一种基于OpenCV的车牌识别方法.docVIP

一种基于OpenCV的车牌识别方法 　　摘 要：研究了一种基于OpenCV的车牌识别方法。在车牌定位阶段，提出一种综合边缘信息和颜色信息，并结合车牌几何特征定位方法，通过SVM机器学习实现车牌精确定位。在车牌字符分割阶段，通过设定像素跳变阈值去除边框，提出一种结合垂直投影法和字符特征的字符分割算法。在字符识别阶段，提出结合投影和网格的字符特征提取方法，并利用4个BP神经网络进行字符识别。实验表明，该方法定位率高，字符识别快速准确，具有较强的鲁棒性和实用性。 　　关键词：车牌定位；字符分割；字符识别；BP神经网络 　　DOIDOI：10.11907/rjdk.161821 　　中图分类号：TP317.4 　　文献标识码：A 文章编号文章编号2016）011019303 　　0 引言 　　随着汽车工业的迅猛发展，人们在享受车辆带来便利的同时，也面临着日益严重的交通问题，智能交通系统由此产生。车牌识别系统不仅是智能交通系统的重要组成部分，也是数字图像处理、模式识别、计算机视觉等学科重要的研究内容，其实现方式是对摄像机所拍摄的车辆图像或视频序列进行分析，通过车牌定位、字符分割、特征提取、字符分割等技术，得到汽车唯一的车牌号码，在智能小区停车管理、高速公路收费系统及公共安全等方面有着广泛应用。本文提出了一种结合边缘信息和颜色信息的车牌定位方法和基于BP神经网络的车牌字符识别方法，可以获得较高的识别准确率。 　　1 车牌定位 　　车牌定位就是采用一定算法将车牌区域从整张车辆图片中准确定位出来。车牌定位准确率直接关系到字符识别的成败。目前车牌定位方法较多，常见的有基于数学形态学方法、基于边缘检测方法、基于颜色空间方法等[13]。本文提出一种综合边缘信息和色彩信息，同时结合车牌纹理特征的方法实现车牌粗定位，再结合SVM方法实现车牌精确定位方法，定位流程如图1所示。 　　1.1 边缘检测 　　首先读取车牌的原始图像，结果如图2（a）所示，然后利用OpenCV库中的cvtColor函数将彩色图像转换为灰度图像，接着利用medianBlur函数对灰度图像作中值滤波处理，去除图像存在的噪声点干扰，模板大小为3×3。车身纹理主要是水平边缘，而车牌字符纹理主要为垂直边缘，针对这个特点使用Sobel函数对图像作垂直边缘检测，提取字符的边缘信息[4]。利用threshold函数对边缘检测后的图像作阈值化处理，得到边缘二值图像，结果如图2（b）所示。 　　1.2 基于HSV颜色空间的二值化 　　由于摄像机采集的车辆图像均是RGB模型，而该模型下R、G、B这3个分量对光线的强弱较敏感，因此需要将RGB模型转换为对光照等外部因素不敏感的HSV模型。HSV是根据颜色的直观性创建六角锥体模型， 其中H表示色调，S表示饱和度，V表示明度。RGB到HSV转换如式（1）所示。 　　1.3 形态学处理 　　得到二值图像后，需要对图像进行开运算和闭运算处理。其中开运算可去除图像中较小的区域，闭运算能够填充图像内小型黑洞，连接邻近物体，并可平滑图像的轮廓。本文选用的腐蚀膨胀核大小为10×5。首先采用闭运算，使车牌区域连通为一个整体，结果如图4（a）所示，接着采用开运算去除较小区域，结果如图4（b）所示。 　　1.4 粗定位 　　提取形态学处理后的图像轮廓，对轮廓求外接旋转矩形，并利用车牌的几何特征对外接旋转矩形进行滤除， 即计算：①外接旋转矩形宽高比Ratio；②外接旋转矩形面积 Area。假设有40%误差范围，设定车牌的宽高比为22/7，再设定车牌面积的最大值和最小值，然后逐个判断外接旋转矩形的 Ratio 和 Area 是否同时满足设定条件。粗定位结果如图5所示，其中图5（a）为提取的轮廓图，图5（b）为提取出的车牌候选区域。 　　1.5 SVM精确定位 　　在开始分类前，需要训练分类器。本文使用200车牌图像和200张非车牌但大小为144×48像素的图像训练车牌识别模型。分类器特征向量选用HOG特征向量，使用CvSVMParams结构设置参数，利用CvSVM类训练分类器。分类器训练好后，提取候选车牌区域的HOG特征向量，将提取的特征向量输入训练好的车牌判别模型，从而预测候选区域是否为车牌，实现车牌精确定位。 　　2 字符分割 　　2.1 倾斜校正 　　由于拍摄的角度问题，车牌图像可能会出现倾斜情况，这样会对字符分割结果造成较大影响，因此，需要对图像进行倾斜校正。本文利用Hough 变换将直线提取出来，并计算直线与水平和垂直方向的角度，然后将原有图像旋转完成倾斜校正[5]。倾斜校正完成后，再采用Otsu方法对图像进行阈值化处理，将字符作为前景提取出来，结果如图6（a）所示。 　　2.2 边框去除