车牌图像识别应用技术研究

车牌图像识别应用技术研究内容摘要：

分别提取字符的分类特征，并选择不同的分类识别方法。 7 第二 章 车牌图像识别 中 的常用 图像处理 技术 研究 在实际应用中，车牌图像几乎都是在开放或半开放的环境中进行采集的。 在这种环境中，很多因素都直接或间接地影响着图像的内容和质量。 比如， 天气变化因素 ( 雨、雾、温度、湿度 ) 、光线变化因素 ( 如 阳光直射、反射，黄昏、白天、夜间 ，等 ) 、摄像机与车牌不同的相对位置、摄像机的有关摄像参数的不同以及图像采集现场不同的景物背景等因素，使得即使对于同一辆车的同一个车牌采集的图像往往也表现出许多不同的特点。 因此，相较于 其它一些图像 采集环境一般比较稳定的 如 指纹图像识别、人脸图像识别、机械零件图 像检测、水果 缺陷 图像检测等 图像识别技术 来说，车牌图像在内容和质量的变化上要复杂得多，从而对为获得车牌图像识别对象稳定而明确的特征信息所进行的有关图像处理技术提出了更高的要求。 下面，对于本文 中 主要使用的有关图像处理技术进行简要的介绍 ，并对它们在车牌图像识别中的应用特点进行 分析 总结。 图像二值化技术 目前提出的车牌字符切分和字符分类特征提取的方法，很多是以二值图像为基础的。 因此，在车牌图像识别中，图像 二值化 是一个非常重要的技术。 从字面上理解 ，所谓 图像 二值化 ， 就是将彩色或灰度图像用两个灰度级别( 一般为 黑、白 ) 来表示。 。 0。 1),( yxb Tyxf Tyxf ),( ).( ),( yxf 为原图像 ， ),( yxb 为 二值化 后图像， T 为 阈值 二值化的 目的是 将 目标对象 与背景分离。 图像 二值化 一般作为 一种 预处理方法 ，评价其 效果的优劣应当兼顾下面两方面的基本要求： 1 、二值图像 中目标对象的完 整性。 2 、二值图像 中 噪声 对于后续处理影响的大小。 对 二值化 效果优劣的评价因目的不同会有很大的差异。 以图 (b)为例，如果以将车牌字符与背景分离为目的，可视为完全失败；而如果以将车牌区域与背景分离为目的，则可视为效果较好。 (a) 原图 (b) 图 (a) Otsu 法 二 值 化图 图 二 值 化效 果 评 价 8 二值化实际上是寻找阈值 T 的过程 ，而 阈值 T 的选择要以 满足 二值化目的为依据。 目前，公开的资料中提出了很多图像二值化的算法，主要有 Otsu算法 [3]、Bersen算法 [4] 、彩色二值化算法 [5] 、 直方图凹面分析 算法 [6]、 Kittler 算法等。 下面主要介绍两种比较典型、较常用的 Otsu算法和 Bernsen 算法，并提出一种 Canny 边缘检测指导下的字符（车牌）图像二值化的方法。 Otsu 算法 Otsu算法是一种全局阈值二值化方法， 又称为最大类间方差法或大津 阈值分割法，是在判决分析最小二乘法原理的基础上推导得出的。 其基本思想是：设阈值 t 将灰度分成了两 类 ，一 类 对应背景部分，一 类 对应目标对象，则这两类 灰度值的 类 内方差应当最小，两 类 间方差应当最大。 具体做法为：设给定图像 ),( yxF 具有 L 级灰度值，对 1  t  L 中的每个t 将 图像像素 分成两 类 ，计算 类 1 的象素个数 )t(1 ， 平均灰度 )t(M1 , 方差)t(21 ；类 2 的象素数 )t(2 ， 平均灰度 )t(M2 , 方差 )t(22。 可以用式（ 21 ）至式（ 24 ）来分别计算 )t(1 ， )t(2 ， )t(M1 ，)t(M2 ：   NyMx yx yxC. 1,11 ),()t(  01),( yxC t),( t),( yxf yxf 式（ 21 ）  NyMx jx yxC, 1,12 ),()t(  01),( yxC t),( t),( yxf yxf 式（ 22 ）)t(1)t( 11 M ti i1 式（ 23 ） )t(1)t( 22 M Lti i1 式（ 24 ） 其中 1 t L 表示灰度级。 M,N 表示图像大小为 M N ， ),( yxC 用来统计各组间像素个数。 则： 类 内方差 )t()t()t()t( 2222112w   式（ 25 ） 类 间方差 )]t(M)t(M)[t()t()t( 21212B   式（ 26 ） 对于给定的一幅图像 ， 2w + 2B = 常数，因而 )t(2B 最大时 ，则 )t(2w最小， 此时 t=T 便是 使图像分为两类的最佳 阈值。 由上述可以发现： Otsu 算法 阈值的确定以灰度图像像素值的分布而不是以具体的 二值化 目的为依据，适合 于目标 对象 和背景明显分离 的 图像 的二值化阈值 的确定。 如图 所示 ，将车牌边框、铆钉和字符一起作为目标对象时，则可以认为灰度图像中 目标 对象 和背景明显分离 ，此时采用 Otsu算法 二值化的效果较好；而如果仅将其中的某一个看作目标对象，则不满足以上条件，对其 9 二值化效果的评价也要大打折扣。 (a) 原图 (b) 图 (a)的 Otsu 算 法 二值 化 图 图 Otsu 算 法二 值 化 Bernsen 算法 Bernsen算法是一种局部阈值二值化方法，通过定义考察点的邻域，并由邻域计算模板实现考察点灰度与邻域点的比较。 局部阈值二值化方法阈值的选择依靠考察点的灰度值及其周围的局部邻域的灰度值来决定，它是一种动态选择阈值的方法。 设图像 F(x,y), 则图像在像素点 ),( yx 处的灰度值为 ),( yxf。 考虑以像素点 (x,y) 为中心的 (2W+1)*(2W+1) 模板， ( 其中 W 表式模板的大小 ) ，则Bersen算法可描述如下： (1) 动态计算图像中各像素点 ),( yx 的阈值 ),( yxT ),(m in),(m a x(),( lykxflykxfyxT WlW WkWWlW WkW     式（ 27 ） (2) 对图像中的各像素点 ),( yx 进行逐点二值化，设二值化后的图像为),( yxB ， ),( yxb 表示二值化图像 ),( yxB 在 ),( yx 处的灰度值。 则有：  10),( yxb ),(),( ),(),( yxTyxf yxTyxf  式（ 28 ） Bersen算法存在以下问题和缺点： 1 、 由于 Bersen算法阈值的确定是通过动态计算每个考察点邻域的灰度值来确定，其实现速度较全局阈值二值化方法要慢 ，而且也 没有 做到以 二值化 目的作为阈值选择的依据。 2 、 Bersen算法二值化容易 产生严重的噪声。 由于 Bersen算法 以局部窗口内最大、最小值作为考察点的邻域，当考察窗内无目标点时，个别噪声点将引起阈值的突变，背景灰度的非均匀性也将影响局部阈值的变化，当考察窗内均为目标点时，局部阈值被拉伸，这样势必使得宏观上本应同类的部分象 素 : 目标 ( 或背景 ) 被强行二值化为背景 ( 或目标 ) ，从而 产生严重的噪声。 如图 2.3 所示。 (a) 原图 (b) Bersen 算法 二 值 化 图 图 Bersen 算 法 二值 化 10 基于 Canny 边缘检测的 字符 ( 车牌 区域 ) 图像二值化的方法 在车牌图像识别中，一般是在切分字符时对车牌区域图像进行 二值化 ，以及在提取字符分类识别特征时对字符图像进行二值化。 对车牌区域图像 二值化时的目标对象除字符外，还可能是或者包括边框 ( 一般是在需要对车牌 进行几何畸变 校正 时 ) ，而对字符 图像 进行 二值化 时的目标对象则明确为字符。 Canny 边缘检测 ( 在本章 中具体介绍 ) 能 够 比较好地 检测出 边缘，同时对于 孤立点和非边缘 噪声 能够进行 很好的抑制。 下面所述的 二值化方法 ，是以 Canny 边缘检测 来寻找目标对象特征点，再根据 对 特征点灰度值 的分析判断来确定阈值进行 二值化。 这种方法较为简单，主要过程如下： Step1 对 车牌 ( 字符 ) 灰度 图像 进行 Canny 边缘检测 , 如图 (b)所示； Step2 根据 Canny 边缘检测 结果，在 车牌 ( 字符 ) 灰度 图像 中找到目标对象的边缘像素点； Step3 根据在 车牌 ( 字符 ) 灰度 图像 中找到的边缘像素点的灰度值，进行具体的分析判断来确定 阈值 ，进行二值化。 Canny 算子法 检测 出的边缘定位比较准确、宽度为一个像素、孤立点和非边缘 噪声 得到了较好的抑制，大大减少了图像中需要分析判断的数据，一般比较容易判断出目标和背景，从而能够较好地确定 图像 二值化的 阈值。 如图 所示，本例原图与图 原图相同，以字符作为二值化目标对象，结果如图 2.4(c)所示。 (a) 原图 (b)Canny 边 缘检 测 结 果 (c) 二值 化 结 果 图 基于 Canny 边缘 检 测 的 车牌 图 像 二 值化 对于比较精确分割出的车牌区域图像，进行二值化时的判断决策相对较为容易；但如果分割出的车牌区域图像精确度较差时，就会给判断决策带来较大的困难。 而单个字符图像的字符与背景的区别一般来说较为明显，判断决策比较容易，基本可以获得比较好的二值化效果。 因此，在进行 车牌 字符切分时 最好 避免以二值化图像为基础。 图像边缘检测技术 目前， 经过对 公开资料中 有关 车牌 图像 分割 和识别方法 所 依据的特征 进行分析 ， 发现 字符 在 边缘、轮廓、形状 、纹理 方面的特征是 最多被使用的较 可靠而且是 较容易 提取的 特征。 而边缘检测是提取 这些 特征的 一种基本的、 较 为 可靠的手段。 因此，在车牌 图像识别 中，边缘检测 技术 十分重要。 11 灰度 图像中 ， 所谓边缘像素点表现为 该点的 邻域是一个灰度级变化带，衡量这种变化最有效的两个特征值 ， 是灰度的变化率和变化方向。 所以，边缘检测方法从本质上 讲 都是通过对这两个特征值的处理来实现的。 根据对这两个特征值的处理方法的不同，基本的边缘检测方法 主要 有如下几种：微分算子 边缘检测 法 、 Laplacian算子 边缘检测 法 和 Canny 算子 边缘检测 法 等。 微分算子边缘检测法 常用的微分算子有 Roberts 、 Prewitt 和 Sobel 算子，都是以图像灰度的两个差分来逼近梯度算子。 在进行边缘检测时，其 基本 过程如下： Step1:获得各个像素 点 的逼近梯度算子 f 2221 )pf()p(ff  f 为灰度图 像 ， 1p 、 2p 为两个方向模板，  表示卷积。 对于 Roberts 算子 ,   10 01p1,  01 10p2 对于 Prewitt 算子 ,  111000111p1 , 101101101p2 对于 Sobel 算子 ,  121000121p1 ，101202101p 2 Step2:进行阈值操作得到二值边缘图像    时时th re s hf255 th re s hf0g thresh 为阈值 采用 上述方法 对车牌图像进行边缘检测时，阈值 thresh的选择对边缘提取的效果至关重要。 如果 thresh选取得好，可以获得比较完整的边缘，同时使得噪声不至于过大。 但如果 thresh选取得不合适，则极易得到 较 强的噪声或者是提取的边缘 信息 的完整性 不好。 由于 对噪声比较敏感， 而且 由于 阈值 固定， 自适应性不好。 在 车牌 图像的分割和 识别中， 一般不采用上述的 纯微分算子边缘检测法。 本文在车牌区域定位时采用了 Sobel 模板进行多个方向的边缘检测。 Laplacian 算子边缘检测 法 Laplacian 算子法是通过寻找灰度图像二阶导数的零交叉点来检测边缘。 Laplacian 算子用模板表示 为 ： 12 。