车牌识别毕业论文 - 图文(4)

测边缘。边缘提取的，最大好处就是能够突出边缘区域，并使背景图像中无关的部分暗淡。车牌部分是边缘相对集中的区域，在对其边缘分割后，可看到车牌部分很明显的突现出来。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。常用的边缘检测方法有Sobel算子、Roberts算子、Prewitt算子等。

1. Roberts算子

Roberts算子是最古老的算子之一，是一种交叉差分算子。由于它只使用当前像素的2×2邻域，是最简单的梯度算子，所以计算非常简单。Roberts算子计算时利用的像素一共有4个，可以用模板对应4个像素与模板相应的元素相乘相加得到。

Roberts算子边缘定位准，主要缺点是其对噪声的高度敏感性，原因在于仅使用了很少的几个像素来近似梯度。实用于边缘明显且噪声较少的图像分割。因此，通常用3×3的邻域计算梯度值。

2. Sobel算子

采用梯度微分锐化图像，同时会使噪声、条纹等得到增强，Sobel算子则在一定程度上克服了这个问题。Sobel算子不像普通梯度算子那样用两个像素的差值，这就导致了两个优点：

1）由于引入了平均因素，因而对图像中的随机噪声有一定的平滑作用； 2）由于它是相隔两行或两列之差分，故边缘两侧元素得到了增强，边缘显得粗而亮。 3.Prewitt算子

Prewitt算子进行计算时要用到9个像素。对于每个方向的梯度，可以用模板对应的9个像素与模板相应的元素相乘相加得到，其计算过程与Roberts算子类似。

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进行低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。

4. Canny算子

Canny算子是基于图像一阶导数特性的效果最佳的边缘检测算法。Canny算法其实是在边缘检测的过程中引入了一些边缘连接的思想，所以其效果比较理想。

Canny算子的基本原理是通过查找图像梯度强度局部的最大值的方法来得到边缘信息，图像梯度的计算采用Gauss滤波器。为了消除噪声干扰、提高边缘检测的精度，Canny算子采用双阈值来提取边缘点。高阈值用于提取对比度较强的边缘像素点。如果梯度强度不满足高阈值的检测条件，但是与已检测出的较强边缘点相连接，并且满足低阈值条件，则确定为弱边缘点。双阈值法使Canny算子提取的边缘点更具有鲁棒性。

利用Canny算子检测图像边缘的关键是选取适当的Gauss滤波器参数以及双阈值。Gauss滤波器的标准差σ参数影响着边缘提取的尺度，σ越小，边缘的定位精度越高，但是不能有效地抑制虚假边缘和噪声；σ越大，对小尺度边缘和噪声点的抑制越强，同时降低定位精度。

5. Laplacian算子

为了突出增强图像中的孤立点、孤立线或孤立端点，在某些实际用途中常采用Laplacian算子，这个算子是旋转不变算子。以上四种算子为一阶算子，而Laplacian算子为二阶算子。Laplacian算子是近似只给出梯度幅值的二阶导数的流行方法。通常使用3×3的掩模，根据邻域不同可以分为4邻域和8邻域。

Laplacian算子对于边缘比较敏感。一般增强技术对于陡峭的边缘和缓慢的边缘很难确定其边缘线的位置，此算子可以用二次微分正峰和负峰之间的过零点来确定。

Laplacian算子对噪声比较敏感，所以图像一般先经过平滑处理。因此Laplacian算子通常与平滑算子结合使用来对图像进行分割。Laplacian算子的一个缺点是它对图像中的某些边缘产生双重响应。

2.8特征提取技术

2.8.1纹理特征提取技术

纹理是图像分析和识别中常用的概念，但目前尚无对它正式的定义，一般说来可以认为纹理是由许多相互接近的、相互编制的元素构成，并常富有周期性。也 可以认为是灰度在空间以一定的形式变化而产生的图案。

主要方法是灰度直方图统计法。直方图是图像窗口中，多种不同灰度的像素分布的概率统计。纹理是像素灰度级变化具有空间规律性的视觉表现。因此，可以根据灰度的规律性变化来找到图像中的纹理特征。

2.8.2形状和结构特征提取技术

对于一个图像识别系统而言，物体的形状是一个赖以识别的重要特征。一个图像的形状和结构特征有两种形式，一种是数字特征，主要包括几何属性和拓扑属性；另一种是句法语言。

由于我们感兴趣的是图像的形状和结构特征，所以其灰度信息往往可以忽略，只要能将目标和背景分离即可，常用的一种技术就是图像的二值化。将感兴趣的部分标以最大灰度级，把背景标以最小灰度级。

2.9 本章小结

本章主要介绍了有关系统开发的基础知识和相关算法。这些知识对系统的设计起到了一定的参考作用，也有利于对系统的理解。

第三章 车牌的特征及识别相关技术

3.1．汽车牌照的特征

汽车牌照作为车辆的唯一标识，其特征也就成为车牌定位的重要参考依据。车辆牌照的特征有形状特征、字符特征和灰度变化特征等。车牌定位系统在处理这些特征时将会应用到数字图像处理技术。 (1 )形状特征

标准车牌的宽、高、以及宽高比一定。车牌的边缘是线段围成的有规则的矩形，大小变化有一定的范围。汽车前车牌的标准外轮廓尺寸为440xl4O，每个字符宽度为45，高度为9O，间隔符宽10，字符间隔l2。整个车牌的宽高比近似为3：1。实际中摄像机的拍摄角度不同，拍摄到的车牌宽高比例会有所差别。 (2 )字符特征

标准车牌首位为省名简称，共有31个字符(不考虑军、警车)；次位为英文字母(除去“I”)共25个英文大写字母，再次两位为英文字母或阿拉伯数字(字母除去字母“I”和字母“O”)，各有34个字符；最末三到四位均为数字。 (3 )灰度变化特征

车牌的底色、边缘颜色以及车牌外的颜色都是不相同的，表现在图像中就是灰度级互不相同，这样在车牌边缘形成了灰度突变边界。实际上，车牌的边缘在灰度上的表现是一种屋脊状边缘，在车牌区域内部，穿过车牌的水平直线其灰度呈现连续的波峰、波谷、波峰的分布，车牌区域内的边缘灰度直方图具有两个明显并且分离的分布中心，车牌区域内的水平和垂直投影呈现连续的波峰、波谷、波峰的分布。这部分特征主要用在对灰度图像进行车牌定位、字符分割方面。

3.2车牌定位方法

车牌图像往往是在复杂的环境中拍摄得到的，车牌由于与复杂的车身背景融为一体，由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同，车牌在图像中往往有很大的形变，如何在复杂背景中准确、快速找出车牌的位置成为车牌识别中的难点。

目前已有不少学者在这方面进行了研究，总结起来主要有如下几类方法[9]： (1)基于水平灰度变化特征的方法，这种方法主要在车牌定位以前，需要对图像进行预处理，将彩色图像转换为灰度图像，利用车牌区域水平方向的纹理特征进行车牌定位；

(2)基于边缘检测的定位方法，这种方法是利用车牌区域丰富的边缘特征进行车牌定位，能够进行检测的方法有多种，如Roberts边缘算子、Prewitt算子、Sobel算子以及拉普拉斯边缘检测；

(3)基于车牌颜色特征的定位方法，这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位；

(4)基于Hough变换的车牌定位方法，这种方法是利用车牌边框的几何特征，采取寻找车牌边框直线的方法进行车牌定位；

(5)基于变换域的车牌定位方法，这种方法是将图像从空域变换到频域进行分析，例如，采用小波变换等；

(6)基于数学形态学的车牌定位方法，这种方法是利用数学形态学图像处理的基本思想，利用一个结构元素来探测一个图像，看是否能将这个结构元素很好的填放在图像内部，同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。

这些方法各有优缺点，要实现快速、准确地定位车牌，应该综合利用车牌的各种特征，仅靠单一特征很难奏效。本文结合车牌纹颜色与数学形态学两方面的特征对车牌进行定位，对于提高车牌定位准确率提供更有利的保障。该方法包括牌照区域的粗定位和细定位两个步骤。在粗定位阶段中采用了基于数学形态学的定位方法，在得到定位图像后进行细定位，在细定位中采用车牌颜色特征的方法以获得最后定位图像。本方法对在多种光照条件下采集的车辆牌照图像、车牌本身不洁、或者牌照存在倾斜和扭曲等情形，均能取得较好的定位

效果。

3.3 车牌定位的原理

要想从一整幅车牌图像包括车身、背景等中提取出车牌，必须抓住车牌的最主要特征，利用它来提取车牌图像。根据我国机动车牌号(GA36—92)标准[10]，所有的牌照都是矩形的，而且长宽的标准尺寸为44cm 和14cm，本文根据牌照的这一特征来进行车牌的定位。车牌的长宽比为22：7，故面积与周长的平方的关系为

22a?7a2?7a?22a?2?122，其中a为车牌的宽，可调用area2(7a+22a)和perimeter

函数分别计算面积和周长。若检测到某区域的面积与周长的平方之比为近似为

122则可确定为车牌部分。

3.3.1车牌定位中应用的算法

车牌识别过程中常用的算法如下[11]：

(1)特征提取：提取水平灰度跳变特征。对经过了水平平滑的灰度图像，选取适当阈值T ，将每一行各像素与其前一像素比较，若灰度差绝对值超过 T，则记为l，否则记为0，从而完成对灰度图像进行水平方向灰度跳变特征的提取。实验证明，此方法与传统边缘检测相比，特征提取效果更显著、噪音更小。以水平方向为对象是因为车牌在水平方向较垂直方向灰度跳变特征更为明显。

(2)水平方向粗定位：对由生成的二值图像，结合先验知识，即图像中车牌位置以下的部分与车牌以上的部分相比干扰要小很多，采取由下至上的行搜索方法。当某1行的1个值个数与整行像素之比值大于一定阈值时，便记下行位置x1，继续逐行上移搜索，当比值小于阈值时记下行位置x2，xl与x2形成坐标对，若x1与x2距离超过较小的高度（以400×300为例，车牌高度应大于l0，所以选择10)时，即确定其为车牌水平方向切割位置(为了防止少切，分别对x1和x2进行向下和向上的适当延伸)；否则，排除此xl和x2，并继续向上搜索寻找x1、x2坐标对，直到确定x1、x2为止，并对二值图像切割。为了增强稳定性，可以用双行比值代替单行比值，此时应缩小判定阈值。

(3)垂直方向粗定位：设由(2)切割出来的图像为A，对A进行除噪处理后。先用1个与A等高度、宽度与高度相同的矩形框体B对A从左至右遍历搜索，若B中1值像素之和与B中全部像素之比大于一定阈值时，记录此时列位置为yl，然后用同样方式从右之左搜索，获得列位置y2。用y1与y2对A切割，完成垂直方向的粗定位。

(4)精确定位：在以往的车牌识别方法中，Hough变换线检测一般只用于车牌矫正，实际上Hough变换线检测更可用来做车牌定位。Hough变换提取直线的原理[12]：

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库车牌识别毕业论文 - 图文(4)在线全文阅读。