武汉理工大学

毕业设计（论文）

外文文献翻译

数字图像处理技术在车牌识别智能系统中的应用

摘要-随着科学技术的发展和交通运输业的发展，智能交通管理系统正在不断更新。车辆牌照识别系统已经在人们的生活中广泛使用。本文对车牌识别的四个步骤及其相应的算法进行了分析和研究：车牌图像预处理部分包括图像去雾预处理，空间平滑滤波，图像锐化等过程；比较了车牌图像的定位方法，并利用Radon变换对车牌图像进行校正。车牌字符分割。字符轮廓法用于分割字符，模板匹配法用于车牌字符识别。还提出了图像处理的改进。实践证明，现有的车辆识别系统可以满足车牌识别的要求，与常规模型相比，鲁棒性和准确性有所提高。

关键词—数字图像处理技术;识别;边缘检测;字符识别

I 介绍

随着人民生活水平的提高，现在每个家庭都有汽车。为了在城市管理中加强城市安全防控和机动车的有效管理，有必要采用相关的智能交通管理系统。如今，在汽车时代，车牌识别系统已成为人类智能生活的必然产物。它的应用范围很广：在居民区的车辆出入管理，高速公路上超速车辆的检测，停车场管理等都需要车牌识别系统的协助。

由于自然光线，雨雾，仪器，拍摄角度，车速和其他客观条件的限制，识别图像的质量将受到很大影响。此外，车牌的形状和颜色并不固定，给车牌识别带来一定难度。到目前为止，车牌识别系统中有许多不同的算法。近年来，如何捕捉和采集车辆图像，如何快速，准确，自动地识别车牌成为了许多专家学者的热门话题。

本文将车牌图像识别技术分为四个步骤进行研究：图像预处理，车牌定位，字符分割，字符识别。

II 预处理

为了准确识别车牌，我们首先需要对车牌图像进行预处理并获得高质量的图像。预处理是车牌图像识别的前提和重要部分。它是特征提取，分割和识别之前的操作。通常，摄像机捕获的图像为RGB格式，需要进行一些预处理，例如灰度，二进制，倾斜校正，滤波等。如果有雾霾天气，请先进行雾气预处理。

图1预处理过程

A.图像除雾预处理

在阴霾天气采集照片时。图像模糊不清。为了准确识别图像，必须首先使用雾度检测算法对图像进行检测：采集图像频域信息，使用分类器基于 主成分分析（PCA）和Fisher线性判别分析（LDA）检测是否图像中有雾和阴霾吗？对图像进行滤波并分析图像的功率谱。雾度高的图像频谱集中在原点附近，即低频分量较多，正常天气图片发散。对于雾霾图像，使用暗先验防雾方法，并使用引导滤镜校正透射率。引导滤镜可以在滤镜时清楚地保留原始图像的边缘信息。

实验结果表明，除雾检测的时间仅为除雾处理算法的七分之一左右。除雾处理可以大大提高雾天和阴霾天气下车牌识别的准确性，而不会影响正常图片上车牌识别的速度。

B.图像灰度

为了进行垂直边缘检测，我们首先使用适当的高斯模糊半径对图像进行去噪。然后，对图片进行灰度处理。OpenCV库中存在现有的灰度功能。灰度功能用于对图像进行灰度处理，像素以0〜255表示。

(1)EQ（f）是范围为0 lt;f lt;L-1的单值增量函数，可确保增强后原始车牌图像的灰度等级仍处于正确的顺序

(2)对于0le;fle;L-1和0le;gle;L-1，条件保证了变换前后图像灰度值的动态范围是一致的。满足以上两个条件的累积分布函数可以将F的分布从原始车牌图像转换为G的均匀分布。因此，直方图均衡映射函数应为：

G K =EQ (f k) = (n I /n) =pf (f I), (F, 1, 2,... (L-1) (1)

根据灰度映射关系，将原始图像的每个像素转换为灰度，然后完成原始图像的直方图均衡化。

C.二值化

灰度处理后的车牌图像亮度信息包含256级灰度，亮度和明暗对比明显。为了识别车辆牌照，将牌照与整个背景完全分开，并将图像分为两部分：牌照和背景，以避免背景像素的干扰。因此，只能使用两个灰度：0和1。通常，目标像素值为1，背景像素值为0。用两个值处理图像后，获取所需的图像。如果二值化之前的灰度图像的像素值为f（x，y），其中（x，y）表示二值化之前的灰度图像的空间点坐标，则二值化之后的灰度图像的像素值g（x，y）二值化是：

其中，C是阈值。

二值化后，可以看到很多孔没有连接到整个图形，车牌的灰度对比度明显增强。

D.过滤方法

滤波是图像平滑的非线性技术。如今，在不模糊图像边缘和线条的情况下消除随机噪声的常用方法是平滑车牌空间图像，即中值滤波方法。中值滤波，计算滑动窗口中每个像素的灰度值，然后将原始中心的灰度值替换为窗口中所有像素的灰度值的中值。这是一种典型且最常用的非线性滤波方法。它可以保留图像的细节，同时消除噪点并防止边缘模糊。它比其他线性滤波方法（例如，邻域平均方法）具有更突出的优势，也就是说，操作不需要图像的统计特性。

经过预处理，车牌图像只有黑白两种颜色，大大提高了车牌的字符清晰度，为车牌的定位和校正做好了充分的准备。

III 车辆牌照的定位和矫正

车牌位置是在图像中找到车牌的位置。这是车牌识别系统中最重要的步骤。

车牌定位是车牌识别系统中最重要的步骤。

目前，车辆牌照的定位方法主要基于边缘检测，小波分析，神经网络，颜色特征和纹理特征。最常用的方法是基于边缘检测：检测车牌中字符的垂直边缘。结合颜色定位，可以提高定位率。为了提高检测精度并更准确地提取车牌图像轮廓，可以采用微分法首先对车牌图像进行锐化处理，使轮廓边缘的边缘信息，细节和灰度跳变车牌的一部分可以增强以形成清晰的物体边缘。

边缘检测算法包括Sobel算法，Roberts算法，Laplacian算法，Log算法和Canny算法。这些算法基于车辆牌照边缘的灰度级的急剧变化以进行图像边缘检测。

Roberts边缘检测算法是一种使用卷积模板来找到算法边缘的局部差分算法，也称为梯度交叉算法：

Sobel算法是导出图像的横向和纵向方向导数，然后根据大于一定阈值的导数值确定边缘，并定位车牌。在上一步的基础上，应用Sobel算法找出垂直边缘并初步定位车牌。Sobel找到垂直边缘来定位车牌，尽管效果是很好，但是在某些汽车的前面有交叉的垂直边缘，使用Sobel无法准确定位车牌。为了解决这些型号的车牌定位问题，我们考虑使用颜色来定位。基于颜色特征的车牌定位方法可以识别和调整分割区域，最终找到车牌区域。在数字图像处理中，颜色模型用于描述颜色，最常用的颜色模型是RGB模型和HSI模型。为了减少干扰，可以使用RGB模型检测图像的白色区域，HSI模型可以检测图像的蓝色区域，并提出了自适应调整方案来识别和调整分离区域。根据长宽比，反复定位蓝色到白色的对齐区域，最后找到车牌区域

Sobel定位与色彩定位相结合，准确率从75％提高到95％。颜色定位将使用HSV模型并设置阈值进行判断。颜色定位过程如下：

(1)所捕获图像的色彩空间为RGB，因此有必要将图像转换为HSV模型。考虑到照明，通过直方图均衡对图像进行预处理。

(2)使用0，1标识图像的所有像素，即两个值。遍历图像上的所有像素。如果S值和V值在0.4到1.0之间，并且H值在200到280之间，则将像素标记为0，否则标记为1。

(3)根据车牌定位的步骤和方法，关闭第二步获得的二值图像操作 首先，然后从轮廓中截取车牌的外部矩形以进行进一步处理。

在传统的Canny算法中，在计算梯度幅度时，检测到的点直接涉及到算术，并且抑制噪声的能力很弱。改进之处应在于未决的检测点不参与算术。 新的偏导数公式如下：

尽管改进前后的计算原理相同，但是通过在相同方向上减去双向箭头两端的像素值来获得总和，然后获得平均值。但是，计算模板不同，梯度幅度和梯度方向更加精确。其次，我们可以将传统Canny的“人为指定的双重阈值”视为一种算法。根据非最大抵抗图像的内容，给出了自适应双阈值。尽可能让高阈值出现在非边缘区域之外，低阈值出现在弱边缘附近，有效地修复高阈值。

由于图像采集设备的角度，大量的车辆牌照图像将在一定程度上倾斜。如果未校正，则字符识别拉伸时图像会变形，影响识别精度。尽管可以使用霍夫变换，但是传统的霍夫需要计算每个像素并对其进行长时间处理。因此，考虑车牌图像两端的斜率K来调整图像的位置并提高效率，即基于Radon变换[13]的倾斜校正方法。Radon变换用于计算车牌的倾斜度并对其进行校正以获得高质量的车牌图像。

沿theta;方向的Radon变换定义为：

根据车牌图像本身的特征：固定矩形，变形程度小，原始XY平面点映射到AB平面。这样，原始XY平面的直线位于AB平面的同一点上。通过记录AB平面上点的累积厚度，可以知道XY平面上线的存在。在新平面中，可以获得对应的点累积峰，以获得凸线集的原始平面，然后确定图像倾斜角。Radon的变换是在thetatheta;= -900到900度之间进行的。

IV 字符分割

字符分割是对车牌中的所有字符进行分割，然后将识别出字符块。

图2字符分割过程

字符分割的常用方法有很多，如字符轮廓提取，模板匹配分割，投影，滑动窗口判断，连通域字符分割等。

提取英文字符时，效果很好，但是在处理汉字时会出现问题。汉字在结构上与英文不同，并且结构笔画会中断。例如图4中的“苏”。英文字符可以完整获取，而“苏”被分离成两部分。

图3取轮廓操作

尽管上面不会出现很多中文的情况，例如“晋”字的车牌，可以从轮廓中完美地提取出来，但是直接使用轮廓操作是不合适的。这种轮廓方法可以应用于牌照背面的英文或数字字符。中文必须分开处理。汉字“ 苏”后的字符“ E”代表城市代码，并且在其后的字符之间有一个符号，从而增加了两个字符之间的间距。找到该字符并将其向左偏移，然后可以找到中文字符的外部矩阵。图3是从中推导出的“城市代码”和“省份简称”矩形。为了获得此“特殊字符”，如图3所示，“特殊字符”位于许可证的七分之一至七分之二之间。

图4分割并标准化的块。

车牌图像的字符识别方法有很多，例如模板匹配法，模式识别算法，人工神经网络识别算法，结构特征识别算法和统计特征识别算法。

对于基于简单模板匹配算法的字符识别，我们首先需要设置字符模板。收集构成车辆牌照的城市，省（或特种军事和警察车辆）的AZ，0-9和汉字，以形成字符库。

字符分割后的车牌字符图像与模板库中的字符一一对应，以识别字符。但是，在字符分割之后，字符图像的大小通常会有所不同，因此必须对字符进行标准化。那就是车牌字符图像是线性缩放为9 * 16点矩阵图像，以便其大小与标准模块的特征一致。然后，计算出字符图像和字符模板之间的差异和相似度。通常，差异是小于30％，且相似度大于95％，则可以考虑匹配。基于模板的匹配方法只需要匹配目标的某些特征，工作量就更少，识别速度也就更高。

计算模板匹配度的算法很多。通常采用图案如下：

其中and;是算术 ;f是模板二进制图像，G是对应的车牌二进制图像；Tf和Tg对应于二进制图像中值为1的像素数；两个图像的大小相同，均为M * N。

VI小结

尽管车牌识别技术在高清的静态环境中已经相对成熟，但是在雾霾，雾霾，角度视线和光线不正确的情况下，尤其是在无人驾驶，无人驾驶汽车的未来，车牌识别技术还

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[237901]，资料为PDF文档或Word文档，PDF文档可免费转换为Word