车牌识别中二值化方法的研究与实现.doc

车牌识别中二值化方法的研究与实现.doc

《车牌识别中二值化方法的研究与实现.doc》由会员分享，可在线阅读，更多相关《车牌识别中二值化方法的研究与实现.doc（24页珍藏版）》请在冰点文库上搜索。

车牌识别中二值化方法的研究与实现

摘要：

在基于数字图像处理的车牌识别技术的研究过程中，因为车牌定位和字符分割一般都是基于车牌区域的二值化结果进行的，因此对图像的二值化是非常关键的一步。

二值化最主要的是阈值的确定，文章对比了几种常规的车牌图像全局阈值二值化处理算法，发现这些方法不够理想，然后提出几种新的方法——基于图像直方图波形分析的车牌图像二值化处理算法；考虑到光照变化以及定位出的车牌周边环境和自身干扰等因素，提出了一种新的车牌二值化的方法，这种方法结合了高斯拉普拉斯算子法和迭代法；而不均匀光照下的图像二值化是数字图像处理中的另一个难题．为此，本文提出一种解决办法，首先使用同态滤波去掉车牌图像的不均匀光照的影响，然后使用改进的Bernsen算法对车牌图像进行二值化。

实验表明，这三种方法在进行车牌图像二值化处理时效果比较理想。

关键词：

车牌识别；二值化；高斯拉普拉斯算子；图像直方图；不均匀光线

RealizeandResearchonbinarizationmethodoflicenseplaterecognition

Abstract:

DuringtheresearchforthelicenseplaterecognitionbasedontheDistalImageProcessingTechnology，becausethelocationandsegmentationoflicenseplateareusuallybasedonthebinarizedimage，theimagebinaryzationisakeystep．Themostimportantpartoftheimagebinaryzationisthedeterminationofthreshold．Inthispaper，severalmethodshavebeencompared，andalsothebasicprinciplesandcomputersimulationresultsofinter-classvarimaxandmaximumentropymethodhavebeenanalyzed．Butwehavefoundthatthesemethodsarenotoptionalwhenusedtoprocessvehiclelicenseplateimages．Therefore，anewmethodhasbeenputforward，whichisthearithtacticoflicenseplateimagebinarizationbasedonimagehistogram．Consideringthechangesofillumination，thesurroundingenvironmentofthelicenseplateandthelicenseplateitself，anewmethodoftakingthresholdvalueofbinarizationisintroduced．ThismethodcombinestheGauss-Laplacemethodandtheiterationmethod．Itisadifficulttasktobinarizeimageundernonuniformillumination．Anewmethodispresentedasfollows：

atfirst，itenhancestheplateimagequalitybyhomomorphicfilteringtoeliminatethebadeffectofthenonuniformillumination；then，binarizestheplateimagebyaimprovedBernsenalgorithm．Ithasbeenprovedthatthethreemethodsarewellwhenusedtoprocessvehiclelicenseplateimages．

Keywords:

Vehiclelicenseplaterecognition,binary,gaosilapulasioperator,imagehistogram,unevenlight

目录

1.绪论……………………………………………………………………………1

1.1研究背景和意义………………………………………………………………1

1.2国内外研究现状………………………………………………………………2

1.2.1车牌定位技术研究现状…………………………………………………4

1.2.2车牌字符识别技术研究现状……………………………………………6

2.车牌二值化的几种方法及实现……………………………………………7

2.1基于图像直方图波形分析的车牌图像二值化处理算法………………………7

2.1.1最大类间方差法…………………………………………………………………8

2.1.2最大熵法…………………………………………………………………………9

2.1.3直方图波形分析法………………………………………………………………10

2.2高斯拉普拉斯算子法和迭代法…………………………………………………12

2.3不均匀光照下车牌二值化方法………………………………………………………15

2.3.1复杂光照下的图像阀值分割面临问题………………………………………16

2.3.2车牌图像增晰……………………………………………………………………16

2.3.3改进的Bernsen二值化算法……………………………………………………17

2.3.4不均匀光线环境下的车牌图像二值化…………………………………19

3.总结与展望……………………………………………………………………19

3.1总结……………………………………………………………………………20

3.2下一步的工作……………………………………………………………………20

4.结语……………………………………………………………………………20

参考文献……………………………………………………………………………21

致谢…………………………………………………………………………………22

1.绪论

1.1研究背景和意义

近年来,通信和计算机技术在交通领域的应用受到人们广泛的关注,得到了迅速的发展。

我国的公路交通事业正在步入一个信息化、数字化的时代。

交通事业的进一步发展对交通监控自动化提出更高的要求。

自动收费系统,违反交通法规的车辆的自动记录等等这些任务就要求识别出具体的车辆,而摄像技术,计算机技术以及DSP技术和VLSI（VehicleLi2censePlateRecognition）技术的发展使其成为可能。

车牌是所有车辆独有的标志,因此,车牌识别技术的研究受到广泛重视。

当今世界的经济飞速发展，知识信息只新月异，计算机、通信和网络等技术迅猛发展，使得信息的自动处理能力和研究水平不断提高，并且广泛地应用于人们的生产和生活实际当中，为人类的进步和社会的发展起到了非常关键的推动作用。

同时随着人们生活节奏的不断加快，汽车的普及也已经成为必然趋势，所以车辆的自动管理即智能交通系统的开发就越来越成为社会现实中需要解决的迫切问题。

在此背景下，基于计算机视觉的图像处理及模式识别技术就越来越受到人们的重视，这也为智能交通管理系统的深入研究并且早进入实际应用领域提供了非常好的契机。

目前指纹识别、虹膜识别等技术已经初步进入实用阶段，声纹识别、人脸识别技术也正在迅速的发展中。

车牌号码的自动识别是一个涉及图像处理、模式识别、计算机视觉、神经网络和软件工程等多个领域的研究课题。

十余年来，该技术尽管已经取得了一些丰硕成果，也在一些地方得到了初步的应用。

但是由于车牌识别过程中涉及到很多纷繁复杂的实际问题，诸如天气坏境差异大、车牌表面受到污损等因素都会直接影响车牌字符的分割和识别效果。

并且现有的理论和方法还存在一些不尽如人意的地方，在识别率和可靠性方面还尚未达到很实用的程度，成熟、通用的产品也相对较少，对许多问题都有必要开展进一步的研究。

尤其是近些年来，随着车辆速度的稳步提高和各级道路的不断拓宽，车牌号码的自动识别又产生了另一个难题：

复杂背景成像条件下的图像处理。

也正是由于这些复杂的条件所带来的挑战，该领域在近些年来又成为图像处理研究领域中一个新的热点。

车辆号码的自动识别技术作为智能交通管理的重要手段，其任务和步骤主要是采集、分析和处理汽车监控的视频录像，自动捕获含有车牌信息的关键

桢，在整幅图像中智能定位车牌区域，然后将车牌中的所有字符和号码图像分割出来进行识别。

LPR系统可广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理、公路稽查、监控违章车辆的电子警察等需要车牌认证的重要场合，尤其在基于车牌识别技术的高速公路收费系统中，相对于射频卡等技术，可以实现不停车收费，提高了公路系统的运行效率。

总之，对车牌识别技术的研究和相关应用系统的开发具有重要的现实意义和

实用价值，也具有广阔的市场和巨大的商业应用前景。

1.2国内外研究现状

车牌识别系统（LPR）的体系架构一般呈现模块化、流水作业处理，即：

前一

模块的输出结果会作为后一模块的输入，如此循环直到输出识别结果。

图l.1下牌字符识别系统体系架构

车牌号码的自动识别（LPR）系统主要由三个部分组成：

车牌区域的定位、车牌字符的分割、和车牌字符的识别。

从20世纪90年代初即1988年开始，国外的

研究人员就已经开始了对LPR系统相关技术的研究。

其主要途径就是对车牌的

图像进行分析，在整幅图像中智能寻找车牌区域．利用图像分割技术提取车牌中的字符图像，最后通过模式识别算法来确定车牌号码。

在自动识别过程中，虽然运用了很多的技术、算法，但由于外界环境光线的强弱变化、光路中夹杂灰尘、季节环境变化以及车牌本身污损退化或者受到模糊等条件的影响，使得LPR系统一直得不到很好的应用。

而且很多的算法都需要大量的数值计算，时空效率低下，这也影响了该系统对实时处理的要求。

一般的LPR系统在设计过程中会按照一个相对固定的流程进行，如图1.2所示：

图1.2车牌识别系统详细流程

从已经投入使用的产品而言，国内外现有一些类似产品：

以色列Hi—Tech公司的See／CarSystem一系列产品，香港AsiaVisionTechnology公司的VECON产品，新加坡Optasia公司的VLPRS产品等，其中VECON和VLPRS产品主要适合于香港和新加坡的车牌。

Hi—Tech公司的See／CarSystem有多种变形产品来分别适应某一个国家的车牌，See／Carchinese系统可以对中国大陆的车牌进行识别，但也有很大的缺陷，而且不能识别车牌中的汉字。

另外同本、加拿大、德国、意大利、英国等各个西方发达国家都有适合于本国车牌的识别系统。

各个国家的产品虽然不同，但基本上都是基f车辆探测器的系统，设备投资巨大。

中国大陆做得较好的产品有中科院自动化研究所汉IE公i可的“汉王眼”，除此之外国内的亚洲视觉科技有限公司、南昌利得丰科技有限公司、中国信息产业部下属的中智交通电子系统有限公司等也都有自己的产品。

另外西安交大的图像处理与识别研究室、上海交大的计算机科学与工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等也都做过类似的研究。

通常处理时为了提高系统的识别率，都采用了一些硬件的探测器和其他的辅助设备。

LPR系统主要涉及两大关键技术：

一是车牌区域的定位：

二是车牌字符的识别。

以下针对这两种技术的研究现状和发展趋势分别加以阐述。

1.2.1车牌定位技术研究现状

车牌定位技术的研究国外起步比较早，现有比较好的牌照定位方法主要有

J．Barroso等提出的基于水平线搜索的定位方法：

R．Parisi等提出的基于DFT

变换的频域分析方法CharCoetzee提出的基于Niblack二值化算法及自适

应边界搜索算法的定位方法：

J．Bulas—Cruz等人提出的基于扫描行的车牌提取

方法等。

上述各种定位方法，尽管在一定的条件下能够分割出车牌区域，但是

由于车牌识别系统大多是利用摄像机在室外拍摄，存在许多客观干扰因素，因

此定位效果并不十分理想，而且有些时候会产生拒识的现象。

一个车牌识别系统中，车牌定位模块主要涉及到边缘检测、纹理分析、投

影检测等算法，其架构以及处理流程如1.3图所示：

具体的车牌定位方法多种多样，既可以是已有算法的改进．也可以是独辟蹊径的创新，当然也有将新老方法结合起来的。

对一些复杂图像应用某些数学工

具不仅可以加快处理速度而且可以改善和优化处理结果。

关于区域定位算法，比较成熟的有戚飞虎等人提出的一种基于局部阈值二值化与自适应形态滤波的算

图1.3车牌定位模块详细流程

法。

该算法对于文字区域清晰及其周围干扰区域较少的情况定位比较准确，但二值化所得结果中各种尺寸的干扰区域基本被保留，对于倾斜度的正确估计也有较大偏差，不能满足复杂实时应用的需要。

还有一种基于样条线索和霍夫变换的区域定位方法，该方法利用牌照边框的灰度值比背景灰度值大而得出平行四边形，再通过边缘提取，接着利用Hough变换检测出平行线，但这样会造成参数空间峰值的扩散甚至消失，这些都会影响直线识别的准确性，使用范围狭窄。

另外，一些传统的定位技术在复杂背景、图像变形、噪声污损严重的情况下也无法准确定位。

以上介绍的方法是基于灰度图像的车牌定位方法，也是传统图像处理技术与车牌特征的有机结合，由于牌照多具有不同的色彩，而且多与车辆背景不同，

因此考虑基于颜色特征来研究车牌的分类定位是车牌识别领域的一种新思路。

近年来，在这方面做出有益尝试的也有很多，例如赵雪春等人提出了一种采用

色彩分割及多极混合集成分类器的车牌自动识别方法，这种方法的主要思想是

通过三层前馈网络将具有均匀色度空间的色彩图像进行色彩分割，再利用投影

法分割出潜在的各种底色的车牌区域。

1．2．2车牌字符识别技术研究现状

车牌字符的识别与一般的印刷体字符识别相比，有其自身的特点，它实际上是对依附在车牌上的印刷体文字进行识别，能否正确识别不仅是文字识别技术的问题．还应考虑其载体—一车牌区域的影响。

车牌字符识别技术是文字识别技术与车牌图像自身因素协调兼顾的综合性技术。

由于摄像机的性能、车牌的整洁度、光照的强弱程度、拍摄时的倾斜角度及车辆运动等因素的影响使牌照中的字符可能出现比较严重的模糊、歪斜、缺损或污迹干扰，这些都给字符识别带来了难度。

一般来讲，字符识别模块的架构以及流程如图1.4所示：

图1.4字符识别模块详细流程

目前，车牌字符识别的算法主要有统计模式法、句法结构法、逻辑特征法

以及模糊模式法。

下面简单介绍一下这几种方法及它们所面临的主要问题。

1）统计模式法：

对己知类别的模式样本进行特征的提取和分析，选取对分类有利的特征，并对其统计均值等按己知类别进行学习。

它按照贝叶斯最小误差准则，根据以上统计特征设计出一个分类误差最小的决策超平面，识别过程就是对未知模式进行相同的特征提取和分类，通过决策平面方程决定该特征相应的模式所属的类别。

此方法比较成熟，能考虑干扰、噪声等的影响，识别模式基元能力强。

但对结构复杂的模式抽取特征困难，不能反映模式的结构特征，难以描述模式的性质，难以从整体角度考虑识别问题，抗干扰能力不足，对存在较大噪声的字符的识别比较困难。

2）句法结构法：

分为训练过程和识别过程。

训练过程就是用己知结构信息的模式作为训练样本，先识别出基元和它们之间的连接关系，并用字母符号表示，然后用构造句子的方法来描述生成这些场景的过程，并由此推断出生成该场景的一种文法规则。

识别过程就是对未知结构的模式进行基元识别及其相互关系分析，然后用训练过程中获得的文法对其作句法分析，如果它能被己知结构信息的文法分析出来，则该模式具有与该文法相同的结构，否则就可判定不是这种结构。

此方法识别方便，可从简单的基元开始，由简至繁。

能反映模式的结构特征，能描述模式的性质，对图像畸变的抗干扰能力较强，但当存在干扰及噪声时，抽取基元困难，且易失误。

3）逻辑特征法：

其特征的选择对一种类别的模式识别问题来说是独一无二的，即在一类问题中只有一个模式具有某种逻辑特征，此方法建立了关于知识表示及组织，目标搜索及匹配的完整体系，对需要通过众多规则的推理达到识别目标的问题，有很好的效果。

但是当样品有缺损，背景不清晰，规则不明确甚至有歧义时，效果不好。

4）模糊模式法：

在模式识别过程中引入了模糊集的概念，由于隶属度函数作为样品与模板相似程度的量度，故能反映整体的、主要的特性。

模糊模式有相当程度的抗干扰与畸变能力，适于对存在较大噪声的字符的识别，但准确合理的隶属度函数往往难以建立。

2.车牌二值化的几种方法及实现

2.1基于图像直方图波形分析的车牌图像二值化处理算法

常规的图像二值化处理算法，主要有全局阈值法和局部阈值法，局部阈值法实质上就是对经过区域分割的原始图像子图像运用全局阈值法，因此，本章节重点分析全局阈值法．常规的全局阈值法主要包括人机交互法、简单二值化法、P—参数法、平均微分直方图法、判断函数法、直接计算法等．不同的算法应用于不同的使用环境：

人机交互法常用于图像分割算法难以处理且只能依靠人工干预进行识别的应用场合；简单二值化法常用于处理线条图像；P—参数法常用于图纸和文字识别（OCR）等对于分离的图像区域面积有一定先验知识的应用场合；平均微分直方图法常用于对象与背景边界位于灰度值急剧变化的图像部分．对于复杂交通环境下实时采集到的车辆图像，其车牌图像的二值化处理则经常使用判别函数法，其中，最为典型的有最大类间方差法和最大熵法．本章节将重点对这两种算法进行对比分析。

2.1.1最大类间方差法

最大类间方差法又称为大津法。

原理为，取某个灰度值，以它为分界将图像分为灰度值大小两类，分别计算这两类中的像素点数及灰度平均值，然后，计算它们的类间方差，最后取所有灰度的类间方差中的最大值对应的灰度为阈值．类间方差的计算公式如下：

2-1

其中——分别为小于i的像素与大于、等于i的像素的数目

——分别为它们的平均值

2-2

公式

（1）的意思是，取W（i）中的最大值时的下标作为处理结果，作为二值化的分割阈值。

W（i）实际上是一个以灰度值为自变量的函数，求阈值就是找出函数值取最大值的位置．本章节采用上述算法进行车牌图像二值化处理实验仿真，实验结果如图2.1所示，可以看出，最大类间方差法在进行车牌图像二值化处理时，效果并不理想，结果图像仍有很大噪声存在。

图A灰度图像图B最大类间方差法

图2.1

2.1.2最大熵法

熵是作为函数不确定性的度量，将熵的概念引入图像二值化处理中，就是基于图像灰度直方图的熵测量．通常，可以从不同的角度出发来定义不同的图像灰度直方图的熵测量方法，在此基础上定义获得最大熵以及选择最佳二值化阈值的方法。

一般情况下，有3种基于图像灰度直方图熵测量的图像二值化处理阈值法：

基于一个分布假设提出的P氏熵法、基于两个分布假设提出的KSW熵法以及基于极小类间依赖性的JM熵法。

下面，本章节将重点讨论基于两个分布假设提出的KSW熵法。

已知为灰度的概率分布，根据熵的定义，它的熵为

2-3

设有灰度t将它们分为两类，即{0，1，⋯，t}与{t+1，t+2，⋯，f一1}．这两个类的概率分布分别是

其中，2-4

设与每个分布有关的熵分布为和，则有

图像的总熵为和之和，

即2-7

使总熵取最大值的t，将为最佳阈值thre,即2-8

其中,本章节采用上述算法进行车牌图像二值化处理实验仿真，实验结果如图2.2所示，可以看出，与最大类间方差法相比，使用KSW熵法进行二值化处理的结果图像中，不仅噪声更加明显，车牌图像轮廓模糊，车牌图像中字符很不清晰。

因此，无论是使用最大类间方差法，还是使用KSW最大熵法进行车牌图像二值化处理，效果均不理想。

下面，将提出一种基于直方图波形分析的车牌图像二值化处理算法。

图2.2最大熵法

2.1.3直方图波形分析法

灰度直方图是灰度级的函数，它包含了丰富的图像信息，反映了图像的灰度分布情况，是图像最基本的统计特征。

通常，可根据图像直方图中波峰的数目，将图像直方图分为单峰直方图、双峰直方图和多峰直方图2.3种（见图7）。

图2.3直方图类型

通常，在复杂交通环境下实时采集的车辆图像，其图像信息比较复杂，其直方图一般为多峰直方图．对于多峰直方图图像，在进行二值化处理时，可根据实际情况放弃其中一些不起关键作用的小的波峰（对应于原始图像中无关紧要的细节）。

通常，可根据原始图像特点设置一些条件进行区分，原始图像中对应重要细节部分的直方图波峰应满足如下条件：

（1）波峰具有一定的高度；

（2）波峰与邻近的波谷间有一定的高度差。

基于直方图波形分析的车牌图像二值化处理算法基本流程是：

（1）对灰度图像进行直方图统计；

（2）搜索波峰、波谷，记录峰、谷位置；

（3）波峰条件检查，通过确定波峰的宽度和波峰与临近波谷的高度差，去掉不起关键作用的小峰；

（4）选取阈值，计算高于峰点和低于峰点的像素数，寻找像素差最小的峰，即为阈值。

本章节采用上述算法进行车牌图像二值化处理实验仿真，实验结果如图2.4所示。

图2.4直方图波形分析法

本章节分别采用上述最大类间方差法、KSW最大熵法及直方图波形分析法进行车牌图像二值化处理实验仿真（VisualC++．NET环境下统一编程）．仿真实验中，原始车辆图像为实际交通环境下实时采集的彩色图像，在进行图像二值化处理前，首先进行图像灰度化、图像增强和图像平滑处理，目的在于去除部分噪声，增强图像质量（如图A）。

图2.1、图2.2、图2.4分别为采用上述3种算法对原始车辆灰度图像进行二值化处理后的结果图像。

实验仿真结果对比可以看出：

采用最大类间方差法和KSW最大熵法进行处理的二值化图像中，噪声明显，且车牌图像轮廓模糊；而采用直方图波形分析法进行处理的二值化图像中，噪声较少，车牌区域轮廓明显，车牌图像字符清晰。

2.2高斯拉普拉斯算子法和迭代法

在光线很弱的夜晚，汽车前灯开启的情况下，车牌照的光照很不均匀，在这种光照不均匀的时候，对车牌图像进行二值化如果使用全局阈值法或者局部阈值斯拉普拉斯算子把高斯平滑滤波器和拉普拉斯锐化滤波器结合起来，先用高斯函数平滑掉噪声，然后用拉普拉斯算子进行边缘检测。

边缘从微观意义上讲是图像上灰度变化比较剧烈的地方。