基于MATLAB的车牌识别毕业设计(3)

第三章 车牌定位

3.1 车牌定位的主要方法

所谓车牌定位算法是指在实际拍摄的图像中确定车牌区域的位置以便提取分割出车牌区域图像的问题。牌照的快速准确定位是车牌自动识别技术中非常关键的一步，是典型的图像分割问题，因此定位方法与车牌特征和图像处理技术是分不开的。

经典的车牌定位分割算法包括从简单的灰度阈值方法、频域和空间分割方法到复杂的连接元素方法以及Hough变化法等，在背景较复杂和光照不均匀条件下，这些方法难以取得令人满意的分割效果。近年来，人们针对这种情况，提出了各种各样的定位算法。目前没有一个标准图像数据库来评价无限制条件车牌定位算法的性能，这个问题的研究目前刚刚起步。 3.1.1 基于直线检测的方法

在计算机识别中，常常需要从图像上寻找特定形状的图形，如果直接利用图像点阵进行搜索判断显然难以实现，这时就需要将图像像素按一定的算法映射到参数空间。Hough变换提供了一种将图像像素信息按坐标映射到参数空间的方法，通过它构建的参数空间可以容易地对特定形状进行判断。

Hough变换是一种利用图像的全局特征将特定形状的边缘像素连接起来，形成连续平滑边缘的一种方法。它通过将源图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别。Hough变换常用于对图像中的直线和圆进行识别。

这类方法一般采用Hough变化等方法来检测直线（车牌周围边框形成）。利用车牌形状特性来定位车牌，在实际运用中忧郁光照不均匀等影响和摄像机畸

11

变，曝光不足和动态范围太窄等原因，导致图像存在伪影，加上车牌上的灰尘、脏污等使形状特性表现的不明显，从而影响定位效果，此外传统的Hough变换法应用在车牌定位中，只是单纯的进行直线的检测，没有和车牌形状特性结合起来，而且Hough空间与原图像空间不是一一对应的，由Hough空间中检测到的特征点无法确定出车牌轮廓的起始位置，无法避免直线干扰的问题，因此在有直线干扰时及未进行边框提取时的可能性会大大增加。Hough变化计算量较大，对于边框不连续的实际车牌，需要附加量加大的运算。 3.1.2 基于阈值化方法

图像经过阈值化得到一个字符和背景分离的二值图像是这类方法的特点。目前已经提出了多种阈值化策略，但简单算法二值化效果不好，复杂算法计算时间长、计算量大限制了实际应用。 3.1.3 基于灰度边缘检测方法

此类方法通常利用车牌区域局部对比度明显和灰度有规律变化的纹理特征来定位。中国车牌类型较多，在不同光照条件下车牌对比度更加不一，需要进行图像增强处理，还要考虑图像中与车牌特征非常相似的非车牌区域的排除问题。

（1）基于灰度直方图的门限化边缘检测

基于灰度直方图的门限化边缘检测是一种最常用、最简单的边缘检测方法。对检测目标——背景图像中目标的边缘效果很好。这种图像的灰度直方图呈双峰状态。

（2）基于微分的边缘检测 1.基于差分的边缘检测 ①一阶差分边缘检测

对位于边缘两侧的点，像素点灰度值将发生急剧变化，因此有较大的差分值。当差分方向和边界方向垂直时将获得最大差分，因此，只要对f(i ,j) 各方向的差分值再进行一次门限化处理，即可检出边缘像素点，从而求得其边缘图像。

②二阶差分边缘检测

这是利用在图像的边缘处，灰度发生急剧变化这一特性，采用图像灰度值沿着确定方向(x，y或对角线)取二次差分后的某些性质进行边缘检测的。

12

2. 基于梯度的边缘检测

由于边缘发生在图像灰度值变化比较大的地方，对应连续情形就是函数梯度最大的地方。Roberts算子、Prewitt算子和Sobel算子就是比较简单而常用的例子。还有一种比较直观的方法就是利用当前像素临域中的一些像素值拟合一个曲面，然后求这个连续曲面在该像素处梯度。从统计角度上说，我们可以通过回归分析得到一个曲面，然后做类似的处理。 3.1.4 基于彩色图像的车牌定位方法

目前的车牌分割受限于灰度图像，所以定位效果受阴影和光照条件的限制。由于人类是绝对彩色信息比较敏感，人眼能力分辨的灰度只有20多级，而分辨的彩色却有35000多种，彩色图像可以提供更多的视觉信息，有图像学者提出了利用车牌的颜色信息来搜索牌照，将处理对象改为彩色图像以求可以精确地定位车牌。

比如一些系统采用BP神经网络对彩色图像进行彩色分割，把每个像素通过网络学习归类为期望的颜色，然后利用水平和数值直方图的方法确定牌照的位置，但是当车牌区域颜色与附近颜色非常相似且牌照倾斜的情况下彩色定位分个错误将会增加。

也有一些系统采用彩色边缘检测算子计算二值边缘图像，然后采用形态学方法来生成联通区域图像，在进行轮廓跟踪，一个标记候选牌照区域，但是当图中相似颜色区块较多时，定位速度会急剧下降。

也有的系统首先利用颜色信息对输入图像进行彩色粗分割，得到了颜色为车牌照的一些区域。然后将分个结果中的伪目标（即除了车牌区域以外的区域）分为两类（一类是与汽车牌照颜色相近的背景，一类是可能与牌照颜色相机的汽车外壳），分别进行处理，最终利用投影法得到准确的车牌位置。虽然这种方法的定位率比较准确，但是识别速度却很慢。这类方法一般都是将输入的RGB彩色图像转换成HIS彩色图像，然后进行基于模糊逻辑或神经网络的彩色分割，再进一步定位车牌，计算量大。

上述四种方法中，基于直线检测的方法对我国车牌来讲并不完全使用，因为我国车牌的悬挂明显不够规范，有些车牌边框不够明显必然造成定位算法失效，如果结合别的算法侧需要在本身运算量很大的情况下额外增加系统开销。车牌的最明显特点是其纹理特征，基于灰度边缘检测的方法不失为一个理想选择。此外，

13

基于颜色的车牌定位也是比较普遍的定位方法。

3.2研究内容及实验方案

3.2.1研究内容

本课题主要是就汽车牌照的自动识别进行一系列的研究，通过查阅相关资料，了解课题背景，熟悉MATLAB软件的基本操作，利用MATLAB软件，根据提供的汽车车牌照片，采用图像分析和处理算法，有效识别汽车的车号等相关信息。主要的研究内容有：

(1)在MATLAB基础上，实现车牌识别系统中的车牌定位及车牌字符的识别功能。

(2)对车牌定位、字符切分、字符识别的算法进行研究。 (3)对实验结果进行分析。 3.2.2 车牌识别系统研究的方案和方法

完整的车牌识别系统应包含车辆检测、图像采集、图像预处理、车牌定位、字符分割、字符识别等单元。当车辆到达触发图像采集单元时，系统采集当前的视频图像，牌照识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。流程图如下：

图像输入 图像预处理 区域搜索和分割 字符分割 单字识别 字符特征提取 图3.1.总体流程图

该系统是计算机图像处理与字符识别技术在智能化交通管理系统中的应用，它主要由牌照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，如图3.1所示。其基本工作过程如下：

（1）当行驶的车辆经过时，触发埋设在固定位置的传感器，系统被唤醒处于

归一化 14

工作状态；一旦连接摄像头光快门的光电传感器被触发，设置在车辆前方、后方和侧面的相机同时拍摄下车辆图像；

（2）由摄像机或CCD摄像头拍摄的含有车辆牌照的图像通视频卡输入计算机进行预处理，图像预处理包括图像转换、图像增强、滤波和水平较正等； （3）由检索模块进行牌照搜索与检测，定位并分割出包含牌照字符号码的矩形区域；

（4）对牌照字符进行二值化并分割出单个字符，经归一化后输入字符识别系统进行识别。

3.3 图像的读取

MATLAB中从图像中读取数据函数imread()，这个函数的作用是将图像文件的数据读入矩阵中，此外还可以用imfinfo()函数查看图像文件的信息。函数imread可以从任何MATLAB支持的图像文格式中读取一幅图像。格式为：

A=imread(filename,fmt)

[X,MAP]=imread(FTLENAME,'FMT'),其中：FTLENAME为需要读取的图像文件名称，FMT是图像格式。

[...]=imread(filename,fmt) [...]=imread(filename) [...]=imread(URL,...)

[...]=imread(...,idx) (CUR,ICO,and TIFE only) [...]=imread(...,'frames',idx) (GIF only)

[A,map,alpha]=imread(...) (ICO,CUR,and PNC only)

图像的信息读取可以通过调用imfinfo函数获得与图像文件有关的信息，格式如下：

INFO=imfinfo(FTLENAME,'FMT')，其中返回的INFO是MATLAB的一个结构体；

大多数图像文件格式采用8为数据存储像素值，将这些文件读入内存后，MATLAB都将其存储为unit8类型。对支持16为数据的文件格式，如PNG和TIFE，MATLAB则将这些图像存储为unit16类型。和其他MATLAB生成的图像一样，一旦一幅图像被显示了，那么它将成为一个图形对象句柄。

在读取图像之前，应该先清除MATLAB所有的工作平台变量，并关闭打开的

15

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基于MATLAB的车牌识别毕业设计(3)在线全文阅读。