车牌定位研究(2)

　　实验可知，三种阀值所提取的颜色图像，适中阀值是最理想的结果。为了完成对三种阀值下提取出的图像进行最优选择，定义m为提取出二值图像的白像素个数，M为提取出的二值图像进行形态学操作后的白像素的个数；定义D=（M-m）/m为膨胀系数。设m1为在一种阀值下提取出二值图像的白像素的个数，设m2为在另一种阀值下提取出的二值图像的白像素的个数，我们定义A=（m2-m1）/m1为扩大系数。根据我们的经验可知通常情况下车牌图像像素与车辆图像像素之比大于1/300，我们在对图像做最优选择时首先要判断提取出的像素数是否符合要求。以下步骤中的常数均来源于上面的分析。我们可以结合数学形态学利用膨胀系数D和扩大系数A来对提取出的二值图像进行最优选择。本文实验采用严格阀值二值图像的膨胀系数D1和适中与宽松阀值二值图像的扩大系数A2来对图像进行选择，设所采集的车辆图像的大小为[a，b]，则图像的像素个数为N=a*b。设三种阀值所提取的二值图像白像素的个数分别为m1、m2、m3，对图像进行数学形态学操作后白像素的个数分别为M1、M2、M3。具体步骤如下：
　　如果m1>3N/2000且D1=（M1-m1）/m1>7/10，选择严格图像作为最优；
　　如果m2>3N/2000且A2=（m3-m2）/m2>1/3，选择适中图像作为最优；
　　其它的选择宽松图像作为最优；
　　如果第一步和第二步都符合条件，选择严格作为最优。
　　黄色车牌非黄色车辆定位方法与蓝色车牌非蓝色车辆定位方法类似，此处不再介绍。
　　1.2基于Symlets小波变换的车牌粗定位
　　本文在考虑到本设计方案实际情况的前提下，提出一种折中的基于小波变换的车牌定位方法，采用一维行小波变换来定位车牌。本文根据选取的小波要和信号有一定的相似性的标准选择Symlets二阶小波。
　　采用灰度图像自适应二值化算法：首先利用Kirsch算子对灰度图像进行边缘提取，然后对图像进行二值化处理（可以用任一种常用的方法），而后再用区域生长法对连通域进行标记，滤除掉离散的噪声点，计算出每一个连通域的最小外接矩形的上下左右边界（把区域面积不满足车牌要求的去除），对每个矩形区域分别进行二值化，最后再对整幅图像进行全局二值化。经Matlab仿真实验证明，这种二值化方法对车牌图像的二值化能够取得非常好的效果，并且具有很强的鲁棒性。
　　定位算法流程分析法：首先采用加权平均值（g=0.3R+0.59G+0.11B）法对输入的彩色车辆图像灰度化，然后用自适应二值化方法把灰度图像二值化，为了增加车牌区域水平方向的纹理，采用结构单元[3，1]对二值图像进行形态学腐蚀，使高频信息更加的集中。然后，对腐蚀后的二值图像进行中值滤波，以消除孤立的噪声点。接合车牌的纹理特征选择合适的滤波窗，经分析和实验证明选择[11，1]的邻域窗能达到消除噪声和增加车牌区域高频信息目的，中值滤波后再对图像用结构单元[11，1]进行一次膨胀，目的也是为了增加车牌区域的纹理。而后再对滤波膨胀后的图像进行一维行小波变换（sym2），小波变换后再用[11，1]的领域窗进行第二次中值滤波，此处采用中值滤波的目的与第一次相同。小波变换第二次中值滤波后高频系数的大小就可以反映出此处的灰度变化强烈程度，系数的正负代表了灰度值变化的方向，变化的方向对我们没有什么意义，故我们把高频系数取绝对值。由于车牌区域内纹理丰富，再加上车牌特定的组成特点，我们可以根据经验得到合适阀值[low，high]对取绝对值后的高频系二值化。最后对二值化后的图像进行数学形态膨胀、腐蚀操作，使二值化后的图像形成多个连通区域。实践证明，根据我国车牌的大小和纹理特征，使用适当的形态学操作后，能够使我们的车牌区域形成一个独立的连通区域，Matlab仿真实验证明在小波变换之前对图像进行一次二值化，对二值图像进行小波变换比对灰度图像进行小波有更好的效果。