车牌识别毕业论文 - 图文(6)

第四章 车牌自动识别系统的实现

4.1图像采集

图像采集是该系统的第一步，照片质量的好坏直接关系到系统识别的精度，故选择好的摄像设备，设置好的摄像角度是关键。随着现代社会的发展，数码照相机的分辨率已越来越高，可使用红外传感器来控制照相机的开启与关闭，照相机通过串口通信来传递图片信息给计算机。

采集到的图像由于受到天气影响，包括晴天、阴天、晚上等，由于光照影响和摄像机曝光的不同，再加上有些车牌的老化污损、陈旧褪色，这些都可能使车牌图像产生对比度不足的弊端，图像细节分辨不清，车牌字符部分不突出。而且对高速进行中的汽车拍摄的图像往往产生模糊、扭曲、变形等现象，这些都增加了预处理的难度。而这些处理需要很复杂的过程，因为系统把读入的图片默认为比较清晰的、几乎没有倾斜角度的图片。

4.2 车牌图像的预处理

由于本系统的车牌图像是在室外拍摄的，因此不可避免地会受到自然光线、季节等因素的影响。要去除这些干扰就得先对车牌图像进行预处理。原始图像的数据一般比较大，对其进行处理的时间一般也较长，而由于实时性的要求，车牌的提取需要一次性处理就能把绝大多数特征提取出来。需要把得到的图像进行预处理。预处理的过程需要把图像转化为二值图像，这样会大大减少数据量，为实时性提供一定程度的保证。二值化后的车牌要能再现原字符图像，基本不出现笔画断裂和粘连现象，尽量不丢失原字符的特征。经试验，采用阈值为0．2附近时车牌字符最为清楚，杂点最少。

图像预处理主要包括：灰度化、二值化、梯度锐化、降噪、分割、归一化[16]。具体流程如下图所示。

灰度化 二值化 梯度锐化 降噪 分割 归一化 图4-1 车牌图像预处理流程图

车牌定位 车牌区域二值化 车牌倾斜矫正 字符分割 字符细化 图4-2车牌字符识别预处理流程

4.3车牌区域定位

自然环境下，汽车图像背景复杂，光照不均匀，在自然背景中准确地确定牌照区域是整个图像识别过程中的关键。首先对采集到的图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判。最后选定一个最佳区域作为牌照区域，将其从图像中分割出来．同时要考虑车牌倾斜问题。算法流程如下：

(1)对二值图像进行区域提取，计算并比较区域特征参数，提取车牌区域。 (2)计算包含所标记区域的最小宽和高，并根据先前知识，提取并显示更接近的车牌二子值图。

(3)通过计算车牌旋转角度解决车牌倾斜问题。由于车牌倾斜导致投影效果峰 不明显，需车牌矫正处理。采取线性拟合方法．计算出车牌上边或下边图像值为l的点拟合直线与水平 轴的夹角。用MATLAB函数的旋转车牌图象函数Imrotate．计算车牌旋转角度和经旋转、二值化后的车牌二值子图处理结果如图4-3所示。

图 4-3图像二值化效果图

为此我们经过大量实践后找到了基于图像差分投影法，从而将车牌识别时间缩短到一百毫秒以内。其原理是将车辆灰色图像按水平方向求差分图，然后按垂直方向求差分，最后对差分后的车辆图像分别在水平和垂直方向投影，按照给定的车牌尺寸范围找出可似车牌区域。

采用基于车牌纹理和颜色信息的综合车牌定位方法对车牌区域精确定位，其实现流程如下图4-4所示。

假设输入彩色图像为I，通过Gray =0．229×R+0．587×G+ 0．114 ×B将I转化为灰度图Gray，采用迭代求阈值的方法求出最佳阈值T，根据T对Gray进行二值化处理得到图像B；用Sobel垂直算子进行边缘检测，得到边缘图像S；对S，利用平滑方法对其消噪，用腐蚀方法去除一些孤立点和细的突出，用膨胀方法融合图像中的隙缝弯孔和小洞，得到图像F；在F中搜索连通区域形成车牌侯选区域Rect[i]，对于每个Rect[i]根据颜色信息去除伪车牌区域，然后对校正后的车牌区域通过区域行跳变Rect[i]jumpnum、垂直投影Rect[i]．hproject及水平投影Rect[i]．vproject对车牌区域精确定位。

区域行跳图像输入 灰度化 灰度拉伸 图像预处边缘检测 二值化 联通区域 区域颜色 车牌粗定倾斜矫正 行扫描 列扫描 车牌精确定位

图4-4 车牌区域定位流程图

4.3.1 车牌粗定位

车牌粗定位即对车牌区域进行筛选。由于图像背景往往比较复杂，车体的其他区域存在着干扰因素，因此车牌定位所提取出的车牌候选区域往住有多个，需要进一步对这些候选区域进行筛选，剔除干扰区域，定位出真正的车牌。

假设第i个候选区域的高为h ，宽为W ，则该候选区域高与宽的比R 及面积A 分别为

Ri??ihi ，Ai??ihi （4-1）

再假设第i个候选区域黄、蓝色、白三色像素个数分别为Si,y，Si,b和Si,w；

跳变次数为Si,j；二值化后第j行白色点数为nij,w。

1) 车牌通常有一定的长度和宽度，并且长宽有一定的比例，国内的单行车牌长宽比为440/140=22/7。利用车牌的这一特征，如果300像素≤Ai≤ 1200像素，或者3≤Ri ≤ 4，就认为第i个候选区域是车牌区域，否则将之去除。通常候选区域会比实际的车牌区域大，如果严格按标准车牌区域的长宽比来判定车牌区域就会导致错误筛选。为此在粗定位时根据实际情况放宽候选区域的限制，以杜绝“错误筛选”的发生。

2) 车牌区域还有一个明显的特征就是其底色与字符有固定的搭配，如我国的标准车牌有4种固定搭配：蓝底白字、黄底黑字、白底黑字及白底红字。如果Si,y≥Ai /4，或者Si,b≥Ai/4，或者Si,w ≥Ai/4，并且Si,j≥ 14，此区域就被认为是车牌区域，否则就是伪车牌区域。

3) 为进一步提高车牌定位的速度，考虑到车牌区域二值化后每行的白点数目比较多，在系统实现时，设定一个阈值T。如果nij,w≤ T，则候选区域第J行就过滤掉。这样能减少车牌定位时的计算量，从而减少候选车牌连通区域的数量。

通过上面3个条件即可在车牌的候选区域中筛选出真正的车牌，车牌候选区域筛选对比图如下图所示。

图4-5车牌候选区域筛选对比图

4.3.2图像的倾斜矫正

由于拍摄时镜头与牌照的角度、车辆的运动及路面的状况等因素的影响，例如车牌在捕捉图像中的位置不固定，捕捉图像时车头或者镜头发生摆动以及车牌本身就挂歪了或路况较差，都可能使拍摄到的车牌图像有一定的倾斜度，为了正确识别需要进行倾斜度校正，否则将无法进行单个字符的正确分割，字符识别的误差率就会上升。但是若以某个固定的经验值对所有牌照统一进行旋转处理，又会使原本正常的牌照倾斜，导致新的错误。因此有必要针对特定的牌照图像提取其倾斜角度，再加以相应的旋转处理。如何从牌照中自动提取其倾斜度是预处理过程中的一个难点，一般使用Hough变换检测图像中的直线来对图像的倾斜进行相应的矫正[17]。

具体算法是根据图像上左右两边的黑色像素的平均高度来确定的。字符组成的图像它的左右两边的字符像素高度应该是处于水平位置附近的，如果两边字符像素的平均位置有比较大的起落，那就说明图像存在倾斜，需要进行调整。首先要计算图像左半边和右半边的像素的平均高度，然后求斜率，根据斜率重新组织图像，也就是从新图像到旧图像的映射。如果新图像中的像素映射到旧图像时超出了旧图像的范围，则把新图像中的该像素置成白色。

4.3.3车牌边框和柳钉的去除

在实际处理中，面对要识别的牌照字符背景非常复杂，存在较大的干扰、噪声。当车牌的二值图像统一为黑底白字并经过对图像梯度锐化和去除噪声后，还会有汽车保险杠与牌照四条边框的残缺图像以及牌照上两个铆钉干扰的一个区域。借助先验知识，可以采取图像处理方法从上述复杂背景中去除干扰。将车牌图像进行二值化后，图像仅黑、白二值。白色像素点(灰度值2 5 5)取l，黑色像素点(灰度值0)取0，这里采用的是白底黑字模式。车牌图像中上下边框和铆钉的去除是很重要的，没有去除边框线和铆钉的车牌图像，经常出现铆钉和字符及边框线粘连的现象，给后续车牌字符的分割造成很大的困难。在车牌边框线的内侧，通常有四个铆钉，他们不同程度地与第2个字符或第6个字符粘连，如果不去除铆钉，将给第2和第6在字符的识别造成困难。

对于标准车牌，字符间间距为12㎜ ，第2、3个字符间间距为34㎜，其中，中间小圆点l0㎜ 宽，小圆点与第2、3个字符间间距分别为12㎜。根据这些先验知识，对车牌图像逐行进行从内向外式扫描，当扫描到车牌图像某一行中，白色像素点的宽度大于某一阀值时(第一个符合条件的行)，则认为是车牌字符的

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(6)在线全文阅读。