小波分析和邊緣檢測在快速車牌定位中的應(yīng)用

賀瑜飛

摘 要：為了使車牌定位更加快速和精確，文章對(duì)圖像灰度化方面的原理進(jìn)行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結(jié)合小波分析和邊緣檢測，來定位車牌。根據(jù)實(shí)驗(yàn)結(jié)果得出，此方法定位效果良好，能夠快速識(shí)別車牌，定位率超過98.6%。

關(guān)鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實(shí)時(shí)采集的，所以會(huì)有大量的噪聲，以往的定位效果不太理想，小波變換能進(jìn)行降噪處理。基于此，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對(duì)圖像進(jìn)行了灰度轉(zhuǎn)換、二值化，其次對(duì)車牌進(jìn)行Mallat分解，達(dá)到準(zhǔn)確定位，最后達(dá)到了很好的結(jié)果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權(quán)0.229，0.587和0.114，在一般情況下可以得到理想結(jié)果，由于我國車牌可能會(huì)出現(xiàn)紅色字符，常規(guī)的方法對(duì)出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對(duì)這些問題，該文在灰度化時(shí)，對(duì)權(quán)值進(jìn)行了調(diào)整，兼顧了有紅顏色字符的情況。對(duì)450張不同類型的車牌圖像進(jìn)行試驗(yàn)比較，設(shè)置新的RGB的權(quán)值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進(jìn)行二值化，其基本思想是對(duì)像素進(jìn)行劃分，使各類之間的距離達(dá)到最大來確定合適的閾值。設(shè)圖像有L級(jí)灰度值，設(shè)灰度T為閾值，背景，目標(biāo)的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時(shí)，分割出的目標(biāo)中心灰度遠(yuǎn)離整張圖像的中心灰度；盡可能大時(shí)，背景也遠(yuǎn)離圖像中心灰度；最后使得和加權(quán)最大，即最大。

1.3 平滑處理

采用中值濾波對(duì)圖像進(jìn)行處理，先確定以某一像素為中心點(diǎn)的鄰域，然后把鄰域中的每個(gè)像素的灰度值進(jìn)行排序，以中間的值作為中心點(diǎn)像素的一個(gè)新值，最后用中值濾波對(duì)圖像進(jìn)行平滑處理，所以中值濾波對(duì)與極限像素值遠(yuǎn)沒有平均值敏感，能夠去除孤立噪聲點(diǎn)，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個(gè)像素的一個(gè)滑動(dòng)窗口，大小排序后，把窗口中各點(diǎn)的灰度中間值代替原來指定點(diǎn)灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個(gè)某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學(xué)形態(tài)學(xué)處理圖像

邊緣主要存在于目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、目標(biāo)與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎(chǔ)。通過大量的仿真實(shí)驗(yàn)，本節(jié)選取了Laplace算子，因?yàn)槠渚哂行D(zhuǎn)不變性。表達(dá)式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學(xué)形態(tài)學(xué)，對(duì)圖像進(jìn)行處理。endprint

摘 要：為了使車牌定位更加快速和精確，文章對(duì)圖像灰度化方面的原理進(jìn)行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結(jié)合小波分析和邊緣檢測，來定位車牌。根據(jù)實(shí)驗(yàn)結(jié)果得出，此方法定位效果良好，能夠快速識(shí)別車牌，定位率超過98.6%。

關(guān)鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實(shí)時(shí)采集的，所以會(huì)有大量的噪聲，以往的定位效果不太理想，小波變換能進(jìn)行降噪處理。基于此，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對(duì)圖像進(jìn)行了灰度轉(zhuǎn)換、二值化，其次對(duì)車牌進(jìn)行Mallat分解，達(dá)到準(zhǔn)確定位，最后達(dá)到了很好的結(jié)果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權(quán)0.229，0.587和0.114，在一般情況下可以得到理想結(jié)果，由于我國車牌可能會(huì)出現(xiàn)紅色字符，常規(guī)的方法對(duì)出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對(duì)這些問題，該文在灰度化時(shí)，對(duì)權(quán)值進(jìn)行了調(diào)整，兼顧了有紅顏色字符的情況。對(duì)450張不同類型的車牌圖像進(jìn)行試驗(yàn)比較，設(shè)置新的RGB的權(quán)值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進(jìn)行二值化，其基本思想是對(duì)像素進(jìn)行劃分，使各類之間的距離達(dá)到最大來確定合適的閾值。設(shè)圖像有L級(jí)灰度值，設(shè)灰度T為閾值，背景，目標(biāo)的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時(shí)，分割出的目標(biāo)中心灰度遠(yuǎn)離整張圖像的中心灰度；盡可能大時(shí)，背景也遠(yuǎn)離圖像中心灰度；最后使得和加權(quán)最大，即最大。

1.3 平滑處理

采用中值濾波對(duì)圖像進(jìn)行處理，先確定以某一像素為中心點(diǎn)的鄰域，然后把鄰域中的每個(gè)像素的灰度值進(jìn)行排序，以中間的值作為中心點(diǎn)像素的一個(gè)新值，最后用中值濾波對(duì)圖像進(jìn)行平滑處理，所以中值濾波對(duì)與極限像素值遠(yuǎn)沒有平均值敏感，能夠去除孤立噪聲點(diǎn)，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個(gè)像素的一個(gè)滑動(dòng)窗口，大小排序后，把窗口中各點(diǎn)的灰度中間值代替原來指定點(diǎn)灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個(gè)某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學(xué)形態(tài)學(xué)處理圖像

邊緣主要存在于目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、目標(biāo)與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎(chǔ)。通過大量的仿真實(shí)驗(yàn)，本節(jié)選取了Laplace算子，因?yàn)槠渚哂行D(zhuǎn)不變性。表達(dá)式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學(xué)形態(tài)學(xué)，對(duì)圖像進(jìn)行處理。endprint

摘 要：為了使車牌定位更加快速和精確，文章對(duì)圖像灰度化方面的原理進(jìn)行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結(jié)合小波分析和邊緣檢測，來定位車牌。根據(jù)實(shí)驗(yàn)結(jié)果得出，此方法定位效果良好，能夠快速識(shí)別車牌，定位率超過98.6%。

關(guān)鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實(shí)時(shí)采集的，所以會(huì)有大量的噪聲，以往的定位效果不太理想，小波變換能進(jìn)行降噪處理。基于此，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對(duì)圖像進(jìn)行了灰度轉(zhuǎn)換、二值化，其次對(duì)車牌進(jìn)行Mallat分解，達(dá)到準(zhǔn)確定位，最后達(dá)到了很好的結(jié)果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權(quán)0.229，0.587和0.114，在一般情況下可以得到理想結(jié)果，由于我國車牌可能會(huì)出現(xiàn)紅色字符，常規(guī)的方法對(duì)出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對(duì)這些問題，該文在灰度化時(shí)，對(duì)權(quán)值進(jìn)行了調(diào)整，兼顧了有紅顏色字符的情況。對(duì)450張不同類型的車牌圖像進(jìn)行試驗(yàn)比較，設(shè)置新的RGB的權(quán)值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進(jìn)行二值化，其基本思想是對(duì)像素進(jìn)行劃分，使各類之間的距離達(dá)到最大來確定合適的閾值。設(shè)圖像有L級(jí)灰度值，設(shè)灰度T為閾值，背景，目標(biāo)的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時(shí)，分割出的目標(biāo)中心灰度遠(yuǎn)離整張圖像的中心灰度；盡可能大時(shí)，背景也遠(yuǎn)離圖像中心灰度；最后使得和加權(quán)最大，即最大。

1.3 平滑處理

采用中值濾波對(duì)圖像進(jìn)行處理，先確定以某一像素為中心點(diǎn)的鄰域，然后把鄰域中的每個(gè)像素的灰度值進(jìn)行排序，以中間的值作為中心點(diǎn)像素的一個(gè)新值，最后用中值濾波對(duì)圖像進(jìn)行平滑處理，所以中值濾波對(duì)與極限像素值遠(yuǎn)沒有平均值敏感，能夠去除孤立噪聲點(diǎn)，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個(gè)像素的一個(gè)滑動(dòng)窗口，大小排序后，把窗口中各點(diǎn)的灰度中間值代替原來指定點(diǎn)灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個(gè)某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學(xué)形態(tài)學(xué)處理圖像

邊緣主要存在于目標(biāo)與目標(biāo)、區(qū)域與區(qū)域、目標(biāo)與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎(chǔ)。通過大量的仿真實(shí)驗(yàn)，本節(jié)選取了Laplace算子，因?yàn)槠渚哂行D(zhuǎn)不變性。表達(dá)式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學(xué)形態(tài)學(xué)，對(duì)圖像進(jìn)行處理。endprint