下载文档原格式
请简述车牌识别的工作过程。
车牌识别是人工智能领域中重要的一部分，也是促进智慧停车技术发展的主要动力。
车牌识别通过触发设备、摄像设备、照明设备、图像采集设备、号码识别处理机、缴费终端等硬件设备以及车牌定位、字符分割、字符识别等软件算法来运作车牌识别过程，具体包含以下七个流程：1.图像采集：车牌识别根据车辆检测方式的不同，图像采集一般分为两种，一种是静态模式下的图像采集，通过车辆触发地感线圈、红外或雷达等装置，给相机一个触发信号，相机在接收到触发信号后会抓拍一张图像，该方法的优点是触发率高，性能稳定，缺点是需要切割地面铺设线圈，施工量大；另一种是视频模式下的图像采集，外部不需要任何触发信号，相机会实时地记录视频流图像，该方法的优点是施工方便，不需要切割地面铺设线圈，也不需要安装车检器等零部件，但其缺点也十分显著，由于算法的极限，该方案的触发率与识别率较之外设触发都要低一些。
2.预处理：车牌识别由于图像质量容易受光照、天气、相机位置等因素的影响，所以在识别车牌之前需要先对相机和图像做一些预处理，以保证得到车牌最清晰的图像。
一般会根据对现场环境和已经拍摄到的图像的分析得出结论，实现相机的自动曝光处理、自动白平衡处理、自动逆光处理、自动过爆处理等，并对图像进行噪声过滤、对比度增强、图像缩放等处理。
去噪方法有均值滤波、中值滤波和高斯滤波等；增强对比度的方法有对比度线性拉伸、直方图均衡和同态滤波器等；图像缩放的主要方法有最近邻插值法、双线性插值法和立方卷积插值法等。
3.车牌定位：车牌识别从整个图像中准确地检测出车牌区域，是车牌识别过程的一个重要步骤，如果定位失败或定位不完整，会直接导致最终识别失败。
由于复杂的图像背景，且要考虑不清晰车牌的定位，所以很容易把栅栏，广告牌等噪声当成车牌，所以如何排除这些伪车牌也是车牌定位的一个难点。
为了提高定位的准确率和提高识别速度，一般的车牌识别系统都会设计一个外部接口，让用户自己根据现场环境设置不同的识别区域。
基于深度学习的车辆识别与车牌识别技术研究【引言】随着智能交通系统的发展，车辆识别及车牌识别技术在各种领域得到广泛应用。
深度学习作为人工智能领域的重要技术，具有强大的特征提取和模式识别能力，为车辆识别和车牌识别任务提供了新的解决方案。
本文将重点研究基于深度学习的车辆识别和车牌识别技术。
【车辆识别技术的研究】车辆识别是指从复杂场景中准确识别和区分不同类型车辆的任务。
基于深度学习的车辆识别技术主要包括车辆检测和车辆分类两个步骤。
1. 车辆检测车辆检测是指在图像中准确定位和标记出车辆的位置。
深度学习通过构建卷积神经网络（Convolutional Neural Network, CNN）模型，可以实现高效的车辆检测。
常用的车辆检测模型有基于区域提议网络（Region Proposal Network, RPN）的Faster R-CNN和YOLO（You Only Look Once）等。
这些模型通过在图像中划分候选区域，并对每个候选区域进行分类和边界框回归，能够在保证检测准确率的同时提高检测速度。
2. 车辆分类车辆分类是指根据车辆的外观特征将其分为不同的类别，例如轿车、卡车和摩托车等。
深度学习通过训练大规模的车辆图像数据集，可以学习到车辆的共享特征，并实现准确的分类。
常用的车辆分类模型有卷积神经网络结构（如AlexNet、VGG、ResNet 等）和特征金字塔网络（Feature Pyramid Networks, FPN）等。
这些模型通过多层次的卷积和池化操作，逐渐抽取出车辆图像中的抽象特征，并用于分类任务。
【车牌识别技术的研究】车牌识别是指从车辆图像中准确提取和识别车牌字符的任务。
基于深度学习的车牌识别技术主要包括车牌定位和字符识别两个步骤。
1. 车牌定位车牌定位是指在车辆图像中准确定位并标记出车牌的位置。
深度学习通过构建卷积神经网络模型，可以实现高效的车牌定位。
常用的车牌定位模型有基于特征融合的多阶段卷积网络（Multi-Stage Convolutional Networks，MSCN）和一体化车牌定位网络（Unified License Plate Location Network, ULPN）等。
车牌识别流程
车牌识别是一种通过图像处理技术识别车辆车牌号码的技术，
它可以广泛应用于停车场管理、交通违章监测、智能交通系统等领域。
下面将介绍车牌识别的流程。
首先，车牌识别的流程通常包括图像获取、图像预处理、车牌
定位、字符分割和字符识别五个步骤。
图像获取是车牌识别的第一步，它通过摄像头获取车辆的图像。
在图像获取的过程中，需要考虑光线、角度、距离等因素，以确保
获取清晰、准确的车牌图像。
接下来是图像预处理，这一步是为了提高车牌图像的质量，包
括去噪、灰度化、边缘检测、图像增强等处理。
通过图像预处理，
可以使车牌图像更加清晰，有利于后续的车牌定位和字符识别。
第三步是车牌定位，也称为车牌检测，其目的是在经过预处理
的图像中准确定位出车牌的位置。
车牌定位通常采用边缘检测、形
态学处理、颜色定位等技术，以找到车牌的位置和大小。
然后是字符分割，即将定位到的车牌图像中的字符进行分割。
字符分割是车牌识别中比较困难的一步，因为不同车牌的字符数量和形状各异，需要通过算法来准确分割出每个字符。
最后一步是字符识别，也称为光学字符识别（OCR），其目的是对分割后的字符进行识别。
字符识别通常采用模式识别和机器学习算法，将字符映射成文本信息。
总的来说，车牌识别流程包括图像获取、图像预处理、车牌定位、字符分割和字符识别五个步骤。
通过这些步骤，可以实现对车辆车牌号码的准确识别，为智能交通系统和车辆管理提供便利。
车牌识别算法总结车牌识别算法是计算机视觉领域中一个重要的研究方向，旨在通过图像处理和模式识别技术来实现对车辆车牌的自动检测和识别。
本文将综述车牌识别算法的发展历程、常用的算法框架和关键技术，并对未来的研究方向进行展望。
一、发展历程车牌识别算法的发展可以追溯到上世纪90年代，最早的研究主要集中在车牌定位和字符分割等方面。
随着计算机计算能力的提升和深度学习技术的兴起，车牌识别算法取得了巨大的进展。
目前，车牌识别已经应用于交通管理、智能停车、安防监控等领域，成为计算机视觉领域的重要应用之一二、算法框架1.图像获取：车牌图像可以通过摄像头、监控摄像头、卫星图像等方式获取。
在车牌识别应用中，如何提取到清晰、无遮挡的车牌图像对于算法的准确性至关重要。
2.车牌定位：车牌定位是车牌识别算法的关键步骤，主要通过图像处理算法找到车辆图像中的车牌区域。
这一步骤通常包括颜色分析、形态学操作、边缘检测等技术。
此外，一些算法还可以通过车牌形状和尺寸的先验知识进行进一步筛选。
3.字符分割：字符分割是指将车牌图像中的字符区域切割出来。
由于字符之间的距离和大小不固定，字符分割是车牌识别算法的难点之一、常用的方法包括基于投影的方法、基于连通区域的方法和基于深度学习的方法。
4.字符识别：字符识别是车牌识别算法的最后一步，主要通过模式识别和机器学习方法来实现。
传统的方法包括基于模板匹配的方法、基于统计的方法和基于人工特征的方法。
而近年来，深度学习技术在字符识别方面取得了显著的进展，以卷积神经网络（CNN）为代表的深度学习模型在文本识别领域取得了优异的表现。
三、关键技术在车牌识别算法中，有几个关键的技术对算法的准确性和鲁棒性有重要影响。
1.颜色分析：基于颜色的车牌定位算法是车牌识别中常用的方法之一、车牌的颜色通常有一定的先验知识，利用这一信息可以有效地提高车牌的定位准确率。
2.形态学操作：形态学操作是一种基于图像的形状和结构特征的图像处理算法，常用于车牌定位和字符分割中。
近年来，智能交通系统(ITS)越来越受到人们的重视在车牌识别中，车牌自动识别系统作为核心部分之一应用已经越来越普及。
车牌识别系统主要分车牌定位、字符切分和字符识别三部分，而车牌定位又是系统中最重要的步骤，定位的成功与否以及定位的准确程度将会直接决定后期能否进行车牌识别以及识别的准确度。
文中利用MATLAB进行分析与仿真。
MATLAB是一种简单，高效、功能强大的高级语言,在科学与工程计算领域有着广泛的应用前途。
在数字图像处理领域,可应用MATLAB数字图像处理技术进行系统分析与设计。
本文要讨论的是对彩色车牌图像进行包括灰度化、二值化、图像增强、边缘检测的预处理，之后进行区域提取来实现对车牌的初定位。
借助MATLAB编程语言在仿真过程中分析现有算法并加以改进。
1 车牌定位中的基本理论与算法1.1图像灰度化彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。
经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
在车牌识别中要利用灰度分布的特征进行进一步的分割、识别，因此对车牌图像进行灰度化成为车牌定位的必要步骤之一。
1.2图像二值化二值图像是指整幅图像画面内仅黑、白二值的图像。
在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。
车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。
如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
阈值处理的操作过程是先由用户指定或通过算法生成一个阈值，常用的二值化方法有直方图统计法、固定门限法、动态阈值法、松弛法、抖动矩阵二值化法等。
车牌识别系统功能和参数车牌识别系统是一种用于自动识别和识别出车辆号牌的技术。
它利用计算机视觉和模式识别的原理和技术，通过图像处理和特征提取等方法，从输入的图像中提取车牌号码并进行识别。
车牌识别系统主要可以分为图像采集、车牌定位、字符分割、字符识别和车牌识别五大模块。
首先，车牌识别系统的功能包括图像采集、车牌定位、字符分割、字符识别和车牌识别等。
通过图像采集模块，可以采集到来自摄像头或其他图像输入设备的车辆图像。
车牌定位模块可以对车辆图像进行处理，找出图像中的车牌位置。
字符分割模块可以将车牌图像中的字符进行分割，从而得到单个字符图像。
字符识别模块使用OCR（光学字符识别）技术，对字符进行识别，并将字符的识别结果输出。
最后，车牌识别模块通过将字符的识别结果进行组合，得到完整的车牌号码，并输出识别结果。
1.图像采集参数：包括图像分辨率、拍摄角度、曝光度、对比度等。
合理的图像采集参数可以保证车牌在图像中的清晰可见性，减少图像中的噪声和干扰。
2.车牌定位参数：包括车牌的位置、大小、高度、宽度等。
通过调整车牌定位参数，可以准确地找到车牌在图像中的位置，排除其他干扰因素。
3.字符分割参数：包括字符之间的间距、字符的大小、字符的高度、宽度等。
合适的字符分割参数可以确保字符之间的距离和大小符合标准，并准确地划分字符。
4.字符识别参数：包括字符模板库、字符识别算法、识别率等。
良好的字符识别参数可以提高字符识别的准确度和速度。
5.车牌识别参数：包括车牌识别算法、车牌号码格式、识别结果输出等。
优化的车牌识别参数可以保证系统对各种车牌号码的识别正确率，快速地输出识别结果。
除了以上几个参数之外，还有一些额外的参数可以用于进一步优化系统的性能，如图像预处理参数、特征提取参数、分类器参数等。
这些参数的选择和调整可以根据实际应用需求和系统性能要求进行调整。
总之，车牌识别系统的功能和参数都是为了实现车牌号码的自动识别和识别而设计的。
一种车牌定位的有效方法11．简介车牌定位在智能交通系统中的机动车辆牌照识别有着很重要的地位。
这篇论文介绍了一种实时的并且有效的牌照定位方法。
牌照的区域包括了很丰富的边缘以及文字信息，我们首先利用图形增强法以及Sobel算子将车子上垂直方向的边缘全部提取出来，接着运用行之有效的算法将大部分噪声背景和边缘移除，最后我们在剩余的边缘中用矩形窗来得到了牌照的区域并且将这个区域从车的原始图像中分离出来。
实验结果表明这个方法是很有效的。
Fig. 1. An example car image with 384 · 288 pixels and 256 gray levels （图1，有384×248象素和256级灰度的汽车图像实例）这篇论文旨在找到一个来认证个人身份证件如身份证、驾驶执照、照片等的方法。
这种方法尝以特定的图像处理方法从相关文件中得到一个图像签名。
在这里利用的是基于离散余弦转化的方法来获得这个签名的。
这给一些特别的文件提供了一种独特的相当压缩的签名，如果要应用于一个很庞大的数据库，这个签名也可以提供散列法索引，实验证明在大型数据库中使用可以达到预期目标。
个人身份认证文件比如护照、带照片的身份证、信用卡、选民身份证等等，现在都被很广泛的应用。
它们越来越多的被应用于像保险、银行、政府办公室的认证、医疗服务、航空、对进入有限制的区域的验证以及最近流行的电子商务等等各种领域。
但是除此以外，为了达到违法的目的已经出现了这类身份认证文件的赝品。
这是利用了图像技术的飞快进步，比如彩色打印、复制以及扫描。
赝品是伪造一个卡然后贴上其他人的照片来代替它真实的照片。
这样就制造了一个合法的卡，因为它上面的文字信息都是完全正确的。
这种卡能大行其道是因为现在使用中的卡没有将卡上的文字内容与照片联系起来。
本文我们设计了一种新的基于签名生成技术的新1图像，它可用来检测这些赝品。
这些签名会被保存在一个安全的数据库中，或者被保存在一个加密文件中。
车牌定位及车辆特征识别研究董浩曹从咏▲杨莹(南京理工大学自动化学院南京210094)摘要车牌定位及车辆识别是智能交通管理的主要研究问题。
车牌定位识别，通过对图像进行预处理并结合形态学能粗略获取候选车牌位置，对符合特征的候选车牌进行筛选，精确获取车牌位置，最后采用神经网络完成字符识别过程。
车辆识别采用迁移学习，采用A lc x N c t卷积神经网络构造出深度特征向量。
形态学能够应对灰度底质量差的情形，为字符识别提供保障。
车辆识别时对比直接分类图片特征，迁移学习构造的深度特征分类精度为85.13%，提高了38%，验证了迁移学习的有效性，通过K N N算法表明深度特征能够表征图片属性。
针对新数据集重新提取特征、训练样本将消耗大量时间，对比迁移学习和八lc x N c t框架发现分类精度持平，表明了迁移学习的鲁棒性。
关键词智能交通；形态学；车牌定位；车辆识别；机器学习；深度学习；迁移学习；深度特征中图分类号：U4 12 文献标志码：A doi j10.3^63/j.is s n. 1674-4861.2017.0^1 ；D08A Study on Location of License Plate andFeature Recognition of VehiclesDONG Hao CAO CongyongA YANG Ying(School o f A utom ation，N anjing University o f Science and Technology ^N anjing210094, China) Abstract ： L o c a tio n o f license p la te and re c o g n itio n o f ve h icle s a rc m a in issues in in te llig e n t tr a ffic m a n a g e m e n t. T h ro u g h im a g e p re p ro c e s s in g and m o rp h o lo g y, th e lo c a tio n s o f license p la te s a rc ro u g h ly re co g n ize d) w h ic h th e n be f i ltere d to o b ta in th e a ccu ra te lo c a tio n s. A re c o g n itio n process fo r c h a ra c te rs on th e p la te s is c o m p le te d b y u tiliz in g a n e u ra l n e tw o rk. T r a n s fe r L e a rn in g is used fo r re c o g n itio n o f vehicles? and a deep fe a tu re v e c to r is de velope d b y u s in g an A lc x N c t C o n v o lu tio n a l n e u ra l n e tw o rk. M o rp h o lo g y can be used to process p o o r q u a lity o f g re y b a c k g ro u n d and g u a ra n te e a ccu ra cy o f re c o g n itio n. C o m p a re d w ith a d ire c t c la s s ific a tio n o f im a g e fe a tu re s, th e c la s s ific a tio n a ccu ra cy o f th e deep fe a tu re vecto rs c o n s tru c te d b y T r a n s fe r L e a rn in g is 85.13% >w h ic h increases b y38%. I t v e rifie s th e e ffe ctive n e ss o f T r a n s fe r L e a rnin g and im a g e a ttrib u te s th a t ch a ra cte rize d b y deep fe a tu re s based on th e K N N a lg o rith m. H o w e v e r，it ta ke s tim e w h e n rc-c x tra c tin g fe a tu re s and tra in in g sa m p le s fo r n e w da ta sets. T h is m e th o d is fo u n d to have th e equal a ccu ra cy o f c la s s ifica tio n w h e n it is co m p a re d w ith T r a n s fe r L e a rn in g and A lc x N c t fra m e w o r k) w h ic h p ro ve s th e ro b u s tn e s s o f T r a n s fe r L e a rn in g.K e y w o r d s: in te llig e n t tra n s p o rta tio n；m o rp h o lo g y; lo c a tio n o f th e license p la te；v e h ic le re c o g n itio n；m a ch in e le a r n in g; deep le a rn in g; tra n s fe r le a rn in g?deep fe a tu re s〇引言车牌与车辆的检测是交通监控的关键技术。
本人的毕设收集资料 a.一些算法 1．基于纹理特征的车牌定位法 车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。 2．基于神经网络的定位算法 利用神经网络来定位车牌是一类较为常见的方法。本算法的基本步骤和各模块的功能如下： (1)神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。本模块将获得一个对车牌敏感的BP神经网络。 (2)图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。 (3)车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。 本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。 3基于特征统计的车牌定位 基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。车牌区域字符笔划变化含有丰富的边缘信息。对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。此方法分为两个部分：粗定位和精确定位。 1．粗定位： 粗定位是从车牌边缘检测后的图像中找出含有车牌的区域，并把它提取出来，考虑到车牌区域中存在大量笔画边缘点集，当线段扫描到车牌区域时，￡会大于某个阈值，这样就能初步找到横穿车牌区域的线段，然后以此线段为起点，上下平移扫描，利用车牌区域横向积分投影的连续性特征，定出车牌的上下边。在定位出上下边的同时，利用车牌白点数目占据主导的特点，用一定宽度的矩形，从左往右扫描。粗定位具体做法是用一个比估计车牌小的矩形遍历整个边缘二值图，则落在该矩形内白色的点最多的位置就是车牌区域的大致位置。 2．精确定位： 车牌颜色主要分为：蓝底白字、黄底黑字、黑底白字，白底黑字四种。相同号码不同颜色组合的车牌不是同一个车牌，所以颜色信息在车牌定位的过程中相当重要。本文在精确定位时结合车牌的长宽信息、颜色信息，根据车牌颜色(蓝、白、黄、黑4种)像素占候选车牌区域所有像素的比例来确定哪个是车牌部分，由此得到准确的车牌区域。 具体思想如下：对粗定位中提取的区域进行研究，如果此区域蓝、黑、黄色中哪种颜色较多，则认为蓝底色牌照、黑底色牌照、黄底色牌照，剩余的车牌为白底色军车和武警车牌照等。每个颜色的RGB有一定的范围比例，如蓝色的RGB各值中蓝色分量最大，并且蓝色红色分量的比值大于门限Tb；黑色的RGB各值相差不大，它们与其它颜色的RGB值相比是很小的值，且小于门限Tbl；黄色的RGB各分量依次减小，而且蓝色分量远小于其它两色。设图像中像素的红 绿蓝三色分量分别记为r、g、b，下面的pixel代表像素的类型，是蓝色的记为Blue，黑色的记为Black，黄色的为Yellow，具体判断如下： 如果车牌颜色信息满足蓝底牌照、黑底牌照条件或者Sillll牌为蓝底牌照或者黑底色牌照：否则视为其它牌照type=RESTPLATE。统计行方向在此颜色范围内的像素点数量，即该行对蓝色或黑色的投影值，把此区域的所有像素行的投影值都统计出来，得到此区域对蓝色或黑色的水平投影。水平投影操作是把二维图像的像素分布特征简 化为X轴和Y轴的两个一维函数。车牌边缘为白色或者被边框包围，在图像对蓝色或黑色的水平投影上表现为波谷。而要设定合理的闷值，也就是取两个波谷的区域为边界，确定车牌在行方向的区域。在分割出的行区域内，用相同的方法统计列方向的底色像素点数量，取图像对蓝色或黑色的垂直投影的两个波谷为左右边界，最终确定完整的车牌区域。通过定位修正能更准确找到车牌图像的上下边界。基于特征统计定位算法的定位结果如图3-1所示。 从原始图像可以看到，车体和车牌颜色对比明显，车体主要为黑色，而车牌为蓝色背景，白色字体。车体和车牌颜色的明显对比为算法提供了基础。此算法缺陷在于：车牌颜色必须不同于图像整体背景色，否则无法提取出车牌区域。 5基于改进SobeI算子边缘检测法 传统Sobcl算子只有水平和垂直两个方向模板；其中水平模板对水平边缘的响应最大，垂直模板对垂直边缘响应最大。模板的方向表示灰度由低到高或由高到低的变化方向，而不是图像的实际边缘方向。通过对车牌字符的垂直方向和斜线方向进行划分，本文采用六方向模板，算法实现的基本思想：构造六方向模板，对图像进行逐点计算，取最大值作为该点的新灰度值，该最大值对应模板的方向为该像素点的边缘方向。车牌图像提取特征后，采用迭代求图像最佳分割阈值的算法进行二值化；大多数车牌图像上噪声点较多，经过二值化后的图像如果直接进行水平投影定位，可能出现伪特征信息，所以应先进行去除噪声。本文采用模板大小为l×3的腐蚀运算，去除一些较小噪声点，保留图像车牌部位的主要信息。得到腐蚀后的车牌图像后，对图像的像素沿水平方向累加产生一个投影图，在车牌对应的水平位置会出现一段峰值。本文通过以下三点来判断峰值对应的位置是否为车牌区域： 1．波峰和波谷之间具有一定的落差，当一个局部最大值和它邻近的局部最小值的差大于某一阈值时，该局部最小值为波谷，反之为干扰值。 2．波峰的两个临近波谷之间具有一定宽度，该宽度值由车牌宽度特征决定。 3．波谷所占整个图像的高度在一个范围之内，由车牌处于车身较低位置的特点决定。 在光照均匀和背景不复杂的图像中，车牌的峰值特性十分明显，很容易定位出车牌区域的水平位置。当光照不均匀或者背景复杂的图像中峰值特性不明显，需要选择合理的阈值来准确确定局部最小值是否为谷底问题。本文设定峰顶和峰谷落差的经验阈值为16，峰的宽度阈值为30，即当峰顶和峰谷落差大于16且峰的宽度大于30时，判定该位置为包含车牌区域。车牌下方没有明显的边缘密集区域，所以搜索车牌的时候可以从下往上搜索，当出现的第一个峰值满足上述条件时，该峰值即为车牌的投影区域。由于车牌的底色和车牌字的颜色形成强烈对比，并且在一个相对小的范围内频繁变化，所以可以通过这个特征进行车牌的垂直定位。本文采用数学形态学方法对图像进行处理，检测出大小合适的矩形区域。具体定位算法如下： 1对定位后的图像膨胀运算，结构元素是3x3矩形，填充车牌区域的小洞。 2对膨胀后的图像进行一次开运算，结构元素是1×4的矩形。 3．再进行一次膨胀运算，结构元素是1×4，第2步和第3步目的是选定具有一定宽度的区域。 4．接着再进行一次开运算，结构元素是4x1。 5．最后进行一次膨胀运算，结构元素为4×1，选定具有一定高度的区域。 将得到的图像投影到垂直方向，根据车牌的宽度信息，设定一个范围，在投影图像中找到满足此范围的投影区域，定位出车牌的垂直位置。基于改进Sobel算子边缘检测的效果如图3-4 所示。 4．基于数学形态学的定位方法 基于数学形态学的车牌定位算法是利用开启和闭合这两种运算在图像中进行定位。数学形态学中的开闭运算具有以下特点： (1)开运算可以擦除图像中的像素。从而能够去除孤立的小点、毛刺，保持总的位置和形状不变。 (2)闭运算可以使图像中的像素粘连。这一特点可用于填平小孔、弥合小裂缝，保持总的位置和形状不变。 利用数学形态学中的开闭运算对图像处理，得到多个车牌可能区域，然后用多区域判别法在图像的多个车牌可能区域中找到车牌的正确位置。此算法中结构元素大小的选取至关重要。结构元素过大，会使非车牌区域的边缘点粘连在一起，可能的车牌区域增多，给随后的多区域判别算法带来困难；结构元素过小，车牌区域无法粘连在一起，可能使真正的车牌区域不包含在可能车牌区域集合中。 这个 文字不是一般的多 建议你还是去下载研究生的论文和期刊吧，如果懒的话，百度文库里找，就有很多了 1) 基于车牌图像色彩信息定位法[12]。我国车牌主要由四种类型组成:蓝底白字、黄底 黑字、白底红字和黑底白字。根据车牌底色信息可以准确地定位出车牌的边界。该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。 2) 基于边缘检测的定位法[13]。 车牌字符区域灰度频率变化是车牌区域最稳定的特 征，可以利用它的变化来进行车牌定位。首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。 3) 基于车牌几何特征车定位法[14]。我国车牌标准外轮廓尺寸为440*140且为矩形， 整个车牌的宽高比近似为3: 1。利用这种固有特征进行车牌边框提取车牌。这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。 4) 基于频谱分析的车牌定位法[15]。该类方法将图像从空间域变换到频率域进行分析， 如DFT变换法和采用小波变换法等。小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。而在高分辨率层次上实现车牌区域的准确定位。但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性
b.论文 目 录
一．课程设计目的……………………………………………3 二．设计原理…………………………………………………3 三．详细设计步骤……………………………………………3 四. 设计结果及分析…………………………………………18
