东丽区电动车牌识别厂家供应

对车牌图像进行图像形态学操作
由于成像系统、传输介质、记录设备等的不完善，以及天气情况的变化等，车牌图像往往受到多种噪声的污染。在经过二值化处理的车牌图像上，会出现一些与要研究的对象（即车牌区域）不相关的孤立点或者像素块，扰乱图像的研究对象，影响对车牌区域的提取、分割等操作。于是要构造一种有效抑制噪声的滤波器来有效的去除目标和背景中的噪声，同时，能够很好地保护车牌区域的形状、大小及特定的车牌纹理特征。 图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像处理中消除噪声的不可或缺的操作，其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和可靠性。常用的滤波操作方法有很多种，如中值滤波、形态学滤波、高斯滤波、双边滤波等。我们在这里介绍一下中值滤波和本文所研究系统采用的形态学滤波。
车牌识别系统也是基于形态学操作的重要性质，对经过二值化后的车牌图像首先进行闭运算操作，使得车牌的字符区域连接起来，然后对车牌图像进行开运算操作，来消除车牌上的噪声，得到明亮的车牌区域从候选区域中去除伪车牌并定位出车牌区域 通过对车牌图像的数学形态算，图像中剩下少部分的连通区域，即为车牌的候选区域，这些区域包括车牌区域和伪车牌区域，为此，需要从图像中去除伪车牌并定位出车牌。
首先，经过对白色连通区域的轮廓进行处理得到矩形边界框，再根据我国车牌长宽比的特征，即44:14，考虑到在车牌定位过程中，由于对车牌的数学形态学操作会减少车牌信息以及拍摄所得到的车牌图像中车牌的倾斜等原因，取长宽阈值为2.0-6.0，这样就剔除了长宽比不符合条件的候选区域。 然后，由于对车牌图像的数学形态学操作会减少车牌信息，所以定位出的车牌区域会有可能小于车牌的实际区域，这时，我们就需要对定位出的车牌区域进行放大，在这里，我们对车牌区域进行放大的比例是120%，即对已经定位出的车牌候选区域的边界进行扩大。车牌由七个字符组成，在对候选区域对应的灰度化图像进行边缘检测二值化之后，正常情况下，车牌水平投影区域内每行的边缘点数要大于14，根据经验值，我们取15。在车牌水平投影区域内会出现较大的波峰，该波峰认为是车牌的上下边界，根据实验结果，要求波峰的始点和终点之差大于20小于120，从而得到车牌的上下边界。后，根据二值化车牌图像中车牌的纹理特征信息，即在车牌区域范围内会出现明显的梯度变化特征，来确定车牌区域，终定位出车牌。在二值化图像中，255代表车牌图像中的边缘信息，0代表非边缘信息。为了更加精确的定位出车牌和剔除伪车牌，需要对定位出的车牌区域进行筛选，有两个筛选条件，一个是在二值化图像中灰度值为255和灰度值为0的像素比大于0.25，另一个是二值化图像中灰度的跳变次数范围是[5,30]。
通过对车牌图像的灰度处理、边缘检测、二值化、图像形态学操作定位出车牌的候选区域，接着利用车牌的特征，如长宽比、像素比等，从候选区域中定位出车牌

号码识别
为了进行车牌识别，需要以下几个基本的步骤：
1)牌照定位，定位图片中的牌照位置；
2)牌照字符分割，把牌照中的字符分割出来；
3)牌照字符识别，把分割好的字符进行识别，终组成牌照号码。
车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。
1)牌照定位
自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，后选定一个的区域作为牌照区域，并将其从图像中分离出来。
2)牌照字符分割
完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
3)牌照字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，选择匹配作为结果。基于人工神经网络的算法有两种：一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把图像输入网络，由网络自动实现特征提取直至识别出结果。
实际应用中，车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、**等等；实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率，也正是车牌识别系统的困难和挑战所在。为了提高识别率，除了不断地完善识别算法还应该想办法克服各种光照条件，使采集到的图像利于识别。

Sobel边缘检测算子
Sobel算子是根据邻域像素与当前像素的距离有不同的权值，强调中心像素的对边邻域像素对其的影响，而消弱4个对角近邻像素的作用。图像中每一个像素点都用这两个核做卷积，一个卷积核对图像垂直边缘响应，而另一个则对水平边缘响应，取两个卷积之中的值作为该像素点的输出值。这样使得Sobel算子对噪声有抑制作用，因此不会出现很多孤立的边缘像素点，不过Sobel算子对边缘的定位不是很精确，图像的边界宽度往往不止一个像素，不适合对边缘定位准确性要求很高的应用。与Prewitt相似，Sobel算子也是通过像素平均来实现的，也有一定的抗噪能力。值得注意的是它们都不是各向同性的，所以它们检测出来的边缘并不是完全连通的，会有一定程度的断开。
Sobel边缘检测还有另外一种形式，称为Isotropic Sobel算子，该算子具有各向同性的特征，利用加权平均算子，权值反比于邻点与中心点的距离，当沿着不同方向检测边缘时梯度幅度一致， 因此它的位置加权系数更准确，在检测不同方向上的边缘时梯度的幅度一致，但速度较一般Sobel算子要慢一些。 用于边缘检测的算子很多，常用的还有Laplacian边缘检测算子、Canny边缘检测算子等。

车牌识别系统原理图
车牌识别云台摄像机通过光抑制屏蔽，电子快门调节，宽动态功能等来实现抓拍车牌：
强光屏蔽：在低照度彩色摄像机的基础上，通过软件的功能，把图像中亮的部分遮挡。在交通监控中，一般可将大灯的强光遮挡，从而将车牌较清晰的抓拍下来。但是这款摄像机的缺点就是软件分辨不清，对于图像亮部分界定不清，有可能将车牌号码也遮挡，同时无法处理高速运动物体的抓拍。目前国产摄像机在强光屏蔽方面做的比较多，效果各方反映不一。
可调电子快门：对于高速运动的物体抓拍(高速公路上的汽车车速一般都在70KM/小时以上)，可以通过降低电子快门速度来实现清晰抓拍，一般都是通过手动方式调整。但是这种方式的问题就是白天、晚上的照度不一样，必需设置2个快门速度来分别适应白天和晚上的监控。
宽动态功能：这是解决车灯对于抓拍影响的的办法，宽动态早是松下公司提出来的。当背景光过亮时，普通摄像机无法很好的解决明暗图像的显示问题。
作为智能交通领域确定车辆身份的重要手段，车牌识别技术为实现交通的智能管理发挥了很大作用，在各项工作中都有车牌识别技术的渗透。