張銀蘋+葛廣英

摘 要： 為了實現(xiàn)車牌字符快速準確的識別，基于Halcon軟件提出了一種二次閾值的車牌定位方法，根據(jù)車牌在HSV顏色模式中S通道的紋理特征進行一次閾值，獲取車牌候選區(qū)域，其次校正車牌候選區(qū)域，最后進行第二次閾值，通過字符區(qū)域的最大（小）行（列）值確定出精確的車牌區(qū)域；在字符分割模塊提出了一種漢字分割與其他字符連通域法相結合的方法。實驗結果表明，這兩種方法簡單快捷、識別正確率高。

關鍵字： 車牌定位； 字符分割； 字符識別； Halcon

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2014）16?00092?04

Study on license plate recognition based on HALCON

ZHANG Yin?ping， GE Guang?ying

（School of Physics Science and Information Technology， Liaocheng University， Liaocheng 252000， China）

Abstract： In order to achieve accurate and quick recognition of license plates， a license plate positioning method with secondary threshold is proposed based on Halcon. A primary threshold is made based on the license plate texture characteristics of S channel in HSV color mode to get the candidate region of a license plate， and then adjusting the candidate region to make the second threshold and determine the exact license plate region according to the maximum （minimum） row （column） value of the character region. As for the character segmentation module， a method to combine Chinese character segmentation with other character connected domain method is proposed. The experimental results indicate that both of the two methods are simple and quick， and have high recognition rate.

Keywords： license plate location； character segmentation； character recognition； Halcon

0 引 言

隨著私家車的不斷增加，智能交通系統(tǒng)[1]在交通、大型停車場、收費站等場合的車輛管理發(fā)揮著重要作用，而車牌識別是智能交通系統(tǒng)中的重要部分。車牌識別系統(tǒng)包括圖像采集、車牌定位、字符分割與字符識別四部分。其中，車牌定位是車牌識別系統(tǒng)實現(xiàn)字符分割與字符識別的前提。目前車牌定位有以下幾種方法：基于紋理特征和顏色匹配的方法[2]、基于小波分解的方法[3]、基于邊緣檢測的方法[4?5]、基于形態(tài)學的方法[6]等。實踐表明，以上每種方法都有其優(yōu)點和不足之處，例如基于紋理的方法是根據(jù)車牌區(qū)域灰度變化密集的特征利用掃描法和投影法同時與車牌顏色匹配來實現(xiàn)車牌定位，克服了單一特征的局限性，但容易受光線干擾；邊緣檢測方法噪聲抑制能力較強，定位準確率高，但在車牌褪色嚴重字跡不清的情況下無法檢測到車牌邊緣而導致定位失敗。

字符分割是將車牌區(qū)域中的7個字符分割為相互獨立的字符區(qū)域。通常字符分割方法有以下幾種：聚類分析法[7]、垂直投影法[8?9]、模板算法[10]和最大最小優(yōu)化熵法[11]等。但聚類方法中由于漢字包含多個連通域所以需要重復的聚類，而垂直投影法受噪聲的影響較大。

本文針對車牌定位與字符分割模塊分別提出了一種新的處理方法，在車牌定位模塊提出了在HSV通道上采用兩次閾值實現(xiàn)車牌定位的方法，由于在S通道上車牌區(qū)域明顯比其他部位亮，可采用閾值方法獲取，此方法簡單并且節(jié)省時間。在字符分割模塊提出了漢字分割與連通域相結合的方法，先將漢字獨立分割出來，得到它的連通域，再將獨立的漢字連通域與其他6個字符的獨立連通域合并到一個區(qū)域中，得到一個包含7個相互獨立的字符連通域的區(qū)域。此方法能夠準確獲取字符信息并解決了聚類方法中需要對漢字重復聚類的問題。字符識別是先提取分割字符的特征，然后利用已訓練好的分類器進行分類識別的過程。在字符識別模塊采用的是BP神經(jīng)網(wǎng)絡識別法。

1 車牌識別系統(tǒng)

車牌識別系統(tǒng)在德國MVTec公司研發(fā)的圖像處理軟件平臺Halcon上實現(xiàn)，此軟件包含1 000個以上的獨立的函數(shù)，已經(jīng)是公認的具有最佳效能的機器視覺軟件[12]。使用Halcon軟件來實現(xiàn)車牌識別系統(tǒng)的設計具有運行時間短、穩(wěn)定性高和實時性好等特點。本文車牌識別系統(tǒng)包括圖像采集、車牌粗定位、車牌校正、車牌精確定位、字符分割和字符識別幾部分，如圖1所示。

圖1 車牌識別流程

2 車牌圖像的處理與定位

車牌定位是車牌識別系統(tǒng)的重要一步，首先采集圖像并對圖像進行預處理，包括轉換為灰度圖像與HSV圖像、灰度閾值和去噪聲。然后利用S通道圖像閾值，通過區(qū)域特征選擇出車牌候選區(qū)域，再將候選區(qū)域校正，二次閾值定位，從而得到精確的車牌區(qū)域。

2.1 車牌圖像處理

利用Halcon軟件中的算子read_image（）從磁盤中加載已獲取的圖像。而采集到的圖像一般是彩色圖像，需要在車牌識別處理前進行預處理將彩色圖像轉化為灰度圖像，原圖像與轉化的灰度圖像如圖2所示，轉化原理如下：

[fx，y=0.299Rx，y+0.587Gx，y+0.114Bx，y] （1）

式中：[fx，y]表示轉化后灰度圖像元素的灰度值；R（x，y）；G（x，y），B（x，y）分別為彩色圖像中每個元素的紅、綠、藍的分量值。

在灰度圖像中，由于各種原因車牌區(qū)域與其他區(qū)域的對比度較低，難以實現(xiàn)車牌區(qū)域的定位。本文采用HSV顏色模式，其中H表示色調，S表示飽和度，V表示明度，此模式最接近人眼的觀察效果，因此最適合用于圖像處理。

可以看出在S通道上車牌區(qū)域灰度值明顯大于其他區(qū)域（如圖2所示），在轉化HSV前需將彩色圖像分為R、G、B三個獨立單通道圖像，再將此三個單通道圖像轉化為HSV圖像，基本原理如下：

[V=maxR，G，B] （2）

[S=Max-MinMax] （3）

[H=G-BMax-Min×60，R=Max2+B-RMax-Min×60，G=Max4+R-GMax-Min×60，B=Max0， Max=Min] （4）

式中：[Min=minR，G，B]，[Max=maxR，G，B]。

對S通道圖像閾值，再進行去噪處理可以得到比較干凈的車牌區(qū)域，處理后效果如圖2所示。

圖2 原圖與部分處理后圖像

2.2 車牌粗定位

圖像預處理后可得到比較干凈準確的車牌候選區(qū)（見圖3），車牌第一次定位方法如下：

（1） 利用區(qū)域面積特征和Halcon中的select_shape_

std（）算子選擇出車牌候選區(qū)域。

（2） 在鉚釘區(qū)域的影響下，車牌區(qū)域有時會出現(xiàn)字符孤立的情況，需對車牌區(qū)域進行膨脹處理，然后進行填充。膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程，它可以橋接裂縫。此處可運用膨脹算子dilation_circle（），膨脹半徑選擇為3.5。膨脹的定義為：

[A⊕B=z（B∧）Z?A≠?] （5）

此式表示B對A的膨脹，式中A和B是Z2中的集合。

（3） 利用算子get_region_points（）獲取車牌區(qū)域的行列，取得最大行列值和最小行列值，即可確定出一個包含車牌區(qū)域的矩形region。

（4） 通過獲取的矩形region在灰度圖片中分割出與此矩形區(qū)域大小位置一致包含車牌的圖像，即車牌候選區(qū)，可用算子 reduce_domain（）和crop_domain（）實現(xiàn)。

2.3 車牌校正

在采集圖像時車牌傾斜幾乎是不可避免的，為了不影響字符分割，需要對傾斜車牌進行校正，可通過以下幾步對車牌進行校正：

（1） 對粗定位后獲取的車牌圖像進行灰度閾值；

（2） 連接連通域，由連通域的不同特征選擇出車牌上的字符區(qū)域；

（3） 將各個獨立的字符連通域合并為一個連通域；

（4） 采用求連通域外接橢圓角度的方法，求得傾斜弧度[θ]（外接橢圓長半軸與水平x軸的夾角）。其示意圖如圖4所示。

圖3 車牌粗定位處理過程示意圖

圖4 外接橢圓角度示意圖

求外接橢圓傾斜角度[θ]的公式如下：

[θ=-0.5arctan22M11，M02-M20] （6）

式中：[θ]的取值范圍為：[-π2，π2]；M20為二階行矩，M02為二階列矩。

（5） 可用圖像旋轉算子rotate_image（）將傾斜車牌圖像旋轉[-θ]弧度，即可校正，因此算子的旋轉量為角度，所以應先將弧度[θ]換算為角度，如圖5所示。

圖5 車牌校正過程示意圖

2.4 車牌精確定位

校正后的圖像中還有大量多余區(qū)域，需要對車牌進行第二次定位，此次定位與第一次定位相似，仍然采用灰度閾值的方法。首先，對校正后的圖像灰度閾值，進行區(qū)域連通獲得各個獨立的連通域；其次，利用區(qū)域面積特征選擇出字符區(qū)域，將字符區(qū)域合并為一個區(qū)域；然后，由獲取的區(qū)域行列值畫出一個比較精確的車牌字符矩形區(qū)域；最后，分割出精確的車牌字符區(qū)域圖像，如圖6所示。

圖6 精確定位過程示意圖

3 字符分割

我國車牌第一個字符為漢字，其他字符均為字母和數(shù)字，由于漢字一般由幾個連通域組成，無法對漢字直接使用連通域法，所以本文字符分割采用的是漢字分割與字符連通域法相結合的方法（見圖7），此算法簡單快捷，而且準確率高，可通過以下步驟實現(xiàn)：

（1） 第二個字符和第三個字符之間的距離較接近一個字符的寬度，所以將車牌區(qū)域分割為8個大小相同的矩形，可以將漢字無信息丟失的分割出來，分割矩形寬度計算方法：獲取精確定位后車牌圖像的寬Width，分割寬度[d=Width8]。

（2） 對車牌圖像和分割出的漢字圖像進行灰度閾值，分別得到包含車牌所有字符區(qū)域region1和漢字連通區(qū)域region2。region1中包含了漢字區(qū)域，需將漢字區(qū)域剪切掉，得到字母與數(shù)字區(qū)域region3，再進行連通域連接，則可獲取包含所有字母和數(shù)字相互獨立連通域的區(qū)域region4。在region4中還含有車牌圓點的區(qū)域，通過區(qū)域面積特征將所需要的字符區(qū)域篩選出來得到只含有字母和數(shù)字的區(qū)域region5。

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個字符區(qū)域都是各自獨立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡的識別算法，將提取到的字符特征輸入到一個三層神經(jīng)網(wǎng)絡OCR分類器中進行分類識別?；贖alcon軟件的強大功能，本系統(tǒng)中只訓練了一個分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡采用的是誤差反向后傳學習算法，包含了信息的正向傳播和誤差的反向傳播兩個學習過程。BP神經(jīng)網(wǎng)絡由輸入層、隱層和輸出層組成，結構圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點，得到最終結果。當輸出與期望輸出不一致時，轉入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權值，經(jīng)過反復學習訓練使誤差達到最小。

圖8 BP神經(jīng)網(wǎng)絡結構

進行分類器訓練時，首先用算子append_ocr_trainf（）訓練OCR樣本文件，將訓練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個算子來實現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡包括：輸入層、隱含層和輸出層，共三層。

對訓練字符提取了8×10個特征，所以輸入神經(jīng)元為80個，隱含層神經(jīng)元個數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實驗測得當隱含層神經(jīng)元取162個時效果最好。輸出神經(jīng)元的個數(shù)可由式（7）來計算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個數(shù)；N為待識別字符的個數(shù)。

然后，對已得到的各個獨立的字符連通域提取特征并分類識別，此處由Halcon實現(xiàn)：

（1） 從磁盤中調出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個字符區(qū)域提取特征進行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結果顯示

5 結 語

本文利用機器視覺Halcon軟件對使用同一個相機隨機采集的多幅不同背景的車牌圖像進行了識別測試，識別正確率達到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實驗驗證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結合的方法，此方法只需將漢字分割出來，無需精確計算每個字符的寬度，為字符分割模塊減少了計算量。

參考文獻

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設計[J].現(xiàn)代電子技術，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學與計算機，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計算機工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學報，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計算機工程與應用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學形態(tài)學的車牌定位算法[J].儀器儀表學報，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計算機工程與應用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計算機應用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實現(xiàn)[J].計算機工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應用[J].計算機工程與應用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計算機與應用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學與計算機，2011，28（12）：184?187.

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個字符區(qū)域都是各自獨立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡的識別算法，將提取到的字符特征輸入到一個三層神經(jīng)網(wǎng)絡OCR分類器中進行分類識別?；贖alcon軟件的強大功能，本系統(tǒng)中只訓練了一個分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡采用的是誤差反向后傳學習算法，包含了信息的正向傳播和誤差的反向傳播兩個學習過程。BP神經(jīng)網(wǎng)絡由輸入層、隱層和輸出層組成，結構圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點，得到最終結果。當輸出與期望輸出不一致時，轉入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權值，經(jīng)過反復學習訓練使誤差達到最小。

圖8 BP神經(jīng)網(wǎng)絡結構

進行分類器訓練時，首先用算子append_ocr_trainf（）訓練OCR樣本文件，將訓練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個算子來實現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡包括：輸入層、隱含層和輸出層，共三層。

對訓練字符提取了8×10個特征，所以輸入神經(jīng)元為80個，隱含層神經(jīng)元個數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實驗測得當隱含層神經(jīng)元取162個時效果最好。輸出神經(jīng)元的個數(shù)可由式（7）來計算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個數(shù)；N為待識別字符的個數(shù)。

然后，對已得到的各個獨立的字符連通域提取特征并分類識別，此處由Halcon實現(xiàn)：

（1） 從磁盤中調出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個字符區(qū)域提取特征進行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結果顯示

5 結 語

本文利用機器視覺Halcon軟件對使用同一個相機隨機采集的多幅不同背景的車牌圖像進行了識別測試，識別正確率達到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實驗驗證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結合的方法，此方法只需將漢字分割出來，無需精確計算每個字符的寬度，為字符分割模塊減少了計算量。

參考文獻

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設計[J].現(xiàn)代電子技術，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學與計算機，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計算機工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學報，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計算機工程與應用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學形態(tài)學的車牌定位算法[J].儀器儀表學報，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計算機工程與應用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計算機應用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實現(xiàn)[J].計算機工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應用[J].計算機工程與應用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計算機與應用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學與計算機，2011，28（12）：184?187.

（3） 最后將漢字區(qū)域region2和字符區(qū)域region5相加，得到包含所有字符的區(qū)域region6，此區(qū)域中每個字符區(qū)域都是各自獨立的連通域。

圖7 字符分割過程示意圖

4 字符識別

字符識別模塊采用的是基于BP（Back Propagation）神經(jīng)網(wǎng)絡的識別算法，將提取到的字符特征輸入到一個三層神經(jīng)網(wǎng)絡OCR分類器中進行分類識別?；贖alcon軟件的強大功能，本系統(tǒng)中只訓練了一個分類器，其中包含漢字、字母和數(shù)字。

BP神經(jīng)網(wǎng)絡采用的是誤差反向后傳學習算法，包含了信息的正向傳播和誤差的反向傳播兩個學習過程。BP神經(jīng)網(wǎng)絡由輸入層、隱層和輸出層組成，結構圖如圖8所示。輸入層各經(jīng)元將輸入信號傳遞到隱層點，經(jīng)過作用函數(shù)的非線性變換后，傳輸?shù)捷敵龉?jié)點，得到最終結果。當輸出與期望輸出不一致時，轉入誤差反向傳播過程，將誤差通過梯度下降的方式向隱含層、輸入層逐層反傳，修正各層權值，經(jīng)過反復學習訓練使誤差達到最小。

圖8 BP神經(jīng)網(wǎng)絡結構

進行分類器訓練時，首先用算子append_ocr_trainf（）訓練OCR樣本文件，將訓練好的樣本文件輸入到要創(chuàng)建的分類器中，利用create_ocr_class_mlp（），trainf_ocr_

class_mlp（）和write_ocr_class_mlp（）三個算子來實現(xiàn)分類器的創(chuàng)建，并將創(chuàng)建好的分類器保存在指定位置。本文所創(chuàng)建的BP神經(jīng)網(wǎng)絡包括：輸入層、隱含層和輸出層，共三層。

對訓練字符提取了8×10個特征，所以輸入神經(jīng)元為80個，隱含層神經(jīng)元個數(shù)大約為輸入神經(jīng)元的2倍，經(jīng)過實驗測得當隱含層神經(jīng)元取162個時效果最好。輸出神經(jīng)元的個數(shù)可由式（7）來計算：

[A=INTlogN+1] （7）

式中：A為輸出神經(jīng)元的個數(shù)；N為待識別字符的個數(shù)。

然后，對已得到的各個獨立的字符連通域提取特征并分類識別，此處由Halcon實現(xiàn)：

（1） 從磁盤中調出已經(jīng)創(chuàng)建好的分類器，用算子read_ocr_class_mlp（）實現(xiàn)。

（2） 利用算子do_ocr_multi_class_mlp（）對各個字符區(qū)域提取特征進行分類，并返回識別的字符數(shù)組。

（3） 將識別出的字符顯示在圖像窗口上，見圖9。

圖9 識別結果顯示

5 結 語

本文利用機器視覺Halcon軟件對使用同一個相機隨機采集的多幅不同背景的車牌圖像進行了識別測試，識別正確率達到了95.2%，平均每0.466 s可完成一幅圖像識別。

本文提出的一種二次閾值的定位方法，經(jīng)實驗驗證此方法簡單可行，并且采用的HSV顏色模式在處理夜間車牌圖像時也有很大優(yōu)勢[11]。在字符分割模塊提出了漢字分割與其他字符連通域法相結合的方法，此方法只需將漢字分割出來，無需精確計算每個字符的寬度，為字符分割模塊減少了計算量。

參考文獻

[1] 黃寶生，黃海波.車牌視頻識別系統(tǒng)的設計[J].現(xiàn)代電子技術，2013，36（10）：90?93.

[2] 黃艷國，趙書玲，許倫輝.基于紋理特征和顏色匹配的車牌定位方法[J].微電子學與計算機，2011，28（9）：123?126.

[3] 許禮武，許倫輝，黃艷國.基于小波分解的車牌定位算法[J].計算機工程，2006，32（21）：191?193.

[4] 沈勇武，章專.基于特征顏色邊緣檢測的車牌定位方法[J].儀器儀表學報，2008，29（12）：2673?2677.

[5] 王磊，王瀚漓，何良華.基于雙邊緣檢測的車牌識別算法[J].計算機工程與應用，2013，49（8）：169?173.

[6] 李剛，增銳利，林凌，等.基于數(shù)學形態(tài)學的車牌定位算法[J].儀器儀表學報，2007，28（7）：1323?1327.

[7] 陳黎，黃心漢，王敏，等.基于聚類分析的車牌字符分割方法[J].計算機工程與應用，2002，38（6）：221?223.

[8] 遲曉君，孟慶春.基于投影特征值的車牌字符分割算法[J].計算機應用研究，2006，23（7）：256?257.

[9] 周景超，陳鋒，陳為多，等.車牌字符分割的研究和實現(xiàn)[J].計算機工程，2006，32（5）：238?243.

[10] 穆麗娟，籍焱.基于新模板的算法在車牌字符分割中的應用[J].計算機工程與應用，2012，48（19）：191?196.

[11] 王洪亞.基于HSV的夜間車牌識別算法[J].智能計算機與應用，2013（2）：86?88.

[12] 譚杰，王殊軼，王慧芳，等.基于Halcon的圖像拼接算法研究[J].微電子學與計算機，2011，28（12）：184?187.