车牌定位.docx
- 文档编号:5076200
- 上传时间:2022-12-13
- 格式:DOCX
- 页数:24
- 大小:1.24MB
车牌定位.docx
《车牌定位.docx》由会员分享,可在线阅读,更多相关《车牌定位.docx(24页珍藏版)》请在冰豆网上搜索。
车牌定位
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 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,XX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 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。 某些牌照识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测。 一个完整的牌照识别系统应包括车辆检测、图像采集、牌照识别等几部分。 当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。 牌照识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。 三、详细设计步骤: 1.提出总体设计方案: 牌照号码、颜色识别 为了进行牌照识别,需要以下几个基本的步骤: a.牌照定位,定位图片中的牌照位置; b.牌照字符分割,把牌照中的字符分割出来; c.牌照字符识别,把分割好的字符进行识别,最终组成牌照号码。 牌照识别过程中,牌照颜色的识别依据算法不同,可能在上述不同步骤实现,通常与牌照识别互相配合、互相验证。 (1)牌照定位: 自然环境下,汽车图像背景复杂、光照不均匀,如何在自然背景中准确地确定牌照区域是整个识别过程的关键。 首先对采集到的视频图像进行大范围相关搜索,找到符合汽车牌照特征的若干区域作为候选区,然后对这些侯选区域做进一步分析、评判,最后选定一个最佳的区域作为牌照区域,并将其从图象中分割出来。 流程图: (2)牌照字符分割: 完成牌照区域的定位后,再将牌照区域分割成单个字符,然后进行识别。 字符分割一般采用垂直投影法。 由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近,并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。 利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。 (3)牌照字符识别: 切割出的字符送入库中 字符依次分析显示误差最小的图片名字 与数据库的图片相减 分析之差最小的图片是哪张 字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。 基于模板匹配算法首先将分割后的字符二值化,并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,最后选最佳匹配作为结果。 基于人工神经元网络的算法有两种: 一种是先对待识别字符进行特征提取,然后用所获得特征来训练神经网络分配器;另一种方法是直接把待处理图像输入网络,由网络自动实现特征提取直至识别出结果。 实际应用中,牌照识别系统的识别率与牌照质量和拍摄质量密切相关。 牌照质量会受到各种因素的影响,如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。 这些影响因素不同程度上降低了牌照识别的识别率,也正是牌照识别系统的困难和挑战所在。 为了提高识别率,除了不断的完善识别算法,还应该想办法克服各种光照条件,使采集到的图像最利于识别。 2.各模块的实现: 2.1输入待处理的原始图像: clear; closeall; %Step1获取图像装入待处理彩色图像并显示原始图像 Scolor=imread('3.jpg');%imread函数读取图像文件 图2.1原始图像 2.2图像的灰度化: 彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低系统的执行速度,因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像,以加快处理速度。 由彩色转换为灰度的过程叫做灰度化处理。 选择的标准是经过灰度变换后,像素的动态范围增加,图像的对比度扩展,使图像变得更加清晰、细腻、容易识别。 %将彩色图像转换为黑白并显示 Sgray=rgb2gray(Scolor);%rgb2gray转换成灰度图 figure,imshow(Sgray),title('原始黑白图像'); 图2.2原始黑白图像 2.3对原始图像进行开操作得到图像背景图像: s=strel('disk',13);%strei函数 Bgray=imopen(Sgray,s);%打开sgrays图像 figure,imshow(Bgray);title('背景图像');%输出背景图像 图2.3背景图像 2.4灰度图像与背景图像作减法,对图像进行增强处理: Egray=imsubtract(Sgray,Bgray);%两幅图相减 figure,imshow(Egray);title('增强黑白图像');%输出黑白图像 图2.4黑白图像 2.5取得最佳阈值,将图像二值化: 二值图像是指整幅图像画面内仅黑、白二值的图像。 在实际的车牌处理系统中,进行图像二值变换的关键是要确定合适的阀值,使得字符与背景能够分割开来,二值变换的结果图像必须要具备良好的保形性,不丢掉有用的形状信息,不会产生额外的空缺等等。 车牌识别系统要求处理的速度高、成本低、信息量大,采用二值图像进行处理,能大大地提高处理效率。 阈值处理的操作过程是先由用户指定或通过算法生成一个阈值,如果图像中某中像素的灰度值小于该阈值,则将该像素的灰度值设置为0或255,否则灰度值设置为255或0。 fmax1=double(max(max(Egray)));%egray的最大值并输出双精度型 fmin1=double(min(min(Egray)));%egray的最小值并输出双精度型 level=(fmax1-(fmax1-fmin1)/3)/255;%获得最佳阈值 bw22=im2bw(Egray,level);%转换图像为二进制图像 bw2=double(bw22); figure,imshow(bw2);title('图像二值化');%得到二值图像 图2.5二值图像 2.6边缘检测: 两个具有不同灰度值的相邻区域之间总存在边缘,边缘就是灰度值不连续的结果,是图像分割、纹理特征提取和形状特征提取等图像分析的基础。 为了对有意义的边缘点进行分类,与这个点相联系的灰度级必须比在这一点的背景上变换更有效,我们通过门限方法来决定一个值是否有效。 所以,如果一个点的二维一阶导数比指定的门限大,我们就定义图像中的次点是一个边缘点,一组这样的依据事先定好的连接准则相连的边缘点就定义为一条边缘。 经过一阶的导数的边缘检测,所求的一阶导数高于某个阈值,则确定该点为边缘点,这样会导致检测的边缘点太多。 可以通过求梯度局部最大值对应的点,并认定为边缘点,去除非局部最大值,可以检测出精确的边缘。 一阶导数的局部最大值对应二阶导数的零交叉点,这样通过找图像强度的二阶导数的零交叉点就能找到精确边缘点。 grd=edge(bw2,'canny')%用canny算子识别强度图像中的边界 figure,imshow(grd);title('图像边缘提取');%输出图像边缘 图2.6像边缘提取 2.7对得到图像作开操作进行滤波: 数学形态非线性滤波,可以用于抑制噪声,进行特征提取、边缘检测、图像分割等图像处理问题。 腐蚀是一种消除边界点的过程,结果是使目标缩小,孔洞增大,因而可有效的消除孤立噪声点;膨胀是将与目标物体接触的所有背景点合并到物体中的过程,结果是使目标增大,孔洞缩小,可填补目标物体中的空洞,形成连通域。 先腐蚀后膨胀的过程称为开运算,它具有消除细小物体,并在纤细处分离物体和平滑较大物体边界的作用;先膨胀后腐蚀的过程称为闭运算,具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。 对图像做了开运算和闭运算,闭运算可以使图像的轮廓线更为光滑,它通常用来消掉狭窄的间断和长细的鸿沟,消除小的孔洞,并弥补轮廓线中的断裂。 bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的闭运算 figure,imshow(bg1);title('图像闭运算[5,19]');%输出闭运算的图像 bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的开运算 figure,imshow(bg3);title('图像开运算[5,19]');%输出开运算的图像 bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的开运算 figure,imshow(bg2);title('图像开运算[19,1]');%输出开运算的图像 图2.7.1闭运算的图像图2.7.2开运算的图像 图2.7.3开运算的图像 2.8对二值图像进行区域提取,并计算区域特征参数。 进行区域特征参数比较,提取车牌区域: a.对图像每个区域进行标记,然后计算每个区域的图像特征参数: 区域中心位置、最小包含矩形、面积。 [L,num]=bwlabel(bg2,8);%标注二进制图像中已连接的部分 Feastats=imfeature(L,'basic');%计算图像区域的特征尺寸 Area=[Feastats.Area];%区域面积 BoundingBox=[Feastats.BoundingBox];%[xywidthheight]车牌的框架大小 RGB=label2rgb(L,'spring','k','shuffle');%标志图像向RGB图像转换 figure,imshow(RGB);title('图像彩色标记');%输出框架的彩色图像 图2.8.1彩色图像 b.计算出包含所标记的区域的最小宽和高,并根据先验知识,比较谁的宽高比更接近实际车牌宽高比,将更接近的提取并显示出来。 程序流程图图2.8.2灰度子图和二值子图 2.9对水平投影进行峰谷分析: 对水平投影进行峰谷分析,计算出车牌上边框、车牌字符投影、车牌下边框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。 histcol1=sum(sbw1);%计算垂直投影 histrow=sum(sbw1');%计算水平投影 figure,subplot(2,1,1),bar(histcol1);title('垂直投影(含边框)');%输出垂直投影 subplot(2,1,2),bar(histrow);title('水平投影(含边框)');%输出水平投影 图2.9.1垂直投影和水平投影 figure,subplot(2,1,1),bar(histrow);title('水平投影(含边框)');%输出水平投影 subplot(2,1,2),imshow(sbw1);title('车牌二值子图');%输出二值图 对水平投影进行峰谷分析: 图2.9.2水平投影和二值图程序流程图 2.10计算车牌旋转角度: a.车牌倾斜的原因导致投影效果峰股谷不明显,在这里需要做车牌矫正处理。 这里采取的线性拟合的方法,计算出车牌上边或下边图像值为1的点拟合直线与水平X轴的夹角。 求最大宽度为字符 检测上边 从顶边至第一个峰下降点扫描 从底边至最后一个峰的上升点扫描 找第一个为1的点 标示出图像大小 程序流程图 (2)线性拟合,计算与x夹角 fresult=fit(xdata',ydata','poly1');%poly1表示一介拟合Y=p1*x+p2 p1=fresult.p1; angle=atan(fresult.p1)*180/pi;%弧度换为度,360/2pi,pi=3.14 (3)旋转车牌图象 subcol=imrotate(subcol1,angle,'bilinear','crop');%旋转车牌图象 sbw=imrotate(sbw1,angle,'bilinear','crop');%旋转图像 figure,subplot(2,1,1),imshow(subcol);title('车牌灰度子图');%输出车牌旋转后的灰度图像标题显示车牌灰度子图 subplot(2,1,2),imshow(sbw);title('');%输出车牌旋转后的灰度图像 title(['车牌旋转角: ',num2str(angle),'度'],'Color','r');%显示车牌的旋转角度 图2.10.1旋转后的灰度图像和旋转角度 b.旋转车牌后重新计算车牌水平投影,去掉车牌水平边框,获取字符高度: histcol1=sum(sbw);%计算垂直投影 histrow=sum(sbw');%计算水平投影 figure,subplot(2,1,1),bar(histcol1);title('垂直投影(旋转后)'); subplot(2,1,2),bar(histrow);title('水平投影(旋转后)'); 图2.10.2垂直投影(旋转后)和水平投影(旋转后) figure,subplot(2,1,1),bar(histrow);title('水平投影(旋转后)'); subplot(2,1,2),im
- 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:
- 车牌 定位
![提示](https://static.bdocx.com/images/bang_tan.gif)