车牌定位的毕业论文.docx

《车牌定位的毕业论文.docx》由会员分享，可在线阅读，更多相关《车牌定位的毕业论文.docx（11页珍藏版）》请在三一文库上搜索。

1、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

2、检测的方法 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

3、车牌，需要附加量加大的运算。 3.1.2 基于阈值化的方法 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

4、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 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。 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。 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

5、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。 Robert算子 在图 像中边缘的锐利程度是由图像的梯度来决定的。梯度是一个向量,o f指出梯度变化最快的方向和数量. （3-1） Prewitt算子和Sobel算子 1970 年左 右，Prewitt和Sobel分别提出7一个算子，即Prewitt算子Sobel算子。 Prewitt边缘检测算子使用两个有向算子(一个是水平的，一个是垂直的一般称为模版，每

6、一个逼近一个偏导数): （3-2） Sobel算子和Prewitt算子的不同在于使用的模板不一样 ： （3-3） 对一些图像噪声结构，Sobel算子和Prewitt算子能产生比较好的结果，但是他们存在一些共同的问题: A.检测结果对噪声很敏感，图像的离散差分对噪声比对原图像更敏感; B.可以通过对图像做平滑来改善结果，但是又会产生一个问题:会把一些靠在一起的边缘平滑掉，而且会影响对边缘的定位: C用上述模板卷积后得到的边缘可能是跨越好几个点而不是一个点:为了改善这个问题 ，还要做一些改进:边缘像素不只是要大于闽值，而且梯度方向上梯度的 大小要大于它的前者和后者，这个方法称之为非极值抑制. Ca

7、nny边缘检侧算子 提起图像边缘检测就不得不提Canny准则及Canny算子。1986年JohnC anny提出了划时代的边缘检测的三条准则，并在此基础上得到了一个很不错的使用算法。Canny三准则: A. 好的检测结果，或者说对边缘的错误检测率要尽可能的低:就是在图像上边 缘出现的地方检测结果不应该没有:另一方面也不要出现虚假边缘。这是因为所有用边缘检测做更深入工作的系统，它的性能依赖于边缘检测的误差 。B. 对边缘的定位要准确:检测出的边缘位置和图像上真正的边缘中心位置充分接近 。 C. 对同一边缘要有低的响应次数。 Canny还提出一种对噪声进行估计的使用方法。假设边缘信号的响应是比较少

8、的而且是比较大的值而噪声的响应是很多但是值相对较小，那么阈值就可以通过滤波后的图像的统计累积直方图得到(实践数据表明取阈值为这个累积直方图的0.8，而Matlab取其0.7)。在Canny准侧的基础上，人们进行了更深入的研究，得到了很多的结果。 但是仅仅有一个阈值是不够的。由于噪声的影响边缘信号响应只有差不多一半大于这个阈值的，由此造成了斑纹现象，也就是边缘是断的.如果我们把这个阈值降低，我们往往发现出现错误的“边缘”。为了解决这个问题，Canny提出一种双阈值方法。前面利用累计统计直方图得到一个高阈值T,，然后再取一个低阈值Tz (Matlab6.5中使用的是T2=0.4T,)。如果图像信号

9、的响应大于高阈值，那么它一定边缘;如果低于低阈值，那么它一定不是边缘;如果在低阈值和高阈值之间，我们就看它的8个邻接像素有没有大大于高阈值的边缘，如果有，则它是边缘。 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。由于人类视觉对彩色信息比较敏感，人眼能分辨的灰度只有20多级，而分辨的色彩却有35000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

10、值直方图的方法确定牌照的位置，但是当车牌区域颜色域附近颜色非常相似且牌照倾斜的情况下彩色定位分割错误将会增加。 但是基于彩色图像的定位算法最大的缺点是计算量和存储量都比较大，如基于神经网络的彩色图像车牌分割方法，此方法需要处理好网络局部收敛问题，定位时间长。此外当车牌区域颜色和附近颜色相似时，定位错误增加。 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连通区域图像，再进行轮廓跟踪，通过标记候选牌照区域，得到n个候选牌照区域，最后对候选牌照进行分析与分解，进而提取牌照区域，但是当途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

11、色粗分割，得到了颜色为车牌照的一些区域。然后将分割结果中的伪目标（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近的汽车外壳），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色彩分割，再进一步定位车牌，计算量巨大。目前，基本上处于理论研究阶段，随着计算机运算速度的提高，应该逐步走向实用阶段。 上述4种方法中，基于直线检测的方法对我国车牌来讲并不完全适用，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

12、然造成定位算法失效，如果结合别的算法则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，这样看来，在兼顾到实时心要求和定位成功率的情况下，基于灰度边缘检测的方法不失为一个理想选择。此外，基于颜色（提取像素点）的车牌定位也是比较普遍的定位方法。 3.2 车牌定位流程 本次毕业设计中所用的方法是基于图像的特征来做的，先初步确定车牌大致区域，再通过计算对车牌进行精确定位 流程图如图3-1所示：3.3 图像预处理 图像预处理是车牌定位的准备工作，以提高车牌图片的适用性。从采集卡获得的原始图像不仅包括车牌照，而且还有汽车本身和汽车背景图像，因此必须去掉这些非牌照图像的影响，才有

13、可能正确的提取出牌照区域，为以后的车牌字符识别打下基础。在实际应用中，由于季节的更替、自然光照度的昼夜变化、光照的稳定性与均匀性、车辆自身的运动、观察点(摄像机的角度、位置、观察角度等)、采集图像的设备本身的因素等的影响，CCD所获取的图像有时并不令人十分满意，存在各种各样的噪声。因而必须对图像进行预处理，以改善图像质量，提高字符识别率。 3.3.1 灰度变换 灰度图是指只包含亮度信息，不包含色彩信息的图像，例如平时看到的亮度连续变化的黑白照片就是一幅灰度图。灰度化处理就是将一幅彩色图像转化为灰度图像的过程。彩色图像分为R、G、B 三个分量，分别显示出红、绿、蓝等各种颜色，灰度化就是使彩色的R

14、、G、B 分量相等的过程。灰度值大的像素点比较亮（像素值最大为255，为白色），反之比较暗（像素值最小为0，是黑色）。 本次灰度图像变换的实现采用了rgb2gray函数 rgb2gray：转换RGB图像或颜色映像表为灰度图像 格式：I=rgb2gray(RGB) I=rgb2gray(A) 原始图像和灰度图如图3-2、3-3所示：3.3.2 图像增强 对车辆图像进行灰度化处理之后，车牌部分和非车牌部分图像的对比度并不是很高，此时如果直接进行边缘提取，由于车牌界限较为模糊，难以提取出车牌边缘，因而难以准确定位车牌。为了增强牌照部位图像和其他部位图像的对比度，使其明暗鲜明，有利于提高识别率，需要将

15、车辆图像进行增强。 图像增强的目的是对图像进行加工，以得到对具体应用来说视觉效果更适于计算机识别的图像。增强图像的方法有很多，如灰度变换、图像平滑处理和线性滤波等，根据处理图像域又可分为空间增强与频域增强。目前用于车牌图像增强的方法有：灰度拉伸、直方图均衡、中值滤波、高斯滤波、邻域滤波、图像腐蚀、多图像平均、同态滤波等等。 （1） 对原始图像进行开操作得到背景图像： s=strel(disk,13);%strel函数 Bgray=imopen(Sgray,s); figure,imshow(Bgray);title(背景图像); 输出背景图像，如图 3-3 所示：边缘检测主要是精确定位边缘和抑

16、制噪点，原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处及其灰度变化较大，故该处微分计算值较高，可将这些为分支作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置门限的方法提取边缘点集。 常用的传统边缘检测算子有 Robert 算子、Sobel 算子、Prewitt 算子、Laplace 算子和Canny 算子9。 Robets算子：边缘定位准确，但对噪声敏感，去噪声作用小，适合于边缘明显且噪声较小的图像分割； Sobel算子：它是方向性的，在水

17、平和垂直方向上形成了最强烈的边缘。Sobel算子不仅能检测边缘点，而且能抑制噪声影响，对灰度渐变和噪声较多的图像处理得较好； Prewitt算子：与Sobel算子相比，对噪声抑制较弱； Laplace算子：它是一个与方向无关的各向通行边缘检测算子，对细线和孤立点检测效果好，但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用，很少直接用于检测边缘； Canny算子：边缘检测的方法是寻找图像梯度的局部极大值，它使用两个阈值来分别检测强边缘和弱边缘，而且仅当弱边缘和强边缘相连时，弱边缘才会包含在输出中。 通过实验图对几种边缘检测算子进行仿真（图3-5至3-8），可知： Roberts算子定

18、位比较准确，但由于不包括平滑，所以对噪声比较敏感。 Prewitt算子和Sobel算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波，对噪声具有一定的抑制能力，但不能完全排除检测结果中出现伪边缘。该类算子对灰度渐变和具有噪声的图像处理比较好。其中Sobel算子比Prewitt算子更能抑制噪声的影响。 Canny算子同样采用高斯函数对图像做平滑处理，因此具有较强的去噪能力，但同样存在容易平滑掉一些边缘信息。同时它所采用的一阶微分算子的方向性较好, 因此边缘定位准确性较高。图 3-8 Canny算子 结论分析：通过边缘检测仿真结果图可见，几个边缘检测算子都可以较好的提取所需的车牌边缘。为

19、了车牌的定位，希望车辆图像的车牌区域突现出来的同时，其它边缘能够很好的得到抑制。Canny算子提取边缘能有效地检测出车牌区域的纹理特征，所以，本次设计选用Canny算子。(2）灰度图像二值化 灰度图像的二值化处理就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。在数字图像处理中，二值图像占有非常重要的地位，要进行二值图像的处理与分析，首先 要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像

20、素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为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。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。动态调节阀值实现图像的二值化可动态观察其分割图像的具体结果。 本文参考数字图像处理与分

21、析介绍的图像二值化最佳阈值计算方法： Level=(fmax1-(fmax1-fmin1)/3) 式中Level为最佳阀值，fmax为最大灰度，fmin为最小灰度，将图像二值化： fmax1=double(max(max(Egray); %egray的最大值并输出双精度型 fmin1=double(min(min(Egray); %egray的最小值并输出双精度型 level=(fmax1-(fmax1-fmin1)/3)/255; %获得最佳阈值 bw22=im2bw(Egray,level); %转换图像为二进制图像 bw2=double(bw22); figure,imshow(bw2)

22、;title(图像二值化); %得到二值图像，如图 3-9：3. 5 形态学滤波 形态学是法国和德国的科学家在研究岩石结构时建立的一门学科。形态学的用途主要用来获取物体拓扑和结果信息，他通过物体和结构元素相互作用的某些运算，得到物体更本质的形态。人们后来用数学形态学表示以形态为基础对图像进行分析的数学工具。他的基本思想是用一个被称为结构元素的探针收集图像的信息。当探针在图像中不断移动时，便可考察图像各个部分间的相互关系，从而了解图像各个部分的结构特征。作为探针的结构元素，可直接携带知识（形态大小以及灰度和色度信息）来探测所研究图像的结构特征。 数学形态是一种非线性滤波的方法，可以用于抑制噪声，

23、进行特征提取、边缘检测、图像分割等图像处理问题4。数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，现在又有学者开始用软数学形态学和模糊形态学来解决计算机视觉方面的问题。 腐蚀是一种消除边界点的过程，结果是使目标缩小，空洞增大，因而可有效地消除孤立噪声点；膨胀是将于目标物体接触的所有背景点合并到物体中的过程，结果是使目标增大，孔洞减小，可填补目标物体中的空洞，形成联通域。先腐蚀后膨胀的过程为开运算，它具有消除细小物体，并在纤细处分离物体和平滑较大物体边界的作用；先膨胀后腐蚀的过程为闭运算，具有填充物体内细小空洞，连接临近物体和平滑边界的作用。 本次毕业设计是运用了这种方法来实现其中重

24、要步骤的。对图像做了开运算和闭运算，这两种运算是数学形态学中的重要运算。开运算就是对图像先进行腐蚀，然后在用同一结构元素对图像进行膨胀运算。闭运算就是反过来，先对图像膨胀再腐蚀。闭运算可以使图像的轮廓线更为光滑，它通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓中的断裂。 滤波处理： bg1=imclose(grd,strel(rectangle,5,19); figure,imshow(bg1);title(图像闭运算5,19); bg3=imopen(bg1,strel(rectangle,5,19); figure,imshow(bg3);title(图像开运算5,19);

25、bg2=imopen(bg3,strel(rectangle,19,1); figure,imshow(bg2);title(图像开运算19,1)；结论分析：采用矩形算子能有效地将车牌区域连接成片，去除非车牌区域，通过程序处理后的图可以清楚地看到对图像经过开操作滤波后的可能的车牌区域都清楚的保留了下来，是非常成功的。 3. 6 车牌提取 对二值图像进行区域提取，并计算区域特征参数。进行区域特征参数比较，提取车牌区域，经根据先验知识和调试中的经验，设定了车牌长款的范围作为判断依据。 （1） 首先对图像每隔区域进行标记，然后计算每个区域的区域特征参数：区域中心位置，最小包含矩形、面积。 提取车牌特

26、征区域的代码： L,num = bwlabel(bg2,8); %标注二进制图像中已连接的部分 Feastats = imfeature(L,basic); %计算图像区域的特征尺寸 Area=Feastats.Area; %区域面积 BoundingBox=Feastats.BoundingBox; %车牌的框架大小 RGB = label2rgb(L, spring, k, shuffle); %标志图像向RGB图像转换 width=BoundingBox(l-1)*4+3); %框架宽度的计算 hight=BoundingBox(l-1)*4+4); %框架高度的计算（2）计算除包含所标

27、记的区域的最小宽和高，并根据先验知识，比较谁的宽高比更接近实际车牌宽高比，经更接近的提取并显示出来。 2007年实施的车牌标准规定，车前车牌长440mm，宽140mm。比例为440/1403.15.根据图像像素的大小，这里筛选条件为宽在100到160之间，高在25到50之间，这样就可以比较准确的得到车牌的大致位置。if (width100 & width25 & hight2 & rato4 break;楼主 imfeature 函数在你现在用的这个 MATLAB版本上已经废除不用了。你可以使用 REGIONPROPS 函数代替。 regionprops Measure properties of image regions Syntax STATS = regionprops(BW, properties) STATS = regionprops(CC, properties) STATS = regionprops(L, properties) STATS = regionprops(., I, properties) 其他的自己去 help 。