本发明专利技术提供的是一种基于小波变换和雷登变换的车牌提取方法，它首先把真色彩图像转换为灰度图像；其次计算原始图像的垂直梯度并且根据垂直梯度的水平投影曲线的小波变换结果进行车牌粗定位；对粗定位出的车牌进行水平雷登变换，定位并删除车牌的上下边框；对已经删除了上下边框的车牌进行垂直雷登变换，定位并删除车牌的左右边框；最后进行颜色归一化，得到了一个包含有可识别号码的无车牌边框的车牌。采用本发明专利技术的车牌提取方法，可以在普通环境中都能够有效、快速、准确地提取车牌，为车牌字符的准确识别奠定基础。
【技术实现步骤摘要】
本专利技术属于智能交通
，特别涉及车牌识别技术中的复杂背景中的车牌提取方法。
技术介绍
智能交通系统是目前世界交通运输领域的前沿研究课题，发达国家提出并执行了一系列研究计划，其核心是针对日益严重的交通需求和环境保护压力，采用信息技术、通信技术、计算机技术、控制技术等对传统交通运输系统进行深入的改造，以提高系统资源的使用效率、系统安全性，减少资源的消耗和环境污染，在此方面我国也不例外。智能交通系统中的车牌识别技术主要实现对行驶车辆牌照进行自动识别，从而完成自动收费，无人停车管理，重要路口的交通管制以及违章车辆的追踪等等功能，以此来节省了人力、资金，同时提高交通管理的效率。如今，随着计算机性能的提高和图像处理技术的发展，车牌识别系统已经日趋成熟。详见文献Da-Shan Gao，Jie Zhou，Car license plates detection from complexscene，Signal Processing Proceedings，5th International Conference，21-25 Aug.2000和文献Shyang-Lih Chang，Li-Shien Chen，YunChung Chung，Sei-Wan Chen，Automatic license platerecognition，Intelligent Transportation Systems，IEEE Transactions on，March 2004所述。在车牌识别系统中，车牌提取是一项关键技术，其目的就是从一幅复杂背景的数字图像中分割出车牌图像，要求具有较高的识别率和较强的环境适应性。但是由于车牌背景的复杂性与车牌特征的多样性，迄今为止，仍没有一个完全通用的智能化车牌定位方法。大多数定位方法局限于某个侧面问题的解决，如牌照的倾斜、光照的干扰、噪声的影响等，离实际应用尚有比较大的距离。因此，如何把现有的研究成果结合起来，同时考虑到现有设备的工作能力，使我们的车牌识别系统具有良好的性能和识别速度是我们当前研究的方向。详见文献Zhi-Bin Huang，Yan-Feng Guo，Classifier fusion-based vehicle license plate detectionalgorithm，Machine Learning and Cybernetics，2003 International Conference on，2-5 Nov.2003和文献Yoshimori，S.Mitsukura，Y.Fukumi，M.Akamatsu，N.Khosal，R.License plate detection system in rainydays，Computational Intelligence in Robotics and Automation.，16-20 July 2003。而基于小波变换和雷登变换(简称Radon变换)的车牌提取方法，有可能解决这个问题，因为车牌区域在整幅图像中的高频信息明显且集中，采用小波变换可以有效的提取并且突出这些高频信息，但此时被提取的车牌还包含有车牌边框，车牌边框的存在将会加大后续的车牌字符分割和识别的难度，为使后续的字符分割和识别处理的难度能在最大程度上降到最低，对采用小波变换后所定位出的车牌图像进行雷登变换，可以把车牌的四个边框定位出来，从而把四个边框删除，只留下可识别的字符区域，使得后续的字符分割和识别变得相对容易。其中，所谓的小波指的是基于一些称为小波的小型波，具有变化的频率和有限的持续时间，而小波变换即是指把这些小型波和待处理的信号进行一些数学运算。雷登变换是一种几何变换，对一幅图像的雷登变换的结果进行一系列数学判断便可检测图像中是否含有直线以及直线的位置。最后车牌指的是每辆车牌安装的用于标识车辆身份的号码，制作标准化，一般悬挂于车辆的前端或者后部。现在通常使用的车牌提取的方法有①基于车牌的彩色特征进行车牌提取方法。它是通过提取车牌的不同于其他区域的特殊彩色特征来区别车牌区域和背景区域，从而提取出车牌。优点是充分利用了图像的彩色信息；缺点是速度较慢，对于那些色彩非常丰富的图像可能失效。详见文献Zhu Wei-gang；Hou Guo-jiang；Jia Xing；A study of locating vehicle license plate based on colorfeature and mathematical morphology.Signal Processing，26-30 Aug.2002。②应用Hough变换进行车牌提取的方法。它是通过提取车牌边框的直线从而搜索到车牌位置的。其缺点是速度较慢，而且定位不准确，出现干扰区域多。详见文献K.M.Kim，B.J.Lee，K.Lyou.The automatic coefficient and Hough transform.Journal of Control，Automatic and System Engineering.3(5)511-519，1997. ③基于形态学算子的车牌提取方法。它是通过使用膨胀、腐蚀等操作对车牌的边缘特征进行增强，进而提取出车牌。其缺点是对那些边缘特征相对丰富的区域会找出相当多的干扰区域，从而影响车牌提取的效果。详见文献M.Shridhar，J.W.Miller.Recognition of license plate image，In Processings of International Conference on DocumentAnalysis and Recognition，17-20，1999. 车牌提取时上述三种方法都具备一个共同的特点这些方法都是针对一个特定的环境，且提取出的高频信息有限。一旦环境变化，其提取准确率就会发生较大的波动，使整个车牌识别系统的性能下降。因此缺乏对各种环境的适应性，方法鲁棒性不好。此处我们所说的环境指的是车牌原始图像采集的环境，不同的环境，比如说天气、时刻、车辆所处背景和车辆自身运动情况等等，采集的图像在分辨率和纹理特征等方面往往出现相当大的区别。高频信息指的是图像的局部细节特征，车牌区域的局部细节特征相对于其他区域更明显一些。
技术实现思路
本专利技术的任务是提供一种，采用本专利技术的方法，可以在普通环境中都能够有效、快速、准确地提取车牌，为车牌字符的准确识别奠定基础。所述的普通环境包括晴天、雨天，车牌水平、车牌倾斜，车辆静止、车辆运动，白天、夜晚等情况。为了方便描述本专利技术地内容，首先在此作一个术语定义1.车牌每辆车中安装的用于标识车辆身份的长方形号码牌，号码牌有上下左右四个边框，边框内包含有7个字符，有统一的制作标准，一般悬挂于车辆的前端或者后部，不同用途的车辆的车牌标准是不一样的。2.灰度图像图像中只包含了亮度信息而没有任何颜色信息的图像。3.灰度判断一种判断当前所读取的图像是否属于真彩色图像的图像处理手段，此处专指对所拍摄到的车辆图像进行判断，判断依据为分析车辆图像矩阵的结构，若车辆图像矩阵包含三基色分量，则当前所读取得车辆图像属于真彩色图像，如若不然，则为灰度图像。4.灰度转换一种把彩色图像转本文档来自技高网...
【技术保护点】
一种基于小波分析和雷登变换的车牌提取方法，其特征是它包含下列步骤： 步骤１．将摄像装置安装于公路路口，收费站或者停车场的适当位置，在车辆进入摄像范围内后进行图像采集，得到含有车牌图像的原始图像； 步骤２对步骤１中所得到的车辆原始图像进行灰度判断，若所拍摄到的车辆原始图像为灰度图图像，则不进行处理；若所拍摄到的车辆原始图像为真彩色图像，则对车辆原始图像进行灰度转换，得到一幅包含车牌的灰度图像；具体方法为采用公式ｆ（ｉ，ｊ）＝０．１１４＊Ｉ（ｉ，ｊ，１）＋０．５８７＊Ｉ（ｉ，ｊ，２）＋０．２９９＊Ｉ（ｉ，ｊ，３）进行转换，其中ｉ表示图像的行位置，ｊ表示图像的列位置，ｆ（ｉ，ｊ）表示转换后的灰度图像中第ｉ行第ｊ列的象素的灰度值，＊是乘法运算符号，Ｉ（ｉ，ｊ，１），Ｉ（ｉ，ｊ，２）和Ｉ（ｉ，ｊ，３）分别表示彩色图像中第ｉ行第ｊ列的象素的Ｒ，Ｇ，Ｂ分量的值； 步骤３．对步骤２中所得到的灰度图像进行垂直梯度计算，得到一个包含有车牌的车辆灰度图像的垂直灰度梯度图；具体方法为采用公式ｇ↓［Ｖ］（ｉ，ｊ）＝｜ｆ（ｉ，ｊ＋１）－ｆ（ｉ，ｊ）｜进行垂直梯度计算，其中ｉ表示图像的行坐标值，ｊ表示图像的列坐标值，ｆ（ｉ，ｊ）表示第ｉ行第ｊ列的象素的灰度值，ｆ（ｉ，ｊ＋１）表示第ｉ行第ｊ＋１列的象素的灰度值，ｇ↓［Ｖ］（ｉ，ｊ）表示第ｉ行第ｊ列的的垂直梯度值； 步骤４．对步骤３中所得到的垂直灰度梯度图进行梯度水平投影，得到一个粗糙的梯度水平投影曲线；梯度水平投影的计算公式为Ｔ↓［Ｈ］（ｉ）＝＊ｇ↓［Ｖ］（ｉ，ｊ），其中ｇ↓［Ｖ］（ｉ，ｊ）表示第ｉ行第ｊ列的垂直梯度值，ｎ表示垂直梯度图像矩阵的总列数，Ｔ↓［Ｈ］（ｉ）为第ｉ行的投影值； 步骤５对步骤４中所得到的粗糙的梯度水平投影曲线进行高斯滤波，得到一个平滑的梯度水平投影曲线；滤波方法为采用公式 Ｔ′↓［Ｈ］（ｉ）＝１／ｋ｛Ｔ↓［Ｈ］（ｉ）＋＊［Ｔ↓［Ｈ］（ｉ－ｊ）ｈ（ｊ，σ）＋Ｔ↓［Ｈ］（ｉ＋ｊ）ｈ（ｊ，σ）］｝进行滤波；其中Ｔ′↓［Ｈ］（ｉ）是滤波后的梯度水平投影值，ｉ的变化范围为从１到ｎ，ｎ代表车辆图像的高度；ｗ表示了平滑区域的宽度大小，此处取８；ｈ（ｊ，σ）＝ｅｘｐ（－ｊ↑［２］／２σ↑［２］）是高斯函数， ｋ＝２＊ｈ（ｊ，σ）＋１，σ表示灰度图像的均方差；Ｔ↓［Ｈ］（ｉ）表示第ｉ个梯度水平投影值，Ｔ↓［Ｈ］（ｉ－ｊ）表示第（ｉ－ｊ）个的梯度...
【技术特征摘要】
【专利技术属性】
技术研发人员：马争，杨京忠，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90[中国|成都]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。