基于图像处理的车牌信息处理与识别的研究与设计.docx
- 文档编号:759322
- 上传时间:2022-10-12
- 格式:DOCX
- 页数:31
- 大小:958.78KB
基于图像处理的车牌信息处理与识别的研究与设计.docx
《基于图像处理的车牌信息处理与识别的研究与设计.docx》由会员分享,可在线阅读,更多相关《基于图像处理的车牌信息处理与识别的研究与设计.docx(31页珍藏版)》请在冰豆网上搜索。
基于图像处理的车牌信息处理与识别的研究与设计
摘要:
随着经济的发展,各种交通运输工具尤其是汽车数量的剧增为人们的生活带来了极大的便利,为缓解公路等交通基础设施发展的相对落后而为交通管理等带来的巨大压力,智能交通系统(ITS)应运而生。
车牌识别系统(LPR)作为智能交通系统关键技术之一,具有对车辆进行自动化监视,验证,登记与报警等功能,可应用于高速公路管理系统,停车场收费管理,小区车辆管理与电子警察等领域当中。
本文通过对大量相关资料的搜集、整理、分析,选择了一些图像预处理的方法对图像进行预处理,详细分析了车辆图像的特征,尤其是牌照区域的特征,通过形态学的方法去除无关区域再根据定位图像中像素点的统计特性来精确定位车牌。
然后扫描车牌区域每列蓝色像素点,结合车牌字符本身的几何特征进行字符分割,使最终的字符块能满足后续字符识别的要求。
综合实验结果表明,本文提出的车牌定位方法定位准确率高,对于质量较差的图像也有较好的定位效果。
字符识别部分采用了最基本的模板匹配法,容易理解且识别率基本满足实际的需要。
关键词:
车牌识别;车牌定位;字符分割;字符识别
第一章绪论
1.1课题背景及研究意义
产业革命开始以来,交通运输业的飞速发展为人们的生活带来了极大的便利,与此同时,各种交通运输工具特别是汽车数目的剧增也给社会和环境带来了日趋严重的巨大压力,为了缓解这些压力,智能交通系统ITS(IntelligentTransportationSystem)应运而生[1]。
它是在较完善的道路设施基础上,将先进的电子技术、信息技术、传感器技术和系统工程技术集成运用于地面交通的实际需求,建立起全方位、实时准确、高效的地面交通系统,实质上就是利用高新技术对传统的交通系统改造成一种信息化、智能化、社会化的新型交通系统[2]。
随着我国经济的快速发展,智能交通系统将会成为现代交通管理发展的必然趋势,车辆牌照识别(LicensePlateRecognition,简称LPR)是智能交通系统实现的前提,是车辆自动识别系统中最有发展的技术之一,在高速公路、城市道路和停车场等项目管理中占有无可取代的重要地位。
LPR系统主要应用于[3]:
(1)高速公路收费管理系统在高速公路收费出入口分别完成车牌号码识别和车牌匹配工作,可以发现车辆换卡的行为,收费员的舞弊行为,规范收费程序。
(2)公路布控采用车牌识别技术,实现对重点车辆的自动识别、快速报带处理。
不仅可以有效防止机动车辆被盗,而且为公安、监察机关对犯罪嫌疑人所驾车辆的自动监控和跟踪提供了高科技手段。
(3)停车场收费管理系统。
(4)封闭式居民小区物业管理及重要部门的保安管理,等等。
LPR技术用于上述范围,可以解决车辆的自动稽查问题,可以解决车流高峰期因出入口车流瓶颈造成的路桥卡口、停车场交通堵塞问题,可以协助路桥卡口、高速公路、停车场人工收费及停车收费等,还可以用最简单的方式完成交通部门的车辆信息联网,实现数据统计自动化,模糊查询等。
由此可见,LPR系统具有非常广大的应用前景。
车辆牌照图像识别涉及到模式识别、图像处理、人工智能、信息论、计算机等多个学科,同时也与语言文字学等学科相关,是一门综合的技术,有着重要理论意义和实际应用价值。
1.2国内外车牌识别技术研究现状及发展趋势
目前,国内外有大量关于车牌识别方面的研究报道。
国外在这方面的研究工作开展较早。
在上世纪70年代,英国就在实验室中完成了“实时车牌检测系统”的广域检测和开发。
同时代,诞生了面向被盗车辆的第一个实时自动车牌监测系统。
发展至今,国外对车牌检测的研究已经取得了一些令人瞩目的成就,如YuntaoCui[4]提出了一种车牌识别系统,在车牌定位以后,利用马尔科夫场对车牌特征进提取和二值化,对样本的识别达到了较高的识别率。
EunRyung[5]等利用图像中的颜色分量,对车辆牌照进行定位识别,其中提到了三种方法:
(1)以Hough变换为基础的边缘检测定位识别;
(2)以灰度值变换为基础的识别算法;(3)以HLS彩色模式为基础的车牌识别系统,识别率分别为81.25%,85%,91.25%。
日本对车牌图像的获取也做了大量的研究,并为系统产业化做了大量工作。
Luis[6]开发的系统应用于公路收费站,全天识别率达到了90%以上,即使在天气不好的情况下也达到了70%。
国外对车牌识别的研究起步早,总体来讲其技术已比较领先,同时由于他们车牌种类单一,规范程度较高,容易定位识别,目前,已经实现了产品化,并在实际的交通系统中得到了广泛的应用。
我国车牌自动识别的研究起步较晚,大约发生在八十年代末。
1988年戴营[7]等利用常见的图像处理技术方法提出汉字识别的分类是在提取汉字特征的基础上进行的。
根据汉字的投影直方图(ProjectionHistogram),选取浮动阈值,进行量化处理后,形成一个变长链码,再用动态规划法,求出与标准模式链码的最小距离,实现细分类,完成汉字的自动识别;上海交通大学计算机学院戚飞虎等人研究的基于彩色分割的牌照自动识别系统;华中科技大学黄心汉等人研究的基于模板匹配和神经网络的牌照识别系统;以及浙江大学图形图像研究所潘云鹤等人研究的“车牌通”产品等。
此外,国内还有许多学者都在进行这方面的研究,并且取得了大量成果。
目前,车牌识别技术和产品性能进入实用阶段的时间还不是很长,随着人工智能以及自动识别技术的进步,未来的技术发展空间还会非常大。
例如,核心算法继续发展,识别率和识别速度进一步改善,图像处理中对模糊图像预处理能力增强,画质改善技术的提高等等。
1.3论文研究主要内容
汽车牌照识别是智能交通系统领域的一个重要研究课题,本课题运用MATLAB对车牌识别技术中的图像预处理、车牌定位、字符分割与字符识别等核心部分进行了研究,利用MATLAB语言编程,实现车牌图像识别系统中的图像处理和图像分割等关键技术的仿真。
解决在自然背景的图象中定位分割牌照区域、车牌倾斜和提取分割下来的字符等问题。
通过对一定数量的图像进行处理,表明MATLAB在这方面的运用是非常有效和成功的。
本课题来源于智能交通信号控制系统,车辆牌照的自动识别是智能交通信号控制系统中的关键技术。
针对该课题,本文着重从以下几方面的内容展开研究:
(1)介绍智能交通系统目前的发展状况,本系统中应用到的技术理论基础知识,本系统的整体情况和本文解决的问题。
国内外车牌识别技术研究现状及发展趋势。
(2)车牌识别的算法研究。
主要是对车牌图像的预处理,车牌图像的定位,车牌图像的倾斜校正,字符分割与归一化,字符识别等方面的具体算法进行研究。
(3)车牌识别系统的软件实现,以MATLAB软件为主要工具,用MATLAB语言对图像各个处理过程进行仿真,并对仿真结果进行分析。
(4)根据实验结果分析系统仍然存在的缺陷与不足,并给出结论。
第二章车牌识别的原理
2.1车牌图像的预处理
利用摄像头拍摄到的车辆图像往往存在很多噪点,因此在进行识别前要进行车辆图像的预处理。
车辆图像的预处理是指对采集到的车辆图像进行灰度化和去噪处理,以使车辆图像尤其是牌照区域的图像的质量得到改善,同时保留和增强车牌中纹理和颜色的信息,去除可能影响牌照区域纹理和颜色信息的噪点,为牌照定位提供方便。
2.1.1彩色图像的灰度化
汽车图像样本,目前大都是通过摄像机、数码相机等设备拍摄获取的,因而预处理前的图像都是彩色图像。
真彩色图像又称RGB图像,它是利用R,G,B3个分量表示一个像素的颜色,R,G,B分别代表红、绿、蓝3种不同的颜色,通过三基色,可以合成出任意颜色[8]。
由于图像的每个像素都具有三个不同的颜色分量,存在许多与识别无关的信息,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,不便于进一步的识别工作,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。
目前将彩色图像灰度化的处理方法主要有如下三种:
(1)平均值法:
使R,G,B的值等于三值和的平均值,即
(2.1)
(2)最大值法:
使R,G,B的值等于三值中最大的一个,即
(2.2)
(3)加权平均值法:
将R,G,B赋予不同的权值并取平均值。
由于人眼对绿色的敏感度最高,对红色的敏感度次之,对蓝色的敏感度最低,因此采用的图像灰度值的转换公式为:
(2.3)
其中,R,G,B分别代表红色(RED)、绿色(GREEN)、蓝色(BLUE)的颜色值,W代表转化后象素的灰度等级。
根据车牌的实际使用情况,选择加权平均值法进行灰度化,这样更接近人类视觉系统。
2.1.2图像增强
由于牌照图像拍摄受到各种条件的限制和干扰,图像的灰度值往往与实际景物不完全匹配,这将直接影响图像的后续处理,如果造成这种影响的原因主要是由于被摄物体的远近不同,使得图像中央区域和边缘区域的灰度失衡,或是由于摄像头在扫描时各点的灵敏度差异较大而产生图像失真,或是由于曝光不足使得图像的灰度变化范围较窄,这时就可以采用灰度校正的方法来处理,增强灰度的变化范围,丰富灰度层次,达到增强图像对比度有利于车牌识别的目的。
本文主要采用中值滤波法对车牌图像进行效果增强。
中值滤波是较常用的能够有效去除噪声并能减少边缘模糊的非线性平滑方法。
具体方法是:
对于一个滑动窗口N*M内的各像素按灰度级排序,用处于中间位置像素的灰度级来代替窗口中心像素原来的灰度级。
中值的定义:
N个数据进行排列后得到一个有序序列R0~Rn-1,其中(n-1)/2,称为中值。
滑动窗口中亮度的中值不受个别噪声毛刺的影响,因此中值滤波相当好地消除了冲激噪声。
并且因为中值滤波并不明显地模糊边缘,因此可以迭代使用。
中值滤波的特点:
(1)计算复杂度非常高(因为要在窗口内排序),执行速度慢。
(2)能量不守恒,即滤波前后图像的亮度发生改变。
(3)不容易造成图像模糊,具有非常好的抗噪性能。
中值滤波能够在抑制随机噪声的同时不使边缘模糊。
在目标和背景的边界处的像素,当其邻域中大多数为目标点时,它取目标的灰度值,当其邻域中大多数为背景点时,它取背景的灰度值,一次不会造成图像模糊,中值滤波的效果依赖于两个要素:
邻域的空间范围和中值计算中涉及的像素数,当空间范围较大时,一般只取若干稀疏分布的像素作抽样中值计算。
2.1.3边缘检测
图像的边缘是图像最基本的特征。
所谓边缘(或边沿)是指其周围像素灰度有阶跃变化或“屋顶”变化的那些像素的集合。
边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间。
因此,它是图像分割所依赖的重要特征。
经典的边缘提取方法是考查图像的每个像素在某个领域内灰度的变化,利用边缘邻近一阶或一阶方向导数变化规律,用简单的方法检测边缘,这种方法称为边缘检测局部算子法。
边缘检测[9]的基本思想是通过检测每个像元和其邻域的状态,以决定该像元是否位于一个物体的边界上。
如果每一个像元位于一个物体的边界上,则其邻域像元灰度值的变化就比较大。
例如可以应用某种算法检测出这种变化并进行量化表示,那么就可以确定物体的边界。
常用的边缘检测算子主要有:
Robert算子,Sobel算子,Prewitt算子,Log算子和Canny算子。
本文只对其中几种边缘检测算子进行简要介绍。
Robert边缘算子是一种斜向偏差分的梯度计算方法,梯度的大小代表边缘的强度,梯度的方向与边缘走向垂直。
它由下式给出:
(2.4)
其中
、
、
和
)分别为4领域的坐标,且是具有整数像素坐标的输入图像;其中的平方根运算使得该处理类似于人类视觉系统中发生的过程。
Sobel算子是一种一阶微分算子,它利用像素邻近区域的梯度值来计算1个像素的梯度,然后根据一定的阈值来取舍。
它由下式给出:
(2.5)
Sobel算子是一组方向算子,从不同的方向检测边缘。
Sobel算子不是简单的求平均再差分,而是加强了中心像素上下左右四个方向像素的权重,运算结果是一副边缘图
- 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 信息处理 识别 研究 设计