沈算子在傾斜車牌校正中的應(yīng)用

1、沈算子在傾斜車牌校正中的應(yīng)用摘要：提出了一種新的車牌傾斜校正方法，該方法首先根據(jù)沈算子檢測(cè)出車牌邊緣，然后將車牌區(qū)域平均劃分為左右兩個(gè)部分，分別計(jì)算這兩個(gè)區(qū)域的重心，連接兩個(gè)部分的重心，最后，計(jì)算出重心與水平方向的夾角，并按此夾角進(jìn)行旋轉(zhuǎn)。實(shí)驗(yàn)證明，這種方法簡(jiǎn)單、實(shí)用，對(duì)光照、污跡等不敏感，抗干擾能力強(qiáng)。關(guān)鍵詞：沈算子；車牌邊緣；邊緣檢測(cè)；傾斜校正；車牌重心0引言目前，智能交通系統(tǒng)已廣泛應(yīng)用于交叉路口監(jiān)控、停車場(chǎng)監(jiān)控以及高速公路收費(fèi)等場(chǎng)合。隨著交通信息化越來越發(fā)達(dá)，交通智能化的研究理所當(dāng)然成為研究熱點(diǎn)之一。車牌識(shí)別是計(jì)算機(jī)視覺與模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用中的一個(gè)重要研究課題，一個(gè)完整的車牌

2、識(shí)別系統(tǒng)主要分為車牌定位、傾斜車牌校正、車牌識(shí)別幾個(gè)步驟。其中車牌圖像往往會(huì)受到采集鏡頭與車牌之間的距離、道路坡度、汽車駕駛速度、天氣、光照以及司機(jī)所掛車牌位置的影響等，我們所采集到的車牌圖像往往會(huì)有一定程度的傾斜，給車牌字符分割和識(shí)別造成影響，車牌的傾斜校正是車牌圖像識(shí)別至關(guān)重要的一步。本文采用沈算子提取車牌邊緣，然后根據(jù)圖像重心計(jì)算出車牌傾斜角度。實(shí)驗(yàn)表明，該算法具有運(yùn)算速度快、抗噪效果好等特點(diǎn)。1邊緣檢測(cè)1.1預(yù)處理由于相機(jī)成像的非均勻性，以及環(huán)境噪聲影響，采集到的圖像往往并不理想，在對(duì)圖像進(jìn)行其他操作以前，一般需要對(duì)圖像進(jìn)行預(yù)處理，例如使用A/D轉(zhuǎn)換器將模擬信號(hào)轉(zhuǎn)化成計(jì)算機(jī)可以處理的數(shù)

3、字信號(hào)等。圖像在計(jì)算機(jī)中以二維矩陣的形式存儲(chǔ)，以圖像中每個(gè)點(diǎn)的灰度值或灰度級(jí)作為圖像矩陣的元素。彩色圖像處理起來，算法比較復(fù)雜，在這里我們先把彩色圖像(RGB)轉(zhuǎn)換成灰度圖像(Gray)。1.2沈算子邊緣檢測(cè)本文選用二階微分算子，即沈俊算子，通過尋找過零點(diǎn)，以完成邊緣提取。相比其他二階微分算子，如Laplacian算子，沈俊算子實(shí)現(xiàn)簡(jiǎn)單，它只需要一個(gè)參數(shù)a0，而且具有很好的抗噪能力。車牌邊緣含有大量的視覺信息，我們要把車牌的邊緣檢測(cè)出來，為接下來的工作做好準(zhǔn)備。目前在邊緣檢測(cè)方面常用的算法像一階微分算子：Roberts算子、Sobel算子和Prewitt算子，其算法比較簡(jiǎn)單，但卻容易出現(xiàn)輪廓斷

4、裂的現(xiàn)象，可能會(huì)漏檢一些比較微弱的邊緣。常用到的二階微分算子一Log算子，效果相對(duì)好些，但計(jì)算起來相對(duì)復(fù)雜。沈算子邊緣檢測(cè)算法和傳統(tǒng)的邊緣檢測(cè)算法相比較，存在一定的優(yōu)點(diǎn)。該算法擁有良好的抗噪效果，獲得的邊緣比較平滑。沈算子屬于先平滑后求導(dǎo)數(shù)的方法，我們將沈算子應(yīng)用到傾斜車牌校正中，其計(jì)算過程如下：對(duì)灰度車牌圖像，分別按行和列進(jìn)行兩次正反向的遞歸濾設(shè)原車牌數(shù)字灰度圖像為f(x,y)(假殳圖像大小為m行n列)，先按行進(jìn)行(OWxm):f1(x,y)二f1(x,y-1)+aO*f(x,y)-f1(x,y-1)y=1,2，nf2(x,y)二f2(x,y+1)+a0*f1(x,y)-f2(x,y+1)y

5、=n-1,n-2,1,0式中，f2(x,y)即為按行進(jìn)行正、反向兩次遞歸濾波后的輸出。其中，a0介于(0,1)之間，當(dāng)a0越接近于1,邊緣的定位精度越高。隨著a0的減小，抗干擾能力增強(qiáng)，但邊緣細(xì)節(jié)丟失增多，邊緣檢測(cè)的精度將受影響。在此基礎(chǔ)上再對(duì)其按列(0yn)謹(jǐn)仃囪次止、反向?yàn)V波：即：f3(x,y)=f3(x-1,y)+a0*f2(x,y)-f3(x-1,y)x=1,2，mf4(x,y)=f4(x+1,y)+a0*f3(x,y)+f4(x+1,y)x=m-1,m-2,1,0這樣，f4(x,y)即為沈算二第一步的運(yùn)算結(jié)采“計(jì)算f4(x,y)與原灰度圖像f(x,y)的差，對(duì)其進(jìn)行二值化處理，將差值

6、為正的點(diǎn)設(shè)為白點(diǎn)(灰度值為255),而差值為負(fù)的像素值設(shè)為黑點(diǎn)(灰度值為0);得到的新灰度圖像矩陣為f5(x,y),即為二值化后得到的結(jié)呆。實(shí)驗(yàn)圖像中可以看出，沈算子邊緣檢測(cè)更有利于我們準(zhǔn)確地找到圖像中的矩形框，得到一幅平滑完整的車牌圖像。實(shí)驗(yàn)結(jié)果如圖1所示。圖1預(yù)處理2用豎直作差法去除車牌邊緣由圖1可以看出，二值化后的車牌圖像仍然有一些不必要的邊緣線存在，而這些邊緣線會(huì)影響到我們下一步的工作，因此，我們采用前后列差的方法消除這些邊緣線。具體算法如下：在二值化得到的灰度圖像f5(x,y)菲礎(chǔ)I從第一行開始，把每一列的像素減去前一列對(duì)應(yīng)的像素值，作為前一列的新像素值，如此進(jìn)行m次。實(shí)驗(yàn)結(jié)果如圖2

7、所示。算法的時(shí)間復(fù)雜度為0(m*n)；3傾斜車牌校正經(jīng)過上述處理，接下來要實(shí)現(xiàn)的即為傾斜車牌校正，這也是我們系統(tǒng)中尤為關(guān)鍵的一部分。傾斜車牌相對(duì)于水平方向總有一個(gè)傾斜角，我們先找出原車牌圖像的重心，根據(jù)重心的水平偏移角度，也就是傾斜車牌的傾斜角度，最終實(shí)現(xiàn)傾斜車牌校正的目的。具體步驟如下：圖2去豎直邊緣在我們已經(jīng)把圖像二值化的前提下，將一個(gè)完整的車牌圖像平均分成左右兩個(gè)部分：m1(2)二車牌白色像素點(diǎn)的個(gè)數(shù)車牌左(右)部分像素點(diǎn)總數(shù)統(tǒng)計(jì)m的值，計(jì)算出當(dāng)前車牌圖像左右兩部分的重心點(diǎn)，虛構(gòu)出一個(gè)以左右兩部分重心點(diǎn)的水平和垂直差值為兩直角邊，左右兩部分的重心連線為斜邊的直角三角形。斜邊與水平方向的直

8、角邊夾角即為車牌的傾斜角度。在這里要注意車牌的傾斜角度可能是按順時(shí)針方向，也可能是按照逆時(shí)針方向。4實(shí)驗(yàn)結(jié)果我們選取288X768真彩色圖像，圖像中包含各種傾斜樣式車牌。本算法在1.8GMHz、224M內(nèi)存的PC機(jī)上使用MATLAB編程實(shí)現(xiàn)。使用本文提出的方法對(duì)各種車牌圖像進(jìn)行測(cè)試，校正效果良好，校正率也達(dá)到了令人滿意的水平，實(shí)驗(yàn)結(jié)果如圖3所示。其運(yùn)算速度比傳統(tǒng)Hough變換和投影算法有了顯著提高，提高了算法的實(shí)用性。圖3車牌校正效果圖5結(jié)束語車牌傾斜校正在車牌字符分割與識(shí)別起著非常重要的作用。關(guān)于車牌傾斜校正方法很多，現(xiàn)實(shí)生活對(duì)車牌校正的時(shí)效性、抗噪性、準(zhǔn)確性要求很高。本方法的實(shí)驗(yàn)結(jié)果與傳統(tǒng)的車牌校正方法相比，在算法快速性和校正準(zhǔn)確性方面均取得了較好的結(jié)果。參考文獻(xiàn)：李耀華，楊連賀.車牌圖像傾斜的校正實(shí)現(xiàn)J.儀器儀表用戶,2008(10).苪挺，沈春林，張金林.車牌識(shí)別中傾斜牌照的快速矯