| 汽车牌照自动识别系统是以汽车牌照为特定目标的专用计算机视觉系统，是计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一，它可广泛应用于交通流量检测，交通控制与诱导，机场、港口、小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，具有广阔的应用前景。 |
|
| 系统工作原理： |
|
| 当车辆通过时，车辆检测装置受到触发，启动图像采集设备获取车辆的正面或反面图像，并将图像传至计算机，由车牌定位模块提取车牌，字符分割模块对车牌上的字符进行切分，最后由字符识别模块进行字符识别并将识别结果送至监控中心或收费处等应用场合。 |
|
|
 | |
|
|
|
| 一、车牌识别技术的研究现状 |
|
|
|
| 车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一，是实现交通管理智能化的重要环节，主要包括车牌定位、字符车牌分割和车牌字符识别三个关键环节。发达国家LPR系统在实际交通系统中已成功应用，而我国的开发应用进展缓慢，基本停留在实验室阶段。 | |
|
|
|
| 二、实验室研究成果 |
|
|
|
|
|
1． 彩色边缘检测方面 |
|
|
|
提出了一种基于方向区域距离测度的彩色边缘检测新方法。
彩色边缘检测是彩色图像处理的重要研究内容之一，目前的研究主要集中在RGB彩色空间中进行，缺点是没能很好地模拟人类对颜色的视觉感知，而由色调、饱和度和亮度三个颜色分量组成的颜色模型对颜色的描述更符合人对颜色的视觉理解，亮度和色度的分离也更有利于图像处理，而目前基于此颜色模型的彩色边缘检测的研究还较少。
该方法选择接近人的视觉特点的HSV颜色模型作为彩色空间，对色调进行正交化以消除模2π的影响，根据彩色边缘的方向性和多尺度特性提出方向区域距离测度的概念进而构建了新的彩色边缘检测方法，该方法能获得更多的边缘信息，对噪声具有更好的鲁棒性。 |
|
|
| |
|
|
|
|
|
|
2． 车牌自动识别方面 |
|
|
|
|
|
|
| 虽然很多研究人员已对车牌识别进行了较为深入的研究，但目前在车牌定位和字符分割这两个关键环节还存在着有待解决的难题。一是当车牌图像的对比度较小、光照不均匀、车牌磨损褪色以及有类似车牌纹理特征的干扰时，有效定位率下降；其次在车牌字符分割时，光照不均、对比度较小、倾斜、污迹、字符粘连和断裂等严重退化的车牌图像的字符分割效果也不理想。 |
|
|
|
|
|
|
|
|
2.1 基于边缘颜色对的车牌定位方法简介 |
|
|
|
|
|
|
|
| 提出了一种基于边缘颜色对的车牌定位新方法。在车牌定位时考虑了车牌字符颜色和底色的固定搭配，提出了边缘颜色对的新概念，并将此约束应用于彩色边缘检测，在车牌定位的初始阶段最大限度地突出了车牌区域，然后结合车牌的结构特征和纹理特征提取车牌。采用边缘颜色对后使边缘点数大大减少并且删除了具有与车牌相似的结构和纹理特征的非车牌区域边缘点。它不仅能提供车牌的颜色信息而且能在车牌底色与车牌周围颜色相近及底色褪色或图像中存在与车牌相似的结构和纹理特征的非车牌区域时，有效地提取车牌，提高了车牌定位的可靠性和准确率。 |
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
2.1.1 边缘颜色对的概念 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
约定当Color(x)=1、2、3、4、5、6 时所对应的象素x的颜色分别为蓝色，白色，黑色，红色，黄色和其它色。 A左右两侧的象素具有固定的颜色配对（白色，黑色）,以COCP来表示，即COCP=（2，3），我们称之为边缘点A的边缘颜色对。 |
|
|
|
|
|
|
|
|
|
|
|
|
|
定义：设颜色集合C={ci|i=1,2,…?m}，对图像的任一边缘点A，垂直于A的边缘方向取一1×m线形窗口，则窗口内A点两侧象素的颜色构成一个二元对，COCP={（ci, cj）| i , j =1,2,…?m, 且i≠j }，称二元对COCP为边缘点A的边缘颜色对。 |
|
|
|
|
|
|
|
|
|
|
|
|
|
我国车牌字符的边缘颜色对 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2.1.2 车牌定位算法 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
（1）对原始图像进行基于方向区域距离测度的彩色边缘检测得到原始边缘图像 |
|
|
|
|
|
|
|
|
|
|
|
|
（2）对原始边缘图像中的每一边缘点进行边缘颜色对检测，获得候选车牌边缘图像 |
|
|
|
|
|
|
|
|
|
|
|
|
（3）对候选车牌边缘图像进行闭运算获得连通域图像 |
|
|
|
|
|
|
|
|
|
|
|
|
（4）计算各连通域的宽高比，剔除不在阈值范围内的连通域，若只剩下一个连通域，则可确认为车牌区域，转（7）。 |
|
|
|
|
|
|
|
|
|
|
|
|
（5）若还有多于一个连通域，则计算r。剔除不在阈值范围内的连通域，若只剩下一个连通域，则可确认为车牌区域，转（7） |
|
|
|
|
|
|
|
|
|
|
|
|
（6）若还有多于一个连通域，则对其进行彩色边缘检测然后进行水平扫描，统计每行灰度值为1的个数N， 如果有连续M行以上N∈[n1,n2]，则可认为此连通域为车牌区域。 |
|
|
|
|
|
|
|
|
|
|
|
|
（7）在原始图像中提取车牌图像。 |
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2.1.3 车牌识别实验结果 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
含有车牌的原始图像 |
|
|
原始边缘图像 |
|
由边缘颜色对确定的边缘图像 |
|
提取的车牌 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
 |
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
 |
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2.2 基于主动视觉的车牌字符分割方法 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| 提出了一种质量退化时的基于主动视觉的车牌字符分割新方法。在字符分割时考虑了环境条件的变化以及车牌图像的质量退化，采取光照不均校正和倾斜校正等图像预处理措施改善图像质量，并应用主动视觉的思想，提出一种由粗到精、闭环反馈的基于识别的字符分割方法。字符粗分割采用尺度自适应三次B样条小波变换，字符精分割应用基于目标占有率模板匹配的字符识别反馈，提高了字符分割的可靠性。该方法对光照不均、对比度较小、倾斜、污迹、字符粘连和断裂等严重退化的车牌图像具有很好的字符分割性能。 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
部分字符分割实验结果: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
a.光照不均，污迹严重，倾斜时 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
b.光线暗、对比度小、褪色时 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
c.字符粘连时 |
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
| |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
3． 车徽自动识别方面 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
提出了基于车徽识别的车辆识别新思想，提出了一种基于纹理一致性测度的汽车车徽分割方法。
现有的基于图像处理的车辆识别方法主要采用车牌识别和车型识别，它们都存在算法的可靠性问题，而且车牌还存在易更换问题。车徽是车辆的重要信息，它不仅包含了车型信息，更重要的是还包含了生产厂家的信息且难以更换。有了车徽信息，在车辆刑事案件侦破中会迅速缩小目标范围，提高破案效率。目前，车徽识别研究国内外均未见报道，是一空白领域，基于车徽图像进行车辆识别可为车辆识别技术开创一个新的研究方向。这对于完善和发展智能交通系统中基于图像处理的车辆识别技术具有重要的理论与实际意义。
本方法针对位于车前灯之间的车徽图像，采用两级搜索方法，根据车徽与车牌之间的位置信息进行车徽粗分割，然后应用小波变换定义一种纹理一致性测度并结合形态滤波进行车徽的精分割，该方法为下一步的车徽识别奠定了基础。 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
部分车徽识别实验结果 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
原始图像 |
|
|
|
|
|
提取的车徽 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
 |
|
|
|
 | |
