车牌定位算法研究分析

华显立 连晗

【摘要】 车牌识别系统是智能交通系统的重要环节，车牌定位是车牌识别的前提和关键。车牌定位的准确率直接影响到后续字符识别效果，对车牌识别率的高低有重大影响。分析现有的车牌定位算法，比较不同算法的处理效果及其定位精确度等问题。

【关键词】 车牌识别 车牌定位 字符识别

一、引言

随着我国科学技术和交通现代化的快速发展，智能交通系统（ ITS）的研究越来越受到重视。车牌识别（LPR）作为智能交通系统的重要环节，主要是利用通信技术、图像处理、模式识别或人工智能等技术，在无人干预的情况下实现车牌的自动识别。车牌识别系统主要由图像采集、预处理、车牌定位、车牌字符分割和车牌字符识别等步骤组成。从车牌识别系统可以看出，车牌定位是车牌识别的前提和难点，车牌定位的准确率直接影响到后续处理和字符识别效果，对识别率的高低有重大影响。本文主要对几种典型的车牌定位算法进行分析。

二、基于边缘检测的车牌定位算法

“边缘”是指像素的灰度值有阶跃变化的像素集合，“边缘检测”是图像处理和计算机视觉中进行特征提取研究的基本问题。目的是标识数字图像中亮度变化明显的点，最终精确定位出边缘，同时抑制噪声。边缘检测主要采用合适的边缘算子作用于图像，通过特定算法提取出边缘像素点，边缘检测的关键是寻找合适的算子进行边界分析。研究者将一些检测效果较好的检测算子应用于车牌定位：（1）Roberts算子，利用局部差分算子寻找边缘，采用2×2邻域的对角方向两像素之差近似作为梯度幅值检测边缘。任一对角方向上的差分都可用来估计梯度值。检测垂直边缘的效果好于斜向边缘，定位精度高；但对噪声敏感，无法抑制噪声的影响。（2）Prewitt算子，利用梯度算子来计算原始图像在横向x和纵向y上的灰度变化率。按照所选的检测方向（水平、垂直或双向）进行检测，计算前先设定阈值，低于该阈值的像素值将被忽略。Prewitt算子计算比较简单，能平滑噪声，但定位精度不够高，可能产生伪边缘。（3）Sobel算子，该算子包含横向和纵向共两个3x3矩阵，将之分别与图像作卷积。该算子对噪声有一定的抑制作用，但得到的边缘宽度至少有两个像素。

三、基于数学形态学的车牌定位算法

数学形态学主要由腐蚀、膨胀、开运算和闭运算四个基本运算组成。腐蚀是对图像内部作处理，可消除图像的细小部分和孤立的噪声点；膨胀是对图像外部作处理，能补全图像中的小孔等，形成连通区域。对车牌图像进行膨胀后可将车牌照的字符区域连成一片。但这种定位算法不能确定车牌边界的准确位置，也可能会得到符合设定特征的多个定位区域（伪区域）。要求图片背景也应该是比较简单的，背景越复杂，处理干扰噪声的效果就越差，速度和准确性也会受到影响。因此这种定位方法常常和其他定位方法一起运用。例如基于数学形态学和边缘特征的车牌定位方法，先进行预处理，然后根据车牌整体特征采用腐蚀和闭合运算初步确定车牌位置，最后利用字符边缘的微观特征进一步精确定位车牌位置，提高了车牌定位的速度和准确度。

四、基于方向纹理特征的车牌定位算法

车牌区域有显著的纹理特征：字符比较集中，字符间有固定的间隔，字符串的边界密集，水平方向的灰度梯度变化较大。因此，可以利用这一特征来确定车牌区域的行或竖线段。先将灰度图像转化成二值图像；然后采用行扫描来统计车牌区域中的直线段，并记录其起始坐标；预设一阈值，若连续多行中的线段的个数大于阈值，就视这个区域为候选区域。同样的方法再进行垂直扫描，最终确定候选车牌区域。这种方法查找速度快，但车辆图像中可能存在与车牌区域特征相似的背景，定位区域可能不是唯一的，会产生多个候选区。此时，需要借助其他方法来最终确定惟一的车牌区域。

五、结语

车牌定位是车牌识别的前提，也是影响后续处理和识别效果的关键因素。本文研究分析了现有的车牌定位算法，比较了不同算法对噪声的敏感度、处理效果及其定位精确度等问题，分析发现采用两种或多种算法相结合的综合方法能显著提高定位的准确率。近年来，研究者逐渐探索将小波变换和神经网络等新方法应用于是车牌定位，取得了一定的效果。随着交通车辆快速增长，复杂背景下的车牌识别的高准确率、低拒识率对车牌定位算法提出了更高的要求和更严峻的挑战，已成为车牌定位的主要研究方向。

参考文献

[1]李波， 曾致远，付祥胜.基于数学形态学和边缘特征的车牌定位算法[J].电视技术，2005（07）：95-96

[2]马永力，夏秋华.基于数学形态学的车牌精定位算法的研究[J].微计算机信息，2008（01），227-228

[3]李佩斌，石景波.基于纹理特征和彩色特征的车牌定位算法[J].交通与计算机，2006，（4）：80-82