小波分析和边缘检测在快速车牌定位中的应用

贺瑜飞

摘 要：为了使车牌定位更加快速和精确，文章对图像灰度化方面的原理进行了研究和分析，提出了一种适合我国车牌的灰度化方法，最后结合小波分析和边缘检测，来定位车牌。根据实验结果得出，此方法定位效果良好，能够快速识别车牌，定位率超过98.6%。

关键词：车牌定位 小波分析 Laplace变换 边缘检测

中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2014）04（c）-0088-02

车辆的图像信息是实时采集的，所以会有大量的噪声，以往的定位效果不太理想，小波变换能进行降噪处理。基于此，该文根据小波变换和边缘检测的一些比较好的特性，提出了基于Mallat算法和小波变换的定位方法，首先对图像进行了灰度转换、二值化，其次对车牌进行Mallat分解，达到准确定位，最后达到了很好的结果。

1 小波分析和Mallat算法在车牌定位中的研究

彩色图像以及和灰度图像是车牌定位的最好方法。彩色图像包含很多信息，所以本文采用基于灰度图像的小波分析和Mallat定位方法。

1.1 车辆图像的灰度化

利用常规灰度化的方法，给原像素的RGB值各自分别加权0.229，0.587和0.114，在一般情况下可以得到理想结果，由于我国车牌可能会出现红色字符，常规的方法对出现红色字符的灰度值过低，无法与背景区分。针对这些问题，该文在灰度化时，对权值进行了调整，兼顾了有红颜色字符的情况。对450张不同类型的车牌图像进行试验比较，设置新的RGB的权值分别为0.492，0.407，0.101，新的灰度化公式为：

1.2 二值化

本文采用Otsu算法进行二值化，其基本思想是对像素进行划分，使各类之间的距离达到最大来确定合适的阈值。设图像有L级灰度值，设灰度T为阈值，背景，目标的中心灰度分别用和来表示，整张图像的灰度用来替代，尽可能大时，分割出的目标中心灰度远离整张图像的中心灰度；尽可能大时，背景也远离图像中心灰度；最后使得和加权最大，即最大。

1.3 平滑处理

采用中值滤波对图像进行处理，先确定以某一像素为中心点的邻域，然后把邻域中的每个像素的灰度值进行排序，以中间的值作为中心点像素的一个新值，最后用中值滤波对图像进行平滑处理，所以中值滤波对与极限像素值远没有平均值敏感，能够去除孤立噪声点，还能让图像产生比较少的模糊，一维图像下中值滤波是含有奇数个像素的一个滑动窗口，大小排序后，把窗口中各点的灰度中间值代替原来指定点灰度值，其公式是：

其中，L是窗口长度，是取窗口中值。二维，取一个某形式二维窗口，把窗口内的像素重新排序，生成了单调的二维数据，和一维类似，二维中值滤波Gij为：

1.4 边缘检测与数学形态学处理图像

边缘主要存在于目标与目标、区域与区域、目标与背景之间，是图像分割和形状特征图像分等析的重要基础。通过大量的仿真实验，本节选取了Laplace算子，因为其具有旋转不变性。表达式为，在图像中用数字差分近似：

，Laplace算子模板

，图1是经过边缘检测后的效果图。

最后用数学形态学，对图像进行处理。endprint

摘 要：为了使车牌定位更加快速和精确，文章对图像灰度化方面的原理进行了研究和分析，提出了一种适合我国车牌的灰度化方法，最后结合小波分析和边缘检测，来定位车牌。根据实验结果得出，此方法定位效果良好，能够快速识别车牌，定位率超过98.6%。

关键词：车牌定位 小波分析 Laplace变换 边缘检测

中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2014）04（c）-0088-02

车辆的图像信息是实时采集的，所以会有大量的噪声，以往的定位效果不太理想，小波变换能进行降噪处理。基于此，该文根据小波变换和边缘检测的一些比较好的特性，提出了基于Mallat算法和小波变换的定位方法，首先对图像进行了灰度转换、二值化，其次对车牌进行Mallat分解，达到准确定位，最后达到了很好的结果。

1 小波分析和Mallat算法在车牌定位中的研究

彩色图像以及和灰度图像是车牌定位的最好方法。彩色图像包含很多信息，所以本文采用基于灰度图像的小波分析和Mallat定位方法。

1.1 车辆图像的灰度化

利用常规灰度化的方法，给原像素的RGB值各自分别加权0.229，0.587和0.114，在一般情况下可以得到理想结果，由于我国车牌可能会出现红色字符，常规的方法对出现红色字符的灰度值过低，无法与背景区分。针对这些问题，该文在灰度化时，对权值进行了调整，兼顾了有红颜色字符的情况。对450张不同类型的车牌图像进行试验比较，设置新的RGB的权值分别为0.492，0.407，0.101，新的灰度化公式为：

1.2 二值化

本文采用Otsu算法进行二值化，其基本思想是对像素进行划分，使各类之间的距离达到最大来确定合适的阈值。设图像有L级灰度值，设灰度T为阈值，背景，目标的中心灰度分别用和来表示，整张图像的灰度用来替代，尽可能大时，分割出的目标中心灰度远离整张图像的中心灰度；尽可能大时，背景也远离图像中心灰度；最后使得和加权最大，即最大。

1.3 平滑处理

采用中值滤波对图像进行处理，先确定以某一像素为中心点的邻域，然后把邻域中的每个像素的灰度值进行排序，以中间的值作为中心点像素的一个新值，最后用中值滤波对图像进行平滑处理，所以中值滤波对与极限像素值远没有平均值敏感，能够去除孤立噪声点，还能让图像产生比较少的模糊，一维图像下中值滤波是含有奇数个像素的一个滑动窗口，大小排序后，把窗口中各点的灰度中间值代替原来指定点灰度值，其公式是：

其中，L是窗口长度，是取窗口中值。二维，取一个某形式二维窗口，把窗口内的像素重新排序，生成了单调的二维数据，和一维类似，二维中值滤波Gij为：

1.4 边缘检测与数学形态学处理图像

边缘主要存在于目标与目标、区域与区域、目标与背景之间，是图像分割和形状特征图像分等析的重要基础。通过大量的仿真实验，本节选取了Laplace算子，因为其具有旋转不变性。表达式为，在图像中用数字差分近似：

，Laplace算子模板

，图1是经过边缘检测后的效果图。

最后用数学形态学，对图像进行处理。endprint

摘 要：为了使车牌定位更加快速和精确，文章对图像灰度化方面的原理进行了研究和分析，提出了一种适合我国车牌的灰度化方法，最后结合小波分析和边缘检测，来定位车牌。根据实验结果得出，此方法定位效果良好，能够快速识别车牌，定位率超过98.6%。

关键词：车牌定位 小波分析 Laplace变换 边缘检测

中图分类号：TP391.41 文献标识码：A 文章编号：1674-098X（2014）04（c）-0088-02

车辆的图像信息是实时采集的，所以会有大量的噪声，以往的定位效果不太理想，小波变换能进行降噪处理。基于此，该文根据小波变换和边缘检测的一些比较好的特性，提出了基于Mallat算法和小波变换的定位方法，首先对图像进行了灰度转换、二值化，其次对车牌进行Mallat分解，达到准确定位，最后达到了很好的结果。

1 小波分析和Mallat算法在车牌定位中的研究

彩色图像以及和灰度图像是车牌定位的最好方法。彩色图像包含很多信息，所以本文采用基于灰度图像的小波分析和Mallat定位方法。

1.1 车辆图像的灰度化

利用常规灰度化的方法，给原像素的RGB值各自分别加权0.229，0.587和0.114，在一般情况下可以得到理想结果，由于我国车牌可能会出现红色字符，常规的方法对出现红色字符的灰度值过低，无法与背景区分。针对这些问题，该文在灰度化时，对权值进行了调整，兼顾了有红颜色字符的情况。对450张不同类型的车牌图像进行试验比较，设置新的RGB的权值分别为0.492，0.407，0.101，新的灰度化公式为：

1.2 二值化

本文采用Otsu算法进行二值化，其基本思想是对像素进行划分，使各类之间的距离达到最大来确定合适的阈值。设图像有L级灰度值，设灰度T为阈值，背景，目标的中心灰度分别用和来表示，整张图像的灰度用来替代，尽可能大时，分割出的目标中心灰度远离整张图像的中心灰度；尽可能大时，背景也远离图像中心灰度；最后使得和加权最大，即最大。

1.3 平滑处理

采用中值滤波对图像进行处理，先确定以某一像素为中心点的邻域，然后把邻域中的每个像素的灰度值进行排序，以中间的值作为中心点像素的一个新值，最后用中值滤波对图像进行平滑处理，所以中值滤波对与极限像素值远没有平均值敏感，能够去除孤立噪声点，还能让图像产生比较少的模糊，一维图像下中值滤波是含有奇数个像素的一个滑动窗口，大小排序后，把窗口中各点的灰度中间值代替原来指定点灰度值，其公式是：

其中，L是窗口长度，是取窗口中值。二维，取一个某形式二维窗口，把窗口内的像素重新排序，生成了单调的二维数据，和一维类似，二维中值滤波Gij为：

1.4 边缘检测与数学形态学处理图像

边缘主要存在于目标与目标、区域与区域、目标与背景之间，是图像分割和形状特征图像分等析的重要基础。通过大量的仿真实验，本节选取了Laplace算子，因为其具有旋转不变性。表达式为，在图像中用数字差分近似：

，Laplace算子模板

，图1是经过边缘检测后的效果图。

最后用数学形态学，对图像进行处理。endprint