基于多方法融合的车牌自动定位算法研究.pdf
- 文档编号:14655409
- 上传时间:2023-06-25
- 格式:PDF
- 页数:3
- 大小:157.08KB
基于多方法融合的车牌自动定位算法研究.pdf
《基于多方法融合的车牌自动定位算法研究.pdf》由会员分享,可在线阅读,更多相关《基于多方法融合的车牌自动定位算法研究.pdf(3页珍藏版)》请在冰点文库上搜索。
62自动化应用www.auto-经验交流收稿日期:
2009-08-28基金项目:
教育部重点实验室资助项目(No.2006-28-6)基于多方法融合的车牌自动定位算法研究*梁军,王浩,常宇,张慧(重庆大学光电技术及系统教育部重点实验室,重庆400044)摘要:
提出了一种将模板匹配、形态学和投影法多方法融合的车牌定位算法。
首先,对预处理后的车牌图像采用优化的模板匹配算法粗定位车牌区域;然后运用形态梯度方法对粗定位后的图像进行边缘检测;最后,采用投影法进行精确定位,通过对投影的分析找到车牌的准确位置。
实验结果表明,该算法对车牌定位的准确性和处理速度都有很大提高,满足了系统实时性和准确性的要求。
关键词:
多方法融合;车牌定位;模板匹配;形态梯度;投影分析中图分类号:
TP391.41文献标识码:
ALicensePlateLocationMethodBasedonCombinationofSeveralAlgorithmsLIANGJun,WANGHao,CHANGYu,ZHANGHui(KeyLaboratoryofOptoelectronicTechnologyandSystems,MinistryofEducation,ChongqingUniversity,Chongqing400044,China)Abstract:
Inordertorealizethelocationofthetarget,alicenseplatelocationmethodisproposed,whichintegratestemplatematching,morphologyandprojectionmethod.First,thisalgorithmwhichisappliedtothelicenseplateimageafterbeingpreprocessedlocatesthelicenseplateapproximatelywithoptimaltemplatematching.Thenedgedetecttheimageofcoarselocationbasedonmorphologicalgradientmethod.Finally,themethodofprojectionisappliedtotheexactlocationandthelicenseplatelocationcanbegotthroughprojectionanalysis.Theexperimentresultsindicatethatthealgorithmgivenisabletoimprovetheveracityandenhancethespeed.Itcansatisfyrealtimeandveracityrequirementsofthesystem.Keywords:
combinationofseveralalgorithms;licenseplatelocation;templatematching;morphologicalgrads;projectionanalysis0引言车牌自动识别技术(LicensePlateRecognition,简称LPR)是智能交通系统(IntelligentTransportationSystem,简称ITS)中的重要研究课题,在收费站、停车场和机动车违章查询等场合有着广泛应用。
通常,一幅车牌图像的识别主要有3个步骤:
车牌定位、字符分割、字符识别。
其中能够将车牌准确、快速定位是车牌自动识别的关键,这将直接关系到整个系统的性能。
本文所要解决的问题就是如何快速、有效地将目标(车牌)从复杂背景中提取出来。
目前,常用的车牌定位方法有:
(1)基于彩色信息的定位方法。
由于光线对颜色影响较大,容易与颜色相似的区域混淆。
(2)基于灰度检测的方法。
因不同的彩色级变成同样的灰度级会丢失一些边缘信息。
(3)基于神经网络的定位方法。
利用神经网络对图像中一个个小窗口进行分类,然后对分类结果进行综合判定得到车牌位置,该方法计算量大,耗用时间长。
(4)基于投影法和形态学的车牌定位方法。
它们对车牌图像质量要求较高,易受孤立噪声干扰。
在实际应用中,由于天气、背景、车牌磨损等因素的影响,以上基于单一特征的车牌定位算法均有一定的局限性,都会造成定位效果不理想。
1单一车牌定位方法1.1模板匹配法模板匹配法是根据各种不同对象的需要来选择一个或者多个模板在待匹配图像中移动,将模板图像和原图像比对,找到与模板相匹配的区域。
运用在车牌定位算法中的模板匹配是一种模糊匹配。
即我们所制定的模板并不是一个具体的车牌,而是根据经验值设定的矩形模板。
在实际应用中,由于摄像机和车辆之间的距离相对固定,所以得到的车牌大小在一定范围内。
选取的经验值要比实际车牌区域尺寸大些,以便定位到整个车牌区域。
在预处理后的车牌图像中,车牌区域具有与其他区域明显不同的特征。
该区域边缘丰富,在垂直方向连经验交流自动化应用6320101期通,水平方向灰度跳变率大。
所以,其水平差分的累加值最大。
计算水平差分累加值:
(1)将矩形模板在待匹配的图像中(如图1a所示)移动,当模板中像素的水平差分累加值达到最大时,就找到了车牌的粗略位置(如图1b所示)。
虽然这种方法能够找到车牌的大概位置,但经此方法处理后的图像含有较多的冗余信息,不利于后续的车牌识别;同时,该方法计算量大,速度慢,难以满足实时性的要求。
1.2投影法投影法是对二值化后的图像进行扫描,先统计行跳变点的数据得到水平投影图;再通过突出图像列的边缘特征得到垂直投影图,从而提取出有效的车牌区域。
虽然该方法运算时间短,但对图像质量要求较高,如果非车牌区域出现较大噪声干扰,很难选取合适的阈值(如图1c所示),使得定位不准确甚至出现错误。
2多方法融合的车牌定位算法综合考虑以上因素,提出了一种模板匹配法、形态学和投影法相融合的定位算法,使车牌定位的准确性和处理速度都能达到理想效果。
2.1算法概述及流程图由于不同汽车图像中车牌的干扰程度不同,仅通过一次扫描就定出车牌的准确位置具有一定困难。
因此,采用先粗后细的定位方式,逐步搜索到车牌的准确位置。
算法流程如图2所示。
2.2预处理由于直接对彩色图像进行处理的运算量很大,不能满足实时快速的要求,所以预处理的第一步就是将彩色图像灰度化1。
转化关系:
(2)式中,gray为灰度值,R、G、B分别为红色、绿色和蓝色分量值。
采用线性拉伸增强图像对比度2,便于后面的处理。
图像二值化的关键是阈值的选取,采用改进的Bernsen算法对车牌图像进行二值化3,有效地克服了不均匀光照的影响,得到了较为满意的分割效果,如图3所示。
然后采用中值滤波方法(33的模板)进行去噪处理,消除孤立噪声的干扰,较好地保留了图像边缘的细节及车牌区域特征。
2.3粗定位2.3.1模板匹配算法粗定位车牌粗定位的任务就是从整幅车牌图像中除去大部分无用的背景信息,找到包含少量冗余背景的车牌位置。
采用模板匹配法进行粗定位,并对算法进行优化,减少了运算时间。
2.3.2算法优化计算模板(如图4所示)在位置1(实线框)的水平差分累加值C1,然后水平移动模板一个像素到位置2(虚线框)。
此时,模板中的水平差分累加值为C2。
C2和C1相比,只减少了与位置1中最前一列像素的差分值,同时增加了与位置2中最后一列像素的差分值,而中间区域像素的差分值保持不变。
因此,我们只需在每次模板移动后减掉与前一位置中最前一列像素的差分值,加上与该位置最后一列像素的差分值。
模板中始终保留水平差分累加值最大的一块区域。
即:
若C2C1,则保留C2;若C2C1,则保留C1,依次循环下去。
这种经过优化的模板匹配算法可以大大减少运算时间。
2.4基于形态学的边缘检测算法在经过粗定位后,车牌区域已基本被提取出来,此时图像中车牌区域特征更加明显。
接着对粗定位后的图像进行边缘检测,为后面的精确定位打下基础。
传统的边缘检测算法,如sobel、prewitt算子,这些算法都是通过计算图像中小区域像素的差分来实现的,因此在检测边缘的同时也放大了噪声。
采用了基于形态梯度的边缘检测,该方法对噪声较敏感但不会放大噪声,有利于车牌区域的精确定a灰度图b模板匹配粗定位图c单一算法图图1灰度图及单一算法图图3二值化图像图4模板移动优化的模板匹配法粗定位图2算法流程图预处理形态学边缘检测投影法细定位64自动化应用www.auto-经验交流位。
用形态学的腐蚀和膨胀这两个最基本运算来解决形态梯度问题。
腐蚀运算:
AB表示用结构元素B来腐蚀A。
即B完全包括在A中时B的原点位置的集合。
膨胀运算:
A+B表示用结构元素B来膨胀A。
即B关于原点的映射的位移与A至少有一个非零元素相交时B的原点位置的集合。
选用的形态梯度:
(3)该梯度对孤立的噪声点不敏感,用于理想斜面边缘的检测效果很好。
由于形态梯度能反映出图像的所有边缘,而车牌图像区是梯度变化较多的区域,所以采用形态梯度边缘检测可以很好地突出车牌区域,如图5a所示。
2.5细定位2.5.1投影法由图5a可以看出车牌区域水平边缘变化比较频繁,对该图像进行水平投影会使车牌区域突出。
通过从下到上的扫描顺序,第一个较大的波峰就是车牌区域,且此波峰区域高度应与车牌高度H(经验值)相同。
利用H可以截取车牌的水平位置,如图5b所示。
此时由图1c和图5b的对比看出:
先粗定位后,再用投影法,可以减少非车牌区域的噪声干扰。
对水平投影后的图像进行垂直投影,如图5c所示,可见车牌区域在投影图中投影均值较大,利用车牌长宽比约为3:
1的外形特征,就能搜索到一个投影连续的车牌区域,从而获得车牌的准确位置,如图5d所示。
2.5.2去除边框在水平投影图(如图5b所示)中可以看到车牌字符位置对应于投影图中的波峰区,而车牌边框和字符之间的区域投影值相对很小(几乎为0),它对应于投影图中的波谷,如图6a所示。
所以,只需从下到上搜索水平投影图中两个有较大突变投影值的行号,去掉行号上下部分即去掉了车牌上下边框。
同样的方法可去掉车牌左右边框,如图6b所示。
3实验结果分析3.1不同光照条件下的实验结果在一天中的不同时间拍照,也就意味着在不同的光照条件下采集图像,并非顺序采集。
表1是对几天中3个不同时段拍摄的共900幅照片进行的定位结果比较。
从表1的实验结果看,光照太强或者太弱对定位的准确性稍有影响,但综合来看,该算法在不同的光照条件下仍能取得很高的准确率,能适应不同的光照条件。
3.2实验结果对比实验样本从实拍的3个不同时段中选取300幅车牌图像(在不同时间和地点的上午、中午、傍晚各取100幅),将本文算法与单一的模板匹配法和投影法分别进行测试,实验结果见表2。
由表2可以看出,基于多方法融合的定位算法在运算速度和准确性方面均得到提高,更适用于实时性要求较高的场合。
不同时段实验照片/幅定位照片/幅定位准确率/%上午30029899.3中午30029698.7傍晚30029598.3表1不同光照条件下定位结果比较a字符区域b实验结果图6去除边框定位方法实验照片/幅定位照片/幅时间/ms定位准确率/%模板匹配定位方法300280约15093.3投影定位方法300262约4587.3多方法融合定位法300296约8098.7表2多方法融合算法与单一算法实验结果对比a形态梯度边缘检测b水平投影d定位c垂直投影图5投影定位4结语笔者利用VisualC+6.0编程实现该算法。
硬件配置:
CCD摄像机,PANASONICCP470,480TVlines;基于ARM9的64048032bit图像采集卡(自制);计算机配置,CPUIntelP4XE3.46G,内存512MDDR400;光学镜头,FUJIPHOTOOPTICALCO.FUJINON-TV1:
1.4/25。
为使该算法具备更强的自适应性,还将对模板大小的设置、形态学结构元素的选择、噪声干扰等问题作深入地研究。
参考文献1王洪建,李志敏.基于视频图像的车辆流量实时检测系统J.光学精密工程,2005,13
(1):
222-2262张明慧,徐卫,张尧禹,等.航空照片的图像增强研究J.光学精密工程,2002,10
(2):
194-2003欧阳庆.不均匀光照下车牌图像二值化研究J.武汉大学学报,2006,(4):
143-1464林玉池,崔彦平,黄银国.复杂背景下边缘提取与目标识别方法研究J.光学精密工程,2006,14(3):
509-5145章毓晋.图像分割M.北京:
科技出版社,2001
- 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 多方 融合 车牌 自动 定位 算法 研究