资源描述：
复杂背景下的快速车牌识别技术研究车牌定位算法分析1.基于灰度图像的车牌定位方法1.1基于边缘检测的车牌定位方法1.1.1通过字符边缘特征定位首先利用边缘检测算子提取车牌字符边缘,再对字符边缘进行形态学连接,获得车牌候选区域,然后采用投影方法去除伪车牌。优点：有效地去除非边缘噪声,可以快速定位含有多个车牌的图像;缺点：难以去除边缘密集的伪车牌,而且无法定位污染严重的车牌图像。1.1.2通过检测车牌的外边框定位首先利用边缘检测算法提取车牌边框位置,然后用Hough变换算法检测直线,确认外边框的上下左右四条边位置就确定了车牌在图像中的位|置。1.2基于纹理特征的车牌定位方法利用车牌区域的灰度跳变特征,对图像进行水平方向的扫描,找到灰度变化满足车牌区域灰度变化规律的车牌线段,对已经找到的可能存在车牌的区域进行垂直方向的扫描,找到连续若干行均存在车牌线段,通过对连通区域的尺寸分析,满足车牌的宽高比,由此确定一个车牌区域。缺点：灰化和二值化的阙值问题，倾斜车牌定位问题1.3基于投影法的车牌定位方法首先对车牌图像进行二值化,由于车牌区域存在明显的剧烈的字符与背景的灰度跳变,将跳变次数投影到垂直轴上,那么车牌区域对应的垂直轴上会有一个明显的峰值,这样可以得到车牌的上下边界。|然后对上下边界内的区域进行水平投影,字符区域会出现明显的峰值,这样可以得到车牌的左右边界。缺点：无法准确定位复杂环境下的车牌2.基于彩色图像的车牌定位方法首先利用彩色边缘检测算子Color-Prewitt检测字符边缘,并用数学形态学方法连接各个边缘,最后利用车牌的先验知识,确定车牌位置。缺点：车牌底色不同。受自然光照变化影响，车牌图像色度变化范围大
13.基于字符边缘特征的车牌定位方法3.1粗定位釆用简单方法的车牌粗定位方法获取边缘密集的车牌候选区域,再采用复杂方法的车牌定位去除伪车牌区域。3.1.1灰度变换把需要处理的RGB图像|转换为YUV（视频数据）图像中的Y分量灰度图像。转换公式:Y=0.299*R+0.587*G+0.114*53.1.2边缘检测（1）梯度算子梯度算子是一阶导数算子，图像的梯度是邻域灰度值的差分，图像中灰度值变化剧烈处的梯度值较大,图像中灰度值变化轻微处的梯度值较小。表1梯度算子（2）拉普拉斯(Laplacian)算子拉普拉斯边缘检测算子是二阶导数算子，通过邻域内各个点的灰度值的差分来实现。该算子无法提供边缘方向,是一个与边缘方向无关的边缘算子,这在一定程度上可以有效地检测出全部图像边缘,但其缺点是对图像噪声比较敏感。两个模板：
2|（3）Canny算子Canny算子是先平滑再求导的边缘检测方法，它利用高阈值和低阈值分别检测图像中的强边缘和弱边缘,以强边缘为基础,搜索和连接附近的弱边缘,而且由于它在边缘检测之前进行了高斯滤波,因此Canny算子不但可以检测出丰富的边缘细节,又可以有效地减少噪声的干扰。原理：1.用高斯滤波器平滑图像高斯平滑函数：(3.1)(3.2)2.用一阶差分来计算梯度的幅值和方向选择对噪声有抑制作用的Sobel算子:(3.3)(3.4)梯度横幅：（3.5）梯度方向：（3.6）3.对梯度幅值进行“非极大值抑制”非极大值抑制是指在梯度方向上只保|留梯度幅值为极大值的点,抑制所有非极大值的点。
3将梯度角的变化范围缩小到只有四个方向,标号0到3。对梯度图像的每个像素点使用一个3x3的模板,将模板的中心像素X的梯度值与沿着梯度方向的两个相邻像素的梯度值比较,如果X的梯度值均小于沿梯度方向的两个像素的梯度值,则将X处的灰度值置零。对梯度图像进行“非极大值抑制”处理后,检测到的边缘只有一个像素的宽度。4.双阈值检测和边缘连接利用高阈值T1对梯度图像进行二值化,得到强边缘二值图像Edgelmgl;利用低阈值T2对梯度图像进行二值化,得到弱边缘二值图像Edgelmg2。3.1.3水平|跳变检测边缘密集区域通过输入车牌宽度范围，记最小车牌宽度为minPlateWidth,最大车牌宽度为maxPlateWidth。由最小车牌宽度可以计算出最小字符间距,表示字符边缘的最小距离要求。对二值边缘图的每一行进行扫描,将同时满足边缘间距和边缘跳变的边缘点连接起来。这样可以快速检测出车牌可能存在的区域3.1.4连通域分析获得车牌候选区域获得连通域的最小外接矩形，提取车牌的轮廓。通过去除Blob内部点的方式来得到轮廓。Blob内部点通常满足3x3的邻域内都含有白点。(1)车牌候选区域对应外接矩形的宽度Width:MinPlate|Width/21(3.9)3.2精细定位3.2.1自适应灰度拉伸
4根据原图象的对比度进行自适应灰度拉伸,如果图像已经有合适的对比度,则可进一步增加其对比度;如果图像的对比度非常差,则图像的拉伸范围不宜设置过大,以免造成拉伸过度。灰度拉伸公式：（3.10）（3.11）（3.12|）注：c(i)为图像的累积直方图根据(b-a)的取值,设置拉伸区域范围：（3.13）（3.14）（3.15）q根据动态范围p进行自适应设置（3.16）3.2.2Sobel垂直边缘检测3.2.3自适应二值化(1)全局阈值法全局阈值法是指二值化过程中只使用一个全局阈值T的方法若像素灰度值大于阈值T,则将像素灰度值设为前景色(白色);否则,设为背景色(黑色),以此实现灰度图像到二值图像的转变。1.双峰法利用灰度直方图，图包含两个波峰,这两个峰分别对应前景和背景数目较多的像素点,双峰之间的波谷对应前景和背景的分界点,双峰法便是利用这种直方|图中求出分离前景和背景的二值化阈值。2.迭代法
5I、求出图像的最大灰度值和最小灰度值,分别记为和，则得到的初始阈值为:（3.17）II、将图像中大于阈值的部分设为前景,小于阈
