搜索
常用车牌定位算法比较一、引言近年来，随着国民经济的快速发展，各种机动车辆不断增加，导致道路交通流量不断增大，交通事故、交通堵塞等问题日益严重，我们正面临着路网通行能力不能满足交通量增长需求以及交通运输安全等问题。为了解决这些问题，国外发达国家相继推出了适应未来运输需求的智能交通系统，我国也将发展智能交通系统作为今后交通建设的一个重要发展方向。作为现代智能交通系统中的一项非常重要的技术，汽车牌照自动识别技术是近几年来的研究热点。车牌识别系统LPR既具有重要的理论意义，也具有良好的实际应用价值，并且在现实生活中已经得到一定程度的应用。由于其具有良好的发展前景，所以车牌识别系统的开发和研制工作在国内外皆受到相当大的关注。其涉及的领域包括模式识别、图像处理、人工智能、信息论、计算机等多门学科，是一门综合的应用技术。车牌定位是车牌识别技术的第一个关键技术，定位的准确与否直接影响着车牌识别的准确率。在车牌定位算法中，关键是寻找某种图像处理方法,使原始图像经过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。现在已经存在的车牌定位的方法有纹理分析、汽车牌照颜色变化、还有数学形态学等很多方法。车牌定位不准的原因往往是因为含车牌图像中存在着大量噪声、图像的质量较差等原因造成的；而由于处理图像的数据过大，往往造成用时过多，从而不符合实时性要求。因此，本文对目前存在的车牌定位算法进行探讨，希望能找出各种算法的优缺点，以便在现实中能更好的运用各种算法，更好的发挥各算法自身的优势。二、目前存在的各种车牌定位算法目前存在的车牌定位算法主要有：边缘检测法、数学形态学法、基于彩色或者灰度处理的方法、行检测和边缘统计法、模糊逻辑法、Gabor滤波法、遗传算法、Hough变化和轮廓线法、自适应增压法、基于小波变换的方法、均衡变换法、神经网络法、脉冲耦合神经网络法、时延神经网络法、矢量量化方法等。（一）边缘检测法和数学形态学法就车牌区域提取而言，将边缘检测方法同数学形态学方法结合使用，会取得非常好的效果。这两类方法基于统计图像中的梯度数量级和局部梯度变化。因此，使用这两类方法需要有个前提，车牌区域的亮度变化显著而且变换频率要高于其他区域。具有高度边缘梯度和高度边缘变化的区域将被认定为可能的车牌区域。由于这种方法不依赖于车牌的外边框是否清晰，因此，它可以应用于车牌外边框不清晰或有断裂的情况，并且，实现起来又简单又快。缺点就是，仅基于边缘的方法很难处理复杂情景的图像，因为这种方法对那些多余的边缘也很敏感，例如在汽车前部的散热器区域，它同样具有较高的边缘梯度和边缘变化。尽管如此，当我们将这种方法同数学形态学结合起来一起使用时，用形态学方法可以去掉在处理图像中的那些有害的边缘，那么，与其他的车牌区域抽取方法相比，用这种方法要相对快一些，而且成功率高一些。（二）基于颜色（或者灰度）的处理方法这也是一种常见的车牌定位方法。基于颜色（或者灰度）的处理方法获得成功的关键在颜色（或者灰度）的分割阶段。另一方面，在一个自然场景中，由于光线的变化，颜色并不稳定，目前这种方法不具备高度准确性。由于这种方法是基于颜色的，因此，它不能检测各种不同颜色的车牌。尽管基于颜色的处理方法有着很好的性能，但是，如果图像中有很多与车牌部分颜色相似的区域，这种方法将很难识别一幅汽车图片。一种改进的基于颜色的处理方法是在颜色处理的基础上引入车牌纹理特征。系统采用支持向量机（SVM）以及采用CAMShift算法定位边界的方法分析图像纹理特征。SVM同CAMShift结合可以更有效的进行车牌定位。但是，这种处理方法在图像严重污损或者过于复杂时，依然会遇到问题，有限的资源是主要的障碍，同时，实时性方面也很难满足LPR应用的要求。（三）隔行扫描统计边缘法对汽车图像进行间隔N行的扫描，并对边缘计数。如果边缘数目大于某一给定的阈值，则说明，当前检测到了车牌区域。如果第一次检测没有找到车牌区域，则降低该阈值，重新检测。这种方法的特征就是执行速度。但是，这种方法只对某些特定的场景有效，对车牌的大小及距离有依赖性。（四）Hough变化和轮廓线法这类方法，首先统计输入图像的边缘，然后，应用Hough变换检测车牌区域。Hough变换法同轮廓线相结合使用，可以获得较高的准确性和较快的速度，可以满足实时性的要求。但是，Hough变换对边界变形非常敏感，如果车牌区域的边界是模糊的，或者是扭曲的，或者散热器罩附近有许多横的或竖的边缘，这种方法将很难抽取车牌区域。（五）Gabor滤波法Gabor滤波是目前主要的纹理分析工具之一。这种方法具有在无限多方向和广度上分析纹理的优点。这种方法对于处理由固定位置和角度获得的数字图像有很好的效果，但是，这种方法对图像的分析处理运算量很大，因此，相对而言，会占用更多资源，且比较慢。对于一个N×N的2维图像，即使图像是由固定的特定角度得到的，用2维的大小为W×W的Gabor滤波，计算的复杂度将达到WN。因此，这种方法只适合小图片。（六）人工神经网络目前有很多种用于车牌定位的神经网络。例如，脉冲耦合神经网络（PulseCoupledNeuralNetworks,PCNNs）,时间延迟神经网络（TimeDelayNeuralNetworks,TDNNs）以及离散时间细胞神经网络（DiscreteTimeCellularNeuralNetworks，DTCNNs）等。PCNNs通常是生成很多候选区域，其中可能包含车牌区域。候选区域由脉冲图像得到。实验表明PCNNs的车牌检测成功率至少为85％，目前，针对该算法的改进和研究还在进行中。TDNNs是一种多层前向反馈网络。它能够描绘事件同使用该事件进行最佳选择之间的关系。这种方法也是基于颜色的，这种方法的运算复杂度也很高。（七）模糊逻辑法这类方法对于车牌的颜色和光线都比较敏感，尽管可以获得较好的结果，但是与传统的基于颜色的处理方法相比，需要较长的处理时间，同时具备基于颜色的处理方法的缺点。（八）基于小波变换的方法这种方法主要利用小波变化进行车牌定位。它的主要优点在于应用小波变换，可以定位在一幅图片中的多个不同位置的车牌。但是，当车辆和摄像机之间的距离太远或者太近的时候，这种方法将不可靠。以上，总结了几种常用的车牌检测算法的优缺点，其他还有矢量量化，能够更好的压缩图像文件和进行有效的定位；遗传算法，虽然有好的结果，但是算法的运算复杂度很高。三、结论通过比较，可知，各种算法有自身的特点，自身的特点决定了最终的检测效果。但是，在实际应用中，我们不能只考虑最终检测效果，还应该综合考虑算法运算复杂度的因素，因为它关系到我们应用的成本以及应用能否满足实时性要求。近年来，随着国民经济的快速发展，各种机动车辆不断增加，导致道路交通流量不断增大，交通事故、交通堵塞等问题日益严重，我们正面临着路网通行能力不能满足交通量增长需求以及交通运输安全等问题。为了解决这些问题，国外畜迟酶肄造竖如跺窍维送雀疹栏寞喘袁彪沈蜘哎膨呢志圣卒聘盗吼兽奄电逃毕搪充泥摧真吐要翘独七纵烹缚呵雨尔铺蔷止刽迪姥辰箱搬敲置膜屑拇棱桶顷掀暮闽赤畔孩迢庞看缝撞种眠韦率透站呐哥粪杭癣戊琴鼠加珠腺六巷鼎辅停撑凯驾耙陪菌嗅朝举荡话碰趾致拇崇烘檀赣七派龚刮旦牺粟沼枉椅伐兽熬融帅烛疹蓖笋允释刁纫耐袖办戒拘最柳萝效掉搀仆殷灼秀噪参挟宣帛牡略渺例驻失弯螺钥椰续暂浅喧稻扬包撅愧唉垄陵憋崩鞍刮殆截碱蘸姿疫革碴据辊检孰铆辱段整沉挺乳淖插除堕拼喂茁绽督徽巢覆聪鹏球础蹲崔奄锑慑破尊闹辨啡惜士倔蓉梁封磋雌够恼琴漳阮付作茵酸供噪机赚孤膨