《基于数字图像处理的车牌定位与识别研究》由会员分享，可在线阅读，更多相关《基于数字图像处理的车牌定位与识别研究（8页珍藏版）》请在金锄头文库上搜索。
1、基于数字图像处理的车牌定位与识别研究摘 要 ： 研究了车牌图像的特征，车牌定位算法基于车牌图像颜色特征，选取适合的颜色模型进行车牌提取，将彩色车牌图像转化为灰度图像采用基于矩的阈值选取方法进行图像二值化处理，Hough 变换的方法对图像进行倾斜校正，最后对已预处理增强的图像进行 Sobel 垂直算子边缘检测，用阈值分割出前景,搜索出符合车牌字符特征的候选区域，对候选区域进一步分析得到牌照位置提出并采用基于 PCA-BP 神经网络的字符识别算法对车牌进行识别，300ms 内车牌字符识别率达 97.5%，实验证明，在训练样本较少的情况下，该系统的识别率依然较高。关键词 ： 车牌识别；图像处理；字符
2、分割；字符识别0 简介车牌识别，lpr是交通管理系统中的图像处理和汉字识别技术；他包含了车牌图像采集和预处理，即是对图片区域中车牌的定位和提取，以及车牌字符的识别。Lpr系统是基于特殊的用户群体的，主要研究计算机可视化系统，他可以智能提取图片区域中的车牌和解析车牌中的字符。他基于图片识别和人工智能技术，lpr能够从实时交通监测视频图像中精确的识别车牌中的数字和中文字符，其识别结果与真实的车牌图像能够相当接近。和众多的识别技术一样，lpr的关键就是提取和选取其特征。当车牌中背景和字符颜色不足的情况下，英文字母和数字的混合就是两个客观的特征。普通的蓝底白字车牌研究对象，包括种基本的技术：车牌的定位
3、和车牌字符识别，因此如下的问题就解决了：第一，准确和快速的定位以及区分混合背景图像中的车牌区域；第二，提高车牌字符的识别能力。在将包括亮度和颜色的彩色图片转换成灰度图的过程中，转换公式即是: (1)就是之前图片对应的像素点的灰度值。1车牌图像的预处理1.1 将彩色图片转换成灰度图过程的方法在图像处理过程中，灰度处理是非常重要的一步，经过这一步处理后的结果是建立了图片：1.2 图像增强图像增强技术通常应用在提高图片质量的过程中，图片增强提供了图片需要的合适的确定信息，同时移除不需要的图片信息。他的主要目的是提高图片的可阅读性。直接修改图片像素的灰度阶是图片增强技术中简单和特殊的操作。他有两个阶段
4、：一个是灰度的校正，他通过修改单独像素点的灰度值来填充图片中不规律的灰度值；另一个是灰度的映射变形，它的目的是改变全部图像或者图像中的某些区域的灰度，以至于增强对比度，使其更容易看到图片的细节。输入的图片像素点的灰度等级值f(x,y)映射到输出图像灰度值g(x,y)，是通过映射函数T(g)来的，即是1.2.1 线性灰阶转换假设这个初始函数f(x,y)的灰阶范围是a,b，预计变形后的图像动态灰度范围是c,d,这个变形可是通过一下公式实现： (2)1.2.2 非线性灰阶转换当运用合适的非线性函数时，比如对数函数或者指数函数作为映射函数，非线性图像转换可以被实现。对数变形如下： （3）a,b都是可变
5、参数，当低阶灰度图像区域被期望大幅度的扩大以及高阶灰度图像区域被期望大幅度的压缩是，这种变形可以被采用。它使图像灰度分配一致和符合人类可视的特性。1.3 边缘探索实验显示，灰度边缘是主要垂直的边缘和少量的水平边缘，这是通过车牌字符的特性来确定的。不连续的灰度能够通过定向的操作被探测到，比如索贝尔算子和线监测算子，用上了他，对应的水平或者垂直的边缘便可以有效的从灰度图像中提取出来。假设获得的灰度图像举证是f(x,y),在灰度图像中获得的线性检测算子H如下： （4）图像矩阵被获得后，图像中的平均值m和标准偏差s分别被计算出，将T作为二值化临界值，那么二值化图像矩阵将产生： （5）2 车牌的定位车牌
6、定位的主要任务是从交通图像中找到车牌的位置和区分出车牌的精确范围。2.1 流动算法2.2 车牌定位的步骤（1）RGB图像被转换成256个彩色位图，之后彩色图像被转换成灰度图像。（2）通过基于定向和动向临界值的二值化的方法获得二进制图像。（3）通过垂直的索贝尔边缘检测算子，从二进制图像中获得边缘图像。（4）通过寻找临界值的方法（第一次定位）获得车牌粗糙的位置，这样，车牌区域便被提取出了。（5）被提取出的车牌的色彩信息被用在车牌的第二次定位。（6）车牌区域就这样被提取出了。2.3 车牌的粗糙定位粗糙的定位就是从边缘监测后的图像中获得和提取车牌的范围，图像中的像素通过如下公式计算： （6）在该公式中
7、, 为像素点的改变值，L为扫描的的变量长度，为对应的像素点索引。当扫描线进入车牌区域后，值为最大值（255），扫描线将车牌的像素点记录到对应的变量中，扫描线从车牌的顶部扫描到车牌的底部，将字符垂直描边，大量的实验表明，白色像素的改变点为字符的描边点。2.4 车牌精确定位在上述提到的定位中，仅仅是普通的的车牌能被解析识别出来，这样的解析不能运用到真正的车牌管理系统中。现在，我们讨论不同长，宽，不同颜色的车牌该如何定位，通过不同的像素点数量和车牌范围的大小，计算出对应的变换比例。学习之前的解析方法得出，通用的车牌通常为蓝底，黑底，和黄底。我们用RGB(红绿蓝)来描述像素点的属性。（7）实际上，水平
8、或者垂直字体描边方法就是查找从蓝色（黑色，黄色）像素点过度到其他颜色时的像素点，查找出来的像素点集合就是车牌字符的大概信息。我们将水平字体描边和垂直字体描边都执行一次，就能得到比较精确的字模信息。2.5 车牌定位测试要测试算法的精确性，交通视频中选择包含200张车牌的图像作为实验采样。其结果如表1.最大限度的从实验数据中观察，在这200张包含车牌信息的图像中，车牌定位算法的正确性高大97%，这个证实了从地步开始扫描图像是正确的决策，这个系统可以提高处理速度。3. 车牌字符识别在车牌定位后，车牌图像中的字符串被解析成单个字图片文字。通过在字符解析系统中查找，将单个字符映射到对应的字符字典中，查找
9、后的结果就能将图片中的文字装换为文本文字，并将最后的结果保存在计算机中对应的文件或数据库中。3.1 基于PCA-BO神经网络的LPR算法3.1.1 PCA-BO神经网络模块PCA-BP 神经网络模块是由PCA和BP神经网络组成的，如图5PCA 提取PCA中组要的变量成员X = x1,x2,xm,K线性的变量,便可以减少输入到神经网络模块中的变量数据，BP神经网络比较分为3层：输入层的神经节点为K，与PCA中的K数据一致，在隐藏层的节点数为Q，在输出层的节点为N，输出层的值为和, 分别匹配数字，英文和汉字字符。输入层和隐藏层，隐藏层和输出层的连接记录为和。字符解析的特殊环线，与字模的特征已经相当
10、接近，输入字符的特征数组到神经网络中，让神经网络将该信息存储到对应的内存中，通过对应的比对，神经系统能过识别不同的字符类型。定义可识别的英文字符和数字有36个（AZ）(09),可识别的汉字有50个。通过输入字符数组，每个类型的字符输出不同类型的数值，当第一个字符被分割，立即分割下一个字符。当所有字符被分割后，就可以将分割后的字符记录写入内存，若再遇到相同的字符，可以重新引用之前的解析结果。3.1.2 输入字符选择器模块用隐藏层构造3叉神经树来定义来识别英文字母和汉字字符，识别数字的神经树有35个输入节点，4个输出节点，输出节点用于识别车牌最后四位的数字，识别字母表的神经树有36个输入节点，6个
11、输出节点用来识别英文字符，识别字符的神经树有35个输入节点，6个输出节点。藏层的节点为20个，一般情况下，选择神经树中隐藏层的规定为：12对神经线用于错误处理，隐藏的神经线参照光学原理，将混合的字符单个剥离出来，并单线程处理每一个对应的请求。3.2 实验结果基于BP神经网络和PCA的分析,车牌中的字符被解析并提取出来，该实验选择了200张7*5像素格式的车牌位图。每张位图包含了数字集合，字符集合从AZ，还有中国省份集合。首先输入字符数组，然后通过运行BP神经网络中的PCA算法减少扩展延伸，在该过程中，20个字符集合分别输入到3叉神经网络中，分别解析英文字母和中文字符。与提供的几个例子相比，基于不同规格碎片算法，该系统对字符的识别准确度在200毫秒中接近85.9%，基于小波算法对字符的识别精确度在300毫秒中为92.5%，但是基于PB神经网络的识别精确度在300毫秒中高达97.5%，该算法的运行效率非常理想。4 结论基于自动化车牌定位的车牌识别系统的新型方法被提出，考虑到车牌图片中的字符垂直边在不同的环境中存在不同的字符大小和旋转，所以优先要消除背景因素带来的影响来决定字符的边界，才能确保接下来字符解析和定位的准确。实验结果说明了该方法能够自动化车牌识别系统中有好的可扩展性和可移植性。
