專利名稱：基于小波變換的復(fù)雜背景中的車牌提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于電子信息處理技術(shù)領(lǐng)域，特別涉及車牌識別技術(shù)中的復(fù)雜背景中的車牌提取方法。
背景技術(shù)：
智能交通系統(tǒng)是目前世界交通運(yùn)輸領(lǐng)域的前沿研究課題，發(fā)達(dá)國家提出并執(zhí)行了一系列研究計(jì)劃，其核心是針對日益嚴(yán)重的交通需求和環(huán)境保護(hù)壓力，采用信息技術(shù)、通信技術(shù)、計(jì)算機(jī)技術(shù)、控制技術(shù)等對傳統(tǒng)交通運(yùn)輸系統(tǒng)進(jìn)行深入的改造，以提高系統(tǒng)資源的使用效率、系統(tǒng)安全性，減少資源的消耗和環(huán)境污染，在此方面我國也不例外。智能交通系統(tǒng)中的車牌識別技術(shù)主要實(shí)現(xiàn)對行駛車輛牌照進(jìn)行自動(dòng)識別，從而完成自動(dòng)收費(fèi)，無人停車管理，重要路口的交通管制以及違章車輛的追蹤等等功能，以此來節(jié)省了人力、資金，同時(shí)提高交通管理的效率。如今，隨著計(jì)算機(jī)性能的提高和圖像處理技術(shù)的發(fā)展，車牌識別系統(tǒng)已經(jīng)日趨成熟。詳見文獻(xiàn)Da-Shan Gao，Jie Zhou，Car license plates detection from complexscene，Signal Processing Proceedings，5th International Conference，21-25 Aug.2000和文獻(xiàn)Shyang-Lih Chang，Li-Shien Chen，YunChung Chung，Sei-Wan Chen，Automatic license platerecognition，Intelligent Transportation Systems，IEEE Transactions on，March 2004所述。
在車牌識別系統(tǒng)中，車牌提取是一項(xiàng)關(guān)鍵的技術(shù)，其目的就是從一幅復(fù)雜背景的數(shù)字圖像中分割出車牌圖像，要求具有較高的識別率和較強(qiáng)的環(huán)境適應(yīng)性。但是由于車牌背景的復(fù)雜性與車牌特征的多樣性，迄今為止，仍沒有一個(gè)完全通用的智能化車牌定位方法。大多數(shù)定位方法局限于某個(gè)側(cè)面問題的解決，如牌照的傾斜、光照的干擾、噪聲的影響等，離實(shí)際應(yīng)用尚有比較大的距離。因此，如何把現(xiàn)有的研究成果結(jié)合起來，同時(shí)考慮到現(xiàn)有設(shè)備的工作能力，使我們的車牌識別系統(tǒng)具有良好的性能和識別速度是我們當(dāng)前研究的方向。詳見文獻(xiàn)Zhi-Bin Huang，Yan-Feng Guo，Classifier fusion-based vehicle license plate detectionalgorithm，Machine Learning and Cybernetics，2003 International Conference on，2-5 Nov.2003和文獻(xiàn)Yoshimori，S.Mitsukura，Y.Fukumi，M.Akamatsu，N.Khosal，R.License plate detection system in rainydays，Computational Intelligence in Robotics and Automation.，16-20 July 2003。
而基于小波分析的車牌提取方法，有可能解決這個(gè)問題，因?yàn)檐嚺茀^(qū)域在整幅圖像中的高頻信息明顯且集中，同時(shí)小波分析可以有效的提取并且突出這些高頻信息從而準(zhǔn)確的提取出車牌圖像來。
其中，所謂的小波變換指的是基于一些稱為小波的小型波，具有變化的頻率和有限的持續(xù)時(shí)間。復(fù)雜背景則指在含有車牌圖像的圖像中，只有很小一部分是車牌區(qū)域，其他部分為背景。而復(fù)雜是指背景含有各種各樣的圖像和紋理特征，有些特征甚至和車牌區(qū)域相類似。最后車牌指的是每輛車牌安裝的用于標(biāo)識車輛身份的號碼，制作標(biāo)準(zhǔn)化，一般懸掛于車輛的前端或者后部。
現(xiàn)在通常使用的車牌提取的方法有①基于車牌的彩色特征進(jìn)行車牌提取方法。它是通過提取車牌的不同于其他區(qū)域的特殊彩色特征來區(qū)別車牌區(qū)域和背景區(qū)域，從而提取出車牌。優(yōu)點(diǎn)是充分利用了圖像的彩色信息；缺點(diǎn)是速度較慢，對于那些色彩非常豐富的圖像可能失效。詳見文獻(xiàn)Zhu Wei-gang；Hou Guo-jiang；Jia Xing；A study of locating vehicle license plate based on colorfeature and mathematical morphology.Signal Processing，26-30 Aug.2002。
②應(yīng)用Hough變換進(jìn)行車牌提取的方法。它是通過提取車牌邊框的直線從而搜索到車牌位置的。其缺點(diǎn)是速度較慢，而且定位不準(zhǔn)確，出現(xiàn)干擾區(qū)域多。詳見文獻(xiàn)K.M.Kim，B.J.Lee，K.Lyou.The automatic coefficient and Hough transform.Journal of Control，Automatic and System Engineering.3(5)511-519，1997.
③基于形態(tài)學(xué)算子的車牌提取方法。它是通過使用膨脹、腐蝕等操作對車牌的邊緣特征進(jìn)行增強(qiáng)，進(jìn)而提取出車牌。其缺點(diǎn)是對那些邊緣特征相對豐富的區(qū)域會找出相當(dāng)多的干擾區(qū)域，從而影響車牌提取的效果。詳見文獻(xiàn)M.Shridhar，J.W.Miller.Recognition of license plate image，In Processings of International Conference on DocumentAnalysis and Recognition，17-20，1999.
車牌提取時(shí)上述三種方法都具備一個(gè)共同的特點(diǎn)這些方法都是針對一個(gè)特定的環(huán)境，且提取出的高頻信息有限。一旦環(huán)境變化，其提取準(zhǔn)確率就會發(fā)生較大的波動(dòng)，使整個(gè)車牌識別系統(tǒng)的性能下降。因此缺乏對各種環(huán)境的適應(yīng)性，方法魯棒性不好。此處我們所說的環(huán)境指的是車牌原始圖像采集的環(huán)境，不同的環(huán)境，比如說天氣、時(shí)刻、車輛所處背景和車輛自身運(yùn)動(dòng)情況等等，采集的圖像在分辨率和紋理特征等方面往往出現(xiàn)相當(dāng)大的區(qū)別。高頻信息指的是圖像的局部細(xì)節(jié)特征，車牌區(qū)域的局部細(xì)節(jié)特征相對于其他區(qū)域更明顯一些。

發(fā)明內(nèi)容
本發(fā)明的任務(wù)是提供一種基于小波變換的復(fù)雜背景中的車牌提取方法，采用本發(fā)明的方法，可以大大地提高車牌提取方法的通用性，所述的復(fù)雜背景包括晴天、雨天、霧天，車牌水平、車牌傾斜，車輛靜止、車輛運(yùn)動(dòng)，白天、夜晚等等情況。
為了方便描述本發(fā)明地內(nèi)容，首先在此作一個(gè)術(shù)語定義1.車牌每輛車中安裝的用于標(biāo)識車輛身份的號碼牌，號碼牌中包含有7個(gè)字符，有統(tǒng)一的制作標(biāo)準(zhǔn)，一般懸掛于車輛的前端或者后部，但對不同用途的車輛的車牌的標(biāo)準(zhǔn)可能是不一樣的。
2.灰度圖像圖像中只包含了亮度信息而沒有任何顏色信息的圖像。
3.灰度轉(zhuǎn)換一種把彩色圖像轉(zhuǎn)化為灰度圖像的手段，利用公式f(i，j)＝0.114*I(i，j，1)+0.587*I(i，j，2)+0.299*I(i，j，3)可以把一幅灰度圖像轉(zhuǎn)換為灰度圖像，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示轉(zhuǎn)換后的灰度圖像中第i行第j列的象素的灰度值，I(i，j，1)，I(i，j，2)和I(i，j，3)分別表示彩色圖像中第i行第j列的象素的R，G，B分量的值。
4.灰度圖拉伸對那些灰度分布比較集中的圖像，進(jìn)行函數(shù)變換使其灰度均勻分布于0～255這一范圍之內(nèi)，以此來增加圖像對比度，此函數(shù)變換式為f(x)=tanh(cσx),]]>其中x代表輸入的灰度值，f(x)代表變換后的灰度值，tanh為雙正切函數(shù)。σ表示灰度圖像的均方差，c表示一個(gè)常數(shù)，此處取為2.4。
5.垂直梯度為了突出原圖像的垂直細(xì)節(jié)信息，提取邊緣，用每一行的后一個(gè)象素灰度值減去前一個(gè)象素的灰度值，得到垂直梯度值。計(jì)算公式為gV(i，j)＝|f(i，j+1)-f(i，j)|，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示第i行第j列的象素的灰度值，f(i，j+1)表示第i行第j+1列的象素的灰度值，gV(i，j)表示相應(yīng)的垂直梯度值。
6.梯度水平投影一種把二維空間中的圖像灰度梯度值通過一個(gè)函數(shù)變換后轉(zhuǎn)換到一維空間中的方法，該函數(shù)變換為TH(i)=Σj=1ngV(i,j),]]>其中g(shù)V(i，j)表示第i行第j列的垂直梯度值，TH(i)為第i行的投影值。
7.高斯濾波器一種有名的平滑濾波器，通過一個(gè)濾波函數(shù)變換對曲線進(jìn)行濾波處理，可以使曲線更平滑，濾波函數(shù)為TH′(i)=1k{TH(i)+Σj=1w[TH(i-j)h(j,σ)+TH(i+j)h(j,σ)]}.]]>其中TH′(i)是濾波后的梯度水平投影值，i的變化范圍是從1到n，n代表圖像的高度；w表示了平滑區(qū)域的寬度大小，此處取8；h(j,σ)=exp(-j22σ2)]]>是高斯函數(shù)，k=2Σj=1wh(j,σ)+1,]]>σ表示灰度圖像的均方差；TH(i)表示第i個(gè)梯度水平投影值，TH(i-j)表示第(i-j)個(gè)的梯度水平投影值TH(i+j)表示第(i+j)個(gè)梯度水平投影值。
8.波峰曲線上的值的一種特征；在該處的曲線值比緊鄰的前一個(gè)曲線值和緊鄰的后一個(gè)曲線值都大。
9.波谷曲線上的值的一種特征；在該處的曲線值比緊鄰的前一個(gè)曲線值和緊鄰的后一個(gè)曲線值都小。
10.波峰積分值一種計(jì)算坐標(biāo)軸表示法中曲線覆蓋下的區(qū)域的面積的數(shù)學(xué)手段；此處專指兩個(gè)波谷間的面積。
11.梯度水平投影曲線掃描一種搜尋曲線上波峰值或波峰積分值較大的方法，具體方法為，從曲線的起點(diǎn)尋找波峰，找到波峰后計(jì)算該波峰積分值，同時(shí)記錄下大的波峰值的位置和波峰積分值較大的波峰的位置，如此搜尋直到曲線的終點(diǎn)。
12.車牌候選區(qū)域一些在一幅圖像中具有某些特征的區(qū)域，這些特征是，首先，它一個(gè)是具有一定尺寸大小的長方形或平行四邊形，該長方形或平行四邊形不能太大以至于占據(jù)了整個(gè)車輛圖像，也不能太小以至于肉眼不可見，通常情況下是一個(gè)長440mm左右高140mm左右的長方形或平行四邊形區(qū)域；其次，長方形內(nèi)的區(qū)域必須有字符；最后，該長方形位于一個(gè)車輛圖像中的中下部。
13.車牌粗定位運(yùn)算一種粗略估算車牌位置的簡單運(yùn)算，運(yùn)算法則為根據(jù)提供的曲線的較大的波峰值或較大的波峰積分值的位置來搜索和此波峰緊鄰的左右兩個(gè)波谷位置，左邊波谷的坐標(biāo)值對應(yīng)的是車牌在一個(gè)車輛圖像中的上邊界的位置，此處用top_boundary來表示車牌的上邊界位置，右邊波谷的坐標(biāo)值對應(yīng)的是車牌在一個(gè)車輛圖像中的下邊界的位置，此處用bot_boundary來表示車牌的下邊界位置。車牌的上下邊界確定后，車牌的粗略位置就可以確定了。由于此處是車牌粗定位運(yùn)算，所以可能會出現(xiàn)多個(gè)車牌候選區(qū)域的情況。
14.快速小波變換(Mallat)是一種實(shí)現(xiàn)離散小波變換(DWT)的高效計(jì)算，該變換找到了相鄰尺度DWT系數(shù)間的實(shí)用的關(guān)系。具體的變換原理見附圖1。
15.歸一化把分布于不同范圍內(nèi)的函數(shù)值通過一個(gè)數(shù)學(xué)運(yùn)算規(guī)化到一個(gè)指定范圍的數(shù)學(xué)運(yùn)算，該數(shù)學(xué)運(yùn)算為n(i,j)=f(i,j)-min(f)max(f)*255,]]>其中f(i，j)表示原來的函數(shù)值，n(i，j)表示歸一化后的函數(shù)值，min(f)表示原函數(shù)f中的最小函數(shù)值，max(f)表示愿函數(shù)f中的最大函數(shù)值，255表示把原來的函數(shù)值歸一化到0到255之間，255可以換成其它的數(shù)值。
16.梯度對應(yīng)相加運(yùn)算一種把相同位置的梯度值進(jìn)行相加的數(shù)學(xué)運(yùn)算，此處專指把小波分析結(jié)果中的三個(gè)高頻分量LH、HL和HH的垂直梯度進(jìn)行相加的運(yùn)算；計(jì)算式為Dif_I(i，j)＝|LH(i，j+1)-LH(i，j)|+|HL(i，j+1)-HL(i，j)|+|HH(i，j+1)-HH(i，j)|，其中LH(i，j)表示LH子圖的第i行第j列的歸一化灰度值，LH(i，j+1)表示LH子圖的第i行第j+1列的歸一化灰度值，HL(i，j)表示HL子圖的第i行第j列的歸一化灰度值，HL(i，j+1)表示HL子圖的第i行第j+1列的歸一化灰度值，HH(i，j)表示HH子圖的第i行第j列的歸一化灰度值，HH(i，j+1)表示HH子圖的第i行第j+1列的歸一化灰度值，Dif_I(i，j)表示第i行第j列的小波子圖差分總和。
17.車牌精確切割此處專指利用提供的車牌位置l_top，l_bot，l_left和l_right進(jìn)行精確切割的運(yùn)算。此運(yùn)算法則為，首先，定義一個(gè)全一矩陣mask，矩陣mask的總列數(shù)為(l_right-l_left)，矩陣的總行數(shù)為(l_bot-l_top).；其次把矩陣mask和車牌候選區(qū)域進(jìn)行點(diǎn)乘運(yùn)算；再次，定一個(gè)全零矩陣la，其總列數(shù)為(l_right-l_left)，其總行數(shù)為(l_bot-l_top).；最后把點(diǎn)乘運(yùn)算的結(jié)果中非零的值賦給矩陣la，最終便得到一個(gè)準(zhǔn)確的車牌區(qū)域la。
18.灰度翻轉(zhuǎn)對灰度圖進(jìn)行的變換，用255減去每一個(gè)灰度值就可以了，黑轉(zhuǎn)化為白，白轉(zhuǎn)化為黑。
19.車牌顏色歸一化是指把不同背景和字符顏色的車牌通過一個(gè)數(shù)學(xué)運(yùn)算均變?yōu)楹诘装鬃值能嚺茍D像，其數(shù)學(xué)原理是，首先，統(tǒng)計(jì)車牌區(qū)域內(nèi)的白色像素?cái)?shù)和黑色象素?cái)?shù)；其次比較黑色象素?cái)?shù)和白色像素?cái)?shù)；再次，如果白色象素?cái)?shù)為多數(shù)，則進(jìn)行灰度翻轉(zhuǎn)，如果黑色象素?cái)?shù)為多數(shù)則不做任何處理。
20.亮度增強(qiáng)一種圖像處理手段，用于提高一幅圖像中的黑白對比度，其數(shù)學(xué)原理為R′(i,j)=R(i,j)if R(i,j)>thresR(i,j)×0.4if R(i,j)≤thres,]]>其中R(i，j)表示車牌圖像第i行第j列的灰度值，R′(i，j)表示變換后的第i行第j列的車牌的灰度值，thres是閥值，一般取車牌圖像灰度值較大的20％個(gè)象素中的最小灰度值。
按照本發(fā)明的一種基于小波變換的復(fù)雜背景中的車牌提取方法，它包含下列步驟步驟1.將攝像裝置安裝于公路路口或者停車場的適當(dāng)位置，在車輛進(jìn)入攝像范圍內(nèi)后進(jìn)行圖像采集，得到含有車牌圖像的原始圖像；步驟2.對步驟1中所得到的原始圖像進(jìn)行灰度轉(zhuǎn)換，得到一幅包含車牌的灰度圖像。
具體方法為采用公式f(i，j)＝0.114*I(i，j，1)+0.587*I(i，j，2)+0.299*I(i，j，3)進(jìn)行轉(zhuǎn)換，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示轉(zhuǎn)換后的灰度圖像中第i行第j列的象素的灰度值，*是乘法運(yùn)算符號，I(i，j，1)，I(i，j，2)和I(i，j，3)分別表示彩色圖像中第i行第j列的象素的R，G，B分量的值；
步驟3.對步驟2中所得到的灰度圖像進(jìn)行灰度圖拉伸，具體方法為采用公式f(x)=tanh(cσx)]]>進(jìn)行拉伸，其中x代表輸入的灰度值，f(x)代表變換后的灰度值，tanh為雙正切函數(shù)；σ表示灰度圖像的均方差，c表示一個(gè)常數(shù)，此處取為2.4；灰度拉伸后得到一個(gè)灰度值均勻分布于0～255之間的灰度圖像；步驟4.對步驟3中所得到的灰度圖像進(jìn)行垂直梯度計(jì)算，得到一個(gè)包含有車牌的車輛灰度圖像的垂直灰度梯度圖；具體方法為采用公式gV(i，j)＝|f(i，j+1)-f(i，j)|進(jìn)行垂直梯度計(jì)算，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示第i行第j列的象素的灰度值，f(i，j+1)表示第i行第j+1列的象素的灰度值，gV(i，j)表示第i行第j列的的垂直梯度值；步驟5.對步驟4中所得到的垂直灰度梯度圖進(jìn)行梯度水平投影，得到一個(gè)粗糙的梯度水平投影曲線；梯度水平投影的計(jì)算公式為TH(i)=Σj=1ngV(i,j),]]>其中g(shù)V(i，j)表示第i行第j列的垂直梯度值，TH(i)為第i行的投影值；步驟6.對步驟5中所得到的粗糙的梯度水平投影曲線進(jìn)行高斯濾波，得到一個(gè)平滑的梯度水平投影曲線。濾波方法為采用公式TH′(i)=1k{TH(i)+Σj=1w[TH(i-j)h(j,σ)+TH(i+j)h(j,σ)]}]]>進(jìn)行濾波。其中TH′(i)是濾波后的梯度水平投影值，i的變化范圍是從1到n，n代表圖像的高度；w表示了平滑區(qū)域的寬度大小，此處取8；h(j,σ)=exp(-j22σ2)]]>是高斯函數(shù)，k=2Σj=1wh(j,σ)+1,]]>σ表示灰度圖像的均方差；TH(i)表示第i個(gè)梯度水平投影值，TH(i-j)表示第(i-j)個(gè)的梯度水平投影值TH(i+j)表示第(i+j)個(gè)梯度水平投影值；步驟7.對步驟6中所得到的平滑的梯度水平投影曲線進(jìn)行梯度水平投影曲線掃描，得到較大的波峰值或波峰積分值較大的波峰在平滑的梯度水平投影曲線中的位置坐標(biāo)；具體方法為從曲線的起點(diǎn)尋找波峰，找到波峰后計(jì)算該波峰積分值，同時(shí)記錄下大的波峰值的位置和波峰積分值較大的波峰的位置坐標(biāo)，如此搜尋直到曲線的終點(diǎn)；步驟8.利用步驟7中所得到的波峰位置坐標(biāo)進(jìn)行車牌粗定位運(yùn)算，得到一個(gè)或多個(gè)車牌候選區(qū)域在包含有車牌的車輛圖像中的位置坐標(biāo)。具體方法為根據(jù)步驟7提供的曲線的較大的波峰值或波峰積分值較大的波峰的位置坐標(biāo)來搜索和此述的波峰緊鄰的左右兩個(gè)波谷的位置坐標(biāo)，左邊波谷的位置坐標(biāo)對應(yīng)的是車牌在包含有車牌的車輛圖像中的上邊界的位置坐標(biāo)，此處用top_boundary來表示車牌的上邊界位置坐標(biāo)，右邊波谷的坐標(biāo)對應(yīng)的是車牌在包含有車牌的車輛圖像中的下邊界的位置坐標(biāo)，此處用bot_boundary來表示車牌的下邊界位置坐標(biāo)；步驟9.利用步驟8中所得到的位置信息進(jìn)行車牌粗切割處理，得到一個(gè)或多個(gè)車牌候選區(qū)域。具體方法為，首先，定義元素均為零的矩陣mask，mask的行數(shù)和列數(shù)分別與包含有車牌的車輛灰度圖像矩陣的行數(shù)和列數(shù)一致；其次，把矩陣mask中位于第top_boundary行和bot_boundary行間的所有的列的元素全部置為1，其中top_boundary表示車牌在包含有車牌的車輛灰度圖像中的上邊界的坐標(biāo)值，bot_boundary表示車牌在車輛圖像中的下邊界的坐標(biāo)值；然后，把矩陣mask和車輛灰度圖像矩陣中的具有相同坐標(biāo)值的元素相乘，相乘后，車輛灰度圖像矩陣中非車牌候選區(qū)域內(nèi)的元素均為零，車牌候選區(qū)域內(nèi)的元素值保持不變；最后，定義元素均為零的矩陣I_cut，矩陣I_cut的行數(shù)為bot_boundary-top_boundary，列數(shù)和車輛灰度圖像矩陣的列數(shù)相等，把矩陣mask和車輛灰度圖像矩陣相乘的結(jié)果矩陣中的非零元素賦給I_cut，矩陣I_cut就表示車牌候選區(qū)域；步驟10.對步驟9中所得到的車牌候選區(qū)域進(jìn)行小波分析，得到四個(gè)車牌候選區(qū)域的子圖像LL、LH、HL和HH。具體方法為，采用haar小波，利用Mallat快速小波分解算法對候選車牌區(qū)域進(jìn)行小波分解，其中，Mallat快速小波分解流程圖見附圖1；步驟11.對步驟10中所得到的后三個(gè)車牌候選區(qū)域的子圖像LH、HL和HH進(jìn)行垂直梯度計(jì)算，得到三個(gè)垂直梯度圖像；步驟12.對步驟11中所得到的三個(gè)垂直梯度圖像的灰度值進(jìn)行歸一化，具體方法為采用公式n(i,j)=f(i,j)-min(f)max(f)*255]]>進(jìn)行歸一化，其中f(i，j)表示原來的函數(shù)值，n(i，j)表示歸一化后的函數(shù)值，min(f)表示原函數(shù)f中的最小函數(shù)值，max(f)表示愿函數(shù)f中的最大函數(shù)值，255表示把原來的函數(shù)值歸一化到0到255之間，255可以換成其它的數(shù)值，歸一化處理后得到三個(gè)歸一化的垂直梯度圖像；步驟13.對步驟12中所得到的三個(gè)歸一化的垂直梯度圖像進(jìn)行梯度對應(yīng)相加運(yùn)算，得到車牌的小波圖像差分總和。具體方法為采用公式Dif_I(i，j)＝|LH(i，j+1)-LH(i，j)|+|HL(i，j+1)-HL(i，j)|+|HH(i，j+1)-HH(i，j)|進(jìn)行梯度對應(yīng)相加運(yùn)算，其中LH(i，j)表示LH子圖的第i行第j列的歸一化灰度值，LH(i，j+1)表示LH子圖的第i行第j+1列的歸一化灰度值，HL(i，j)表示HL子圖的第i行第j列的歸一化灰度值，HL(i，j+1)表示HL子圖的第i行第j+1列的歸一化灰度值，HH(i，j)表示HH子圖的第i行第j列的歸一化灰度值，HH(i，j+1)表示HH子圖的第i行第j+1列的歸一化灰度值，Dif_I(i，j)表示第i行第j列的車牌的小波子圖差分總和；步驟14.利用步驟13中車牌候選區(qū)域的小波圖像差分總和，進(jìn)行車牌精確定位，得到車牌在車輛圖像中的精確位置，即車牌的四個(gè)邊界在車輛圖像矩陣中的坐標(biāo)值。具體方法為，從左往右，從上到下的尋找小波圖像差分總和矩陣中元素值較大且這些較大的元素值形成一個(gè)較大的連通區(qū)域的區(qū)域，如果該連通區(qū)域的面積在一定值范圍內(nèi)，則認(rèn)為所述的連通區(qū)域就是車牌，記錄下該連通區(qū)域的上下左右四個(gè)邊界的坐標(biāo)值，這四個(gè)邊界的坐標(biāo)值就是車牌的四個(gè)邊界在車輛灰度圖像矩陣中的坐標(biāo)值，并記為top，bot，left和right，其中top表示車牌的上邊界在車輛灰度圖像矩陣中的橫坐標(biāo)值，bot表示車牌的下邊界在車輛灰度圖像矩陣中的橫坐標(biāo)值，left表示車牌的左邊界在車輛灰度圖像矩陣中的縱坐標(biāo)值，right表示車牌的右邊界在車輛灰度圖像矩陣中的縱坐標(biāo)值；步驟15.利用步驟14中所得到的車牌精確位置進(jìn)行車牌精確切割，得到準(zhǔn)確的包含有可識別號碼的車牌圖像。具體方法為，首先，定義元素均為一的矩陣A1，矩陣A1的總列數(shù)為(right-left)，矩陣A1的總行數(shù)為(bot-top).；其次把矩陣A1和車牌候選區(qū)域矩陣中的具有相同坐標(biāo)值的元素對應(yīng)相乘；然后，定義一個(gè)元素均為零的矩陣A0，其總列數(shù)為(right-left)，其總行數(shù)為(bot-top).；最后把矩陣A1和車牌候選區(qū)域矩陣相乘結(jié)果矩陣中的非零元素值賦給矩陣A0中，得到一個(gè)準(zhǔn)確的包含有可識別號碼的車牌圖像矩陣A0；步驟16.對步驟15中所得到的準(zhǔn)確的車牌圖像進(jìn)行車牌顏色歸一化處理，得到一個(gè)包含有可識別號碼的具有黑色背景和白色號碼的車牌圖像；具體方法為，首先，統(tǒng)計(jì)車牌區(qū)域內(nèi)的白色像素?cái)?shù)和黑色象素?cái)?shù)；其次比較黑色象素?cái)?shù)和白色像素?cái)?shù)；然后，如果白色象素?cái)?shù)為多數(shù)，則進(jìn)行灰度翻轉(zhuǎn)，如果黑色象素?cái)?shù)為多數(shù)則不做任何處理；步驟17.對步驟16中所得到的歸一化車牌區(qū)域進(jìn)行亮度增強(qiáng)，得到一個(gè)亮度增強(qiáng)了的包含有可識別號碼的車牌圖像。具體方法利用公式R(i,j)′=R(i,j)if R(i,j)>thresR(i,j)×0.4if R(i,j)≤thres]]>進(jìn)行增強(qiáng)，其中R(i，j)表示車牌圖像第i行第j列的灰度值，R′(i，j)表示變換后的第i行第j列的車牌的灰度值，thres是閥值，一般取車牌圖像灰度值較大的20％個(gè)象素中的最小灰度值。
通過以上步驟，我們就從原始含有車牌的圖像中提取出了增強(qiáng)后的車牌圖像。
需要說明的是1.步驟2中如果采集到的包含有車牌的原始車輛圖像是灰度圖像，則不再做灰度轉(zhuǎn)換處理。
2.步驟3中進(jìn)行灰度拉伸的目的是為了增強(qiáng)包含有車牌的車輛灰度圖像的對比度。
3.步驟4中的垂直梯度計(jì)算是因?yàn)檐嚺茀^(qū)域內(nèi)的象素值變化快且集中，而且更明顯的集中在垂直梯度方面。
4.步驟5中的梯度水平投影是因?yàn)檐嚺茀^(qū)域一定位于具有相當(dāng)高的梯度密度值的小區(qū)域內(nèi)，所以我們首先進(jìn)行水平投影定位車牌的水平候選區(qū)域。
5.步驟7中搜索波峰的時(shí)候并不是所有滿足波峰條件的波峰均采納，只把那些值大于一定值且波峰所覆蓋的面積滿足一定值范圍時(shí)才認(rèn)為是波峰，波峰所大于的一定值和波峰所覆蓋的面積所滿足的一定值范圍均為實(shí)驗(yàn)所得的經(jīng)驗(yàn)值。
6.步驟8中車牌粗定位運(yùn)算中，在搜索與滿足條件的波峰緊鄰的左右兩個(gè)波谷時(shí)只把那些滿足一定值范圍的波谷認(rèn)為是真波谷，由于曲線上的小起伏從而導(dǎo)致了假波峰的存在，真波谷所滿足的一定值范圍是通過實(shí)驗(yàn)得到的經(jīng)驗(yàn)值。此外，粗定位運(yùn)算中所得到的是車牌在包含有車牌的車輛圖像中粗略位置，由于該步驟中是車牌的粗定位運(yùn)算，故而有可能出現(xiàn)多個(gè)車牌候選區(qū)域的位置坐標(biāo)。
7.步驟10中進(jìn)行小波分析的結(jié)果中，LL表示小波分解結(jié)果中的低頻子圖像，它是原輸入車牌候選區(qū)域的一個(gè)近似，其尺寸大小為原輸入車牌候選區(qū)域的四分之一，LH表示小波分解結(jié)果中的在垂直方向的高頻子圖像，它突出了車牌候選區(qū)域中在垂直方向的高頻信息，比如說車牌候選區(qū)域中的的水平直線，其大小為原輸入車牌候選區(qū)域的四分之一，HL表示小波分解結(jié)果中的在水平方向的高頻子圖，它突出了車牌候選區(qū)域中在水平方向上的高平信息，比如說車牌候選區(qū)域中的垂直直線，其大小為原輸入車牌候選區(qū)域的四分之一，HH表示小波分解結(jié)果中在對角線方向上的高頻子圖像，它突出了原輸入車牌候選區(qū)域中在對角線方向上的高頻信息，如車牌候選區(qū)域中的斜線，其大小為原輸入車牌候選區(qū)域的四分之一。
8.步驟14中車牌精確位置處理中，只有在小波圖像差分總和矩陣中元素值較大且這些較大的元素值能形成一個(gè)滿足一定面積范圍的連通區(qū)域的區(qū)域才認(rèn)為是車牌區(qū)域，此處的一定面積范圍是通過實(shí)驗(yàn)得到的經(jīng)驗(yàn)值，如果矩陣中某些元素的值較大但并沒有行成連通區(qū)域則它不是車牌，如果某些較大的值形成的連通區(qū)域小于一定面積范圍則不是車牌，因?yàn)檐嚺圃谝惠v車中的面積是具有一定大小的，盡管在拍攝車輛圖像時(shí)由于攝像裝置的傾斜角度，距離遠(yuǎn)近的變化和路面的高低不平而造成了車牌面積的變化，但其變化總是在一定范圍內(nèi)，不會太小，也不會太大，利用這個(gè)信息，就可以排除那些元素值較大但沒有形成連通區(qū)域的點(diǎn)為車牌的可能性，同時(shí)也排除了那些元素值較大且形成了連通區(qū)域但其連通區(qū)域的面積小于或大于一定面積范圍的區(qū)域?yàn)檐嚺频目赡苄裕挥姓业侥切┰刂递^大且它們形成的連通區(qū)域的面積在一定值范圍內(nèi)的區(qū)域才是車牌區(qū)域，如果最終也沒有找到滿足一定面積范圍的區(qū)域，則認(rèn)為所拍攝的車輛圖像中不含有車牌，經(jīng)過這一步處理，同時(shí)把那些在粗定位處理中認(rèn)為是車牌但事實(shí)上并不是車牌的區(qū)域去除掉，從而得到真正車牌的四個(gè)邊界在車輛圖像中的坐標(biāo)值。
9.步驟17中，進(jìn)行亮度增強(qiáng)的目的是使后續(xù)的車牌號碼的分割和識別較為容易。
本發(fā)明通過小波分析提取車牌區(qū)域內(nèi)的高頻信息，準(zhǔn)確的進(jìn)行車牌提?。凰遣捎么侄ㄎ缓途_定位相結(jié)合，在精確定位中采用小波分析的辦法，并在精確定位后進(jìn)行亮度和顏色的歸一化處理，最終得到了一個(gè)具有統(tǒng)一背景和號碼顏色的包含有可識別號碼的車牌。采用本發(fā)明的車牌提取方法，不僅可以盡量多的提取車牌區(qū)域的高頻信息，從而準(zhǔn)確定位車牌，使方法的環(huán)境適應(yīng)度大大提高；而且結(jié)合粗定位和精定位的方法也提高了方法的計(jì)算速度，滿足了實(shí)時(shí)性的需要。
本發(fā)明的創(chuàng)新之處在于1.利用小波分析對候選區(qū)域進(jìn)行高頻信息(LH，HL，HH)提取，并且通過豎直差分總和Dif_I突出這些高頻信息，然后通過掃描這些高頻信息構(gòu)成的特殊矩陣就可以找出準(zhǔn)確的車牌圖像。
2.提出了車牌粗定位和精確定位相結(jié)合的方法，以便提高方法的速度，滿足車牌識別系統(tǒng)實(shí)時(shí)性的需要。首先利用原圖像的垂直梯度圖的水平投影粗略提取出少數(shù)幾個(gè)車牌候選區(qū)域，然后再對這些候選區(qū)域應(yīng)用小波分析方法提取出車牌圖像的細(xì)節(jié)特征(即高頻特征)，并且突出這一特征，進(jìn)而利用所得的高頻特征二值圖像進(jìn)行車牌的精確定位。
3.由于最后的車牌位置是通過高頻特征二值圖像決定的，且這些高頻信息與原始圖像最多差一個(gè)象素，因此提取的準(zhǔn)確度相當(dāng)高，便于后續(xù)處理。


圖1是快速小波變換分解的流程圖；其中f(i，j)表示原始的輸入圖像，此處專指車牌候選區(qū)域，hψ(-n)表示低通濾波器，此處采用的haar小波，故hψ(-n)的具體參數(shù)設(shè)置為
，即hψ(-n)包含兩個(gè)參數(shù)，第一個(gè)參數(shù)和第二個(gè)參數(shù)均為0.5；h(-n)表示高通濾波器，具體參數(shù)設(shè)置為[-0.5，0.5]，即h(-n)包含兩個(gè)參數(shù)，第一個(gè)參數(shù)為-0.5，第二個(gè)參數(shù)為0.5； 表示對經(jīng)過濾波后的圖像在圖像數(shù)據(jù)矩陣的列方向上進(jìn)行隔一抽樣，即在列方向上每隔一個(gè)數(shù)據(jù)取一個(gè)數(shù)據(jù)； 表示對經(jīng)過濾波后的圖像矩陣在圖像數(shù)據(jù)矩陣的行方向上進(jìn)行隔二抽樣，即在行方向上每隔一個(gè)數(shù)據(jù)取一個(gè)數(shù)據(jù)；LL表示經(jīng)過小波分解后的低頻方向上的圖像，它是對原輸入圖像f(i，j)一個(gè)近似，其尺寸大小為原輸入圖像的四分之一；LH表示經(jīng)過小波分解后的垂直方向上的高頻圖像，它突出了原輸入圖像在垂直方向的高頻信息，而保留了水平方向上的緩變信息；HL表示經(jīng)過小波分解后的水平方向上的高頻圖像，它突出了原輸入圖像在水平方向上的高頻信息，而保留了垂直方向上的緩變信息；HH表示經(jīng)過小波分解后的對角線方向上的高頻圖像，它突出了原圖像中對角線方向上的高頻信息。
圖2是含有車牌的原始圖像示意圖；其中標(biāo)注1表示車輛的擋風(fēng)玻璃，標(biāo)注2表示車輛的引擎蓋，標(biāo)注3表示安裝車燈，懸掛車牌和和保險(xiǎn)桿的區(qū)域，標(biāo)注4表示車牌，標(biāo)注5表示輪子，在標(biāo)注4所表示的車牌中，大寫字母A，B，C，D，E，F(xiàn)和G分別代表車牌的第一個(gè)，第二個(gè)，第三個(gè)，第四個(gè)，第五個(gè)，第六個(gè)和第七個(gè)號碼，其中第二個(gè)號碼和第三個(gè)號碼的間距要稍大些。
圖3是垂直梯度濾波后的水平投影曲線；其中縱坐標(biāo)上的數(shù)值表示水平投影曲線的值，橫坐標(biāo)上的數(shù)值表示水平投影曲線的坐標(biāo)值。
圖4是最終得到的車牌圖像示意圖；其中，A，B，C，D，E，F(xiàn)和G分別表示車牌的第一個(gè)，第二個(gè)，第三個(gè)，第四個(gè)，第五個(gè)，第六個(gè)和第七個(gè)號碼。
圖5是本發(fā)明方法的流程圖。
具體實(shí)施例方式
；采用本發(fā)明的方法，首先在高速公路的入口處，收費(fèi)站和其他任何合適位置采用攝像裝置自動(dòng)拍攝車輛的原始圖像；其次把拍攝到的車輛原始圖像做為原數(shù)據(jù)輸入到采用本發(fā)明的方法用Matlab語言編寫的軟件中進(jìn)行處理；最終得到一幅包含有可識別號碼的車牌圖像。實(shí)驗(yàn)共采用353張實(shí)地拍攝的彩色車輛圖像做為原數(shù)據(jù)，粗定位出348張，定位準(zhǔn)確率為98.58％，精確定位出346張，定位準(zhǔn)確率為98.02％，定位一幅包含有可識別號碼的車牌圖像僅需50ms。
綜上所述，利用本發(fā)明的方法可以快速準(zhǔn)確的從所提供的車輛原始圖像中定位出包含有可識別號碼的車牌圖像。
權(quán)利要求
1.一種基于小波變換的復(fù)雜背景中的車牌提取方法，它包含下列步驟步驟1.將攝像裝置安裝于公路路口或者停車場的適當(dāng)位置，在車輛進(jìn)入攝像范圍內(nèi)后進(jìn)行圖像采集，得到含有車牌圖像的原始圖像；步驟2.對步驟1中所得到的原始圖像進(jìn)行灰度轉(zhuǎn)換，得到一幅包含車牌的灰度圖像；具體方法為采用公式f(i，j)＝0.114*I(i，j，1)+0.587*I(i，j，2)+0.299*I(i，j，3)進(jìn)行轉(zhuǎn)換，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示轉(zhuǎn)換后的灰度圖像中第i行第j列的象素的灰度值，*是乘法運(yùn)算符號，I(i，j，1)，I(i，j，2)和I(i，j，3)分別表示彩色圖像中第i行第j列的象素的R，G，B分量的值；步驟3.對步驟2中所得到的灰度圖像進(jìn)行灰度圖拉伸，具體方法為采用公式f(x)=tanh(cσx)]]>進(jìn)行拉伸，其中x代表輸入的灰度值，f(x)代表變換后的灰度值，tanh為雙正切函數(shù)；σ表示灰度圖像的均方差，c表示一個(gè)常數(shù)，此處取為2.4；灰度拉伸后得到一個(gè)灰度值均勻分布于0～255之間的灰度圖像；步驟4.對步驟3中所得到的灰度圖像進(jìn)行垂直梯度計(jì)算，得到一個(gè)包含有車牌的車輛灰度圖像的垂直灰度梯度圖；具體方法為采用公式gV(i，j)＝|f(i，j+1)-f(i，j)|進(jìn)行垂直梯度計(jì)算，其中i表示圖像的行位置，j表示圖像的列位置，f(i，j)表示第i行第j列的象素的灰度值，f(i，j+1)表示第i行第j+1列的象素的灰度值，gV(i，j)表示第i行第j列的的垂直梯度值；步驟5.對步驟4中所得到的垂直灰度梯度圖進(jìn)行梯度水平投影，得到一個(gè)粗糙的梯度水平投影曲線；梯度水平投影的計(jì)算公式為TH(i)=Σj=1ngV(i,j),]]>其中g(shù)V(i，j)表示第i行第j列的垂直梯度值，TH(i)為第i行的投影值；步驟6.對步驟5中所得到的粗糙的梯度水平投影曲線進(jìn)行高斯濾波，得到一個(gè)平滑的梯度水平投影曲線；濾波方法為采用公式TH′(i)=1k{TH(i)+Σj=1w[TH(i-j)h(j,σ)+TH(i+j)h(j,σ)]}]]>進(jìn)行濾波；其中TH′(i)是濾波后的梯度水平投影值，i的變化范圍是從1到n，n代表圖像的高度；w表示了平滑區(qū)域的寬度大小，此處取8；h(j,σ)=exp(-j22σ2)]]>是高斯函數(shù)，k=2Σj=1w(j,σ)+1,]]>σ表示灰度圖像的均方差；TH(i)表示第i個(gè)梯度水平投影值，TH(i-j)表示第(i-j)個(gè)的梯度水平投影值TH(i+j)表示第(i+j)個(gè)梯度水平投影值；步驟7.對步驟6中所得到的平滑的梯度水平投影曲線進(jìn)行梯度水平投影曲線掃描，得到較大的波峰值或波峰積分值較大的波峰在平滑的梯度水平投影曲線中的位置坐標(biāo)；具體方法為從曲線的起點(diǎn)尋找波峰，找到波峰后計(jì)算該波峰積分值，同時(shí)記錄下大的波峰值的位置和波峰積分值較大的波峰的位置坐標(biāo)，如此搜尋直到曲線的終點(diǎn)；步驟8.利用步驟7中所得到的波峰位置坐標(biāo)進(jìn)行車牌粗定位運(yùn)算，得到一個(gè)或多個(gè)車牌候選區(qū)域在包含有車牌的車輛圖像中的位置坐標(biāo)；具體方法為根據(jù)步驟7提供的曲線的較大的波峰值或波峰積分值較大的波峰的位置坐標(biāo)來搜索和此述的波峰緊鄰的左右兩個(gè)波谷的位置坐標(biāo)，左邊波谷的位置坐標(biāo)對應(yīng)的是車牌在包含有車牌的車輛圖像中的上邊界的位置坐標(biāo)，此處用top_boundary來表示車牌的上邊界位置坐標(biāo)，右邊波谷的坐標(biāo)對應(yīng)的是車牌在包含有車牌的車輛圖像中的下邊界的位置坐標(biāo)，此處用bot_boundary來表示車牌的下邊界位置坐標(biāo)；步驟9.利用步驟8中所得到的位置信息進(jìn)行車牌粗切割處理，得到一個(gè)或多個(gè)車牌候選區(qū)域；具體方法為，首先，定義元素均為零的矩陣mask，mask的行數(shù)和列數(shù)分別與包含有車牌的車輛灰度圖像矩陣的行數(shù)和列數(shù)一致；其次，把矩陣mask中位于第top_boundary行和bot_boundary行間的所有的列的元素全部置為1，其中top_boundary表示車牌在包含有車牌的車輛灰度圖像中的上邊界的坐標(biāo)值，bot_boundary表示車牌在車輛圖像中的下邊界的坐標(biāo)值；然后，把矩陣mask和車輛灰度圖像矩陣中的具有相同坐標(biāo)值的元素相乘，相乘后，車輛灰度圖像矩陣中非車牌候選區(qū)域內(nèi)的元素均為零，車牌候選區(qū)域內(nèi)的元素值保持不變；最后，定義元素均為零的矩陣I_cut，矩陣I_cut的行數(shù)為bot_boundary-top_boundary，列數(shù)和車輛灰度圖像矩陣的列數(shù)相等，把矩陣mask和車輛灰度圖像矩陣相乘的結(jié)果矩陣中的非零元素賦給I_cut，矩陣I_cut就表示車牌候選區(qū)域；步驟10.對步驟9中所得到的車牌候選區(qū)域進(jìn)行小波分析，得到四個(gè)車牌候選區(qū)域的子圖像LL、LH、HL和HH；具體方法為，采用haar小波，利用Mallat快速小波分解算法對候選車牌區(qū)域進(jìn)行小波分解，其中，Mallat快速小波分解流程圖見附圖1；步驟11.對步驟10中所得到的后三個(gè)車牌候選區(qū)域的子圖像LH、HL和HH進(jìn)行垂直梯度計(jì)算，得到三個(gè)垂直梯度圖像；步驟12.對步驟11中所得到的三個(gè)垂直梯度圖像的灰度值進(jìn)行歸一化，具體方法為采用公式n(i,j)=f(i,j)-min(f)max(f)*255]]>進(jìn)行歸一化，其中f(i，j)表示原來的函數(shù)值，n(i，j)表示歸一化后的函數(shù)值，min(f)表示原函數(shù)f中的最小函數(shù)值，max(f)表示愿函數(shù)f中的最大函數(shù)值，255表示把原來的函數(shù)值歸一化到0到255之間，255可以換成其它的數(shù)值，歸一化處理后得到三個(gè)歸一化的垂直梯度圖像；步驟13.對步驟12中所得到的三個(gè)歸一化的垂直梯度圖像進(jìn)行梯度對應(yīng)相加運(yùn)算，得到車牌的小波圖像差分總和；具體方法為采用公式Dif_I(i，j)＝|LH(i，j+1)-LH(i，j)|+|HL(i，j+1)-HL(i，j)|+|HH(i，j+1)-HH(i，j)|進(jìn)行梯度對應(yīng)相加運(yùn)算，其中LH(i，j)表示LH子圖的第i行第j列的歸一化灰度值，LH(i，j+1)表示LH子圖的第i行第j+1列的歸一化灰度值，HL(i，j)表示HL子圖的第i行第j列的歸一化灰度值，HL(i，j+1)表示HL子圖的第i行第j+1列的歸一化灰度值，HH(i，j)表示HH子圖的第i行第j列的歸一化灰度值，HH(i，j+1)表示HH子圖的第i行第j+1列的歸一化灰度值，Dif_I(i，j)表示第i行第j列的車牌的小波子圖差分總和；步驟14.利用步驟13中車牌候選區(qū)域的小波圖像差分總和，進(jìn)行車牌精確定位，得到車牌在車輛圖像中的精確位置，即車牌的四個(gè)邊界在車輛圖像矩陣中的坐標(biāo)值；具體方法為，從左往右，從上到下的尋找小波圖像差分總和矩陣中元素值較大且這些較大的元素值形成一個(gè)較大的連通區(qū)域的區(qū)域，如果該連通區(qū)域的面積在一定值范圍內(nèi)，則認(rèn)為所述的連通區(qū)域就是車牌，記錄下該連通區(qū)域的上下左右四個(gè)邊界的坐標(biāo)值，這四個(gè)邊界的坐標(biāo)值就是車牌的四個(gè)邊界在車輛灰度圖像矩陣中的坐標(biāo)值，并記為top，bot，left和right，其中top表示車牌的上邊界在車輛灰度圖像矩陣中的橫坐標(biāo)值，bot表示車牌的下邊界在車輛灰度圖像矩陣中的橫坐標(biāo)值，left表示車牌的左邊界在車輛灰度圖像矩陣中的縱坐標(biāo)值，right表示車牌的右邊界在車輛灰度圖像矩陣中的縱坐標(biāo)值；步驟15.利用步驟14中所得到的車牌精確位置進(jìn)行車牌精確切割，得到準(zhǔn)確的包含有可識別號碼的車牌圖像；具體方法為，首先，定義元素均為一的矩陣A1，矩陣A1的總列數(shù)為(right-left)，矩陣A1的總行數(shù)為(bot-top).；其次把矩陣A1和車牌候選區(qū)域矩陣中的具有相同坐標(biāo)值的元素對應(yīng)相乘；然后，定義一個(gè)元素均為零的矩陣A0，其總列數(shù)為(right-left)，其總行數(shù)為(bot-top).；最后把矩陣A1和車牌候選區(qū)域矩陣相乘結(jié)果矩陣中的非零元素值賦給矩陣A0中，得到一個(gè)準(zhǔn)確的包含有可識別號碼的車牌圖像矩陣A0；步驟16.對步驟15中所得到的準(zhǔn)確的車牌圖像進(jìn)行車牌顏色歸一化處理，得到一個(gè)包含有可識別號碼的具有黑色背景和白色號碼的車牌圖像；具體方法為，首先，統(tǒng)計(jì)車牌區(qū)域內(nèi)的白色像素?cái)?shù)和黑色象素?cái)?shù)；其次比較黑色象素?cái)?shù)和白色像素?cái)?shù)；然后，如果白色象素?cái)?shù)為多數(shù)，則進(jìn)行灰度翻轉(zhuǎn)，如果黑色象素?cái)?shù)為多數(shù)則不做任何處理；步驟17.對步驟16中所得到的歸一化車牌區(qū)域進(jìn)行亮度增強(qiáng)，得到一個(gè)亮度增強(qiáng)了的包含有可識別號碼的車牌圖像；具體方法利用公式R′(i,j)=R(i,j)ifR(i,j)>thresR(i,j)×0.4ifR(i,j)≤thres]]>進(jìn)行增強(qiáng)，其中R(i，j)表示車牌圖像第i行第j列的灰度值，R′(i，j)表示變換后的第i行第j列的車牌的灰度值，thres是閥值，一般取車牌圖像灰度值較大的20％個(gè)象素中的最小灰度值；通過以上步驟，我們就從原始含有車牌的圖像中提取出了增強(qiáng)后的車牌圖像。
全文摘要
本發(fā)明提供一種基于小波變換的復(fù)雜背景中的車牌提取方法，它是采用粗定位和精確定位相結(jié)合，在精確定位中采用小波分析的辦法提取車牌區(qū)域內(nèi)的高頻信息，并在精確定位后進(jìn)行亮度和顏色的歸一化處理，最終得到了一個(gè)具有統(tǒng)一背景和號碼顏色的包含有可識別號碼的車牌。采用本發(fā)明的車牌提取方法，不僅可以盡量多的提取車牌區(qū)域的高頻信息，從而準(zhǔn)確定位車牌，使方法的環(huán)境適應(yīng)度大大提高；而且結(jié)合粗定位和精定位的方法也提高了方法的計(jì)算速度，滿足了實(shí)時(shí)性的需要。
文檔編號G06T7/00GK101064011SQ20061002079
公開日2007年10月31日 申請日期2006年4月26日 優(yōu)先權(quán)日2006年4月26日
發(fā)明者解梅, 劉大良 申請人:電子科技大學(xué)