边缘检测在车牌识别中的应用

《边缘检测在车牌识别中的应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、边缘检测在车牌识别中的应用摘要：车牌自动识别系统作为智能运输系统的重要组成部分，有很广泛的应用前景。车牌图片预处理是汽车牌照识別系统屮的一个重要的环节，预处理的好坏对车牌系统识别率影响很大。文屮介绍了常用的几种边缘检测算子，不同的微分算子对不同边缘检测的敏感程度是不同的，因此对不同类型的边缘提取，应该采用对此类边缘敏感的算子进行边缘提収。关键词：车牌识别、边缘检测1、引言汽车牌照的自动识别是计算机视觉与模式识别技术在智能交通领域结合应用的重要研究课题是实现交通管理智能化的重要环节⑴。车牌识別技术

2、⑵是计算机视觉和模式识别技术在现代智能交通系统屮的一项重要研究课题，是实现交通管理智能化的重要环节。它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统。汽车牌照最主要的特点就是其边界。汽车牌照底色、牌照边缘颜色以及牌照以外的颜色都是不相同的，表现在汽车原始图像中，即灰度级互不相同，这样就在牌照的边缘形成了灰度突变边界。边缘检测9引是大多数图像处理必不可少的一步，也是所有基于边界的图像分割的笫一步，它的任务就是精确定位边缘和抑制噪声。图像的边缘是指图像局部亮度变化最显著的部分，即在

3、灰度级上发生急剧变化的区域。2、图像边缘检测算子图像的平滑和锐化是图像预处理中两个十分关键和基础的处理方法。图像在传输和变换中会受到各种干扰而退化，比较典型的就是图像模糊⑸。图像锐化的目的就是使边缘和轮廓模糊的图像变得清晰，并使其细节清晰，但是同时也带来了一些问题，比如导致图像中的噪声也增强。同样。由于图像的拍摄等情况可能会导致图像出现很多噪点，它们的出现也直接导致了图像质量的降低，一般用图像平滑的方法来去除噪声，但同时会带來图像变得模糊等问题。所以必须要根据不同的情况使用不同的平滑和锐化方法。

4、图像预处理⑶的主要目的是消除图像屮无关的信息，恢复有用的真实信息，增强有关信息的可检测性和最大限度地简化数据，从而改进特征抽取、图像分割、匹配和识别的可靠性。预处理过程一般有数字化、几何变换、归一化、平滑、复原和增强等步骤。为了准确识別车辆牌照，对于在灰度图像下进行定位处理的算法，预处理不仅是将彩色图像转化为灰度图像必要步骤，还可以通过对图像进行灰度变换⑹，如灰度拉伸、去噪、滤波等处理来改善图像质量。经过处理后的车牌图像由原始的彩色图变成貝包含亮度信息的灰度图，并且具有较强的对比度，对以后的图像

5、处理、识別有很好的帮助。边缘获取是所有基于边界的图像分割方法的笫一步，也是描述图像区域最重要的特征之一。使用边缘检测的原因是车牌区域的边缘信息一般比其他部分丰富且集中，只要背景不太复杂，没有过多干扰，边缘特征可将车牌区域与其他部分区别开来。边缘检测有不同的边沿算子，这些算子在数学含义上就是一种基于梯度的滤波器，需要检测算子哪个方向上的灰度变化，就将该方向上的灰度跳变用相邻像素的灰度差值来表示。基于一阶导数的边缘检测算子阳」包括roberts算子、sobel算子、prewitt算子等在算法实现过程

6、屮，通过2x2(roberts算子)或3x3模板作为核与图像屮的每个像素点做卷积和运算，然后选取合适的阈值提取边缘。算子是另外一类边缘检测算子，它不是通过微分算子检测边缘，而是满足一定约束条件下推导出的边缘检测最优化算子。2」梯度算子梯度算子是一阶导数算子。对于图象函数，它的梯度定义为一个向量：■(2W(兀,刃=」=M严

7、G」+

8、qM2=G^Gy2偏导数G、•常用差分来代替，为计算方便,(2-3)(2-4)(2-5)常用小区这个向量的幅度值为：mag(/)=(Gv2为简化计算，幅度值也可用下边三

9、式来近似:由于数字图像是离散的，模板和图像卷积来近似计算。2.2Roberts边缘检测算子Roberts边缘检测算子是一种利用局部方差算子寻找边缘的算子。差分值将在内插点［i+1/2,j+1/2］处计算。Roberts算子是该点连续梯度的近似值，而不是所预期的点［i,j］处的近似值。Roberts边缘检测算子近似计算/(x,y)对x和y的偏导数：(2-6)(2-7)G,=z9-z5G,=Z9-Z52.3Sobel边缘检测算子Sobel边缘算子的掩模模板是两个3X3的卷积核。采用邻域可以避免在像素

10、Z间内插点上计算梯度。Sobel边缘算子强调中心像素的4个边邻域像素对其的影响，而削弱4个对角近邻像素的作用。它是有方向性的，在水平方向和垂直方向上形成最强烈的边缘。(2-8)Sobel边缘检测算子近似计算/(x,y)对x和y的偏导数：Gx=(Z7+2Z8+Z9)-(Z1+2Z2+Z3)Gy=(Z3+2Z6+Z9)-(Zl+2Z4+Z7)(2-9)2.3Prewitt边缘检测算子与使用Sobel算子的方法一样，图像中的每个点都用两个核进行卷积，取最大值输出。它与Sobel算子不同，这一算子没有把