车牌定位算法的分类和比较

摘要：智能交通系统(ITS)是世界经济竞争的主题。它们是新的信息和通信技术在运输部门中的应用，能够让基础设施变得更有效、更可靠和更生态。车牌识别(LPR)是这些系统的关键模块，其中车牌定位(LPL)是最重要的阶段，因为它决定了该模块的执行速度和健壮性。因此，在这一步骤中，算法必须在克服气候、光照条件、传感器的角度变化、车牌的非标准化和实时处理等几个限制条件下处理图像。本文介绍了车牌定位(LPL)算法的分类和比较，并描述了每种算法的优缺点和所做的改进。

关键词：车牌定位，车牌定位约束，性能，实时性，多定位，卷积神经网络，深度学习

介绍

人和产品的流动性需求使得道路交通越来越麻烦。ITS的设计旨在规避这一问题带来的挑战。车牌识别是这个领域的核心。它基于三个阶段:车牌定位、车牌字符分割和光学字符识别(OCR)。

高效的LPL算法应能实时提供准确的结果。因此，它必须能够管理定位阶段约束：所有车牌类型的多重定位、气候条件造成的噪音、肮脏的车牌或复杂的采集场景、导致图像对比度低或多色外观不标准的照明条件，传感器/车辆距离和捕获角度对车牌的颜色、大小和形状均有显著影响。

在我们的研究中，我们将车牌定位算法分为三大类:基于数学处理的算法系列介绍在第2节，基于板块特征的算法系列介绍在第3节，基于深度学习的算法系列介绍在第4节。在第5节中，比较了根据该相位约束所研究的算法的映射性能。在第6节中，我们将总结我们的工作。

基于数学处理的算法类

图像的数学处理是一个非常活跃的领域，先进的理论被具体化来处理图像的内容。它包括将一幅图像转换为另一幅图像，从而为应用程序提取有用的信息。它涉及偏微分方程、几何工具和优化概念。然后在验证阶段，利用车牌属性。该系列算法可分为五类:边缘提取、形态运算、混合方法、变换和滑动同心窗口(SCW)。

基于边缘提取的算法类

这些算法应用了高通滤波器与原始图像的卷积;它们会突出高频部分，弱化其他部分。这些技术将图像转换成一组边缘，不一定是封闭的，形成图像的重要边界。这些方法将特征和车牌轮廓作为定位的参考点。它们基本上分为四个步骤:

• 应用过滤器提取边缘点。
• 通过选择阈值对轮廓图像进行二值化。
• 分析结果，提取候选点。
• 通过几何、纹理或密度属性进行验证。

[1]作者使用Sobel滤波器从彩色图像中提取边缘，直方图选择二值化阈值。利用二值图像与HSV图像之间的逻辑与，提取黄色候选图像，并从积分图像中提取其他类型的候选图像。验证阶段基于对连通组件(CC)几何特性的分析。垂直梯度密度高的区域为[2]上的候选区域。验证阶段基于宽高比、形状和跟踪准则。

在[3,4]中，为了减少处理时间，对灰度图像进行边缘提取，并使用纹理作为准确分离车牌的判据。

[5,6]中的边缘提取是用Canny滤波器进行的，它是在应用Sobel滤波器之前用高斯滤波器进行降噪。等高线密度是确定车牌区域的关键性质。

这些方法的特点是简单和快速。但在噪声图像、复杂的采集场景或车牌边界与其他图像相比变化不大的情况下，这些特点是缺陷。此外，这些算法使用了两个阈值，一个是在各种光照条件下难以自动选择的边缘提取阈值，另一个是验证阶段的区域轮廓密度阈值，这使得这些算法非常依赖于传感器-车辆距离。

基于形态学运算的算法类

这是一组非线性操作符，目的是用称为结构化元素(SE)的小几何图形探测图像，以突出显示图像中的某些形状。

• 选择合适的结构元素。
• 基于膨胀和侵蚀的形态运算的应用。
• 像素的二进制表示(白色表示物体，黑色表示背景)。
• 基于结果直方图的CC分析。

[7]的作者提出了一种基于开口的定位算法。它是侵蚀后的灰度图像的放大。验证阶段基于结果的水平和垂直投影以及车牌位置的先验知识。因此，该算法不允许多定位。

在[8]中，采用帽子变换和形态梯度相结合的方法提取候选图像。利用密度、位置和长/宽比确定车牌区域。

该类的优点是它对噪声的稳定性，因为它预先对图像的形状进行处理，并一次去噪。然而，它的治疗需要大量的时间，这使得它们不能适应实时系统。此外，在对比度较差的情况下，形态学运算不能给出良好的结果，这些方法对光照条件的灵敏度要求较高。最后，选择合适的结构化元素是一个重要的参数，它受固定的传感器-车辆距离的影响和限制。

混合算法类

这些算法结合了边缘检测和形态学操作。它们通过只保留边缘来简化图像。然后，他们应用形态学操作去噪图像并完成形状，以定义连通组件。并基于几何和/或纹理标准对车牌进行验证。

在[9]中，垂直梯度的大小用于检测候选区域。开度用于降低噪声和去除非车牌目标的形态学运算。然后，候选对象的长/宽比、大小和方向是验证车牌的几何准则。

在[10]中反向处理，以解决这类对光照条件的敏感性。该算法首先进行顶帽和底帽变换，以获得高对比度的灰度图像。然后通过Sobel滤波器提取边缘。验证步骤包括根据几何标准进行连通组件分析。

[11,12]的作者通过使用Canny滤波器提取二值图像的轮廓来提出候选位置。他们在开口处增加了一个连接紧密物体的扩张操作。检查几何标准:矩形形状和宽/高比的区域是一个车牌。在[10]中进行牌照的旋转以纠正偏差。

在[13]中，图像轮廓的提取是通过高斯-拉普拉斯算子 (LOG)滤波器进行二阶导数，然后进行膨胀来细化轮廓和连接对象，通过将候选对象分类为“文本”和“无文本”来精确定位车牌。

这些算法在定位速度上有很大的提高。因此，它们很好地适应了非标准化和多本地化的约束。然而，与边缘提取(不同光照条件下阈值的识别)和形态学操作(显著处理时间)相关的问题仍然存在。

基于变换的算法类

在本课程中，我们将学习基于霍夫变换(HT)、小波变换(WT)和广义对称变换(GST)的子类。

霍夫变换是一种简单的模式识别技术，通过绑定图像之间的像素;它的主要缺点是处理时间太长。为了解决这一问题，[14]的作者提出了预处理步骤，对原始图像的等高线图进行二值化处理，并在此基础上应用霍夫变换提取平行四边形目标。验证阶段包括评估候选人的长/宽比，然后计算在候选人身高的1/3和2/3处画的两条水平线切割的物体的数量。

当图像有噪声时，霍夫变换不能给出一个好的结果。[15]作者提出用中值滤波对图像去噪来解决这一问题。然后，他们应用第二个过滤器来隔离平板可能所在的区域，以减少处理时间。

这个子类的结果是准确的，它可以立即定位任何类型的牌照，因为它关注的是牌照的形状，而不是类型。然而，这些算法不能在实时系统中实现，也不能在车牌的矩形形状不清晰的图像上实现(因为物体模糊、强度的连续性或物理损伤)。此外，这种类型的算法不能定位过于偏斜的板块。

小波变换将图像分解成一组卡片，每一张卡片都有一个特征。[16,17]的作者从车牌与其性状之间的强度差异是定位车牌的关键因素出发。因此，他们通过小波变换将灰度图像分解为四帧，其中他们使用了两帧。在第一个包含水平细节的区域中，搜索存在最大变化值的区域，以确定参考线的位置。通过分析第二幅图像的水平投影曲线(包含垂直细节)，他们确定了图像上现有车牌的大小。然后通过扫描图像，他们确定了候选人。验证阶段以几何性质分析为基础。

这些算法与传感器-车辆距离无关，能够同时检测多个车牌。然而，当人物和背景的对比不太清楚时，他们会给出错误的结果。因此，它们对噪音的敏感度很高。

[18]中的广义对称变换评估局部对称性的证据;它提取出图像在各个方向上的对称轮廓图。作者在[19]中使用了车牌的对称性，就像元素键一样来定位它。为了减少加工时间，重点对板材四角的提取进行了研究;因此，他们只在两个对角线方向(45和-45)扫描图像。将两个结果相乘，并将提取的角点连接起来，得到车牌候选点。最后，利用神经网络系统对车牌进行了验证。

为了使这个子类适应实时系统，有必要修复有限数量的扫描。因此，为了获得准确的结果，有必要考虑照明条件和噪声约束。此外，在受损的车牌或其中一个角落被隐藏的情况下，算法会变弱。

基于滑动同心窗的一类算法

该方法是基于像素强度提取感兴趣的区域。在[20]车牌的定位通过两个阶段:第一个阶段是用两个SCW对图像进行标准差扫描;如果这些值超过预定义的阈值，则该像素属于感兴趣的区域，该区域被标记为1，如果不是，则该像素值为0。结果是候选人的二值图像。第二阶段使用几何标准来验证车牌。该方法适用于多定位应用。然而，由于它是基于像素的强度，低分辨率或糟糕的照明条件是它的阻塞点。因此，它的简单性使得它无法处理嘈杂的图像或复杂的场景。

基于车牌特征的算法类

这些方法假定对车牌属性有良好的先验知识， 有助于实现其定位的稳定模型。他们认为车牌是一个在图像中具有定义属性的对象:特定的纹理、独特的颜色组成或两种组合。识别车牌的性质是这些算法的第一步。然后，每个像素由这些属性的向量表示。因此，分类方法对像素进行分类和标注，以表明它们是否属于某个区域。最后，验证阶段是基于几何准则或直方图分析。这些方法的定位率通常很高，但它们对处理过的车牌类型是特异性的。

基于车牌纹理的算法类

这类算法的重点是分析车牌纹理。他们假设车牌及其字符具有特定的纹理，可以将其与其他图像对象区分开来。

基于以下四个特点:

• 在一个小区域中包含多个字符，
• 人物和背景形成鲜明对比，
• 牌照尺寸相对固定，有固定的长宽比，
• 车牌倾斜角度在一定范围内。

[21]中的算法构造属性向量对像素进行分类。验证阶段基于结果直方图分析。

[22]的思想是车牌位于图像的纹理区域。因此，他们将图像分解成块。计算每个块的密度，将其划分为“纹理”或“非纹理”。验证阶段以几何标准为基础。

[23]作者基于以下车牌特征实现了四种车牌定位算法:

• 连接区域的长/宽比，
• 背景区域，
• 字符/牌照面积密度，
• 牌照中心的边数。

这些特征可通过确定性、概率和两种组合方法加以利用，为每一种方法取几个阈值来验证结果。

该类使用显示区域内属性度数的值。这些值直接受到噪声、传感器-车辆距离和图像分辨率的影响。

基于车牌颜色的算法类

一种独特的颜色组合几乎只出现在车牌区域是这些算法的基本思想。在[24]中，在HSV (Hue, Saturation, Value)空间进行像素分类，解决不同光照下宽RGB (Red, Green, Blue)值的问题。验证阶段是基于长/宽比评估和投影曲线分析。

[25]的作者将其方法建立在模糊逻辑基础上。它们将彩色图像分解成4张卡片:E表示使用作者实现的颜色边缘检测器计算出的边缘图，H、S和V是保留了变换后图像的色调、饱和度和强度分量的图。E、H、S和V是对像素点进行分类的模糊系统的条目。结果表示属于一个车牌的像素的度数。验证阶段被委托给OCR。测试库的丰富性验证了算法的定位性能。然而，由于处理时间较长，使得该方法不适用于实时系统。

该类算法具有较高的

剩余内容已隐藏，支付完成后下载完整资料

英语原文共 11 页，剩余内容已隐藏，支付完成后下载完整资料

资料编号：[596142]，资料为PDF文档或Word文档，PDF文档可免费转换为Word