An-Improved-License-Plate-Location-Method-Based-On-Edge(翻译).docx

一种改进的基于边缘检测的车牌定位方法摘要车牌定位作为车牌识别系统的关键环节之一，其定位精度直接影响到车牌识别的效果。在本文中，因为车牌图像是在不同的背景和光照条件下，提出了一种基于一种改进的Prewitt算子的车牌定位方法。首先，用改进的Prewitt算子对车牌图像进行预处理。然后，利用车牌的特征，采用水平投影和垂直投影的方法确定边缘位置的上下边缘，从而实现车辆牌照的定位。实验结果表明，该算法定位精度高，定位速度快，具有很好的实用价值。关键词：车牌定位，边缘检测，投影，先验知识1、介绍车牌定位作为车牌识别系统的关键环节之一，其定位精度直接影响到车牌识别的效果。在实际应用中，由于图像背景牌照的复杂性、车型和色彩的多样性，以及由于不同天气条件等因素在不同光线下的变化，使得定位精度比较困难。在车牌定位中已经用到了一些不同的方法，如基于HSI颜色模型、基于车牌的纹理、基于边缘统计和形态学、基于神经网络的板块区域分割，基于霍夫变换，以数学形态学为基础的车牌定位方法。在本文中，因为车牌图像是在不同的背景和光照条件下，提出了一种基于一种改进的Prewitt算子的车牌定位方法。对提高Prewitt车牌图像的预处理操作然后，利用汽车牌照的特点，采用水平投影法和垂直投影法确定边缘位置的上下边缘，从而实现车辆牌照的定位。2、车牌定位该方法包括四个阶段：提出的方法，包括图像的预处理，图像灰度拉伸，通过八个模板的Prewitt算子边缘检测，基于水平和垂直投影的候选区域中提取车牌区域，定位准确的先验知识和纹理特征。该算法的流程图示意性地示于图1。车辆图像 图像预处理边缘检测 水平检测垂直检测 候选区域 车牌提取 2.1 车牌定位预处理a）灰色：实时抓拍车辆图像包含640×480 24位真彩色图，可转换为灰度图，一方面便于后续图像处理更快速，另一方面是处理多种颜色的车辆牌照统一使用。灰度采用当前标准的平均法，用G表示，灰度值为灰色后，R、G、b分别代表原来的真彩色图像的红、绿、蓝分量。因此：G=0.11*B+0.59*G+0.3*Rb）灰度拉伸：图像的对比度拉伸图像的边缘灰度化更突出，使许可证的笔画特征更明显，更有利于边缘检测的下一步 。在程序中可以动态地设置min、max，也可以体验实验集的值。然后进行灰度图像边缘检测后的对比拉伸。 2.2边缘处理算法（一）Prewitt算子Prewitt算子如图所示，两卷积的形成。在处理过程中，每个图像点是用这两个核卷积进行的，核反应的垂直边通常是最大的，另一个在最大边缘响应的水平上。两个卷积作为输出位点。其结果是计算图像的边缘范围。图4是模板，在图系数的模板中，表示中心元素的中点。Prewitt算子使用像素从上到下，左、右旁分灰色，在极端边缘检测。它对噪声有平滑作用，但位置精度不够。Prewitt算子，基本失去了角落的信息，它是不同性。为了解决上述问题，提出了一种改进的Prewitt算子：八模板的Prewitt算子。 （二）八模板的Prewitt算子车辆图像中有许多边缘方向。除了水平方向和垂直方向之外，还有其他的边缘方向，如45°，35°，本文将考虑prewitt算子增加6个模板。算法的基本原理：由于图像边缘的亮度变化较大，所以可以将这些像素放在哪一个邻域内，在合适的阈值作为边缘点的灰度变化。算法的主要步骤：第一步：八个方向的模板在图像从一个点到另一个像素，和模板图像像素的中心和重合的像素位置；第二步：系数和模板图像对应的像素值乘以；第三步：把所有的产品，这两个最大的卷积，分配到图像像素的中心与模板相对应的，作为像素的新灰度值；第四步：取适当的阈值，然后是图像的像素边缘点。 图6列出的传统Prewitt算子和Prewitt算子的改进后车辆图像的操作。从图中，它表明，Prewitt算子的改进的检测算子，在更复杂的情况下的边缘特征优于传统Prewitt算子。2.3粗定位板对车辆图像进行预处理后，车牌区域在水平方向、垂直方向、纹理方向上进行预处理，信息比其他地区更丰富。灰度图像纹理特征的实现过程分为两步：横向位置和垂直定位。1）水平位置该图像是做水平投影操作，水平投影值PH定义如下：在上述方程中， hgraysum（i）意思是各像素点的i-rows的总和，宽度是图像中的列数，等于常数系数。的物理意义PH是垂直线的行投影中的平均位置，比某些特征值更高。对应于两个带状区域，是包括车牌在内的信息层。然后把它从原始图像分割出来。2）垂直位置经过一系列的水平定位操作，找到图像的水平，下一个位置到确定车牌的垂直方向包括车牌区域。垂直投