车牌定位
车牌定位
《数字图像处理和模式识别》期末大作业题目：车牌定位班级：计算机应用技术姓名：杭文龙学号：61216020051.引言1.1 选题意义汽车牌照自动识别系统是以汽车牌照为特定目标的专用计算机视觉系统，是计算机视觉和模式识别技术在智能交通领域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，它可广泛应用于交通流量检测，交通控制与诱导，机场、港口、小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，具有广阔的应用前景。
目前，发达国家LPR（汽车牌照识别技术License Plate Recognition， LPR，简称“车牌通”）系统在实际交通系统中已成功应用，而我国的开发应用进展缓慢，车牌识别系统基本上还停留在实验室阶段。
基于这种现状还有它广阔的应用前景，目前对汽车车牌的识别研究就有了深远的意义。
1.2 课题组成汽车车牌的识别过程主要包括车牌定位、字符车牌分割和车牌字符识别三个关键环节。
我在此文章中就只说明其中一点，就是车牌定位，其流程如下：原始图像图像预处理边缘提取车牌定位原始图像：由数码相机或其它扫描装置拍摄到的图像图像预处理：对动态采集到的图像进行滤波，边界增强等处理以克服图像干扰边缘提取：通过微分运算，2值化处理，得到图像的边缘车牌定位：计算边缘图像的投影面积，寻找峰谷点，大致确定车牌位置，再计算此连通域内的宽高比，剔除不在域值范围内的连通域。
最后得到的便为车牌区域。
本文以一幅汽车图像为例，结合图像处理各方面的知识，利用MATLAB编程，实现了从车牌的预处理到字符识别的完整过程。
各部分的处理情况如下：2.预处理及边缘提取图1 汽车原图图像在形成、传输或变换过程中，受多种因素的影响，如：光学系统失真、系统噪声、暴光不足或过量、相对运动等，往往会与原始景物之间或图像与原始图像之间产生了某种差异，这种差异称为降质或退化。
这种降质或退化对我们的处理往往会造成影响。
因此在图像处理之前必须进行预处理，包括去除噪音，边界增强，增加亮度等等。
汽车车牌定位识别概述
汽车车牌定位识别概述汽车车牌定位识别技术的发展得益于计算机视觉技术的进步和硬件设备的不断更新。
自从20世纪80年代末期开始，随着计算机技术的发展，人们开始研究如何利用计算机自动识别车牌。
最初的方法是通过车牌字符的特征提取和模式匹配来实现，但是这种方法在实际应用中存在一些问题，比如对于光照条件、角度和车辆速度的不同会导致识别结果的准确度下降。
随着深度学习技术的兴起，特别是卷积神经网络（Convolutional Neural Network，CNN）的发展，汽车车牌定位识别技术得到了显著的进步。
CNN可以通过学习大量的车牌图像来自动提取图像特征，并通过训练模型来识别不同类型的车牌。
这种方法不仅可以提高识别的准确性，还可以适应不同的光照和角度条件。
汽车车牌定位识别技术的应用非常广泛。
首先，在交通安全领域，汽车车牌定位识别可以帮助交警自动检测和记录违反交通规则的车辆，比如闯红灯、超速等。
这种技术可以大大提高交通管理的效率和准确性，减少人为差错。
其次，在停车场管理中，汽车车牌定位识别可以帮助自动识别道闸前的车牌信息，实现自动出入场的管理。
这不仅方便了车辆的出入，还可以提高停车场的管理效率。
另外，在安防领域，汽车车牌定位识别可以帮助监控系统自动追踪和识别特定车辆的位置和行动轨迹，有助于犯罪侦查和预防。
汽车车牌定位识别技术通常包括以下几个步骤。
首先，对车辆图像进行预处理，包括图像去噪、图像增强等。
然后，利用目标检测算法来定位车牌的位置，常用的方法包括边缘检测、颜色分割等。
接下来，对定位到的车牌进行字符分割，将车牌中的字符单独分离出来。
最后，利用字符识别算法对分割后的字符进行识别，常见的方法包括模板匹配、字符特征提取等。
虽然汽车车牌定位识别技术已经取得了很大的进展，但是在实际应用中仍然存在一些挑战。
首先，不同车牌的形状和颜色差异较大，车牌的角度和光照条件也会导致识别的准确性下降。
其次，特定地区的车牌字符种类较多，字符的形状和位置也有差异，这对识别算法提出了更高的要求。
基于车牌底色识别的车牌定位方法
车牌底色识别技术在车牌定位中的应用1. 背景介绍在现代社会中，随着汽车数量的增加，交通管理日益成为人们关注的焦点。
车牌识别技术作为交通管理中的重要一环，越来越受到人们的重视。
其中，基于车牌底色识别的车牌定位方法，由于其高效、准确的特点，受到了广泛的关注和应用。
2. 车牌底色识别技术原理车牌底色识别技术是基于计算机视觉和图像处理技术的应用。
其原理是通过摄像头采集到的车辆图像，利用图像处理算法提取车牌底色特征，进而对车牌进行定位和识别。
通过对车牌底色特征的提取和分析，可以实现对车牌的快速、准确的定位和识别，从而为交通管理提供了重要的数据支持。
3. 车牌底色识别技术的优势相比传统的车牌定位方法，基于车牌底色识别的方法具有以下几点优势：3.1 高效性：利用计算机视觉和图像处理技术，能够实现对车牌底色的快速、准确提取，从而实现车牌的快速定位。
3.2 准确性：通过对底色特征的分析，能够较为准确地识别车牌，避免了传统方法中识别错误的情况。
3.3 适用性：车牌底色识别技术适用于不同光照条件和天气环境下的车牌定位，具有一定的稳定性和鲁棒性。
4. 车牌底色识别技术的应用车牌底色识别技术已经在交通管理、智慧城市建设等领域得到了广泛应用。
以智能交通管理为例，通过车牌底色识别技术，能够实现对车辆的快速通行、违章车辆的准确识别等功能，从而提高了交通管理的效率和精准度。
5. 个人观点和理解对于基于车牌底色识别的车牌定位方法，我认为这种技术在现代交通管理中具有重要的意义。
其高效、准确的特点，使得交通管理能够更加智能化、精细化。
但也需要重视对个人隐私的保护，避免信息泄露和滥用的情况发生。
总结回顾通过本文的介绍和分析，我们了解了基于车牌底色识别的车牌定位方法在交通管理中的重要应用。
通过对车牌底色特征的提取和分析，能够实现对车牌的快速、准确的定位和识别，为交通管理提供了重要的数据支持。
我们也需要充分考虑个人隐私的保护，确保技术的应用在保护隐私的前提下发挥最大的作用。
停车场识别车牌的原理
停车场识别车牌的原理停车场识别车牌是利用计算机视觉技术和图像处理算法来实现的。
下面我们将从图像采集、车牌定位、字符分割、字符识别、比对入库、匹配查询和通道管理等方面来详细介绍停车场识别车牌的原理。
1.图像采集图像采集是停车场识别车牌的第一步。
通常使用高清晰度的摄像头对停车场中的车辆进行拍摄，并获取车辆的图像信息。
在采集图像时，需要注意摄像头的角度和位置，以确保拍摄到的车牌区域清晰可见。
同时，还需要考虑光照条件、车牌所在位置以及车牌区域的背景等因素。
2.车牌定位车牌定位是在图像中确定车牌区域的位置。
首先，可以利用颜色和形状等特征进行初步筛选，排除与车牌无关的区域。
然后，通过车牌的特定形状和字符布局等特点，对筛选后的区域进行进一步的判断和定位。
在实际应用中，车牌定位的精度会受到多种因素的影响，例如光照条件、车牌污损、字符重叠等，这些问题需要算法进行优化和改进。
3.字符分割字符分割是在定位后的车牌区域中对每个字符进行分割。
由于车牌中的字符排列有一定规律，因此可以利用这个特点进行字符分割。
首先，可以通过垂直投影法等算法，将车牌区域中的字符分割成单个字符的候选区域。
然后，利用字符的宽度、高度、倾斜度等特征进行进一步的筛选和确认，排除干扰项，最终得到准确的字符分割结果。
4.字符识别字符识别是将分割后的字符转换成机器可读的字模，并与已知的车牌号码进行比对。
字符识别通常采用深度学习和神经网络等算法来实现。
在训练阶段，利用大量已知的车牌号码数据集进行训练，让模型学会将字符图像转换为数字。
在识别阶段，将分割后的字符输入到已经训练好的模型中进行预测，得到相应的字符编码，再与数据库中的车牌号码进行比对，判断是否匹配。
5.比对入库比对入库是将识别后的车牌信息与数据库中的信息进行比对，实现车辆入库管理。
通常，将识别的车牌号码与数据库中已有的车牌信息进行比对，如果匹配成功，则将车辆信息添加到停车场管理系统中，实现自动化的车辆入库管理。
车牌识别（一）-车牌定位
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
常用的车牌识别算法
常用的车牌识别算法包括以下几种：
1. 车牌定位算法：用于确定车辆图像中车牌的位置。
这种算法通常会使用图像处理技术，如梯度信息投影统计、小波变换、车牌区域扫描连线算法等，以识别图像中的车牌区域。
2. 字符分割算法：在车牌定位后，需要将车牌中的字符进行分割。
这种算法通常会使用图像处理技术和机器学习算法，如基于深度学习的字符分割算法，以准确地将各个字符分割开来。
3. 字符识别算法：用于识别分割后的字符。
这种算法通常会使用机器学习算法，如卷积神经网络（CNN）或循环神经网络（RNN），以对字符进行分类和识别。
4. 神经网络识别算法：大规模神经网络识别算法是一种深度学习算法，它能够同时处理车牌定位和字符识别两个任务，具有更高的准确性和鲁棒性。
5. 启发式车牌定位算法：综合利用了图像处理技术和机器学习算法，以提高车牌定位的准确性。
这种算法通常会使用一些特征选择方法，如SVM、HOG等，以将车牌区域和非车牌区域进行区分。
6. 角度偏差和光照波动控制算法：在车牌定位和字符识别过程中，车辆的角度偏差和光照波动会影响算法的准确性。
这种算法通常会使用一些图像处理技术，如滤波、归一化等，以减小这些因素的影响。
这些算法在车牌识别过程中相互配合，以实现准确的车牌识别。
Report（车牌定位识别的几种方法比较）
几种车牌定位识别方法的比较车牌识别系统是智能交通系统的一个重要组成部分，一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。
其中车牌定位是车牌识别中的关键，车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。
目前，车牌定位的主要方法有：①基于灰度图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法；⑤基于支持向量机的车牌定位方法等。
这些算法，在某些特定条件下，识别效果较好。
但在恶劣条件下，综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，还不能完全满足实际应用的要求，有待进一步研究。
各种车牌定位方法的思路、方法和优缺点比较：①基于灰度图像的车牌定位方法：灰度数字图像是每个像素只有一个采样颜色的图像。
这类图像通常显示为从黑色到白色的灰度。
为了便于车牌定位，将该图像转换成二值图像，即只有黑色和白色两种颜色的图像。
此方法是应用车牌的如下特点：车牌牌照的字符和背景的对比度比较大，对应于车牌区域的水平灰度变化比较频繁；再者车牌一般挂在汽车的缓冲器上或附近，并靠近图像的下部，干扰一般比较少。
根据以上特点，使用靠近水平方向的一阶差分运算，以突出灰度变化频繁的区域. 其一阶差分运算的算式为：g(i,g)=f(i,i)-f(i,j+1)，式中，i=，2，3... m：m为图像的宽度；j=1，2 ，3…，n ：n为图像的宽度。
再对图像的水平差分图像g(x ，y) 的灰度值沿水平方向累加后做投影，可得投影图：水平方向累加后投影的算式为：T(i) = ∑n j=1 g(i,j)。
从车牌照是一个矩形这一特点, 我们可以判断它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌位置基本对应子图中从下到上的第一个较大的波蜂，车牌投影值区域大致对应干上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的变化率较大. 在这个过程中最重要的是确定选择哪个波峰，如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值，并且两个波谷之间的宽度大致等于车牌照的高度，就认定它所确定的区域就是车牌的水平位置. 对于车牌垂直方向的定位算法：一般情况下，车牌的底色和字符的颜色的对比度很大, 而且在一个相对范围较小的范围内变化比较频繁，通过这个特征确定车牌垂直方向. 该方法对质量较高的图像有很好的定位，不过对于图像中车前和车牌附近的车辆背景过多，容易导致错误的车牌定位。
车牌定位流程图_车牌定位
车牌定位流程图_车牌定位车牌定位方法1.预处理由于光线不足或者反光等诸多因素，有可能造成车牌对比度较差，对接下来的纹理分析产生影响，所以有必要进行图象增强。
图象拉伸是增加图象对比度的一个好方法，但简单的图象拉伸有可能造成拉伸过度，损失了车牌区域的细节。
本文提出的方法是根据原图象对比度采用自适应拉伸的方法，经实验证明能有效增强图象对比度，提高了车牌定位准确率。
灰度拉伸公式如下：p1和p2根据动态范围p做自适应调整。
我们使用的参数是：p>0.8时，p1=p2=0.2;p>0.5时，p1=p2=0.15;其余p1=p2=0;在实验中收到了良好的效果。
图1是原图象，图2是用本文的自适应拉伸法处理后的图象，可以看到图2的对比度增强了，牌照字符的边缘更加清晰，有利于后面的定位处理。
2.车牌定位当我们从远处观察车辆时，判别牌照区域的主要依据是车牌的颜色、亮度和车牌字符的边缘形成的纹理。
所以，充分利用这些信息就成了定位车牌的关键。
2.1粗定位牌照区域区别于其他区域的地方就在于牌照上有字符，这一特征体现在图象的灰度上就是其水平投影具有较好的连续性，不会有大的起伏，体现在纹理信息上就是其垂直边缘的间距较有规律。
本文的车牌定位方法就是基于这两个特征的结合进行的，从而更有效地排除干扰区域，更快速地进行车牌的定位。
1)水平定位首先，我们要找出车牌所在的水平位置。
虽然车牌区域内水平方向有着较大的灰度变化，但由于字符在竖直方向上的灰度有着较好的连续性，在车牌范围内的水平灰度投影不会有很大的起伏，而在车牌之外的上下区域由于车身或背景的关系投影值则明显不同。
同时车牌区域除了在水平方向应有的灰度连续性，还应该具有一定灰度变化频度。
为了统计灰度变化频度，经试验比较，在我们的算法中采用简单快速的水平梯度算子[-11]。
通过二值化水平梯度图提取具有最大梯度的边缘，同时去除了大多数噪声的干扰。
因为成像模糊等原因使提取的有些边缘宽度大1，我们对边缘图象再一次做水平差分计算。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
本人的毕设收集资料a.一些算法1．基于纹理特征的车牌定位法车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。
车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。
在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。
基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。
但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。
2．基于神经网络的定位算法利用神经网络来定位车牌是一类较为常见的方法。
本算法的基本步骤和各模块的功能如下：(1)神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。
本模块将获得一个对车牌敏感的BP神经网络。
(2)图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。
(3)车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。
本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。
有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。
3基于特征统计的车牌定位基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。
车牌区域字符笔划变化含有丰富的边缘信息。
对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。
对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。
此方法分为两个部分：粗定位和精确定位。
1．粗定位：粗定位是从车牌边缘检测后的图像中找出含有车牌的区域，并把它提取出来，考虑到车牌区域中存在大量笔画边缘点集，当线段扫描到车牌区域时，￡会大于某个阈值，这样就能初步找到横穿车牌区域的线段，然后以此线段为起点，上下平移扫描，利用车牌区域横向积分投影的连续性特征，定出车牌的上下边。
在定位出上下边的同时，利用车牌白点数目占据主导的特点，用一定宽度的矩形，从左往右扫描。
粗定位具体做法是用一个比估计车牌小的矩形遍历整个边缘二值图，则落在该矩形内白色的点最多的位置就是车牌区域的大致位置。
2．精确定位：车牌颜色主要分为：蓝底白字、黄底黑字、黑底白字，白底黑字四种。
相同号码不同颜色组合的车牌不是同一个车牌，所以颜色信息在车牌定位的过程中相当重要。
本文在精确定位时结合车牌的长宽信息、颜色信息，根据车牌颜色(蓝、白、黄、黑4种)像素占候选车牌区域所有像素的比例来确定哪个是车牌部分，由此得到准确的车牌区域。
具体思想如下：对粗定位中提取的区域进行研究，如果此区域蓝、黑、黄色中哪种颜色较多，则认为蓝底色牌照、黑底色牌照、黄底色牌照，剩余的车牌为白底色军车和武警车牌照等。
每个颜色的RGB有一定的范围比例，如蓝色的RGB各值中蓝色分量最大，并且蓝色红色分量的比值大于门限Tb；黑色的RGB各值相差不大，它们与其它颜色的RGB值相比是很小的值，且小于门限Tbl；黄色的RGB各分量依次减小，而且蓝色分量远小于其它两色。
设图像中像素的红绿蓝三色分量分别记为r、g、b，下面的pixel代表像素的类型，是蓝色的记为Blue，黑色的记为Black，黄色的为Yellow，具体判断如下：如果车牌颜色信息满足蓝底牌照、黑底牌照条件或者Sillll<nlean，则认为粗定位得到的车牌为蓝底牌照或者黑底色牌照：否则视为其它牌照type=RESTPLATE。
统计行方向在此颜色范围内的像素点数量，即该行对蓝色或黑色的投影值，把此区域的所有像素行的投影值都统计出来，得到此区域对蓝色或黑色的水平投影。
水平投影操作是把二维图像的像素分布特征简化为X轴和Y轴的两个一维函数。
车牌边缘为白色或者被边框包围，在图像对蓝色或黑色的水平投影上表现为波谷。
而要设定合理的闷值，也就是取两个波谷的区域为边界，确定车牌在行方向的区域。
在分割出的行区域内，用相同的方法统计列方向的底色像素点数量，取图像对蓝色或黑色的垂直投影的两个波谷为左右边界，最终确定完整的车牌区域。
通过定位修正能更准确找到车牌图像的上下边界。
基于特征统计定位算法的定位结果如图3-1所示。
从原始图像可以看到，车体和车牌颜色对比明显，车体主要为黑色，而车牌为蓝色背景，白色字体。
车体和车牌颜色的明显对比为算法提供了基础。
此算法缺陷在于：车牌颜色必须不同于图像整体背景色，否则无法提取出车牌区域。
5基于改进SobeI算子边缘检测法传统Sobcl算子只有水平和垂直两个方向模板；其中水平模板对水平边缘的响应最大，垂直模板对垂直边缘响应最大。
模板的方向表示灰度由低到高或由高到低的变化方向，而不是图像的实际边缘方向。
通过对车牌字符的垂直方向和斜线方向进行划分，本文采用六方向模板，算法实现的基本思想：构造六方向模板，对图像进行逐点计算，取最大值作为该点的新灰度值，该最大值对应模板的方向为该像素点的边缘方向。
车牌图像提取特征后，采用迭代求图像最佳分割阈值的算法进行二值化；大多数车牌图像上噪声点较多，经过二值化后的图像如果直接进行水平投影定位，可能出现伪特征信息，所以应先进行去除噪声。
本文采用模板大小为l×3的腐蚀运算，去除一些较小噪声点，保留图像车牌部位的主要信息。
得到腐蚀后的车牌图像后，对图像的像素沿水平方向累加产生一个投影图，在车牌对应的水平位置会出现一段峰值。
本文通过以下三点来判断峰值对应的位置是否为车牌区域：1．波峰和波谷之间具有一定的落差，当一个局部最大值和它邻近的局部最小值的差大于某一阈值时，该局部最小值为波谷，反之为干扰值。
2．波峰的两个临近波谷之间具有一定宽度，该宽度值由车牌宽度特征决定。
3．波谷所占整个图像的高度在一个范围之内，由车牌处于车身较低位置的特点决定。
在光照均匀和背景不复杂的图像中，车牌的峰值特性十分明显，很容易定位出车牌区域的水平位置。
当光照不均匀或者背景复杂的图像中峰值特性不明显，需要选择合理的阈值来准确确定局部最小值是否为谷底问题。
本文设定峰顶和峰谷落差的经验阈值为16，峰的宽度阈值为30，即当峰顶和峰谷落差大于16且峰的宽度大于30时，判定该位置为包含车牌区域。
车牌下方没有明显的边缘密集区域，所以搜索车牌的时候可以从下往上搜索，当出现的第一个峰值满足上述条件时，该峰值即为车牌的投影区域。
由于车牌的底色和车牌字的颜色形成强烈对比，并且在一个相对小的范围内频繁变化，所以可以通过这个特征进行车牌的垂直定位。
本文采用数学形态学方法对图像进行处理，检测出大小合适的矩形区域。
具体定位算法如下：1对定位后的图像膨胀运算，结构元素是3x3矩形，填充车牌区域的小洞。
2对膨胀后的图像进行一次开运算，结构元素是1×4的矩形。
3．再进行一次膨胀运算，结构元素是1×4，第2步和第3步目的是选定具有一定宽度的区域。
4．接着再进行一次开运算，结构元素是4x1。
5．最后进行一次膨胀运算，结构元素为4×1，选定具有一定高度的区域。
将得到的图像投影到垂直方向，根据车牌的宽度信息，设定一个范围，在投影图像中找到满足此范围的投影区域，定位出车牌的垂直位置。
基于改进Sobel算子边缘检测的效果如图3-4所示。
4．基于数学形态学的定位方法基于数学形态学的车牌定位算法是利用开启和闭合这两种运算在图像中进行定位。
数学形态学中的开闭运算具有以下特点：(1)开运算可以擦除图像中的像素。
从而能够去除孤立的小点、毛刺，保持总的位置和形状不变。
(2)闭运算可以使图像中的像素粘连。
这一特点可用于填平小孔、弥合小裂缝，保持总的位置和形状不变。
利用数学形态学中的开闭运算对图像处理，得到多个车牌可能区域，然后用多区域判别法在图像的多个车牌可能区域中找到车牌的正确位置。
此算法中结构元素大小的选取至关重要。
结构元素过大，会使非车牌区域的边缘点粘连在一起，可能的车牌区域增多，给随后的多区域判别算法带来困难；结构元素过小，车牌区域无法粘连在一起，可能使真正的车牌区域不包含在可能车牌区域集合中。
这个文字不是一般的多建议你还是去下载研究生的论文和期刊吧，如果懒的话，百度文库里找，就有很多了1) 基于车牌图像色彩信息定位法[12]。
我国车牌主要由四种类型组成:蓝底白字、黄底黑字、白底红字和黑底白字。
根据车牌底色信息可以准确地定位出车牌的边界。
该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。
2) 基于边缘检测的定位法[13]。
车牌字符区域灰度频率变化是车牌区域最稳定的特征，可以利用它的变化来进行车牌定位。
首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。
该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。
但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。
3) 基于车牌几何特征车定位法[14]。
我国车牌标准外轮廓尺寸为440*140且为矩形，整个车牌的宽高比近似为3: 1。
利用这种固有特征进行车牌边框提取车牌。
这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。
4) 基于频谱分析的车牌定位法[15]。
该类方法将图像从空间域变换到频率域进行分析，如DFT变换法和采用小波变换法等。
小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。
而在高分辨率层次上实现车牌区域的准确定位。
但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性b.论文目录一．课程设计目的 (3)二．设计原理 (3)三．详细设计步骤 (3)四. 设计结果及分析 (18)五. 总结 (19)六. 设计体会 (20)七. 参考文献 (21)一、课程设计目的车牌定位系统的目的在于正确获取整个图像中车牌的区域，并识别出车牌号。
通过设计实现车牌识别系统，能够提高学生分析问题和解决问题的能力，还能培养一定的科研能力。
二、设计原理:牌照自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。
其硬件基础一般包括触发设备、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。