车牌定位

本人的毕设收集资料

a.一些算法

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。

3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。车牌区域字符笔划变化含有丰富的边缘信息。对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。此方法分为两个部分：粗定位和精确定位。1．粗定位：

粗定位是从车牌边缘检测后的图像中找出含有车牌的区域，并把它提取出来，考虑到车牌区域中存在大量笔画边缘点集，当线段扫描到车牌区域时，￡会大于某个阈值，这样就能初步找到横穿车牌区域的线段，然后以此线段为起点，上下平移扫描，利用车牌区域横向积分投影的连续性特征，定出车牌的上下边。在定位出上下边的同时，利用车牌白点数目占据主导的特点，用一定宽度的矩形，从左往右扫描。粗定位具体做法是用一个比估计车牌小的矩形遍历整个边缘二值图，则落在该矩形内白色的点最多的位置就是车牌区域的大致位置。2．精确定位：

车牌颜色主要分为：蓝底白字、黄底黑字、黑底白字，白底黑字四种。相同号码不同颜色组合的车牌不是同一个车牌，所以颜色信息在车牌定位的过程中相当重要。本文在精确定位时结合车牌的长宽信息、颜色信息，根据车牌颜色(蓝、白、黄、黑4种)像素占候选车牌区域所有像素的比例来确定哪个是车牌部分，由此得到准确的车牌区域。

具体思想如下：对粗定位中提取的区域进行研究，如果此区域蓝、黑、黄色中哪种颜色较多，则认为蓝底色牌照、黑底色牌照、黄底色牌照，剩余的车牌为白底色军车和武警车牌照等。每个颜色的RGB有一定的范围比例，如蓝色的RGB各值中蓝色分量最大，并且蓝色红色分量的比值大于门限Tb；黑色的RGB各值相差不大，它们与其它颜色的RGB值相比是很小的值，且小于门限Tbl；黄色的RGB各分量依次减小，而且蓝色分量远小于其它两色。设图像中像素的红

绿蓝三色分量分别记为r、g、b，下面的pixel代表像素的类型，是蓝色的记为Blue，黑色的记为Black，黄色的为Yellow，具体判断如下：

如果车牌颜色信息满足蓝底牌照、黑底牌照条件或者Sillll

从原始图像可以看到，车体和车牌颜色对比明显，车体主要为黑色，而车牌为蓝色背景，白色字体。车体和车牌颜色的明显对比为算法提供了基础。此算法缺陷在于：车牌颜色必须不同于图像整体背景色，否则无法提取出车牌区域。

5基于改进SobeI算子边缘检测法

传统Sobcl算子只有水平和垂直两个方向模板；其中水平模板对水平边缘的响应最大，垂直模板对垂直边缘响应最大。模板的方向表示灰度由低到高或由高到低的变化方向，而不是图像的实际边缘方向。通过对车牌字符的垂直方向和斜线方向进行划分，本文采用六方向模板，算法实现的基本思想：构造六方向模板，对图像进行逐点计算，取最大值作为该点的新灰度值，该最大值对应模板的方向为该像素点的边缘方向。车牌图像提取特征后，采用迭代求图像最佳分割阈值的算法进行二值化；大多数车牌图像上噪声点较多，经过二值化后的图像如果直接进行水平投影定位，可能出现伪特征信息，所以应先进行去除噪声。本文采用模板大小为l×3的腐蚀运算，去除一些较小噪声点，保留图像车牌部位的主要信息。得到腐蚀后的车牌图像后，对图像的像素沿水平方向累加产生一个投影图，在车牌对应的水平位置会出现一段峰值。本文通过以下三点来判断峰值对应的位置是否为车牌区域：

1．波峰和波谷之间具有一定的落差，当一个局部最大值和它邻近的局部最小值的差大于某一阈值时，该局部最小值为波谷，反之为干扰值。

2．波峰的两个临近波谷之间具有一定宽度，该宽度值由车牌宽度特征决定。

3．波谷所占整个图像的高度在一个范围之内，由车牌处于车身较低位置的特点决定。

在光照均匀和背景不复杂的图像中，车牌的峰值特性十分明显，很容易定位出车牌区域的水平位置。当光照不均匀或者背景复杂的图像中峰值特性不明显，需要选择合理的阈值来准确确定局部最小值是否为谷底问题。本文设定峰顶和峰谷落差的经验阈值为16，峰的宽度阈值为30，即当峰顶和峰谷落差大于16且峰的宽度大于30时，判定该位置为包含车牌区域。车牌下方没有明显的边缘密集区域，所以搜索车牌的时候可以从下往上搜索，当出现的第一个峰值满足上述条件时，该峰值即为车牌的投影区域。由于车牌的底色和车牌字的颜色形成强烈对比，并且在一个相对小的范围内频繁变化，所以可以通过这个特征进行车牌的垂直定位。本文采用数学形态学方法对图像进行处理，检测出大小合适的矩形区域。具体定位算法如下：1对定位后的图像膨胀运算，结构元素是3x3矩形，填充车牌区域的小洞。

2对膨胀后的图像进行一次开运算，结构元素是1×4的矩形。

3．再进行一次膨胀运算，结构元素是1×4，第2步和第3步目的是选定具有一定宽度的区域。4．接着再进行一次开运算，结构元素是4x1。

5．最后进行一次膨胀运算，结构元素为4×1，选定具有一定高度的区域。

将得到的图像投影到垂直方向，根据车牌的宽度信息，设定一个范围，在投影图像中找到满足此范围的投影区域，定位出车牌的垂直位置。基于改进Sobel算子边缘检测的效果如图3-4