基于彩色分割的车牌定位方法

基于车牌底色识别的车牌定位方法

郭大波;陈礼民;卢朝阳;韩丽萍

【期刊名称】《计算机工程与设计》

【年(卷),期】2003(024)005

【摘 要】提出了结合汽车车牌纹理特征分析和颜色特征分析实现车牌定位的方法.以往的车牌定位技术主要是利用了车牌的纹理特征和形状特征,该文提出的方法是先进行纹理分析和形状分析,再进行色彩分析,从而尽可能多地利用车牌模式识别空间中的各种条件.得到边缘清晰整齐的尽可能小的车牌区域.这种方法明显地克服了单用纹理和形状分析时难以解决的车牌区域变大的问题.

【总页数】5页(P81-84,87)

【作 者】郭大波;陈礼民;卢朝阳;韩丽萍

【作者单位】山西大学,电子系,山西,太原,030006;山西大学,计算中心,山西,太原,030006;西安电子科技大学通信工程学院,陕西,西安,710071;山西大学,电子系,山西,太原,030006

【正文语种】中 文

【中图分类】TP391.4

【相关文献】

1.基于车牌特征和底色识别的车牌定位算法研究 [J], 栾晨;赵敏华

2.一种车牌识别系统中的混合车牌定位方法 [J], 李孟歆;吴成东;夏兴华

3.一种改进的车牌定位方法在车牌识别系统中的应用 [J], 刘长青;樊希平;汪胜辉;王先春

4.车牌识别系统中车牌定位与字符分割方法的研究 [J], 葛二壮

5.车牌识别系统中车牌定位方法的研究 [J], 裴加强

因版权原因，仅展示原文概要，查看原文内容请购买

８０　交通与计算机２００６年第４期　第２４誊　总１３１期　

基于纹理特征和彩色特征的车牌定位算法　

李佩斌石景波　

（北京航空航天大学北京１０００８３）　

摘要车牌定位是车牌自动识别系统的关键。提出了一种以纹理特征为主要手段，以彩色　

特征为辅助手段的多特征定位算法，对不同背景和光照条件下的各类车牌图像进行了实验，结果　

表明该算法是一种可行的方法。　

关键词　车牌定位；边缘检测；ＨＳ！模式　

中图法分类号：ＴＰ３９１．４　文献标识码：Ａ　

车牌的自动识别是计算机视觉、图像处理与　

模式识别技术在智能交通领域应用的重要研究课　

题之一，是实现交通管理智能化的重要环节，主要　

包括车牌定位、字符分割和字符识别环节。其中，　

车牌定位是关键问题之一，关系整个系统的识别　

率。车牌定位是典型的复杂背景目标提取问题。在　

条件多变情况下，户外场景和非固定背景是对采　

集得到的图像影响最大的因素。在户外环境中，光　

照不仅随时间缓慢变化，而且可能由于天气条件　

和场景中物体的移动而发生快速变化　另外，当车　

辆移动时，摄像机拍摄的图像会发生抖动，其中可　

能包含多个车牌，也可能没有车牌被捕捉到。再　

者，拍摄的车牌其大小、方向和位置具有任意性。　

如果再考虑复杂的背景，检测车牌区域可能就变　

成了一个难题［１］。　

１　算法概要　

笔者提出了一种基于纹理特征和彩色特征相　

结合的车牌定位算法。通常情况下基于纹理和形　

状等特征就可以惟一地定位出车牌，在干扰较大　

的背景下，辅以彩色特征对伪车牌进行排除。该方　

法的优点：①克服了灰度定位方法完全忽略彩色　

特征信息，而需采用复杂的技术手段才能排除伪　

车牌区域的困难；②避免了完全基于彩色图像的　

定位方法时空开销较大的短处。　

在梯度二值图中，可以看到车牌区域存在连　

续的多次跳变，且相邻跳变的距离满足一定条件。　

笔者对跳变的定义进行了加强，当相邻两次跳变　

的距离ｄｉｓｔａｎｃｅ满足　

收稿日期；２００６—０５—２４；修改稿收到日期：２００６—０７—０３　ｄｌ≤ｄｉｓｔａｎｃｅ≤ｄ２　（１）　

基于PCNN的车牌分割技术武晓嘉田启川赵贤凌Ck原科技大学电子信息工程学院山西太原030024)；§_■理论科孝

【摘要】近几年，随着神经网络理论的深入研究，神经网络技术的并行性计算能力、非线性映射和自适应能力等优点得到了充分的认识，各种神经网络模型在图像处理领域巾得到了广泛的虑用。脉冲耦合神经网络(PENN)是20世纪90年代发展起来的新一代神经网络模型，特别适合于图像处理的各个方面。对PcNN在彩色图像分割上的应用进行了研究，将彩色图像空问变换成三个独立的分量作为PCNN的输入，实现车牌的定位分割，实验表明，该方法对于车牌的定位分割是有效的。[关键词]神经网络彩色图像车牌分割中图分类号：TP2文献标识码：A文章编号：167175—97(2∞8)0620195--01一、引育随着高速公路快速发展，高速公路收费制约道路通行能力的重要因素，而高速公路收费、监控、通信系统已经基本建立，充分利用现有设备来提高收费速度十分重要。车牌识别系统可以利用工业电视摄像机获取运动车辆图像，然后从车辆图像中识别出车牌号码，为收费提供数据(如车辆的入口、出口、车趔和应收费额等)，可以避免车辆进入、驶出高速公路必须停车等问题。车牌识别还可应用于其他场合，如养路费交纳、安全检查、运营管理和不停车检查等。因此在智能运输系统框架各种应用技术中，车牌识别是其中重要技术之。车牌识别主要由车牌分割和车牌识别组成。车牌分割是使用图像分割技术把车牌目标从背景中分割出来，车牌识别是使用已分离车牌图像进行数字、字母识别，获取车牌信息。本文主要研究基于PCNN的彩色图像车牌分割技术。二、车牌分捌算法车牌分割作为车牌识别系统的重要环节，对系统识别精度和速度有着非常重要的影响，国内外对车牌的定位分割都进行了深入的研究。如Hough变换以检测直线来提取车牌边界区域，使用灰度分割及区域生长进行区域分割，或使用纹理特征分析技术等。Hough变换方法对车牌区域变形或图像被污染时，失效的可能会急剧增加，『面灰度分割则比直线检测的方法稳定，但当图像中有许多与车牌灰度非常相似的区域时，该方法也就无能为力了。纹理分割在遇到与车牌纹理特征的其他干扰时，车牌定位正确率也会受到影响。因此，单一的方法难以达到实际应用的要求。由于彩色图像比灰度图像提供的信息更多，并且随着计算机处理能力的快速提高，彩色图像处理越来越受到人们的关注。文献[1]把主要的彩色图像分割方法分为：直方图阈值法、特征空间聚类、基于区域的方法、边缘检测方法、模糊方法、神经网络方法共六种方法。其中神经网络方法是在现代生物学研究基础上提出的模拟生物过程，反应生物神经某些特性的一种计算结构。在处理图像信息上，具有天然的优势。脉冲耦合神经网络(Pulse—CoupledNeuralNetwork，简称PCNN)[2]更足其中的佼佼者。本文利用车牌的彩色信息，提取主要的颜色特征，并采用PCNN对这些特征进行融合处理，提高了车牌分割的准确性。三、脉冲藕合神经网络原理PCNN是由Eckhorn为解释猫大脑视觉皮层中实验所观察到的与特征有关的神经元同步行为现象而提出的。在PCNN中，具有相似输入的神经元同时发生脉冲，能够弥补输入数据的空间不连贯和幅度上的微小变化，从而较完整地保留图像的区域信息，这对图像分割是非常有利的。PCNN是一种不同于传统人工神经网络的新型神经网络。它是由若干个神经元互连而构成的反馈型网络，每一神经元N。的简化结构模型如图1，其解释如下[3]：

２０１２年２月　第３１卷第１期　重庆文理学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｃｈｏｎｇｑｉｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ａｒｔｓ　ａｎｄ　Ｓｃｉｅｎｃｅｓ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅ　Ｅｄｉｔｉｏｎ）　Ｆｅｂ．，２０１２　Ｖ０１．３ｌ　Ｎｏ．１　

基于颜色与结构特征的车牌定位算法　

高一文　，龚　劬　

（１．重庆大学数学与统计学院，重庆沙坪坝４０００３０；２．重庆文理学院教务处，重庆永川４０２１６０）　

［摘要］针对车牌具有稳定的颜色特征和形状特征，提出基于颜色与结构特征的车牌定位算　

法．利用ＯＴＳＵ自动阈值化技术将灰度车牌图像转化为二值化图像，通过对每一个连通区域提　

取形状参数，粗划分出候选车牌区域，最后利用颜色特征确定车牌．实验表明，这种车牌定位方　

法具有一定的优越性．　

［关键词］车牌定位；颜色特征；结构特征；二值化图像　

［中图分类号］ＴＰ３９１．４１３　［文献标志码］Ａ　［文章编号］１６７３—８０１２（２０１２）０１—００７１—０５　

经过广大研究者多年的努力，已经提出了很　

多车牌定位的方法．主要有依据车牌灰度特性、　

投影特性、几何特性以及颜色特性等进行定位的　

方法和利用遗传算法、神经网络算法进行定位的　

方法．这些算法处理的车牌图像数据量大，耗时　

长，降低了整个车牌定位的效率，在实际运用中　

遇到了很大的困难；基于边缘检测的车牌定位算　

法虽然不依赖车牌的外边框是否清晰，实现起来　

效率比较高，主要是对车牌灰度变化剧烈的区域　

进行提取，但是对于一些多余的边缘也很敏感，　

这在一定程度上限制了这种方法的使用；扫描统　

计车牌定位方法对边缘检测后的二值化图像进　

行边缘点的累加，构成分割曲线定位车牌，但是　

这种方法适用于高阶干扰较少的车牌，对于复杂　

的车牌很难定位．　

车牌是机动车的重要标志，各国都制定了一　

系列标准来规范车牌．在我国，有关法规对车牌　

的颜色和形状都有规定．大型汽车牌照为黄底黑　

字，小型车牌照为蓝底白字，公安专用汽车牌照