一种新的快速自适应车牌定位方法

《一种新的快速自适应车牌定位方法》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一种新的快速自适应车牌定位方法摘要：针对现存车牌定位方法自适应性差和鲁棒性不强的情况，本文提出了一种新的快速自适应车牌定位算法．此算法结合图象中车牌区域的纹理特征、灰度和边缘投影信息定位车牌，经对不用场景、不同光照、不同车型的汽车图象的实验表明该算法具有快速，鲁棒性强，自适应性好的优点。关键词：智能交通系统，车牌定位，纹理分析，灰度投影,自适应基于图象理解的汽车牌照自动识别系统是智能交通系统（ITS）的一个重要分支，有着非常广泛的应用前景，而把汽车牌照从复杂的汽车图象中分割出来是汽车牌照自动识别系

2、统必须解决的关键问题。在过去的十几年中，各国的科研人员提出了不少提取汽车牌照的方法。Choi[1]提出利用Hough变换寻找垂直边缘提取汽车牌照的方法，此方法由于许多汽车前部散热器产生的垂直边缘和某些牌照边框的扭曲或某些汽车牌照没有边框而鲁棒性较差。S.H.Park[2]提出的一种基于神经网络提取汽车牌照的方法，使用二个时延神经网络在水平和垂直方向对输入的图象进行滤波，得到牌照的候选区域，然后利用牌照的长宽比、面积、面积与周长比来区分真正的牌照区域与类牌照区域。此方法要求图象中的牌照尺寸基本不变，

3、一旦图象中的牌照尺寸发生了较大的变化，必须对神经网络重新进行训练。Barroso[5]认为车牌区域具有较强的灰度变化特性，对图象分别做水平和垂直方向的投影，根据投影的波峰和波谷的特点来判断车牌区域的水平和垂直位置。此方法仅依赖于车牌的灰度投影特点定位，容易受其他区域的干扰，定位往往不够准确。另外一种讨论的较多的是基于形态学的方法[3,4]，基本做法是：利用图象的梯度信息，先对图象进行边缘提取，再对边缘图象进行形态学运算，直到图象中只留下待寻的目标。但这类方法的缺点在于：因为需事先确定滤波算子的尺寸

4、，所以对车牌的大小不具有自适应性。本文提出的方法充分利用了图象中车牌区域的最主要的纹理特征并且结合灰度和边缘投影信息定位车牌，并利用车牌字符的边缘特点修正车牌的定位，为车牌字符的后处理打下了良好的基础。它的特点是不依赖于车牌的边框、大小、长宽比等不太可靠、不稳定的信息来定位车牌，对图象中车牌的倾斜和成像质量不敏感，具有快速，鲁棒性强，自适应性好的优点。算法包含以下3个部分：①车牌图象预处理：根据原始图象的灰度特性做自适应灰度拉伸；②牌照粗定位：利用牌照的纹理信息及灰度投影对灰度图象进行扫描，初步确

5、定车牌位置；③牌照精确定位：利用牌照字符的边缘信息，进一步去除干扰区域，确定牌照区域中有效字符的位置。1. 预处理由于光线不足或者反光等诸多因素，有可能造成车牌对比度较差，对接下来的纹理分析产生影响，所以有必要进行图象增强。图象拉伸是增加图象对比度的一个好方法，但简单的图象拉伸有可能造成拉伸过度，损失了车牌区域的细节。本文提出的方法是根据原图象对比度采用自适应拉伸的方法，经实验证明能有效增强图象对比度，提高了车牌定位准确率。灰度拉伸公式如下：p1和p2根据动态范围p做自适应调整。我们使用的参数是：

6、p>0.8时，p1＝p2＝0.2；p>0.5时，p1＝p2＝0.15；其余p1＝p2＝0；在实验中收到了良好的效果。图1是原图象，图2是用本文的自适应拉伸法处理后的图象，可以看到图2的对比度增强了，牌照字符的边缘更加清晰，有利于后面的定位处理。                 2. 车牌定位当我们从远处观察车辆时，判别牌照区域的主要依据是车牌的颜色、亮度和车牌字符的边缘形成的纹理。所以，充分利用这些信息就成了定位车牌的关键。2.1 粗定位牌照区域区别于其他区域的地方就在于牌照上有字符，这一特征体现

7、在图象的灰度上就是其水平投影具有较好的连续性，不会有大的起伏，体现在纹理信息上就是其垂直边缘的间距较有规律。本文的车牌定位方法就是基于这两个特征的结合进行的，从而更有效地排除干扰区域，更快速地进行车牌的定位。1） 水平定位首先，我们要找出车牌所在的水平位置。虽然车牌区域内水平方向有着较大的灰度变化，但由于字符在竖直方向上的灰度有着较好的连续性，在车牌范围内的水平灰度投影不会有很大的起伏，而在车牌之外的上下区域由于车身或背景的关系投影值则明显不同。同时车牌区域除了在水平方向应有的灰度连续性，还应该具

8、有一定灰度变化频度。为了统计灰度变化频度，经试验比较，在我们的算法中采用简单快速的水平梯度算子[-11]。通过二值化水平梯度图提取具有最大梯度的边缘，同时去除了大多数噪声的干扰。因为成像模糊等原因使提取的有些边缘宽度大1，我们对边缘图象再一次做水平差分计算。经运算后边缘图象轮廓清晰，车辆牌照子图象区域完全凸现出来，而车体上其他部分和背景中的轮廓线特征往往并不突出。由于搜索整幅位图，速度非常慢，为了缩小搜索范围，加快定位速度，算法采用如下方法：(1)每间隔10行扫描一行，记下变化频度