英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料

---

基于包围盒法的车辆牌照检测与识别

Mahesh Babu K

电子与通信系

国家技术学院

Warangal-506004,India kbabu2@student.nitw.ac.in

M V Raghunadh

电子与通信系

国家技术学院

Warangal-506004,India raghunadhmv@gmail.com

摘要：在我们的生活中，车辆的使用量呈指数级增长。车辆日益增加，随之而来的则是更多的车辆违反交通规则，进入限制区域，还有车辆盗窃，交通事故的频发，所有这些导致了犯罪率的直线上升。对于任何要识别的车辆，车辆牌照检测将在这样一个活跃的世界发挥重要作用。对那些用于防卫和安全系统领域的车辆搜寻来说，LPDR会承担重要作用，我们需要在一定的距离识别出车辆登记号码。本文主要包括以下四个步骤：车牌图像的预处理、车牌区域的提取、车牌字符的分割和字符识别。在预处理过程中，通过数码相机拍摄所需的车辆图像，调整图像的亮度，利用滤波器去除噪声并转化为灰度图像。车牌区域的准确定位包括在图像中车牌所在的位置找到车牌边缘，然后将其剪切到矩形框中两步。分割在车牌识别中起着至关重要的作用；字符识别的易读性完全依赖于分割。我们使用的方法简单而适当的。我们先使用包围盒方法分割图像（LP）中的所有字符。然后用模板匹配方法完成每个字符的识别。

关键字：车牌检测，识别，分割，噪音消除，包围盒，滤波器。

1 引言

在现代生活中，车辆是交通系统的重要一环。由于人口增长和人们的需求，车辆的使用也在急剧增长。车牌识别是一种图像处理技术，通过不受人直接干预的车牌追踪识别那些由有关部门授牌的车辆。车牌号码检测可应用于交通控制，速度控制，鉴别被盗车辆，安全应用等领域。

在印度，一般有两类车牌。1）白色背景、黑色字母；2）黄色背景、黑色字母。相比于外国车牌，印度车牌的识别是比较费力的，因为印度车牌不遵循任何标准的长宽比。

在过去的几年中，研究人员已经开发出许多车牌检测技术，但这仍然是一项具有挑战性的任务。车辆识别方法可分为预处理、车牌区域提取、字符分割和车牌字符识别4个主要步骤。每一步都有其重要性。当车牌图像倾斜、字符不可见或破碎，字符的分割和识别就会非常繁琐。在本文中，首先通过摄像头获得各种车辆图像，然后将输入的彩色图像转换成灰度图像，调整亮度，调整对比度到最佳值并使用中值滤波去除噪声，以获得质量更佳的图像。车牌的准确定位是车辆检测系统中最重要的处理步骤，因为所有其他步骤都依赖于车牌区域的准确提取。车牌区域的准确位置被遮盖，并从图像中提取出来。每个字符的分割都是在被提取出的区域上完成的。分割是将数字图像再次划分成后续部分的过程。将图像细分为后续部分和对象的主要目标是寻求分析提取一些有用的信息。车牌分割是识别车牌的关键步骤。分割后，进行字符识别。将每个分段字符与模板进行比较和匹配，如果匹配就输出文本。

本文安排如下：第二部分文献综述。 第三部分描述方法。 第四部分讨论仿真结果，第五节部分总结。

2 文献综述

车牌的检测和识别在安全运输系统领域非常重要。 研究人员使用不同的技术和方法来检测和识别车辆号牌，通过引用各种期刊，学报，书籍和会议论文，从以前的作品中收集相关领域的信息。 有四个基本的处理步骤[1] [2]：数字图像的增强，车牌区域检测，字符分割和字符识别。在第一步中，进行图像的增强。去除噪声，亮度和对比度调整，并将输入图像转换为灰度图像[1] [2] [3]，然后我们得到二值化图像。有时先将图像转换为灰度图像再去除噪声。借助于霍夫变换、霍夫线定位准确的车牌区域。分割车牌区域中的每个字符，找到图像中的边缘。使用两种形态学[7] [9]操作，如区域开放和侵蚀，以消除阴影，污垢，扭曲等。将[4]蚁群优化（ACO）算法用于分割字符，以便在车牌检测中实现良好的性能。它创建了一个Pherome矩阵算法，给出了每个边缘像素点的详细信息，以及由图像强度的局部变化驱动的多只蚂蚁的移动。基于分割像素的算法[5]被用在车牌中的字母和数字上。在对马来西亚车辆进行的车牌识别中，使用图像处理技术和光学字符识别方法的组合来获得准确的识别结果。为了检测图像中的车牌区域[8]，讨论了两种技术，边界特征和颜色特征具有比单一特征技术更好的性能。用于车牌定位的算法，特别是对于印度车辆[9]提出了一种使用顶帽变换的简单而性能优良的算法。通过抑制图像背景和去除不均匀照明，能在印度环境中有效工作。模板字符和模拟数据之间的互相关对比通过标准化模板交叉相关匹配给出。

3 方法

车牌号牌检测和识别系统的一般框图如图（1）所示。 有四个主要步骤，每个步骤在车牌检测与识别中都有重要作用。

1. 预处理
2. 车牌区域定位
3. 车牌字符分割
4. 车牌字符识别

图 1 系统框图

从相机捕捉车辆

车牌定位

字符分割

预处理

字符识别

A 预处理

使用1300万像素分辨率的照相机捕获车辆的视频或图像，用以车牌识别。如果是视频，则将其转换为帧并根据视频长度和时间选择车辆清晰的帧。帧的选择可以使用公式（1）来完成。

其中F是所需的帧或图像，N为帧数，t为所需时间，T是视频的总时间或视频的长度。使用的图像的大小为120 x 160或1200 x 1600.首先，我们需要使用公式（2）将RGB图像转换为灰度图像，这样更易于车牌提取。

为了进一步增强车牌识别，我们使用中值滤波器消除噪声，但它不仅消除噪声同时还集中在高频段。因此，更重要的是在图像中检测边缘，车牌通常是矩形的，因此我们需要检测矩形车牌的边缘。

B.车牌定位

这项工作的主要目的是找到车牌区域在数字图像中的确切位置，结果必须是一个仅包含车牌的子图像。可以用两个步骤实现。

a.确定车牌的确切位置。

b.在车牌周围找到一个较大的闭合矩形。

车辆号牌的优点在于在黑黄图像或黑白图像中具有较高的对比度。在车牌中，6字母和数字类字符垂直放置在同一列中，并在水平方向上变化强度。图像中的字母、数字和背景之间存在剧烈的强度变化，这有助于车牌区域的检测。 Sobel边缘滤波器用于识别图像中的边缘。这种方法能在图像中的强度梯度存在急剧变化时识别边缘。边缘在图像中具有巨大的强度对比，当从一个像素到另一个像素，强度发生突然变化时，就能检测到边缘。识别号牌中的边缘有非常重要的作用，能减少数据并移除不必要的信息。同时，它也保留了图像的结构特性。针对图像中的每个像素位置计算图像的梯度。

其中表示幅度矢量，表示x方向，表示y方向。

Sobel 掩膜（）

X方向上

Y方向上

C.号码牌的字符分割

提取号码牌区域后，就会扫描图像中的连通对象。一旦连通组件被识别，将为其分配一个特殊的标签。每个连通的组件具有不同的标签以便彼此区分。字符分割的过程中会将号牌划分成不同的子图像，每个子图像指向一个字符。字符分割是车牌检测系统中的重要部分，因为字符识别完全依赖于字符分割。如果分割未正确完成，识别也不会准确。所以，正是为了解决这个问题，边界盒方法被用于取得更好的效果。在边界盒方法中，用矩形框完全包围被标记区域。当指定的连通域被标记时，就确定包围盒的角坐标及其高度和宽度。它总是指定连通对象的边界。在本文中，使用填充的包围盒，其完全转向覆盖相应的连通对象，并且还测量图像区域属性。每个字母、数字字符都由被置于号牌上的包围盒所覆盖，如图（9）所示，然后识别号牌。

D.车牌字符识别

字符分割后，进行字符识别。 识别的主要目标是实现图像字符与文本字符的转换。 来自车牌的每个字符都要与数据库中的字母、数字完全对比，进行模板匹配。 在匹配过程中，获得的子图像将与数据库中所有可能位置中的模板图像进行比较，6并且其计算每个字符的所有数字指标，以便从模板图像获得更好的匹配。 模板匹配是找到模板图像内的子图像确切位置的过程。 它将逐像素地比较图像直到找到相应的精确匹配。 为了找到对象和模板图像之间的相似性，使用归一化互相关系数。

其中是归一化互相关系数，和分别是模板图像和输入图像。 如果所获得的归一化互相关值大于优选阈值，6则将其更新为新值。

7在每个模板图像上生成匹配指数，如果它比先前阈值更大，就采用较高的一个阈值

以获得更好的匹配。 最佳匹配的字符将被提取，并将输出存储在文本文件中。 模板图像的大小为42times;42像素，如图（2）所示。

图 2 用于模板匹配的模板

4 仿真结果

实验在Matrix Laboratory（MATLAB）R2014b 中进行图像分析。

算法

Step1 图像采集 - 通过数码相机采集图像，并作为实验过程的输入。

Step2 使用公式2把彩色图像转换为灰度图像。

Step3 图像增强 - 使用中值滤波器去除噪声。

Step4 车牌提取 - 查找图像的行和列值以标识区域。 Sobel边缘检测器用于寻找边界，然后膨胀和删除连通对象，如图6,7和8所示。最后，我们提取所需的区域。

Step5 字符分割 - 包围盒方法用于确定每个字符，每个字母将被置入一个框，并将每个字符显示为单个图像，如图10和11所示。

Step6 字符识别 - 在分割后，字符逐个与模板进行比较。如果每个图像字都找到了与其逐像素匹配的模板图像，则将其显示在文本中，如图12。

流程图

图像获取

预处理

号牌检测

字符分割

字符识别与 文本输出

通过数码相机扑捉车辆图像

将RGB图像转换为灰度图像

使用中值滤波消除噪声

利用图像灰度的不连续检测边缘，从背景中检测车牌矩形框

把车牌分割成目标和区域

把分割后的字符与模板进行对比，找到最佳匹配并以文本形式输出字符

图 3 画面（帧）

图 4 捕捉图像或选取图像

图 5 灰度图像

图 6 经Sobel边缘检测后的二值梯度图像

图 7 膨胀图像

图 8 移除连通对象后的图像

图 9 号牌区域提取

图 9 带包围盒的车牌图像

图 10 每个字符的图像

图 11 结果图

表格 1 测试结果

项目	准确数	准确率
提取	42/45	93.33%
分割	39/45	86.67%
识别	42/45	93.33%

5 总结

在提出的系统中，我们设计了车辆牌照检测。 首先我们选择图像，去除噪声并找到图像中感兴趣的区域，然后使用边缘检测提取牌照位置，然后分割每个字符。 最后，模板匹配方法与相关性一起用于识别车牌中的每个字符。 一些难点如下：1、模糊图像。 2、破损号牌。3、某些字符间的相似性，比如O和D，5和S，8和B，B和E，O和0等等。

参考文献

[1] Prabhakar. P, amp; Anupama. P, 'A novel design for vehicle license plate detection and recognition', IEEE 2nd International Conference on Current Trends in Engineering and Technology (ICCTET), 2014, pp. 7-12.

[2] Prabhakar, Priyanka, and P. Anupama. 'A novel design for vehicle license plate detection and recognition.' IEEE 2nd International Conference on Current Trends in Engineering and Technology (ICCTET), 2014, pp. 7-12 .

[3] Arulmozhi. K, Perumal. S. A, Deepak. T. T, amp; Nallaperumal. K, 'A Centroid based Hough Transformation for Indian licen

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[137345]，资料为PDF文档或Word文档，PDF文档可免费转换为Word