下载文档原格式
复杂背景中基于纹理和颜色的车牌定位研究万燕;徐勤燕;黄蒙蒙【摘要】提出一种将车牌纹理和颜色相结合的车牌定位方法，即基于纹理粗定位得到车牌候选区域后，运用改进的自主确定聚类数和聚类中心的RGB空间k-means聚类算法，而不是定义颜色范围来分割车牌。
该方法的优越性在于首先利用纹理排除了颜色干扰区域，其次利用颜色聚类去除了纹理干扰区域，又克服了量化定义颜色适应性不强、稳定性差的缺点。
实验表明，该方法可以准确定位复杂背景中任意方向和不同光照下的车牌，具有很强的稳定性和鲁棒性。
%In this paper we present a vehicle license plate location method which combines the texture and colour of the license plate,that is,after roughly locating based on texture the candidate region of license plate,the modified k-means clustering algorithm in RGB colour space,which allows the number of cluster and the clustering centres to be determined autonomously,is used to segment the license plate instead of defining the colour range.The advantages of this method are that first it rules out the colour interference area with texture,then it rules out the texture interference area using colour clustering,and also overcomes the instability and weak adaptability of quantified definition of colour.Experiment demonstrates that this method can accurately detect the license plates in complex background with arbitrary orientations and different illumination.It has strong stability and robustness.【期刊名称】《计算机应用与软件》【年(卷),期】2013(000)010【总页数】5页(P259-262,316)【关键词】车牌定位;复杂背景;纹理特性;颜色k-means聚类;句法特征【作者】万燕;徐勤燕;黄蒙蒙【作者单位】东华大学计算机科学与技术学院上海201620;东华大学计算机科学与技术学院上海201620;东华大学计算机科学与技术学院上海201620【正文语种】中文【中图分类】TP391.4车牌识别系统是现代智能交通系统中的一项重要研究与应用，一般主要有三个步骤：车牌定位、字符分割和字符识别［1－3］。
融合字符纹理特征与RGB颜色特征的车牌定位孙红;郭凯【期刊名称】《光电工程》【年(卷),期】2015(42)6【摘要】由于光照、距离变化以及背景复杂等原因，传统基于单一特征的车牌定位算法很难获得满意的效果。
为完成复杂背景下车牌定位，提出融合字符纹理特征与 RGB 颜色特征的定位算法。
利用车牌区域背景底色与字符颜色互补特性，通过寻找图像车牌区域颜色点对，结合字符纹理特征反馈校验，能快速准确定位车牌。
对复杂背景下获取的12581幅彩色图片进行实验，结果表明，定位准确率能够达到99.4%，验证了该算法的有效性。
%Due to the change of illumination, distance and complicated background, etc. the desired effect can be hardly achieved by traditional license plate location based on single feature. In order to accomplish license plate location under complicated background, license plate localization algorithm which combines characters texture features with RGB color features has been proposed. The license plate can be located quickly and accurately by using the complementary features of bottom color and character color and then looking for color pairs on the license plate as well as combine the textural features which are used for feedback checking. The results show that the accuracy rate of license plate location can reach 99.4% by experiment on 12 581 color images under complicated background which has proved the validity of this algorithm.【总页数】7页(P14-19,44)【作者】孙红;郭凯【作者单位】上海理工大学光电信息与计算机工程学院，上海 200093; 上海理工大学管理学院，上海 200093; 上海现代光学系统重点实验室，上海 200093;上海理工大学光电信息与计算机工程学院，上海 200093【正文语种】中文【中图分类】TP391【相关文献】1.基于相位一致性和字符纹理特征的车牌定位算法 [J], 史东承;丁圆圆;梁超2.融合边缘检测与HSV颜色特征的车牌定位技术 [J], 王枚;王国宏;潘国华3.结合RGB颜色特征和纹理特征的消影算法 [J], 魏岩;涂铮铮;郑爱华;罗斌4.基于车牌背景和字符颜色特征的车牌定位算法 [J], 杨鼎鼎;陈世强;刘静漪5.基于字符边缘检测和颜色特征的车牌定位方法 [J], 陈亮;杜宇人因版权原因，仅展示原文概要，查看原文内容请购买。
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
车牌定位与车牌字符识别算法的研究与实现一、本文概述随着智能交通系统的快速发展，车牌识别技术作为其中的核心组成部分，已经得到了广泛的应用。
车牌定位与车牌字符识别作为车牌识别技术的两大关键环节，对于实现自动化、智能化的交通管理具有重要意义。
本文旨在探讨和研究车牌定位与车牌字符识别的相关算法，并通过实验验证其有效性和可行性。
本文首先对车牌定位算法进行研究，分析了基于颜色、纹理和边缘检测等特征的车牌定位方法，并对比了各自的优缺点。
随后，本文提出了一种基于深度学习的车牌定位算法，通过训练卷积神经网络模型实现对车牌区域的准确定位。
在车牌字符识别方面，本文介绍了传统的模板匹配、支持向量机（SVM）和深度学习等识别方法，并对各种方法的性能进行了比较。
在此基础上，本文提出了一种基于卷积神经网络的字符识别算法，通过训练模型实现对车牌字符的准确识别。
本文通过实验验证了所提出的车牌定位与车牌字符识别算法的有效性和可行性。
实验结果表明，本文提出的算法在车牌定位和字符识别方面均具有较高的准确率和鲁棒性，为车牌识别技术的实际应用提供了有力支持。
本文的研究不仅对车牌识别技术的发展具有重要意义，也为智能交通系统的进一步推广和应用提供了有益参考。
二、车牌定位算法的研究与实现车牌定位是车牌字符识别的前提和基础，其主要任务是在输入的图像中准确地找出车牌的位置。
车牌定位算法的研究与实现涉及图像处理、模式识别等多个领域的知识。
车牌定位算法的研究主要集中在两个方面：一是车牌区域的粗定位，即从输入的图像中大致找出可能包含车牌的区域；二是车牌区域的精定位，即在粗定位的基础上，通过更精细的处理，准确地确定车牌的位置。
在车牌粗定位阶段，常用的方法包括颜色分割、边缘检测、纹理分析等。
颜色分割主要利用车牌特有的颜色信息，如中国的车牌一般为蓝底白字，通过颜色空间的转换和阈值分割，可以大致找出可能包含车牌的区域。
边缘检测则主要利用车牌边缘的灰度变化信息，通过算子如Canny、Sobel等检测边缘，从而定位车牌。
基于彩色边缘检测及综合特征的车牌定位算法【摘要】针对车牌区域难以定位的问题，本文提出了一种基于彩色边缘检测及综合特征的车牌定位方法。
该算法利用车牌底色与字符颜色有几种固定搭配的特点，对彩色图像进行边缘提取，然后利用车牌区域的结构与纹理特征定位车牌，有效减少了车牌大小、位置以及背景复杂等方面的限制。
实验证明该算法耗时少，准确率高，鲁棒性好。
【关键词】车牌定位；固定颜色搭配；边缘检测；HSV空间；综合特征1.引言作为智能交通系统中的一项关键技术，车牌识别在信息采集、车辆管理和自动收费等领域有着广泛的应用前景。
车牌定位是系统的第一个环节，在车牌识别系统中起着关键性的作用。
根据定位方法所利用的车牌特征的不同，主要分为：基于车牌自身结构特征的定位方法[1]、基于车牌颜色特征的定位方法[2]和综合利用车牌的多个特征的定位方法[3]等。
基于车牌自身结构特征的定位方法的优点是算法复杂度低，运算速度快，能够满足定位的实时性要求，缺点是对真正的车牌区域的定位不够准确，易受车牌污损等因素的影响，将不相关区域视作车牌区域，误检率比较高。
基于彩色信息的定位方法，一般来说定位准确、漏检率低，但还存在一些问题，例如当车牌底色与其周围颜色近似、车牌底色褪色时，有效定位率下降。
综合利用多个车牌特征及多种图像处理技术的定位方法，一般来能达到比较理想的效果，但通常在定位的实时性上相对较差。
本文将车牌上字符的颜色与底色结合起来，构成固定的颜色搭配来进行边缘检测，然后再利用车牌区域的结构与纹理特性进行定位，该算法耗时少，准确率高，对噪声、光照具有鲁棒性。
2.车牌定位先验知识2.1 颜色空间（1）RGB颜色空间[4]人类视觉的三基色红（R）、绿（G）、蓝（B）按不同比例混合可以组成自然界的任何一种颜色，因此在空间几何上可以用R、G、B为三个相互垂直的轴构成的空间立体坐标系来表示RGB颜色空间，坐标经过归一化后，对于任何一种颜色都可以在这个空间里找到具体的坐标位置，且对应的三个坐标分别表示它所含的RGB分量。
