车牌定位算法技术

车牌定位方法的出发点是使用车牌区域的特征来确定车牌并从整个车辆图像中分割车牌区域。

车牌本身具有许多不同国家不同的固有特征。

从人类视觉的角度来看，中国车牌具有以下可用于定位的特点：（1）车牌背景颜色一般不同于车身颜色和人物颜色; （2）牌照由于磨损而具有连续或不连续的框架。

（3）牌照中有多个字符，它们以水平排列排列。

车牌的矩形区域边缘丰富，呈现出规则的纹理特征; （4）牌照中的字符间距相对均匀，并提供牌照的字符和底部。

灰度值大幅度跳跃，车牌本身和车牌底部灰度相对均匀; （5）不同图像中车牌的具体尺寸和位置不确定，但纵横比是恒定的。

在变化范围内，有1个最大值和1个最小值。

所有上述特征都是概念性的，并且这些特征并不仅仅是车牌图像所特有的，但它们可以组合起来以唯一地确定车牌。

在这些功能中，颜色，形状和位置特征是最直观和易于提取的。

纹理特征是抽象的，必须处理或转换为其他特征才能获得相应的特征指标。

通常，字符内容特征需要至少被字符划分或识别，以成为可用的特征。

通常，它仅用于判断车牌识别是否正确。

所谓的“边缘”是指边缘。

“像素”是指像素灰度级具有阶跃变化的那些像素的集合。

“边缘”的两侧是“边缘”。

属于两个区域，每个区域的灰度均匀，两个区域的灰度级在特征上有一定的差异。

边缘检测的任务是精确定位边缘并抑制噪声。

有几种检测方法，如Roberts边缘算子，Prewitt算子，Sobel算子和拉普拉斯边缘检测。

这些方法使用灰度级在对象边缘急剧变化的特征来检测图像的边缘。

每个操作员对不同边缘类型的敏感度不同，效果也不同。

经过大量的实验分析，Roberts边缘算子是一个运算符，它使用局部方差算子找到边缘，定位更准确; Prewitt算子和Sobel算子具有一定的抑制噪声的能力，但不能完全排除伪边缘。

拉普拉斯算子是一个二阶微分算子，它是准确的，并且对图像中的阶梯边缘点具有旋转不变性，但它很容易。

边缘的一部分的方向信息丢失，并且抗噪声性差。

对于不同的环境和要求，选择合适的操作符对图像执行边缘检测以获得良好的结果。

具体定位过程如图1所示。

基于颜色分割的车牌定位方法由颜色分割和目标定位等模块组成。

多层感知器网络用于分割彩色图像，然后通过投影分割潜在的牌照区域。

神经网络模型用于颜色分割。

一般图像使用RGB三原色，但RGB三原色中两点的欧几里德距离与颜色距离不成线性比例。

为了更好的颜色分割，将RGB模式彩色图像转换为HSI模式，即色调，饱和度和亮度，然后调整输出图像的饱和度。

为了减少计算量，稀释彩色图像然后转换模式。

同时，为了减少照明条件对图像分割的影响，采用对数方法进行色彩饱和度调整。

然后，通过颜色神经网络对转换后的彩色图像的彩色图像进行分割。

最后，根据车牌背景颜色和纵横比的先验知识，通过投影方法对合理的车牌区域进行分割。

当获取的彩色图像的质量高时，特别是当牌照区域的颜色与附近的颜色显着不同时，准确率将降低。

定位算法具有较高的正确率，但由于神经网络计算方法，当区域颜色与附近颜色相似时，计算速度较慢。

具体的定位过程如图2所示。