英语原文共 4 页，剩余内容已隐藏，支付完成后下载完整资料

基于密度和投影的汽车车牌定位

原作者：任军,通信与信息工程学院,中国电子科技大学,四川成都

翻译： 曹凯,计算机与软件学院，南京信息工程大学

摘要：车牌定位是车牌识别进程中的关键步骤之一。车牌定位是否成功以及定位的精确程度直接决定了车牌的识别效果。由于车牌区域在差异图像中具有高密度差异，于是基于密度和投影作出了车牌定位算法。该方法被证实可以快速准确地定位车牌区域。

关键词：投影;形态学;密度差;波合并；车牌定位

一 介绍

车牌识别是智能传输应用领域中计算机视觉和模式识别的重要研究课题。目前，智能交通系统的国内外研究方向为基于GPS的车辆管理导航系统、不停车自动收费系统、超限自动检测系统。由于不均匀照明、背景干扰、车牌污损以及倾斜图像等因素，难以准确定位车牌。车牌定位不仅是车牌识别的第一步，而且是车牌识别最重要的一步。基于车牌区域具有较强的水平和垂直纹理，我们提出了一种基于密度和投影的新方法。

二 车牌图像的特征

目前中国车牌有四类，分别是蓝色背景中的白色字符，黄色背景中的黑色字符，黑色背景中的白色字符，白色背景中的黑色或红色字符。由于丰富的色彩组合以及天气对光的影响，直接使用车辆牌照图像的颜色的方法是不可取的。通过大量的实验数据，我们发现所有车牌都有3个特征：

(1) 目前，汽车牌照是由省份的特征（军事和警察许可证的其他字符）形成的7字序列，其后面是阿拉伯数字或字母。具体格式为：X1X2·X3X4X5X6X7。X1缺少省，市军队或警察。X2是字母，X3X4是字母或数字，X5X6X7是数字。此外第一个汉字，垂直方向上的字母和数字笔划是相互连接的。

(2) 许可证区域中的字符颜色与背景的颜色形成鲜明对比，边缘非常突出。

(3) 在相对固定的位置拍摄的照片中，汽车牌照子区域具有稳定的高度和长度，并且高和长度的百分比是确定的。每个字的原车牌尺寸如下：宽为45mm，字符高为90mm，宽间距为10mm，每个单元之间的长度为12mm。

三 图像预处理

A. 彩色图像到灰色图像

来自图像采集设备的图像数据总是真实的颜色。为了便于处理以下一阶微分投影，我们将真彩色图像转换为灰色。用于灰度转换公式的算法如下：

在灰度转换之后，对比度可能更差。因此，我们拉伸图像的灰度以获得更好的对比度。

原始灰度图像和灰度转换后的图像如图1和图2所示：

图1 原始灰度图像 图2 灰度拉伸后图像

B. 灰度图像到二进制图像

对于本文中使用算法的车牌垂直位置，我们将灰度图像转换为二值图像，形成水平位置。有必要引入二进制阈值的选择。

二值图像的阈值选择是必不可少的。当图像的背景复杂时，使用预设的固定阈值进行图像分割并不总能满足分割结果。因此，需要开发自适应阈值算法。通过实验，我们使用以下阈值选择方法：

(1) 选择阈值T的初始估计值。

(2) 使用阈值 T将生成两组像素：G1是灰度值大于T的所有像素，G2 是灰度值小于等于T的所有像素。

(3) 对于G2中的所有像素，计算G1，mu;2 中所有像素的平均灰度值mu;1。

(4) 计算新阈值：T =（mu;1 mu;2）/ 2。

(5) 重复步骤2到步骤4，直到从差值开始的T取得的值连续迭代小于预定义参数T0。

该算法需要预先获得两个值，一个是阈值的初始估计值T，另一个是参数T0 来控制迭代结束时的时间。该算法将大力用于我们的车牌定位算法。

四 波合并算法

波合并的想法是识别行中的峰值和区域。目的是将投影图像的密集小组峰组合成一个主峰，并形成一个大而连续的峰值区域。其算法流程图如图3所示：

图3 波合并流程图

五 车牌定位算法

该方法分为水平位置和垂直位置。

A. 级别位置

计算整个水平区域的一阶差分，我们可以得到包含车辆牌照的一阶图像。具体计算的一阶微分图像的级别如下：

其中，f（i，j）是行i中的像素的值，并且列j，gv（i，j）是一阶微分图像的级别的行i和列j中的像素的值。

一阶差分图像的级别如图4所示：

图4 一阶差分图像级别

在本文中，我们使用公式 对其进行水平投影。

由于大部分牌照区域几乎都在图像的底部，我们仅将图像的1/3高度与其末端之间的区域变换为投影图像的水平。获取的图像结果如下：

图5 投影图像的水平

如图5所示，图像中有很多峰谷，因此我们应该去除这些峰谷以便于接下来的处理。在实验中，我们尝试了高斯滤波法、winer滤波法、中值滤波法等，通过比较，我们选择一个5 * 5矩阵，所有元素都是1平滑，以消除那些尖锐的峰谷。然后，我们将平滑后的图像从firest-order差分水平转换为二进制，设置阈值并过滤掉太宽或太窄的区域。我们在过滤位置后获得了车牌的候选区域。

图6 滤波器处理后

图7 定位后的车牌候选区域

B. 垂直位置

在垂直位置，我们采用了基于边缘检测和密度的集成定位方法。将灰度图像转换为二进制图像时，我们选择了他们提到的过时阈值。对于边缘检测，我们采用了Sobel算子，通过该算子可以获得良好的边缘检测图像。因为牌照中的字符和数字本身就有空格（这种方法可能会将字符彼此分开，因此我们无法获得整个格局），我们放弃基于垂直投影位置的方法，并选择密度法。

在本文中，我们采用下面的公式来将来自边缘检测的二维图像转换成一维图像。

I 0（i，j）是行i和列j中的像素的值

边缘检测后的图像。然后，我们定义一个大小为1 * 50的矩形框作为模型，按列扫描所有的列，计算此模型中所有像素的值，并绘制密度波。如果两个峰之间的距离小于80像素，我们使用波合并算法来合并波。最后，我们得到固定波。

图8在垂直位置使用波合并算法的固定波

我们使用与级别位置相同的方法将此固定波形转换为二值图片。结果，我们可以获得车牌的左右边界。

最后，我们得到最终定位的车牌图像。图像如图9所示：

图9 最终车牌定位的图像

C.性能

基于本文提出的方法，我们使用matlab7.0对118幅车辆图像进行定位。结果如表1所示：

表1 算法有效性

六 结论

如上所述，这个算法简单，快速且易于实现。对于车牌位置，我们可以使用此方法获得良好的结果。分析了位置不成功的图像，我们提出了一些原因，比如复杂的背景，汽车上的广告（例如，树木周围有一辆汽车的图片，其中叶子差异投影的区域更多而不是车牌）。

总的来说，我们的实验表明，我们可以在各种天气条件下使用这种方法获得良好的定位精度，并且定位时间非常短。因此，该算法可以应用于智能卡端口系统的高实时性要求。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19832]，资料为PDF文档或Word文档，PDF文档可免费转换为Word