仅 基 于边 缘 的 方法 很 难 处 用各 种 算 法 ，更 好 的 为应 用服 务。 理 复 杂情 景 的 图像 ，因 为这 种 方 法对 那 些 关键 词 ：车 牌 定位 ；算 法 比较 多余 的边 缘 也 很敏 感 ，例 如在 汽车 前 部 的 散 热 器区 域 ，它 同样 具有 较 高 的边 缘 梯 度 引 言 近 年 来 ，随 着 国 民 经 济 的 快 速 发 展 ， 和 边缘 变 化 。 尽 管如 此 ，当我 们 将 这种 方 各 种机 动车 辆 不 断增 加 ，导致 道 路 交通 流 法 同 数学 形 态 学 结合 起 来一 起 使 用时 ，用 量 不断 增大 ，交 通 事故 、交通 堵 塞等 问题 形 态 学方 法 可 以 去掉 在 处理 图像 中 的那 些 日益严 重 ，我 们 正 面临 着 路 网通 行能 力不 有 害 的边 缘 ，那 么 ， 与其 他的 车 牌 区域 抽 能 满足 交 通量 增 长 需求 以 及 交通 运输 安 全 取 方 法 相 比 ， 用这 种 方 法 要 相 对 快 一 些 ， 等 问题 。为 了解 决 这些 问题 ， 国外 发达 国 而 且 成 功 率 高 一 些 。 家 相继 推 出 了适 应 未来 运输 需 求 的 智能 交 （ ） 基 于 颜 色 （ 者 灰 度 ） 的 处 二 或 通 系统 ，我 国也 将 发 展智 能 交通 系统 作为 理 方 法 今 后 交 通建 设 的 一 个 重 要 发展 方 向 。 这也 是 一 种 常 见的 车 牌定 位 方 法 。 基 作 为现 代 智 能 交通 系 统 中的 一项 非 常 于颜 色 （ 者 灰 度 ） 的处 理 方法 获 得 成功 或 或 重 要的技术 ，汽车牌 照 自动识 别技 术是近 几 的关键在颜 色牌识 别系统 Ｌ 既具有 Ｒ Ｐ 方 面 ，在一 个 自然场 景 中 ， 由于 光 线 的 重要 的理论意 义，也具有 良好的 实际应用价 变化 ，颜 色并 不 稳 定 ， 目前 这 种方 法 不具 值 ，并且在现 实生活 中已经得到一 定程度的 备高 度 准 确性 。 由于 这种 方 法是 基 于 颜 色 应用。 由于其具 有 良好 的发展前景 ，所 以车 的 ， 因此 ，它 不能 检 测各 种 不 同颜 色的 车 牌识别系统的 开发和研制 工作在 国内外 皆受 牌 。尽 管 基 于颜 色 的 处理 方 法 有着 很 好 的 到相当大的关 注。其 涉及的领域 包括模式识 性 能 ，但 是 ，如果 图像 中有 很 多 与车 牌 部 别 、图像 处理 、人 工智能 、信息论 、计 算机 分 颜 色相 似 的 区域 ，这 种 方法 将 很难 识 别 等 多门学科 ，是 一 门综 合的应 用技 术 。 幅 汽 车 图片 。 车牌 定 位是 车 牌识 别技 术 的第 一 个关 种 改进 的 基 于颜 色 的 处 理方 法 是在 键技 术 ，定 位 的 准确 与 否直 接 影 响着 车 牌 颜 色处 理 的 基 础 上 引入车 牌纹 理特 征 。 系 Ｓ Ｖ 识 别的 准确 率 。 在车 牌 定 位算 法 中 ， 关键 统 采 用 支 持 向量 机 （ Ｍ ）以 及 采 用 是 寻找 某 种 图像 处 理 方法 ，使 原 始 图 像经 ｃ Ｓ ｉ ｔ算法定位 边界的方法 分析 图像 ＡＭ ｈ ｆ 过该 算 法 的处 理 后能 够 清 楚地 显 示 出车 牌 纹理特征 。Ｓ ＶＭ 同 ＣＡＭＳｈ ｆ ｉｔ结合可以更 区 域 ，同 时 使 图像 中的 非 车 牌区 域 消失 或 有 效 的进 行 车 牌 定 位 。但 是 ，这 种 处理 方 者减 弱 ，从而 能 准确 有 效 地 定位 出 车牌 在 法 在 图像 严 重 污 损 或者 过 于复 杂 时 ，依然 图 像 中的位 置。 现在 已经 存 在的 车 牌 定位 会 遇 到 问题 ， 有 限 的资 源 是 主 要 的障 碍 ， 的 方 法 有纹 理分 析 、 汽 车 牌 照颜 色变 化 、 同时 ，实时 性方面 也很难满 足 ＬＰＲ 应用 的 还 有数 学 形态 学 等 很 多方 法 。 车牌 定 位 不 要 求 。 准 的原 因往往 是 因 为 含车 牌 图像 中存在 着 （ ） 隔 行 扫 描 统 计 边 缘 法 三 大 量 噪 声 、 图 像 的 质 量 较 差 等 原 因 造 成 对汽 车 图像进 行 间隔 Ｎ 行 的扫描 ，并 的 ；而 由于 处理 图像 的数 据 过大 ，往 往 造 对边 缘 计 数 。如 果 边缘 数 目大 干某 一 给 定 成 用 时过 多 ，从 而 不 符合 实 时性 要 求 。 因 的阈 值 ，则说 明 ，当前检 测 到 了车牌 区域 。 此 ，本文 对 目前 存 在 的车 牌 定位 算 法 进行 如果 第 一 次检 测 没 有找 到 车 牌 区域 ，则 降 探 讨 ，希 望 能找 出各种 算 法 的 优缺 点 ，以 低该 闽 值 ，重新 检 测 。这 种 方 法的 特 征就 便 在 现 实 中能更 好 的运 用 各 种算 法 ，更 好 是执 行 速 度 。但 是 ，这种 方 法 只对 某 些 特 的 发 挥 各 算 法 自身的 优 势 。 定 的场 景 有效 ，对 车 牌 的大 小 及距 离 有 依 二 、 目前 存 在 的 各种 车牌 定 位 算 法 赖性。 目前存 在的 车 牌 定位 算 法主 要 有 ：边 （ ）Ｈ ０Ｕ ｇｈ 变 化和 轮廓 线法 四 缘 检 测法 、数 学形 态 学法 、基 于 彩色 或 者 这 类 方 法 ，首 先 统 计 输 入 图 像 的 边 ｕ 灰 度 处 理 的 方 法 、 行 检 测 和 边 缘 统 计 法 、 缘 ，然后 ，应用 Ｈｏ ｇｈ变换检测车牌 区域 。 模糊逻辑 法 、ＧａｂＯｒ滤波 法 、遗 传算 法 ， Ｈ ０ｕｇｈ变换 法同轮廓 线相 结合使 用 ，可以 Ｈ Ｏ ｇｈ 变化和 轮廓线 法、 自 应增压 法 、 获 得较 高 的 准 确性 和 较快 的 速 度 ，可 以满 ｕ 适 ０Ｕｇｈ 变换对边 基于 小 波变 换 的 方法 、均 衡变 换 法 、神 经 足实时性 的要求 。但是 ，Ｈ 网络 法 、脉 冲 耦 合神 经 网络 法 、时 延神 经 界 变 形非 常 敏 感 ，如 果 车牌 区域 的边 界 是 模 糊 的 ，或 者 是扭 曲的 ，或者 散 热 器罩 附 网络 法 、矢 量 量 化 方 法 等 。 （ ）边 缘 检 测 法 和 数 学 形 态 学 法 近 有 许 多横 的 或 竖的 边 缘 ，这 种 方 法将 很 一 就 车牌 区 域提 取 而 言 ，将 边 缘检 测 方 难 抽 取 车 牌 区 域 。 法 同数 学 形态 学 方法 结 合 使用 ，会 取 得非 （ ）Ｇ ａ ｒ滤波法 五 ｂ０ Ｇａ ０ ｂ 波是 目前 主要的纹 理分析 工 ｒ滤 常好 的 效 果 。这 两 类方 法 基于 统 计 图 像 中 的梯 度 数量 级 和 局部 梯 度 变化 。 因此 ，使 具 之 一 。这 种 方 法具 有 在 无 限多 方 向和 广 用这 两 类方 法 需 要有 个 前 提 ， 车牌 区 域 的 度上 分析 纹 理 的 优 点 。这 种 方法 对 于处 理 亮 度变 化 显 著而 且 变换 频 率要 高 于 其 他 区 由 固定 位 置和 角度 获得 的 数 字 图像 有 很好 域 。具 有 高 度边 缘 梯 度和 高 度边 缘 变 化的 的效 果 ，但是 ，这 种方 法 对 图像 的 分 析处
- 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)。
摘要: 车牌定位是车牌自动识别技术中的一个关键问题，许多学者研究发展多种车牌定位算法。
简要介绍和比较了目前比较常见的几种车牌定位方法进行了。
车牌识别LPR(License Plate RecognitiON)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，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，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。
车牌识别技术的任务是处理、分析摄取的视频流中复杂背景的车辆图像，定位、分割牌照字符，最后自动识别牌照上的字符。
为了保证汽车车牌识别系统能在各种复杂环境下发挥其应有的作用，识别系统必须满足以下要求:(1)鲁棒性:在任何情况下均能可靠正常地工作，且有较高的正确识别率。
(2)实时性:不论在汽车静止还是高速运行情况下，图像的采集识别系统必须在一定时间内识别出车牌全部字符，达到实时识别。
车牌识别技术的关键在于车牌定位、字符分割和字符识别三部分，其中车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个LPR系统识别率的主要因素，是车牌识别技术中最为关键的一步。
目前车牌定位的方法多种多样, 归纳起来主要有基于纹理特征分析的方法、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位以及基于彩色图像定位等，这些方法各有所长。
1、车牌目标区域特点车牌定位方法的出发点是利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。
车牌自身具有许多的固有特征，这些特征对于不同的国家是不同的。
从人的视觉角度出发，我国车牌具有以下可用于定位的特征:(1)车牌底色一般与车身颜色、字符颜色有较大差异;(2)车牌有一个连续或由于磨损而不连续的边框;(3)车牌内字符有多个，基本呈水平排列，在牌照的矩形区域内存在丰富的边缘，呈现规则的纹理特征;(4)车牌内字符之间的间隔较均匀，字符和牌照底色在灰度值上存在较大的跳变，字符本身和牌照底内部都有比较均匀的灰度;(5)不同图像中牌照的具体大小、位置不确定，但其长宽比在一定的变化范围内，存在1个最大值和1个最小值。
以上几种特征都是概念性的，各项特征单独看来都非车牌图像所独有，但将它们结合起来可以唯一地确定车牌。
在这些特征中，颜色、形状、位置特征最为直观，易于提取。
纹理特征比较抽象，必须经过一定的处理或者转换为其他特征才能得到相应的可供使用的特征指标。
通常文字内容特征至少需要经过字符分割或识别后才可能成为可利用的特征，一般只是用来判断车牌识别正确与否。
2 、常用的车牌定位算法根据车牌的不同特征，可以采用不同的定位方法。
目前车牌定位的方法很多，最常见的定位技术主要有基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、基于遗传算法的方法、基于数学形态学的车牌定位和基于灰度图像纹理特征分析的方法等，在此对几种常用的定位算法进行简单的介绍。
2.1 基于边缘检测的车牌定位方法所谓“边缘”就是指其周围像素灰度有阶跃变化的那些像素的集合。
“边缘”的两侧分属于两个区域，每个区域的灰度均匀一致，而这两个区域的灰度在特征上存在一定的差异。
边缘检测的任务是精确定位边缘和抑制噪声。
检测的方法有多种, 例如Roberts 边缘算子、Prewitt 算子、Sobel 算子以及拉普拉斯边缘检测。
这些方法正是利用物体边缘处灰度变化剧烈这一特点来检测图像的边缘。
各算子对不同边缘类型的敏感程度不同, 产生的效果也不同, 经过大量实验分析可知, Roberts边缘算子是一种利用局部方差算子寻找边缘的算子, 定位比较精确; Prewitt算子和Sobel算子对噪声有一定的抑制能力, 但不能完全排除伪边缘; 拉普拉斯算子是二阶微分算子, 对图像中的阶跃型边缘点定位准确且具有旋转不变性, 但容易丢失一部分边缘的方向信息, 同时抗噪能力较差。
针对不同的环境和要求, 选择合适的算子来对图像进行边缘检测才能达到好的效果。
具体定位流程如图1所示。
图1 基于边缘检测的车牌定位流程该方法的定位准确率较高、反应时间短、能有效去掉噪声, 适合于包含多个车牌的图像, 在多车牌图像的情况下定位速度也很快。
但是对车牌严重褪色的情况, 由于检测不到字符笔画的边缘会导致定位失败，在有外界干扰以及车牌倾斜时，定位后的区域比车牌稍大。
2.2基于彩色分割的车牌定位方法基于彩色分割的车牌定位方法由彩色分割和目标定位等模块组成，采用多层感知器网络对彩色图像进行分割，然后通过投影法分割出潜在的车牌区域。
在进行彩色分割时采用神经网络模型，一般图像采用RGB三原色，但RGB三原色中两点的欧氏距离与颜色距离不成线性比例。
为了更好地进行彩色分割，将RGB模式的彩色图像转化为HSI模式，即色调、饱和度和亮度，然后对输出图像的饱和度作调整。
为了减少计算量，将彩色图像抽稀后再进行模式转化。
同时，为了减少光照条件对图像分割产生的影响，采用对数方法进行彩色饱和度调整。
然后对模式转化后的彩色图像进行彩色神经网络分割，最后根据车牌底色及长宽比等先验知识，采用投影法分割出合理的车牌区域。
当获取的彩色图像质量较高时，尤其是车牌区域颜色与附近颜色差别较大时，准确率将有所下降。
该定位算法正确率较高，但由于采用了神经网络计算法，当区域颜色与附近颜色相似时，计算速度较慢。
具体定位流程如图2所示。
图2 基于彩色分割的车牌定位流程2.3基于小波变换的车牌定位方法小波分析是一种应用于图像处理的重要分析工具, 具有“显微镜”的特性。
小波分析的多分辨率特性使得小波分解系数在不同方向的高频子波系数具有不同特性, 因此利用方向小波能够反映出图像在不同分辨率上沿任一方向变化的情形。
小波分析的多尺度分解特性更加符合人类的视觉机制。
小波变换的基本思想是将原始信号经过伸缩、平移等运算分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号, 这些子带信号具有良好的时频特性, 通过利用这些特性可以实现对信号的时域、频域的局部分析。
目前利用小波分析的车牌定位算法大多是利用小波变换与其他多种方法相结合来实现更准确、快速的定位。
例如基于小波分析和数学形态学的车牌定位方法，该方法通过小波多尺度分解提取出纹理清晰且具有不同空间分辨率、不同方向的边缘子图，然后利用车牌目标区域具有水平方向低频、垂直方向高频的的特点实现子图提取，最后用数学形态学方法对小波分解后的细节图像进行一系列的形态运算，进一步消除无用信息和噪声，以确定车牌位置。
该方法在噪声较小的情况下定位效果好，分割精度高；其缺点是速度较慢，且在噪声较大时误定位机率也随之增大。
具体定位流程如图3所示。
图3 基于小波变换的车牌定位流程2.4基于遗传算法的车牌定位基于遣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，而寻找参量空间的最优解正是遗传算法所擅长的。
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。
具体定位流程如图4所示。
图4 基于遗传算法的车牌定位流程2.5基于数学形态学的车牌定位方法数学形态学图像处理的基本思想是利用一个结构元素来探测一个图像, 看是否能将这个结构元素很好地放在图像内部, 同时验证填放元素的方法是否有效。
腐蚀、膨胀、开启和关闭是数学形态学的基本运算。
具体定位流程如图5所示。
图5 基于数学形态学的车牌定位流程基于数学形态学的车牌区域定位方法不能精确确定车牌左右边界的位置, 所以必须结合其他定位方法进行精确定位。
例如基于数学形态学和边缘特征的车牌定位方法, 这种方法先对车牌图像进行预处理, 然后基于垂直方向结构元素的腐蚀运算进行滤波, 再用闭合运算来填补车牌区域内细小孔洞, 进而增强车牌区, 使车牌区成为一个连通区域, 最后利用字符边缘的特征对车牌进行准确的定位。
该方法将数学形态学运算与数字图像的特征相结合, 有效改进了传统的车牌定位方法, 提高了车牌定位的速度和准确度。
2.6基于灰度图像纹理特征分析的车牌定位方法传统的纹理特征分析定位算法大多基于灰度图像来分析的, 因此该算法需要对图像进行预处理, 将彩色图像转换为灰度图像，然后进行行扫描, 找出图像中每一行所含有的车牌线段, 记录下它们的起始坐标和长度，如果有连续若干行均存在不少于一个的车牌线段, 且行数大于某一确定的阈值, 则认为在行的方向上找到了车牌一个候选区域, 并确定了该候选区域的起始行和高度；在已找到的可能存在车牌的区域做列扫描, 以确定该车牌候选区域的起始行和高度以及起始列坐标和长度，由此确定一个车牌区域；继续在其他可能存在车牌的区域寻找, 直至找到所有的车牌候选区域。
图6 基于灰度图像纹理特征分析的车牌定位流程该算法对于牌照倾斜或变形以及光照不均、偏弱或偏强有很好的效果, 但对噪声敏感, 对于背景复杂的图像可以结合垂直投影的方法来得到真正的车牌区域,可以有效地解决背景复杂的车牌定位。
车牌定位技术是车牌识别系统中的一个重要环节,在定位的精度、计算速度和适用的可靠性方面还需要进一步改进和提高。
目前，还没有一种算法能够实现对于任意背景、位置和光照条件下的汽车图像进行车牌定位。