車牌識別系統(tǒng)中車牌定位方法的研究

1、車牌識別系統(tǒng)中車牌定位方法的研究1引言隨著國民經(jīng)濟的高速發(fā)展，高速公路、城市道路、停車場建設(shè)越來越多，對交通控制、安全管理的要求也日益提高，智能交通系統(tǒng)its(intelligenttrafficsystem)已成為世界交通領(lǐng)域研究的前沿課題。在此基礎(chǔ)上發(fā)展的車牌照識別lpr(licenseplaterecognition)系統(tǒng)是智能交通系統(tǒng)的重要組成部分，在交通管理中占有重要地位。lpr系統(tǒng)主要由三部分組成:車牌定位、字符分割、字符識

2、別，其中車牌定位的成功與否直接影響是否能夠進入車牌識別以及車牌識別的準確率。主要的車牌定位方法：基于灰度圖像的車牌定位方法[1]、基于小波變換的車牌定位方法[3]、基于形態(tài)學(xué)的車牌定位方法[4]、基于神經(jīng)網(wǎng)絡(luò)的車牌定位方法[7]、基于支持向量機的車牌定位方法[8]等。雖然這些算法在某些特定條件下識別效果較好，但綜合一些諸如天氣、背景、車牌磨損和圖像傾斜等干擾因素的影響，暫時還不能完全滿足實際應(yīng)用的要求，有必要進行進一步的研究。2車牌定位

3、方法2.1基于灰度圖像的車牌定位方法灰度數(shù)字圖像是每個像素只有一個采樣顏色的圖像。這類圖像通常顯示為從黑色到白色的灰度。為了便于車牌定位，將該圖像轉(zhuǎn)換成二值圖像即只有黑色和白色兩種顏色的圖像。此方法是應(yīng)用車牌的如下特點：車牌牌照的字符和背景的對比度比較大對應(yīng)于車牌區(qū)域的水平灰度變化比較頻繁；再者車牌一般掛在汽車的緩沖器上或附近，并靠近圖像的下部干擾一般比較少。根據(jù)以上特點，使用靠近水平方向的一階差分運算，以突出灰度變化頻繁的區(qū)域。其一階

4、差分運算的算式為：g(i，g)=f(i，j)f(i，j1)(1)上式中，i=，2，3…，m；m為圖像的高度；j=1，2，3…，n；n為圖像的寬度。再對圖像的水平差分圖像g(x，y)的灰度值沿水平方向累加后做投影，可得投影圖：水平方向累加后投影的算式為：(2)從車牌照是一個矩形這一特點，我們可以判斷它所對應(yīng)的水平投影圖與車牌的形狀相仿，是一塊較為獨立的矩形區(qū)域，從水平投影圖中可以看車牌位置基本對應(yīng)于圖中從下到上的第一個較大的波峰，車牌投影

5、值區(qū)域大致對應(yīng)于上述波峰值上、下鄰域的波谷之間所包含的投影值區(qū)域，且這兩個波谷大致對稱于波峰，波峰和波谷的變化率較大。在這個過程中最重要的是確定選擇哪個波峰，如果這個波峰的兩個波谷之間的值的高度都大于某一個設(shè)定的值，并且兩個波谷之間的寬度大致等于車牌照的高度，就認定它所確定的區(qū)域就是車牌的水平位置。對于車牌垂直方向的定位算法：一般情況下，車牌的底色和字符的顏色的對比度很大，而且在一個相對范圍較小的范圍內(nèi)變化比較頻繁，通過這個特征確定車牌

6、垂直方向。該方法對質(zhì)量較高的圖像有很好的定位，不過對于圖像中車前和車牌附近的車輛背景過多，容易導(dǎo)致錯誤的車牌定位。bp(backpropagation)學(xué)習(xí)算法在多層前饋網(wǎng)絡(luò)中的一種應(yīng)用模型。bp網(wǎng)絡(luò)的實質(zhì)就是多層感知器(multilayerperceptron，mlp)，對于常用的三層(含有輸入層、隱含層和輸出層)網(wǎng)絡(luò)來說，第一層屬于輸入層，接受輸入向量第二層屬于隱含層，用于記憶，增加網(wǎng)絡(luò)的可調(diào)參數(shù)，使網(wǎng)絡(luò)輸出更加精確第三層屬于輸出層

7、，輸出網(wǎng)絡(luò)結(jié)果。相鄰層之間的節(jié)點屬于全連接，相同層之間的節(jié)點沒有連接。理論上，對于三層bp去網(wǎng)絡(luò)只要使得對隱含層的節(jié)點增大到一定的范圍就可以擬合任何非線性函數(shù)。bp算法由正向傳播和反向傳播組成。正向傳播是輸入信號從輸入層經(jīng)隱含層傳向輸出層，若輸出層得到期望的輸出，則算法結(jié)束；否則，轉(zhuǎn)至反向傳播。反向傳播就是將誤差信號(樣本輸出與網(wǎng)絡(luò)輸出之差)按原連接通路反向計算，由梯度下降法調(diào)整各層神經(jīng)元的權(quán)值，使誤差信號減小，直至誤差達到期望的誤差。

8、該方法主要利用神經(jīng)網(wǎng)絡(luò)進行模式識別的一些優(yōu)勢：其一，它允許對問題的了解較少；其二，它可以實現(xiàn)特征空間中比較復(fù)雜的劃分?；谏窠?jīng)網(wǎng)絡(luò)的車牌定位方法主要分以下步驟，首先對bp網(wǎng)絡(luò)進行訓(xùn)練，選取各種情況下的車牌圖像，將其轉(zhuǎn)換成灰度圖像，每一幅圖像的全部灰度值作為網(wǎng)絡(luò)的一組輸入向量，如果是含牌照的汽車圖像，則設(shè)定其網(wǎng)絡(luò)輸出為高(0.9)，否則為低(0.1)，反復(fù)訓(xùn)練直至達到理想的效果。然后對實際圖像進行預(yù)處理：灰度化，直方圖化，濾波器濾波，增強

9、圖像并去除圖像的噪聲。最后用一個mn的滑動窗口(mn根據(jù)實際車牌的寬高比例設(shè)定)逐個像素地遍歷預(yù)處理后的圖像，窗口內(nèi)子圖像的數(shù)據(jù)經(jīng)過歸一化后送到神經(jīng)網(wǎng)絡(luò)的輸入端作為輸入向量，如果神經(jīng)網(wǎng)絡(luò)輸出為高，則可判斷此滑窗所在位置有車牌，否則無車牌。利用神經(jīng)網(wǎng)絡(luò)進行車牌的定位，其優(yōu)點在于可以充分利用神經(jīng)網(wǎng)絡(luò)的自適應(yīng)性，但這種方法也存在缺點，即需要花費一些時間進行網(wǎng)絡(luò)的訓(xùn)練。如何縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，即提高其收斂速度是一個研究的難點。2.5基于支持

10、向量機的定位方法支持向量機(svm)是20世紀90年代初由vap2nik等人提出的一類新型機器學(xué)習(xí)方法，主要用于解決有限樣本情況下的模式識別問題。此方法能夠在訓(xùn)練樣本很少的情況下達到很好的分類推廣能力。由于車牌區(qū)域有著的紋理，尋找一種良好性能的分類器，凸現(xiàn)這種紋理特征，使它與其它區(qū)域區(qū)別開來。支持向量機(算supptvectmachine，svm)正是這樣一種分類學(xué)習(xí)機制。所以對車牌定位的研究，提出一種基于支持向量機的定位方法。首先將圖

11、像分割為nn大小的子塊，提出每個子塊的灰度特征，訓(xùn)練svm分類器；然后用訓(xùn)練好的分類器進行牌照子塊和非牌照子塊的分類，再使用數(shù)學(xué)形態(tài)學(xué)濾波和區(qū)域合并；最后運用投影方法定位牌照區(qū)域。實驗結(jié)果表明，該方法能比較好地定位牌照區(qū)域，但是由于svm算法對大規(guī)模訓(xùn)練樣本難以實施，并且用svm解決多分類問題也存在困難，如果能解決這個問題車牌定位將會更精確。3結(jié)束語本文在現(xiàn)有的車牌照識別系統(tǒng)的基礎(chǔ)上，對近年來國內(nèi)出現(xiàn)的車牌定位方法進行了全面的綜述，車牌