一种汽车牌照多层次分割定位方法
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。
一种复杂环境中的车牌定位算法
一种复杂环境中的车牌定位算法车牌定位是智能交通系统中重要的一环，它是车辆识别系统的关键步骤。
然而，在复杂环境中，如光线不均匀、天气恶劣或者车辆位置和角度变化较大时，车牌定位变得尤为困难。
因此，为了提高车牌定位的准确性和鲁棒性，在这种复杂环境下，可以采用以下算法。
首先，可以通过颜色特征进行车牌定位。
车牌通常具有特定的颜色，例如蓝色、黄色或者绿色等。
因此，可以使用颜色分割算法来提取图像中的车牌区域。
该算法首先根据颜色阈值将图像分割为不同的颜色区域，然后通过形态学操作来滤除小的非车牌区域。
最后，根据车牌的特定形状和比例进行筛选和检测。
其次，可以利用边缘检测算法来进行车牌定位。
边缘检测可以识别图像中的边缘信息，而车牌通常具有较为明显的边缘。
可以采用经典的边缘检测方法，如Canny算子，对图像进行边缘提取。
然后，根据车牌的特定形状和比例进行车牌候选区域的筛选。
此外，可以采用模板匹配的方法进行车牌定位。
模板匹配是一种基于相似度的匹配算法，可以在复杂背景下识别车牌。
首先，需要采集车牌图像的样本，然后使用特定的特征提取算法，如卷积神经网络（CNN），将车牌样本转换为特征向量。
接下来，对于待检测图像，也使用同样的特征提取算法，将图像转换为特征向量。
最后，通过计算图像特征向量与车牌样本特征向量之间的相似度来判断是否为车牌区域。
最后，可以结合多种算法进行车牌定位。
由于复杂环境下的车牌定位问题具有较高的难度，单一算法往往无法满足要求。
因此，可以采用多种算法的组合，例如，先通过颜色分割算法提取初始车牌区域，然后再使用边缘检测和模板匹配算法进行进一步的筛选和确认。
综上所述，复杂环境中的车牌定位算法可以结合颜色分割、边缘检测、模板匹配等多种方法。
同时，对于车牌定位的准确性和鲁棒性，还需要考虑光照变化、天气条件等因素，并采用适当的预处理和参数调整方法来提高算法的性能。
多层次车辆牌照定位分割方法
（ ｖｌ ｉｅｓ ｙｏ ｎ ｉｅｒ ｇ Ｗｕ ａ ４ ０ ３ ）ＱＱ Ｔ ｃ ｎ ｌｇ ｎ ，Ｂ ｉｎ １ ０３ ） Ｎａａ Ｕｎｖ ｒ ｔ ｆ ｇｎ ｅｉ ”， ｈ ｎ ３０ ３ （ ｅｈ ｏｏ ｙＩｃ ｉ Ｅ ｎ ｅｊ ｇ ０ ０ ７ ｉ
汉字 （ 因为车牌号码绝 大多数是 由 １ 汉字 、 或 个 １个
基 于边缘检测 和投影 法 相 结合 的牌 照定 位算 法 和 基于二值化 和投影法 相结合 的牌照定 位算 法 ， 些 这 算法 都具有快 速 、 洁实用 和跟 图像背 景 的复杂 程 简
度 相关性小 的特点 。
２个字母 ， ５个或 ４个数字组成 ） 的特征 ， 即一行 中几 个相邻近 的突起 。当手指碰到一行 中几个相邻 近的
就判断为有可能是车牌号码 的位置 。 下来 的几 行也 分 别是 在 上 一行 的附 近有 这 种
特性 ， 就可 以判断这 一带就是 车牌 照的位 置 。我 们
只要 把上述 的想法变 成算法 ， 让计算 机来执 行就 能
（ ｎ ｏ ｙ ｃ ｎ ｌ ｇｅ （ ｉ ａ Ｃｏ ａ ｙ Ｌｉ ｔ ｄ ｈ ｎ ｈ ｉ ２ １ ０ ） Ｉ ｆ ｓ ｓＴｅ ｈ ｏ ｏ ｉｓ Ｃｈ ｎ ） ｍｐ ｎ ｍｉ ３ ，Ｓ ａ ｇ ａ ０ ２ ３ ｅ
Ａｂ ｔ ａ ｔ Ｔｈ ｉ ｅ ｓ ｇ ｏ ａ ｉ ｏ ｉｉ ｎ ｎ ｃ ｎ ｌ ｇ ｅ ｌ ｉ ｕ ｏ ｓ ｒｃ ｅ ｌ ｎ ｉ ｆｒ ｐｄ ｐ ｓｔ ｉ ｇ ｔ ｈ ｏ ｏ ｙ ｉ ａ ｒ ａ —ｔ ｃ ｎ ｏ ｅ ｓ ｍｅ ａ ｔ ｍａ ｉ ｉｅ ｔｆｃ ｔ ｎ ｏ ｅ ｔ ｐ．Ｂｙｕ ｉ ｇ ｔ ｄ ｎ ｉｉａ ｉ ｆｋ ｙ ｓｅ ｃ ｏ ｓｎ
一种简易的车牌定位及字符分割方法
一种简易的车牌定位及字符分割方法摘要：针对车牌识别技术中车牌定位及字符分割所存在各种问题，本文诣在运用数学形态学、radon变换理论，结合现有的车牌识别技术，提出了一种新的算法。
一定程度上提高了车牌识别的准确率，加快识别速度。
在研究的同时对其中出现的干扰问题进行了具体分析，处理。
关键字：车牌定位；字符分割；二值形态学Abstract: To solve some problems in vehicle license plate location and character segmentation in the vehicle license plate recognition system, mathematical morphology, radon transform theory and the existing license plate recognition technology were combined and introduced in this paper. This paper presents a new algorithm，to some extent improved the accuracy of license plate recognition, speed up the recognition speed. A variety of interference is a detailed analysis and processing in this algorithm.Key words: vehicle license plate location; character segmentation; Binary Morphology1前言随着社会工业化的快速发展，一些如城市道路、收费站、停车场等场所的交通密度日益增加，这对交通控制、安全管理的要求也日益提高。
分层次车牌定位方法
分层次车牌定位方法
吴进军;杜树新
【期刊名称】《科技通报》
【年(卷),期】2005(21)5
【摘要】车牌定位是车牌识别中的重要步骤,针对汽车图像的复杂背景和不同环境光条件,提出了一种分层次的车牌定位方法。
该方法将图像进行分层次分割,不断减少分析的范围。
它先定位出车牌候选区域的上下和左右边界,得到多个车牌候选区域,再从中挑选出车牌区域,实现了车牌的准确定位。
实验结果表明,该方法定位准确率高,运行速度快,具有很强的鲁棒性。
【总页数】6页(P606-611)
【关键词】车牌定位;分层次分割;边界定位
【作者】吴进军;杜树新
【作者单位】浙江大学工业控制技术国家重点实验室浙江大学智能系统与决策研究所
【正文语种】中文
【中图分类】TP391.4
【相关文献】
1.基于改进的形态学二分法的车牌定位方法 [J], 王娟;苗忠明
2.多层次汽车车牌照定位分割方法 [J], 王年;任彬;汪炳权;李婕
3.一种有效的车牌定位方法——数学形态学和字符边缘特征相结合的车牌定位方法
[J], 严萍;曾金明
4.基于层次型Adaboost的动态车牌定位方法 [J], 吴开兴;杜晶;韩范玉
因版权原因，仅展示原文概要，查看原文内容请购买。
车辆图像中的车牌定位与字符分割方法
图 $+
基于灰度方差的二值化
)*!+ $+ ,-.#/%012. %0-*034. 506.7 5*30-*809*:3
$ ! %+
连通域分析提取候选区域 通过在二值图像上搜索连通域， 并根据连通域的
形状特征和近邻连接强度筛选、 合并连通域来提取所 有可能包含车牌的候选区域。 先使用四方向搜索的递归算法获取二值图像上 的所有连通域。 再根据形状特征对连通域进行筛选， 将宽度、 高度、 宽高比、 连通域和外接矩形面积比不符 合车牌或文字特征的连通域剔除。 对于符合条件的连 通域， 将宽度较大、 宽高比较高的判断为 “ 车牌连通 域” ， 表示可能包含车牌或车牌的大部分； 将宽度较 小， 宽高比较低的判断为 “ 字符连通域” ， 表示可能是 （ 5）所示。 车牌的一个或两个字符， 如图 %
!"#$%&$’()*+$ ),#*+",% *%- #.*/*#+$/ &$01$%+*+",% "% #,1()$2 3$."#)$ "1*0$&’
CD4* E6,@F0,5，G+*H I6/’@J6,5
（ G0F/.KL0,K ’- 4(0MK.’,6M 4,56,00.6,5，;36,5NO/ P,6Q0.36KR，S06T6,5 "$$$:% ，CN6,/）
首先采用定位速度快漏检率低的基于水平灰度变化特征的方对输入图像进行二值化将车牌与背景分离再通过连通域分析提取若干车牌候选区域然后利用边缘和颜色特征定位准确的特点对候选区域进行边缘检测和颜色分析精确定位车牌边界最后分析每个候选区域的形状和颜色分布特征在保留车牌区域的基础上尽可能地剔除伪车牌区
车牌定位和分割的一种综合方法重点讲义资料
第 43 卷 第 2 期 中山大学学报 (自然科学版)V ol 43 No 22004 年 3 月ACTA SCIENTIARUM NATURALIUM UNIVERSITATIS SUNYATSENI Mar 2004车牌定位和分割的一种综合方法张树波 , 赖剑煌(中山大学数学与计算科学学院 , 广东广州 510275摘 要 : 提出了一种基于颜色空间和字频统计结合的车牌分割方法。
该方法是在HSV 彩色空间中 , 充分利用车牌图像提供的彩色信息 , 构造出 5 级灰度图 , 然后采用数学形态学、字频统计方法进行分析和判断 , 确定并分割出汽车牌照。
该方法不受车牌大小、位置以及车牌的背景和光照条件等方面的限制, 适用范围广。
实验表明 , 该方法符合人类的视觉特征 , 效果好 , 精度高 , 对含噪声图像也能有效分割。
关键词 : HSV 彩色空间 ; 数学形态学 ; 字频统计中图分类号 : TP39 文献标识码 : A 文章编号 : 0529 6579 (2004) 02 012604 近年来 , 中国汽车的消费量不断增长 , 车辆管理已经成为智能交通管理中的重要环节。
而数字图像处理和模式识别技术的发展 , 使汽车牌照识别技术成为智能交通领域中的重要研究课题。
如果能够实时采集车辆的图像 , 对其车牌及车号进行正确识别 , 那么将有利于快速、高效地进行车辆的管理和监控 , 实现交通管理的自动化、智能化。
因此 , 车牌识别技术是智能交通系统中的核心技术之一。
车牌识别技术包括牌照定位、牌照分割、字符分割和字符识别 4 个步骤 , 牌照定位技术是整个车牌识别技术的基础和前提 , 牌照定位准确与否 , 直接关系到后续工作能否顺利进行 , 因此 , 汽车图像中牌照的正确定位是车牌识别技术中的关键技术和难点所在。
目前已有不少学者在这方面进行了研究 , 提出了各自的车牌定位和分割方法 , 总结起来主要有如下几类方法 : ①基于颜色的分割方法 , 这种方法主要利用彩色空间的信息 , 实现车牌分割 , 包括彩色边缘算法[1] 、颜色距离和相似度算法[2] 等 ; ②基于纹理的分割方法 , 这种方法主要利用车牌区域水平方向的纹理特征进行分割 , 包括小波纹理[3] 、水平梯度差分纹理[2] 等 ; ③基于边缘检测的分割方法[1 ,4] ; ④基于数学形态学的分割方法[5] 。
常用的车牌字符分割方法
常用的车牌字符分割方法Common methods for segmenting license plate characters include:常用的车牌字符分割方法包括：1. Projection-based segmentation: This method involves scanning the image of the license plate horizontally or vertically to identify areas of interest based on pixel density. By analyzing the projection profiles, the boundaries of individual characters can be determined.1. 基于投影的分割方法：该方法涉及对车牌图像进行水平或垂直扫描，根据像素密度识别感兴趣的区域。
通过分析投影轮廓，可以确定单个字符的边界。
2. Connected component analysis: This approach identifies contiguous regions of pixels with similar properties (e.g., color or intensity) in the license plate image. Connected components corresponding to individual characters are then separated.2. 连通域分析：该方法在车牌图像中识别具有相似属性（例如颜色或强度）的连续像素区域。
然后，将对应于单个字符的连通域分离出来。
3. Machine learning-based segmentation: Modern approaches leverage machine learning algorithms, such as deep learning models, to segment characters from license plate images. These models are trained on annotated datasets to learn the characteristics of individual characters and can accurately identify and segment themin new images.3. 基于机器学习的分割方法：现代方法利用机器学习算法，如深度学习模型，对车牌图像中的字符进行分割。
- 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)。
中国体视学与图像分析 2004年第9卷第4期CHI NESE JOURNAL OF STEREOLOGYAND I MAGE ANALYSIS Vol19No14Sept12004文章编号:1007-1482(2004)04-0239-05・经验与交流・一种汽车牌照多层次分割定位方法苑玮琦,伞晓钟(沈阳工业大学视觉检测技术研究所,沈阳110023)【摘要】:车牌定位是车牌自动识别系统中的关键技术之一。
本文采用多层次分割的思想,每次分割都尽可能地减少分析范围,经过多次分割后最终定位出车牌区域。
第一次分割采用固定分块划分出若干大小相同的特征区域,在各区域内通过水平差分突出垂直方向纹理特征,寻找水平差分累加值最大的区域即为车牌的大致位置;第二次分割主要对穿过字符区域的特定位置处的两条直线选取最佳阈值进行二值化处理,再利用正态分布的一些性质分割出车牌左右边界,最后一次分割过程中采用投影法,同样利用正态分布性质进行分割,找出车牌上下边界。
实验表明本算法简洁,显著地提高了车牌定位速度。
【关键词】:多层次;阈值;二值化;正态分布【中图分类号】:TP39114 【文献标识码】:AA Poly-hiberarchy Method of C ar License Plate LocationYUAN Wei2qi,SAN Xiao2zhong(Vision Detection Technology Institute,Shenyang University of Technology,Shenyang,110023)【ABSTRACT】:License plate location is the key among the whole process of Car License Plate Recog2nition System.In this paper,the thinking on poly-hiberarchy is adopted to reduce the scope of anal2yses during every step of license plate segmentation,so the ultimate location result is segmented outthroughout many times of segmentations.In the first segmtation,the whole image is curved up somenumber of blocks with the same size,and then vertial texture features are enhanced by the means ofthe difference in the horizontal direction,and finally in the way of seeking the maximum among dif2ference accumulating values in the blocks,approximate region of license plate is found.In the secondsegmentation,the two lines with satisfaction of some conditions are binarized,which are selected fromapproximate region of license plate.The right and left borderies are segemented by making use ofsome properties of normal school.At the last segmentation,the projection method is adopted,and someproperties of normal school are depended on for seeking the top and bottom borderies of license plate.The results show that this algorithm is simple and easy,and distinctly shortens the time of location.【KE YWOR DS】:poly-hiberarchy;thresholding;binarization;normal distribution11引言车牌定位是车牌照识别系统中的关键技术之一,车牌照定位结果的好坏直接影响着该系统的识别精度。
所谓的车牌照定位过程就是把车牌照区域完整的从一幅复杂的车牌图像中分割出来。
然而对于一幅车牌图像来说,车牌区域只占复杂的车牌图像的一小部分,要想准确地定位出车牌区域,就必须提取车牌区域内的字符本身的纹理特征及字符与其背景之间的灰度特征来进行分析。
目前最常见的定位过程主要可分为两大类:收稿日期:2004-10-09作者简介:苑玮琦,(1960-),男,博士(后),教授,博士生导师,沈阳工业大学信息学院视觉检测技术研究室主任。
研究方向:机器视觉检测,图像处理与模式识别,生物特征识别,基于DSP的图像采集与处理系统等。
932一类是利用梯度信息[1][2][3][4],先对图像进行边缘提取,再对边缘图像进行形态学运算,直到图像中只留下待寻的目标;但这类方法的缺点在于:由于车头部分细节丰富,尤其是车头上部,要获得较好的边缘图像,运算量是很大的,这直接影响着系统的实时性,另外如果车头上部有与车牌尺寸相仿的干扰区,则很可能产生误识别;另一类方法是利用图像的灰度信息,直接对图像进行水平及垂直方向的扫描[5][6][7],寻找灰度变化满足车牌灰度变化规律的区域,确定其为待寻目标,但这类方法直接对原始灰度图像进行扫描,也存在着运算量大的缺点,而且仅利用牌照的尺寸来确定待寻目标,也可能把车头上部与车牌尺寸相仿的区域确定为待寻目标,从而引起误识别。
本文主要针对上述两类方法优缺点,进行一些新的探索和尝试,并进行了大量的试验。
提出了多次分割的思想,加快了检测速度并提高了定位精度。
21第一次分割第一次分割主要是要大致确定牌照在图像中的位置,目标是紧密结合牌照区域字符的特征,找到一个包含完整牌照的区域。
用分块来进行处理,主要是考虑到所获得的图像大小分辨率通常是固定的,那么对于某些特定应用下的车牌识别系统,比如车库管理,车牌照区域所占整幅图像的比例也基本保持一致。
所以先对整幅图像进行分块,图像中的每个块都是一个特征区域,其中特征区域的大小如何确定将是研究的重点,确定的原则是既要尽量细致地反映牌照区域特征,又要兼顾牌照区域字符间距、笔划宽度等因素,保证在横向上尽可能覆盖足够多的车牌字符。
针对上述原则,对整个车牌图像进行分析,可以看到车牌内字符之间的间隔比较均匀,字符和牌照底色在灰度值上存在跳变,而字符本身与牌照底的内部都有较均匀灰度;因而在车牌这个矩形区域内有丰富的边缘存在,文中正是利用了车牌图像的这一特征,在已分好块的每个特征区域内做水平差分突出区域内垂直方向纹理特征,分别计算各特征区域的水平差分累加值,寻找最大累加值,累加值最大的特征区域对应垂直方向纹理特征最突出的特征区域,该特征区域所在位置即找到车牌在整幅图像中的大致位置。
具体方法:把整幅图像按64316大小进行分块,每个块都是一个特征区域。
一个特征区域的长度大约为牌照平均长度的二分之一,可以保证在横向上覆盖足够多的车牌字符。
这样就把大小为256 3256的图像分成了16行4列,共64个大小为64 316的特征区域;再分别在这64个特征区域内进行相邻象素水平差分累加和运算,找到累加和最大的特征区域,即可粗略的定位出车牌所在区域。
如图1、图2所示。
图1:车牌大致区域的定位结果图2:车牌大致区域的定位结果大量试验证明,块大小的确定对第一次分割结果影响很大,比如:试验中曾选择32316大小进行分块,结果由于块选择得相对较小,使得汽车的标志部分的变化刚好集中在该块中,而车牌区域在这样小的特征区域中垂直方向纹理特征分布相对标志区域要分散,这样车牌区域的特征不能在32316的特征区域中充分体现,导致标志区的水平差分累加值比车牌区域的大,如图3所示,而图4,则是同样图片采用64316的尺寸的结果。
042中国体视学与图像分析 2004年第9卷第4期 经过第一次分割后,即已找到车牌所在图像的大致位置,只需在符合条件的某一个块所在位置处按照某一确定条件上下扩充一定范围,再提取出车牌的子区域。
如图5,图6。
31第二次分割对车牌图像的车牌纹理特点进行具体分析发现:尽管汽车图象的背景很复杂,但车牌区域中的字符目标却有一定的规律,如穿过车牌的水平直线,其灰度就呈现连续的峰、谷、峰的纹理分布,其一维灰度特征如图7所示。
图7:穿过车牌区域的某条直线的一维灰度分布特征图针对不同类型的车牌及不同颜色的车进行具体分析其灰度变化规律发现:(l )字符与牌照底交界处有较大的灰度值跳变,可以考虑用差分来突出该跳变;(2)车灯处灰度变化也很大,若只把某一行上的噪声点作为当前点,那样无法和字符相区别。
然而车灯处的噪声点周围灰度变化大,而字符处,字符本身周围的灰度变化不明显,所以可以考虑找邻1422004年第9卷第4期 苑玮琦等:一种汽车牌照多层次分割定位方法域取均值平滑处理。
这样继续分析平滑后的灰度分布图(图8)和差分分布图(图9):发现经过平滑后车灯处的噪声干扰已基本去除,可以选择一个最佳的阈值对差分结果进行阈值分割。
另外,为避免一条线段处理结果出现的偶然性,这里选择在车牌子区域内特定位置处的两条直线,对其做二值化处理,找出最佳阈值定位出车牌左右边界。
其中两条直线位置为第一次分割时,最大方差累加值所在块的1/2,1/3位置处。
具体步骤是:先对子图像做五邻域均值化,这里所说的五邻域是以当前点(x,y )为中心点,(x -1,y ),(x +1,y ),(x ,y +1),(x -1,y +1),(x +1,y +1)为相邻的五点,之所以选择这五点作为邻域点,主要是考虑到通常字符的笔划宽度为3到4个像素点,如果选择八邻域做平滑,可能同时把字符边界平滑掉,大大地弱化了字符边缘灰度变化。
把所选直线上所有的相邻两点差分值中的极大值一半作为阈值,大于阈值的置为255,小于阈值的置为0。
图10为一条直线的二值化结果。
图10:特定位置处的直线二值化结果对二值化结果进行分析发现,黑色线段长度分布符合正态分布规律(图11所示),而对于一个正态分布:34.13%的分数会落入均值与一个标准差之间;13.59%的分数会落入第一个标准差与第二个标准差之间; 2.28%的分数会落入第二个标准差与第三个标准差之间。