基于阈值分割的车牌定位识别Word文档下载推荐.docx
《基于阈值分割的车牌定位识别Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《基于阈值分割的车牌定位识别Word文档下载推荐.docx（26页珍藏版）》请在冰点文库上搜索。
车牌识别主要包括车牌区域定位、车牌字符分割、车牌字符识别三个步骤。
本文通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀及平滑等过程来进行车牌的预处理，并运用基于车牌颜色纹理特征的车牌定位方法，最终实现车牌区域定位。
然后采用模板匹配的方法对输出的字符图像和模板库里的模板进行匹配得到对应的字符信息。
本文基于MATLAB的GUI工具进行设计仿真实验，实验表明，整体方案有效可行，基于阈值分割的车牌识别技术在其识别正确率、速度方面具有独特的优势及广阔的应用前景。
关键词：
字符识别；
车牌定位；
阈值分割；
模板匹配；
边缘检测
Licenseplaterecognitionbasedonthresholdsegmentation
ChenJingWen
（YunnanAgriculturalUniversityinformationengineering,Kunming,650201）
ABSTRACT
Vehiclelicenseplateautomaticrecognitionmoduleisamodernsocietyanimportantpartofintelligenttransportationsystem（ITS）,isahotspotofresearchonimageprocessingandpatternrecognitiontechnology,hasveryextensiveapplication.Licenseplaterecognitionmainlyincludethelicenseplatelocalizationandlicenseplatecharactersegmentation,licenseplatecharacterrecognitionthreesteps.
Thisarticlethroughtotheacquisitionofthelicenseplateimagegray-scaletransformation,edgedetection,corrosionandsmoothprocessforthepretreatmentoflicenseplate,andtheuseoflicenseplatelocationmethodbasedonlicenseplatecolortexturefeature,finallyrealizesthelicenseplatelocalization.Thenadoptthemethodoftemplatematchingtheoutputcharacterimageandthetemplatelibrarytemplatematchingtogetthecorrespondingcharacterinformation.BasedonMATLABGUItoolstocarryonthedesignofsimulationexperiment,theexperimentalresultsshowthattheoverallschemeofeffectiveandfeasible,basedonthresholdsegmentationoflicenseplaterecognitiontechnologyintherecognitionaccuracy,speed,hasuniqueadvantagesandbroadapplicationprospects.
Keywords:
characterrecognition;
patternrecognition;
licenseplatelocation;
templatematching;
edgedetection
1前言
随着社会经济的高速发展汽车数量急剧增加，对交通管理的要求也日益提高，而相应的人工管理方式已经不能满足实际的需要，微电子、通信和计算机技术在交通领域的应用极大地提高了交通管理的效率。
运用电子信息技术实现安全、高效的智能交通成为交通管理的主要发展方向。
汽车牌照号码是车辆的唯一“身份”标识，通过智能的车牌定位及识别技术将对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
车牌识别技术（VehicleLicensePlateRecognition，VLPR）是能检测到受监控的车辆并自动提取车辆牌照信息进行处理的技术。
识别车牌是现代智能交通系统中的重要组成部分，应用十分的广泛。
它是以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析后得到每一辆汽车的车牌号码，完成识别过程。
车牌定位与字符识别技术是基于计算机图像处理、模式识别等技术为基础，通过对原图像的处理，以及边缘检测技术实现对车牌的定位，然后对车牌图像处理、归一化处理、分割以及保存，最后进行分割图像与模板库的模板进行匹配，最后输出匹配结果。
车牌的智能定位以及识别是一个完整的系统，考虑到其应用的普遍性以及广泛性，就要求我们在设计过程中考虑到以下几方面：
（1）准确性:
尽可能的避开其他外界造成的干扰，准确的识别车牌信息。
（2）实时性:
因为车辆在行驶过程中速度不一，对触发超速摄像的抓拍应当及时的进行识别并且储存，才可以有效的提高工作效率。
（3）优化性：
采用竟可能低的硬件要求，对其快速的做出的计算与识别。
常用的边缘检测算子有很多，根据实验分析canny算子对弱边缘的检测相对精确，能更多地保留车牌区域的特征信息，所以本文采用canny算子来进行边缘检测，然后通过二值化，阈值分割等处理，最后与模板库模板进行对比，达到车牌识别的目的。
2车牌识别系统分析
2.1车牌识别的目的
车牌识别技术通过对信息量较大的对象采集，然后经过一系列的处理提取了相对较小的信息量且有价值的一部分信息，仅仅提取识别车“身份”的车牌信息。
对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
2.2车牌识别现状分析
模式识别[]是一门以应用为基础的学科，目的是将对象进行分类，这些对象与应用领域有关，他们可以是图像，信号波形或者是任何可测量且需要分类的对像，在机器视觉中，模式识别是非常重要的，机器视觉系统通过照相机捕捉图像，然后通过分析生成图像的描述信息。
车牌识别技术是计算机模式识别技术在智能交通领域的典型应用，是一个以特写目标为对象的专用计算机视觉系统[]。
简单地说，它使计算机能像人一样认识汽车牌照（包括车牌的汉字、字母、数字）。
车辆牌照识别技术推出以来，人们就对其进行了广泛的研究。
从20世纪90年代初，国外就已经开始了对汽车牌照自动识别[]的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。
国外己有许多相关的文章发表，有的甚至己经非常成熟并投入实际使用。
我国车牌自动识别的研究起步较晚一些，大约在八十年代末。
1988年戴营等利用常见的图像处理技术方法提出汉字识别的分类是在提取汉字特征的基础上进行的。
根据汉字的投影直方图，然后选取浮动阈值，对其进行量化处理后，得到一个变长链码，再用动态规划法，求出与标准模式链码的最小距离，最后进行细分类，完成汉字省名的自动识别。
目前我国市场上有二十几家企业从事车牌识别产品的开发和生产，其中比较成熟的有香港的ASiavisionTeChnologyLtd公司（亚洲视觉科技有限公司）、北京汉王、沈阳聚德、川大智胜、上海高德威、清华紫光、杭州友通、深圳科安信、利普视觉中智交通电子系统有限公司等企业。
2.3车牌识别的意义
结合我国的国情，由于我国地域广阔，车辆道路复杂，安装相应的检测设备或者人员配备投资巨大，且造成人力物力的浪费，因此我们急需对现有的检测设备优化，而车牌识别技术恰好能满足这一需求，通过车牌识别我们可以解决被纳入“黑名单”的通缉车辆，可以统计一定时间范围内进出各省的车辆，还能有效的对该车辆进行定位，对公安机关等相关部门有着很重要的作用，具体归结应用方式如下：
（1）监测报警
对于纳入“黑名单”的车辆，例如：
被通缉或挂失的车辆、欠交费车辆、未年检车辆、肇事逃逸及违章车辆等，我们只需要把其牌照的信息输入系统，那么该车辆在通过装有全国联网系统的路口或者收费站等卡口时，信息采集设备将会对其进行采集并且与数据库对比，实现其定位。
这种方式可以通过程序实现24小时工作，而且此过程保密性好，不会提醒黑名单车辆的死机。
（2）车辆出入自动登记及放行
在需要管制的小区或者办公场所门口装设车牌识别系统，那么汽车进出此场所时间，车牌牌照等信息将会被存储在相应的数据库中，通过修改相应的数据库，添加车牌信息，我们还能让自动门禁对相应的车辆进行自动放行，如遇到非数据库中的车辆则由保安进行相应的咨询，或批准后人为放行。
这不仅提高物业管理的效益，同时自动比对进出车辆，防止偷盗事件的发生。
（3）违法违章管理
车牌识别技术结合测速设备可以用于车辆超速违章处罚，一般用于高速公路、容易肇事路段。
还可以在红绿灯路口加上红外检测实现违规检测，对出现闯红灯的现象或者违规转弯的现象进行相应的数据采集。
将其传送至相关部门，从而对其下发处罚通知书，实现对其处罚。
（4）交通流控制指标参量的测量
为了达到交通流控制的目的，对部分交通流指标的测量显得相当重要。
车牌识别系统能够测量和统计很多交通流指标参数例如车流量，车流高峰时间段，平均车速，车辆密度等。
这也为交通诱导系统提供必要的交通流信息。
从而能够有效的采取措施预防堵车，排队，事故等交通异常现象。
（5）移动电子警察系统
随着我国公路基础建设的快速发展，公路的质量、里程都有了很大程度上的提高，但也出现了不交养路费等情况，给国家造成了巨大的经济损失。
且丢失车辆稽查、车辆是否合法、拦车路检等情况都需要公安人员对其进行相应的检查，由于人工判断工作效率很低且容易让正常车主及乘客造成误解，现在有了车牌自动识别技术之后将大大提高办公效率以及检查的准确性，很大程度上解决了以上的问题。
2.4我国车牌分析
汽车牌照具有统一格式、统一式样，由车辆管理机关经过申领牌照的汽车进行审核、检验、登记后，核发的带有注册登记编码的硬质号码牌。
我国车牌号的第一个是汉字：
代表该车户口所在省的简称：
如云南就是云，北京就是京，重庆就是渝，上海就是沪……，第二个是英文：
代表该车所在地的地市一级代码，规律一般是这样的，A是省会，B是该省第二大城市，C是该省第三大城市，依此类推。
目前国内汽车牌照有六种类型：
①大型民用汽车所用的黄底黑字牌照；
②小型民用汽车所用的蓝底白字牌照；
③军队或武警专用汽车的白底红字、黑字牌照；
④使、领馆外籍汽车的黑底白字牌照；
⑤试车和临时牌照是白底红字，且数字前分别标有“试”和“临时”字标志；
⑥汽车补用牌照是白底黑字。
从人的视觉特点出发，车牌的目标区域具有以下几个特点：
①车牌底色与车身颜色、字符颜色有较大差异；
②车牌有一个连续或因为损坏而不连续的边框，车牌内有多个字符，基本呈水平排列，因此在牌照的矩形区域内存在较丰富的边缘，并且呈现出规则的纹理特征；
③车牌内字符之间的间隔是比较均匀的，字符本身与牌照底的内部有较均匀灰度，但字符和牌照底色在灰度值上存在跳变；
④不同图像中牌照的具体大小、位置不确定，但基本在一定范围。
根据这些特点，可以在灰度图像的基础上提取相应的特征。
3车牌识别系统的原理及方法
3.1车牌识别系统简述
车牌定位与字符识别技术以计算机图像处理、模式识别等技术为基础，通过对原图像进行预处理以及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的图像与模板库的模板进行匹配识别，输出匹配结果。
该流程如图3.1所示。
图3.1车辆牌照识别系统
Figure3.1Vehicleplaterecognitionsystem
车牌识别首先要正确的分割车牌区域，为此已经提出了很多方法:
使用Hough变换检测直线来定位车牌边界进而获取车牌区域；
使用灰度阈分割、区域生长等方法进行区域分割；
使用纹理特征分析技术检测车牌区域等。
Hough变换对图像噪声比较敏感，因此在检测车牌边界直线时容易受到车牌变形或噪声等因素的影响，具有较大的误检测几率。
灰度阈值分割、区域增长等方法则比Hough直线检测方法稳定，但当图像中包含某些与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确性也会受到影响。
因此，仅采用单一的方法难以达到实际应用的要求。
如果进行车牌字符的定位及裁剪，则需要首先对输入的车牌图像进行预处理以得到精确的车牌字符图像；
然后将处理后的车牌看作由连续的字符块组成，设定一个灰度阈值，如果超过该阈值，则认为有多个字符相连，需要对其进行切割，进而实现对车牌字符的分割；
最后把分割的字符图片进行标准化并于模板库进行对比，选出最相似的字符结果并输出，即为车牌信息。
3.2车牌图像处理
3.2.1图像灰度化
车牌图像的采集一般是通过数码相机或者摄像机来进行，得到的图片一般是RGB[]图像即为真彩图像，根据三基色原理，每一种颜色都是可以由红、绿、蓝三种基色按不同的比例构成，所以车牌图像的每个像素都是由3个数值来指定红、绿、蓝的颜色分量。
灰度图像实际上是一个数据矩阵I，该矩阵每个元素的数值代表一定范围内的亮度值，矩阵I可以是整型、双精度，通常0代表黑色、255代表白色。
在MATLAB中，一幅RGB图像可以用uint8、uint16或者双精度类型的m*n*3数组来描述，其中m和n分别表示图像的宽度和高度，此处的RGB图像不同于索引图，所以不使用调色板。
在RGB模型中，如果R=G=B，则颜色表示一种灰度颜色，其中R=G=B的值叫做灰度值，由彩色转换为灰度的过程叫做灰度化处理。
因此，灰度图像是只有强度信息而没有颜色信息的图像。
一般而言，可采用加权平均值法对原始RGB图像进行灰度化处理，该方法的主要思想是从原图像中取R、G、B各层像素值加权求和得到灰度图的亮度值。
在现实生活中人眼对绿色敏感度最高，对红色敏感度次之，对蓝色敏感度最低，因此为了选择合适的权值对象使之能够输出合理的灰度图像，权值系数应该满足G>
R>
B。
实验和理论证明，当R、G、B的权值系数分别选择0.299，0.587，0.114时，能够得到最合适人眼观察的灰度图像。
3.2.2图像二值化
灰度图像二值化[]在图像处理的过程中有着很重要的作用，图像二值化不仅能使数据量大幅减小，还能突出需要的目标轮廓，便于进行后续的图像处理与分析。
对车牌灰度图像而言，所谓的二值化处理就是将车牌图像上的像素点的灰度值设置为0或255，从而让整张图片呈现黑白的效果，因此，对灰度图像进行适当的阈值选取，可以在图像二值化图的过程中保留某些关键的图像特征。
在车牌图像二值化的过程中灰度大于或等于阀值的像素被判定为目标区域，其灰度值用255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
图像二值化是指整幅图像画面内仅黑、白二值的数值矩阵，每一个像素取两个离散数值（0或1），其中0代表黑色，1代表白色。
在实际的图像处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来。
不同的阈值设定方法对一幅图像进行处理会产生不同的二值化处理结果。
二值化阈值设置过小易产生噪声；
阈值设置过大会降低分辨率，使非噪声信号被视为噪声而滤掉二值变换的结果。
3.2.3边缘检测[]
边缘是指图像局部亮度变化最显著的部分，边缘主要存在于目标与目标，目标与背景，区域与区域（包括不同的色彩之间），是图像分割，纹理特征提取和形状特征提取等图像分析的重要基础。
在车牌识别系统中提取车牌位置有着很重要的低位。
其中边缘检测的算子有很多，如Roberts、Sobel、Prewitt、Laplacian、log以及canny等算子方式。
据试验分析在车牌的边缘检测中canny算子相对精确，所以本文采用了canny算子进行边缘检测。
坎尼（canny）算子在边缘检测中提出了三个准则分别是：
（1）信噪比
信噪比越大，提取的边缘质量越高。
信噪比SNR定义为：
其中
代表边缘函数，
代表宽度为W的滤波器的脉冲响应，
代表高斯噪声的均方差。
（2）定位精度
边缘定位精度L如下定义：
分别是
的导数。
L越大表明定位精度越高。
（3）单边缘响应
为了保证单边缘只有一个响应，检测算子的脉冲响应导数的零交叉点平均距离
应满足：
的二阶导数。
以上述指标和准则为基础，利用泛函求导的方法求导的方法可导出坎尼边缘检测器是信噪比与定位之乘积的最优逼近算子，表达式近似于高斯函数的一阶导数。
将坎尼3个准则相结合可以获得最优的检测算子。
canny算子的边缘检测算法步骤如下：
（1）预处理。
采用高斯滤波器进行图像平滑；
（2）梯度计算。
采用一阶偏导的有限差分来计算梯度，获取其幅值和方向；
（3）梯度处理。
采用非极大值抑制方法对梯度幅值进行处理；
（4）边缘提取。
采用双阈值算法检测和连接边缘；
3.2.4图像形态学运算
数学形态学图像处理的基本运算有4个：
膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合。
二值形态学中的运算对象是集合，通常给出一个图像集合和一个结构元素集合，利用结构对图像集合进行形态学操作。
膨胀运算符号为⊕，图像集合A，用结构元素B来膨胀，记作
，其定义为：
其中
表示B的映像，即与B关于原点对称的集合。
上式表明，用B对A进行膨胀的运算过程如下：
首先作B关于原点的映射，再将其映像平移x，当A与B映像的交集不为空时，B的原点就是膨胀集合的像素。
腐蚀运算的符号是
图像集合A用结构元素B来腐蚀，记作
，其定义为:
因此，A用B腐蚀的结果是所有满足将B平移后B仍旧全部包含在A中的X的集合，也就是结构元素B经过平移后全部包含在集合A中的原点所组成的集合。
膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞，则经过膨胀操作这些洞将被补上，不再是边界。
如果再次进行腐蚀操作，外部边界将变回原来的样子，而这些内部空洞则永远消失。
腐蚀操作会去掉物体的边缘点，如果物体足够细小，则其所有的点都会被认为是边缘点，进而被整体消除，仅保留大物体。
如果在进行膨胀操作时，留下来的大物体会变回原来的大小，则被消除的小物体已经消失。
在一般情况下，由于受到噪声的影响，车牌图象在阈值化后所得到边界往往是不平滑的，目标区域内部具有一些噪声孔洞，在背景区域上也会散布着一些小的噪声干扰。
连通过续的开和闭运算可以有效地改善这种情况。
有时甚至需要经过多次腐蚀之后再加上相同次数的膨胀，才可以产生比较好的效果。
3.2.5图像滤波处理
图像滤波也能在尽量保留图像细节特征的条件下对噪声进行抑制，是图像预处理中常用的操作之一，其处理效果的好坏将直接响到后续图像处理和识别的有效性和稳定性。
均值滤波也称为线性滤波，是图像滤波最常用的方法之一，采用的主要方法为领域平均法。
该方法对滤波像素的位置（x,y），选择一个模板，该模板由其近邻的若干像素组成，求出模板中所包含像素的均值，再把该均值赋予当前像素点（x,y），将其作为处理后图像在该点上的灰度值
，即
M为该模板中包含当前像素在内的像素总个数。
采集车牌图像的过程中往往会受到多种噪声的污染。
进而会在将要处理的车牌图像上呈现一些较为明显的孤立像素点或像素块。
在一般情况下，在研究目标车牌时所出现的图像质量，影响图像增强、图像分割、特征提取、图识别等后继工作的进行。
因此，在程序实现中为了有效的进行图像去噪，并且能有效地保存目标车牌的形状、大小及特定的几何和拓扑结构特征，采用均值滤波来对车牌图像进行去噪处理。
3.2.6车牌图像的闭运算
通过上述处理后，我们得到了滤波后的图像，为了提高其识别的准确率，我们还要将对其做闭运算，所谓的闭运算就是对研究对象进行膨胀后腐蚀的过程，如果遇到噪声点比较多的研究对象时，往往我们会通过对其重复做闭运算，从而减少噪声对其造成的影响。
对车牌图像腐蚀会去掉物体的边缘点，细小物体所有的点都会被认为是边缘点，因此会整个被删去。
再做膨胀时，留下来的大物体会变回原来的大小，而被删除的小物体则永远消失了。
膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞的话，经过膨胀操作这些洞将被补上，因而不再是边界了。
再进行腐蚀操作时，外部边界将变回原来的样子，而这些内部空洞则永远消失了。
通过上述的处理，我们将能对其图像的噪声干扰进行很大程度的排除，从而提升对其研究的准确性
3.3车牌定位原理
我们已经对车牌在图像中的位置作了初步的定位，移除小对象后基本就是车牌的位置了。
车牌区域具有明显的特点，因此根据车牌底色、字色等有关知识，可采用彩色像素点统计的方法分割出合理的车牌区域，考虑到大部分小汽车的牌照为蓝底白字，所以本文以蓝底白字的普通车牌为例说明彩色像素点统计的分割方法，假设经数码相机或CCD摄像头拍摄得到了包含车牌的RGB彩色图像，水平方向记为Y，垂直方向记为X，则：
首先确定车牌底色RGB各分量分别对应的颜色范围，其次在Y方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在Y方向的合理区域，然后在分割出Y方向区域内统计X方向此颜色范围内的像素点数量，设定合理的阈值进行定位；
最后，根据X，Y方向的范围来确定车牌区域，实现定位。
3.4车牌字符处理
3.4.1阈值分割原理
阈值分割算法是图像分割中应用场景最多的算法之一。
简单地说，对灰度图像的阈值分割就是先确定一个处于图像灰度取值范围内的阈值，然后将图像中各个像素的灰度值与这个阈值比较，并根据比较的结果将对应的像素划分为两类：
像素灰度大于阈值的一类和像素灰度值小于阈值的为另一类，灰度值等于阈值的像素可以归入这两类之一。
分割后的两类像素一般分属图像的两个不同区域，所以对像素根据阈值分类达到了区域分割的目的。
由此可见，阈值分割算法主要有两个步骤：
（1）确定需要进行分割的阈值；
（2）将阈值与像素点的灰度值比较，以分割图像的像素。
以上步骤中，确定阈值是分割的关键，如果能确定一个合适的阈值就可以准确地将图像分割开来。
阈值确定后，将阈值与像素点的灰度值比较和分割可对各像素并行处理，通过分割的结果将直接得到目标图像区域。
在选择阈值方法来分割灰度图像时一般会对图像的灰度直方图分布进行某些分析，或者建立一定的图像灰度模型来进行
升级会员 