專利名稱：一種基于復(fù)雜背景下的車牌自動定位和識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種車牌的定位和識別方法，特別是涉及ー種基于復(fù)雜背景下的車牌自動定位和識別方法。
背景技術(shù)：
車牌自動識別系統(tǒng)(License Plate Recognition, LPR)是ITS實(shí)際應(yīng)用中的重要組成部分，在交通控制和監(jiān)視系統(tǒng)中占有重要的地位。LPR在現(xiàn)代社會生活中應(yīng)用于很多方面，從最開始的停車場車輛管理、違章車輛查詢、高速路收費(fèi)系統(tǒng)、小區(qū)出入登記情況這些靜態(tài)或低速車牌識別系統(tǒng)發(fā)展到交通崗車輛的違規(guī)行駛、高速路監(jiān)測等運(yùn)動中的牌照識別系統(tǒng)，這就使得LPR技術(shù)在保證牌照識別準(zhǔn)確的同時(shí)要求系統(tǒng)兼具更好的實(shí)時(shí)性。車牌識別系統(tǒng)的關(guān)鍵技術(shù)包括車牌的定位、字符的分割和識別，各部分的算法已經(jīng)很成熟，國外起步比較早，典型代表有R. Mullot等開發(fā)了集裝箱識別系統(tǒng)，并成功使用·到LPR中，這種LPR技術(shù)主要是利用字符紋理對車牌進(jìn)行定位與識別；EUnRyUng等利用圖片顏色特征進(jìn)行車牌的定位識別；D. ff. Tindail利用車牌反光的原理開發(fā)出ー種車牌識別系統(tǒng)，該系統(tǒng)可自動識別全部5種英國格式的車牌。國內(nèi)典型代表有浙江大學(xué)的張引提出了彩色圖像邊緣檢測算子Prewitt和彩色邊緣檢測與區(qū)域生成相結(jié)合的牌照定位算法；清華大學(xué)的陳寅鵬提出了一種綜合多種特征的車牌定位算法和一個基于模板匹配的字符分割算法；天津大學(xué)的李剛等提出一種基于數(shù)學(xué)形態(tài)學(xué)的車牌定位的算法；四川大學(xué)的王娟等提出了基于改進(jìn)的形態(tài)學(xué)二分法的車牌定位方法。正常情況即沒有復(fù)雜背景的干擾下，車牌區(qū)域的紋理信息是比較清晰的，但是在復(fù)雜背景、光照變化這些不利因素影響下的車牌識別系統(tǒng)仍是難點(diǎn)，固定在某個位置或者路ロ獲取汽車圖像在環(huán)境、背景上都顯得單一，而且違章的車輛往往會出現(xiàn)在沒有攝像頭的地方，這給交警和管理人員帶來了麻煩，所以交警和管理人員可以利用數(shù)碼相機(jī)采集圖像，這種采集方式具有隨機(jī)性，但是汽車圖片的環(huán)境和背景就會比固定攝像采集要復(fù)雜的多，因此設(shè)計(jì)一套系統(tǒng)可以針對不同的復(fù)雜背景中的車牌進(jìn)行定位、分割和識別具有非常大的實(shí)際意義。

發(fā)明內(nèi)容
發(fā)明目的本發(fā)明涉及ー種基于復(fù)雜背景下的車牌自動定位和識別方法，其目的是設(shè)計(jì)出一種可以針對非固定攝像頭即利用數(shù)碼相機(jī)，在隨走隨拍的情況下不同的環(huán)境(包括睛天、陰天、黑天)、背景(廣告牌、光照不均等)中的汽車圖像進(jìn)行車牌區(qū)域定位、字符分割和字符識別的方法。通過對圖庫進(jìn)行實(shí)驗(yàn)驗(yàn)證算法的可行性，可以依據(jù)算法進(jìn)行嵌入式系統(tǒng)的研究，最終實(shí)現(xiàn)對攝像頭監(jiān)測不到的違章車輛進(jìn)行實(shí)時(shí)檢測和記錄，減輕了交警和管理人員的工作量。技術(shù)方案
本發(fā)明是通過以下技術(shù)方案來實(shí)現(xiàn)的ー種基于復(fù)雜背景下的車牌自動定位和識別方法，其特征在干圖像采集是由交警或者管理人員在各種工作條件下隨時(shí)拍攝的汽車圖片，而不是固定在某個位置或者路ロ的圖像獲取方式，這種采集方式具有隨機(jī)性，針對這些復(fù)雜背景下采集的汽車圖片進(jìn)行車牌定位、字符分割和識別，該方法步驟如下(I)對車牌進(jìn)行定位采集車牌圖像，并將數(shù)碼相機(jī)隨機(jī)采集的車牌圖像輸入到計(jì)算機(jī)中，對車牌圖像進(jìn)行處理，包括汽車圖像的傾斜校正、車體區(qū)域圖像的灰度化、邊緣檢測、閾值分割、形態(tài)學(xué)運(yùn)算，得到若干的連通區(qū)域，根據(jù)投影法搜索車牌區(qū)域，利用車牌寬高比、面積等牌照特有的性質(zhì)對牌照區(qū)域進(jìn)行修正，得到候選車牌區(qū)域圖像，具體步驟如下I)由于采集到的圖像可能出現(xiàn)偏轉(zhuǎn)，需要對這部分的圖像采用Radon變換對傾斜的車牌圖像進(jìn)行校正，先計(jì)算傾角，然后對傾斜圖像利用坐標(biāo)變換公式進(jìn)行校正，如公式(I)和(2)所示；為了進(jìn)行對牌照圖像的旋轉(zhuǎn)，首先選定旋轉(zhuǎn)中心，以車牌照圖像幾何中心 位置作為旋轉(zhuǎn)中心來進(jìn)行旋轉(zhuǎn)；將汽車的圖像轉(zhuǎn)化為ニ值圖；取角度從O到179度，每次增加I度，對ニ值圖像作Radon變換；在所有Re (f )結(jié)果中取最大值；找到與該最大值對應(yīng)的角度Θ ;由于Θ與圖像的傾斜方向垂直，取逆時(shí)針為正方向，得出圖像的傾斜角度為Θ -90° ；i e(x ) = j" /(X'cos沒-少'sin沒,X'sin沒+ 少'cosの辦’(1)，
I X = Xcos^ + Vsin^,1、彳，,(2)；
I V = -X sin ^ + V cos 沒2)利用公式gray = O. 299R+0. 587G+0. 114B對車牌圖像進(jìn)行灰度計(jì)算；3)為找到車牌區(qū)域，首先要加強(qiáng)車牌區(qū)域的邊緣梯度信息，利用改進(jìn)累積絕對差分算法對車牌圖像的灰度信息進(jìn)行垂直邊緣檢測，對于點(diǎn)(i，j)對應(yīng)的灰度值為f(i，j)，則該點(diǎn)相鄰的上、中、下方向上像素點(diǎn)表示為(i，j_l)、(i，j)、(i，j+1)所對應(yīng)的灰度值為f(i，j_l)、f(i，j)、f(i，j+1)，對應(yīng)算法為公式(3)E(i,j) = I f (i, j+l)-f (i, j)-(f (i, j) (3)；-f (i，j-1) )-(f(i, j+1) -f (i，j-D )4)得到了灰度圖像的垂直邊緣點(diǎn)，再利用歸ー化公式(4)，將邊緣灰度信息歸ー化E(i,j) = (255/(max(i, j)-min(i, j)) (4)*(E(i, j)_min(i, j)))式中，max(i, j)為E(i, j)中的最大灰度級，min(i, j)是最小灰度級；5)對歸ー化后的邊緣圖像求出邊緣像素密度作為初始閾值T公式(5)，然后利用公式(6)進(jìn)行形態(tài)學(xué)閉運(yùn)算，針對邊緣圖像數(shù)學(xué)形態(tài)學(xué)處理后的ニ值圖像求閾值A(chǔ)verage如公式(7),分割的閾值利用Average對初始閾值進(jìn)行修正T-Average,由于大量實(shí)驗(yàn)表明車牌的邊緣密度占整個圖像的3%左右，因此利用公式(5) (7)循環(huán)判斷T-Average的值，當(dāng)T-Average = O. 03左右,循環(huán)停止,這樣找到的閾值更具有通用性,可針對多種復(fù)雜情況的圖片實(shí)現(xiàn)閾值分割；
權(quán)利要求
1.一種基于復(fù)雜背景下的車牌自動定位和識別方法，其特征在于圖像采集是由交警或者管理人員在隨機(jī)的情況下拍攝的汽車圖片，采集的方式不是固定在某個位置或者路口，而是隨走隨拍的方式，這種采集方式具有隨機(jī)性，針對這些復(fù)雜背景下采集的汽車圖片進(jìn)行車牌定位、字符分割和識別，該方法步驟如下 (I)對車牌進(jìn)行定位將數(shù)碼相機(jī)隨機(jī)采集的車牌圖像輸入到計(jì)算機(jī)中，對車牌圖像進(jìn)行處理，包括汽車圖像的傾斜校正、車體區(qū)域圖像的灰度化、邊緣檢測、閾值分割、形態(tài)學(xué)運(yùn)算，得到若干的連通區(qū)域，根據(jù)投影法搜索車牌區(qū)域，得到候選車牌區(qū)域圖像，具體步驟如下 1)由于采集到的圖像可能出現(xiàn)偏轉(zhuǎn)，需要對這部分的圖像采用Radon變換對傾斜的車牌圖像進(jìn)行校正，先計(jì)算傾角，然后對傾斜圖像利用坐標(biāo)變換公式進(jìn)行校正，如公式(I)和(2)所示；為了進(jìn)行對牌照圖像的旋轉(zhuǎn)，首先選定旋轉(zhuǎn)中心，以車牌照圖像幾何中心位置作為旋轉(zhuǎn)中心來進(jìn)行旋轉(zhuǎn)；取角度從0到179度，每次增加I度，對汽車的二值圖像作Radon變換；在所有Re (X')結(jié)果中取最大值；找到與該最大值對應(yīng)的角度e ;由于e與圖像的傾斜方向垂直，取逆時(shí)針為正方向，得出圖像的傾斜角度為9-90° ； R0 (x ) = f f(x cos8- y sin ^,x sin^ + ^ cosd)dy(1)， J-CO I x = xcos^ + _ysin^(2) = _x sin 沒 + 少 cos 0 2)利用公式gray= 0. 299R+0. 587G+0. 114B對車牌圖像進(jìn)行灰度計(jì)算； 3)為找到車牌區(qū)域，首先要加強(qiáng)車牌區(qū)域的邊緣梯度信息，利用改進(jìn)累積絕對差分算法對車牌圖像的灰度信息進(jìn)行垂直邊緣檢測，對于點(diǎn)(i，j)對應(yīng)的灰度值為f(i，j)，則該點(diǎn)相鄰的上、中、下方向上像素點(diǎn)表示為(i，j_l)、(i，j)、(i，j+1)所對應(yīng)的灰度值為f(i，j-l)、f(i，j)、f(i，j+1)，對應(yīng)算法為公式(3) E(i，j) = I f(i，j+l)_f(i，j)_(f(i，j) (3)；-f(i, j-l))-(f(i, j+l)-f(i, j-1)) 4)得到了灰度圖像的垂直邊緣點(diǎn)，再利用歸一化公式(4)，將邊緣灰度信息歸一化E(i, j) = (255/(max(i, j)-min(i, j)) (4)*(E(i, j)-mm(i, j))) 式中，max(i, j)為E(i, j)中的最大灰度級，min(i, j)是最小灰度級； 5)對歸一化后的邊緣圖像求出邊緣像素密度作為初始閾值T公式(5)，然后利用公式(6)進(jìn)行形態(tài)學(xué)閉運(yùn)算，針對邊緣圖像數(shù)學(xué)形態(tài)學(xué)處理后的二值圖像求閾值A(chǔ)verage如公式(X)，分割的閾值利用Average對初始閾值進(jìn)行修正T-Average,由于大量實(shí)驗(yàn)表明車牌的邊緣密度占整個圖像的3%左右，因此利用公式(5) (7)循環(huán)判斷T-Average的值，當(dāng)T-Average = 0. 03左右,循環(huán)停止,這樣找到的閾值更具有通用性,可針對多種復(fù)雜情況的圖片實(shí)現(xiàn)閾值分割； X max[￡(l, j), E{2, j), E(3, j),..., E(m,；)]T = a*—--(5)， n 式中，m、n是圖像的行、列數(shù)，a是系數(shù)，根據(jù)汽車車牌區(qū)域的垂直邊緣信息和背景信息的區(qū)別a通常取0.5，
全文摘要
本發(fā)明涉及一種基于復(fù)雜背景下的車牌自動定位和識別方法，采集的圖像可以由交警或者管理人員應(yīng)用數(shù)碼相機(jī)在各種工作條件下隨時(shí)拍攝汽車圖片而并非固定在某個位置或者路口進(jìn)行采集，針對這些隨機(jī)情況實(shí)現(xiàn)車牌的自動定位和識別。該方法按以下步驟進(jìn)行采集車牌圖像；對彩色圖像進(jìn)行轉(zhuǎn)換；獲取車牌圖像邊緣信息；獲取候選車牌區(qū)域圖像；精確定位出車牌字符區(qū)域；對字符進(jìn)行單字符分割；最后，使用BP神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)車牌字符的識別。本發(fā)明可有效的提取出復(fù)雜背景下的車牌圖像，具有準(zhǔn)確度高等優(yōu)點(diǎn)。
文檔編號G08G1/017GK102708356SQ20121006217
公開日2012年10月3日 申請日期2012年3月9日 優(yōu)先權(quán)日2012年3月9日
發(fā)明者張志佳, 石佳 申請人:沈陽工業(yè)大學(xué)