基于数学形态学和Hough变换的车牌图像检测及定位算法解析

　车牌识别系统（LPR）在现代交通检测和管理部门中发挥着举足轻重的作用。车牌识别系统主要包括车牌定位、字符分割和字符识别三部分［1］。由于车牌定位的准确与否将会直接影响到车牌识别的结果，因此，车牌定位是LPR的一项关键技术。常见的车牌定位技术主要有：边缘检测法［2］、投影法［3］、神经网络法［4］、数学形态学法［5］、基于彩色图像的定位算法［6］。边缘检测法对车牌图像边框的连续性要求较高；神经网络方法计算量大，且要求车牌尺寸基本不变，否则必须对神经网络进行重新训练；基于形态学的方法受噪声影响比较大；基于彩色图像的定位算法适应性差，对于偏色以及背景颜色干扰等情况无法做出有效处理。
　　由于存在许多外在的干扰，背景信息往往比车牌信息更加复杂，给目标搜索带来巨大的困难，单一的定位方法已经无法保证其有效性。为此，本文提出了一种综合的定位算法，对预处理的图像进行形态学的高帽变换后，利用边缘检测得到连通区域进行粗定位，然后结合Hough变换和车牌的先验知识进行车牌的精定位，该算法充分利用了车牌的字符信息，能够快速而准确地提取出车牌区域。
　　1 车牌的固有特征
　　车牌识别是一种特定对象的识别，是一种在先验知识指导下的识别。我国现在使用的车牌主要执行中华人民共和国机动车牌号标准［7］，其具有以下的特征：
　　（1）形状特征：汽车车牌区域的每个字符宽度为45 mm，字符高度为90 mm，间隔符宽10 mm，字符间隔为12 mm，整个车牌区域的宽高比为44/14。这部分特征在车牌的定位分割方面具有重要的意义。
　　（2）纹理特征：车牌有一个连续或因磨损而不连续的边框；标准车牌（军车、警车、教练车、外交车除外）模块包含7个字符，它们基本呈水平排列；在矩形的车牌区域内部有着较丰富的边缘信息，呈现出规则的纹理特征。
　　（3）灰度跳变特征：车牌的边缘颜色、车牌底色以及车牌文本颜色各不相同，表现在图像中就是灰度级互不相同，这样，在车牌边缘就形成了灰度突变边界。在车牌区域内部，由于字符和车牌底的内部灰度较均匀，因此，穿过车牌的水平直线呈现出波峰波谷的特点。
　　2 图像预处理
　　车牌图像的采集大都是通过摄像机、数码相机等设备拍摄获取的彩色图像，因此首先要对图像进行灰度化处理。
　　牌照图像在拍摄时受各种条件的限制和干扰，图像的灰度值往往与实际景物不完全匹配，直方图均衡化［8］处理能增加图像灰度值的动态范围，从而达到增强图像整体对比度的效果。
　　经过灰度增强后的图像还存在各种噪声，中值滤波是一种非线性滤波，它很适合于椒盐噪声（即通常拍摄的图片带有的噪声类型）。
　　图1显示了本文设计中图像预处理部分的实验效果图，车牌区域的特征被明显增强。大量实验表明，本文采用的图像预处理方法能获得较好的效果，满足实验的要求。