摘 要

在日益取得广泛应用的智能交通系统中，车辆身份的自动识别是必备的基础功能。车牌自动识别过程依次分为车牌检测、车牌字符分割以及车牌字符识别这三个阶段，其中车牌检测的效果是车牌识别成功的重要前提，更好地解决该问题往往需用采用图像处理和机器学习领域的研究成果。在本毕业论文中，重点介绍了车牌检测过程中用于提取潜在车牌区域的相关图像处理技术，包括图像增强、图像分割和图像分析等。然后，介绍了包含边缘检测和数学形态学操作等方法来确定潜在车牌区域的步骤，在openCV开发环境中实现了一种利用车牌特征对车牌区域进行检测和提取的算法。最后，基于各种常见生活场景中获取的图片对算法进行测试，结果表明该算法具有较好的检测成功率和较快的检测速度，是一种简单便捷的车牌检测算法。

关键词：车牌检测；灰度图像；边缘检测；形态学变换

Abstract

In the increasing widely used intelligent transportation system, the automatic identification of vehicle is a necessary basic function. The process of automatic license plate recognition includes three stages: license plate detection, license plate character segmentation and license plate character recognition. The effect of license plate detection is an important prerequisite for successful license plate recognition. To solve this problem better, image processing and machine learning are often used. In this dissertation, the relevant image processing techniques for extracting potential license plate regions during the license plate detection process are highlighted, including image enhancement, image segmentation, and image analysis. Then, the steps to determine the potential license plate area are introduced, including edge detection and mathematical morphology manipulation. An algorithm for license plate area detection and extraction using license plate features is implemented in the openCV development environment. Finally, the algorithm is tested based on the images obtained in various common life scenes. The results show that the algorithm has a good detection success rate and a fast detection speed. It is a simple and convenient license plate detection algorithm.

Key Words：license plate location；gray-scale images；edge detection；morphological transformation

目 录

第1章 绪论 4

1.1 课题研究意义 4

1.2 国内外研究现状 5

1.2.1 国外研究现状 6

1.2.2 国内研究现状 6

1.3 研究前提 7

第2章 数字图像处理 8

2.1 基本概念 8

2.2 常用方法 8

2.2.1 图像变换 8

2.2.2 图像压缩 9

2.2.3 图像增强 10

2.2.4 图像分割 12

2.2.5 图像描述和识别 18

第3章 车牌检测算法 19

3.1 车牌检测过程 19

3.2 预处理 19

3.2.1 高斯模糊 19

3.2.2 灰度化 20

3.3 定位车牌 22

3.3.1 边缘检测 22

3.3.2 二值化 23

3.3.3 形态学操作 24

3.3.4求取轮廓并生成外界矩形 26

3.4 筛选车牌 27

3.4.1 尺寸判断 27

3.4.2 矩形调整 28

3.4.3 SVM分类 29

第4章 结果分析 31

4.1 实验结果 31

4.2 结果分析 31

第5章 总结和体会 33

5.1 总结 33

5.2 心得体会 33

参考文献 34

附 录 36

致 谢 43

1. 绪论

1.1 课题研究意义

当今人民生活水平不断提高，在日常生活中我们对车辆的使用非常普遍，随之而来的交通问题也引起了人们的重视。信息化的智能交通系统应运而生，其目的在于科学、高效、准确的进行交通管理，其应用主要有交通流量检测、交通控制和线路规划、各种出入口车辆管理、违章监控、自动收费、追踪指定车辆等。对于智能交通系统来说，其各项功能的实现都离不开车牌识别系统。车牌识别系统能够实现对车辆牌照的识别，在交通监控领域有着重要的应用。

车辆牌照作为车辆的编号，可以通过其查询到车辆的所属省、市及所有人信息。特别是为了提高车辆管理效率，国家交通管理部门对车牌的制作样式、安装位置都有着统一的规定和标准。在交通管理系统中，对车辆的唯一性识别就基于对车牌的识别。对车牌的识别不仅减少了对车辆其他信息的提取，降低了系统处理的复杂程度，而且避免了为车辆加装其他设备，能达到较好的普及度和应用度。对车牌的实时自动识别可以达到智能交通管理系统对车辆实时监测的目的。

车牌自动识别技术从一个图像中可以识别出车辆的车牌号码。车辆自动识别技术中对象检测技术、图像处理技术和模式识别技术得到了很多应用。车牌自动识别系统的输入为包含车辆车牌信息的图片，输出为提取到的车牌字符。根据对输入图像的处理过程，该系统包括四个部分，第一步是从待检测图像中对车牌进行定位以获取车牌的潜在区域，第二步是从潜在区域中选取分割出真正的车牌区域，第三步是从获得的车牌区域中分割车牌字符，最后一步是识别并输出车牌字符信息。一个车牌自动识别系统的性能依赖于每个单独阶段的性能。

在车牌自动识别系统中，成功识别汽车牌照的关键一步是车牌检测与定位。如果无法进行准确的车牌定位，也就无从谈起牌照号码的识别。在车牌检测过程中，我们对原始图像进行各种图像处理以得到包含潜在车牌区域的部分图像。由于待检测的原始图像获取于不同条件下（例如，光照条件和悬挂位置不同、数量不定、倾斜角度和颜色各异、存在遮挡物等），因此车牌在图像中的情况没有一个固定的标准，这在很大程度上影响了车牌检测与定位的准确度。可以通过车牌的格式及其构成字符来实现初步的检测。例如，车牌边界的矩形形状、颜色变化、字符的存在等都可以用来检测和定位潜在车牌区域。

检测率高、检测速度快的车牌监测系统能够提高车牌识别系统的识别准确率和识别速度，从而影响智能交通系统的整体性能。

1.2 国内外研究现状

早在1988年车牌识别（LPR）技术就已经问世，发展至今已经得到了广泛的研究^[1]。目前车牌识别过程常用的方法是对获取的待检测图像进行处理以从中分割出车牌图像，然后对车牌图像进行处理并提取车牌中的字符信息得到车辆的牌号。获取的牌号可以实现与数据库连接，方便了车辆的管理。

在车牌检测过程中有许多技术得到了应用。但鉴于实际应用中车辆一般处于行驶状态，车辆图片的获取来源于室外。而外界环境较为复杂，待检测图像背景中可能存在较多干扰。并且车牌区域也许存在遮挡、污损等情况，或者图像较为模糊，使得对于实时的车牌检测，业界尚未有一个成熟的、适用于所有情况的方案。

目前通常使用的车牌检测算法根据一般是车牌特征来进行定位提取的。可以分为以下几个类别^[2]：

1. 根据车牌的边缘特征。如采用Sobel算子检测图像中的垂直边缘、采用霍夫变换（HT）检测图像中的直线、采用广义对称变换（GST）检测图像中的角之间的相似性。根据车牌的边缘特征检测的方法较为简单而且处理速度较快。但是要求图像中的边缘有较好的连接性。
2. 根据图片的全局信息。如采用连接成分分析（CCA）把像素标记为组件、采用空间测量选取合适面积和长宽比的区域、采用二维互相关法定位与预存的车牌模板符合的区域。根据图片的全局信息使用模板的相关性来检测车牌与车牌在图像中的位置无关，但是需要处理的像素较多，耗时较长。
3. 根据车牌的纹理特征。如采用扫描线技术定位车牌中的字符、采用矢量量化技术（VQ）定位图像中的文本、采用滑动同心窗法寻找局部特征的突然变化处、采用离散傅里叶变换（DFT）来识别空间频率。根据车牌的纹理特征的方法都具有在即使车牌边界变形的情况下也可以检测车牌的优点。但是这些方法在计算上比较复杂，尤其是在背景较为复杂导致边缘较多的情况下。
4. 根据车牌的颜色特征。采用神经网络对HLS图像的像素颜色进行分类以确定最高颜色密度的区域、采用颜色边缘检测器关注牌照和字符的特殊边缘、采用遗传算法（GA）作为搜索识别车牌颜色、采用高斯函数克服影响颜色水平的各种照明条件、采用均值偏移算法分割候选区域并分类为车牌或非车牌。根据车牌的颜色特征提取车牌具有可以检测倾斜和变形牌照的优点。但是，在不同的光照条件下使用RGB值来定义像素颜色非常困难，而HLS对噪声非常敏感，导致使用颜色投影的方法容易受到错误检测的干扰。
5. 根据车牌的字符特征。采用尺度空间分析来提取较小的线型数字组成的大尺寸斑点型数字、采用水平扫描图像的方法寻找重复的对比度变化、采用基于区域的方法寻找图像中类似字符的区域、采用识别字符宽度以及背景和字符区域之间差异的方法来识别字符区域。根据车牌的字符特征从从二进制图像中提取字符以检测潜在车牌区域的方法需要处理图像中所有二进制对象，耗时较长。并且图像中存在其他文本时容会出现错误。

目前国内外检测率较高的方案大多依赖于高清摄像头传入的高分辨率待检测图像。但是如果出现图像分辨率下降或是所获取图像车牌较为模糊的情况，检测率将会下降。目前已有的检测方案从检测速度和精度上来看，都还有很大的提升空间。随着深度学习与计算机视觉技术研究的发展，通过多隐层的深度神经网络，车牌检测系统也在进一步优化。

1.2.1 国外研究现状

由于常用的车牌检测算法都对待检测图像的分辨率有一定的要求，所以在实际应用中对摄取实时图像的摄像装备有较高的要求，以求在复杂变动的环境中获取较为清晰的、信息量足够的待检测图片，借此提高待检测图像的质量，达到提高车牌检出率的目的。并且在车牌检测过程中，越为精准的算法对待检测图像的处理步骤就越为谨慎复杂，需要消耗较长的时间，对车牌识别系统的实时性有一定的影响。在实际应用中，需要考虑车牌监测系统的检出率和检测速度的平衡。

在国外，车牌检测技术的理论已发展了很长一段时间，有的已经很成熟，并且投入了实际的车牌识别系统中应用。在70年代已经有车牌监测系统的应用实例在国外出现。迄今为止，已在现实应用中达到较高的应用水平。

国外已经成型的产品较为出名的有以色列的Hi-tech公司研制出的多种See/Car Systerm，这些系统可以对几个国家的车牌实现检测。但是目前因为其不能识别汉字所以不支持中国车牌的检测，并且它的识别率也有待提高。除此之外还有新加坡Optasia公司的VLPRS产品，这个系统可以对香港和新加坡的车牌实现检测^[3]。

1.2.2 国内研究现状

在八十年代末左右，我国开始对车牌检测技术进行研究。我国的车牌根据国家交通管理部门的规定，一般由“汉字 字母 数字”组成，并且对于不同车型的车辆其车牌的制作样式和安装位置都不尽相同，所以不便直接采用国外较为成熟的车牌定位识别系统。由于没有一个成型的检测算法能够对各种制作样式的车牌实现精准检测，这对研究适用于我国道路交通情况的车牌监测系统造成了一定的困难。在车牌识别过程中国内目前最常用的车牌检测算法有基于彩色图的检测算法^[4]、基于灰度变化的检测算法^[5]、基于数学形态的检测算法^[6]等。中科院自动化研究所汉王公司的“汉王眼”可以说是国内最为著名的车牌识别系统，除此之外还有川大智胜的zTZ车牌自动识别系统、高德威的车牌识别器等。其他公司也有自己的产品，但其适用范围普遍有限。

在实际生活中，我国已经将车牌识别投入实际应用，例如在生活中常见的车辆测速系统和闯红灯检测系统。一般来说，车辆识别系统的成功率和其成本呈正相关。

1.3 研究前提

在本次毕业设计中，所研究的车辆牌照定位方式是基于车辆处于户外环境，待检测图片较为清晰，图片分辨率至少在200*200以上的前提下。在待检测图像中，车辆型号不同，车牌大小、位置均有所差异。主要的研究工作是在车牌检测的过程中对各种图像处理技术的应用，并从待检测图片中分割出包含车牌的潜在区域，实现对车牌的定位。

1. 数字图像处理

2.1 基本概念

众所周知，所有颜色都可以由不同比例的的红、绿和蓝三种颜色的组合得到。在计算机显示图片的过程中，同样将颜色分为这三个分量，为每个分量分配一定位数，通常为8位。通常我们所得到的图片为位图，位图是由像素点构成的。像素作为位图图像显示的最小单位，存储图像某个位置点的颜色信息。通过记录每个像素点在图像中的位置和颜色值，图片被存储在计算机中。

数字图像处理即将图像信号转换为数字信号并利用计算机对图像进行处理。在处理过程中，可以通过各种算法对图像的像素单元进行操作。数字图像处理技术随着人们对图像数字化的应用和探索发展起来。常用的图像处理方法有图像变换、图像增强、图像压缩、图像分割、图像描述和识别等^[7]。各种自动化系统对于图像进行处理的一般目的是对其关键信息进行提取和识别，所以图像分割、描述和识别常用于包括车牌识别系统在内的各种自动化系统。

2.2 常用方法

2.2.1 图像变换

一张普通尺寸的位图中，包含有非常多的像素点，而每个像素点又有自身的位置和颜色信息。在空间域中对待检测图片进行图片处理时，需要对待检测图片的所有像素点的位置和颜色信息进行处理，因此可以考虑频域中的数字图像处理方法。在实际数字图像处理过程中，图像变换的主要方法有数学方法和光学方法两种形式，即二维离散函数和连续函数。傅立叶变换是最常用的将空间域的处理转换为变换域的处理方法。图像变换为不同转换域内采用合适的图像处理方法提供了可能。下面介绍一种常用的图像变换数学方法：傅里叶变换。

傅里叶变换是将信号（包括图像信号）用正弦信号的叠加表示出来的变换过程。傅里叶变换公式如式（2-1）所示：

（2-1）

一维傅里叶变换可以将时域内的信号用多个正余弦函数的表示出来，二维傅里叶变换是行扫描线上的一维傅里叶变换和列扫描线上的一维傅里叶变换的叠加。图像是一个连通的平面区域内所有点的集合，可以考虑使用二维矩阵来表示一个图像。因此图像可以看作一个二维的信号适用二维傅里叶变换。图像经傅里叶变换后显示频谱图如图2.1。

图2.1 图像处理中的傅里叶变换

经过傅里叶变换，空间域的图像信号实现了到频率域的转换。需要注意的是，经过傅里叶变换后的频谱图上的点与变换前原始图像上的点并不是一一对应的。频谱图上的像素点的亮度实际表示的是原始图像上某一像素点与其相邻像素点梯度的大小^[8]。在频域中，图像灰度变化的大小用频率来表示。在原始图像中，边缘区域的灰度值往往会发生较大的突变，体现在频域上呈现出高频特征。而非边缘区域的灰度值变换往往较为平缓，体现在频域上呈现出低频特征。一般来说图像中的噪声频率较高。傅立叶变换实现了在频率分布上观察图像特征，为在频域进行图像处理提供了可能。这也是傅里叶变换被用于车牌检测技术中检测车牌边缘的原因。

2.2.2 图像压缩

随着摄像设备的不断革新和发展，我们所获取的图像分辨率也越来越高。图像压缩就是对图像的数据进行处理，可以是合并或变换，以减少表示图像需要的数据量。特别是在图像传输距离较远、所获取原始图像分辨率较大、图像为连续且帧数较多的情况下，往往需要对原始图像进行压缩。

对单幅图像来说，图像压缩的基本方法有采用亮度Y及色度C取样方式、将整幅图像分割为小区域进行处理、采用帧内数据压缩技术等多种方式^[9]。下面介绍以上提到的三种图像压缩方法。

1. 采用亮度Y及色度C的取样方式。

原始图像的信号红（R）、蓝（G）、绿（B）三基色信号，而这种方法选择传输原始图像的亮度信号Y和色度信号C。在实际操作中，对亮度Y取样四个点，对U（Cb）、V（Cr） 各取样一个点，这种取样模式可以实现减少一半数据总量。

1. 分割图像为小区域的处理方式。

这种压缩方式在对图像进行数据处理时，首先将每幅图像分割为小区域再进行取样操作。图像会首先进行横向分割，再对横向分割产生的条进行纵向分割。纵向分割产生宏块。宏块是图像压缩的基本单位。每个宏块的彩色图像同样对1个亮度信号Y和两个色差信号U、V采样，得到这个宏块的信息。我们也可以将宏块看做一个新的图像进行分割，分割的步骤越多，在同样区域上得到的采样点就越多，相应的图像的信息表现的就越完整清晰。

1. 对帧内数据进行压缩的处理方式。

一幅图像上不同分布区域表现的内容和信息都有所差距，帧内数据压缩技术利用这种差距，对不同的分布区域采用不同的采样方式进行压缩，得到的数据量也不相同。这种方法主要是通过减少非关键区域的数据量达到减少总数据量的目的。这种压缩数据的方法是一种空间域中对图像进行冗余压缩的方式。

在应用于现实情况的实时车牌检测系统中，为达到较好的检测效果，摄像头获取的待检测图像往往分辨率高。将图像压缩技术应用在待检测图像的传送、存储过程中，可以减少传输时间并节省存储空间。

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：