1、车辆牌照识别技术研究预处理和粗定位模块1摘 要车牌识别技术是识别技术在现代智能交通系统中的一项重要研究课题，是实现交通监控智能化的重要环节。本课题主要研究车牌识别技术中的预处理、粗定位、分割以及最终的字符识别等关键环节的核心技术。本文先说明了车牌识别的意义，现状以及难点，接着介绍了车牌识别技术中的预处理和粗定位模块每个功能点上的算法，并描述了本系统所采用的算法步骤和伪代码，最后总结了本次设计：其中在图像预处理模块首先通过加权平均法将彩色的车牌图像转化为灰度图像，然后通过中值滤波来消除灰度图像的噪声，接着采用OTSU算法找到使得函数获得最大值的灰度阙值，再用全局阙值法对图像进行二值化处理，最后通
2、过Roberts算子进行边缘检测。粗定位模块首先对边缘图像进行扫描，然后，统计跳变点，在水平方向上求和作投影，确定车牌水平区域，接着进行垂直投影，确定车牌垂直区域，最后对获得的图像进行切割。 关于车牌识别的另外两个模块：分割模块首先对于车牌进行角度矫正，然后去除车牌上下边框，接着分割获得单独字符。识别模块既对字符进行识别，并获得车牌识别的最后结果。实验表明，本文所采用的算法对于车牌的灰度处理，滤波处理，二值化及边缘检测具有较好的效果，但在粗定位的算法上还应该再加以改进，识别的正确率有待进一步的提高。不过总体来说，本文在车牌图像的预处理和粗定位上还是具有较好的效果。关键词：车牌预处理；车牌定位；
3、车牌识别车辆牌照识别技术研究预处理和粗定位模块2第一章 绪论1.1 引言车牌识别系统(License Plate Recognition, LPR)是智能交通系统(Intelligent Transportation System，简称 ITS)的一个重要组成部分 1。智能交通系统，又称智能运输系统，源于日本和美国最先开始的大规模道路交通运输智能化研究试验。所谓智能交通系统，就是在现有的交通状况下，充分利用现代高新技术进行合理的交通需求分配和管理，通过卫星导航系统、汽车自动引路系统、交通信息通信系统、视频监控和计算机管理等多种技术手段，使交通系统的通行能力迅速提高，实现安全、快速和便捷运输的一
4、种交通综合治理方案。国际上公认的 ITS 领域有：交通管理系统、出行信息服务系统、商用车辆运营系统、电子收费系统、公共交通运营系统、应急管理系统和车辆控制系统。它使基础交通设施能发挥最大的效能，提高服务质量，从而可以带来巨大的社会效益。车牌识别系统的目的是运用图像处理和模式识别技术在车辆图像中自动定位车牌位置并识别牌照号码。车牌识别系统在桥梁和公路路况自动收费、停车场无人管理、违章车辆自动记录等领域有着广泛的应用。随着机动车辆数量的增多，对车牌识别系统的研究和应用得到越来越多人们的重视。1.2 课题的研究意义为减少交通拥挤、堵塞和事故，改善生存环境，世界各国先后投入了大量的资金和人员加紧研究，
5、以期待在将来的 ITS 市场中占据有利地位。欧洲早在7。年代就开始智能交通的研究，2000 年欧共体推出了 e-Europe 的计划，旨在投入更多人力物力推进 ITS 在欧洲的进程：日本开始道路的智能控制研究较早，早在 70 年代就研制成功了一些道路的控制系统，迄今为止，日本的 ITS 涉及到了车辆导航系统、自动收费系统以及安全驾驶系统等。经过多年的发展，目车辆牌照识别技术研究预处理和粗定位模块3前欧美和日本等一些国家在 ITS 研究和开发方面处于领先地位，美国的一些州区已经采用了成熟的 ITS 技术，这些智能系统每年可以为美国节约大量的资源。近几年，我国道路交通迅猛发展，随之也带来了对智能交
6、通的迫切需求。车牌识别的研究与开发一直是现代化交通发展中倍受关注的问题，也是制约交通系统智能化、现代化的重要因素。智能交通系统己成为当前交通管理发展的主要方向，而车牌识别技术作为智能交通系统的重要组成，起着举足轻重的作用。车牌识别系统具有广泛的应用范围，主要应用于：(1)高速公路收费、监控管理；（2）区、停车场管理；(3)城市道路监控、违章管理；(4)车牌登录、验证； (5)车流统计、安全管理等。车牌识别系统应用于这些系统，可以解决通缉车辆的自动稽查问题，可以解决车流高峰期因出入口车流瓶颈造成的路桥卡口、停车场交通堵塞问题，可以解决因工作人员作弊造成的路桥卡口、高速公路、停车场应收款流失的问题
7、，还可以以最简单的方式完成交通部门的车辆信息联网，解决数据统计自动化，模糊查询的问题。 1.3 国内外研究现状从 20 世纪 90 年代初，国外就已经开始了对汽车牌照自动识别的研究，其主要途径就是对车牌的图像进行分析，自动提前车牌信息，确定汽车牌号。在各种应用中，有使用模糊数学理论也有用神经元网络的算法来识别车牌中的字符，但 由于外界环境光线变化、光路中有灰尘、季节环境变化及车牌本身比较模糊等条件的影响，给车牌的识别带来较大的困难。国外的相关研究有：(l)jBarroso 提出的基于扫描行高频分析的方法；(2)LancasterI.T 提出的类字符分析方法等。.为了解决图像恶化的问题，目前国内
8、外采用主动红外照明摄像或使用特殊的传感器来提高图像的质量，继而提高识别率，但系统的投资成本过大，不适合普遍的推广。车牌识别系统中的两个关键子系统是车牌定位系统和车牌字符识别系统。 关于车牌定位系统的研究，国内外学者已经作了大量的工作，但实际效果并不是很理想，比如车牌图像的倾斜、车牌表面的污秽和磨损、光线的干扰等车辆牌照识别技术研究预处理和粗定位模块4都是影响定位准确度的潜在因素。为此，近年来不少学者针对车牌本身的特点，车辆拍摄的不良现象及背景的复杂状况，先后提出了许多有针对性的定位方法，使车牌定位在技术和方法上都有了很大的改善。然而现代化交通系统不断提高的快节奏，将对车牌定位的准确率和实时性提
9、出更高的要求。因而进一步加深车牌定位的研究是非常必要的。 车牌字符识别是在车牌准确定位的基础上，对车牌上的汉字、字母、数字进行有效确认的过程，其中汉字识别是一个难点，许多国外的 LPR 系统也往往是因为汉字难识而无法打入中国市场，因而探寻好的方法解决字符的识别也是至关重要的。目前己有的方法很多，但其效果与实际的要求相差得很远，难以适应现代化交通系统高速度、快节奏的要求。因而对字符识别的进一步研究也同样具有紧迫性和必要性。从实用产品来看，如以色列的 Hi-Tech 公司研制的多种 See/Car system，适于几个不同国家的车牌识别，就针对中国格式车牌的 See/Car system。而言，
10、它不能识别汉字，且识别率有待提高。新加坡 Optasia 公司的 VLPRS 产品，适合于新加坡的车牌，另外日本、加拿大、德国、意大利、英国等西方发达国家都有适合于本国车牌的识别系统。从目前一些产品的性能指标可以看出，车牌识别系统的识别率和识别速度有 待提高。现代交通的飞速发展以及车牌识别系统应用范围的日益拓宽给车牌识别系统提出了更高的要求。因此，研究高速、准确的定位与识别算法是当前的主要任务，而图像处理技术的发展与摄像设备、计算机性能的提高都会促进车牌识别技术的发展，提高车牌识别系统的性能。1.4 车牌识别技术中的难点车牌识别系统对于自然环境下的图片识别的识别率远远低于实际应用要求。而区别实
11、验环境，自然环境下的车牌有以下几个特点 2：(1)车牌缺乏统一标准。由于我国车牌规范不够，不同汽车类型有不同的规格、大小和颜色，所以车牌的颜色多，且位数不统一，增加了灰度图像二值化、车牌字符分割的难度。车辆牌照识别技术研究预处理和粗定位模块5(2)车牌受污损或遮挡。由于车辆长期在户外行驶，车牌容易被腐蚀，导致字符模糊不清，对光线散射性不好，极大的影响识别的准确率。而当车牌被遮挡，也会提高车牌定位以及车牌字符分割的难度。(3)车牌背景也影响到定位的准确率。例如与车牌类似的广告语。(4)拍摄车牌时的角度和光线。摄像角度越小，车牌在平面图像中变形越小，识别效果越好。拍摄角度的不同对车牌字符分割影响较
12、大，对车牌校正的能力要求较高。而拍摄时的光线选择，则导致车牌图像的亮度不均，增加了对车牌图像二值化的难度。另外，车牌识别系统在于识别速度和识别成功率之间的平衡，也是一大难点。1.5 课题研究、开发的内容任务与目标1.整体软件的目标：实现从图片库中读入一张车辆图像，然后对图像进行预处理，二值化等步骤将车牌从整张图像中精确定位出来，然后进行字符分割，特征提取，模式匹配等字符识别步骤。最终将车牌以字符串形式通过一个对话框形式输出。整个设计分为两个模块：(1)车牌识别的预处理工作和粗定位工作，(2)车牌的字符分割及车牌字符识别模块。2.车牌识别的预处理 13 14和粗定位 17模块的目标：该模块主要提
13、供以下功能：读入一张车辆图像，对该图像进行图像灰度化,中值过滤,灰度图像二值化.。再按照一定的算法对预处理后的车牌图像进行边缘检测,确定边缘点,牌照定位处理，得到粗定位后的图像。截取粗定位图像,并将该图像传给字符识别模块处理。车辆牌照识别技术研究预处理和粗定位模块6第二章 车牌预处理2.1 图像的灰度化在 RGB 模型中，如果 时，则彩色表示一种灰度颜色，其中BGR的值叫做灰度值，因此，灰度图像每个像素只需一个字节存放灰度值BGR（又称强度值、亮度值） ，灰度范围为 0-255。一般有以下四种方法对彩色图像进行灰度化 3：1.分量法将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用
14、需要选取一种灰度图像。(2-1),(),(1jiRjif),(),(2jiGjif),(),(3jiBjif其中 为转换后的灰度图像在 处的灰度值。3,k ,2.最大值法将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。(2-2),(,),(max),( jiBGjiRjif3.平均值法将彩色图像中的三分量亮度求平均得到一个灰度图。(2-3)3),(,),(),( jijijijif 4.加权平均法根据重要性及其它指标，将三个分量以不同的权值进行加权平均 16。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对 RGB 三分量进行加权平均能得到较合理的灰度图像。(2-4),(1.0),
15、(59.),(3.0),( jiBjiGjiRjif 本课题采用现行通用的加权平均法，具体实现方法为：1获取每个像素点的 RGB 值；车辆牌照识别技术研究预处理和粗定位模块72通过公式 Y=0.3R+0.59G+0.11B 获取 YUV 色彩模型上 Y 分量；3令原图像 RGB 分量都为 Y；4获得灰度图像。相应的伪代码为：FOR i = 0 to width-1FOR j = 0 to height-1 #遍历图像所有的像素点color = getPixel(i,j) #获得点 处的像素),(jiy BcolrGcolrRcolr .1.059.03. #通过加权平均法获得新的像素分量 ys
16、etPixel(i,j,color(y,y,y)#用新的像素分量代替原来的 RBG 分量ENDEND处理结果如图 2-2 示例： 图 2-1 车牌原图车辆牌照识别技术研究预处理和粗定位模块8图 2-2 灰度化后的图像2.2 图像的滤波由于图像本身存在许多噪声，所以通过图像滤波来清除噪声，引起噪声的原因有：在摄像时，由于光学系统失真，相对运动，大气流动等都会使图像模糊。再如传输过程中，噪声污染图像，或者使机器从中提取的信息减少甚至造成错误，因此必须对降质图像进行改善。改善的办法有两类：一类是不考虑图像降质的原因，只将图像中感兴趣的特征有选择地突出，而衰减其不需要地特征，故改善后的图像不一定要逼近
17、原图像。这类图像改善方法统称为图像增强技术。另一类改善图像方法是针对图像降质原因，设法去补偿降质因素，从而使改善的图像尽可能地逼近原图像，这类图像改善方法统称为图像复原技术。图像处理的目的是为了将感兴趣的目标突出，因而要采用图像增强技术来提高图像的质量。图像增强技术有两类方法：空域法和频域法。空域法主要是在空间域内对图像灰度值运算处理。频域法是在图像的某种变换域内，对图像的变换值进行运算。这是一种间接的处理方法。对车牌图像进行处理，通常采用空域法对车牌图像进行滤波，目的是去除车辆牌照识别技术研究预处理和粗定位模块9图像中的噪声，通常使用下面 3 种方法 4：线性滤波、中值滤波和自适应滤波。1线
18、性滤波线性滤波 18可以去除图像中某些类型的噪声，如采用邻域平均法的均值滤波器就非常适合于去除通过扫描得到的图像中的颗粒噪声。邻域平均法对于给定的图像 中的每个像素点 ，取其邻域 S。设 S 含),(jif ),(nm有 M 个像素，取其平均值作为处理后所得图像像素点 处的灰度。用一个像素邻域内各像素灰度平均值来代替该像素原来的灰度，即使用邻域平均技术。邻域 S 的形状和大小根据图像特点确定。一般取的形状是正方形、矩形及十字形等，S 的形状和大小可以在全图处理过程中保持不变，也可根据图像的局部统计特性而变化，点 一般位于 S 的中心。如 S 为 的邻域，点 位),(nm3),(nm于 S 中心
19、，则：(2.5)11),(9),(ij jnimff假设噪声 n 是加性噪声，在空间各点互不相关，则经过邻域平均后，噪声的均值不变，方差变为原来的 1/M，即噪声方差变小，说明噪声强度减弱，即抑制了噪声。同时可以看出领域平均法可能使图像目标区域的边界变得模糊。可以证明，对图像进行邻域平均处理相当于图像信号通过一个低通滤波器。2中值滤波 10中值滤波是一种非线性信号处理方法，它被用来抑制图像中的噪声。对于给定的 n 各数值 ，将它们按大小有序排列，当 n 为奇数时，位于),(21na中间位置的那个数值称为这 n 各数值中值；当 n 为 偶数时，位于中间位置的两个数值的平均值称为这 n 个数值的中
20、值，记为 med 。中值滤波就),(21na是这样的一个变换，图像中值滤波后某像素的输出等于该像素邻域中各像素灰度的中值。中值滤波器可以推广到二维，即对二维图像操作。二维中值滤波的窗口形状和尺寸对滤波效果影响较大，不同的图像内容和不同的应用要求，往往采用车辆牌照识别技术研究预处理和粗定位模块10不同的窗口形状和尺寸。常用的窗口形状有线状、方形、圆形、十字形以及圆环形等，窗口的尺寸一般先用 3 再取 5 逐点增大，直到其滤波效果满意为止。一般对于有缓变的较长轮廓线物体的图像，采用方形或圆形窗口为宜，对于包含有尖顶角物体的图像，适宜用十字形窗口。而窗口大小则以不超过图像中最小有效的细线状物体为宜，
21、如果图像中点、线、尖角细节较多，不宜采用中值滤波。3自适应滤波利用 matlab 提供的图像处理工具箱中的 wiener2 函数，可对有恒定能量加性噪声的图像进行低通滤波，根据每个像素局部领域的估计进行像素式自适应维纳滤波，可使得图像在整体上较为平滑。Wiener2 函数根据图像的局部方差来调整滤波器的输出，当局部方差大时，滤波器的平滑效果较小，滤波器平滑效果强。Wiener2 函数通常对于含有白色噪声的图像滤波效果较好。为了抑制噪声,通常会采用低通滤波 19，但由于边缘轮廓也包含大量的高频信息,所以采用低通滤波在过滤噪声的同时，也使得边界变得模糊；反之，低通滤波后为了提升边缘轮廓，还需要使用
22、高通滤波，这时存在的噪声也会被加强，为了在过滤噪声的同时，还能很好的保护边缘轮廓信息，所以本课题采用中值滤波。具体实现方法为：1获取每个像素点的 RGB 值，由于经过灰度化，所以 ；BGR2通过一个 的像素块存储每个像素点以及它周围像素的 R 分量值；33获取像素块中数据的中值；4另像素点的 RGB 分量等于 3 中获得的中值；5获取通过中值滤波的灰度图像。相应的伪代码为：FOR i = 0 to width-1FOR j = 0 to height-1 #遍历图像所有的像素点FOR k= -1 to 1FOR n = -1 to 1 #遍历当前点周围的 矩阵3车辆牌照识别技术研究预处理和粗定
23、位模块11color = getPixel(i+k,j+n)dtm=color.rm+ENDENDsort(dt) #对 dt 数组进行排序rr= dt(int)(m/2) #获取数值所有存储数据的中值setPixel(i,j,color.FromArgb(rr,rr,rr)#将当前点像素设置为 矩阵中值3ENDEND处理结果如图 24 所示,通过比较图 2-3 与图 2-4,可以看出,经过滤波处理能够较好的去除噪声：图 2-3 滤波前的图像车辆牌照识别技术研究预处理和粗定位模块12图 2-4 经过中值滤波处理的灰度图像2.3 图像的二值化由于在实际的图像处理系统中，要求处理的速度高，成本低，
24、而灰度图像的信息量还是过大，所以一般要将灰度图像转化为二值图像。此外，二值化 15后的图像能够用几何学的概念进行分析和特征描述，比灰度图像的优势大得多。图像二值化得关键在于阈值 T 得选取，根据阈值 T 来区分图像中得对象和背景。设原始灰度图像为 ，变换后为二值图像为 ，则二值化得过),(jif ),(jig程表示为：（26）Tjifjifjig),(,),(,10),(根据阈值选取情况，又分为全局阈值、局部阈值和动态阈值。全局阈值法根据图像得直方图或灰度空间分布确定一个阈值。以此实现灰度图像到二值图像得转化。典型得全局阈值方法包括 OTSU 方法，最大熵方法等，全局阈值法算法简单，对于目标和
25、背景明显分离、直方图分布呈双峰得图像效果良好，但其对于由于光照不均匀、噪声干扰较大等原因使直方图分布不呈双峰得图像，车辆牌照识别技术研究预处理和粗定位模块13二值化效果明显变差；局部阈值通过定义考察点得邻域，并由邻域计算模板，实现考察点灰度与邻域点比较。非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，从而使得局部阈值法比全局阈值法由更广泛的应用，Bernsen 算法是一种典型的局部阈值法；动态阈值法是一种自适应的二值化方法，它是利用像素自身及其邻域灰度变化的特征。由于充分考虑了每个像素邻域的特征，能够更好的突出背景和目标的边界。本文在下面讨论几种阈值化方法的特点和优缺点：
26、1最优阈值所谓最优阈值是指能使误分割率最小，分割效果最佳的阈值。设迭加高斯噪声的图像中背景和目标像素的概率分布分布是 和 ，则整个图像的)(zpbo混合概率密度是：ObPzpz)()(2-7)2)(exp2)(ex22 oobb zP其中 和 分别是背景和目标区域的灰度均值， 和 分别是背景和目o bo标区域关于均值的均方差， 和 分别是背景和目标灰度值的先验概率。可以bPo证明在目标和背景区域的噪声产生原因相同的情况下，最优阈值可以通过下式来确定：(2-8) )ln(2)(2bobobPT车牌图像中目标和背景像素的先验概率虽然可以大致确定，但是各自的灰度分布概率密度并不能完全知道，在这个情况
27、下，上面的公式也只具有理论上的指导意义。2OTSU 法该算法由 Otsu N 于 1979 年提出，又称最大类间方差法。对一副图像，记T 为前景与背景的分割阈值，前景点数所占比例为 ，平均灰度为 ，背景OWO点数所占比例为 ，平均灰度为 ，则图像的总平均灰度可以表示为：bWb车辆牌照识别技术研究预处理和粗定位模块14(2-9)boW从最小灰度值到最大灰度值遍历 T，当 T 使得值式：(2-10)22)()(bog取得最大值时的 T 即为最佳分割阈值。对 OTSU 法可作如下理解： g 实际上就是类间方差值，阈值 T 分割出的前景和背景两部分构成了整幅图像，因方差时灰度分布均匀性的一种度量，方差
28、值越大，说明构成图像的两部分差别越大，当部分目标像素被错分为背景或部分背景像素错分为目标，都会导致两部分差别变小，因此类间方差最大的分割意味着错分概率最小。3Bernsen 算法考虑 为中心的 模板，则 Bernsen 算法可以简单的描述),(yx)12()(w为：(1)计算每点阈值：(2-11) WlkWlk lyxflyxfyxT ),(min),(ma5.0),(2)计算二值图像：(2-12),(),(, ,10),( yxTyxffyxb这一算法的优点是不需要经验值，自适应强，实用性好。但是它有其实现速度慢，容易出现伪影现象和笔画断裂现象的缺点。针对伪影 Bernsen 认为可以采用以
29、下方法解决：对原图像作均值滤波去噪声；计算去噪图的边缘（如Sobel 边缘） ；去除边缘值小于某阈值 的点。这样处理在一定程度上可以解决PT伪影问题，但是如果图像噪声严重，效果仍然不会很好。本课题采用了 OTSU 法，具体实现过程如下：1求出每个灰度所占百分比；2求出灰度均值；3求助灰度类均值和直方图和，分别计算每个灰度的函数值；4获得使函数值最大的灰度值，即阈值；车辆牌照识别技术研究预处理和粗定位模块155通过阈值对灰度图像进行二值化处理。相应的伪代码为：FOR i = 0 to width-1FOR j = 0 to height-1 #遍历图像所有的像素点color = getPixel
30、(i,j)arrayi,j=color.r#通过数组存储每个点的像素ttr-1+; #累加计算每个像素点的个数ENDENDFOR m = 0 to 255pm=ttm/(width*height) #求每个灰度值所占的百分比ENDFOR n = 1 to 255u+=(n-1)*pn #求灰度均值ENDFOR i = 1 to 255 #遍历所有像素uui=uui-1+(i-1)*pi #每个像素的灰度类均值wi=wi-1+pi #每个像素的直方图和bi=(u*wi-uui)* (u*wi-uui)/(wi*(1-wi)#每个像素的函数值ENDmaxb(b) #获得使函数值最大时的灰度值FOR
31、 i = 0 to width-1FOR j = 0 to height-1 #遍历图像所有的像素点color = getPixel(i,j)IF c.r maxb(b)-1sexPixel(i,j, color.FromArgb(255,255,255)ELSE车辆牌照识别技术研究预处理和粗定位模块16sexPixel(i,j, color.FromArgb(0,0,0)ENDEND #通过阈值对图像进行二值化处理结果如图 26 所示：图 2-5 经过二值化前的灰度图像图 2-6 二值化后的图像车辆牌照识别技术研究预处理和粗定位模块172.4 图像的边缘检测图像的分割的一种重要途径是通过边缘
32、检测，即检测灰度级具有突变的地方，表明一个区域的终结，也是另一个区域开始的地方，这种不连续性称为边缘。边缘检测不仅用于图像分割，也是纹理分析等其他图像分析的重要信息源和形状特征基础。需要说明的是：边缘与物体间的边界并不等同，边缘指的是图像中像素值有突变的地方，而物体的边界指的是现实场景中的存在于物体之间的边界。一幅图像中，有可能有边缘的地方并非边界，也有可能物体的边界在图像中不成为边缘，这是因为现实中的物体是三维的，而图像只有二维信息，从三维到二维的投影成像不可避免的会丢失一部分信息；另外成像过程中的光照和噪声也是不可避免的重要因素。根据车牌的区域特征，在利用车牌区域存在较丰富的竖向纹理特征进
33、行车牌定位时，需要提取车牌区域的边缘信息。从而要对二值图像进行边缘检测。经典的边缘提取方法是考察图像的每个像素在某个领域内的变化，利用边缘邻近一阶或二阶方向导数变化规律检测边缘。这种方法为边缘检测局部算子法。边缘的种类分为两种：一是阶跃边缘，它两边像素的灰度值有着显著的不同；一是屋顶边缘，它位于灰度值从增加到减少(或从减少到增加)的变化的转折点。边缘检测算子检查每个像素的领域并对灰度变化率进行量化，通常也包括方向的确定。有若干种方法可以使用，其中大多数是基于方向导数掩模求卷积的方法。下面我们将介绍几种常用的边缘检测方法 11：1Laplace 算子：考虑二阶差分并将其写成模板格式来表示。(2-
34、13)222),(yfxyf),1(),(, yxfffx 车辆牌照识别技术研究预处理和粗定位模块18(2-14),1(),(2),1( yxfyfxf 写成模板格式就是： 1 -2 1同样， 可以简化为：1 -2 1T),(fy有 和 可形成 4 邻域和 8 邻域内的无方向性算子：xLaplace4 邻域算子：Laplace8 邻域算子：Laplace 算子是二阶微分算子，具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变，对噪声比较敏感，图像在进行边缘检测前需进行滤波处理。2.Roberts 算子Roberts 算子是一种利用局部差分算子寻找边缘的算子，它由下式给出：(2-15)2
35、/12 ),(),1()1,(),(),( yxfxfyxfyfyxgRoberts 算子边缘定位准确，但是对噪声敏感，适用于边缘明显而且噪声较少的图像。其模板为：3.Prewitt 算子Prewitt 算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。但是像素平均相当于对图像的低通滤波，所以 Prewitt 算子对边缘的定位不如 Roberts算子。其模板为：4.Sobel 算子下面两个模板所示的两个卷积形成了 Sobel 边缘算子。图像中每个点都用这车辆牌照识别技术研究预处理和粗定位模块19两个核做卷积。一个核对通常的垂直边缘响应最大而另一个核对水平边缘响应最大。两个卷积的最大值作为该点
36、的输出值。运算结果是一幅边缘幅度图像。Sobel 算子和 Prewitt 算子都是加权平均，但是 Sobel 算子认为，邻域的像素对当前像素产生的影响不是等价的，所以距离图像的像素具有不同的权值，对算子结果产生的影响也不痛。一般来说，距离越大，产生的影响越小。通过比较边缘算法，本课题采用 Roberts 算子进行边缘检测，具体实现过程如下：1获取每个像素点的 RGB 值，由于经过灰度化，所以 ；BGR2获取当前像素点以及邻近的 4 个像素点；3通过 2-15 的公式进行边缘检测，获得新的像素分量 RR。4另每个像素点的 RGB 分量为 RR。5获取新的边缘检测图像。相应的伪代码为：FOR i
37、= 0 to width-1FOR j = 0 to height-1 #遍历图像所有的像素点c1 = getPixel(i,j)c2 = getPixel(i,j+1)c3 = getPixel(i+1,j)c4 = getPixel(i+1,j+1) #获取当前点的 4 个像素点fxr=c1.r-c4.rfyr=c3.r-c2.rrr=abs(fxr)+abs(fyr)+128if (rr 128) rr = 255;setPixel(i, j, Color.FromArgb(rr, rr, rr);ENDEND车辆牌照识别技术研究预处理和粗定位模块20处理结果如图 210 所示。 （图
38、2-7，图 28，29，210 分别为边缘检测前的图像，Laplace4 邻域算子，Sobel 算子，Roberts 算子。 ）图 2-7 边缘检测前的图像车辆牌照识别技术研究预处理和粗定位模块21图 2-8 Laplace4 邻域算子后的边缘检测图 2-9 Sobel 算子后的边缘检测车辆牌照识别技术研究预处理和粗定位模块22图 2-10 Roberts 算子后的边缘检测车辆牌照识别技术研究预处理和粗定位模块23第三章 车牌粗定位3.1 车牌定位的方法介绍为了准确、快速地定位车牌，人们提出了许多定位算法。其中大部分算法是根据车牌的特征而设计的，目前所利用的车牌特征主要有：1车牌区域内边缘灰度
39、直方图的统计特征：车牌区域内的边缘灰度直方图具有两个明显且分离的分布中心；2车牌的几何特征：即车牌的高、宽和高宽比相对固定；3车牌区域的灰度分布特征：通过观察穿过车牌的水平直线，会发现其灰度呈现连续的峰、谷、峰的分布；4车牌区域水平或垂直的投影特征：车牌区域水平或垂直的投影也呈现连续的峰、谷、峰的分布；5车牌的形状特征和字符的排列格式特征：车牌有矩形边框：字符位于矩形框中且有间隔；6频谱特征：对图像做行或列的 DFT 变换，其频谱图中包含了车牌的位置信息。除此以外，基于人工神经网络、小波变换以及数学形态学 5的车牌定位方法也取得了很好的效果。下面介绍这些算法。1直接法直接法 6大多是根据车牌的
40、形状、灰度分布特性等特点来检测车牌。其中，频率法是直接法中的一个典型定位算法。频率法是一种基于字符和背景变化频率的投影定位方法，它结合车牌的先验知识，在图像中定位车牌。车牌的先验知识主要有以下 3 个：（1）由于摄像机与汽车的距离基本固定，而实际车牌的大小又基本相同，所以在图像中车牌的大小是一个特征量；（2）车牌有边界，边缘检测时会有边缘存在；（3）车牌中一般有 7 个字符，笔画存在边缘。车辆牌照识别技术研究预处理和粗定位模块24车牌的搜索方法如下：1、对图像作垂直投影，然后从下向上搜索投影值，因为图像中车牌以下部分的灰度值较低，且灰度分布相对均匀，经过滤波、二值化和边缘检测后基本变为 0.考
41、虑到实时性的要求，搜索是跳跃前进的；2、当搜索到的 0，1 变化频率大于某一定值 T，且跳跃距离（即两个 “0”或两个“1”之间的距离）在规定的范围内，则可认为可能找到车牌的下沿了，记下第一次搜索到“1”时的横坐标 和该行纵坐标 。此时，步进值改为 1，1x1y以便实现精确搜索；3、继续搜索上边各行，检查是否也满足投影值大于 T 的条件，直到找到不满足条件的行，就认为可能是车牌的上边沿，记下它的下一行的最后搜索到“1”的横坐标 和该行纵坐标 ;2x2y4、计算该可能车牌的高： ，再计算其宽度： ，得出12yH12xW其宽高比 ，若 R 局限于 3 个一个领域内，则表明找到了车牌，否则继续W搜索
42、；5、根据上述步骤完成定位，分割出车牌。定值 T 取为 13，因为车牌中有 7 个字符，左右边缘至少应该有 个，1427边缘检查后每行应该至少有 13 次“0”到“1”的变化。频率提取法简单实用，在干扰少以及车牌倾斜角度小的情形下车牌定位效果较好。2多分辨率方法所谓多分辨率方法 78，就是在低分辨率的图像上大致确定出牌照的位置，然后在高分辨率的图像上做出精确的定位，这样可以有效的减少计算量。汽车本身具有一定的特点，在一般情况下，牌照都挂在缓冲器上或附近。只要确定缓冲器的位置，就能得到车牌的大致位置。本算法中输入图像为未进行边缘检查的灰度图像。具体算法如下：（1）将输入图像划分成一系列大小相同的
43、子图像（ ） ，每个子图像21K车辆牌照识别技术研究预处理和粗定位模块25的灰度均值为(3-1)12),(),(kijjifKyxg其中， 为子图像中心坐标。这样就把高分辨率图像 变换成为低, ),(yxf分辨率子图像 ；)(yxg（2）对低分辨率图像，将其像素沿水平方向累加，得到一个投影表 ；)(iT（3）由于汽车的缓冲器位于车轮上方，缓冲器至车轮底部这部分的平均灰度比缓冲器至缓冲器以上部分的平均灰度要暗一些。这样，就会在图像中呈现出一条明显的边界，在投影表 中反映为陡变的边沿。因此，只要能从)(iT表中找到这样一个边沿，便可定出缓冲器的位置；)(iT（4）程序中自下而上检测投影表 的波峰
44、T(M)和波谷 T(m)。当波峰和)(i波谷第一次满足(3-2)式时，则认为检测到了缓冲器的位置，从而可以间接定位车牌。且 (3-2)mMT)()( )()(2mMT3基于颜色的车牌定位方法基于颜色的车牌定位方法 9不进行图像转换、图像增强以及二值化等一系列预处理。此算法中，输入为彩色汽车图像，输出为提取的牌照图像。其算法步骤如下：（1）输入彩色汽车图像 I；（2）用彩色边缘检测算子 ColorBoundary 计算二值边缘图像 ；bI（3）选择结构元素 SE，对 采用形态学方法来得到候选车牌区域；bI（4）根据车牌的先验知识，对候选车牌区域进行分析与分解，以确定真正的车牌区域，进而提取车牌。
45、3.2 图像的粗定位本文采用的是基于边缘特性的车牌定位算法，这种方法主要有关键的两步：车辆牌照识别技术研究预处理和粗定位模块26水平定位和垂直定位。具体实现如下：1水平定位(1)对边缘图像从下向上扫描，统计每一行灰度值跳变的次数，记下跳变值；(2)记下跳变值大于 T（有车牌先验知识获得，另 T20）的行；(3)从下向上遍历所有记录的行,获取所有连续的行,并记录连续度为40(车牌高度大于 40)以上的行,行坐标记为 BOTTOM(4)以 BOTTOM 坐标向上搜索，直到找到不满足 T 的横坐标记为TOP；(5)对获得的坐标进行微量调整。处理结果如图 32 所示：相应的伪代码为：FOR i = h
46、eight -1 to 0result=0 #计量器;FOR j = 0 to width -1#从下向上遍历图像所有的像素点color = getPixel(i,j)IF color.r = = 0result+;ENDIF result =20pzn=in+ #用数组存储满足条件的行坐标ENDFOR m = 0 to n #遍历满足条件的行号数组 resultFor k = m+1 to resultk-1 resultk != 1#搜索连续行ENDIF k m 40 #判断连续度BOTTOM = resultm车辆牌照识别技术研究预处理和粗定位模块27TOP = kENDm = kEND
47、BOTTOM=BOTTOM+10TOP=TOP 10 #进行微量调整图 3-1Roberts 算子后的边缘检测图 3-2 水平定位后的图像2垂直定位(1)对边缘图像从左向右扫描，统计每一行灰度值跳变的次数，记下跳变值；(2)记下跳变值大于 T 的行；车辆牌照识别技术研究预处理和粗定位模块28(3)找到纵坐标最小且连续值较大的行，坐标记为 LEFT；(4)以 LEFT 坐标向右搜索，直到找到不满足 T 的横坐标记为 RIGHT；(5)对获得的坐标进行微量调整。相应的伪代码为：FOR i = 0 to width -1count=0 #计量器;FOR j = 0 to height -1#从左向右
48、遍历图像所有的像素点color = getPixel(i,j)IF color.r = = 0count+;ENDIF count =20pzn=in+ #用数组存储满足条件的行坐标ENDflag = 0 #用 0 表示未找到左边界,FOR m = 0 to n #遍历满足条件的行号数组 resultFor k = m+1 to resultk-1 resultk != 1#搜索连续行ENDIF k m 4 编程环境:Visual Studio2005/2008;图像格式:Windows下的BMP 格式.4.2 实验结构与功能图 4-1 车牌识别预处理和粗定位模块结构图从图 4-1 可以看出，本文的车牌识别预处理和粗定位模块主要由五个部分组成，即:灰度化、滤波处理、二值化、边缘检测、车牌粗定位。从总体看，这其中的每一部分是车牌识别预处理和粗定位模块过程的一个步骤，但从局部而言，它们其中任何一部分都可以作为一类方法来研究。1由于彩色图像包含大量的颜色信息，在对这样的彩色图像进行处理时会车牌识别预处理和粗定位模块灰度化 滤波处理 二值化 边缘检测 车牌粗定位
