数字图像处理综合实验 案例三

1. 数字图像处理综合实验案例三 汽车牌照识别

2. 本章要点 • 研究背景及意义 • 车牌图像预处理 • 二值化 • 去噪 • 车牌定位 • 车牌字符分割 • 车牌字符识别

3. 研究背景 随着汽车数量的逐年递增，人们运用先进的科学技术，开发出各种交通道路监视、管理系统，这些系统一般都包括车辆检测装置。通过这些装置对过往的车辆实施检测，提取相关交通数据，用于达到监控、管理和指挥交通的目的。

4. 车牌识别应用 车牌识别:是现代交通管理的重要措施，是智能交通系统的重要环节。应用于闯红灯抓拍、超速行驶违章抓拍、车辆旅行时间统计、高速公路车辆管理等. 目前已成为“平安城市”建设中重要的组成部分，得到了广泛的应用。

5. 主要应用领域

6. 车牌识别技术简介 • 车牌自动识别系统：图像釆集、图像处理、模式识别等模块组成。 • 图像捕获一般采用CCD摄像头，包括整车图像或牌照(一般为彩色图像)。 • 理论基础：数字图像处理和模式识别。 • 车牌识别技术具有典型性，容易推广到其它识别对象。

7. 车牌识别系统设计 车牌识别系统的主要构成： • 车牌图像的预处理 • 车牌定位 • 车牌字符分割 • 车牌字符识别

8. 车牌识别系统设计

9. 车牌图像预处理 车牌图像预处理 • 汽车牌照图像的预处理：包括二值化和去噪两部分。 • 图像二值化：应用领域非常广泛，成为处理过程中的一个基本手段。 • 二值化阈值几种常用选取方法：双峰{2一Mode}法 ，P参数法， Otsu法，迭代法等。

10. 二值化阈值 1.双峰{2一Mode}方法 选择双峰之间的波谷所代表的灰度值T作为阈值，即可实现两个区域的分割。

11. 二值化阈值 二值化阈值 2.大津法(Otsu法或最大类间方差法） 用一假定灰度值T将图像的灰度分成两组， 方差值越大，说明构成图像的两部分差别越大，当两组的类间方差最大时，此灰度值T就是图像二值化的最佳阈值,实现阈值的自动选取。

12. 二值化阈值 二值化阈值 3.迭代法（最佳阈值法） 1）选择一个初始阈值T(j)，通常可以选择整体图像的平均灰 度值作为初始阈值。 2）用T(j)分割图像，将图像分为2个区域 。 3）计算两区域的平均灰度值。 4）再计算新的门限值。 5）令j=j+1，重复2）~4）,直到T(j+1)与T(j)的差小于规定值。

13. 车牌图像二值化 车牌图像二值化 • 灰度化； • 二值化：采用迭代法来选取阈值。

14. 去噪 去噪 • 汽车牌照图像噪声来源： • 采集输入过程中受到各种噪声源的干扰; • 二值化处理后，二值化图像会出现一些孤立的像素点以及一些毛刺和噪声。 • 常用去噪方法：邻域平均法、中值滤波。 • 去噪方法：求当前像素点N*N邻域像素的平均值，若超过阈值，则将对应像素点置为白色（目标色），否则置为黑色（背景色）。

15. 去噪 去噪 汽车牌照颜色为白色，将邻域多数为黑色的点去掉，去噪，多数为白色点保留。 1)循环图像的每一个像素值； 2)计算像素周围的3*3邻域的8个像素的均值； 3)比较均值与给定阈值的大小，如果大于阈值则置对应像素为白，反之置黑。

16. 去噪 去噪 汽车牌照图像去噪后效果图：

17. 车牌特征 车牌图像特点 • 组成：省份汉字(或其他汉字)+字母或阿拉伯数字 ，共7位，即X1X1•X3X4X5X6X7 • 车牌标准外轮廓尺寸：440*140的矩形， 整个车牌的宽高比为3.114，近似为3: 1 • 字符尺寸：宽 45mm、高 90mm、间隔符宽10mm、单元间隔 12mm • 字符笔画在竖直方向是连通的 • 牌底与字符颜色对照大，边缘非常丰富。 • 四类：蓝底白字、黄底黑字、黑底白字、白底黑字

18. 车牌定位 车牌定位 • 在一幅经过适当二值化处理、含有车牌的图像中，车牌区域具有以下3个基本特征： • 在一个不大的区域内密集包含有多个字符； • 车牌字符与车牌底色形成强烈对比； • 车牌区域大小相对固定，区域长度和宽度成固定比例。 根据以上特征，本系统将汽车车牌定位分为横向扫描和纵向扫描，分别确定上下边界和左右边界。

19. 横向扫描 横向扫描 • 横向扫描确定上下边界。 • 理论依据 （1）车牌区域所在行相邻像素 之间的变化(0->255、255->0) 会很频繁。 （2）连续变化的行超过一定宽 度，根据宽度排除一些广告、 商标等图案的干扰 。

20. 纵向扫描 纵向扫描 • 纵向扫描初步确定车牌的左、右边界。 • 实现步骤： 1）计算车牌的高度h； 2）纵向扫描，记录每一列白像素点的个数，若某一列i的白像素点数大于一定值，且满足条件连续列的宽度大于一定的值，则认为第i列为车牌的左边界； 3）根据车牌的宽高比例计算车牌的右边界。

21. 车牌字符分割 • 字符分割的任务：把单个字符从车牌字符串中分离出来。 • 根据车牌特征信息排除干扰： （1）排除尺寸大小或长宽比例不符合车牌字符特征的连通域，滤除大部分噪声点的干扰； （2）确定车牌字符精确的起始行与结束行位置，排除螺钉对第二和第六个字符的干扰； （3）充分利用车牌字符的位置和顺序信息，查找连通域漏检的字符，排除干扰区域。

22. 车牌字符分割 车牌字符分割 • 字符分割方法：垂直投影法，利用字与字之间形成的空白间隔将单个字符的图像切割出来的。 • 单纯的垂直投影造成的两个难题：粘连字没有分开，二分字和三分字没有合并。根据字符的高宽比有一定的范围。 对粘连字：估计出下一个字符的大致位置。 对多分字：以估计的宽度合并宽度较小的字。

23. 字符细化 字符细化 • 细化方法：对图像进行多次迭代细化直到不存在可以消去的简单边界点为止。

24. 归一化 归一化 • 在车牌字符中，字符的宽度是不确定的。如字符“1”和“0”，但字符的高度均相同。因此，可根据字符的高度来进行大小归一化。 • 归一化方法：将字符的外边框按比例线性放大或缩小到标准字符尺寸。 根据给定的高度与提取车牌的高度计算缩放的比例，宽度与高度同比例缩放。

25. 特征提取 • 提取特征之前对字符大小标准化 • 图1是提取出来的单个字符，图2是细化后的结果，细化后，字符分为九个小区域，区域的编号如图3所示。 • 特征：对于每个小区域，统计该区域中黑色点的数量，存入数组中以和标准模板进行匹配。

26. 车牌字符识别 模板匹配算法 首先把待识别字符二值化，并将其尺寸大小缩放为数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。

27. 车牌字符识别 车牌字符识别 • 采用模版匹配法对车牌数字和字母部分的识别。

28. 任务：对这个案例进一步分析 讨论一下 1）怎样二值图像 2）怎样去噪； 3）怎样确定车牌位置， 4）怎样切割字符； 5）怎样细化和归一化 6）怎样特征提取； 7）怎样识别。 8）实现的流程的核心代码？ 9）进一步改进方案？