纹理研究车牌定位方法探究现状和展望

《纹理研究车牌定位方法探究现状和展望》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、纹理研究车牌定位方法探究现状和展望摘要：作为智能交通系统的核心技术之一，基于机器视觉的车牌识别一直受到广泛的关注。车牌定位是车牌识别的重要步骤，其目的是确定车牌在图像中的坐标位置，从而剔除大部分的噪声区域，仅保留包含车牌的子区域。目前,纹理分析是车牌定位最基本也是最重要的手段。该文首先介绍了纹理分析车牌定位方法的研究成果，然后总结这些方法的不足，展望了下一步的研究方向。关键词：智能交通车牌识别车牌定位中图分类号：TP3文献标识码：A文章编号：1674-098X(2013)01(b)-00-03基于机器视觉的车牌识别是智能交通系统的核心技术之一，可广泛应用于高速公路自

2、助缴费、城市交通监控、违章或犯罪监控以及智能停车场管理等方面，它主要包括图像获取、车牌定位、倾斜校正、字符分隔、字符识别五个部分。车牌定位即确定车牌在图像中的坐标位置，从而剔除大部分的噪声区域，仅保留包含车牌的子区域。定位效果直接制约着倾斜校正、字符分割以及识别效能的发挥。具有丰富的纹理是车牌区别于诸多背景的最基本特征。通过分析这些纹理特征进行车牌定位的方法称为纹理分析车牌定位法，简称纹理定位法。按照纹理特征的类型可以将纹理定位法分为边缘跳变、边缘密度、边缘相关性、灰度梯度、连通性、角信息六类。该文首先分别介绍了这六类方法的研究成果，然后总结了现有纹理定位法存在的不

3、足，展望了下一步的研究方向。1边缘跳变车牌字符和车牌底之间的颜色分立特征导致从字符到底色或是从底色到字符均存在显著的边缘跳变，统计这种跳变特征即可找到感兴趣的区域。文献［1］首先提取二值边缘,然后采用行扫描记录边缘跳变点数，从而实现候选区定位。刘庆祥［2］等进一步将这种跳变特征模板化，然后利用该模板进行扫描匹配，从而实现车牌定位。投影则是另一种常用的统计方法，它通过二值边缘图像的水平和垂直投影统计边缘跳变点的分布，分别确定车牌在水平和垂直方向的位置。其中，一些学者还针对投影曲线的特征分析进行了大量的改进。为了克服传统投影法关于多峰值的缺点，冯国进等［3］提出一种自适

4、应投影法，自动获取投影最大值变化点，仅保留少数显著的峰值区域，减少分析的难度以及提高定位准确性。为了达到相同的目的，乙X.Chen等⑷利用字符的高度去除不满足条件的峰值区域。此外，X.F.Chen等［5］首先通过投影曲线形状的平滑分析将车牌图像分为白天和夜晚两种类型；对于前者，使用垂直投影确定车身的范围，缩小搜索区域；然后，通过投影曲线平滑、放大、分割特征分析等实现夜晚类型图像和处理过后的白天类型图像的车牌定位。2边缘密度车牌可以看成是边缘丰富的类矩形区域，因此边缘密度经常被应用于车牌的候选区定位。边缘密度的计算方式可分为固定矩形、外接矩形和分块合并三种。文献［6］

5、根据先验知识设计一个与车牌尺寸相比拟的矩形窗口，并使用该窗口在图像中进行滑动扫描，计算当前窗口的边缘密度，将满足一定条件的窗口区域作为车牌候选区。为了提高扫描的鲁棒性，文献［7］进一步将扫描窗口设定为边缘外接矩形，这样有利于适应车牌区域的尺寸变化。但是，无论固定矩形和外接矩形窗口扫描都是按照一定行列步进进行的，扫描速度较慢。为了提高扫描速度，文献［8］首先将图像划分为若干个子块，分别计算其边缘密度，若满足一定条件就判定当前子块属于车牌候选区域；然后，对挑选出来的子块进行合并、再分割等操作，从而实现候选区定位。3边缘相关性车牌的字符笔画具有一定的宽度，使得字符尤其是英

6、文字母和数字具有对称性较好的的边缘对。朱风云等［9-10］提出一种基于互相关矢量图的车牌定位算法，有效地提取了这种特征，从而结合先验知识实现车牌定位。该算法首先利用水平差分得到差分为正和负的两幅图像，并进行阈值化；然后，利用粒子图像测速互相关算法对这两幅图像进行分析，得到车牌图像的互相关矢量图；最后在矢量图中确定车牌的位置。4灰度梯度灰度梯度特征是边缘跳变特征的初级阶段，一旦经过二值化，前者就转化为后者。然而，二值化过程对噪声比较敏感，因此一些学者直接利用灰度梯度特征进行车牌定位。这些研究的重点主要集中在车牌区域的灰度梯度增强和灰度梯度特征提取两个方面。张玉姣等［1

7、1］提出一种基于模糊边缘检测的定位方法。模糊边缘检测需要根据灰度梯度直方图确定广义渡越点，进而对感兴趣的灰度边缘进行增强。该方法对目标区域的灰度梯度增强效果较好，且具有一定的噪声抑制功能。但是，模糊边缘检测过程中的多次迭代会显著降低定位过程的实时性。因此，作者仅将该方法应用于候选区筛选，而非候选区定位，取得了较好效果。李宇成等［12］通过构造卷积能量图，实现目标区域的灰度梯度增强。首先，通过像素极值处理和差分构造对比度图；然后，根据卷积长度对该图像进行像素延拓，最终得到卷积能量图。灰度跳变剧烈的区域在卷积能图中将得到进一步的增强。此外，等级滤波也能获得卷积能量图