基于Hough变换和先验知识的车牌识别新方法

　随着交通管理系统的日趋现代化，车牌自动识别系统成为智能交通系统的重要组成部分。通过对当前车牌识别的基本原理和主要方法的研究，分析比较各种识别方法的优缺点，针对车牌定位、字符分割和字符识别，本文提出一套实用可靠的算法。
　　车牌定位作为整个算法步骤的第一步，定位错误将直接导致最终识别错误，定位不精确将提升分割难度。实际中不同车牌图像在拍摄距离和角度、拍摄手法、光照强弱等方面不尽相同，有时甚至差异很大，使得一些传统方法在图像群品质的差异存在较大跨度下其定位准确率低下，缺失普遍性。其中，利用水平灰度跳变特征的分步骤法即先粗略定位再精确定位是相对比较稳定的一种方法，但其缺点也很明显，就是精确定位不够精。为了改善这种情况，本文尝试性地提出了一种利用Hough变换多线检测实现精确定位的方法， 同时结合先验知识，改进了水平搜索方式，有效地提升了车牌定位精准率，使得这一算法具有较强的适应性，并且速度快、鲁棒性好。
　　在字符分割中，得益于定位的良好效果，通过合理地二值化与滤波处理，提出了一种改进的投影法。该算法克服了车牌群光照变化跨度大以及边框、铆钉等常见因素干扰，使投影法字符分割的准确率得到了一定的提升。
　　车牌字符识别是车牌识别系统的核心部分，本文构造了BP神经网络进行车牌识别。通过反复修正各个参数使该识别算法快速准确，并且具有良好的稳定性，能满足车牌实时识别的要求。
　　1 车牌定位
　　1.1 图像预处理
　　（1）尺寸归一化：车牌图像的尺寸对算法中相关阈值的选取有较大影响。本系统中车牌图像尺寸均已归一化到400×300像素。
　　（2）图像平滑：为了更好地提取水平灰度跳变特征（与算法有关），有必要先对图像进行水平平滑处理。实验表明，使用［1/2 1/2］这样一种掩膜的效果最好。
　　1.2 算法
　　（1）特征提取［1］：提取水平灰度跳变特征。对经过了水平平滑的灰度图像，选取适当阈值T，将每一行各像素与其前一像素比较，若灰度差绝对值超过T，则记为1，否则记为0，从而完成对灰度图像进行水平方向灰度跳变特征的提取。实验证明，此方法与传统边缘检测相比，特征提取效果更显著、噪音更小。以水平方向为对象是因为车牌在水平方向较垂直方向灰度跳变特征更为明显。
　　（2）水平方向粗定位：对由（1）生成的二值图像，结合先验知识，即图像中车牌位置以下的部分与车牌以上的部分相比干扰要小很多，采取由下至上的行搜索方法。当某1行的1个值个数与整行像素之比值大于一定阈值时，便记下行位置x1，继续逐行上移搜索，当比值小于阈值时记下行位置x2，x1与x2形成坐标对，若x1与x2距离超过较小的高度（以400×300为例，车牌高度应大于10，所以选择10）时，即确定其为车牌水平方向切割位置（为了防止少切，分别对x1和x2进行向下和向上的适当延伸）；否则，排除此x1和x2，并继续向上搜索寻找x1、x2坐标对，直到确定x1、x2为止，并对二值图像切割。为了增强稳定性，可以用双行比值代替单行比值，此时应缩小判定阈值。
　　（3）垂直方向粗定位［2］：设由（2）切割出来的图像为A，对A进行除噪处理后，先用1个与A等高度、宽度与高度相同的矩形框体B对A从左至右遍历搜索［3］，若B中1值像素之和与B中全部像素之比大于一定阈值时，记录此时列位置为y1，然后用同样方式从右之左搜索，获得列位置y2。用y1与y2对A切割，完成垂直方向的粗定位。
　　（4）精确定位：在以往的车牌识别方法中，Hough变换线检测一般只用于车牌矫正，实际上Hough变换线检测更可用来做车牌定位。本文中将利用此对车牌做最后的精确定位。