基于颜色与纹理特征的车牌定位方法

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。

基于车牌颜色特征的改进车牌定位算法研究与实现XX：TP391.41汽车牌照识别系统（License Plte Recognition System，简称LPR）是智能交通系统的一个重要组成部分，能够应用于很多交通治理场合，如道路交通流监控、交通事故现场勘查、高速公路自动收费系统等。

汽车牌照识别系统主要包括四个部分，分别是：图像采集、车牌定位、车牌字符分割、车牌字符识别，其中车牌定位部分在整个系统中起着十分重要的作用。

目前，国内外的专家和学者们对车牌定位做了很多研究，主要的定位技术包括：（1）基于纹理特征的车牌定位法。

该方法对光照不均匀、车牌倾斜等情况的鲁棒性较强，但是对复杂背景的鲁棒性较差。

（2）基于神经XX络的定位方法。

该方法在进行定位前需要收集大量图像样本进行训练，样本的特点对最终定位结果影响很大。

（3）基于数学形态学的定位方法。

该算法的准确性过于依赖于结构元素大小，结构元素过大或过小都会严峻影响定位结果。

（4）基于颜色空间特征的车牌定位方法。

该方法利用车牌的底色和字体颜色不同的特征进行车牌区域的定位，当车身颜色和车牌颜色相同时，定位成功率低。

本文提出了一种基于颜色特征的改进车牌定位方法，该方法利用车牌的颜色特征，综合利用RGB颜色模型和HSV颜色模型的特点，利用一种局部最优化思想，通过把图像划分为多个固定区域，把每个固定区域的颜色划分为黄色、蓝色、黑色、白色以及其他颜色，并通过一种改进的行扫描方法，利用车牌区域的颜色跳变特征，得到车牌区域的准确位置。

实验表明，本方法能够实现高准确率、高精确度的车牌定位。

1 图像预处理1.1 颜色模型选择常用的颜色模型有RGB、HSV、CMY、YIQ等。

为了实现对颜色的准确分类，要求采纳的颜色模型能够满足独立性和均匀性，HSV颜色模型在一定程度上能够满足独立性和均匀性，RGB 颜色模型易于区分白色和黑色，根据车牌颜色特征，本文不仅使用HSV颜色模型，而且使用RGB颜色模型，从而达到更好的颜色区分效果。

基于纹理的车牌检测方法(一)基于纹理的车牌检测方法引言车牌检测是计算机视觉和图像处理领域的重要应用之一。

在图像中准确地检测车牌区域是车牌识别的第一步，也是最关键的一步。

基于纹理的车牌检测方法通过利用车牌区域的纹理特征来进行车牌的定位和检测。

本文将介绍几种常见的基于纹理的车牌检测方法。

1. HOG 特征和 SVM 分类器•使用HOG特征提取算法从图像中提取车牌区域的特征向量。

•将提取的特征向量输入到SVM分类器中进行训练，得到车牌和非车牌的分类模型。

•使用该模型对输入图像进行车牌检测，找到最佳的车牌区域。

2. Haar 特征和 Adaboost 分类器•利用Haar特征进行图像的特征提取，该特征包括图像的边缘、线段、角以及他们的组合。

•使用Adaboost算法训练分类器，将提取的Haar特征与车牌和非车牌样本进行训练，得到车牌检测模型。

•在输入图像上使用训练好的模型进行车牌检测，找到合适的车牌区域。

3. LBP 特征和神经网络分类器•使用LBP特征提取算法从图像中提取车牌区域的纹理特征。

LBP 特征通过比较像素点与其周围邻域像素的灰度值来描述图像的纹理。

•将提取的LBP特征向量输入神经网络进行训练，得到一个能够区分车牌和非车牌的分类器。

•在待检测图像上使用训练好的分类器进行车牌检测，找到最匹配的车牌区域。

4. 基于纹理特征的边缘检测方法•使用边缘检测方法（如Canny算法）提取图像中的边缘信息。

•利用车牌区域的纹理特征和车牌的形状特征来进行车牌定位。

例如，车牌通常具有矩形形状，且字符通常沿着水平方向排列。

•通过分析边缘特征和纹理特征的组合，确定最佳的车牌检测区域。

结论基于纹理的车牌检测方法能够通过分析车牌区域的纹理特征来实现准确的车牌定位和检测。

本文介绍了几种常见的基于纹理的车牌检测方法，包括HOG特征和SVM分类器、Haar特征和Adaboost分类器、LBP特征和神经网络分类器，以及基于纹理特征的边缘检测方法。

基于纹理及颜色特征的分级车牌定位方法
程时虎;文灏
【期刊名称】《计算机仿真》
【年(卷),期】2009(026)006
【摘要】智能车牌定位是一个经典而又具有重大使用价值的课题.针对现实生活中车牌的纹理及颜色特征,提出综合利用纹理信息及颜色信息实现车牌的快速定位.先充分利用纹理特征,结合隔列处理思想和类投影技巧,在将原始图像连续的纹理信息空间转换成离散的短线条信息空间后,统计预处理过程中的短线密度,取密度最大区域,即为车牌所在区域,实现初步定位,再在初定位的区域结合车牌底色先验知识,延展初定位区域,进行颜色匹配,进而可以实现精确车牌定位,方法解决了仅仅依靠颜色信息或纹理信息车牌定位准确率低的问题.算法定位速度快,鲁棒性性强,准确率高,在现实中有很强的实用性.
【总页数】5页(P304-307,330)
【作者】程时虎;文灏
【作者单位】华中科技大学,电子与信息工程系,湖北,武汉,430074;华中科技大学,电子与信息工程系,湖北,武汉,430074
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于数学形态学和颜色特征的车牌定位方法 [J], 廉宁;徐艳蕾
2.基于数学形态学和颜色特征的车牌定位方法 [J], 廉宁;徐艳蕾;
3.基于水平灰度特征和颜色特征的车牌定位方法 [J], 王金磊
4.基于车牌颜色特征的定位方法研究 [J], 刘倩倩;范越;王琦
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。