app赌博软件

app赌博软件

升降柱、电动门、停车场系统、道闸生产厂家
联系方式:186-6376-9666
当前位置:主页 > 新闻动态 > 公司新闻 >

济南app赌博软件:车牌识别系统中反色判断及二值化算法

?? 作者:app赌博软件编辑?? 发布时间:2019-07-10 16:18?? 浏览次数:

返回:公司新闻

通过对车牌纹理特征和灰度特征的研究,提出基于车牌字符垂直笔划检测的自适应反色判断算法和基于分块平移的二值化算法,解决目前车牌反色判断适应性不够和对光照不均、对比度低等车牌的快速二值化问题。对自然环境中采集得到的3653例车牌图像数据库进行实验,实验结果表明,反色判断算法的准确率为99.48%,分块二值化方法对阴影、低对比度等干扰具有较好的适应性,两个算法都满足实时性要求,可以应用到实际车牌识别系统中。

一般车牌识别系统由车牌定位、车牌字符分割和车牌字符识别3部分组成。车牌反色的目的是使得车牌图像的字符与背景的灰度关系统一(如:黑底白字),以期统一后期的处理算法,一般在字符分割之前完成,算法的准确性直接影响后期处理结果和后的识别率。反色判断方法一般可分为两大类:一类是依据车牌前景字符与背景的像素比例特征[1];一类是依据车牌颜色特征。文献通过统计得到车牌区域灰度平均值,并分别统计灰度值大于此均值的像素数和小于均值的像素数,其反色判断的依据是车牌区域字符所占像素数小于底色像素数,此方法实现简单,但算法易受车牌定位的准确性、车牌污染、及逆光环境的影响;文献通过对车牌图像使用sobel算子进行边缘检测,并设置经验值P和Q(P<Q),在灰度图中统计边缘距离小于等于P和大于P且小于Q的区域的灰度值分别作为字符的灰度值和背景的灰度值,并依此实现除黄色和蓝色以外的车牌的反色判断,此方法所设置的经验值易受车牌图像的尺寸影响,且颜色信息在自然条件下很不稳定;文献[5]通过统计车牌第二个字符到第六个字符的区域的黑白像素比例并结合垂直投影特征分析作为反色判断的依据,该算法黑白像素比例的获取容易受强曝光等光照影响,垂直投影分析时依赖于经验值,使算法受限;文献[6]利用颜色信息进行反色判断,在HSV空间通过计算车牌区某种颜色像素点占总像素数的比例与设定的阈值比较来判断是否需要反色,该算法所依赖的颜色信息在自然环境中不稳定。

车牌图像二值化是车牌字符连通域提取、投影分析和字符识别等操作的前提。为了解决光照不均、不足和曝光过度等引起的车牌二值化困难,近年来提出了各种不同的二值化方法,可分为全局阈值[7,8]、局部阈值法[9]或两者结合的方法[10],另外,对车牌图像适当的预处理有助于提升二值化效果[11]。文献[12]提出改进的Bernsen算法,首先使用传统Bernsen算法得到原灰度图的像素点阈值T1(x,y),再次使用Bernsen算法获取原灰度图高斯滤波图的像素点阈值T2(x,y),终像素点阈值T(x,y)由β((1-α)T1(x,y)+αT2(x,y))决定,该算法复杂度高,并且在选择Bernsen算法邻域尺寸时也存在自适应的难题,α和β为实验得到的经验值;文献[13]基于统计判别分析提出收缩分类算法,通过对图片进行取样,建立判别条件,后进行图像二值化,该方法依赖于取样区域及分类算法。

为了提升反色判断自适应性和鲁棒性,本文通过分析车牌区域字符的特征,利用其字符笔划基本等宽的特性,首先统计图像的边缘距离得到字符笔划的估计宽度,再根据字符笔划的宽度统计得到字符的平均灰度值和背景的平均灰度值作为反色判断的依据,使得算法具有自适应性。对于光照不均、低对比度等车牌图像的二值化难题,文本以小块窗口作为小处理单元,通过有覆盖、有交叠地平移处理,使得窗与窗之间的二值化阈值有了关联,窗口内阈值基于水平四分窗口的线统计得到,以降低计算量。

车牌识别系统

1 反色判断算法原理

1.1 车牌区域颜色特征

通过工业相机或监控摄像头获取的车牌图像一般是RGB彩色图像,我国的车牌按照字符颜色和底色的不同搭配分为4类:黄底黑字、蓝底白字、黑底白字、白底黑字。为了后续的处理方法的简化并提高处理速度,需要将彩色图像转化为灰度图像,本文依据人眼对3基色的敏感度的差异,使用加权平均转换公式为

Y=0.299×R+0.587×G+0.114×B

式中:Y——灰度化后的像素值;R,G,B——3基色的强度。通过上式可以将RGB彩色图像转换为灰度图像,我国彩色车牌图像通过上式转换后得到图像的灰度特征如下:

(1)黄底车牌和白底车牌的灰度图像的字符灰度值小于背景灰度值,即白底黑字;

(2)蓝底车牌和黑底车牌的灰度图像的字符灰度值大于背景灰度值,即黑底白字。

为了将车牌候选区域的灰度图颜色统一转换成黑底白字(或白底黑字),对于(1),需对灰度化后的车牌候选区域进行反色变换;对于(2),不需要反色变换。

1.2 车牌区域几何特征

我国的标准汽车牌照外廓尺寸为440(mm)*140(mm)或者440(mm)*220(mm),在实际拍摄过程中,由于角度、距离等原因得到的车牌的尺寸会不同,但其都具有以下几个特征:

(1)长度和宽度基本固定成比例;

(2)在车牌区域内密集包含多个字符,且字符基本等宽等高,笔划的粗细基本一致,字符与字符之间的距离也是一定;

(3)车牌的字符与其底色无论在彩色图像还是灰度图像中都形成强烈的对比。

1.3 车牌区域反色判断

基于车牌的几何纹理特征,车牌区域中字符笔划宽度一般小于车牌底色区域的宽度或其它区域的水平宽度,且宽度一致性较高,检测得到字符笔划区域与非笔划区域(背景)并分别统计其灰度作为反色判断的依据。为了简化计算量和算法的复杂度,本文只参考了车牌区域的垂直边缘。为了得到车牌区域图像的垂直边缘检测图,首先定义垂直边缘检测算子

该算子相对于sobel算子,能更准确的定位边缘,边缘的表达像素更窄,有利于简化本文接下来的统计算法。算法分为两步,首先步是通过统计获取字符笔划的估计宽度,第二步利用该宽度估计出字符垂直笔划区域和背景区域并统计其相应的灰度值。

首先步算法描述如下:

首先使用边缘检测算子A对车牌区域灰度图G进行边缘检测,得到边缘检测图E,即

E=A*G

其中,*表示卷积。记录E的各像素点幅值得到边缘幅值图像absE,相应的符号记为符号图像sigE;

(1)使用Otsu[14]算法获得absE的分割阈值T1,为避免选取的T1过小,使得引入过多干扰噪声,同时设置一个允许的小阈值T2,取T=max(T1,T2)作为边缘幅值图absE的分割阈值;(本文取T2=20)

(2)扫描图像absE的每一行y;初始化用于记录前一个边缘点的水平位置变量pre_mark以及相应符号变量pre_sig;

(3)扫描图像absE的每一列x;若位置(x,y)的像素值absE(x,y)大于T,则认为是一个垂直边缘点,执行(4),否则继续扫描下一列直到该行结束;

(4)x-pre_mark<w/28且sigE(x,y)×pre_sig=-1,即水平方向上两个边缘点的距离小于设置的阈值并且是同一目标的左右边缘,则相应的边缘距离投票计数器Di加1,这里下标i=|x-pre_mark|,描述的是与前一边缘点的距离;更新pre_mark=x,pre_sig=sigE(x,y);这里假设输入车牌图像的宽度为w,考虑到车牌图像范围内至多有7个字符,字符笔划的宽度小于字符宽度的1/4,所以这里字符笔划的大值阈值设置为w/28。若图像扫描结束,执行(5),否则继续(3);

(5)选择边缘投票计数器Di中大值对应的下标作为字符的笔划宽度的估计值,定义为iw。

第二步统计每一行中小于等于笔划宽度iw的区间的平均灰度值和大于2·iw的区间的平均灰度值分别作为字符灰度的估计和背景灰度的估计,并基于此作为反色判断的依据。具体算法描述如下:

(1)标记出车牌区域边缘图中两边缘水平距离小于等于iw的字符笔划区间和两边缘水平距离大于2·iw的车牌背景区间(取2倍iw使算法有更好的容错性);

(2)统计原始灰度图像G中对应的两个区间的平均灰度分别作为车牌字符的平均灰度值估计和车牌背景的平均灰度值估计;

(3)若车牌背景的平均灰度值估计大于车牌字符的平均灰度值估计,则需要对车牌进行反色,否则不需要反色。

2 车牌区域二值化

车牌二值化是车牌连通域分析和投影分割分析的基础。由于现实环境的复杂性要求二值化算法对光照不均、低对比度等干扰有较好的适应性,并满足一定的实时性要求。本文通过比较经典的全局阈值方法和局部阈值方法在车牌二值化中的效果,提出分块二值化算法。

2.1 Otsu全局阈值法与局部Niblack算法

大方差阈值法(Otsu)是目前广泛使用的阈值分割法之一。该方法在小二乘法原理基础上推导出来的,基于图像的灰度直方图统计特性,将目标物体和背景区域的类间方差大或类内方差小作为阈值选取准则,对背景和目标区域进行区分。

Niblack[15]算法基于图像的局部均值和标准差计算阈值,像素(x,y)处阈值

T(x,y)=m(x,y)+k×s(x,y)

式中:m(x,y)、s(x,y)——以(x,y)为中心领域的均值、标准差,k——修正系数;Niblack二值化算法的关键在于邻域大小和修正系数的选择。

2.2 本文二值化算法

Otsu全局阈值法应用于车牌图像的二值化时,对于前景和背景灰度均匀且光照分布均匀,有较好的对比度的图像能得到很好的二值化效果,而对于前景和背景灰度接近、光照不均、存在阴影等情况的车牌图像其二值化性能下降,甚至失效。Niblack算法在一定程度上解决了光照不均问题,但选取的邻域过小时,极易引入噪声,选取的邻域较大时,耗时长(对于本文数据库,Niblack算法耗时约是Otsu算法的10倍数量级),且极易产生粘连,适应性不足。

本文提出分块二值化算法。该算法通过窗口交叠平移的方式解决直接分块二值化中块与块之间由于阈值的差别引起的同一目标二值化不连续的问题。如图1所示,假设需要获取中间窗口5的二值化阈值,考虑将其与具有相同尺寸大小的8个邻域窗口合并作为一个大窗口,并计算其阈值作为5的阈值,这里设置小窗口的尺寸为1/4 H,其中H为车牌图像的高;考虑到车牌区域图像中字符和背景在垂直方向有较强的连续性,所以在计算阈值时选取水平特征线(本文选取3条)代替对整个窗口内的像素点进行运算,可以有效减少计算量。计算阈值的具体算法如下:

(1)定义水平4等分大窗口的3条水平直线line1、line2、line3;

(2)分别计算3条直线上像素点的均值m1、m2、m3,以及标准差var1、var2、var3;

(3)取

,其中N1,N2,N3分别为3条水平线上像素的点数,将T作为窗口5的二值化阈值。

济南车牌识别系统

3 实验结果分析

为了验证本文算法的有效性,在自然环境中采集得到包含不同距离、光照、阴影、对比度等情况的3653例包含车牌区域的图像,并使用车牌定位算法获取车牌区域图,建立了一个3653例的车牌区域图数据库。实验平台为VC6.0,CPU四核3.2GHz,内存4G。

图1 分块二值化算法的分块

首先对反色判断算法进行实验,结果如图2所示。图2首先列是原始车牌图像的灰度化图像;第二列是字符垂直笔划区间和背景区间的标示图像,红色标志的区域是字符笔划区间,绿色标示的区域是背景区间;第三列是根据车牌字符的平均灰度和背景的平均灰度的关系所做的反色处理的效果。

本文算法利用了车牌区域图像中字符的笔划边缘丰富且笔划基本等宽的特点,从统计的角度来讲,在水平方向对车牌区域做边缘间距离的统计,字符的垂直笔划的宽度将为多数;其次通过统计水平方向上两边缘的距离小于等于笔划宽度的区间的灰度值和距离大于2倍笔划宽度的区间的灰度值分别作为字符灰度值的估计和背景灰度值的估计,观察实验标记的车牌图像,可以发现假设是符合实际情况的。本文使用3653例车牌图像数据对车牌反色判断算法进行验证并对比文献[3,4]效果,实验结果见表1。

图2 原始车牌区域图(首先列)、反色算法标志(第二列)、反色结果(第三列)

表1 基于灰度均值的算法反色统计

实验时,文献[4]中的P和Q分别取车牌图像宽的1/55和1/8,统计区域取车牌高[1/4H,3/4H]和宽[1/4W,3/4W]时,得到佳结果。

比较算法效果:本文算法具有自适应性,得到了较高的准确率。表2所示,从耗时来看,本文算法由于需要通过统计估计字符笔划宽度,耗时略多,但完全满足实时车牌识别系统要求。

本文分块二值化算法对比于Otsu以及Niblack算法的二值化效果,如图3所示。

表2 反色判断各算法耗时情况

图3中,首先列为原始的车牌图像灰度图;第二列是使用Otsu算法得到二值化图;第三列是使用Niblack算法得到的二值化图,其中领域取7×7,修正系数取-0.1;第四列为本文算法二值化效果图。本文算法相较于Otsu算法,对光照不均和较低对比度的情况有更好的适应性。Niblack算法选取合适的邻域和修正系数时能较好的处理光照不均和低对比度等图像,但同时存在邻域和修正系数不能自适应选择的难题。本文二值化算法已经应用到实际的车牌识别系统之中,并取得满意效果。

图3 原始图像(首先列)和Otsu算法(第二列)、Niblack算法(第三列)、本文算法(第四列)二值化图像效果比较

各算法耗时见表3,本文算法的耗时和Otsu是一个量级,且都小于0.1 ms;Niblack算法在选择邻域为7×7像素时,耗时是本文算法的102倍数量级。

4 结束语

本文通过研究车牌的纹理特征,完成了车牌字符的自适应垂直笔划检测算法,并在此基础上统计得到前景与背景的平均灰度值,进而实现了车牌的反色判断;为验证算法的有效性,使用采集得到的包含各种光照分布、拍照距离、污损程度、噪声干扰的车牌图像进行了实验,共3653例,反色判断的准确率99.48%,平均耗时0.54 ms;在车牌定位区域较准确的情况下,比较算法在一定程度上也可以解决反色判断问题,但在定位区域过大,车牌比例不一等情况下,本文算法的鲁棒性明显优于比较算法。分块二值化算法给出了一种解决车牌图像阴影、曝光不足或过度、对比度底等问题的实际应用,具有较高的实时性,已经引入车牌识别系统中,并满足系统需求;该算法同时也引入了少量噪声,可在后期加入去噪模块


相关文章: 济南车牌识别系统

在线客服
app赌博软件-正规赌博十大网站app
Baidu
sogou