郭海富帅鹏举王霞
【摘要】为实现车牌的准确定位，本文提出了一种基于车牌颜色和边缘信息结合的车牌定位方法。该方法包括预处理、颜色特征提取、边缘与颜色特征融合，车牌候选区域筛选四个步骤。其二值化使用了一种对光照不敏感的基于颜色特征的方法，解决了车牌区域对光照变化敏感的问题。通过模拟实验，使用不同光照、不同尺寸、不同背景下的30张图片进行车牌定位实验，定位成功率超过95%。
【关键词】车牌定位；颜色信息；数学形态学；边缘检测
中图分类号：TP394文献标识码：A文章编号：2095-2457（208）05-098-002
【Abstrt】Irdrthvthurtpstflsplts，thspprprpsslspltltthddthbtflspltlrddfrtThthdludsfurstps：prprss，lrfturxtrt，ddlrfturfus，dlspltddtrsrThbrztussthddlrftursthtssstvtlht，dslvsthprblflspltrsstvtytlhthsThruhsultxprts，30lspltsthdffrtlht，dffrtszs，ddffrtbrudsrusdtprfrlspltpstxprtsThsussrtfpstsvr95%
【Kyrds】Lspltlt；Clrfrt；Mthtlrphly；Eddtt
0引言
近年来，随着国内外汽车拥有量的增长，停车难已经成为亟待解决的一大社会问题，车牌自动识别系统已经成为未来智能交通的重要研究课题。车牌定位作为车牌识别三大关键技术之一，在整个车牌识别系统中占有核心地位，直接影响车牌识别的成败。
目前主要的定位算法有：基于颜色特征[5]、基于紋理特征[2-6]、基于神经网络[]、多特征结合[3-7]的定位算法。基于颜色的定位算法比较简单且易实现，但会受到光照、拍摄条件、背景等因素的影响。基于纹理特征的定位方法大多利用车牌字符拥有丰富的边缘，使用如跳变点检车等方法进行定位，但当处于复杂背景下的车牌定位时容易受到干扰。因此本文提出了一种车牌颜色与边缘特征相融合的定位方法，利用RGB颜色空间提取符合车牌颜色的区域，再通过Sbl边缘检测提取车牌边缘信息，根据车牌的颜色信息和边缘信息融合后进行形态学提取车牌疑似区域，然后使用车牌规整度计算[7]进行车牌区域的筛选，从而准确定位车牌区域。
颜色特征提取
图像预处理
对图像的预处理包含高斯模糊和灰度化处理；高斯模糊相对模糊滤波、运动模糊等算法会让图像更加平滑，且具有降噪效果降低了噪音点对定位的干扰。采用加权平均值法对拍摄的车辆图像进行灰度化处理，其数学表达式如（）所示：
Y=0299R+0587G+04B（）
R、G、B分别表示RGB颜色空间的r，，b值，Y表示像素点灰度值。
2颜色特征提取
在RGB颜色空间下，蓝色点的b值一定大于r与值。对于像素点（x，y）记d=b（x，y）-r（x，y），d2=b（x，y）-（x，y），按照公式（2）[4]计算该像素点的特征值F（x，y）。
、2是两个系数，参考文献[4]取=033748，2=066252。
3二值化
为进一步提取出更加准确的车牌区域，排除更多的干扰区域，本文提出了一种新的二值化方法。由实验发现一般车牌区域的特征值比非车牌区域的特征值大几倍，所以假设f&t;=5*f2，f为车牌区域的特征值，f2为非车牌区域的特征值；对图像中的所有非零特征值F（x，y）取均值为Q。算法步骤如下：
（）对于所有F（x，y）Q的非零特征点计算均值为Q2
（2）基于假设可以判定车牌区域特征点位于大于Q的特征点集合中。若Q2&t;=5Q，则将Q作为阈值，若Q2<5Q，则将Q=Q重复，2步骤由实验测试重复次数最多4次
通过该算法可以得到一个特征阈值thrsh=Q，二值化使用公式（3）Y为灰度值。
Y=F（x，y）≥thrsh0F（x，y）