導(dǎo)語(yǔ)：如何才能寫好一篇卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵技術(shù)，這就需要搜集整理更多的資料和文獻(xiàn)，歡迎閱讀由公務(wù)員之家整理的十篇范文，供你借鑒。

篇1

關(guān)鍵詞：車牌；識(shí)別；專利；分析

引言

車牌識(shí)別技術(shù)[1-2]是指自動(dòng)提取受監(jiān)控區(qū)域車輛的車牌信息并進(jìn)行處理的技術(shù)，其通過運(yùn)用圖像處理、計(jì)算機(jī)視覺、模式識(shí)別等技術(shù)，對(duì)攝像頭捕獲的車輛照片或視頻進(jìn)行分析，進(jìn)而自動(dòng)識(shí)別車輛的車牌號(hào)碼。車牌識(shí)別技術(shù)可應(yīng)用于停車場(chǎng)自動(dòng)收費(fèi)管理、道路監(jiān)控等領(lǐng)域，在城市交通管理中發(fā)揮了重要作用。

1 中國(guó)專利申請(qǐng)情況分析

以CNABS專利數(shù)據(jù)庫(kù)中的檢索結(jié)果為分析樣本，介紹車牌識(shí)別技術(shù)的中國(guó)專利申請(qǐng)量趨勢(shì)以及重要申請(qǐng)人的狀況。

1.1 第一階段（2005年及之前）

在這階段，申請(qǐng)量極少且申請(qǐng)人也極少，且針對(duì)的環(huán)境較為簡(jiǎn)單，處于技術(shù)的萌芽階段，其中，專利CN1529276，通過車牌定位、字符分割和分類識(shí)別完成機(jī)動(dòng)車牌號(hào)自動(dòng)識(shí)別，其實(shí)現(xiàn)過程較為簡(jiǎn)單，具體細(xì)節(jié)描述較少。

1.2 第二階段（2006年-2010年）

在這階段的申請(qǐng)量比上一階段有所增加，而且申請(qǐng)人數(shù)量相較之前也有增長(zhǎng)，其中來自高校的申請(qǐng)量明顯增加，反映出了高校研究者開始更加注重對(duì)研究成果的保護(hù)，這一階段的專利所針對(duì)的環(huán)境場(chǎng)景更為復(fù)雜，識(shí)別準(zhǔn)確率得到提高，對(duì)車牌定位、字符分割、字符識(shí)別等關(guān)鍵技術(shù)的研究更為深入。

1.3 第三階段（2011年及以后）

在2011年之后車牌識(shí)別技術(shù)的專利申請(qǐng)量呈現(xiàn)快速增長(zhǎng)，這一階段車牌識(shí)別技術(shù)得到了更進(jìn)一步的豐富，涉及的關(guān)鍵技術(shù)的解決途徑也呈現(xiàn)出多樣性，檢測(cè)效率和精度也得到進(jìn)一步提高，其中，專利CN104035954A，涉及一種基于Hadoop的套牌車識(shí)別方法，將云計(jì)算應(yīng)用于車牌識(shí)別，使得與傳統(tǒng)環(huán)境下不經(jīng)過優(yōu)化的方法相比具有^高的運(yùn)行效率和加速比，可以有效地識(shí)別套牌車。

圖2示出了中國(guó)重要申請(qǐng)人分布情況，申請(qǐng)量分布前十的申請(qǐng)人包括：電子科技大學(xué)、深圳市捷順科技實(shí)業(yè)股份有限公司（捷順科技）、浙江宇視科技有限公司（宇視科技）、信幀電子技術(shù)（北京）有限公司（信幀電子）、中國(guó)科學(xué)院自動(dòng)化研究所（自動(dòng)化研究所）、安徽清新互聯(lián)信息科技有限公司（清新互聯(lián)）、青島海信網(wǎng)絡(luò)科技股份有限公司（海信網(wǎng)絡(luò)）、浙江工業(yè)大學(xué)、四川川大智勝軟件股份有限公司（川大智勝）、上海高德威智能交通系統(tǒng)有限公司（高德威智能交通），從圖2中可以看出，不同申請(qǐng)人的申請(qǐng)量差距不是很大，幾乎保持在一個(gè)比較持平的狀態(tài)。

電子科技大學(xué)在車牌識(shí)別技術(shù)的專利申請(qǐng)中，CN 101064011A提出一種基于小波變換的復(fù)雜背景中的車牌提取方法，可大大提高對(duì)晴天、雨天、霧天、白天及夜晚等環(huán)境的通用性和適用性，實(shí)現(xiàn)車牌的精確定位并提高車牌提取的準(zhǔn)確度；CN 103455815A提出一種復(fù)雜場(chǎng)景下的自適應(yīng)車牌字符分割方法，能快速、準(zhǔn)確地搜索2、3字符間隔位置，實(shí)現(xiàn)自適應(yīng)調(diào)整分割參數(shù)，使車牌字符分割穩(wěn)定可靠，在復(fù)雜的環(huán)境中魯棒性強(qiáng)，防止噪聲干擾；CN 105005757A提出一種基于Grassmann流行的車牌字符識(shí)別方法，最大限度地利用了已獲得的車牌字符信息以及同類字符之間的相互關(guān)系，對(duì)于車牌字符的成像質(zhì)量要求更低，應(yīng)用于復(fù)雜的環(huán)境中具有很好的魯棒性和準(zhǔn)確性。

2 關(guān)鍵技術(shù)分析

一個(gè)完整的車牌定位與識(shí)別系統(tǒng)，其前端包括圖像采集和傳輸系統(tǒng)，末端還需要與數(shù)據(jù)庫(kù)相連接。從定位到識(shí)別的核心算法上，主要包括圖像預(yù)處理、車牌定位、字符分割和字符識(shí)別四大部分[3]。

圖像預(yù)處理，是指通過對(duì)攝像頭捕獲的彩色圖像進(jìn)行預(yù)處理。常用的預(yù)處理方法包括圖像灰度化、圖像二值化、邊緣檢測(cè)等。

車牌定位，是指在經(jīng)預(yù)處理后的車輛圖像中，定位出車輛的車牌所在位置。常用的車牌定位方法包括基于紋理分析的方法、基于數(shù)學(xué)形態(tài)學(xué)的方法、基于邊緣檢測(cè)的方法、基于小波變換的方法和基于神經(jīng)網(wǎng)絡(luò)的方法等。CN 104298976A提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的車牌檢測(cè)方法，利用卷積神經(jīng)網(wǎng)絡(luò)完整車牌識(shí)別模型對(duì)車牌粗選區(qū)域進(jìn)行篩選，獲取車牌最終候選區(qū)域。

字符分割，是指將定位出的車牌區(qū)域圖像分割成單個(gè)的字符圖像。常用的字符分割方法包括基于輪廓的方法、基于投影的方法、基于模板匹配的方法和基于連通區(qū)域的方法等。CN 104408454A提出一種基于彈性模板匹配算法的車牌字符分割方法，基于彈性模板，通過插空進(jìn)行模板序列形狀的彈性調(diào)整，將車牌圖片與理想模板進(jìn)行匹配，獲得全局最優(yōu)匹配，確定字符位置，將分割算法作用于投影序列，實(shí)現(xiàn)對(duì)車牌字符的分割。

字符識(shí)別，是指對(duì)字符分割之后的單個(gè)字符圖像進(jìn)行識(shí)別，進(jìn)而得到車輛的車牌號(hào)碼。常用的車牌字符識(shí)別方法包括基于字符結(jié)構(gòu)特征的識(shí)別方法、基于模板匹配的識(shí)別方法、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法、基于模糊理論的模式識(shí)別方法和基于支持向量機(jī)分類識(shí)別方法等。CN 105975968A提出一種基于Caffe框架的深度學(xué)習(xí)車牌字符識(shí)別方法，以基于Caffe架構(gòu)的深度學(xué)習(xí)為基礎(chǔ)，解決了現(xiàn)有的車牌字符識(shí)別方法中對(duì)傾斜、斷裂、相近字符識(shí)別精度不高的問題，大大提高了對(duì)于車牌字符的識(shí)別精度。

3 結(jié)束語(yǔ)

本文以車牌識(shí)別相關(guān)專利文獻(xiàn)為樣本，分析統(tǒng)計(jì)了該技術(shù)中國(guó)專利申請(qǐng)現(xiàn)狀，并對(duì)車牌識(shí)別技術(shù)的關(guān)鍵技術(shù)進(jìn)行簡(jiǎn)單分析。在經(jīng)歷了從無到有、從萌芽到飛速發(fā)展的階段之后，車牌識(shí)別技術(shù)慢慢走向成熟，越來越多的企業(yè)和高校在車牌識(shí)別的研究上投入了大量的精力，也獲得了豐碩的研究成果。

參考文獻(xiàn)

[1]尹旭.汽車牌照定位研究綜述[J].電腦知識(shí)與技術(shù)，2010，6（14）：3729-3730.

篇2

1.人臉識(shí)別管理的優(yōu)劣勢(shì)分析

人臉識(shí)別技術(shù)是通過生物特征進(jìn)行識(shí)別的技術(shù)，通過識(shí)別每個(gè)人的臉部特征，將采集的圖像與系統(tǒng)的圖像庫(kù)信息進(jìn)行比對(duì)，實(shí)現(xiàn)識(shí)別的目的。其有3個(gè)優(yōu)點(diǎn)，一是非接觸性，被考勤人員不需要和相關(guān)設(shè)備直接接觸，而指紋采集和一卡通刷卡則必須接觸設(shè)備；二是非強(qiáng)制性，只要出現(xiàn)在人臉采集的特定區(qū)域時(shí)，設(shè)備便會(huì)主動(dòng)采集信息；三是并發(fā)性，若在特定區(qū)域同時(shí)出現(xiàn)多人時(shí)，可以將全部人臉信息記錄。人臉識(shí)別技術(shù)也有缺點(diǎn)，一是容易受到光線環(huán)境的影響，若光線過強(qiáng)或嚴(yán)重不足都會(huì)影響人臉信息的采集；二是易受到頭發(fā)、飾物遮擋的影響，有可能造成采集人像的不完整，導(dǎo)致比對(duì)信息失敗。這些確定會(huì)在一定程度上影響數(shù)據(jù)采集的準(zhǔn)確性，會(huì)造成比對(duì)結(jié)果的判斷不準(zhǔn)確，但隨著人臉識(shí)別技術(shù)算法的不斷更新，精確度也會(huì)得以提升。

2.人臉識(shí)別的關(guān)鍵技術(shù)

1）人臉關(guān)鍵點(diǎn)檢測(cè)

人臉關(guān)鍵點(diǎn)檢測(cè)是在人臉檢測(cè)的基礎(chǔ)上，自動(dòng)確定人臉各關(guān)鍵點(diǎn)的位置，如眼角、瞳孔、鼻尖、嘴角等。不能忽視了初始狀態(tài)對(duì)關(guān)鍵點(diǎn)檢測(cè)的影響。采用基于深度初始化網(wǎng)絡(luò)的人臉關(guān)鍵點(diǎn)檢測(cè)算法，能夠有效克服初始位置、人臉姿態(tài)、表情等因素對(duì)關(guān)鍵點(diǎn)檢測(cè)精度的影響，從而得到人臉各關(guān)鍵點(diǎn)的準(zhǔn)確位置。

2）人臉紋理正規(guī)化

將不同光照、姿態(tài)或表情的人臉，還原至良好光照、正面和無表情的人臉，減小待匹配人臉圖片與信息庫(kù)中人臉圖片的差異，從而降低特征提取和識(shí)別的難度。在光照嚴(yán)重不足或太過強(qiáng)烈、角度過大、表情夸張的情況下，如果強(qiáng)行改變光照強(qiáng)度、旋轉(zhuǎn)至正面人臉、還原至正常表情，必然會(huì)引入大量“非自然”信息，使得正規(guī)化的人臉產(chǎn)生畸變、扭曲和紋理缺失。這樣不僅不會(huì)對(duì)人臉識(shí)別產(chǎn)生幫助，反而會(huì)降低其性能?？梢越梃b人臉合成和生成對(duì)抗網(wǎng)絡(luò)的方法，通過初始數(shù)據(jù)庫(kù)的搭建、紋理正規(guī)化網(wǎng)絡(luò)的構(gòu)建以及網(wǎng)絡(luò)的融合訓(xùn)練，實(shí)現(xiàn)一個(gè)端到端的、由數(shù)據(jù)驅(qū)動(dòng)的紋理正規(guī)化網(wǎng)絡(luò)和特征識(shí)別網(wǎng)絡(luò)。它能夠在提取深度特征的過程中，自適應(yīng)地根據(jù)人臉識(shí)別的任務(wù)對(duì)人臉的紋理進(jìn)行光照、姿態(tài)和表情的正規(guī)化，從而達(dá)到提高人臉識(shí)別性能的目的。

3）人臉特征提取

基于深層卷積神經(jīng)網(wǎng)絡(luò)，通過融合人臉多尺度特征信息，獲取高層語(yǔ)義特征表達(dá)，提升人臉特征的區(qū)分性。促使同一個(gè)人的人臉特征表達(dá)具有更高的相似性，不同人臉的特征表達(dá)相似度更低。

4）人臉特征比對(duì)

針對(duì)人臉識(shí)別中經(jīng)常遇見的跨場(chǎng)景人臉識(shí)別問題，如待驗(yàn)證照片與現(xiàn)場(chǎng)照片非同源、年齡跨度大、分辨率和角度差異明顯等問題，采取自適應(yīng)學(xué)習(xí)方法。通過算法縮小不同場(chǎng)景圖像之間的數(shù)據(jù)分布差異，將不同場(chǎng)景的人臉圖像映射到同一個(gè)具有更好表達(dá)能力的特征空間進(jìn)行比較，從而保證同一個(gè)人的人臉特征表達(dá)具有更高的相似性分?jǐn)?shù)，不同人臉的特征相似性分?jǐn)?shù)更低。

3.人臉識(shí)別管理系統(tǒng)的功能模塊

1）基礎(chǔ)數(shù)據(jù)的獲取

初始化數(shù)據(jù)是整個(gè)系統(tǒng)運(yùn)行的基礎(chǔ)，可以將學(xué)生的基本信息整體導(dǎo)入系統(tǒng)，特別是身份證的完整信息，包含證件照。給學(xué)生管理人員開放權(quán)限，可供查詢、修改、刪除數(shù)據(jù)等維護(hù)功能。基本信息中結(jié)構(gòu)和屬性字段比較簡(jiǎn)單的部分直接導(dǎo)入，對(duì)于哪個(gè)時(shí)間段是正常簽到、遲到、早退、曠課、晚歸等，需要進(jìn)行單獨(dú)標(biāo)明。同時(shí)也需要將人臉識(shí)別設(shè)備和教室信息進(jìn)行綁定，條件允許的情況下，各教室配備一臺(tái)識(shí)別設(shè)備。若成本過高，則可考慮每層樓配備一臺(tái)設(shè)備，將每層樓的教室信息與設(shè)備綁定。

2）教務(wù)系統(tǒng)的接入

考勤數(shù)據(jù)是基于每學(xué)期的課程安排和作息時(shí)間安排，在此之上增加學(xué)生的出勤狀態(tài)。通過教務(wù)系統(tǒng)的接入，直接獲取班級(jí)的排課情況，并將作息時(shí)間安排一并導(dǎo)入，則可通過數(shù)據(jù)的對(duì)接，實(shí)現(xiàn)考勤情況的記錄。

3）識(shí)別數(shù)據(jù)日志

數(shù)據(jù)日志用于記錄學(xué)生到教師或者宿舍樓的時(shí)間點(diǎn)，與基礎(chǔ)數(shù)據(jù)中的導(dǎo)入的身份證照片、學(xué)號(hào)、班級(jí)等信息建立對(duì)應(yīng)關(guān)系。因此，當(dāng)人臉識(shí)別設(shè)備識(shí)別到信息是，便會(huì)登記采集數(shù)據(jù)的時(shí)間，通過與基礎(chǔ)數(shù)據(jù)庫(kù)的信息之間的綁定關(guān)系，記錄下采集數(shù)據(jù)時(shí)的圖像、學(xué)號(hào)、日期、時(shí)間、識(shí)別設(shè)備、教室等信息。

篇3

關(guān)鍵詞： 車牌定位；圖像處理；HSV顏色模型；邊緣檢測(cè)；數(shù)學(xué)形態(tài)學(xué)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）32-0184-03

Vehicle License Plate Locating Method Based On Color Positioning and Edge Detection

WU Lei， WANG Xiao-fei， LI Yan*

（School of Information Engineering，Hubei University for Nationalities， Enshi 445000， China）

Abstract：License plate recognition technology is one of the key technologies of intelligent traffic management system， license plate location is the basis for the realization of license plate recognition. Fast， accurate and robust license plate location technology can give a great help to the license plate recognition. In view of the problem of license plate location， this paper proposes a color location method based on HSV color model and the edge detection method based on vertical edge detection. Combined with the use of the two methods not only to achieve a fast， accurate positioning， but also for the license plate recognition follow the character segmentation， character positioning and other steps to lay a solid foundation.

Key words：vehicle license plate recognition； image processing； HSV color model；edge detection； mathematical morphology

1 引言

S著當(dāng)今社會(huì)經(jīng)濟(jì)的飛速發(fā)展，車輛的數(shù)量也變得與日聚增起來。高速增長(zhǎng)的汽車數(shù)量和落后的停車場(chǎng)管理模式形成了鮮明的矛盾沖突。于是，智能車輛管理系統(tǒng)的實(shí)現(xiàn)變得尤為重要。實(shí)現(xiàn)智能車輛管理系統(tǒng)的核心內(nèi)容就是能夠自動(dòng)化識(shí)別車輛車牌，而作為車牌識(shí)別核心技術(shù)的第一步――車牌定位技術(shù)的好壞極大程度上決定了車牌識(shí)別的性能。

目前車牌定位的實(shí)現(xiàn)方法大體分為兩類，一類是基于灰度圖像的車牌區(qū)域定位方法，另一類是基于彩色圖像的車牌區(qū)域定位方法。前者主要有基于紋理特征法、基于數(shù)學(xué)形態(tài)學(xué)法、基于小波分析法等方法。后者主要有基于RGB顏色法、基于神經(jīng)網(wǎng)絡(luò)法等。本文結(jié)合兩類不同的方法，先采用改良的RGB顏色法――HSV顏色模型來識(shí)別車牌，可以定位出大部分顏色鮮明的車牌，由于此方法受圖片質(zhì)量影響較大，我們?cè)陬伾ê蟛捎眠吘墮z測(cè)定位法，通過垂直邊緣檢測(cè)，將圖片中垂直邊緣較多的區(qū)域定位出來，兩種方法的結(jié)合可以獲得車輛圖片中車牌所在的區(qū)域，判斷出真正的車牌位置。

2 顏色定位

采用RGB顏色定位方法需要RGB的3個(gè)分量（Red分量--紅色，Green分量--綠色，Blue分量--藍(lán)色）共同確定一個(gè)顏色標(biāo)準(zhǔn)，我國(guó)大部分車牌都是藍(lán)色，我們要從Blue分量中找到分量的閾值確定藍(lán)色的范圍，這本就不是一件容易的事。但是我們往往不只有3原色構(gòu)成的車牌，遇到像黃色的車牌時(shí)情況會(huì)更加復(fù)雜，需要考慮Red分量和Green分量的配比問題。這些問題讓單純選擇RGB顏色定位變得分外困難。

為了解決這些問題我們采用HSV顏色模型，如圖1所示。HSV模型是根據(jù)顏色的直觀特性創(chuàng)建的一種圓錐模型。與RGB顏色模型中的每個(gè)分量都代表一種顏色不同的是，HSV模型中每個(gè)分量并不代表一種顏色，而分別是：色調(diào)（H），飽和度（S），亮度（V）。

H分量是代表顏色特性的分量，用角度度量，取值范圍為0～360，從紅色開始按逆時(shí)針方向計(jì)算，紅色為0，綠色為120，藍(lán)色為240。S分量代表顏色的飽和信息，取值范圍為0.0～1.0，值越大，顏色越飽和。V分量代表明暗信息，取值范圍為0.0～1.0，值越大，色彩越明亮。我們可以從一種純色彩開始，即指定色彩角H，并讓V=S=1，然后我們可以通過向其中加入黑色和白色來得到我們需要的顏色。增加黑色可以減小V而S不變，同樣增加白色可以減小S而V不變。這就意味著通過保持V，S不變來找表示顏色的H的范圍，再反過來通過H的范圍確定V，S的取值范圍，從而可以確定出我們需要的顏色范圍，如圖2所示。

采用顏色定位我們首先需要將圖像顏色空間從RGB轉(zhuǎn)換為HSV，再遍歷圖像的所有像素，將滿足HSV范圍內(nèi)的像素點(diǎn)標(biāo)記為白色，其余部分標(biāo)記為黑色。所得圖片中白色部分為車牌位置。再采用閉操作，取輪廓等操作獲取目標(biāo)車牌。

3 邊緣檢測(cè)定位

邊緣檢測(cè)是圖像處理和計(jì)算機(jī)視覺中的基本問題，邊緣檢測(cè)的目的是標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)。而本文采用的是基于垂直邊緣的檢測(cè)方法。因?yàn)橐话愕能嚺茍D片在沒經(jīng)過一定的處理之前車牌邊緣都有很多垂直邊緣，那么就可以以此來判定車牌的位置。

車牌定位準(zhǔn)確率的高低與圖片的好壞有著密不可分的關(guān)系，如圖片的天氣，環(huán)境等外界環(huán)境因素直接影響圖片的識(shí)別率。所以在進(jìn)行識(shí)別之前必須對(duì)車輛圖片進(jìn)行預(yù)處理，消除干擾并突出車牌特征。

這里對(duì)車輛圖片進(jìn)行車牌邊緣檢測(cè)定位的流程如圖3所示：

3.1 高斯模糊

對(duì)車輛圖片先進(jìn)行高斯模糊就是把圖片中某一點(diǎn)周圍的像素色值按高斯曲線統(tǒng)計(jì)起來，采用數(shù)學(xué)上加權(quán)平均的計(jì)算方法得到這條曲線的色值，最后能夠留下物體的輪廓。高斯模糊使圖片變得更平滑，去除了干擾的噪聲對(duì)后面車牌的判斷打下了堅(jiān)實(shí)的基礎(chǔ)。

3.2 灰度化

將彩色圖像轉(zhuǎn)化成為灰度圖像的過程稱為圖像的灰度化處理。彩色圖像中的每個(gè)像素的顏色有R、G、B三個(gè)分量決定，而每個(gè)分量有255中值可取，這樣一個(gè)像素點(diǎn)可以有255*255*255種顏色的變化范圍。而灰度圖像是R、G、B三個(gè)分量相同的一種特殊的彩色圖像，也正因?yàn)槿绱?，?duì)圖像的灰度化處理存在的最大爭(zhēng)議就是圖像信息的丟失，圖像信息的丟失可能使得對(duì)車牌的識(shí)別變得更加復(fù)雜。但對(duì)于計(jì)算機(jī)而言，處理灰度化圖像相比于處理彩色圖像要更加容易，同時(shí)，現(xiàn)在已研究的很多處理圖像的算法和技術(shù)僅支持對(duì)灰度化圖像的處理，在現(xiàn)今的科技狀況下對(duì)圖像灰度化處理使我們更便捷地獲取所需要的信息。但無疑，對(duì)彩色圖像直接進(jìn)行判斷更符合人眼識(shí)別的規(guī)律，更趨近人工智能的本質(zhì)，也是今后研究的方向與趨勢(shì)。一般有以下四種方法對(duì)彩色圖像進(jìn)行灰度化處理：分量法，最大值法，平均值法，加權(quán)平均法。

（1）分量法：將彩色圖像中的三分量的亮度作為三個(gè)灰度圖像的灰度值，可根據(jù)應(yīng)用需要選取一種灰度圖像。

f1（i，j） = R（i，j）f2（i，j） = G（i，j）f3（i，j） = B（i，j）

其中fk（i，j）（k=1，2，3）為轉(zhuǎn)換后的灰度圖像在（i，j）處的灰度值。

（2）最大值法：將彩色圖像中的三分量亮度的最大值作為灰度圖的灰度值。

f（i，j） = max（R（i，j）， G（i，j）， B（i，j））

（3）平均值法：⒉噬圖像中的三分量亮度求平均得到一個(gè)灰度值。

f（i，j） = （ R（i，j） + G（i，j） + B（i，j） ） /3

（4）加權(quán)平均法：根據(jù)重要性及其他指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，按下式對(duì)RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。

f（i，j） = 0.30 R（i，j） + 0.59 G（i，j） + 0.11 B（i，j））

3.3 Sobel算子

Sobel算子是邊緣檢測(cè)定位中的核心算法，用于檢測(cè)圖像的垂直邊緣，便于區(qū)分車牌。

Sobel算子是一階導(dǎo)數(shù)的邊緣檢測(cè)算子，在算法實(shí)現(xiàn)過程中，通過3×3模板作為核與圖像中的每個(gè)像素點(diǎn)做卷積和運(yùn)算，如下所示，其中A為原圖像，然后選取合適的閾值以提取邊緣。

許多學(xué)者已經(jīng)提出了很多圖像檢測(cè)算子，如Sobel算子、Laplace算子、Canny算子等。比較常用的有Sobel算子和Laplace算子。Sobel算子求圖像的一階導(dǎo)數(shù)，Laplace算子則是求圖像的二階導(dǎo)數(shù)，在通常情況下，也能檢測(cè)出邊緣，不過Laplace算子的檢測(cè)不分水平和垂直。

3.4 二值化

圖像的二值化，就是將圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的只有黑和白的視覺效果。一幅圖像包括目標(biāo)物體、背景還有噪聲，要想從多值的數(shù)字圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，然后分別設(shè)置為黑白兩種顏色，實(shí)現(xiàn)了整個(gè)圖像的二值化。

3.5 閉操作

對(duì)二值化圖像先進(jìn)行膨脹運(yùn)算，其次進(jìn)行腐燭運(yùn)算，此組合運(yùn)算即為圖像的閉運(yùn)算。對(duì)二值化圖像先進(jìn)行腐燭運(yùn)算，其次進(jìn)行膨脹運(yùn)算，此組合運(yùn)算即為圖像的開運(yùn)算。閉操作可使輪廓線更光滑，但與開操作相反的是，閉操作通常消除狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的空洞，并填補(bǔ)輪廓線中的斷裂。使用結(jié)構(gòu)元素B對(duì)集合A進(jìn)行閉操作，數(shù)學(xué)表達(dá)為：

這個(gè)公式表明，使用結(jié)構(gòu)元素B對(duì)集合A的閉操作就是用B對(duì)A進(jìn)行膨脹，然后用B對(duì)結(jié)果進(jìn)行腐蝕。

3.6 取輪廓，篩選，角度與尺寸判斷

經(jīng)過上述一系列的圖像操作我們可以得到一張包含許多獨(dú)立圖塊的圖像，取輪廓操作就是將圖像中的所有獨(dú)立的不與外界有交接的圖塊取出來。然后根據(jù)這些輪廓，求這些輪廓的最小外接矩形。尺寸判斷操作是對(duì)外接矩形進(jìn)行判斷，以判斷它們是否是可能的候選車牌的操作。經(jīng)過尺寸和角度判斷，會(huì)排除大量由輪廓生成的不合適尺寸的最小外接矩形。接下來需要對(duì)剩下的圖塊進(jìn)行旋轉(zhuǎn)操作，將傾斜的車牌調(diào)整為水平，為后面的車牌判斷與字符識(shí)別提高成功率的關(guān)鍵環(huán)節(jié)。最后確定我們要識(shí)別的車牌的尺寸。

4 結(jié)論

本文提出了兩種關(guān)于車牌識(shí)別中車牌定位的方法，采用改進(jìn)的HSV顏色模型，準(zhǔn)確，快速地對(duì)顏色鮮明的車牌進(jìn)行定位，簡(jiǎn)化了車牌定位中一些圖片處理和特征判斷的過程。而另一種方法是邊緣檢測(cè)中垂直邊緣定位的方法，垂直邊緣的選擇讓此方法能獲得更高的準(zhǔn)確率，同時(shí)采用圖像處理，數(shù)學(xué)形態(tài)學(xué)等多種算法強(qiáng)化了圖片中的許多特征量，極大提高了垂直邊緣的判斷。

雖然采用兩種定位方法的結(jié)合，極大提高了車牌定位的準(zhǔn)確率，但仍然有不足之處，需要進(jìn)一步完善。兩種方法都需要較高的圖片質(zhì)量，大量的光暗區(qū)域和嚴(yán)重的雨雪天氣都會(huì)對(duì)車牌定位的準(zhǔn)確率產(chǎn)生較大的影響。還有如顏色定位中一旦車輛的顏色與車牌的顏色一致，那判斷的準(zhǔn)確率會(huì)大大降低。而第二種方法如果遇到大量垂直邊緣的車輛也會(huì)造成較大的誤差。

參考文獻(xiàn)：

[1] 魏平順.智能交通系統(tǒng)中車標(biāo)圖像識(shí)別技術(shù)研究[D].南京：南京理工大學(xué)，2013.16-25.

[2] 李俠.車標(biāo)定位技術(shù)研究[D].大連：遼寧師范大學(xué)，2011，16-26.

[3] 張闖， 孫興波， 陳瑤，等. 常用邊緣檢測(cè)技術(shù)的對(duì)比[J].傳感器世界， 2013，19（11）：20-23.