基于matlab的汽车数字车牌识别外文翻译资料

英语原文共 7 页，剩余内容已隐藏，支付完成后下载完整资料

基于matlab的汽车数字车牌识别

引言 ：这篇论文的主要内容是识别车辆图像上的车牌区域并对车牌数字进行识别。这篇论文包括简单颜色转换，边缘检测和使用中值滤波器的应用。这篇论文倾向于使用简单但是效率高的图像处理技术来找到用于定位印度车牌的共通之处。这个技术可以用来寻找丢失车辆。本算法已经在20个同时包含数字和字母的车牌样本中做了测试，测试结果本算法的准确率是90%。

关键词：边缘检测，中值滤波器，形态学操作，边框分割

1．介绍

每个国家都使用其自己的方法来设计和分配自己国家的数字车牌。然后这个车牌系统将会被很多政府机构用于常规管理任务上，例如交警用来追踪违反交通安全的人，识别被盗车辆，用在车辆收费和停车场管理等。在印度，所有机动车都有不同的车牌。每辆车的车牌是由地区交通办公厅分发的。在印度，每辆车的前后都必须有车牌。大体上，这些车牌都可以很容易的被人看懂因为人类的智力水平很高但是另一方面，识别这些车牌对于计算机来说就是一格很难的任务了。图像中的很多属性例如亮度，模糊，前景颜色和背景颜色等都会是一个问题。并且，车辆车牌识别在印度是非常困难的是因为在印度很多人并不遵守交通法规并且车牌的车牌设计标准并没有被严格执行。每一个都采用了不同的风格例如，车牌数字的字符大小，数字的位置，字符字体的使用，背景颜色。这使得车牌识别变得非常困难。这篇文章的主要目的是介绍一个有效的识别印度车牌的方法并提取出车牌内的文字信息。

这篇文章是基于汽车车牌牌照的。但是这个方法可以在任何载具上实现。一个典型的印度汽车车牌见图1，它包含了州代码，区域代码，车辆种类，注册代码。这里我们可以看出这个车牌包含了许多不同大小和字体的字符。但是在印度仍然有特殊车牌并不适用于这套规则。

2．相关工作

这篇论文中，首先车牌需要进行定位，然后才可以将车牌图像提取出来以识别车牌上的字符。事实上，我们可以找到很多种方法来检测并识别车牌。主要问题是这个方法需要多少时间去计算并识别车牌。在实际应用中，这个问题是最重要的也是最主要的需求。但是，这里很多时候在计算时间和准确率上是不可兼得的。为了提高准确率，系统需要花上更多的计算时间。在车牌定位与识别上，基于静态边缘处理，数学形态学操作这些利用竖直边缘来分割车牌的技术以及利用膨胀操作来获得车牌区域可以有很理想的结果。但是在这种方法中，一些并不想利用的在背景中的无关边缘也同样被检测进来了，这种方法在背景复杂的车牌图像中很难实现。

这篇论文使用的事基于颜色处理的技术。这种技术得出来的结果在光照条件稳定的时候表现很好，但是在光照条件复杂的情况下就不是那么理想了。但是在实际应用中图像大多包含很多光源。更为复杂的是，这个技术是特定的国家才可以使用的，因为不同的国家的车牌颜色不一。连通域分析方法（CCA）用来检测车牌区域。CCA用来简化检测任务是很实用的，因为CCA把二进制图像转化成许多基于连通性的区域。基于具体情况可以选择四方向·邻接域或者八方向邻接域。空间测量是用来测量空间特征连通域，过滤器是用来消除不相关或者不希望的存在的域。当CCA和空间测量域滤波器同时在车牌识别技术中使用时就会产生较好的结果。车来那个识别技术在我们日常生活中已经成为了一个很重要的技术，因为汽车数量的大幅度增长和使得例如汽车管理和监控是不可能全部由人工运行的，例如汽车监控，寻找丢失车辆，停车场收费，高速检查站或者收费站。但是由于车辆车牌格式的不统一，在图像获取过程中光照条件的不同的亮度，角度和均匀程度使得这成为了一个非常困难的问题。

这篇论文倾向于使用简单但是效率高的图像处理技术来找到用于定位印度车牌的连通域。本算法已经在20个同时包含数字和字母的车牌样本中做了测试，测试结果本算法的准确率是90%。算法的样本包括不同区域的在不同天气条件下获取的车辆牌照图像。

3．相关定义

一个车牌区域检测算法包括数学形态学操作，结构元素，中值滤波器，边缘检测这些技术来检测车牌。

3．1数学形态学操作

数学形态学操作是集合数论的用来分析图像与提取图像域的方法，这个方法在形状描绘和几何结构提取中非常实用。这些方法是用来检测边缘，骨架，凸起的。这些是很多图像预处理与后处理技术的基本的操作方法，包括图像变细与加粗，区域填充，图像裁剪等。以下的操作都是数学形态学操作的基础。

膨胀

膨胀会使得物体变大，因为他会将每个像素点的值与一个3x3的最大值矩阵做卷积。这个操作会在图像边际上增加像素点。这个操作可以重复进行以获得更大的效果。结构元素的大小和形状会决定了进行操作的元素的数量。

腐蚀

腐蚀的操作与膨胀是一样的但因为每个像素点与一个围绕像素点的3x3的最小值矩阵做卷积。导致物体会萎缩。这个操作会移除物体边界上的像素点。物体的大小和形状决定了这个图像经过腐蚀操作后丢失的像素点。

开操作

开操作是一种重要的形态学操作。它的定义是先腐蚀后膨胀。腐蚀操作消除前景的边缘像素。这个操作的缺点是他会不分好坏的移除全部的前景像素点，因为它既使用了腐蚀也使用了膨胀。

闭操作

闭操作在某种意义上与膨胀是相似的，因为闭操作倾向于扩大前景的轮廓（同时缩小背景的轮廓），但它对于原图像的边界形状的破坏更小。闭操作的定义是膨胀操作后接腐蚀操作。这个操作的效果是保留背景区域的结构元素，或者完全包括结构元素的同时，消除其他区域的背景元素。

3.2结构元素

结构元素是为了进行膨胀与腐蚀操作所使用的。结构元素是一个m*n大小的矩阵。这个矩阵里的值是由1和0组成的。值为1附近的像素点被称为邻接像素点。在形态学操作中，原始像素会和每一个邻接像素比对然后在输出图像中转换成每个像素点的位置。操作的出来的结果取决于形态学操作的具体种类和结构元素的大小。图二是样本结构元素。每个矩阵中的红色代表原始像素。本篇论文使用了一个（2，4）结构元素

3.3中值滤波器

中值滤波器是一个用来图像中的噪声的非线性滤波器技术。这个滤波器在帮助去除脉冲噪声的同时还可以保留边界。因为脉冲噪声比起它的邻接像素点亮很多，所以在分析像素的邻接像素时，这些噪声一般都在像素亮度排列表的最上面或者最下面。结果就是，这些噪音与亮度的中值相距甚远导致这些噪声会被中值滤波器过滤掉使得图像的噪声减少很多。重复应用中值滤波器使得均匀图像的噪音减少效果非常明显。但因为这个技术是非线性的使得它并不适用于大多数优化技术。事实上，中值滤波器是一种经常在空间域中描述的静态非线性滤波器。中值滤波器同时还可以平滑图像通过利用邻接像素点的中值。在这个试验中，我使用了2x4的中值滤波器因为在目的是去除噪声的同时保留图像边界的时候，这个滤波器比起卷积来说更有效率。它在平滑和去噪方面表现得很像低通滤波器同时还可以平滑那些与周围像素明显不同的像素却不影响那些在低通滤波器里被过滤的不应该被过滤的像素。

4.采用的方法

大体上来说车牌上的数字与背景和前景的对比度都很高，例如黑字白底和黑字黄底，本篇文章的定位方法就是基于这个特性。过程分为三步：预处理，文字定位和提取，文字分类。

4.1预处理

在预处理这个步骤，彩色输入图像被转换成灰度图像，图像然后被二值化。图像二值化是形态学操作例如开操作，闭操作，区域填充等操作的必要先前步骤。二值化之后中值滤波器才会移除噪声。预处理之后，边缘算法才可以提取边缘。

4.2文字定位与提取

这一阶段，形态学操作中的膨胀操作将会来处理上一阶段中的结果图像的边缘。因为文字大多由水平方向组成，所以我们使用一个2x4的长方形结构元素。所有的连通域都会被提取出来

4.3文字分类

上一步提取出来的域包含了文字元素和非文字元素。这些元素分为两步来整理和消除。第一，所有元素都会画上初始边界框并提取出来放进一个独立的jpeg文件里。以下流程图解释了图四的算法。

5.结果与分析

测试环境是一千万像素数码相机和matlab R2013b，测试样本有20个图像。90%的车牌图像都可以准确定位，10%的车牌图像因为车牌损坏而与不相干的区域连接在了一起除了不相干区域外，这个算法在不同光照条件和亮度的条件下都十分强大。

6.结论

本文提出了一种车牌定位和提取的技术。我们在不同的天气条件下对不同的背景和不同的车辆进行了试验。我们的项目提取出了数字的不同点。有一些数字和字母太过相像导致它们很难与样本进行比对。我们在这里使用条件参数来消除这种情况。通常在印度车牌中我们从1,2,4,5位置去观察车牌。在这个位置上分割字符然后与样本比对，当最大关联度出现时这个位置的字母就确定了。除了这几个位置外，其他的必须是数字。然后数字数据库中的模板再与2,3,6,7,8,9,10这几个位置比对，当最大关联度出现时，它必然是一个数字。这样数字和字母的混淆就被消除了。调整大小后高清车牌同样可以被识别出来。在我们的项目中，被偷的汽车可以通过matlab中的排列数据库识别出来。我们测试个20个不同天气下的不同车辆然后获得了18个正确的输出。正确率为90%

7.研究前景

因为不同国家地区的车牌有很多变化，所以在这个领域深入研究依旧是有必要的。不同的滤波器技术可以用来减少噪声。可以考虑多种积分算法用于图像分割例如sobel边缘检测和二值化图像分割。在未来，多车牌的提取，高分辨率车牌图像和多种类车牌的识别应该是可以做到的。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[20564]，资料为PDF文档或Word文档，PDF文档可免费转换为Word