车牌定位技术的比较与研究

而不是 图 该方法存在一个 缺陷， 当应用于背景复杂 的图像 时， 容 易 板的方 向表示灰度 由低到高或 由高到低的变化方向， 通过对车牌字符的垂直方向和斜 线方 向进 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 像的实际边缘方向。 在 内的车牌候选 区域 。
行划 分， 本 文采用六 方 向模板 ， 算法实现 的基本思想 ： 构造六
车牌定位技术的比较与研究
禹定臣 李 白燕（ 黄淮学院信 息工程学院， 河南 驻 马 店 ４ ６ ３ ０ ０ ０ ）
摘 要： 在智能交通系统中， 车牌定位和识剐是重要环节之一， 本文对目 前已有的车牌定位技术进行比较和研究， 以更好 的研究高速、 准确车牌定位 ； 纹理特征 ； 神经 网络 ； 边缘 检 测
反之为干扰值。 ２ ） 波峰 的两个 临近波谷之 噪声， 提高图片质量。（ ３ ） 车牌定位 ： 利用训练好 的神经 网络在 图 局部最小值为波谷， 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 像中搜索车牌区域， 定位车牌 。
２ ． ３基于特征统计的车牌定位
像素粘连 。 这一特点可用于填平小孔 、 弥合小裂缝 ， 保 持总的位
置 和 形 状 不变 。
２ 车牌定位方法的原理介绍
２ ． １基于纹理特征的车牌定位法
利用数学形态学 中的开闭运 算对图像 处理 ， 得到多个车牌
然 后用多区域 判别法在 图像 的多个车牌可能区域中 纹理特征是图像 的一个重要特征 ， 监控系统拍摄到的车辆 可能 区域 ， 此算 法 中结 构元素 大小的选取 至关 重 图像因拍摄 环境的变化而 不同， 然而车辆牌照特征不 因外部条 找到车牌 的正确 位置 。 结构元 素过大 ， 会使非车 牌区域 的边 缘点粘连在一 起 ， 可 件变化而 改变。 车牌 内有多个基本成 水平排 列的字符， 字符和 要 。 给随后 的多区域判 别算法 带来 困难 ； 结构 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 能的车牌区域增多 ， 车牌 区域 无法粘连 在一起 ， 可能使真正的车牌 区域 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 元素过小 ， 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 不包含在可能车牌区域集合 中。
（ １ ） 开运算可 以擦除 图像中的像素。 从而能够去除孤立 的小 适应性 ， 还没有一种通用合适的定位和识别方法。因此 ， 研 究高 点： 毛刺 ， 保持总的位置和形状不变。（ ２ ） 闭运算可以使图像 中的 速、 准确的定位识别算法仍 然是 当前智能交通系统 中需要解决 点、
的一个研 究方 向。
１ 引言
目前， 一些车牌识别产品的识别率和 识别的速 度还不是很
２ ． ４ 基于 数学形态 学 的定位 方法
基于数学形态学的车牌定位算法 是利用开启和闭合这两种
数学形态学 中的开闭运 算具有以下特 理想 ， 特别 是车牌定位 方面， 其定位 具有一定的环境变化 的不 运算在 图像 中进行定位。
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
２ ． ２基于神经网络的定位算法的原理和优缺点
该最大值对 应模板 的方 向为 该像 素点的边 缘方 向。 车牌 图 利用神经 网络 来定位车牌是一类较为常见的方法。 从车牌 值 ， 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 区域特 征来判别牌照 ， 在搜索 时会重 点考虑一些表面特 征， 如 大多数车牌 图像上噪声点较 多， 经过二值化后 的图像 如果 边 缘、 对 比度、 纹理等 ， 而忽视图像区域的内容 。 但有用信号的 化 ； 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 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 本文 采用模板大小为１ ×３ 的腐蚀运算 ， 去除一些较小 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 去除噪声。 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 字符 识 别 。 对 图像的像素沿水平方 向累加产生一个投 影 图， 在 车牌 本算法主要包括：（ １ ） 神 经网络训练： 收集一定数量的车牌 像后 ， 判断峰值对应 的位 置是否为 图像 样本 ， 归一化后输入至Ｂ Ｐ 神经 网络进行训练 ， 达 到预定的 对应 的水平位 置会 出现一段峰值。
． ５基于改进ｓ ｏ ｂ ｅ Ｉ 算子边缘检测法“ 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 ２ 传统Ｓ ｏ ｂ ｅ ｌ 算子只有水平和垂直两个方向模 板， 其中水平模 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 。 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
１ ５ ８ 日圜日跚
统计的车牌定位方法 。
［ 参考文献］
［ １ ］ 李 白燕， 等． 基于 边 界边缘 检 测的 在线 产 品轮廓 跟 踪 ［ Ｊ ］ ． 电视 技
术， ２ ０ １ ２ ， ３（ ２ １ ） ．
基金项 目： 河南省科技发展计划项 目（ １ ３ ２ １ ０ ２ ２ １ ０ ４ ７ ９ ） 。
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
基 于特征 统计 的车牌 定位 利用车牌 区域 的结构特 征和字 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 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 很容 易定位 出车牌 区域 的水平位置 。 当光照不均 匀或者 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 明显， 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 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 确确定局部最小值 是否为谷底问题。
１ ） 波峰和波谷之 间具有一定的落差 ， 当一 正确率后， 训练 结束 。 该过程将 获得一个对车牌敏感 的Ｂ Ｐ 神经 车牌 区域 方法如下： 该 网络。（ ２ ） 图像预 处理 ： 提 取车牌前 ， 对 图像 进行 预处理 ； 抑制 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，