一种基于霍夫变换和BP神经网络的车牌识别方法

・５４・安庆师范学院学报（自然科学版）

图１双向差分结果图像图２ＨＯＵＧＨ变换定位图像本文对得到的一阶双向差分加法图选取最接近于０＝０。的直线的倾角作为旋转角对牌照图像进行校正，它提高了倾斜校正的准确率和算法的效率。

２．３车牌定位

应用２．１的算法得到图像水平直线和强化的车牌字符边缘在（ｐ，口）空间中的峰点后就可以精确定位车牌。在Ｈｏｕｇｈ变换后车牌边框的水平边和垂直边分别在０＝０。和０＝９０。处产生峰点，同时车牌宽高比值Ｎ可以消除（｜Ｄ，口）空间中非车牌边框峰点所造成的干扰。整个步骤如下：

（１）由一阶双向差分加法运算得到图像ｇ（ｉ，歹），对其作Ｈｏｕｇｈ变换得到Ｈ（ｐ，口）。由于本算法只注重车牌图像水平和垂直方向线段，因而只需要在０—０。和０—９０。附近取值就可以确定目的量化值。

（２）在Ｈ（ｐ，口）上搜索峰点。先在０＝９０。处从上往下和从下往上分别搜索与最大峰点最接近的峰点作为车牌垂直边框对应点，记为（１Ｄ。，口）和（１０２，口），并记下它们之间的距离ｆＩＤ。一印ｆ及平均灰度值Ｈ１。然后在０—０。处搜索灰度值约为ＮＨｌ的峰点，若这样的峰点多于２个，则挑选距离为ＩＰ，一肫Ｉ／Ｎ的点为水平方向的候选点。

根据选出的Ｈｏｕｇｈ域峰点在原图像空间得到对应的直线后，就可以最终完成车牌区域定位。

２．４图像去噪

在摄像时，由于光学系统失真，相对运动，大气湍流等都会使图像模糊，因此经过定位选取后的车牌图像本身还存在许多噪音。另外，在传输过程中噪声污染图像，使机器从中提取的信息减少甚至造成错误，因此必须对降质图像进行改善。经过大量的试验比较，发现对车牌图像采用二维自适应除噪滤波和模糊增强相结合的方法可以得到较好的结果。

２．５图像去噪与二值化

上述处理后得到的车牌图像是２５６灰度级的黑白图像，包含车牌字符及背景信息。由于字符识别都是对黑自二值图像的操作，因此必须对二值化车牌灰度图像。本文采用整体阈值二值化的方法，它是根据灰度直方图确定整体阈值，而灰度直方图是灰度值的函数，描述图像中具有该灰度值的像素的个数，其横坐标表示像素的灰度级别，纵坐标是该灰度出现的频率（像素的个数）。通常，车牌图像的直方图有两个峰值，其中一个峰值对应字符部分，另一个峰值对应背景部分。因此阈值应取在两个峰值的波谷处，波谷愈深陡，二值化效果愈好。图３是二值化后的图像。

图３二值化后的图像图４字符分割后的图像２．６车牌字符的切分

取某一阈值，判断它是否大于它，来确定上、下、左、右边界及各字符的切割。图４是字符正确分割后的图像。

２．７ＢＰ神经网络在车牌字符识别中的应用

２．７．１实验样本的归一化

一种基于霍夫变换和BP神经网络的车牌识别方法

作者：江为苍， 郑淑丽， JIANG Wei-cang， ZHENG Shu-li

作者单位：江为苍,JIANG Wei-cang(合肥工业大学,计算机与信息学院,安徽,合肥,230009;安庆职业技术学院,电子信息系,安徽,安庆,246003)， 郑淑丽,ZHENG Shu-li(合肥工业大学,计算机与

信息学院,安徽,合肥,230009)

刊名：

安庆师范学院学报（自然科学版）

英文刊名：JOURNAL OF ANQING TEACHERS COLLEGE(NATURAL SCIENCE)

年，卷(期)：2010,16(2)

本文链接：/Periodical_aqsfxyxb-zrkx201002015.aspx