对不同车牌识别算法的研究分析..doc

A Comparative Study on Different License Plate Recognition Algorithms Hadi Sharifi1 and Asadollah Shahbahrami2 1 Department of Information Technology University of Guilan, Rasht, Iran sharifiha@ 2 Department of Computer Engineering University of Guilan, Rasht, Iran shahbahrami@guilan.ac.ir 对不同车牌识别算法的研究分析 摘要：近年来，汽车车牌识别系统应用在许多交通管理和安全系统中，如自动速度控制，跟踪被盗汽车，自动收费管理，访问控制有限领域等。本文从精度与性能上讨论了几种常用识别车牌技术的优劣。这样的评价将提供给开发商或最终用户，有利于为他们选择出最合适的应用技术。研究表明，动态规划算法是最快算法而Gabor变换是最准确的算法。 关键词：车牌识别，Hough变换，Gabor变换，动态规划，形态学。 1 引言 车牌识别（LPR）是今天生活的重要课题。道路上总是充满了各种机动车辆的，重要的是开发出识别他们的应用技术，如速度控制和安全管理。LPR用于实时系统，它能够提供精确可接受的响应时间[1]。 LPR系统是基于图像处理技术和字符识别系统的。每个LPR系统由三个基本部分组成，即图像采集，车牌检测（LPD）和光字符识别（OCR）。图像采集部分是使用相机从运动传感器上接收信号和捕捉图像。为了减少运动模糊，它应该使用高速快门。LPD用来分析系统拍摄的图像，辨别板位置或字母数字字符。有些算法是基于车牌的图像特征来识别的，如形状、颜色、高度、宽度比。这些算法的性能是非常敏感的。当改变环境条件，如光照或天气条件时，将会影响图像特征的质量。第三部分将分割字符，并且使用OCR模块读取分割的字符会出现在板块[2]。对象识别系统包括两大功能，检测场景中的对象并承认该对象[3]。大部分图像处理技术的LPD是应用基于Gabor变换，Hough变换的神经网络或Ada-Boost 算法。本文研究和评估了一些类似的LPD算法。本文组织如下：第2节介绍LPD算法，第3节对它们的性能进行比较。最后在第4节总结研究。 2 LPD算法 在本节我们讨论了基于动态规划，Hough变换，Gabor变换和基于形态学的各种算法。 2.1 动态规划的方法 在基于动态规划（DP）的算法上[4]，开发商不需要找到图像中的车牌板的位置，这是因为它在车牌上直接分割了字母数字字符。它也并不需要任何随强度变化的图像特征，如车牌边缘、颜色、线条等。 为了实现这一算法，广泛应用的是检测车牌号码的定位点。每个点有一些关键规格，如高度、宽度、中心点的坐标和提取它的临界值。它使用能量最小化框架来提取正确的定位点。这要求相邻字符的两个中心点之间的垂直和水平距离必须最小化。如果两个相邻的定位点的中心距离为d，如图所示。1、在允许的范围内，他们可以认为是正确数字字符的一部分。 图1 两个相邻字符之间的定位点的几何规范，两个点之间的水平距离（d）[4] 提取定位点的模块计算时间会随着阈值改变而改变，且图像标记算法必须为每个阈值执行一次。DP算法计算时间较少，所以它被称为是一种快速算法。 2.2 Hough变换 第二个算法是基于相结合的Hough变换和轮廓算法[1]。它是从二进制图像上检测线的最有效算法之一。它查找的是包含车牌字符的两条平行线之间的区域。执行时间长是Hough变换的缺点。当被应用到一个高分辨率的二进制图像时它需要太多的计算，换句话说，高分辨率图像的计算时间是很长的。虽然图像细化的前期处理可以提高算法速度，Hough变换计算时间仍然很高，它是很难用于实时交通管理系统的。 为了提高性能，Hough变换将与轮廓算法相结合进行。在提取的边图像中，我们使用轮廓检测算法来封闭边界对象。这些轮廓线会转化为霍夫坐标，并找到两组相互作用的平行线（两平行线相交其他一组平行线，建立成一个平行四边形的形式对象）作为一个待识别车牌区域。由于只有很少（黑色）像素的轮廓线，这些点的霍夫坐标转换，只需要非常少的计算。因此该算法的速度有着显著改善，且无精度损失。如图2。 1 预选车牌 3 预选车牌 图2 结合等高线算法和Hough变换的LPD系统[1] 然而，这种技术可能会检测到车灯或挡风玻璃，因为他们与车牌一样有平行四边形的形状。提取要检测车牌的成效可以评估一个模块是否拒绝了不正确的四边形而留下了真正的车牌。在夹着要检测车牌区域的两条水平线间，它可以精确地计算在横向坐标上如何进