车牌图像定位（精选八篇）
车牌图像定位 篇1
1 基于边缘颜色对的车牌粗分割
颜色对定义:根据我国的车牌底色 (M) 与车牌字符 (N) 具有固定的颜色搭配 (M, N) 或 (N, M) , 则M与N构成的集合称为颜色对。
边缘颜色均值对:若当前像素为 (i, j) , 其边缘像素f (i-2, j-2) , f (i-2, j-1) , f (i-2, j) , f (i-2, j+1) , f (i-2, j+2) 的平均值a与f (i+1, j-2) , f (i+1, j-1) , f (i+1, j) , f (i+1, j+1) , f (i+1, j+2) 的平均值b, a与b构成的集合 (a, b) 称为边缘颜色均值对。
本文通过数码像机拍摄到各种场所的汽车图片, 因这些图片中存在不规则的随机噪声, 所以对其进行中值滤波。中值滤波后的图像依然处于RGB颜色空间中, 把颜色均值转换到HSV颜色空间中[7]。利用边缘颜色均值对对车牌进行粗分割, 通过观察两个颜色均值的HSV是否出现两种颜色搭配 (M, N) 或 (N, M) , 若出现, 则认为是车牌区域, 取之, 否则, 认为是非车牌区域, 弃之。图1经过边缘颜色均值对分割后如图2所示。一般拍摄到的汽车图片中车牌大多处于图片的下方, 因此, 可以根据先验知识去除图像的上面的三分之二, 从而大大的提高后续的处理速度。
2 车牌精定位
2.1 投影与形态学运算
经过上面的处理以后, 大部分非车牌区域已经去除, 图像也变为二值图像。此时, 对其进行水平投影。水平投影结果如图3所示。其主要目的是去除不符合车牌特征的伪车牌区域。对投影后的图像区域进行形态学运算。先膨胀, 使车牌区域尽可能的连通;后腐蚀操作, 是消除物体边界点, 使边界向内部收缩的过程, 可去除小区域, 同时若物体间有细小的连通, 则可将两个物体分开。即处理后, 可以用来填充区域内细小的空洞、连接邻近区域, 平滑其边界, 同时不改变区域面积, 以便后续处理。
2.2 车牌精定位
通过上面分割后的图像可能还存在多个连通的目标图像区域, 本文通过标记各连通区域并计算出每一个连通区域的面积。结合先验知识, 采用阈值分割方法, 去除区域面积比车牌区域面积过大或过小的区域。通过此方法后, 可能仍然存在面积和车牌大小差不多的干扰区域。为了去除干扰区域, 可以计算每个连通区域的宽、高以及宽高比, 如果某个区域与实际车牌的宽高相比太宽或者太高, 则去除。否则再考虑他们的宽高比, 如果不符合车牌宽高比的区域也去除。经过几何特征精定位后得到如图4所示:
3 结论
本文对各种环境下采集到的220张汽车彩色图像进行车牌定位, 218张准确定位, 2张定位失败, 分析定位失败的原因, 最主要是车牌褪色较严重。本文基于边缘颜色对的分割方法, 经分割后干扰区域大大减少了, 大大提高了处理的速度, 实验表明定位的准确率高达以上。
参考文献
[1]刘翔, 周桢, 饶昊.基于灰度图像的车牌定位方法研究[J].微计算机信息, 2011, 27 (8) :124-126.
[2]王善发, 吴道荣.基于灰度跳变的车牌定位算法及其实现[J].计算机仿真, 2012, 29 (1) :318-347.
[3]沈洋.基于灰度图像的车牌定位研究[J].电脑知识与技术, 2008, 4 (4) :1184.
[4]李文举, 梁德群, 张旗等.基于边缘颜色对的车牌定位新方法[J].计算机学报, 2004, 27 (2) :204-208.
[5]郭捷, 施鹏飞.基于颜色和纹理分析的车牌定位方法[J].中国图象图形学报, 2002, 7 (5) :426-427.
[6]程增会, 戴祥, 唐大鹏, 等.一种基于HIS和YUV颜色模型的车牌定位方法[J].计算机应用与软件, 2011, 28 (12) :132-134.
基于图像处理的车牌识别研究 篇2
关键词：图像处理 车牌定位 字符分割 字符识别
中图分类号：TN91 文献标识码：A 文章编号：1674-098X（2015）06（a）-0020-02
Abstract：Algorithms of License plate recognition are researched in this paper.Firstly，Canny operator and morphological operation are employed on image after graying and threshold to locate the license plate.Secondly，vertical projection is used for character segmentation.Thirdly，the template matching algorithm is carried out for character recognition.Simulation results in Matlab show that the algorithm here can identify the license plate effectively.
Key Words：Image Processing License Plate Location Character Segmentation Character Recognition；
车牌识别不仅可用于公路布控、高速公路上的事故自动测报、小区车辆管理等，还是智能交通的核心环节。国内外学者对基于图像的车牌识别进行了很多研究，但目前还没有一种车牌识别算法可以获得非常理想的识别效果。车牌识别的流程一般是车辆图像的预处理、车牌定位、字符分割和字符识别。该文针对静态图像的车牌识别，研究了基于边缘检测和形态学滤波的车牌定位，基于投影算法的车牌字符分割和基于模板匹配算法进行车牌字符识别，并进行了仿真分析。
1 车牌图像预处理
车牌颜色种类较多，不同颜色的车牌灰度化后可以统一处理。阈值分割可以将目标区域和背景分割开来，方便后续定位和识别。该文首先采用加权平均值法对图像进行灰度化，然后采用otsu算法进行阈值分割，得到的灰度图和二值图如图1和图2所示。
可见，灰度化后的图像没有丢失主要信息；二值图消除了大部分背景信息，较准确的分割出了车牌区域，有利于后续的车牌定位和提取。
2 车牌定位与提取
2.1 车牌定位
该文采用边缘检测和形态学操作进行车牌定位。边缘检测能显示图像的大体轮廓，但检测后的车牌边缘是不连续的。形态学处理中闭运算可以使图像的轮廓线更为光滑，消除狭窄的间隙和细长的鸿沟，消除小的孔洞，弥补轮廓线中的断裂，开运算能消除细小部分[1]。
对灰度化和二值化后的图像进行Canny边缘检测，如图3所示。可见，目标边缘被比较完整的检测出来了，但边缘连续、不完整的情况依然严重，很多背景边緣信息也被保留了。为改善效果，对边缘检测后的图像进行形态学操作。进行一次闭运算和两次开运算，结果如图4所示。形态学操作较准确的定位了车牌区域，并消除了部分干扰和小连通域。
2.2 车牌提取
车牌具有一定的长度和宽度，因此车牌定位后的图像上，非零像素点集中在某些行和列上，可以根据这一特点进行车牌提取。对形态滤波后图像进行行、列方向上的像素点扫描，统计得到像素值和，据此确定车牌的起始位置和终止位置[2]。图5和图6为车牌在行、列方向上的像素值和，车牌行方向像素集中在900～1200区域，车牌列方向像素集中在1600～2300区域，其它区域的像素则为干扰。
车牌具有一定的宽高比，可以排除干扰。最后可分割出车牌图像如图7所示。
3 车牌字符分割
车牌字符之间存在均匀的间隔，在垂直方向上的投影峰谷交替，因此可以利用垂直投影法提取字符[3]。垂直投影如图8所示，垂直投影共八个区域，其中在300～400列间的区域对应园点。可根据垂直投影方便的分割出每个独立字符。为了字符识别的准确性，将分割出的字符图像进行归一化处理[4]，如图9所示。
4 车牌字符识别
该文使用的是模板匹配法实现的字符识别，其基本思想是将归一化的字符与预先建立的模板库中的字符进行匹配，模板库中的字符与车牌字符相似程度最高的就是匹配结果。模板匹配法实现简单且识别率高，是车牌字符识别的主要方法[5]。
该文采用了一种快速匹配方法，将车牌字符与模板库中的各字符图像相减，得到差值图像，计算差值图像的像素的绝对值和，该值表示了车牌字符和模板库字符之间的误差。最小误差所对应的模板库字符就是匹配字符。以数字“6”的模板识别为例进行说明。表1所示为数字6的模板匹配情况，可见最小误差对应的模板库字符为“6”，该方法可正确识别。
5 结语
该文采用灰度化和阈值法进行了图像预处理，采用Canny缘检测和形态学操作进行了车牌定位，采用基于垂直投影的垂直切分算法对车牌进行了字符分割，采用模板匹配的算法对车牌字符进行了识别。仿真结果表明，设计的车牌识别算法可有效地实现车牌识别。
参考文献
[1]闫敬文.图形图像处理（MATLAB版） [M].北京：国防工业出版社，2007：79-82.
[2]袁卉平.基于MATLAB的车牌识别系统的设计与研究[J].工业控制计算机， 2010，23（10）：73-74.
[3]陈宁宁，苏坤.基于MATLAB的车牌识别系统研究与实现[J].电子测试，2013， 22（2）：67-68.
[4]刘忠杰，宋小波，何锋，等.基于MATLAB的车牌识别系统设计与实现[J].微型机与应用， 2011，30（14）：37-40.
基于灰度图像的车牌定位研究 篇3
车辆的定位识别技术是智能交通领域的重要研究课题之一,也是解决现代社会中由于传统管理方式造成的交通“瓶颈”问题的关键技术之一。目前车牌定位的方法主要有两类:基于彩色图像信息和基于灰度图像信息的定位方法,前者一般需要进行颜色空间变换、计算量较大,而且当图像亮度降低到一定程度,特别是在夜晚条件和光照不均情况下,图像将可能变成非彩色的,具有很大的局限性。因此当前主流的图像分割方法是基于灰度图像处理技术的。
2 基于灰度图像车牌定位的方法
2.1 基于边缘检测的定位方法
在汽车图像中,牌照区域内含有丰富的边缘{包括水平边缘、垂直边缘和斜向边缘},而其它区域则不具有这个特点,故可通过边缘检测技术来寻找存在较多边缘的区域,再对图像进行特定的填充算法,直到图像中只留下待识别的目标,从而达到牌照定位的目的。常用的边缘检测方法的基础是微分运算,边缘点对应于一阶微分幅度大的点,或对应于二阶微分的过零点。该类方法目前应用最广泛,其主要缺点是:由于车头部分细节丰富,尤其是车头上部,要获得较好的边缘图像比较困难,而且运算量大,另外如果车头上部有与车牌尺寸相仿的干扰区,很可能产生误识别;对于污染严重的车牌图像,识别率不高。一种改进方法是在对图像进行了边缘提取后,考虑到车牌区域会有直线边缘,用Hough变换检测直线,来确定车牌在图像中的位置。
2.2 基于数学形态学的定位方法
形态学图像处理的基本思想是利用一个称为结构元素的“探针”收集图像的信息。作为探针的结构元素,可直接携带知识{形态、大小、甚至加入灰度和色度信息},来探测研究图像的结构特点。它的基础是腐蚀和膨胀以及由此产生的开、闭运算。其中开、闭运算具有“削峰添谷”的功能,可以将目标区域显示出来。目前传统的数学形态学车牌定位算法是利用牌照字符具有纵向纹理的特性,提取车牌图像的垂直边缘并进行二值化,再利用数学形态学工具,通过用大小固定的结构元素对得到的二值边缘图像进行膨胀和闭运算等一系列的形态学运算,使得车牌区域形成闭合的连通矩形区域,然后通过标记这些候选牌照区域并利用车牌的几何特性{宽高比、矩形面积等}剔除虚假牌照,从而得到真正的牌照。
它的的不足主要是:(1)由于先将灰度图像转为二值图像,再基于二值图像进行形态学运算,在处理过程中会丢失大量有用的图像信息。(2)结构元素大小和形状的选取对形态学运算结果有着很大的影响。采用大小固定的结构元素来处理,就必须在保证车牌在所有图像中的大小都是一样的前提下,才能取得满意的实验结果。对于不同大小的车牌图像,适应性就变得很差了。(3)由于图像预处理工作的不足,进行膨胀和闭运算后,在得到车牌连通区域的同时,也得到了大量的由噪声边缘及背景边缘图像经膨胀后而形成的虚假块和候选牌照区,从而给进一步的车牌区域提取带来了很大的困难和干扰。
2.3 基于小波变换的车牌定位
小波变换是20世纪80年代后期发展起来的应用数学分支,它是一种窗口面积固定但其形状可以改变、时间窗和频率窗都可以改变的时频局部化分析方法,其基本思想是将原始信号通过伸缩及平移后,分解为一系列具有不同空间分辨率、不同频率特性和方向特性的子带信号,这些子带信号具有良好的时域、频域等局部特征,这些特征可以用来表示原始信号的局部特征,进而实现对信号时间、频率的局部化分析。即在低频部分具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率,故被称为数学显微镜。由于目前传统的边缘检测方法检测到的边缘信息复杂,要想从中找准车牌的位置十分困难,而小波可以在不同的分辨率层次上对图像进行分割,在低分辨率层次上进行粗分割,由于计算量较小,适用于寻找目标的大致轮廓,在较高分辨率上实现精细分割,而且粗分割的结果对精细分割具有一定的指导作用,可以减少计算量和提高目标的定位精度。所以出现了很多基于小波变换的车牌定位算法,这些算法大多是利用小波变换与其他多种方法相结合来达到定位更准确、快速。例如将小波变换、数学形态学、边缘检测等方法结合来对车牌进行准确定位。基本思路如下:先用自适应滤波多尺度边缘检测方法检测出车牌的边缘,然后用数学形态学方法对阈值二值化后的边缘图像进行系列形态运算,进一步消除无用信息,最后用基于车牌底色识别的方法进行车牌定位.。该方法定位效果好,适于有噪声的车牌图像进行定位。
2.4 基于遗传算法的车牌定位方法
遗传算法也可用于车辆牌照的定位提取,它是建立在自然选择和群体遗传学机理基础上的随机、迭代、进化,具有广泛适用性的搜索方法,结合了达尔文的适者生存和随机信息、交换,消除了解中的不适应因素,利用了原有解中己有的知识,从而大大地加快了搜索过程。而车辆牌照的提取可以看作是在一幅复杂图像中寻找最符合牌照特征的区域的过程,也就是一个在参数空间里寻找最优定位参量的问题,而这正是遗传算法所擅长的。这种定位方法的思路是根据车牌所在区域灰度变化剧烈,且高低灰度差异较大的特点,对原始图像中任意的一个矩形区域中的每一行灰度值进行一维的波峰波谷检测,然后统计区域波峰密度、波峰均值、波峰波谷均值差、波峰方差、波谷方差和波峰分布的均匀程度,将这六个特征组成的特征矢量进行线性变换得到新的特征矢量,这样车牌识别问题就转化为如何确定矩形区域的参量,使从中提取的特征矢量最佳。
3 结论
本文在分析国内车牌特点的基础上,对近年来国内外出现的车牌定位方法进行了全面的综述.车牌定位是车牌识别中最关键、最难解决的一步,然而由于车牌背景的复杂性与车牌特征的多样性,迄今为止,适用于任意背景、位置和光照下的汽车图像,各种性能都满足要求的算法目前还没有。因此,综合应用多种算法进行定位分析既是客观实际的需要,也是我今后学习和研究工作的重点。
参考文献
[1]戴青云,余英林.一种基于小波和形态学的车牌图像分割方法[J].中国图像图形学报,2000,5A(5):411-415.
[2]蔡孟波,何苑凌.遗传算法在车牌定位中的应用[J].公路交通科技,2000,17(2):33-36.
车牌图像定位 篇4
近年来,智能交通系统(ITS)越来越受到人们的重视,并逐渐应用在交通信息统计收集、路车间通信、停车场管理、不停车自动收费、车辆自动行驶等领域,而上述领域都与汽车牌照的自动识别有关。对汽车车牌的正确识别,既可以实现在交通路口、高速公路、军事要塞、机关门卫对过往车辆的实时登记、流量统计和对防卫目标的安全警备,对肇事车辆、被盗车辆、犯罪车辆进行辨识和拦截;又可在汽车存车场对进出的车辆进行登记、统计和查询,以保障安全防盗,并可协助自动记费,这些是建设智能交通系统不可或缺的部分。
在车牌识别中,最重要的步骤就是车牌定位,定位的成功与否以及定位的准确程度将会直接决定后期能否进行车牌识别以及识别的准确度。由于在现实中,汽车的车牌图像受到光照、背景、车型等外界干扰因素以及拍摄角度、远近等人为因素的影响,造成图像受光不均匀,车牌区域不明显,给车牌区域的提取带来了较大的困难。
目前比较经典的定位方法大都在基于灰度图像的基础上,文献[1]提出利用投影分布特征进行车牌定位的方法,文献[2]提出一种基于灰度变化的车牌粗定位方法,有效解决了背景复杂及对比度小的车牌图像的定位问题。文中提出了一种先利用车牌中字符的灰度变化以峰﹑谷规律分布确定车牌上下边界,对扫描行采用灰度跳变法确定车牌左右边界。从而提取出车牌的方法,并在VC++中编程实现。实验证明此方法能进一步提高车牌定位及字符提取的正确率。
2 图像预处理
2.1 灰度线形变换
由于光照等因素,许多图像成像时光照不足,使得整幅图像变暗,或者成像时光照过强,使得整幅图变亮.为了增强车辆图像和车牌图像的对比度,使其明暗鲜明,有利于车牌识别,需要在图像灰度化后对图像进行灰度线性变换,以便突出车牌部分。
2.2 二值化
对图像进行二值化可以给后续的分割识别工作带来很大的方便。常用的二值化方法有直方图统计法、固定门限法、动态阈值法、松弛法、抖动矩阵二值化法等。由于在光照较弱的情况下,车牌图像的光照程度很不均匀,车牌字符与底色的对比度偏低,所以采取动态阈值法。文中使用了一种迭代求图像最佳分割阈值的算法(见图1)。该算法步骤如下:
(1) 求出图像灰度的最小值Zmin和最大值Zmax,令阈值初值为:
undefined
(2) 根据阈值T(K)将图像分割成目标和背景2部分,求出2部分的平均灰度值Z0和ZG:
undefined
式中:z(i,j)为图像上(i,j)点的灰度值;N(i,j)为(i,j)点的权重系数,一般N(i,j)为z(i,j)的个数;T(K)为阈值。
(3) 求出新的阈值:
undefined
(4) 如果T(K)=T(K+1),则结束,否则K←K+1,转(1)。
3 车牌定位
3.1 车牌上下边界确定
根据车牌的特点,有多种车牌分割方法,如彩色分类、神经网络、模板匹配等方法。然而,由于汽车图像往往在复杂的自然环境中得到,所以很多分割方法都会失去作用。峰谷法定上下边界的原理是依据车牌中字符的灰度变化以峰﹑谷有规律的分布,而图像中除字符以外的部分的峰谷变化与字符串的峰谷变化有明显差别。
对二值图像采取与边缘检测类似的处理。利用水平方向的差分算子对汽车图像求梯度:
undefined
对二维图像而言,水平梯度:
undefined
由于车牌一般是由字符、背景和边框组成,用式子求梯度后,在字符与背景处就形成了较强的边缘,这样得到了特征图像。再考虑汽车本身的特点,通常车牌位于汽车缓冲器上或附近,靠近整幅图像的下部。因此对水平差分图像的象素沿水平方向累加产生一个投影图,如图2所示。由投影图可以看出有车牌字符的地方,灰度变化呈峰谷分布的。峰谷法定上下界程序流程图如图3所示。水平定位及最后定位结果如图4所示。
3.2 车牌左右边界确定
在上下界粗定位的基础上,对特征图像进行垂直投影,得到投影图后,对投影图进行处理,在滤除噪声干扰之后,从粗定位车牌的2个边界向中间搜索车牌区域的左右边界。
4 实验结果分析
针对所提出的方法,对在各种天气状况(包括早、中、晚、晴天和雨天等)和不同背景条件下采集到的96幅图像进行了车牌的自动定位。实验所用的图像部分来自于一个车牌识别演示系统“Plate-DSP”的图像库,其余图像均由实验室的数码相机采集,该相机的分辨率为640×480。实验处理的车辆可以是静止的或车速在25 km/h以下的运动车辆。下面给出一部分实验结果,如图5所示。实验结果表明此方法对输入图像的对比度和亮度要求比较低,由于采用了水平方向的差分和垂直方向的特征信息,所以其正确定位率较高,而且该方法的定位识别时间短,具有较好的实时性和准确性。
5 结 语
针对车牌图像的特点, 提出了一种基于车牌字符灰度变化呈峰谷分布的规律来定位车牌上下界方法, 对扫描行采用灰度跳变法确定车牌左右边界。 该方法能较为快速、有效地从复杂噪声背景中将待识别的车牌分割出来。在实际中用该方法对在不同条件下所采集到的各种车头、车尾图像进行了实验。结果表明, 该方法对车牌图像的检测定位是可行的和有效的。
摘要：汽车牌照的自动定位是智能交通系统中的重要组成部分之一,是实现车牌识别(LPR)系统的关键。针对不同背景和光照条件下的车辆图像,提出了一种基于灰度图像灰度变化特征进行车牌定位的方法。依据车牌中字符的灰度变化以峰、谷规律分布确定车牌上下边界,对扫描行采用灰度跳变法确定车牌左右边界。测试结果表明,该方法是可行的。
关键词：车牌定位,灰度图像,灰度变化,智能交通
参考文献
[1]全书海,薛志华,王琴,等.基于投影图像分布特征的车牌定位算法研究与实现[J].武汉理工大学学报:交通科学与工程版,2005,29(6):63-66.
[2]张光华,车牌定位方法研究[D].南京:东南大学,2000.
[3]汤德佑,黄元江.基于灰度跳变的车牌自动识别技术[J].株洲工学院学报,2004,18(2):92-94.
[4]陈兆学,施鹏飞.基于灰度图像的车牌快速定位和分割方法[J].计算机工程,2006,32(9):173-174,177.
[5]路小波,张光华.基于二值图像的车牌精确定位方法[J].东南大学学报:自然科学版,2005,35(6):972-974.
[6]Poon J C H,Ghadia M,Mao G M T,et al.A Robust VisionSystem for Vehicle License Plate Recognition Using Gray-scale Morphology[A].In:Proc ofthe IEEEInternationalSymposium on Industrial Electronics[C].Athens,1995:394-399.
[7]Parisi R,Cludio E D D,Lucarelli G,et al.Car Plate Recogni-tion by Neural Networks and Image Processing[A].In:Pro-cofthe 1998 IEEE International Symposium on Circuits andSystems[C].Monterey,1998:195-198.
车牌图像定位 篇5
目前, 国内的ITS产业仍然处于起步阶段, 在产业链中, 电子地图商、导航终端商、嵌入式操作系统均已经具备产业规模, 而所欠缺的环节则是对实时交通信息的采集和处理系统。车牌识别系统是城市智能交通管理系统的一个重要组成部分, 广泛用于是针对公路行驶的机动车辆进行实时监控的智能化交通系统, 电子收费, 交通违规管理, 安全停车管理等重要领域。
1 车牌识别技术概述
车牌识别系统是采用数字摄像技术和计算机信息管理技术, 对运行车辆实现智能管理的综合运用技术。它的理论基础是数字图像处理和模式识别。车牌识别技术具有典型性, 容易推广到其它识别对象, 可以在以下几个主要场合应用:公安卡口、高速公路收费管理、城市道路监控系统 (电子警察) 、海关车辆管理、停车场管理、车辆流量统计等, 应用非常广泛。
在现有的技术条件下, 车牌识别系统均无法达到100%的识别率, 好的识别系统可达95%以上, 先进识别系统的识别时间在一百毫秒以下, 并且, 基于视频技术的识别系统, 可方便地进行图像回放与检索。
2 车牌识别系统介绍
车牌识别系统包括摄取的汽车图像, 车牌号码的识别, 车牌图像的采集和预处理, 牌照区域的定位和提取, 牌照字符的分割和识别等几个部分组成, 如下图所示。
车牌图像的采集一般采用CCD摄像头, 包括整车图像或牌照 (一般为彩色图像) , 而牌照区域的定位和提取以及牌照字符的分割和识别是由计算机实现的。其中, 关键部分是第三步——字符识别 (OCR) 。
3 车牌定位步骤及算法
3.1 车牌定位步骤
车牌定位是指通过车牌区域的特征来判别牌照的位置, 将车牌从图像中分割出来的步骤。车牌定位的操作步骤为: (1) 彩色图像灰度化:CCD摄像头输出的图像一般是24位真彩色图像, 需进行灰度化, 使不同颜色车体统一化, 同时实现快速处理。 (2) 图像增强:增强图象中的有用信息, 它可以是一个失真的过程, 其目的是要改善图像的视觉效果, 针对给定图像的应用场合, 有目的地强调图像的整体或局部特性, 将原来不清晰的图像变得清晰或强调某些感兴趣的特征, 扩大图像中不同物体特征之间的差别, 抑制不感兴趣的特征, 使之改善图像质量、丰富信息量, 加强图像判读和识别效果, 满足某些特殊分析的需要。 (3) 边缘检测:边缘检测是图像处理和计算机视觉中的基本问题, 边缘检测的目的是标识数字图像中亮度变化明显的点。图像属性中的显著变化通常反映了属性的重要事件和变化。这些包括 (i) 深度上的不连续、 (ii) 表面方向不连续、 (iii) 物质属性变化和 (iv) 场景照明变化。边缘检测是图像处理和计算机视觉中, 尤其是特征提取中的一个研究领域。 (4) 模板匹配:模板匹配是数字图像处理的重要组成部分之一。把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准, 或根据已知模式到另一幅图中寻找相应模式的处理方法就叫做模板匹配。
最后一步就是输出牌照子图像。
3.2 车牌定位算法
(1) 对原始图像进行基于方向区域距离测度的彩色边缘检测得到原始边缘图像; (2) 对原始边缘图像中的每一边缘点进行边缘颜色对检测, 获得候选车牌边缘图像; (3) 对候选车牌边缘图像进行闭运算获得连通域图像; (4) 计算各连通域的宽高比, 剔除不在阈值范围内的连通域, 若只剩下一个连通域, 则可确认为车牌区域, 转 (7) ; (5) 若还有多于一个连通域, 则计算r。剔除不在阈值范围内的连通域, 若只剩下一个连通域, 则可确认为车牌区域, 转 (7) ; (6) 若还有多于一个连通域, 则对其进行彩色边缘检测然后进行水平扫描, 统计每行灰度值为1的个数N, 如果有连续M行以上N∈[n1, n2], 则可认为此连通域为车牌区域; (7) 在原始图像中提取车牌图像;其它方法:自适应边界搜索法。利用倒L型、水平直线、垂直直线这些结构元素搜索、定位字符, 然后找出符合一定格式的字符群, 即认为是车牌; (8) 其它方法:a.区域生长法。对边缘图像进行均匀性区域生长, 以获得潜在的车牌区域, 然后利用车牌的几何特征以及车牌区域内的边缘灰度直方图统计特征删除伪车牌, 获取真实车牌。b.形态学运算法。灰度图像数学形态学运算法则利用车牌形状特征、字符排列格式特征, 对预处理后的灰度图像进行一系列的形态学运算, 得到直线与一定数目的字符相邻的区域即认为是车牌。c.DFT变换法。DFT变换法是先对图像逐行做DFT变换, 然后把频率系数逐行累加平均并根据这些平均值做出频谱曲线, 根据频谱曲线中的“峰”的起始点位置确定车牌水平位置, 对这一水平区域逐行做DFT变换可确定车牌竖直位置。
摘要：针对交通管理系统的信息化、智能化发展趋势, 通过对车牌特征和定位技术的探索, 提出了汽车牌照字符识别系统。本文对车牌定位技术做了简单的论述。
车牌图像预处理研究 篇6
为了便于牌照的分割和字符的识别,原始图像应具有适当的亮度和对比度。但是由于光照条件的不稳定变化、车辆牌照不整洁、摄像头与牌照的距离或角度不合适以及车速较快等因素,都将引起车牌图像质量严重下降,包括模糊、光照不均、亮度太低、对比度太小、倾斜等现象[1]。这些都影响了车牌字符的分割进而降低了车牌识别率。因此,必须通过采取车牌图像预处理措施减少非目标子图像和噪声的干扰,以提高识别率。
针对车牌图像的预处理技术,本研究主要探讨其图像归一化、二值化、图像增强、图像平滑和图像的倾斜校正等过程。
1 车牌图像归一化
实际输入的车牌图像大小不一,虽然理论上对图像的大小和颜色都无严格要求,但是车牌图像过大或者过小都会给车牌字符分割带来困难,因此需要对车牌尺寸进行归一化处理。考虑到图像的存储特点和实际车牌图像的宽高比,将车牌尺寸归一化标准设定为48×136像素大小。
2 图像二值化
二值化是车牌图像预处理中必不可少的一步,车牌图像的二值化好坏直接影响着车牌定位的效果[2]。设原灰度图像为f(x,y),二值化后的图像为g(x,y),有:
由式(1)可知,图像二值化的关键在于阈值T的选取,根据阈值T来区分图像中的对象和背景。常用的阈值确定法分为局部阈值法、全局阈值法和动态阈值法[3]。局部阈值法根据像素灰度值和像素周围点的局部灰度特征来确定像素的阈值,该方法存在实现速度较慢、不能保证字符笔划连通性以及容易出现伪影现象等缺点。全局阈值法算法简单,根据图像的直方图或灰度的空间分布确定一个阈值,并根据此阈值实现灰度图像到二值化图像的转化。但其对直方图分布不呈现双峰的图像,二值化效果明显变差[4]。导致这一现象的主要原因在于:当照明不均匀、有突发噪音或者背景灰度变化比较大时,整幅图像分割没有合适的单一门限能兼顾图像中各个像素的实际情况。这时,可对图像按照坐标分块,对每一块分别选一个阈值进行分割,并采用动态阈值法确定各块阈值,具体求解步骤如下:
(1) 求出图像中的最大和最小灰度值Max和Min,令初始阈值为T0,且有:
(2) 根据阈值T0将图像分割成目标和背景两部分,并求出目标平均灰度值Z0和背景平均灰度值ZF:
式中 Z(i,j)—图像上点(i,j)的灰度值;N(i,j)—点(i,j)的灰度加权系数。
(3) 求出新阈值Tk+1:
Tk+1=∂(Z0+ZF) (5)
式中 ∂—迭代系数。根据经验,∂的初始值取0.6。
(4) 为了使分割结果较好,动态调整∂值。迭代系数∂调整依据如下:
①当S≠∂,且S>2.5时,∂减少;
②当S≠∂,且S<1.8时,∂增大;
③当S=∂时,∂取值不变。
其中,S表示背景像素点总数与字符像素点总数之比,S的变化范围大致为1.8～2.5,其计算式如下:
(5) 如果Tk+1=Tk,或者迭代次数超过预设最大值,则取Tk为最终分割阈值T,算法结束。否则转到步骤(2)。
该方法通过自动调节迭代系数,以获得一个准确车牌,具有很强的自适应能力,得到的阈值非常准确。采用此种方法对如图1所示的车牌进行二值化,二值化后图像如图2所示,图像分割效果较好。
3 图像增强
由于牌照图像拍摄受到各种条件的限制和干扰,图像的灰度值往往与实际景物不完全匹配,这将直接影响图像的后续处理,如果造成这种影响的原因主要是由于被摄物体的远近不同,使得图像中央区域和边缘区域的灰度失衡,或是由于摄像头在扫描时各点的灵敏度差异较大而产生图像失真,或是由于曝光不足使得图像的灰度变化范围较窄,这时就可以采用灰度校正的方法来处理,增强灰度的变化范围,丰富灰度层次,达到增强图像对比度、有利于车牌识别的目的。常见的灰度校正法有直方图变换法和灰度变换法。本研究主要采用分段线性灰度变换法对车牌图像进行效果增强。
该方法映射原理如图3所示,图中的横坐标f(x,y)表示原图的灰度值,纵坐标g(x,y)表示f(x,y)经过对比度扩展后得到了新的灰度值。a,b,c为三段直线的斜率。f1和f2表示原图中要进行对比度扩展的灰度范围,g1和g2表示对应的新灰度值。
变换前后图像的灰度值之间的映射关系如式(7)所示:
采用此种方法对如图4所示的车牌进行灰度变换实验,变换后的车牌图像如图5所示。可以看出,经过上述的分段灰度线性变换后,原来偏暗图像的整体灰度值有所提高,灰度动态范围扩大,对比度也提高了,从而突出了车牌信息。
4 图像平滑
由于灰度拉伸在增强图像对比度的同时,图像中原本不明显的噪声也会得到增强,必须采取有效措施抑制图像噪声。图像平滑是抑制图像噪声的主要方法。利用图像的冗余性,平滑后的每个像素的新值是基于该像素一定领域内亮度值的平均值。最常用的空间域平滑法有邻域平均法和中值滤波法。邻域平均法虽然算法简单、计算速度快,并且对噪声的抑制能力较强,但它在降低噪声的同时使图像产生模糊,特别在边缘和细节处,邻域越大,模糊越严重[5]。中值滤波法的图像处理效果虽然在某种程度上优于邻域平均法,但也会使图像边缘产生一定程度的模糊[6]。鉴于此,本研究采用了一种自适应邻域平均法,通过给邻域均值加一个随图像局部细节变化的修正项来克服边缘模糊。具体算法如下:
设S为预先设定的邻域,其像素总数为N,待处理图像的灰度值为f(x,y),m为灰度平均值,且有:
灰度上偏差mg和下偏差ml计算方法如下:
σ2为邻域S的灰度方差,计算方法如下:
则平滑后图像灰度值g(x,y)按下式进行计算:
式中 Ng,N0,Nl—S内的灰度值大于、等于、小于均值m的像素数。从式(12)可知,当Ng近似等于Nl时,修正项为0。当Nl>Ng或Ng>Nl且相差很大时,σ2较大,修正项也增大,从而起到既平滑又锐化边缘的作用。
采用该方法对如图6所示的车牌图像进行平滑,处理效果如图7所示。
5 倾斜校正
在拍摄车牌图像时,由于摄像机和车辆间的位置、角度关系,拍摄到的车牌图像通常都有一定倾斜度,为了便于后面识别,对发生倾斜角度的牌照进行纠正是非常必要的。目前车牌倾斜校正方法主要有Hough变换法和旋转投影法。传统Hough变换对整幅图像的每个像素进行计算,以求出图像中可能存在的直线,计算量大,难以满足实时要求。旋转投影方法中最佳倾角的求取是一个寻优过程,要进行多次投影才能逐步逼近最佳倾角[7,8]。鉴于此,本研究采用了Hough变换和旋转投影相结合的方法来计算倾斜度,以达到简化运算并提高运行效率的目的,该方法的具体设计思路如下:
当图像处于水平位置的时候,由于文字排列方向垂直于x轴,x轴上的投影曲线最大值分布最为集中,并且实际工作中车牌倾斜度不会过于严重。根据这些特点,可以依次以1°增幅将θ值从-20°～20°进行旋转,当x轴上的投影曲线最大值分布最为集中时即可确定倾斜的角度,实现提取区域的倾斜校正。
设图像的中心为原点,取水平向右为x轴的正向,垂直向上为y轴正向。PW、PH分别为图像的宽度与高度。以原点为中心,把图像顺时针旋转角度θ,车牌图像上任意点P在x轴上的投影计算式如下:
P=Pxcos θ+(y-xtan θ)sin θ Px∈(-Pmax,Pmax) (13)
式中
采用此种方法对如图8所示的车牌图像进行校正,校正结果如图9所示。
6 结束语
本研究对车牌图像预处理方法进行了分析。通过车牌图像的归一化处理避免了图像的变形。分析了图像二值化阈值T的选取方法,设计了一种新的动态阈值法对车牌图像进行二值化处理。实验结果表明,该方法简单可行,效果理想,为后续的字符分割、识别等操作奠定了良好的基础。
参考文献
[1]COMELLI P,FERRAGINAP,GRANIERI MN,et al.Opticalrecognition of motor vehicle license plates[J].IEEE Transac-tions on Vehicular Technology,1995,44(4):790-799.
[2]张引.基于空间分布的最大类间方差牌照图像二值化算法[J].浙江大学学报:工学版,2001,35(3):272-275.
[3]BYEONG R L,KYUNGSOO P,HYUNCHUL K,et al.A-daptive Local Binarization Method for Recognition of VehicleLicense Plates[M].IWCIA,2004.
[4]DONG J L,SEONG W L.A newmethodology for gray sealecharacter segmentation and recognition[J].IEEE Trans.on Pattern Analysis and Machine Intelligence,1996,18(10):526-527.
[5]崔屹.数字图像处理技术与应用[M].北京:电子工业出版社,1997.
[6]章毓晋.图像分割[M].北京:科学出版社,2001.
[7]李文举,梁德群,王新年,等.质量退化的车牌字符分割方法[J].计算机辅助设计与图形学学报,2004,16(5):697-700.
车牌图像预处理研究 篇7
智能交通系统(ITS)是当今世界交通管理体系发展的必然趋势,而作为智能交通系统中的重要组成部分之一的车牌自动识别技术,目前已被广泛应用于城市道路监控、高速公路收费与监控、小区与停车场出入口管理、公安治安卡口等场合,成为研究的热点。
国外的车牌识别研究始于80年代,90年代始已有不少成套的产品出现。由于我国车牌的组成及组合的方式与国外的车牌不一致,使得我们不能直接使用国外的车辆牌照识别系统,而必须针对我国车牌重新设计相应的车辆牌照识别系统。车牌识别的使用环境、背景各有差异,目前还没有一种算法能在不同环境、各种复杂背景条件下达到非常高的车牌识别率,因而车牌识别技术仍然是研究的重点。
2、车牌识别技术特点
基于图像处理的车辆牌照识别技术(License Plate Recognition,LPR)能直接对车牌进行识别,不需要被识别车辆主动参与,就可以对所有通行车辆识别、管理,该技术成本低、实时性强、易于推广,还可以进行图像的回放及检索,有利于识别结果的人工检验和修正,是目前可行的车牌自动识别技术。
车牌识别过程一般分为车牌图像预处理、车牌定位、字符分割、字符识别四个步骤。要使车牌识别算法能适应各种环境、背景条件,关键是在识别过程中,将这些背景条件实现统一,尽量减低外部条件对车牌识别过程的影响,因此图像预处理显得尤为重要,本文研究的就是车牌识别的第一步——车牌图像预处理。
3、车牌图像预处理
车牌图像通常是在各种复杂的背景、环境条件下采集得到,图像质量难以保证,因此在进行车牌定位之前,通常要进行图像的预处理工作。
图像预处理[1]主要是对系统获取的原始图像基本特征的信息进行相应的、有针对性的处理,以滤去干扰、噪声,作几何校正、色彩校正,以便于计算机的分析计算,一般包括滤波、图像增强、图像二值化、形态学运算、边缘检测等等。本文的图像预处理流程图如图1。
3.1 图像灰度化
将彩色图像转换成灰度图,一方面提高了图像的处理速度,另一方面更统一了多种颜色的车辆牌照。本文采用加权平均值法将图像灰度化,即根据重要性或其他指标给R、G、B赋予不同的权值,并使R、G、B等于它们的值的加权和平均,
其中Wr、Wg、Wb分别是R、G、B的权值,取Wr=0.299、Wg=0.588、Wb=0.113,从而得到最合理的车牌灰度图像。
3.2 中值滤波
接着要进行图像的去噪处理,用中值滤波方法可以有效去除图像中的噪声点,同时保护图像边缘的细节。中值滤波[2,3]是通过在图像上移动一个滑动窗口,窗口中心位置的象素值用窗口内部所有象素灰度的中值来代替。因此关键在于滑动窗口的选取,本文采用3x3方形窗口进行滤波,可以很好的消除图像中孤立噪声点的干扰,还能有效的保护边界信息。
3.3 灰度变换
如果一幅图成像时由于光线过暗或曝光不足,则整幅图偏暗(如灰度范围从0到6 3);光线过亮或曝光过度,则图像偏亮(如灰度范围从200到2 5 5),都会造成图像对比度偏低问题,即灰度都挤在一起了,没有拉开,这时可以采用灰度变换方法来增强图像对比度。本文采用分段线性灰度变换法进行灰度变换,根据经验值,对[30 200]之间的灰度值进行变换。实验效果如下图2。
3.4 直方图均衡化
直方图是用来表达一幅图像灰度等级分布情况的统计表。通过对图像中像素个数多的灰度值(及对画面起主要作用的灰度值)进行展宽,而对像素个数少的灰度值(及对画面不起主要作用的灰度值)进行归并,从而达到清晰图像的目的,其本质上是一个直方图变换,即将输入图像的直方图映射成一个最大平展的直方图。实验效果如图3。
经过直方图均衡化处理以后,图像的灰度分布变得均匀,原来偏暗的图像亮度明显增强,图像变得更为清晰。
3.5 图像二值化
车牌二值化是识别图像的一个关键步骤,其目的是得到鲜明区分目标和背景的二值图。二值化就是用计算出来的阈值把原始图像分为对象物和背景两部分,关键在于阈值T的选取,本文采用动态阈值法对车牌图像进行二值化处理,能够加快图像处理的速度,实验效果如图5所示。
3.6 形态学处理
二值化后的车牌图像还存在许多干扰区域,若直接进行车牌定位,很容易出现误定位或增加了车牌定位的计算量,因此可以利用数学形态学算子,简化图像数据,保持图像的基本形状特征,去除不相干的结构。
数学形态学的基本运算有四个:膨胀(或扩张)、腐蚀(或侵蚀)、开运算和闭运算,其基本思想是利用结构元作为探针收集图像的信息,当探针在图像中不断移动时,即可根据图像各部分的相互关系来了解图像的结构特征。因此,利用形态学算子来处理图像时,结构元的设置非常重要。
由于二值化后的图像已形成多个空间位置濒临字符边缘的像素分布,这有利于构成牌照连通区域。由于牌照内字符间距随图片中牌照的几何尺寸不同而有所变化;且牌照位置附近可能存在干扰纹理的影响,因此,为防止连通区域断裂和尽可能减少与背景纹理的粘连,需要仔细确定结构元。结构元的确定如下:
首先根据输入图像大小作为参考因素,同时为形成完整牌照字符连通区域,把字符间距最大间隔作为设计结构元的另一个主要依据。设车牌最大字符间距为a,字符最大高度为2b,首先使用开运算:在垂直方向上取长度为(b+1)的结构元进行腐蚀运算,消除孤立的噪声点;在水平方向上取长度为(2 a+1)的水平线结构元对二值图像进行膨胀运算,连接图像中的断续点并填补空洞,从而形成多个连通区域。实验结果如图6所示。
经过形态学开运算后,车牌区域融合在一起的同时,也会形成其他多个干扰连通区域,必须将这些干扰滤除。由于车牌区域的面积大小通常约为6000像素(150x40像素),可以选用4 0 0 0像素为阈值,把面积小于4000像素的干扰区域删除,从而去除太小的连通区域,实验结果如图7。
对连通区域进行标记,并分析连通区域的特征。由于车牌本身固有的宽高比相对固定,一般在0.3~0.34之间[5],因此再通过比较连通区域的宽高比是否在这范围之内,从而去除太大的连通区域,并对这些区域进行填充。如图8。
此时我们再使用图像减法,用原车牌的二值图像减去去除干扰区域后的车牌图像,得到较为接近的车牌区域,如图9。
可以看出,经过对图像的各方面处理以后,所得的图像已经有很明显的车牌特征,为车牌定位减轻了许多工作。
4、小结
车牌图像预处理是车牌识别系统的基础环节,其结果直接影响后续的车牌识别工作。实际应用中的图像包括各种条件下采集到的不同大小的车牌图像,要尽量消除噪声,提高图像质量,就要选取恰当的图像预处理方法,以提高识别率。本文结合多种图像处理方法来进行车牌图像预处理,实验效果证明,本文的预处理方法能有效地去除图像噪声和多余信息、提高图像质量,便于进行后续的车牌图像识别工作。
摘要：在车牌自动识别系统中,由天气、背景或拍摄等原因造成车牌图像模糊、光照不均等情况,影响车牌识工作。针对这些问题,本文提出了相应的图像预处理方法,能有效地改善图像质量,便于后续的车牌识别工作。
关键词：图像预处理,中值滤波,二值化,数学形态学
参考文献
[1]金辉.车牌定位关键技术研究[D]吉林:吉林大学.2007
[2]朱维仲,董彩平.中值滤波技术及其在图像处理中的应用[J].天津职业技术师范学院学报.2002,12(3):42-44
[3]张宏苹等.矿区大门进出车辆的识别方法[J].工矿自动化.2002,2(1):56-57
[4]何玉明.高速公路收费系统中车牌识别关键技术的研究[D].广东:华南理工大学,2004
车牌图像识别二值化研究 篇8
智能交通是当前交通管理发展的主要方向, 汽车牌照自动识别技术则是智能交通系统的重要组成部分[1], 也是图像处理和模式识别技术研究中的热点。一般来说, 车牌识别过程必须经过三个主要步骤:车牌定位、车牌字符分割、字符的识别。而在分割车牌字符之前又必须对车牌图像进行二值化, 并且其结果的好坏将直将影响字符分割和字符识别系统的性能指标。图像的二值化就是对图像进行阈值化分割, 将图像中目标和背景分离出来, 易于提取目标的一种图像处理技术。图像二值化的关键在于阈值T的选取, 根据阈值T来区分图像中的对象和背景。
针对传统的二值化方法对车牌图像识别效果不好的问题, 本文对全局阈值方法中的Otsu方法和局部阈值方法中的Niblack方法进行比较分析, 然后研究分析基于图像分块的Otsu二值化方法, 发现此方法比前两种二值化方法效果好。
2. Ot s u二值化方法
在理想的情况下, 图像的灰度直方图在两个峰 (分别代表物体和背景) 之间有一个陡的波谷, 这样阈值就可以选为谷底的某一点。但是对大多数实际图像来说, 谷底是很难被检测到的, 尤其是当谷底很平、很宽, 或图像本身充满了噪声, 或是两个峰的高度不平衡, 以至于根本找不出谷的情况下。针对这个问题, Otsu提出了最大类间方差法, 它是在判决分析最小二乘法原理的基础上, 推导得出的自动选取阈值的二值化方法, 其基本思想是将图像直方图用某一灰度值分割成两组, 当两组方差最大时, 此灰度值就作为图像二值化处理的阈值。Otsu阈值法使用范围比较广, 不论图像的直方图有无明显的双峰, 都能得到比较满意的分割效果。
Otsu法是在判断分析最小二乘法原理的基础上推导出的, 是全局阈值二值化方法中最典型的一种, 它的简要原理[2]:设给定图像具有L个灰度级, 阈值设为T, 先统计出图像的灰度直方图, 然后把灰度大于或小于T的像素分为两类, 即类1和类2, 类1中的像素总数为W1 (k) , 平均灰度值为M1 (k) , 方差δ1 (k) ;类2中的像素总数为W2 (k) , 平均灰度值为M2 (k) , 方差为δ2 (k) , 所有图像像素平均值为M, 则类间方差σ2Β和类内方差σ2A, 分别由以下两式决定:
Otsu算法的描述: (1) 求出图像中最大的灰度max-gray; (2) 令T=0; (3) 求出大于和小于k的这两类像素总数和像素的灰度平均值; (4) 计算类间方差σB2和类内方差气σA2; (5) T=T+1, 循环3~5步, 直到T>max-gray; (6) 找出最大的值, 得到相应的阈值T。
该方法速度快, 但是有一些缺点, 如Otsu法的判别准则函数可能呈双峰, 此时, 往往将大量背景错分为字符, 导致无法识别, 并且容易造成车牌边缘断裂现象 (如图1所示, 图1 (b) 为图1 (a) 用Otsu方法进行二值化的结果, 图1 (b) 有明显断裂现象) 。
3. Ni bl ack二值化方法
在许多情况下, 背景的灰度值并不是常数, 前景和背景的对比度在图像中也不固定。当照明不均匀、有突发噪声, 或者背景灰度变化较大时, 必须根据象素的坐标位置关系自动确定不同阈值。由像素的灰度值及其像素点周围的像素局部特性来确定像素的阈值的二值化方法称为局部阈值算法。Niblack方法是一种比较常用的简单有效的局部动态阈值算法, 其基本思想是[3]:对图像中的每一个点, 在它的邻域内, 计算邻域里像素点的均值和方差, 然后计算阈值进行二值化:
其中, 对于每一个像素点 (x, y) , T (x, y) 为该点的闲值, m (x, y) 为该点的r×r邻域内像素点的均值, s (x, y) 为该点的r×r邻域内像素点的标准方差, k为修正系数。如果假设像素点 (i, j) 处的灰度值为, 则m (x, y) 和s (x, y) 的计算公式为:
当图像中存在较多的阴影或者图像灰度变化比较复杂时, 全局阈值方法往往很难得到理想的效果。Niblack方法克服了这种缺陷, 但是, 它却过分夸大了图像的细节, 没有注意到图像的整体效果。在图2中, 图2 (c) 和图2 (d) 分别为图2 (a) 和图2 (b) 用Niblack方法进行二值化后的结果图, 可以看出, 图2 (a) 与图1 (a) 为同一幅图, 对于同样的图, 由于Niblack局部阈值方法比较重视图像的细节, 在解决断裂方面明显比Otsu全局阈值方法有优势;但是由于它过分夸大的图像的细节, 会在二值化的过程中带来噪声 (如图2 (d) 所示) 。
4. 分块二值化方法
由上述实验结果看出, 用Otsu和Niblack, 有些图像会出现裂痕和噪声现象。针对这个问题, 本文研究了基于图像分块的Otsu二值化方法[4], 其基本思想是:将整幅图像等分成多个小块, 大小可根据图像特征设定, 对每个小块分别采取Otsu方法进行二值化, 从而得到各个小块的二值化结果, 再将各个小块的二值化结果组合成车牌图像的二值图像。详细算法如下。
(1) 设图像大小为像素, 将车牌图像分为a行b列, 则所分成小块的大小x×y像素, 其中 (x, y四舍五入取整数) 。
(2) 建一个大小为m×n、值全为零的数组A, 为后面存储二值化后的图像做准备;对已经分好的每个小块的行和列进行扫描, 确定每个小块中行的开始点xbeg、结束点xend和列的开始点、结束点。开始点ybeg和结束点yend的确定方法 (以行为例) :在扫描行的循环中, 先确定开始点xbeg, 其值为1+ (i-1) x;当i的值小于小块的行x时, 结束点xend的值就是ix, 当i的值大于或等于小块的行x时, 说明已经到大图的最后一行, 而此时xend的值便为m。列的开始结束点同此方法。
(3) 根据确定好的行列开始、结束点, 将块内的值取出来存到数组B中, 再对数组B组成的图像进行Otsu二值化, 然后将二值化后的分块图C再次根据确定好的行列开始、结束点存储到事先建好的数组A中, 循环次后, 便可以将所有二值化后的块内的值存储到数组A中, 显示为最后的结果图。分别对图2 (a) 和图2 (b) 进行分块的Otsu二值化, 得到结果图3 (a) 和图3 (b) ;由图3可以看出, 经过这样的二值化方法, 去除了用Otsu二值化方法的断裂现象和用Niblack二值化方法的噪声。
5. 实验结果
实验结果显示, 本文基于图像分块的Otsu二值化方法在去除噪声方面比Otsu二值化方法和Niblack二值化方法有明显优势, 能有效去除字符周围干扰的区域, 保证字符完整性, 消除笔画断裂, 使笔画更加连贯。
摘要：文章针对传统的二值化方法对车牌图像产生断裂和噪声的问题, 分别试验比较了Otsu方法和Niblack方法, 在此基础上研究了一种基于图像分块的Otsu二值化方法, 把图像分为N小块分别进行Otsu, 对每个小块通过不同的阈值进行二值化。实验结果表明, 二值化方法能有效消除断裂和噪声现象。
关键词：智能交通系统,车牌识别,图像处理,二值化,Otsu
参考文献
[1]赵宏, 王丽敏, 王工艺.汽车牌照自动识别中二值化方法的研究[J].应用科技, 2004, 31 (3) :15-17.
[2]乔万波, 曹银杰.一种改进的灰度图像二值化方法[J].电子科技, 2008, 21 (11) :63-65.
[3]吴留生, 陈家新, 黎蔚.基于Niblack的手掌静脉图像二值化技术研究[J].通信技术, 2010, 43 (1) :112-114.
【车牌图像定位】相关文章：
车牌定位的研究意义及背景05-26
基于边缘检测与分层的车牌定位01-14
基于MALAB的车牌定位算法研究02-05
车牌边缘05-27
低质量车牌05-07
视频车牌识别05-24
深圳车牌指标更新07-14
北京车牌租赁协议04-30
莲塘口岸两地车牌申请04-12
车牌识别中字符识别05-04