車牌定位流程圖
車牌定位流程圖
車牌識別系統(tǒng) 是計(jì)算機(jī)視頻圖像識別技術(shù)在車輛牌照識別中的一種應(yīng)用。以下是學(xué)習(xí)啦小編為大家整理的關(guān)于車牌定位流程圖，給大家作為參考，歡迎閱讀!
車牌定位流程圖
車牌定位方法
1. 預(yù)處理
由于光線不足或者反光等諸多因素，有可能造成車牌對比度較差，對接下來的紋理分析產(chǎn)生影響，所以有必要進(jìn)行圖象增強(qiáng)。圖象拉伸是增加圖象對比度的一個(gè)好方法，但簡單的圖象拉伸有可能造成拉伸過度，損失了車牌區(qū)域的細(xì)節(jié)。
本文提出的方法是根據(jù)原圖象對比度采用自適應(yīng)拉伸的方法，經(jīng)實(shí)驗(yàn)證明能有效增強(qiáng)圖象對比度，提高了車牌定位準(zhǔn)確率。
灰度拉伸公式如下：
p1和p2根據(jù)動(dòng)態(tài)范圍p做自適應(yīng)調(diào)整。我們使用的參數(shù)是：p>0.8時(shí)，p1=p2=0.2;p>0.5時(shí)，p1=p2=0.15;其余p1=p2=0;在實(shí)驗(yàn)中收到了良好的效果。圖1是原圖象，圖2是用本文的自適應(yīng)拉伸法處理后的圖象，可以看到圖2的對比度增強(qiáng)了，牌照字符的邊緣更加清晰，有利于后面的定位處理。
2. 車牌定位
當(dāng)我們從遠(yuǎn)處觀察車輛時(shí)，判別牌照區(qū)域的主要依據(jù)是車牌的顏色、亮度和車牌字符的邊緣形成的紋理。所以，充分利用這些信息就成了定位車牌的關(guān)鍵。
2.1 粗定位
牌照區(qū)域區(qū)別于其他區(qū)域的地方就在于牌照上有字符，這一特征體現(xiàn)在圖象的灰度上就是其水平投影具有較好的連續(xù)性，不會有大的起伏，體現(xiàn)在紋理信息上就是其垂直邊緣的間距較有規(guī)律。本文的車牌定位方法就是基于這兩個(gè)特征的結(jié)合進(jìn)行的，從而更有效地排除干擾區(qū)域，更快速地進(jìn)行車牌的定位。
1) 水平定位
首先，我們要找出車牌所在的水平位置。雖然車牌區(qū)域內(nèi)水平方向有著較大的灰度變化，但由于字符在豎直方向上的灰度有著較好的連續(xù)性，在車牌范圍內(nèi)的水平灰度投影不會有很大的起伏，而在車牌之外的上下區(qū)域由于車身或背景的關(guān)系投影值則明顯不同。
同時(shí)車牌區(qū)域除了在水平方向應(yīng)有的灰度連續(xù)性，還應(yīng)該具有一定灰度變化頻度。為了統(tǒng)計(jì)灰度變化頻度，經(jīng)試驗(yàn)比較，在我們的算法中采用簡單快速的水平梯度算子[-1 1]。通過二值化水平梯度圖提取具有最大梯度的邊緣，同時(shí)去除了大多數(shù)噪聲的干擾。因?yàn)槌上衲：仍蚴固崛〉挠行┻吘墝挾却?，我們對邊緣圖象再一次做水平差分計(jì)算。經(jīng)運(yùn)算后邊緣圖象輪廓清晰，車輛牌照子圖象區(qū)域完全凸現(xiàn)出來，而車體上其他部分和背景中的輪廓線特征往往并不突出。
由于搜索整幅位圖，速度非常慢，為了縮小搜索范圍，加快定位速度，算法采用如下方法：
(1) 每間隔10行掃描一行，記下變化頻度最大的行號i 。
(2) 從中選出最大的10行，R{row (i) | i = 0,1,…,9}。記row(i) 的灰度投影值為pro (row(i))，記投影變化的下門限為th_low，上門限為th_high，記水平方向灰度變化頻度的門限是th_edge。
(3) 對R中每一個(gè)row (i)向上或向下掃描灰度投影，以{th_low *pro(row(i)), th_high *pro(row(i))}向上和向下做區(qū)域增長，同時(shí)考慮變化頻度是否滿足要求。實(shí)際由于各種原因，有時(shí)不是車牌范圍內(nèi)的每一行都滿足灰度投影連續(xù)性和變化頻度的要求，所以我們允許對不滿足要求的連續(xù)的行數(shù)和總行數(shù)有一定的冗余。
(4) 對得到的高度區(qū)域進(jìn)行篩選，去掉高度不合格的區(qū)域。篩選到的區(qū)域送到下一步確定左右邊界。
在實(shí)驗(yàn)中，一般只有1--3個(gè)有效的候選區(qū)域，減少搜索量為原來的1/2以上，但準(zhǔn)確率卻提高了50%以上，收到了很好的實(shí)效。投影和變化頻度在搜索中有效的結(jié)合不僅提高了水平定位的準(zhǔn)確性，而且使得算法對區(qū)域增長的閾值不敏感，提高了系統(tǒng)的魯棒性。
圖3中的水平長直線是用此方法得到的車牌候選區(qū)的水平位置，這三個(gè)水平位置正是圖象中包含字符串的類車牌區(qū)的所在。經(jīng)實(shí)驗(yàn)證明，此方法對確定車牌的水平位置十分有效，在我們所試驗(yàn)的200多張圖象中，全部找到了車牌所在的水平位置。
2) 垂直定位
接著，我們對經(jīng)水平定位得到的每個(gè)區(qū)域分別進(jìn)行垂直定位。我們發(fā)現(xiàn)，不是所有的車牌都有邊框，并且當(dāng)車牌底色和車身顏色相近時(shí)車牌的邊界也不存在了。所以，如果車牌有邊框或邊界，可以以此來定位;如果沒有，可以對最左邊和最右邊的字符的邊緣定位。為了提高邊緣的抗干擾能力，我們采用動(dòng)態(tài)閾值的Canny算子，上閾值用式(7)計(jì)算，下閾值為上閾值的0.7倍。由于搜索Canny邊緣是在水平定位子圖像上進(jìn)行，所以速度很快，不影響整個(gè)系統(tǒng)的實(shí)時(shí)性。從圖4可以看到用此方法提取的邊緣什分清晰準(zhǔn)確。
式(7)中c(i) 為水平定位子圖像的灰度累積直方圖。
那么怎么得到車牌的左右邊界呢?進(jìn)一步分析車牌紋理特征，除了在水平方向有一定的邊緣外，這些邊緣還應(yīng)該是集中地分布在一定范圍內(nèi)，間隔較有規(guī)律。因此，方法如下：
掃描每個(gè)水平定位子圖像的每一行l(wèi) (i, j) ，( i=1……q, j=1……h (i) )。q為子圖像數(shù)，h (i)為第i 個(gè)子圖像的高度。設(shè)子圖像i 的掃描起始列為c。
(1) 從行l(wèi) (i, j)的掃描起始列c開始掃描，將c后的第一個(gè)邊緣點(diǎn)記為這一行的起始點(diǎn)，即第一個(gè)有效點(diǎn)。
(2) 如果下一個(gè)邊緣點(diǎn)和上一個(gè)有效點(diǎn)的距離小于1.3×h (i)，則這一點(diǎn)為有效點(diǎn)，否則為無效點(diǎn)。如果一行的連續(xù)無效點(diǎn)和無效點(diǎn)總數(shù)大于冗余閾值，這一行為無效行，繼續(xù)下一行掃描。如果一行的有效點(diǎn)數(shù)大于灰度變化頻度th_edge，這一行為有效行，并將最后一個(gè)有效點(diǎn)暫時(shí)作為行結(jié)束點(diǎn)。
(3) 如果行結(jié)束點(diǎn)后仍有有效點(diǎn)，則行結(jié)束點(diǎn)為依次為最后一個(gè)有效點(diǎn)。
(4) 如果一個(gè)水平子圖像沒有有效行，則這個(gè)子圖像為無效區(qū)域;否則為有效區(qū)域，記錄有效行的起始點(diǎn)和結(jié)束點(diǎn)來計(jì)算車牌的左右邊界。計(jì)算方法在后面介紹。
(5) 如果有效區(qū)域的右邊界小于圖象寬度，則可能還有其他有效區(qū)域，記c=右邊界+1，返回 (1)繼續(xù)掃描。
得到了一個(gè)區(qū)域的若干行的起始點(diǎn)和結(jié)束點(diǎn)，接下來判定這個(gè)有效區(qū)域的左右邊界。如果將此看作一個(gè)直線擬和問題，可以采用最小平方誤差法：
式(8)中t 為待估計(jì)的左邊界或右邊界，xi 為起始點(diǎn)或結(jié)束點(diǎn)。這個(gè)方法的優(yōu)點(diǎn)是計(jì)算簡單，但如果有幾個(gè)噪聲點(diǎn)干擾的話，擬和結(jié)果明顯變差，定位不準(zhǔn)確。為了解決這個(gè)問題，我們采用以下的方程：
式(9)與式(8)不同，其值越大則擬和的位置越正確。這個(gè)方程的最重要的特點(diǎn)是：一個(gè)點(diǎn)離擬和的位置越遠(yuǎn)，它對方程所做的貢獻(xiàn)越小，因此少數(shù)的噪聲點(diǎn)不會影響擬和的結(jié)果，具有很好的抗噪聲能力。所以，定位左右邊界的過程就是一個(gè)在小范圍內(nèi)找擬和最大值的過程。
從圖3可以看到，我們的方法十分有效，圖中的4個(gè)含有字符串的類牌照區(qū)都被準(zhǔn)確地找到了左右邊界。再看圖4，車牌的左邊界位置是最左邊的字符"B"的左邊緣，右邊界位置是車牌的右邊緣，符合我們的預(yù)期。
2.2 精確定位
大多數(shù)情況下，車牌已被準(zhǔn)確定位了，但車牌字符上面和下面的鉚釘有時(shí)使水平定位過大，這會影響后面的字符分割。另外我們將臺灣省的車牌類型也考慮在內(nèi)，從圖(6)中可以看到這種車牌為雙行結(jié)構(gòu)，上行為中文小字，一般寫著"臺灣省"，位置處于兩個(gè)鉚釘?shù)闹虚g。由于其字體很小無法做識別且信息量不大，所以應(yīng)在精確定位時(shí)把它們和其他干擾區(qū)一齊去除。
從圖(6)中可以看到，車牌下行字符和上行字符的中間是一個(gè)空白帶，基本沒有什么邊緣。用閾值來分割這種邊緣變化不具有很強(qiáng)的魯棒性，容易受到噪聲的干擾。將水平定位時(shí)獲得邊緣做水平投影，可以發(fā)現(xiàn)在鉚釘與車牌字符的中間具有較小的投影值。二次差分比率函數(shù)具有檢測波峰、波谷的能力，因此計(jì)算邊緣投影的二次差分比率如下：
式(10)中v(i)為水平邊緣投影，f(i)為二次方差比率值。這個(gè)函數(shù)的特點(diǎn)是值越小，鄰域的變化越大，函數(shù)值就越大，因此具有檢測波谷的能力。為了減少噪聲和車牌傾斜的影響，我們設(shè)計(jì)了一個(gè)累積加權(quán)的方法，具體如下：
(1) 我們將投影值為0，1，2的行都視為波谷，權(quán)值分別為w_0，w_1，w_2，其余的權(quán)值為1;
(2) 權(quán)值從第一行開始累加，如果是權(quán)值是1，則不累加，保持為1。因此波谷越寬，累積的權(quán)值將越大。
(3) 將累加得到的權(quán)值乘和對應(yīng)行的二次差分比率值相乘。
這樣，波谷的二次差分比率值得到了增強(qiáng)，最大值所對應(yīng)的行就是我們所要的分割位置。
圖 5 式(10) 圖 6 初定位后的車牌 圖7 精確定位后的車牌
的累積加權(quán)值
圖(6)是粗定位后得到的結(jié)果的二值圖。用上述方法計(jì)算圖(6)的邊緣水平投影的加權(quán)二次差分比率，得到圖(5)。從圖(5)可以清楚地看到，上半部分和下半部分最大的值正對應(yīng)車牌字符的上邊界和下下邊界，據(jù)此我們得到準(zhǔn)確的車牌定位，見圖(7)。按照這個(gè)方法，我們能夠同時(shí)去除車牌字符上方和下方的干擾，并且這個(gè)函數(shù)對牌照傾斜不敏感。如果在粗定位階段已經(jīng)得到了準(zhǔn)確的水平定位，那么就不能得到滿足大于一定閾值的函數(shù)值，不會產(chǎn)生字符被上下切分的情況，具有良好的魯棒性和適應(yīng)能力。
3. 實(shí)驗(yàn)結(jié)果及討論
為了測試我們的算法的魯棒性和適應(yīng)性，我們對從攝像機(jī)和數(shù)碼相機(jī)截取的211張圖片進(jìn)行了實(shí)驗(yàn)，這些圖片有四種不同的分辨率，拍攝于不同地點(diǎn)，不同氣候、光照下，有汽車的前臉和后尾的遠(yuǎn)景、近景和特寫照，車型有轎車、小客車、大客車、貨車。部分情況的分類見表1：
在粗定位階段我們?nèi)空业搅塑嚺茀^(qū)域，最后有3張圖象中的車牌最后未能準(zhǔn)確定位。其中候選區(qū)選擇錯(cuò)誤是由于在客車的車牌斜下方有一個(gè)字母和數(shù)字組成的標(biāo)識，是一個(gè)類牌照區(qū)，由于我們采取識別反饋的方式將識別結(jié)果的語法錯(cuò)誤反饋回定位階段，最后我們?nèi)阅苷_定位此車牌。有一個(gè)車牌的水平定位太窄是因?yàn)檐嚺茖Ρ榷容^低并且車牌較大造成邊緣圖象的不連續(xù)行數(shù)大于我們在實(shí)驗(yàn)中設(shè)定的冗余值。另一個(gè)車牌的垂直定位太寬是因?yàn)檐嚺频淖笥覂蛇叺奈矡舭l(fā)光時(shí)成格子狀，具有同車牌字符相似的紋理特征。由于我們在字符分割階段根據(jù)車牌字符的排列特點(diǎn)做了字符區(qū)域篩選，根據(jù)車牌字符的邊緣和灰度做區(qū)域增長，最后我們?nèi)阅艿玫秸_的分割結(jié)果。所以，考慮字符分割和字符識別的反饋我們將進(jìn)一步提高定位的正確率和準(zhǔn)確性。
4. 結(jié)論
本文提出了一種新的快速自適應(yīng)車牌定位算法。在粗定位階段結(jié)合車牌區(qū)域的紋理特征和灰度信息定位車牌，接著利用車牌字符的邊緣特點(diǎn)精確定位，為下一階段的車牌字符處理打下了良好的基礎(chǔ)。經(jīng)實(shí)驗(yàn)證明，本文提出的方法速度較快，滿足整個(gè)系統(tǒng)的實(shí)時(shí)性要求，對車牌大小、長寬比、車牌類型、是否有邊框等車牌信息不敏感，對不同的拍攝方式、不同的拍攝條件、不同的圖象類型同樣具用較好的魯棒性。由于抓住了車牌共有的特征，本方法有著廣泛的適用性，可應(yīng)用于道路收費(fèi)、車輛監(jiān)控、停車場管理等諸多領(lǐng)域
車牌定位流程圖相關(guān)文章：
1.車牌識別流程圖