基于图像处理和投影的车牌定位方法

　　车牌的定位在车牌识别系统中有着重要的地位,是后续车牌字符识别的前提条件。但是由于车牌定位的车牌图片采集于户外，图像背景复杂、噪声干扰严重，图像质量较低，因此车牌定位往往受到影响而不能准确定位。所以在车牌定位算法中，关键是寻找某种图像处理方法，使原始图像经过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。文中主要针对的是蓝底白字车牌，首先利用车牌蓝色特征和图像处理的方法进行初次定位，减少了车牌候选区域，然后对初次定位的车牌图片进行投影，最终完成车牌定位。

　　1. 车牌初步定位

　　1.1. RGB 空间向HSI空间转化后的车牌

　　彩色图像包含丰富的颜色信息，给人良好的视觉效果，根据这一特点进行初次定位。但在一般情况下，彩色图片都在RGB 模型下，而HSI模型较适合人的视觉系统，所以需进行颜色空间转换，将RGB模型转化为HSI模型，从RGB 空间到H SI空间的转换公式为：

　　当B <=G 时，H = θ;当B > G 时，H = 360°- θ.。

　　蓝底白字车牌中，蓝色的色度H 约为240°，饱和度S 值较大。通过这两个量，可以将输入图像中的蓝色部分全部过滤，从而去除了大量的背景噪音。

　　经实验测试蓝色车牌的色度>=0.75，饱和度>=0.51。由此可见利用HS I空间的色度和饱和度的范围值可以得到粗定位车牌区域，结果如图1所示。

　　1.2. 车牌定位的预处理过程

　　经过初步定位后，车牌范围减小，将车牌图像进行灰度处理，灰度图像的纹理分布主要在车灯、车牌、散热器，而且车牌位置的灰度值也与其他部位的不同，非车牌区域大部分灰度变化都比较平缓。

　　( 1)去除孤立亮点

　　一般情况下，车牌图像的采集过程，受到各种因素的影响，如背景，光照以及车本身的一些特征因素,容易造成图片存在噪音，由于初定位已经将大部分的车牌图片背景去除，因此减少了噪音点。为了缩小车牌的可能区域，采用M atlab工具箱中的bwmorph函数,可以有效地将孤立点去除，结果如图3所示。

　　( 2)移差扫描与边缘检测

　　移差扫描就是从左到右扫过整个图像，以相邻的像素作为消弱水平纹理的灰度级，保留并增多纵向跳变处的灰度级，如式( 4)所示。

　　式中，f (xj，yi) 是原图像，g (xj，y i) 是扫描后的图像，经过处理，图像的垂直纹理和线条变得比较明显，从而消弱了其他区域突出了车牌区域。如图4所示。再利用边缘检测，将车牌所在区域的边界从整个图片中加以突出，使车牌区域的特征更加明显。效果如图5所示。

　　图5边缘检测图