（计算机软件与理论专业论文）自然背景下车牌识别关键技术研究.pdf

摘要 车牌识别( l i c e n s ep l a t ei 沁c o g l l i t i o n ，l p r ) 是智能交通系统( i i l t e l l i g e n tt r a l l s p o n a t i o n s y s t e m s ，i t s ) 的关键技术，有着广泛的应用前景，如停车场管理、道路交通监控、高速 公路自动收费、住宅社区安全访问等。随着智能交通系统日益普及，研究更为稳定、快 速、准确的车牌识别技术具有巨大的研究意义和社会价值。 车牌识别的关键技术主要由三个部分组成，包括车牌定位、车牌字符分割和车牌字 符识别。文章对这三项技术进行了深入探索和研究，并提出了有效的方法，具体包括以 下内容： 在分析了各种典型的车牌定位算法的原理、性能以及适用范围的基础上，结合车牌 先验知识，提出了一种基于边缘检测的车牌定位算法。该方法采用边缘检测获取车牌区 域垂直边缘，利用数学形态学运算得到车牌候选区域，最后结合车牌结构特征，采用扫 描行法定位车牌。该算法综合利用了边缘检测、形态学运算在获取车牌候选区域准确的 优点以及二值图像在检测真实车牌上具有优势的特点，将二者有机结合起来，有效地解 决了自然背景下车牌定位问题，同时该算法适用于多车牌定位场合。大量实验表明，该 算法具有定位准确率高，鲁棒性强等优点。 在分析了包括模板匹配法、投影法等在内的传统车牌字符分割方法的基础上，提出 了一种基于车牌模板的字符分割方法。该方法利用扫描行法定位车牌字符上下边界，根 据车牌字符特征及排列特点确定标准车牌模板，通过模板与车牌垂直投影向量匹配，寻 找最佳匹配位置，从而确定车牌左右边界，然后结合投影法校正各字符边界，精确分割 字符。对提取的车牌进行大量的字符分割实验，实验表明该算法有效地解决了字符模糊、 粘连所带来的分割问题，具有较好的鲁棒性，分割速度快、准确率较高。 在分析了传统模板匹配字符识别方法存在的不足之处的基础上，提出了一种改进的 模板匹配法。改进的模板匹配方法根据英文数字字符笔画相对简单的特点，充分利用了 字符背景区域进行匹配，有效地解决了断裂、变形及模糊字符的识别问题，并给出了相 似字符识别的解决方法。根据车牌汉字具有字型复杂，笔画丰富的特点，提出了一种基 于两级竞争型神经网络的识别方法。该方法首先提取汉字骨架，采用s o m 网络分析结 构特征，实现汉字的粗分类，而后提取汉字统计特征，采用l v q 网络进行精确识别。 实验表明，两种识别算法针对性强、速度快、识别率高。 关键词：车牌识别；车牌定位；边缘检测；字符分割；车牌模板；字符识别；模板 匹配；神经网络 a b s t r a c t n o w a d a y sl i c e n s ep l a t er e c o g 血i o l p r ) b e c 恐e ak e yt e c m q u et oi n t e l l i g e m t 啪s p o n _ a t i o ns y s t e m s ( i t s ) s u c ha sp a r 妯n gl o t sa c c e s sc o n t r o l ，r o a dt r a m cm o l l i t o r i n g ， a u t o m a t e dp a y m e n to ft o l l so nk g hw a y s ，a n ds e c u r i 够a c c e s s w i t ht h eg r o w 血gp o p u l 撕t yo f i t s 。r e s e a r c m n go nm o r es t a b l e ，r 印i da n da c c u r a t el p rt e c h n o l o g y h 2 l st r e m e n d o u s s i g i l i f i c a n c ea n ds o c i a lv a l u e t h e r ea r et i l r e ek e yt e c 壬u l i q u e so fi i c e n s ep l a t er e c o g n i t i o n ，i n c i u d i n gm ei i c e n s ep l a t e 1 0 c a t i o n ，m ev e h j c l ec h a r a c t e rs e g m e n t a t i o na n dc h a r a c t e rr e c o g 面t i o n t h ea r t i c l ee x p l o r e d a n ds t u d i e dt h e mi nd e p m ，鲫dr a i s e ds o m ee 行i e c t i v em e t h o d s ，s p e c i 矗c a l l yi 1 1 c l u d i n gt h e f o l l o w i n g ： an e wa l g o r i t l l i l lo fv e l l i c l el i c e n s ep l a t el o c a t i o nb a s e d o ne d g ed e t e c t i o n - m o 印h o l o g y 1 i n es c a ni sp r o p o s e d f i r s t l y ，m e v e n i c a le d g e sw a l s0 b t a i n e db ye d g ed e t e c t i o n s e c o n d l y ，m o r p h o l o g yo p e r a t i o nw a su s e dt og e tt h ec a n d i d a t ep l a t er e g i o i l s f i n a l l y ，d o u m e l i n es c a nb 2 l s e do nt h el i c e n s ep i a t ec h a r a c t e r i s t i c sw a su s e df o rp l a t er e g i o nd e t e “o n t h e e x p e 洒e n t a lr e s u l t ss h o w 也a tt h i sm e t h o dh a sh i g h e rv e r a c i t ya n ds t r o n g e rp r a c t i c a b i l i t y ， t k sp a p e rp r e s e n t san e wa l g o r i 咖nf o rc h a r a c t e rs e g m e n t a t i o n f i r s t l y ，c h a r a c t e r s t o p b o t c o me d g e sc a nb eo b t a i n e db ys e a r c h i n g 行o mm i d d l et oe n d s e c o n d l y ，g e n e r a t et h e t e m p l a t eo fc h a r a c t e rs t r i n ga c c o r d i n gt ot h ep o rk n o w l e d g ea 1 1 dc h a r a c t e rh e i g h t t h i r d l y ， g e tt l l el e r r i g h te d g e sb yo p t i m i z a t i o nm a t c l l i n gl o c a t i o nu s i n gs l i d i n gt h et e n l p l a c e a i l d m a t c h i n gt h ev e n i c a lp r o j e c t i o nv e c t o r 丘o ml e rt or i g h t a n dt h e n ，t h es i n g l ec h a r a c t e r sc a n b es e g m e n t e du s i n gt h el e 盘e d g ep o s i t i o na i l dt e m p i a t ec h 瑟a c t e r i s t i c s t h ee x p e r i m e n tr e s u l t s s h o wt h eg o o dp e r f o r m a n c eo ft h es e g m e n t a t i o na l g o r i m m b a s e do nt 1 1 ea n a l y s i so fm e 臼r a d i t i o n a lt e m p l a t em a t c h j n gc h a r a c t e rr e c o g i l i t i o n m e t h o d ss h o i r t c o m i n g s ，t h ep a p e rp r o p o s e da i li m p r o v e m e n ta l g o r i t l l m n e wm e t h o dm a k e 如1 1u s eo ft h ec h a r a c t e r sb a c k 影o u n df o rm a t c l l i n g ，e n e “v e l ys o l v e dt h e 盘a c t u r ea n d 如z z y c h a r a c t e rr e c o g n i t i o n a n dg i v e sas i m i l a rc h a r a c t e rr e c o g n j t i o ns 0 1 u t i o n a c c o r d i n gt ot h e c o m p l e xc b j n e s ec h a r a c t e r s ，p r o p o s e dat w o 1 e v e l n e t w o r kr e c o g i l i t i o nm e t l l o d ，e x p e r i m e m a l p e r f o m l a l l c eo ft h et 帅m e 也o d sp r o v e dv e 巧9 0 0 d k e yw o r d s ：l i c e n s ep l a t er e c o g 面t i o n ；l i c e n s ep l a t el o c a t i o n ；e d g ed e t e c t i o n ；c h a r a c t e r s s e g m e 删i o n ；p 1 a t et e m p l a t e ；c h a r a c t e r sr e c o g l l i t i o n ；t 锄p l a t em a t c h ；n e 嗽ln e 啪f k n 独创性声明 本人郑重声明：所提交的学位论文是本人在导师指导下独立进行研究工作所取得 的成果。据我所知，除了特别加以标注和致谢的地方外，论文中不包含其他人已经发 表或撰写过的研究成果。对本人的研究做出重要贡献的个人和集体，均已在文中作了 明确的说明。本声明的法律结果由本人承担。 学位论文作者签名：型垄金 日期：) d 口9 、上为 学位论文使用授权书 本学位论文作者完全了解东北师范大学有关保留、使用学位论文的规定，即：东 北师范大学有权保留并向国家有关部门或机构送交学位论文的复印件和电子版，允许 论文被查阅和借阅。本人授权东北师范大学可以采用影印、缩印或其它复制手段保存、 汇编本学位论文。同意将本学位论文收录到中国优秀博硕士学位论文全文数据库 ( 中国学术期刊( 光盘版) 电子杂志社) 、中国学位论文全文数据库( 中国科学技 术信息研究所) 等数据库中，并以电子出版物形式出版发行和提供信息服务。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：燧 ， 日 期：2 1 ：复：! 弓。 学位论文作者毕业后去向： 工作单位： 通讯地址： 指导教师签名：盆孟整 日 期：扭8 ：上：孑。 电话： 邮编： 东北师范大学硕士学位论文 1 1 课题研究背景 第一章引言 近年来，随着数字图像处理技术、模式识别以及人工智能技术的日益成熟和发展， 智能交通系统逐渐应用于交通运输的多个领域。车牌识别作为智能交通系统的关键技 术，日渐应用于诸如道路交通监控、高速公路不停车收费、停车场管理、车辆身份认证 等对实时性和执行效率要求较高的场合。为了满足这些需求，车牌识别必须具有识别率 高、实时性强、可全天候工作的能力。部分应用领域，如道路交通监控还要求识别系统 具备可同时识别多车辆的能力，以满足低硬件成本的需求。因此，与车牌识别相关的理 论和技术越来越受到学者们的重视。然而，由于我国车牌存在自身特点，国外先进识别 技术应用局限性较大，难以兼顾各项性能指标。这就迫切要求学者们在研究和借鉴国外 先进车牌识别技术的同时，提出专门针对我国车牌特点的高效的、实用的车牌识别技术 和方法。 车牌识别包括三个基本步骤：车牌定位、车牌字符分割和车牌字符识别。它们环环 相扣，每一步的精确性都直接影响着下一步处理的准确率，进而影响整个识别系统的识 别率。 车牌定位是车牌识别的关键环节，从自然背景中提取出车牌，是识别车牌的先决条 件。与其它国家相比，我国的车牌具有自身的特点：1 车牌内不仅包含字母和数字，而 且包含汉字；2 污损牌照汽车可以上路行驶；3 车牌悬挂位置不一；4 大型机动车前牌 和尾牌规格不同；5 车牌类型及颜色较多，小功率车牌照一蓝底白字，大功率车牌照一黄 底黑字。因此，国外比较成熟的车牌定位技术并完全不适合我国国情。国内的研究者们 通过多年的研究，提出了多种适合我国汽车牌照特点的车牌定位方法，取得了较好的效 果，具有代表性的方法主要有：边缘检测法、基于神经网络的定位方法口3 和彩色分割方 法副。 在准确定位车牌基础上，通过字符分割技术可以将车牌分成单个字符，提取特征后 即可输入分类器进行识别，因此字符分割直接影响识别的准确率，是车牌识别过程中关 键的一个环节。目前车牌字符分割方法主要有3 种：投影法妇3 、基于聚类分析的分割方 法：和模板匹配法心1 。然而这几种方法在实际应用中都会存在一定的局限性。比如：经 过定位得到的车牌往往包含边框及铆钉，和光照条件、车况等客观条件，使字符笔画存 粘连、模糊等情况，以上因素都会导致投影法字符分割不准确，同时该方法对于解决某 些汉字的不连通问题也存在着不足。聚类分析法同样不能有效解决字符粘连问题，而模 板匹配法对车牌左右边框定位不够准确。 东北师范大学硕士学位论文 车牌字符识别是获取车牌字符的关键技术，车牌定位和车牌字符分割都是其准备工 作，都是为了能够使其达到最佳识别效果的预处理技术，车牌字符识别直接决定着输出 字符与实际车牌字符是否一致。车牌字符识别算法主要有基于模板匹配的方法、特征统 计匹配方法和神经网络识别方法。 1 2 国内外研究现状 车牌识别技术的研究最早出现在二十世纪8 0 年代，但只是对某一具体问题进行研 究，没有形成完整的体系。进入9 0 年代，随着计算机视觉技术的发展和计算机性能的 大幅提高，学者们开始对车牌识别进行系统化研究。1 9 9 0 年a s j o h n s o n 等运用计算 机视觉技术和图像处理技术实现了车牌自动识别崎。二十世纪9 0 年代后期，我国学者开 始对车牌识别技术进行研究，并提出了适应我国车牌特点的识别技术。 车牌识别的关键技术主要有三部分：车牌定位、车牌字符分割以及车牌字符识别， 其发展各具特点。 1 2 1 车牌定位技术的研究现状 国外发达国家对车牌定位技术的研究起步较早，s h ak 锄a t 等人哺3 用h o u 曲变换 检测直线，进而在车牌图像中检测出车牌矩形，实现车牌定位；j o ec h p 0 0 n 等人盯3 用数学方法对车牌二值图像进行处理，实现定位；s a n gk y o o n m 等。将分布式遗传算 法应用到车牌定位上；s i r i “n a p h o n gt 等人阳1 采用四层人工神经网络提取车牌。由于现 代化交通发展需要，我国学者在二十世纪9 0 年代也开始对车牌定位技术进行深入研究， 并取得了一定的成效。 虽然上述车牌定位方法具有一定的实用价值，而且有些已经应用到实际系统当中， 但这些方法基本上都是针对某一具体应用领域，并且只针对简单背景下单一车辆的定 位，不能满足背景复杂、多车辆检测等应用领域的实际要求，因此需要学者们进一步的 研究。 1 2 2 车牌字符分割技术的研究现状 目前车牌字符分割方法主要有3 种。 投影法：对定位后的车牌图像进行水平垂直投影，找到车牌字符串边界，再结合车 牌格式先验知识找到各字符的边界，从而将车牌字符串分割成单个字符口3 。 基于聚类分析的分割方法：按照属于同一个字符的像素构成一个连通域的原则，结 合车牌字符固定高度、间距的固定比例关系分割车牌。 模板匹配法：根据车牌字符排列规则，引入匹配模板，并使用该模板与竖直积分投 影曲线匹配，计算最佳匹配位置，从而得到字符分割的准确结果h 7 。 2 东北师范大学硕士学位论文 1 2 3 车牌字符识别技术的研究现状 目前最常用的车牌字符识别方法主要有两种：基于模板匹配的方法n 0 。1 2 3 和基于人工 神经网络的方法乜3 。模板匹配法的实质是通过比较输入模式与各类标准模板之间的相似 度，取相似度最大的模板对应的类别作为输入模式的所属类别。基于人工神经网络的方 法主要有两种：种方法是先对待识别字符进行特征提取，然后用提取的特征训练神经 网络分类器；另一种方法是直接把待识别字符输入网络，由网络自动实现特征提取和识 别。 1 3 本文研究的主要内容 1 车牌定位是车牌识别的基础，能否迅速准确地从图像中提取出完整的车牌是决 定整个车牌识别系统成败的关键。现有的典型车牌定位方法局限性主要体现在对车牌质 量要求较高、车牌倾斜度限制较大、不适于背景复杂或多车牌的图像定位。 针对以上问题，本文提出了一种基于边缘检测的车牌定位方法。该方法采用边缘检 测获取车牌垂直边缘，采用形态学运算获取连通车牌候选区，最后结合车牌字符排列特 征和结构特点对候选区域内二值图像应用扫描行法进行遴选，精确定位车牌。该定位方 法对车牌模糊、污损、倾斜及悬挂位置限制较小，具有鲁棒性强、准确率高等优点，适 合应用于自然背景以及多车牌定位的场合。 2 车牌字符分割是获取单个车牌字符的关键技术，字符分割的准确性直接影响后 续字符识别的正确率。由于提取的车牌不仅包含车牌字符串，并时常包含车牌边框和其 它干扰线条，对准确定位车牌四周边界产生影响。由于光照条件不同，车牌字符串在图 像处理过程中可能会产生断裂、粘连等现象，容易造成各字符左右边界分割误差。 文章针对字符分割的难点，提出基于车牌模板的字符分割方法。该方法首先采用扫 描行法定位车牌上下边界，然后根据车牌先验知识确定车牌字符串排列模板，并与车牌 的垂直投影编码向量进行最优值匹配，定位车牌左右边界，最后结合车牌模板特征和投 影法修正各字符左右边界分割点，准确分割字符。该方法检测车牌字符串四周边界准确， 具有分割速度快、鲁棒性强、准确率高等优点。 3 车牌字符识别是获取车牌图像中字符所对应a s c i i 码的关键技术。经过分割得 到的单个字符，通常包含噪声干扰、模糊，甚至形变，这些因素都会影响字符识别的准 确率。 文章提出一种改进的模板匹配方法识别英文和数字字符。该方法在分析字符及其背 景特点的基础上，同时对字符及背景进行匹配，有效地消除了噪声的干扰，解决了字符 模糊、形变等问题，具有识别快速快、识别率高的优点。 文章针对车牌汉字字型复杂的特点，提出了基于两级竞争型神经网络的汉字识别方 法。该方法首先采用s o m 网络将汉字分类，然后提取汉字统计特征，输入l v q 网络进 行精确识别。该识别方法针对性强，识别率高，特别适合于车牌汉字识别。 东北师范大学硕士学位论文 1 4 本文的结构框架 第一章引言：主要介绍车牌识别技术的研究意义及发展现状。 第二章图像处理：主要介绍在车牌识别技术中常用的图像处理方法。 第三章车牌定位：首先介绍车牌定位技术的典型算法，然后提出了基于边缘检测 的车牌定位算法。 第四章车牌字符分割：首先介绍车牌倾斜校正的方法，而后提出了基于车牌模板 的车牌字符分割方法，最后介绍单个字符归一化过程。 第五章车牌字符识别：提出了一种改进的模板匹配的英文数字识别方法和基于两 级竞争型神经网络的汉字识别方法。 第六章结论与展望 4 东北师范大学硕士学位论文 第二章车牌识别相关图像处理技术 图像处理的目的是突出车牌识别所需要的信息，弱化其它不必要的信息。本章着重 介绍了与车牌识别相关的主要图像处理技术及其典型方法，包括图像增强、边缘检测、 形态学以及二值化操作等。文章中所用实验图像样本均为4 8 0 3 6 0 像素r g b 彩色图像， 其中一幅图像如图2 1 所示。 2 1 图像增强 图2 1r g b 彩色实验图像 图像增强是车牌定位过程中经常采用的方法。该方法主要有两类：一类是空域增强 法，主要包括灰度变换、直方图均衡化和邻域平均法；另一类是频域增强法，主要有高 通滤波、低通滤波和带通滤波等。本节将详细介绍空域增强法。 2 1 1 高帽低帽变换 高帽一低帽变换法是基于数学形态学开闭运算的，高帽变换用于展现图像灰度的峰 值，低帽变换用于展现图像灰度的谷值n3 】。高帽、低帽变换如公式2 1 、2 2 所示。 ，脚= ，一( ，。g ) ( 2 1 ) 胁，。卅= ( ，g ) 一， ( 2 2 ) 其中，为原始灰度图像，g 为结构元素，。为开运算，为闭运算。图像增强结果l 由 公式2 3 计算得到。 ，。= ，+ ，0 口一6 讲，。 ( 2 3 ) 对原始图像进行灰度化，然后进行高帽一低帽变换，图像增强效果如图2 2 所示。 东北师范大学硕士学位论文 2 1 2 直方图均衡化 直方图均衡是把一已知灰度概率分布的图像，经过变换最终演变成具有均匀灰度概 率分布的图像。自然图像的灰度直方图通常在低值灰度区间上频率较大，使得图像中较 暗区域中的细节常常看不清楚，为了使图像清晰，可将图像的灰度范围拉开，并且让灰 度频率较小的灰度级变大，既让灰度直方图在较大的动态范围内趋于一致。 直方图均衡化的特点是不需要我们指定感兴趣的灰度范围，就可以实现对比度的改 善。但是其增强效果与我们设计的灰度变换拉伸有一定的差距，尤其在图像噪声严重的 情况下，效果不好。均衡化图像增强效果如图2 2 所示。 2 1 3 邻域平均法 用，k ，代表汽车图像中只( o = f m ，o _ ，其中，m 和分别为图像的高 度和宽度) 像素点的亮度值n 引。t j 表示增强后图像的亮度，且满足公式2 4 匕叫啊( t ，一石，) + ，云， ( 2 4 ) 其中，彬是以，为中心的窗口，j 彬，和6 彬，分别是该窗口内像素的亮度均值和方差， 厂( 仃m ，) 为增强函数，如公式2 5 所示： p 形，) = 3 聊谢2 2 ( 口矿。一朋嗣) 2 + 柳耐2 3 ( m a x m 耐) 2 2 ( 仃矿一所耐) 2 + ( m a x 一朋f d ) 2 ( o 仃， 聊f d ) 白肼仃吼 m a ) 【) ( 2 5 ) b m a x ) 使用等蔫大小的矩形窗口彤，这样1 0 0 个窗口可以覆盖整个图像。首先计算出每个 窗口四个顶点的，i ，和仃，其中f _ 鼍m ，= 菇胛( m ，z = 0 ，1 ，1 0 ) 之后采用双线 性插值法，计算各点的，乏，和仃彬，。双线性插值法如公式2 6 、2 7 所示： 五j = ( 1 一勺 ( 1 一g ) 毛+ q 乏 + 。 ( 1 一巳) 乏+ q 琵 c 2 6 ， 仃暇，= ( 1 一o ) 【( 1 一巳b + c ，仃 + c ， ( 1 一巳b + c ，o 】 ( 2 7 ) 其中，等聊f 篙( 聊+ 1 ) ，若玎 t ，执行u 一0 消除背景线条噪声的效果如图3 3 所示。 fb ) ( c ) ( d ) 图3 3 边缘检测及消除干扰线条实验效果图( a ) s o b e l 算子垂直边缘检测效果；( b ) 当z 尸3 5 ，乃= 8 时的消除干扰线条效果；( c ) 当年2 5 ，瓦= 5 时的消除干扰线条效果；( d ) 当砰= 4 5 ，乃= 1 2 时 的消除干扰线条效果 大量实验表明，当乃= 3 5 ，正= 8 时，在消除了大部分干扰线条的同时，绝大部分车 牌垂直边缘得以保留。 3 3 2 检测车牌候选区 1 采用形态学运算获取候选区 虽然车牌区域含有丰富的垂直边缘，但其边缘并不连续，不利于跟踪。因此需要进 行一系列的形态学运算，使图像中的车牌形成连通区域，进而将车牌作为一个整体进行 分析。大量实验证明以下操作序列能够形成较好的连通区域：腐蚀、闭运算、水平膨胀。 在水平和垂直方向上分别使用一维脉冲滤波，可以消除图像中过长和过短线条。由 于倾斜因素的存在，需要对滤波后的图像做适当的水平和垂直方向增长，最后矩形化各 区域乜引，处理效果如图3 4 ( a ) 所示。 2 二值化候选区域 采用o t s u 方法对车牌候选区域范围内的灰度图像进行二值化，候选区二值化效果 如图3 4 ( b ) 所示。 1 7 东北师范大学硕士学位论文 ( a )( b ) 图3 4 检测候选区域实验效果( a ) 形态学处理结果；( b ) 候选区二值化效果 3 3 3 定位车牌 1 车牌区域特征 ( 1 ) 车牌矩形区域宽高比为3 1 4 ； ( 2 ) 车牌区域二值图像跳变密集分布； ( 3 ) 关于车牌水平方向对称的行扫描线的跳变次数成对称规律。 2 扫描行法检测车牌 结合车牌特征，对每个候选区域使用扫描行法检测车牌阳，车牌定位结果如图3 5 所示，具体算法如下： ( 1 ) 若满足宽高比在阈值范围内，则转入第( 2 ) 步，否则删除该区域。考虑到车牌平 面与成像平面之间的角度以及车牌倾斜的存在，一般取宽高比阈值r m m = 2 0 ， 尺。= 4 5 。 ( 2 ) 对满足( 1 ) 的区域： 计算经过其1 3 和2 3 高度的两条行扫描线的跳变次数玎，、玎，。 若强、，z ，满足跳变阈值 5 ，2 0 ，转入第( 3 ) 步，否则删除该区域。 ( 3 ) 对于满足( 2 ) 的区域： 计算刀= j 刀，一，z ，i 若，2 满足阈值范围( 经验阈值为 05 】) ，则判定其为车牌区域，否则删除该区域。 ( a ) 图3 5 车牌定位结果( a ) 定位效果； 副嘲 ( b ) ( b ) 检测出的车牌图像 东北师范大学硕士学位论文 3 4 实验结果及分析 实验过程中，建立两个实验图片数据库：一个是单车牌数据库，共有2 2 0 幅图片， 其中每幅图片仅包含一副车牌；另一个是多车牌数据库，共有8 6 幅图片，其中每幅图 片包含两副以上车牌。采用m a t l a b 7 1 对车牌定位算法进行实现，在i n t e lp e n t i u m4c p u ， 7 6 8 m bs d 删环境下，分别对两个数据库图片进行定位实验，定位平均时间为5 6 8 0 秒，定位实验结果如表3 1 和表3 2 所示。 表3 1 单车牌定位实验结果 图片种类样本数量正确数量漏检数量误检数量 单车牌图像 2 2 02 1 253 百分比 1 0 0 9 6 3 6 2 2 7 1 3 7 表3 2 多车牌定位实验结果 图片种类样本数量正确数量漏检数量误检数量 多车牌图像 8 67 925 百分比 1 0 0 9 1 8 6 2 3 3 5 8 1 多车牌数据库中的一幅图片的定位效果如图3 6 所示。 ( a )( b ) 图3 6 多车牌实验图像定位效果( a ) 实验图像：( b ) 车牌定位效果 图3 6 为存在较丰富垂直和水平线条的自然背景图像。可以看出，采用本文定位方 法可以准确地检测出两副真实车牌。 部分车牌定位效果如图3 7 所示。 由于本文算法首先对图像进行增强，因此能够更加有效地检测出车牌图像中的垂直 边缘；经过消除伪线条处理，使得绝大部分非车牌字符垂直线条得以滤除，同时基本完 好地保留具有连续字符串的车牌区域；通过合理地运用形态学运算，将可能包含车牌的 区域全部变换为整体连通区域并作为车牌候选区域加以保留，并利用车牌宽高比特征进 行初步筛选；对候选区域进行二值化，可以充分利用车牌字符串排列特点，对真实车牌 进行更精确的检测。 东北师范大学硕士学位论文 图3 7 部分车牌图像定位效果 实验效果图显示，本文的车牌定位算法对于倾斜度小于1 0 。、轻微无损或变形的车 牌，均能达到较好的定位效果。 通过实验发现，本文算法对于倾斜度大于3 5 。的车牌，不能准确定位；对于倾斜度 介于1 0 。和3 5 。的车牌，可以定位，但易产生车牌截断现象。通过对定位错误的车牌 图像进行分析，发现主要原因在于图像中存在字符排列和整体结构均与车牌区域具有极 高的相似度。 实验统计结果表明，本文车牌定位算法对于图像背景、车牌悬挂位置限制较小，对 倾斜及污损车牌不敏感，定位准确率较高，适合多车牌定位。 3 5 小结 本章详细阐述了基于边缘检测的车牌定位方法。方法通过边缘检测和形态学运算得 到候选车牌区域，之后结合车牌固有的结构特征使用扫描行法准确定位车牌。有效的利 用了边缘检测和二值化的优点。对大量背景复杂、车况不同的汽车图像进行定位实验， 实验结果表明，该方法具有定位准确率高，鲁棒性强的优点。 2 0 东北师范大学硕士学位论文 第四章车牌字符分割 车牌字符分割是车牌定位和字符识别的桥梁。本章提出一种基于车牌模板的字符分 割方法。该方法首先对截取车牌图像进行预处理以消除干扰线条，而后采用行扫描法及 滑动车牌字符串排列模板与实际车牌进行匹配，定位车牌四周边界，最后根据车牌字符 串排列特征，结合投影法对单个字符左右边界进行修正，从而完成字符分割。为了精确 识别车牌字符，文章对分割出的单个字符进行了归一化处理。 整个车牌字符分割划分为以下几个环节，如图4 1 所示： ，o_-i_o-。-_-_-_-_。r。o。01 叫图像预处理卜- 叫定位上下边界卜叫定位左右边界卜+ l 字符分割十- 叫字符归一化l - - _ - i _ - _ l _ - _ _ _ _ _ _ _ 。一l _ _ _ _ _ _ i _ _ _ - - _ i _ _ _ _ _ _ - - _ - j l _ _ _ _ _ _ _ _ _ _ _ _ _ _ - _ _ - _ _ _ jl _ _ _ _ i _ - - _ _ _ 。j o 。o 。o o 。一 图4 1 字符分割步骤 4 1 图像预处理 4 1 1 二值化 对于二值化后的车牌字符，要保证其基本不出现笔划断裂和粘连现象发生，尽量保 留原字符特征。由于在车牌识别系统中，图像经过预处理质量有了很大提高，而且定位 后车牌背景干扰较少，采用最大类问方差法( o t s u 法) 来进行单阈值分割即可满足要求。 4 1 2 倾斜校正 由于道路的坡度、车牌的悬挂、摄像机与车牌之间倾斜角度等因素会使拍摄到的车 牌图像产生了倾斜，给后续字符分割和识别带来了困难，因此需要在字符分割之前进行 车牌的倾斜校正，即将图像进行旋转，使其恢复到水平位置。 目前车牌校正的方法主要有：i o n 变换法1 3 和h o u 曲变换法m 1 。 r a d o n 变换是计算图像在某一给定角度射线方向投影的变换方法，该投影是在某方 向的像素和。对于用参数形式表示的一条直线p = x c o s 9 + y s i n 8 ，其r a d o n 变换后的 图像可用公式4 1 表示： r ( j d ，臼) = f 陟( x ，y ) 占( p x c o s p y s i n 9 ) 出咖 ( 4 1 ) 其中，6 ( ) 为狄拉克6 函数口副。 对于二值图像，计算边缘的r a d o n 变换，找出r ( j d ，臼) 中的局部极大值，即可确定 倾斜角度。 文章首先采用r a d o n 变换检测出牌照的倾斜角度口以及锁定车牌的一个最佳的平行 四边形区域，然后根据水平边的斜率对像素位置进行校正，取平行四边形底边最低像素 2 1 东北师范大学硕士学位论文 为基准点，作一条水平直线为基准底边，将平行四边形底边上的像素垂直下移到基准边 上，其它像素依次下移，实现车牌倾斜校正。 4 1 3 消除干扰 由于车牌二值化图像包含较长的背景线条及车牌边框，影响定位上下边界的精确 性，因此在水平方向上采用一维脉冲滤波去除车牌内水平长线条及孤立的像素。 车牌图像预处理效果如图4 2 所示。 鼬薹i 壁垂喇二。薹蕊 ( a )( b )( c )( d ) 图4 2 ( a ) 图3 7 ( b ) 的二值化图像；( b ) 采用r a d o n 变换检测车牌倾斜角度； ( c ) 车牌倾斜校正效果；( d ) 消除干扰线条后车牌效果 4 2 基于车牌模板的字符分割方法 车牌经过图像预处理后，下一步就是对起其进行字符分割。字符分割是将车牌区域 分割成若干个单个字符，字符分割的成败与否直接影响到字符的识别率。如果分割出的 字符出现了断裂、粘连，则系统难以识别。本章提出一种基于车牌模板的字符分割方法 对车牌进行字符分割。 4 2 1 定位字符上下边界 以车牌图像高度办。中心点为起始点，逐行向上水平扫描，与此同时记录相邻两扫描 行位置尺，、尺川的o 、1 跳变次数，、n ，其中1 f 纬2 。当满足条件日l ，一h i 时，即可确定车牌上边界位置圪。= 足，其中日为设定的阈值，本算法中日= 9 ( 7 个字 符和2 条垂直边框) 。 同理，从车牌图像高度中心点逐行向下水平扫描，即可确定车牌字符下边界忍相。 车牌上下边界定位结果如图4 3 所示。 l 臣置删： 图4 3 车牌上下边界定位效果 从图4 3 可以看出，该方法可以有效去处车牌上下边框及铆钉，精确定位车牌上下 边界，算法结束后可以得到车牌字符高度h c = 只御一。 4 2 2 建立字符串匹配模板 根据g a 3 6 2 0 0 7 规定，车牌外轮廓为4 4 0 m m 1 4 0 m m ，包含有7 个字符，字符样 式为c 1 c ：c 3 c 4 c 5 c 。c 7 。其中c 1 为各省、自治区、直辖市的简称，c 2 为大写英文字母， 其它字符为阿拉伯数字或英文字母。每个字符宽4 5 n 1 i i l ，高9 0 n u i l ，间隔符宽1 0 n 衄， 2 2 东北师范大学硕士学位论文 字符间隔1 2 l 姗。利用这些先验知识可以建立标准车牌字符串排列模板。模板中，每个 字符的宽度= 日c 2 ，二三字符间距s c 2 3 = 3 4 日f 9 0 ，其它字符间距s = 1 2 凰9 0 。 由此可得到以下