基于图像处理的车牌识别系统的研究.docx
- 文档编号:25677511
- 上传时间:2023-06-11
- 格式:DOCX
- 页数:36
- 大小:647.59KB
基于图像处理的车牌识别系统的研究.docx
《基于图像处理的车牌识别系统的研究.docx》由会员分享,可在线阅读,更多相关《基于图像处理的车牌识别系统的研究.docx(36页珍藏版)》请在冰豆网上搜索。
基于图像处理的车牌识别系统的研究
基于图像处理的车牌识别系统的研究
【摘要】本文介绍了汽车牌照识别的主要应用技术和现阶段识别技术的发展方向,简要介绍了车牌识别系统软件设计要求,对图像处理处理技术,图像分割技术和方法进行了讨论;论文着重对牌照的预处理、图像提取、定位、字符识别特征量的提取以及神经网络的构成原理及算法实现进行了详细分析,并用软件实现了完整的系统。
使用MATLAB2010软件编程实现了整个系统,并验证了所提出的方法的可行性。
【关键字】MATLAB,车牌识别,定位,分割
Abstract
Thisarticlediscussesthemainapplicationsofvehiclelicenseplaterecognitiontechnologyandstageofdevelopmenttrendsoutlinedlicenseplaterecognitionsystemsoftwaredesignrequirements,processingtechnologyinimageprocessingtheoryandmethodofimagesegmentationarediscussed;paperfocusesonthepre-licenseHandling,positioning,theamountofcharacterrecognitionfeatureextraction,neuralnetworktheoryandthecompositionofadetailedanalysisofalgorithmsandsoftwaretorealizethecompletesystem.UseMATLAB2010softwareprogrammingoftheentiresystem,andverifiedbyexperimentthefeasibilityoftheproposedmethod
朗读
显示对应的拉丁字符的拼音
Key:
MATLAB,licenseplaterecognition,positioning,segmentation
目录
正文4
一.绪论4
1.1研究背景4
1.2国内外研究现状6
1.3本文章节安排7
二.车牌照图像预处理技术8
三.车牌照定位技术8
四.车牌字符分割技术10
五.车牌字符识别技术12
六.实现及测试结果13
七.总结与展望25
7.1本文工作总结25
7.2下一步工作展望25
参考文献27
致谢(模板)29
正文
一.绪论
1.1研究背景
随着社会经济的发展,人民生活水平的不断提高,私人拥有机动车辆的数量迅速增加,车辆普及成为必然的趋势。
在此情况下,仅仅依靠大力发展交通设施己不能解决交通拥挤、交通事故频发、环境污染加剧等问题。
尽管现在世界上的许多国家,仍然主要依靠建设更
多的道路基础设施,建立完善的道路网络缓解道路交通增长的需求,但由于城市空间的不断减小、修建新路所需的巨额资金以及环境的压力,建设更多的基础设施将受到限制。
因此,只有道路建设和现代化管理齐头并进,在加强交通建设的同时,大力发展智能交通系统,才有可能真正地解决日益严重的交通问题。
车辆牌照识别(LPR)技术是智能交通系统中的一个重要环节,它在交通监视和控制中占有很重要的地位,车辆牌照识别技术作为交通信息服务系统的重要手段,其任务是分析处理车辆图像,自动识别汽车牌号码。
为了避免人工干预所带来的弊端,提高管理效率,对车辆牌照自动识别系统的需求和标准的要求越来越高。
汽车牌照自动识别技术己经越来越受到人们的重视。
车辆识别系统在道路交通监控、交通事故现场勘察、交通违章自动纪录、高速公路自动收费系统、停车场自动安全管理、智能园区管理等方面有着广泛的应用前景,其研究的意义在与[1-10]:
1)收费管理系统:
在高速公路、桥梁、隧道等地点,人们将LPR系统应用于收费管理系统中,可以实现高效、准确、自动和不停车收费,真正实现无人干预,克服常规收费系统的工作量大、人工易疲劳等不足,极大地减轻劳动强度,节省大量人力、物力,同时,对于不停车收费系统,还可以节省车主的大量时间[11]。
2)交通监控:
在公路交通检测部门,几乎每天都有大量的交通违规车辆,对于列“黑名单”的车辆,如挂失的车辆、肇事后逃逸的车辆、欠费的车辆等,通常将这些车辆用摄像机拍摄下来,用人工来识别、比较车牌,这样导致工作效率低下、易出错,而应用LPR系统,只需要将车辆信息输入系统中,系统可以24小时连续对过往的车辆进行自动检测,对车牌号码进行识别、比较、处理,若符合条件则立刻发出控制信号。
其它如海关边境,应用LPR系统同样可以收到很好的效果[12]。
3)小区、停车场管理:
在智能小区和智能停车场,应用LPR系统后,出入车辆可以在不停车状态下进入入口,而系统可以及时识别车牌号,将车辆信息经过通信网络传到小区或停车场管理系统,从而免去管理人员的人工干扰,节省人力物力。
4)车牌验证,车流统计,移动和车载系统:
LPR系统也可以应用于交通管理部门、路桥卡口等进行车流统计;在移动和车载中,应用LPR系统可以对公路、街道等复杂地点的车辆随时进行车辆牌照识别,有利于管理部门进行巡视、监管、处理突发情况。
同时,汽车牌照自动识别的基本方法还可应用到其他检测和识别领域,所以汽车牌照的识别问题已成为现代交通工程领域中研究的重点和热点问题之一[13]。
1.2国内外研究现状
目前,基于数字图像处理和模式识别的方法是车牌自动识别中最为常用和最为有效的方法。
车牌识别的两个关键指标是识别精度和识别速度。
随着计算机技术的发展,计算机处理能力越来越强,识别速度有了很大的提高,随着LPR技术的发展,国内外都有大量关于车牌识别方面的研究的报道。
国外这方面的研究工作开展的比较早,其中有代表性的工作有如下几个方面:
R.Mullot等开发了一种既可以用于集装箱识别,又可用于车牌识别的系统,该系统主要是利用文字纹理在车辆图像中的共性进行定位与识别,车牌识别与集装箱识别共用一套硬件系统。
Youngsungso开发出一套实时车牌识别系统,据报道该系统的车牌定位正确率达到99.2%。
日本在车牌图像的获取的方面作了大量的研究,并为系统产业化作了大量的工作[14-20]。
国内也有大量的学者从事这方面的研究,中国科学院自动化所的刘智勇等发表文章针对车牌特点,设计了一个变换函数来突出其特点,从而进行车牌提取,该方法采用最大方差法来进行二值化闽值的选取,并对二值化后的图像进行水平扫描,找出候选区域。
他们在一个样本数为3180的样本集中,车牌定位准确率为99,42%,切分准确率为94.52%,从当时来看这是一个非常高的指标,他们这套系统后来和汉王公司的车牌识别系统有很大的关系。
北航的胡爱明等也利用模板匹配技术开发了一种车牌识别系统,其识别正确率据报道为97%以上,应用环境为收费站[21]。
1.3本文章节安排
本文以解决牌照识别中的问题为主线,各个章节内容安排如下:
第一章:
绪论中介绍了课题研究的背景,国内外研究的现状等,已经本文的章节安排。
第二章:
车牌的图像预处理技术,介绍了几种预处理技术,已经各种技术的应用,举实例说明预处理的过程和算法。
第三章:
车牌的定位技术,介绍了几种车牌定位技术和算法,并举实例说明算法的过程。
第四章:
车牌的分割技术,介绍了几种车牌分割技术和算法,并举实例说明算法的过程。
第五章:
车牌的字符识别技术,介绍了几种车牌字符识别技术和算法,并举实例说明算法的过程
第六章:
总结与展望。
总结了本文的主要工作,展望下一步的可能工作安排。
二.车牌照图像预处理技术
在实际应用中,我们的系统获取的原始图像不是完美的,例如对于系统获取的原始图像,由于噪声、光照等原因,图像的质量不高,所以需要进行预处理,以有利于提取我们感兴趣的信息。
图像的预处理既可以在空间域实现,也可以在频空间内实现,为了便于图像处理,将更多的精力投入到算法的研究与实现上,车牌图像预处理是指对获取的原始车牌图像进行车牌定位、分割和字符识别前所进行的前处理。
预处理的主要目是消除图像中的干扰信息,恢复有价值的信息,增强汽车牌照的可检测性和最大限度的降低车牌识别系统的运算量,从而改进车牌图像进行车牌定位、分割和字符识别的可靠性[22]。
本文图像预处理包括对采集到的原始图像进行色彩校正、图像增强、灰度化、滤波、锐化等处理,以克服干扰因素,最大限度的提高识别效果。
车牌识别中的图像获取一般通过摄像机完成的。
由于硬件等因素,所获取的目标图像中,含有复杂的车身背景及自然背景信息,同时易受照明条件、天气条件和运动失真、模糊等因素的影响,严重影响获取图像的质量,给之后的车牌分割及字符识别带来很大的困难,所以在进行车牌识别之间有必要对图像进行预处理操作。
2.1CIE-XYZ系统转化
本程序是采用RGB转化为CIE-XYZ系统来进行运算。
CIE-XYZ系统,就是在RGB系统的基础上,用数学方法,选用三个理想的原色来代替实际的三原色,从而将CIE-RGB系统中的光谱三刺激值和色度坐标r、g、b均变为正值。
选择三个理想的原色(三刺激值)X、Y、Z,X代表红原色,Y代表绿原色,Z代表蓝原色,这三个原色不是物理上的真实色,而是虚构的假想色。
由XYZ形成的虚线三角形将整个光谱轨迹包含在内。
因此整个光谱色变成了以XYZ三角形作为色域的域内色。
在XYZ系统中所得到的光谱三刺激值、、、和色度坐标x、y、z将完全变成正值。
经数学变换,两组颜色空间的三刺激值有以下关系:
X=0.490R+0.310G+0.200B
Y=0.177R+0.812G+0.011B
Z=0.010G+0.990B
两组颜色空间色度坐标的相互转换关系为:
x=(0.490r+0.310g+0.200b)/(0.667r+1.132g+1.200b)
y=(0.117r+0.812g+0.010b)/(0.667r+1.132g+1.200b)
z=(0.000r+0.010g+0.990b)/(0.667r+1.132g+1.200b)
只要知道某一颜色的色度坐标r、g、b,即可以求出它们在新设想的三原色XYZ颜色空间的的色度坐标x、y、z。
通过式的变换,对光谱色或一切自然界的色彩而言,变换后的色度坐标均为正值,而且等能白光的色度坐标仍然是(0.33,0.33),没有改变。
由CIE-RGB系统按表的数据,计算的结果。
所有光谱色度坐标x(l),y(l),z(l)的数值均为正值。
2.2车牌的灰度化
数字摄像机采集到的原始图像是24位真彩色图像,真彩色图像又称RGB图像,它是利用R,G,B三个分量表示一个像素值,其中R,G,B分别代表红、绿、蓝三种不同的颜色分量,通过三基色可以合成出242种颜色。
一幅m×n大小的图片,需要一个m×n×3的多维数组才能存储。
在存储上开销很大,而且在进行图像处理算法时会占用很大运算量。
因此在对图像进行车牌定位分割等处理时要先将24位真彩色图像转变为灰度图像,以减小运算量。
1.最大值算法:
取R,G,B值中最大的一个值,即
Gray=max(R,G,B)
2.平均值算法:
取R,G,B的值的平均值作为灰度值,即
Gray=(R+G+B)/3
3.取YUV颜色空间的亮度分量Y的值为当前像素值,即
Gray=(Wr*R+Wg*G+Wb*B)
其中,,rgbWWW分别为R,G,B的权值。
2.3膨胀运算
2.3.1膨胀定义
膨胀:
将与物体接触的所有背景点合并到该物体中,使边界向外部扩张的过程。
利用它可以填补物体中的空洞。
B对X膨胀所产生的二值图像D是满足以下条件的点(x,y)的集合:
如果B的原点平移到点(x,y),那么它与X的交集非空。
在膨胀操作时,输出像素值是输入图像相应像素邻域内所有像素的最大值。
2.3.2膨胀运算规则:
膨胀
超出图像边界的像素值定义为该数据类型允许的最小值,对于二进制图像,这些像素值设置为0;对于灰度图像,unit8类型的最小值也为0。
膨胀效果图
三.车牌照定位技术
牌照的定位从图像处理的意义上来说就是从一幅随机图像中找出一块具有某种特征的区域,该区.域中包含了汽车牌照。
这种特征就是牌照本身区别于图像其他部分的特征。
根据特征提取的不同,牌照定位的方法也就有很大的不同:
1.利用牌照具有四边形边框的特点,通过检测图像中的长直线段,然后用一定的约束条件进行搜索的方法来确定牌照的位置。
这种方法定位的精度较高,但是易受到噪声的影响。
且对有些边框磨损、不明显的牌照效果不好。
2.利用统计投影直方图的方法,通过对含有汽车的图像水平和垂直两个方向的灰度投影直方图的分析,来推断出汽车牌照的位置。
这种方法优点是对图像中的噪声不敏感,缺点是定位精度不够高。
3.区域生长法是对边缘图像进行均匀性区域生长以获得潜在车牌区域,然后利用车牌的几何特征以及车牌区域内的边缘灰度直方图统计特征删除伪车牌,即得到真实车牌。
4.DTF变换法是先对图像逐行做DTF变换,然后把频率系数逐行累加平均,并根据这些平均值做出频率谱曲线,根据频谱曲线中的“峰”的起始点位置确定车牌水平位置,对这一水平区域逐列做DTF变换可确定车牌竖直位置。
5.近年来又出现了基于彩色汽车图像牌照定位的方法。
这种方法主要是利用我国汽车牌照字符与底色对比较多,彩色图像比灰度图像能够更多的视觉信息并对各种光照不敏感等特点。
这种方法也取得了较好的效果。
本文采用对汽车图像进行水平扫描的办法对车牌区域进行定位分割。
这种方法克服了噪声的影响又提高了车牌定位分割的准确性。
在最后章节的实现中会具体看到算法的效果。
3.1SOBEL边缘检测
Sobel算子用于图像处理,特别是在边缘检测算法。
Technically,itisadiscretedifferentiationoperator,computinganapproximationofthegradientoftheimageintensityfunction.从技术上讲,它是一个离散的微分算子,计算了该逼近梯度的图像强度函数。
Ateachpointintheimage,theresultoftheSobeloperatoriseitherthecorrespondinggradientvectororthenormofthisvector.在图像中的每个点,Sobel算子的结果是,其对应的梯度向量或向量的范数。
TheSobeloperatorisbasedonconvolvingtheimagewithasmall,separable,andintegervaluedfilterinhorizontalandverticaldirectionandisthereforerelativelyinexpensiveintermsofcomputations.该Sobel算子是基于卷积具有体积小,可分的形象,价值过滤和整数水平和垂直方向,因此在计算方面相对便宜。
Ontheotherhand,thegradientapproximationwhichitproducesisrelativelycrude,inparticularforhighfrequencyvariationsintheimage.另一方面,梯度近似它生产的是比较粗糙,特别是对图像中的高频率的变化。
简化描述:
简单来说,操作计算梯度强度在每一点的形象,使光的方向最大可能增加对黑暗和方向率的变化研究。
Theresultthereforeshowshow"abruptly"or"smoothly"theimagechangesatthatpoint,andthereforehowlikelyitisthatthatpartoftheimagerepresentsanedge,aswellashowthatedgeislikelytobeoriented.因此,结果显示“突然”或“顺利”的形象在这一点上的变化,因此,怎么可能,那就是这种形象的一部分,代表了优势,以及如何这种优势很可能是导向。
Inpractice,themagnitude(likelihoodofanedge)calculationismorereliableandeasiertointerpretthanthedirectioncalculation.在实践中,幅度(边可能性)计算更可靠和更容易理解的方向比计算。
Mathematically,thegradientofatwo-variablefunction(heretheimageintensityfunction)isateachimagepointa2Dvectorwiththecomponentsgivenbythederivativesinthehorizontalandverticaldirections.数学上,渐变的双变量函数(这里的图像强度函数),是在每个图像点的二维向量与给定的组件衍生物在水平和垂直方向。
Ateachimagepoint,thegradientvectorpointsinthedirectionoflargestpossibleintensityincrease,andthelengthofthegradientvectorcorrespondstotherateofchangeinthatdirection.在每一个像点,在最大可能强度增加的方向梯度矢量点,渐变的矢量长度对应于在该方向的变化率。
ThisimpliesthattheresultoftheSobeloperatoratanimagepointwhichisinaregionofconstantimageintensityisazerovectorandatapointonanedgeisavectorwhichpointsacrosstheedge,fromdarkertobrightervalues.这意味着,该Sobel算子在图像点在不断图像强度区域结果是零向量,在边缘上的一个点是一个向量,点对面,从黑暗的边缘,到光明的价值。
算子包含两组3x3的矩阵,分别为横向及纵向,将之与图像作平面卷积,即可分别得出横向及纵向的亮度差分近似值。
边沿提取图片
3.1.1SOBEL算子优点:
产生较好的边缘检测效果,抗噪声能力较好,受噪声影响小。
SOBEL算子利用像素点上下左右邻点的灰度加权算法,根据边缘的极值这一现象进行边缘的检测。
对噪声具有平滑左右。
3.2RANDON图像旋转
3.2.1RANDON变换:
其原理是对原图像沿不同方向进行投影,并对投影结果建立二维直方图.选取极值点为直线所对应的点(二维直方图中的每一个极值点的两坐标对应直线边缘的倾斜角度和位置,而该坐标处对应的函数值对应投影的高度),从而可以得到直线的几何参数信息(倾斜角度和位置).如果物体图像具有大致沿竖直方向的物体边缘,须先将图像进行预处理得到二值图像.然后根据Randon变换,沿竖直方向对二值图像进行投影.
3.2.2RANDON具体数学原理
设ƒ(x)的= ƒ(的x,y)是一个连续函数,Radon变换,Rƒ,是由一个函数 L 2中定义的空间直线在 R 线积分沿每个这样的行:
通过参数化
Radon变换可表示在这些坐标
3.2.3图像的旋转:
应用语句imrotate
Bilinear双线性插值法
imrotate(bw2,a,'bilinear');%bw2为二值图像旋转
四.车牌字符分割技术
为了准确地识别牌照上的汉字、英文字母和数字。
必须把单个字符从牌照中提取分离出来。
在实际处理中,我们面对的是要识别的牌照字符情况非常复杂。
可能会存在较大的干扰、噪声,这是由于各种设备可能产生的噪声所引起的,使得牌照图像中可能产生字符之间断裂的现象,图像中算符的笔画可能产生字符之间粘连或者字符断裂的现象;算符的笔画可能变粗,其影响是字符的轮廓模糊不清、字符之间粘连。
同时,经牌照定位而分割出的牌照区域亦非完全精确到牌照上的字符区域,所面对的是在牌照四个边框附近误差几个象素;并且字符为白字,还将有汽车保险杠与牌照四边边框的残留图像以及牌照上两个铆钉干扰的一个区域。
这就要求我们对牌照要有一定的了解。
现有的牌照有四种类型:
(1)小功率汽车所用的蓝底白字牌照;
(2)大功率汽车所用的黄底黑字牌照;(3)军用或警用的白底黑字、红字牌照;(4)国外驻华机构用的黑底白字牌照。
这四种牌照的外轮廓长度均为45Omm,总的宽度为150mm,共有字符7个(不包括第二、三字符之间的小圆点)。
标准的民用车辆牌照(军车、警车、教练车、领事馆车除外)均为七个字符,首位为省名缩写(汉字),次位为英文字母,再次位为英文字母或阿拉伯数字,末四位字符均为数字。
字符总长度为409mm,其中单个字符统一宽度为45mm,高90mm,第二三个字符间间距为34mm(中间小圆点10mm宽,小圆点与第二、三个字符间间距分别为12mm),其余字符间间距为12mm。
牌照字符为规则的印刷体字,其字符串长度比、字符间隙、字符的宽高比及笔画宽高都是按照严格的标准制造的,在牌照图像数字化、提取和校正的过程中会代入一些干扰,但字符串参数之间的相互关系都不会发生很大的变化。
实现字符分割的算法如下:
记录竖直方向投影值小于一定阈值的水平坐标,为的字符分界点,从而进行字符的分割[23]。
影响算法效率的主要因素:
1.判断是否为字符边界线的闭值;
2.寻找字符右侧边界的时候跳动的距离。
这种切分算法简单,但是适应性不强。
实际中汉字可能与左边框相连,在字符分割时有可能会把边框包括进去。
对于这个问题的处理方法是:
如果发现汉字宽度大于标准宽度,则根据标准宽度由左到右取出预选字符的一部分作为最后的汉字部分,以去掉左边框部分。
对于与字符相连的右边框,我们也作同样处理。
其中,标准宽度是根据字符高度与字符固定宽高比例计算所得。
通过检查字符的宽度,我们也可以发现字符间的粘连问题。
如果某字符的宽度远远大于标准字符宽度,先找出它所在的位置,根据此预选字符的实际宽度和所处位置可估算出所含的这几个字符在车牌字符串中的排位。
例如:
如果发现车牌的第4、5、6这几个字符相连成一个预选字符,我们从预选字符的左端开始取一个具有标准字符宽度的部分,作为第4个字符,然后右移一个标准间距宽度,再同理选择第5个字符,剩下的便是第6个字符。
五.车牌字符识别技术
现在就具体字符识别的常用方法作一个介绍和比较。
字符识别有
常规方法有以下四种:
1.结构模式识别方法。
2
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 图像 处理 车牌 识别 系统 研究
![提示](https://static.bdocx.com/images/bang_tan.gif)