数字图像处理在车牌识别中的应用

数字图像处理在车牌识别中的应用

1. 前言

自从1886年世界上第一台汽油动力汽车问世以来，它已经发展了100多年. 在此期间，汽车的形状从简单变成了华丽，功能从单一变成了完整，操作从复杂变成了简单，等等.

尤其是近年来，随着社会经济的飞速发展，人民生活水平的不断提高和提高，技术的不断创新，汽车已成为人们最常用的交通工具. 出行非常方便. 同时，汽车数量的快速增长，不仅给公路带来沉重的交通压力，也给汽车管理带来了巨大的困难和挑战.

为了提高车辆管理的效率，我国在借鉴了其他国家的车辆管理方法后，于1994年开始实施车牌管理系统. 该系统明确规定，每辆进入道路的汽车都必须有一个唯一的车牌号. 有了完整的监控和安全系统，交警可以使用车牌来确定汽车的身份，从而惩罚违反交通法规的驾驶员.

但是，对于通过监视收集的海量数据，仅依靠传统的人工识别很难满足开发需求，并且人工识别车牌还具有投资大，效率低的缺点. 因此，如何实现车牌的智能，准确，高效识别是当务之急.

结合我国的车牌管理制度和实际情况，车牌识别的难点主要分为自身因素和环境因素:

首先，我国的汽车牌照本身具有更复杂的功能. 大概有很多颜色的车牌

有四种类型: 蓝色背景上的白色，背景上的黑色，白色背景上的黑色和黑色背景上的白色. 车牌的内容主要由汉字，字母和数字三部分组成，因此其复杂性高且难以识别. 另外，恶劣天气的影响，例如外部光线强度，烟雾和雨水的差异，使所收集的图像不清楚. 这些因素也增加了车牌识别的难度.

一般来说，车牌识别过程主要分为车牌定位，字符分割和字符识别[1]. 由于我们通常得到的图片种类繁多，我们需要通过车牌定位提取车牌信息的矩形区域，并删除其他有价值的信息以方便后续处理. 字符分割是将通过定位获得的车牌信息分割为单个字符[2]. 字符识别是通过某种方法将拆分后获得的单个字符信息转换为准确的文本字符.

车牌识别技术起源于上世纪末开始的智能交通革命. 如今，车牌识别技术已经变得越来越成熟，并已开始广泛应用于交通，公共安全，道路管理，停车场，安全，访问控制，智能社区应用等许多领域. 下面我将简要介绍当前常用的车牌识别方法，以及在数字图像处理中所起的重要作用，并分析其各自的优缺点，并尝试通过比较找到一种更合适的车牌识别方法.

2. 的发展

近年来，智能车牌识别技术发展迅速，出现了许多车牌识别方法，但根据其识别基础，它们可分为间接方法和直接方法[3]. ]. 间接方法基于IC卡或条形码识别，而直接方法基于车牌识别的图像处理[4].

IC卡本质上是集成电路卡. 它是继磁卡之后的新信息载体. 它通过卡内的集成电路存储信息. 它用于身份认证，公共交通，银行等场合. . 因此，可以将车牌信息存储在IC卡中，然后通过安装在汽车上的微型电子信号设备与高速公路，收费站，停车场和其他地方的监视设备进行通信. 该方法具有信息安全数字图像处理 图像识别，精度高，操作可靠等优点，但设备成本高，硬件复杂，难以推广.

在确保高精度和可靠性的同时，条形码弥补了IC卡在成本方面的不足. 目前，它已被用于标记物品的制造商，产品名称，生产日期，书籍的分类号等，但是条形码对扫描仪有很高的要求. 因此，该方法不适用于车牌识别.

目前，最广泛使用的车牌识别方法无疑是基于数字图像处理的直接方法. 一个完整的车牌识别系统主要包括图像采集，图像预处理，车牌定位，字符分割，字符识别，结果输出和其他单元[5].

图像收集通常是通过安装在交叉路口，收费站，停车场等公共场所的完成的.

它可以通过网络和其他渠道将收集的图片信息传输到计算机，以进行下一步分析和处理.

首先，确保计算机接收到的图片通常是彩色的. 彩片包含许多与车牌位置无关的信息，并且具有存储量大和数据处理复杂的缺点. 与与颜色相反的灰度图像相比，每个像素仅需要存储一个灰度值，范围从0到255 [6]. 具有存储量小，数据处理方便的优点. 因此，非常有必要对获得的图片进行灰度处理，这可以帮助我们去除一些无用的信息. 彩像的灰度处理通常使用四种方法: 分量法，最大值法，平均值法和加权平均值法[7].

此外，当捕获或传输图像时，由于随机信号的干扰会产生图像噪声. 噪声通常表示为较大或较小的极值. 这些极值通过相加和相减作用于图像像素的真实灰度值，从而导致图像上的亮点和暗点发生干扰，降低了图像的质量并影响了后续的图像定位和操作步骤[8]承认. 因此，需要对图像进行滤波，并且可以使用均值滤波或中值滤波. 前者对高斯噪声的抑制效果更好，后者对去除“盐和胡椒”噪声的效果更好.

除了彩像的灰度和滤波外，图像的预处理还可以是直方图均衡化，二值化，膨胀和腐蚀等，我们可以根据实际需要选择预处理方案.

车牌定位是车牌识别系统中最关键的步骤. 定位的准确性将直接影响后处理的质量[9]. 常用的车牌定位方法有很多，例如: 基于小波变换的车牌定位方法，灰度二值化后车牌区域跳频高的方法，基于边缘检测的车牌定位方法，车牌一种基于数学形态学的钢板定位方法.

小波变换的基本思想是通过缩放，平移和其他操作将原始信号分解为具有不同分辨率，频率特性和方向特性的子信号. 因此，它在时域和频域具有良好的局部特性. 边缘检测使用的功能是，对象的灰度会在边缘处急剧变化，以检测图像的边缘，例如: Roberts边缘算子，Sobel算子，Laplace边缘检测等. 如何选择正确的算子取决于环境和要求之间的差异. 数学形态学的定位方法主要是与其他方法结合使用，以提高车牌定位的速度和准确性.

成功找到车牌后，需要对字符进行分段. 传统的字符分割算法可分为以下三类: 直接分割，基于识别的分割和自适应分割聚类[10].

直接分割方法的操作相对简单，但是分割点的精度较高. 基于识别的分割方法要求识别的高精度. 聚类分析切割是基于相同字符的像素形成一个连通域的原理，结合车牌字符的固定高度，间距，比例等关系，可以较好地解决复杂背景条件下的字符切割问题. 降低车牌数量，降低对车牌定位精度的要求[11].

使用连接域和投影的组合来分割定位的车牌图像更为合适. 如果每个连接域的高度和宽度与车牌字符区域的高度和宽度基本相同，则会有很大的差异. 这时，您可以进一步执行垂直投影，这可以极大地帮助根据预计的波谷和波峰[12].

最后数字图像处理 图像识别，识别分割的字符. 字符识别的基本思想是匹配判断. 首先提取要识别的字符特征，然后将其与预先存储在计算机中的标准字符特征进行比较，然后选择最接近的标准字符作为输出结果. 一般来说，字符识别的主要方法是: 字符的神经网络分类和识别，轮廓匹配，投影序列特征匹配以及基于Hausdorff距离的模板匹配[13].

在许多方法中，模板匹配相对简单. 只要将标准字符模板预先存储在计算机中，然后在需要时调用和判断[14]. 基于神经网络原理的字符识别相对抽象. 它使用CCD相机捕获图像. 设计并实现了一种新的硬件电路，以预测视频信号并处理高速数据收集. 提出了一种简单快速的字符分割，字符归一化和特征提取算法，该算法可以有效地从由粘在一起的字符组成的字符串中提取单个字符模式. 具有速度快，学习能力强的优点.

3. 结论

现在，车牌识别系统无处不在. 它已被广泛应用于交通管理，车辆定位，汽车防盗，停车场收费等场合. 常用的方法包括基于数字图像处理的车牌识别，基于模式识别的图像处理以及基于Simulink的车牌识别仿真. 但是，在识别过程中，车牌本身的复杂特性，人为因素和恶劣的天气条件都会影响车牌识别的准确性. 我相信，将来将会有更多更好的解决方案来弥补当前的不足，数字图像处理技术将在更广阔的领域中得到应用.

参考

[1]宋晨光，叶海健. 基于数字形态学的车牌字符分割算法[J]. 光电技术与信息，2005，（6）: 58-62

[2]郑星. 基于C#的车牌识别系统的设计与实现[D]. 大连理工大学，2014

[3]江涛. 基于模式识别的图像处理及其在车牌识别中的应用[D]. 合肥工业大学，2002

[4]李志飞，胡萍. 小波技术在车牌识别中的应用[J]. 黑龙江交通科技，2006，（5）: 76-77

[5]王刚，季小平. 基于MATLAB的车牌识别系统研究[J]. 电子设计工程，2009，（11）: 72-73

[6]姜柏俊，钟明霞. 改进的直方图均衡算法在图像增强中的应用[J]. 雷射与红外线，2014，（6）: 702-706

[7]吴磊，王小飞，李艳. 基于颜色定位和边缘检测的车牌定位方法[J]. 计算机知识与技术，2016，（32）: 184-186

[8]赵永华. 一种基于二值图像的可配置尺寸测量系统的设计与实现[D]. 东南大学，2012

[9]纪国良. 基于Android平台的车牌识别系统的研究与实现[D]. 中南大学，2013

[10]姜勇. 军车车牌识别系统的开发[D]. 东北大学，2006

[11]张小松. 基于序列图像的车牌自动识别研究[D]. 中南大学，2007

[12]陈学宝. 车牌字符识别算法研究[D]. 重庆大学，2013

[13]常庆利. 基于模板匹配和神经网络的车牌字符识别算法研究[D]. 重庆邮电大学，2013

[14]潘勇，赵家乐，徐志刚等. 关键词: 车牌，光照，纹理特征公路交通科技，2015，（7）: 140-148

请参考整套现成的材料以用于毕业设计论文

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/jisuanjixue/article-231571-1.html