边缘检测技术在汽车牌照自动识别监控系统中的应用毕业论文Word格式文档下载.docx
《边缘检测技术在汽车牌照自动识别监控系统中的应用毕业论文Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《边缘检测技术在汽车牌照自动识别监控系统中的应用毕业论文Word格式文档下载.docx（39页珍藏版）》请在冰点文库上搜索。
3.3.2多分辨率车牌定位法15
3.3.3基于数学形态学的车牌定位法16
第4章车牌图像的边缘检测20
4.1车牌图像的灰度化和二值化20
4.1.1图像的灰度化20
4.1.2图像二值化21
4.2灰度变换增强22
4.2.1灰度变换22
4.2.2直方图均衡化24
4.3空间域滤波26
4.3.1领域平均法26
4.3.2高通滤波28
4.3.3中值滤波28
4.4简单边缘检测算子29
4.4.1梯度算子29
4.4.2拉普拉斯算子31
4.4.3Marr边缘检测方法31
第5章canny边缘检测算法应用及仿真34
5.1算法步骤34
5.2实验结果分析36
第6章结束语38
致谢40
参考文献41
附录43
第1章引言
1.1课题背景及研究意义
随着我国国民经济以及科学技术的高速发展，机动车数量不断增加，国内高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高，智能交通系统（IntelligenceTrafficSystem），简称ITS。
它已经成为当前交通管理的方向。
所谓智能交通系统是将先进的信息技术、数据通讯传输技术、电子控制技术及计算机处理技术等综合运用于整个交通运输管理体系，通过对交通信息的实时采集、传输和处理，借助各种科技手段和设备，对各种交通情况进行协调和处理，建立起一种实时、准确、高效的综合运输管理体系，从而使交通设施得以充分利用并能够提高交通效率和安全，最终使交通运输服务和管理智能化，实现交通运输的集约式发展[1]。
我国从70年代开始在传统的交通运输和管理中应用了电子信息技术，随着社会的发展与进步，我国道路在未来20年内仍然处于建设阶段，这期间正是智能交通系统在全世界进入全面实施的阶段，因此我国需要根据公路交通的实际需要探讨在我国公路网中应用智能交通系统来提高交通效率，保障安全和保护环境。
随着社会的发展，多学科多领域的融合发展成为技术发展的新趋势。
智能交通系统的发展趋势也从单一的运输模式的智能化向综合交通的多种运输模式协调配合的智能化方向发展。
目前，铁路、航空、水运业都在考虑利用智能运输系统的先进技术改造传统的运输方式，智能交通系统将起到越来越重要的作用。
车辆牌照的自动识别是计算机视觉与模式识别技术在智能交通领域结合应用的重要研究课题之一，是实现交通管理智能化的重要环节。
车牌识别系统（LicensePlateRecognition，简称LPR）具有广泛的应用范围，主要应用于：
高速公路收费、道路交通监控管理、交通事故现场勘察、违章管理；
小区、停车场管理；
车辆登录、验证；
车辆统计、安全管理[2]。
对提高这些场所交通系统的管理水平和自动化程度具有重要的意义和巨大的经济价值。
车辆牌照图像识别也是计算机智能化的关键技术之一，涉及到模式识别、图像处理、人工智能、信息论、计算机等多个学科，同时也与语言文字学和心理学等学科相关，是一门综合的技术，有着重要理论意义和实际应用价值。
1.2国内外研究现状
1.2.1汽车牌照识别国内外研究现状
从20世纪90年代初（1988年），国外的研究人员就己经开始了对车牌自动识别的研究，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。
在车牌识别过程中，也出现了很多的技术方法，有人使用模糊数学理论，也有人用神经元网络的算法来识别车牌中的字符，但由于外界环境光线变化、光路中有灰尘、季节环境变化，以及车牌本身比较模糊等条件的限制和影响，使得LPR系统一直以来都是一个不能很好解决的问题，而且很多的方法都需要大量的数值计算，并没有考虑到实时处理的环境。
为了解决图像恶化的问题，目前国内外的研究机构或公司企业采取的办法是采用主动红外照明摄像或使用特殊的传感器来提高图像的质量，继而提高识别率。
国内外现有的一些类似产品主要有：
以色列HiTech公司的See/CarSystem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，HiTech公司的See/CarSystem有多种的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，另外日本、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，但基本上都是基于车辆探测器的系统，设备投资较大，其中的车辆探测器主要有：
踏板式探测器、光探测器、微波雷达通过型探测器、压力探测器、声控探测器、红外探测器、电磁感应环探测器、测速雷达探测器、磁强探测器和压敏探测器等。
国内做得较好的产品主要有中科院自动化研究所汉王公司的“汉王眼”，北京信路威，昆明利普视觉，沈阳聚德。
除此之外国内的亚洲视觉科技有限公司、深圳市吉通电子有限公司、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。
另外西安交通大学的图像处理与识别研究室、上海交通大学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它的辅助设备如红外照明等，其中“汉王眼”就是采用主动红外照明和光学滤波器来减弱可见光的不可控制的影响，减小恶劣气候和汽车大小灯光的影响。
1.2.2边缘检测算法国内外研究现状
由于边缘是图像最基本的特征，边缘信息是一种图像的紧描述，所包含的往往是图像中最重要的信息。
对图像提取边缘能极大地降低我们要处理的数据量。
所以，本课题的一个重要方向就是边缘提取算法的研究及改进。
边缘检测技术的研究一直就是计算机视觉图像分析和检测领域的研究热点，经过几十年的研究已经形成了许多成熟的边缘检测技术，并取得了很好的应用，而随着一些新理论新方法的出现，也进一步推动了边缘检测技术的发展。
图像边缘检测方法主要包括以下几类：
（1）微分算子法：
这种方法主要从边缘点（通常对应于一阶微分幅度值大的点），同时也从二阶微分的零交叉点出发，设计一些一阶或二阶微分算子，求得其梯度或二阶导数过零点，再选择一定的阈值提取边界。
如Roberts算子、Sobel算子、canny算子、Prewitt算子、Laplacian算子等。
另外还有基于曲面拟合的各种边缘检测算法，它们的基本思想是用一个平滑的曲面和待测点周围某领域内像素的灰度值进行拟合，然后计算此曲线的一阶或二阶导数[3]。
（2）最优算子法：
这类方法的目的是根据信噪比求得检测边缘的最优滤波器。
Marr_Hildreth算子是Marr和Hildreth应用Gauss函数先对图像进行平滑，然后采用拉普拉斯算子根据二阶导数过零点来检测边缘，也被称之为LOG算子。
LOG算子和视觉生理中的数学模型相容，从而在计算机视觉和视觉生理研究之间建立了联系，在机器视觉研究领域得到了广泛的应用。
另一种方法是局部曲线最小二乘拟合法，其基本思想是：
根据最小二乘法把图像的局部区域近似表示为一组基函数的线性组合，从而达到消除噪声的效果。
Canny从边缘检测算子的信噪比准则、定位精度准则、单边缘响应准则出发，提出了Canny算子，它检测受高斯白噪声影响的阶跃型边缘有比较好的效果[4]。
（3）多尺度方法：
此方法是随着多分辨率和小波理论的出现而逐渐发展起来的。
窗口大小（或尺寸）参数的自动调整是很难的，而应用多个尺度可以对此问题给出一个比较满意的解决。
多尺度信号处理的目的不仅是为了辨识出信号中的重要特征，而且能以不同细节程度来构造对信号的描述，在高层次视觉处理的任务中多尺度方法有着重要的作用，是一种新兴的边缘检测方法[4]。
（4）基于自适应平滑滤波的边缘检测方法：
基于自适应平滑滤波的边缘检测方法的基本思想是利用一个通用算子对信号进行平滑，该算子能使其本身与信号的局部结构相适应。
利维等人提出的一种加权模板，其系数是根据窗口的中心点及其相邻点的灰度平均值来确定。
还有一种方法是选择具有与中心点灰度值最接近的邻近点，并利用这些点灰度值的平均值取代中心点值。
一种复杂的方法是根据每一点的邻域的局部统计性质来确定模板的系数[5]。
（5）松弛迭代法：
有学者从边界增强的角度出发提出了松弛迭代的方法。
这种方法分二步，图像的平滑、边缘的获取、松弛迭代。
它使用边缘点的位置、梯度矢量、曲率等信息来初始化松弛网络像素的标记，根据边界曲线上的点的信息在局部具有一致性和相关性，而噪声点的信息是随机的、规律的特点，进行邻域点的信息的相互作用，增强有规律的边缘信息同时削弱无规律的噪声，通过不断的迭代对标记进行重复纠正和约束，最后使得迭代收敛于真实的边缘[6]。
以上方法是目前研究较多的边缘检测方法，其中前两类方法属于经典边缘检测方法，都是依靠对图像进行微分运算求得梯度来进行边缘检测的，其优点是计算简单，速度快，缺点是仅仅依靠了局部信息，对噪声较为敏感。
这些方法大都采用了平滑运算，但平滑运算和微分运算是一对矛盾，平滑降低了噪声的影响同时也会使边缘模糊。
这些方法中使用的平滑滤波器的参数都要人为设定，由于没有对图像中的噪声以及边缘的尺度进行估计，因此不合适的滤波可能会滤掉一些边缘细节信息，造成微分操作无法准确得到边缘细节。
经典边缘检测方法在处理简单的图像时有着很大的优势，但是由于物理世界和成像过程的复杂性，以及各种噪声源的干扰。
使得被处理的图像信号相当复杂，在这种情况下仅仅依靠局部信息检测是不够的。
边界检测的困难主要来自噪声的影响，因此如果能在边缘检测前对边缘和背景噪声进行估计，自适应地滤出噪声，并且根据边缘点的上下文信息很好的连接边缘，就可以得到比较好的边缘检测结果。
基于这种思想，有学者提出了自适应平滑滤波和松弛迭代方法，这两种方法对复杂图像以及含噪声的图像可以取得很好的边缘检测效果，但是也存在算法复杂，计算耗时间的缺点。
图1-1是边缘检测的流程图。
图1-1边缘检测的流程图
1.3我国汽车牌照识别的难点
虽然，国外汽车牌照识别系统研究工作己有一定进展，但并不尽合我国国情，这主要是因为以下五个方面的原因：
（1）我国标准汽车牌照是由汉字、英文字母和阿拉伯数字组成，汉字的识别与字母和数字的识别有很大的不同，从而增加了识别的难度；
（2）国外许多国家汽车牌照的底色和字符颜色通常只有对比度较强的两种颜色（例如韩国的车牌底色为红色，车牌上的字符为白色），而我国汽车牌照仅底色就有蓝、黄、黑、白等多种颜色，字符颜色也有黑、红、白等几种颜色；
（3）其他国家的汽车牌照格式（如汽车牌照的尺寸大小，牌照上字符的排列等）通常只有一种，而我国则根据不同车辆、车型、用途，规定了多种牌照格式（例如分为军车、警车、普通车等）；
（4）我国汽车牌照的规范悬挂位置不统一；
（5）由于环境、道路或人为因素造成汽车牌照污染严重，这种情况下国外发达国家不允许上路，而在我国仍可上路行驶。
由于我国汽车车牌识别的特殊性，采用任何一种单一识别技术均难于奏效。
使得车牌定位识别的难度大大增加。
1.4课题的主要研究内容
本课题所要研究的内容是针对通过数码相机抓拍到的图像进行基于图像处理技术的车牌识别的研究与开发。
具体研究主要包括图像采集、车牌的定位、字符的分割三大块内容，字符识别可参考其它教科书。
其中涉及了模式识别、图像处理、视频处理等方面的知识，具体流程图如图1-2所示。
图1-2LPR系统流程图
主要研究内容如下：
（1）图像采集。
介绍了常用的车辆检测方法，并分别介绍了光流场法、基于相邻帧差算法以及背景消减法的运动目标检测的基本原理，讨论了各自优缺点。
并提出采取简单实用的背景消减法作为车辆检测的方法较好。
（2）车牌定位。
首先介绍了汽车牌照的类型、字符特征和先验知识。
再分别介绍直接车牌定位法，多分辨率车牌定位法和基于数学形态学的车牌定位法。
并讨论了各自有缺点及其适用范围。
（3）边缘检测。
先对图像进行预处理，主要对图像的灰度化、二值化方面的处理进行了详细的分析。
再比较分析了简单边缘检测算子和各种梯度算子，通过几种边缘检测算法对采集来的图像进行了大量实验，得到canny算子能在噪声抑制和边缘检测之间取得较好的平衡，并能产生较细的边缘效果。
且有着计算简单，容易实现，速度快等优点。
故本文采用canny算子对车牌的边缘进行了提取，仿真结果表明了该算子能较好的检测出图片的边缘信息。
第2章汽车图像的采集
运动目标的检测与跟踪研究一般分为两类：
（1）摄像头是固定的，只对视场内的运动目标进行检测。
目前大多数运动目标检测算法研究的都是基于这种情况。
（2）摄像头和跟踪的目标都是运动的。
本章将主要对前一种情况进行讨论和研究。
2.1常用的车辆检测方法
目前较常用的车辆检测方法有：
环形磁感线圈检测、超声波检测、微波雷达检测、红外线检测、气动导管检测、光电式检测、基于视频车辆检测等。
以往的车辆检测大多数都是在道路的固定地点埋设压感线圈来获得的，这种方式的缺点是设备安装过程复杂，易于受损，且对路面造成破坏，维护费用相对较高。
而基于激光传感器、红外传感器的检测，人为的干扰则比较大。
相对而言，基于视频的道路交通监测系统具有不破坏路面，检测范围大，安装使用灵活，维护费用低的特点，具有广阔的应用前景[7]。
可见视频检测同其他方法相比具有很大的优越性，尽管在应用过程中还存在着易受外界环境干扰的影响、检测准确率较低等缺点，然而随着计算机硬件与软件技术的不断发展，已逐渐成为交通参数检测中的一种新兴技术。
2.2运动车辆检测算法概述
目前常用的基于视频的车辆检测算法可分为如下几种[8-9]：
光流场法，帧差法，背景消减法。
下面按照上述分类分别加以介绍。
2.2.1光流场法
光流（Imageflow）的概念是Gison于1950年提出的。
所谓光流[10,11]是指图像中模式运动的速度，光流场是一种一维（2D）瞬时速度场，其中一维速度向量是可见的二维速度向量在成像平面上的投影。
光流法是把检测区域的图像变为速度的矢量场，每一个向量表示了景物中一个点在图像中位置的瞬时变化。
因此，光流场携带了有关物体运动和景物二维结构的丰富信息，通过对速度场（光流场）的分析可以判断在检测区域内车辆的有无。
光流计算法的优点在于光流不仅携带了运动区域的运动信息，而且还携带了有关景物二维结构的丰富信息，它能够检测独立运动的对象，不需要预先知道场景的任何信息，并且能够适用于静止背景和运动背景两种环境，具有较好的适应性。
但是当运动区域与背景图像的对比度太小，或图像存在噪音时，单纯的从图像灰度强度出发来探测运动区域的光流场方法将会导致很高的虚警率。
此外，光流场法的计算复杂耗时，除非有特殊的硬件支持，否则很难满足实时运动区域的检测。
从而导致光流计算算法的实用性比较差。
2.2.2帧差法
帧差法[12]是将前后两帧图像对应像素点的灰度值相减，如果灰度差值很小，可以认定该点无车经过;
反之灰度变化很大，则认定有目标经过。
帧差法的特点是实现简单、运算速度较快，对于动态环境有很强的适应性，对光照变化也不十分敏感。
采用这种方法时，需要考虑如何选择合适的时间间隔进行差分运算，这一般依赖于所检测的目标的运动速度。
对快速运动的物体，需要选择较小的时间间隔，因为如果时间间隔过大，在最坏情况下物体在前后两帧中没有重叠，就会造成被检测物体为两个分开的目标；
而对慢速运动的物体，应该选择较大的时间差，如果时间间隔过小，在最坏情况下，车辆在前后两帧中几乎完全重叠，导致根本无法检测到物体。
2.2.3背景消减法
背景消减法[13]是目前基于视频的运动目标检测算法中最常用的一种方法。
背景消减法可以看作是一种特殊的帧差法。
它是一种利用当前帧图像与背景图像对应像素点的灰度差值来检测车辆的技术：
如果当前图像的像素点和背景图像的像素点灰度值差别很大，就认为此像素点有车通过；
相反，如果当前图像的像素点和背景图像的像素点灰度值差别较小，并且在一定的范围值内，我们就认为此像素点为背景像素点。
背景消减法的关键是背景提取与背景更新。
然而该方法对于动态场景的变化，如光照的变化和阴影的干扰等比较敏感。
因此，构建一个可靠的背景模型进行背景提取与动态更新以适应环境的变化是必要的。
背景图当前帧消减结果
图2-1背景消减法效果
通过比较分析，采取简单实用的背景消减法作为车辆检测的方法较好。
首先提取无车辆状态下的背景图像，通过将当前图像与背景图像做差分找到作为前景的运动物体。
如公式（2-1）所示，变量C为视频卡采集的当前帧图像，变量BG为背景帧图像。
如果当前图像不含车辆，则和背景图像相同，此时差值为0。
反之，如果当前图像包含车辆，则和背景图像不同，此时差值为1,阈值T的作用是减少噪声和光线变化的影响。
（2-1）
2.3背景图像的提取与更新
2.3.1背景图像的提取
在序列图像中连续提取K帧图像，并且把在一定范围中的像素灰度值按一定的序号顺序存储在预先开辟的内存空间中，对该范围中的每个像素逐点求其灰度值的直方图，选择出现次数最多的灰度值作为背景图像中当前像素的灰度值。
当遇到目标比较密集的情况时，可以适当增加图像采集的帧数，以便构建较好的背景图像。
在初次的背景构建过程中，将不对读入的视频图像进行运动目标检测。
2.3.2背景图像的更新
对背景的更新，采用隔时进行背景提取和更新的方法。
在程序中设置一个定时器，每隔一段时间，程序就自动进行一次背景提取。
在背景提取过程中，程序仍进行车辆的检测，不过本次检测所用的背景为上一次提取的背景。
一旦当前背景提取结束，当前背景就会自动取代上一次的背景，在下一帧的车辆检测时就可以使用更新后的背景进行来车检测。
实验表明，此方法可以有效抑制光线和自然条件的缓慢变化，并能够在一定程度上提高背景差分算法检测运动目标的效果。
2.4有无车辆判定
设背景图的灰度函数为
，当来车出现且行进到适当位置，此时当前帧图像的灰度函数为
。
（2-2）
上式中HG为灰度判决门限值，若满足公式（2-2），则可以判定有来车，否则无车。
HG如果选择过大，有可能造成漏判；
HG过小则有可能造成误判。
视频检测的主要目的是通过设计判断识别算法，正确识别有无来车，将有来车的图像进行抓拍并作进一步的处理，对HG于没有来车的图像将丢弃。
首先将一幅没有车辆经过的图像作为背景模板。
将待处理的当前灰度图像的对应像素值与模板图像的灰度值相减；
再根据设定的灰度门限进行标记，差值大于HG的像素标记为“1"
，其个数记为n，然后记整幅图像像素个数为N，当n/N大于门限值JG时，判定有来车，否则无车。
HG和JG的值一般根据实际情况确定。
在实际的工程应用中，为了获得较快的判决速度，只对整幅图像的某一区域进行检测[14]。
第3章车牌定位
在车牌识别过程中，车牌定位、字符切割和字符识别这三个步骤是相辅相成的，车牌定位的好坏直接影响到后续各步的处理。
因而车牌定位是提高整个系统识别率的关键中的关键[15]。
3.1现行汽车牌照的规格
3.1.1现行汽车牌照的类型
根据中华人民共和国公共安全行业标准对机动车牌照的有关规定，车辆牌照主要有六种类型[16-17]：
（1）小型汽车所用的蓝底白字牌照；
（2）大型汽车所用的黄底黑字牌照；
（3）军用或警用的白底黑字、红字牌照；
（4）国外驻华机构用的黑底白字牌照；
（5）摩托车牌照，前220mm长95mm宽;
后220mm长，140mm宽；
（6）农用运输车、拖拉机牌照。
前四种车牌的前牌长度均为440mm，宽度为140mm，共有字符7个我们识别主要针对这四种车牌，一般民用牌照第一个字符是汉字，且是各省、自治区、直辖市的简称，如“川”、“桂”、“京”、等。
第二个字母是大写英文字母，是发证机关代号，如“A"
、"
B"
C”等。
第三个字符可能是英文字母，也可能是阿拉伯数字。
第四至第七个字符是阿拉伯数字。
第三到第七个字符表示的是车辆的注册编号。
如“川C52205”就是最典型的车牌号码。
有的时候最后一个字符也可能是汉字，如“川C5487学”。
图3-1常见车牌
3.1.2车牌字符特征
标准车牌（除军车、警车、教练车、外交车外）含有七个字符。
它们基本呈水平排列。
字符（除去边框）的总长度为409mm，其中单个字符的统一宽度为45mm，高度为90mm，在第二和第三个字符之间间隔为34mm，其余的字符间距都为12mm。
3.1.3车牌比例特征
由规定的车牌物理尺寸可以得到车牌的一些重要的比例特征：
车牌宽高比：
Rplate=440/140=3.14
字符/间距：
Rcha/in=45/12=3.75
字符宽高比：
Rchar=90/45=2
字符区域宽高比：
Rare=409/90=4.54
这些比例特征对于车牌定位和车牌字符分割都有很重要的意义。
3.2车牌的先验知识
为了准确、快速地定位出车辆牌照，人们己经研究出了很多算法，这些算法都或多或少地利用了车牌的先验知识，即车牌的自身特征。
当然这些特征对于不同国家是不同的，我国车牌具有以下可用于定位的特征[18]：
（1）形状特征：
车辆牌照在图像中是一个近似长方形或近似平行四边形的图形。
虽然真实的汽车牌照是一个矩形，但由于摄像头的安装位置和拍摄角度的原因，拍摄的车牌可能不是矩形。
国家统一的车牌大小是标准的，宽高比是一定的，即使有所变形也是在一定范围内，因此车牌在原始图像中的相对位置比较集中，偏差不会很大。
（2）颜色特征：
现有的车牌有4种颜色类型：
小型汽车的蓝底白字车牌、大型汽车的黄底黑字车牌、白底黑字的军警车、黑底白字的国外驻华使馆用车。
（3）灰度跳变特征：
车牌的底色、边缘颜色和车身的颜色各不相同，表现在图像中即灰度级互不相同，这样在车牌边缘形成灰度突变边界。
在车牌区域内部，由于字符本身和牌照底色的灰度是均匀的，所以穿过车牌的水平直线呈连续的峰、谷、峰的分布。
（4）纹理特征：
车牌内有多个字符，而且大小统一、基本水平排列，一般数目确定，文字和背景之间有明显的灰度对比。
车牌图像定位的难点主要有：
（1）图像获取受环境因素干扰（环境光照不均匀等），车牌照片质量难以得到保证；
（2）广告牌等其它字符区域干扰，可能导致定位错误；
（3）车牌出现污损，变脏，笔迹模糊，褪色等；
（4）车牌被保险杠等部分遮挡；
（5）车辆速度过快造成图像的模糊失真等；
（6）应用背景复杂，车辆种类繁多、车型、颜色变化多样。
3.3车牌定位
车牌定位即根据
升级会员 