陳佳+劉立

摘 要：為了準確定位車牌的位置，提出了基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法。該方法首先將彩色圖像灰度化，并利用Sobel算子進行圖像邊緣提取，然后運用數(shù)學(xué)形態(tài)學(xué)的腐蝕和閉運算對二值圖像進行處理，可以得到幾個車牌候選區(qū)，接著再利用行掃描去除偽車牌區(qū)域，實現(xiàn)車牌的粗定位。最后，利用Hough變換精確定位車牌的位置。實驗表明，這一方法能夠準確地實現(xiàn)車牌的定位。

關(guān)鍵詞：車牌定位；數(shù)學(xué)形態(tài)學(xué)；行掃描；Hough變換

中圖分類號：TP751 文獻標識碼：A 文章編號：2095-6835（2014）12-0113-03

車牌識別技術(shù)在智能交通系統(tǒng)ITS（Intelligent Traffic System）中占有非常重要的地位。它包括圖像預(yù)處理、車牌定位、字符分割、字符識別四個步驟。其中，車牌定位是關(guān)鍵步驟。后期車牌識別能否順利進行和車牌識別的準確度能否得到保證，都與車牌定位有非常緊密的關(guān)系。

近年來，國內(nèi)外學(xué)者針對車牌定位做了許多探索：Chien-Chou Lin等人利用彩色邊緣信息來細化灰度圖像中提取邊緣點，并通過計算統(tǒng)計邊緣點數(shù)量來定位車牌；Mei Yu等人提出了垂直邊緣匹配的韓國車牌定位法。這些基于邊緣的車牌定位算法，計算簡單、定位準確率高，但是，受車牌傾斜或褪色等一些外部因素干擾時，車牌定位效果并不理想。李剛等人利用數(shù)學(xué)形態(tài)學(xué)并結(jié)合車牌自身的幾何特性進行分析，能準確定位出車牌的區(qū)域。但在復(fù)雜的背景下，仍然很難做到精確定位。陸建華等人嘗試利用數(shù)學(xué)形態(tài)學(xué)結(jié)合行掃描的方法定位車牌，但效果并不理想。隨后，劉雄飛等人提出了將行掃描和小波變換相結(jié)合的方式，取得了非常好的定位效果，進一步提高了定位的準確率。這些基于行掃描的車牌定位算法對閾值的選取要求比較高，并且要結(jié)合其他方法才能很好的定位車牌。近年來，Hough變換在車牌定位方面也被廣泛推廣。文獻[6]中提出的Hough變換多線檢測算法，文獻[7]中提出的改進Hough變換定位算法都取得了很好的車牌定位效果，而文獻[8]則提出了將Hough變換與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的定位法。這些基于Hough變換的車牌定位方法對車牌邊緣的清晰、完整度要求比較高。與此同時，它們也有較高的時間計算復(fù)雜度。

本文提出的基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，綜合了上述所提各類定位方法的優(yōu)點。該方法首先對車牌進行粗定位，然后再對車牌實施精確定位，具有實時性強、精準度高等優(yōu)點。

1 算法流程介紹

本文提出的基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，具體包括以下三個步驟：①車牌圖像預(yù)處理。將彩色圖像灰度化，并利用Sobel算子對圖像進行邊緣提取。②車牌粗定位。利用數(shù)學(xué)形態(tài)學(xué)的方法，對預(yù)處理后的圖像進行處理，可以得到幾個車牌候選區(qū)，再利用行掃描的方法濾除干擾區(qū)域，去除偽車牌，實現(xiàn)車牌的粗定位。③車牌精確定位。對行掃描之后得到的車牌合理區(qū)域進行中值濾波和Canny算子邊緣，這樣做可以去除噪聲，并得到清晰的圖像輪廓。最后，再對處理后的圖像進行Hough變換，得到明顯的矩形邊框，找到車牌上下左右的邊界，實現(xiàn)車牌的精確定位。

由于采用了先粗后精的定位方法，因此針對性更強，同時還提高了定位精度。具體的車牌定位算法流程如圖1所示。

2 車牌定位算法

2.1 圖像預(yù)處理——邊緣檢測

邊緣檢測對突出圖像輪廓非常有效。利用它處理圖像，一

方面，可以得到并保留想要研究對象完整的邊界區(qū)域結(jié)構(gòu)；另一方面，在很大程度上減少了處理數(shù)據(jù)量的工作。有字符和背景邊緣突顯得非常明顯的車牌區(qū)域有利于進行邊緣檢測，因此，可對已經(jīng)獲取到的灰度化圖像進行邊緣檢測。常用的梯度邊緣檢測算子有Roberts算子、Prewitt算子、Canny算子和Sobel算子等?？紤]到Sobel算子對垂直邊緣和水平邊緣的響應(yīng)最大，并且能夠有效地抑制噪聲，因此，這里采用Sobel算子對汽車圖像進行邊緣檢測，突出圖像邊緣，為后續(xù)車牌定位做準備。經(jīng)過Sobel算子邊緣檢測后的效果如圖2所示。

2.2 車牌區(qū)域粗定位

2.2.1 數(shù)學(xué)形態(tài)學(xué)

數(shù)學(xué)形態(tài)學(xué)的基本思想是采用一定形態(tài)的結(jié)構(gòu)元素把圖像中與之對應(yīng)的形狀區(qū)域提取出來，只保留與結(jié)構(gòu)元素相似的圖像幾何特征，從而完成對圖像的分析和處理。膨脹和腐蝕是形態(tài)學(xué)操作中最基本、最主要的形態(tài)學(xué)算子，開運算、閉運算都是由它們相互組合而成的。巧妙利用這些算子處理圖像，可以得到我們想要的結(jié)果。

設(shè)A為圖像集合，B為結(jié)構(gòu)元素，A和B是整數(shù)空間z中的集合。B對A的腐蝕定義為：

閉運算為先膨脹后腐蝕。B對A的閉運算定義為：

膨脹具有縮小或填充圖像中孔洞的作用，它也可以連接斷開的物體，形成聯(lián)通區(qū)域。腐蝕具有細化或收縮物體的作用，它還可以濾除小于結(jié)構(gòu)元素的物體。開運算具有平滑物體輪廓、消除細的突出物等作用。閉運算具有消除小的孔洞、彌合狹窄的間斷等作用。

經(jīng)邊緣檢測初步處理后，去除了部分與目標對象無關(guān)的信息，成功地保留并提取了汽車圖像的有效邊緣。但是，仍然存在車牌上方的車燈、車標、進氣欄和車牌下方的車前橫桿等一些區(qū)域產(chǎn)生的橫向邊緣干擾。當然，這其中所產(chǎn)生的一些頑固、雜亂的噪聲也必將影響后續(xù)車牌的定位。通過選取形如[1；1；1]的垂直結(jié)構(gòu)元素進行式（1）的腐蝕操作，有效地去除了部分噪聲和圖像背景中的一些橫向邊緣線。接著選取了形如[25；25]的矩形結(jié)構(gòu)元素對經(jīng)腐蝕處理后的圖像進行式（3）的閉運算。在這里，還可以利用bwareaopen函數(shù)進行一些小處理，刪除一些非車牌區(qū)域的小對象。經(jīng)過上述處理后，基本上已經(jīng)去除了一些不必要的干擾，只剩下了幾個干凈且明顯的車牌候選區(qū)。具體效果如圖3所示。

2.2.2 行掃描

采用行掃描的方式對車牌區(qū)域進行定位，主要是利用了車牌的連續(xù)特性。二值汽車圖像車牌區(qū)域水平方向灰度跳變頻繁，且跳變間距也控制在一定的范圍內(nèi)。因此，它的跳變次數(shù)是一定的，也必將在某個小范圍內(nèi)波動。我們可以通過設(shè)定灰度跳變閾值T，與二值汽車圖像某一行的灰度跳變次數(shù)進行比較。如果后者大于前者，那么，把該行標記為可疑線段；如果有分布較為密集的可疑線段聚集在該行附近，且積聚有一定的高度，那么，這個區(qū)域就可以被標記為車牌候選區(qū)。結(jié)合先驗知識，對二值汽車圖像f（x，y）在垂直方向上從下至上進行逐行掃描，并且在水平方向上從左至右掃描每一行的每個像素點，記相鄰兩個像素黑白之間變化為一次灰度跳變。統(tǒng)計累加跳變次數(shù)，則第k行的跳變次數(shù)可以表示為：

經(jīng)過上述處理后得到的這幾個車牌候選區(qū)有真實的車牌，當然也存在偽車牌。為了排除一些偽車牌的干擾，更準確地得到真正的車牌區(qū)域，這里通過行掃描處理來統(tǒng)計每行的灰度跳變次數(shù)，并定位出合理的車牌區(qū)域。車牌中的7個字符分布集中且排列規(guī)則，在通常情況下，每個字符會出現(xiàn)兩次跳變，但不排除會出現(xiàn)有多于兩次跳變的情況?？紤]到字符有可能出現(xiàn)模糊、部分損壞、傾斜等問題，同時，也考慮到車牌的兩個邊框，因此，這里將跳變閾值T設(shè)置為20，得到了很好的效果。采用行掃描法后，得到的車牌合理區(qū)域定位如圖4所示。

2.3 車牌區(qū)域精確定位——Hough變換

Hough變換是一種被廣泛運用于檢測直線的經(jīng)典算法。它主要體現(xiàn)的是點與線分別在兩種不同的空間域所呈現(xiàn)的對偶關(guān)系。其核心思想是把圖像空間中屬于某種圖形（這里以直線為例）的點的集合映射到參數(shù)空間中的一個點。這個點也是由多條線相交匯聚而成，其實它對應(yīng)的就是圖像空間中我們要尋找的某條直線。圖5形象地展現(xiàn)了直線 在參數(shù)空間所呈現(xiàn)的狀態(tài)。

經(jīng)過粗定位處理后，車牌區(qū)域已基本被提取出來，但是，車牌上下左右具體的邊界仍沒能確定下來。因此，為了確定車牌上下左右的邊界，更精確地定位車牌，這里采用了Hough變換方法來對車牌進行精確定位。在采用Hough變換對車牌定位之前，考慮到Hough變換對檢測區(qū)域邊緣清晰度、完整度的要求比較高，因此，對經(jīng)行掃描之后得到的準確車牌合理區(qū)域再進行中值濾波處理和Canny算子提取邊緣。采用中值濾波處理能平滑噪聲，去除一些雜質(zhì)的干擾，保留有用的邊緣信息。進行閾值設(shè)定為[0.04；0.10]的Canny算子提取邊緣，能更好、更清晰地把圖像中較細的邊緣檢測出來。最后，使用Hough變換做線檢測和鏈接，找出車牌上下左右的邊界，實現(xiàn)車牌的精確定位。通過反復(fù)實驗發(fā)現(xiàn)，峰值檢測設(shè)置在≥6的情況下，能更好、更精確地檢測出車牌上下左右的邊界。圖6分別給出了A和B兩組圖像的Hough變換峰值檢測結(jié)果，圖7給出了最終的車牌定位圖。

3 實驗結(jié)果和分析

為了驗證本文提出的車牌定位算法的效果，對不同類型、不同背景情況下采集到的300幅圖像進行定位實驗。輸入圖片尺寸為600×480像素的車牌圖像，在配置為主頻1.46 GHZ，RAM 1 GB的計算機上用MATLAB7.0運行該算法，并統(tǒng)計測試結(jié)果，發(fā)現(xiàn)能準確定位296張圖像，定位率為98.6%，平均每幅圖片的定位時間為1.18 s。定位結(jié)果如表1所示。

經(jīng)過測試發(fā)現(xiàn)，按照上述算法經(jīng)過先粗后精的前后二次定位后均可比較準確地定位出車牌區(qū)域。分析4張定位不成功的圖像可知，是因為車牌邊緣受到磨損或遭受到較大的污染，致使在車牌精確定位階段采用Hough變換對車牌準確定位時不能很好、完全地檢測出車牌的4條邊緣線，所以，造成定位的失敗。

同時，將本文算法得到定位的結(jié)果與參考文獻[4][8]得到的定位結(jié)果作比較，對比其定位時間和定位準確率，得到的結(jié)果如表2所示。

由表2可知，本文算法無論在定位時間和定位準確率上都比文獻[8]的算法要優(yōu)，雖然比文獻[4]中提出的定位時間要長，但是，定位準確率遠遠在其之上。通過對比、分析，再

一次驗證了本算法的精確度和高效性。

4 總結(jié)

本文提出了一種基于數(shù)學(xué)形體學(xué)的車牌定位方法，該方法采用先粗后精的定位方式，先對車牌圖像進行形態(tài)學(xué)和行掃描運算，確定車牌的合理區(qū)域，實現(xiàn)粗定位。在此基礎(chǔ)上，再進行Hough變換，確定車牌上下左右的邊界，實現(xiàn)車牌的精確定位。該方法最大的優(yōu)點就是數(shù)學(xué)形態(tài)學(xué)結(jié)合行掃描進行粗定位，縮小了Hough變換的運算范圍，提高了車牌定位的速度和精度。實驗表明，用該方法定位車牌效果明顯且高效。

參考文獻

[1]Chien-Chou Lin，Wen-Huei Huang.Locating License Plate Based on Edge Features of Intensity and Saturation Subimages[G]//Second International Conference on Innovative Computing.Information and Control.ICICIC，2007.

[2]Mei Yu，Yong Deak Kim.An approach to Korean license plate recognition based on vertical edge matching[J].In Proceedings of IEEE International Conference on Systems，Man and Cybernetics，2000（4）：2975-2980.

[3]李剛，曾銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報，2007，28（7）：1323-1327.

[4]陸建華.基于數(shù)學(xué)形態(tài)學(xué)和行掃描行的車牌定位算法[J].計算機時代，2009（11）：51-52.

[5]劉雄飛，龍巧云，李根，等.基于行掃描和小波變換的車牌定位算法[J].計算機應(yīng)用與軟件，2013，30（5）：279-282.

[6]林俊，楊峰，林凱.Hough變換與先驗知識在車牌定位中的新應(yīng)用[J].計算機與數(shù)學(xué)工程，2009，37（8）：138-140.

[7]蘇義鑫，羅佳佳.基于邊緣檢測和Hough變換的車牌定位技術(shù)[J].儀表技術(shù)，2008（4）：40-44.

[8]李瑩，李守榮，孫震.基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌定位算法[J].微機型與應(yīng)用，2011，30（19）：38-40.

〔編輯：白潔〕

經(jīng)過上述處理后得到的這幾個車牌候選區(qū)有真實的車牌，當然也存在偽車牌。為了排除一些偽車牌的干擾，更準確地得到真正的車牌區(qū)域，這里通過行掃描處理來統(tǒng)計每行的灰度跳變次數(shù)，并定位出合理的車牌區(qū)域。車牌中的7個字符分布集中且排列規(guī)則，在通常情況下，每個字符會出現(xiàn)兩次跳變，但不排除會出現(xiàn)有多于兩次跳變的情況。考慮到字符有可能出現(xiàn)模糊、部分損壞、傾斜等問題，同時，也考慮到車牌的兩個邊框，因此，這里將跳變閾值T設(shè)置為20，得到了很好的效果。采用行掃描法后，得到的車牌合理區(qū)域定位如圖4所示。

2.3 車牌區(qū)域精確定位——Hough變換

Hough變換是一種被廣泛運用于檢測直線的經(jīng)典算法。它主要體現(xiàn)的是點與線分別在兩種不同的空間域所呈現(xiàn)的對偶關(guān)系。其核心思想是把圖像空間中屬于某種圖形（這里以直線為例）的點的集合映射到參數(shù)空間中的一個點。這個點也是由多條線相交匯聚而成，其實它對應(yīng)的就是圖像空間中我們要尋找的某條直線。圖5形象地展現(xiàn)了直線 在參數(shù)空間所呈現(xiàn)的狀態(tài)。

經(jīng)過粗定位處理后，車牌區(qū)域已基本被提取出來，但是，車牌上下左右具體的邊界仍沒能確定下來。因此，為了確定車牌上下左右的邊界，更精確地定位車牌，這里采用了Hough變換方法來對車牌進行精確定位。在采用Hough變換對車牌定位之前，考慮到Hough變換對檢測區(qū)域邊緣清晰度、完整度的要求比較高，因此，對經(jīng)行掃描之后得到的準確車牌合理區(qū)域再進行中值濾波處理和Canny算子提取邊緣。采用中值濾波處理能平滑噪聲，去除一些雜質(zhì)的干擾，保留有用的邊緣信息。進行閾值設(shè)定為[0.04；0.10]的Canny算子提取邊緣，能更好、更清晰地把圖像中較細的邊緣檢測出來。最后，使用Hough變換做線檢測和鏈接，找出車牌上下左右的邊界，實現(xiàn)車牌的精確定位。通過反復(fù)實驗發(fā)現(xiàn)，峰值檢測設(shè)置在≥6的情況下，能更好、更精確地檢測出車牌上下左右的邊界。圖6分別給出了A和B兩組圖像的Hough變換峰值檢測結(jié)果，圖7給出了最終的車牌定位圖。

3 實驗結(jié)果和分析

為了驗證本文提出的車牌定位算法的效果，對不同類型、不同背景情況下采集到的300幅圖像進行定位實驗。輸入圖片尺寸為600×480像素的車牌圖像，在配置為主頻1.46 GHZ，RAM 1 GB的計算機上用MATLAB7.0運行該算法，并統(tǒng)計測試結(jié)果，發(fā)現(xiàn)能準確定位296張圖像，定位率為98.6%，平均每幅圖片的定位時間為1.18 s。定位結(jié)果如表1所示。

經(jīng)過測試發(fā)現(xiàn)，按照上述算法經(jīng)過先粗后精的前后二次定位后均可比較準確地定位出車牌區(qū)域。分析4張定位不成功的圖像可知，是因為車牌邊緣受到磨損或遭受到較大的污染，致使在車牌精確定位階段采用Hough變換對車牌準確定位時不能很好、完全地檢測出車牌的4條邊緣線，所以，造成定位的失敗。

同時，將本文算法得到定位的結(jié)果與參考文獻[4][8]得到的定位結(jié)果作比較，對比其定位時間和定位準確率，得到的結(jié)果如表2所示。

由表2可知，本文算法無論在定位時間和定位準確率上都比文獻[8]的算法要優(yōu)，雖然比文獻[4]中提出的定位時間要長，但是，定位準確率遠遠在其之上。通過對比、分析，再

一次驗證了本算法的精確度和高效性。

4 總結(jié)

本文提出了一種基于數(shù)學(xué)形體學(xué)的車牌定位方法，該方法采用先粗后精的定位方式，先對車牌圖像進行形態(tài)學(xué)和行掃描運算，確定車牌的合理區(qū)域，實現(xiàn)粗定位。在此基礎(chǔ)上，再進行Hough變換，確定車牌上下左右的邊界，實現(xiàn)車牌的精確定位。該方法最大的優(yōu)點就是數(shù)學(xué)形態(tài)學(xué)結(jié)合行掃描進行粗定位，縮小了Hough變換的運算范圍，提高了車牌定位的速度和精度。實驗表明，用該方法定位車牌效果明顯且高效。

參考文獻

[1]Chien-Chou Lin，Wen-Huei Huang.Locating License Plate Based on Edge Features of Intensity and Saturation Subimages[G]//Second International Conference on Innovative Computing.Information and Control.ICICIC，2007.

[2]Mei Yu，Yong Deak Kim.An approach to Korean license plate recognition based on vertical edge matching[J].In Proceedings of IEEE International Conference on Systems，Man and Cybernetics，2000（4）：2975-2980.

[3]李剛，曾銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報，2007，28（7）：1323-1327.

[4]陸建華.基于數(shù)學(xué)形態(tài)學(xué)和行掃描行的車牌定位算法[J].計算機時代，2009（11）：51-52.

[5]劉雄飛，龍巧云，李根，等.基于行掃描和小波變換的車牌定位算法[J].計算機應(yīng)用與軟件，2013，30（5）：279-282.

[6]林俊，楊峰，林凱.Hough變換與先驗知識在車牌定位中的新應(yīng)用[J].計算機與數(shù)學(xué)工程，2009，37（8）：138-140.

[7]蘇義鑫，羅佳佳.基于邊緣檢測和Hough變換的車牌定位技術(shù)[J].儀表技術(shù)，2008（4）：40-44.

[8]李瑩，李守榮，孫震.基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌定位算法[J].微機型與應(yīng)用，2011，30（19）：38-40.

〔編輯：白潔〕

經(jīng)過上述處理后得到的這幾個車牌候選區(qū)有真實的車牌，當然也存在偽車牌。為了排除一些偽車牌的干擾，更準確地得到真正的車牌區(qū)域，這里通過行掃描處理來統(tǒng)計每行的灰度跳變次數(shù)，并定位出合理的車牌區(qū)域。車牌中的7個字符分布集中且排列規(guī)則，在通常情況下，每個字符會出現(xiàn)兩次跳變，但不排除會出現(xiàn)有多于兩次跳變的情況。考慮到字符有可能出現(xiàn)模糊、部分損壞、傾斜等問題，同時，也考慮到車牌的兩個邊框，因此，這里將跳變閾值T設(shè)置為20，得到了很好的效果。采用行掃描法后，得到的車牌合理區(qū)域定位如圖4所示。

2.3 車牌區(qū)域精確定位——Hough變換

Hough變換是一種被廣泛運用于檢測直線的經(jīng)典算法。它主要體現(xiàn)的是點與線分別在兩種不同的空間域所呈現(xiàn)的對偶關(guān)系。其核心思想是把圖像空間中屬于某種圖形（這里以直線為例）的點的集合映射到參數(shù)空間中的一個點。這個點也是由多條線相交匯聚而成，其實它對應(yīng)的就是圖像空間中我們要尋找的某條直線。圖5形象地展現(xiàn)了直線 在參數(shù)空間所呈現(xiàn)的狀態(tài)。

經(jīng)過粗定位處理后，車牌區(qū)域已基本被提取出來，但是，車牌上下左右具體的邊界仍沒能確定下來。因此，為了確定車牌上下左右的邊界，更精確地定位車牌，這里采用了Hough變換方法來對車牌進行精確定位。在采用Hough變換對車牌定位之前，考慮到Hough變換對檢測區(qū)域邊緣清晰度、完整度的要求比較高，因此，對經(jīng)行掃描之后得到的準確車牌合理區(qū)域再進行中值濾波處理和Canny算子提取邊緣。采用中值濾波處理能平滑噪聲，去除一些雜質(zhì)的干擾，保留有用的邊緣信息。進行閾值設(shè)定為[0.04；0.10]的Canny算子提取邊緣，能更好、更清晰地把圖像中較細的邊緣檢測出來。最后，使用Hough變換做線檢測和鏈接，找出車牌上下左右的邊界，實現(xiàn)車牌的精確定位。通過反復(fù)實驗發(fā)現(xiàn)，峰值檢測設(shè)置在≥6的情況下，能更好、更精確地檢測出車牌上下左右的邊界。圖6分別給出了A和B兩組圖像的Hough變換峰值檢測結(jié)果，圖7給出了最終的車牌定位圖。

3 實驗結(jié)果和分析

為了驗證本文提出的車牌定位算法的效果，對不同類型、不同背景情況下采集到的300幅圖像進行定位實驗。輸入圖片尺寸為600×480像素的車牌圖像，在配置為主頻1.46 GHZ，RAM 1 GB的計算機上用MATLAB7.0運行該算法，并統(tǒng)計測試結(jié)果，發(fā)現(xiàn)能準確定位296張圖像，定位率為98.6%，平均每幅圖片的定位時間為1.18 s。定位結(jié)果如表1所示。

經(jīng)過測試發(fā)現(xiàn)，按照上述算法經(jīng)過先粗后精的前后二次定位后均可比較準確地定位出車牌區(qū)域。分析4張定位不成功的圖像可知，是因為車牌邊緣受到磨損或遭受到較大的污染，致使在車牌精確定位階段采用Hough變換對車牌準確定位時不能很好、完全地檢測出車牌的4條邊緣線，所以，造成定位的失敗。

同時，將本文算法得到定位的結(jié)果與參考文獻[4][8]得到的定位結(jié)果作比較，對比其定位時間和定位準確率，得到的結(jié)果如表2所示。

由表2可知，本文算法無論在定位時間和定位準確率上都比文獻[8]的算法要優(yōu)，雖然比文獻[4]中提出的定位時間要長，但是，定位準確率遠遠在其之上。通過對比、分析，再

一次驗證了本算法的精確度和高效性。

4 總結(jié)

本文提出了一種基于數(shù)學(xué)形體學(xué)的車牌定位方法，該方法采用先粗后精的定位方式，先對車牌圖像進行形態(tài)學(xué)和行掃描運算，確定車牌的合理區(qū)域，實現(xiàn)粗定位。在此基礎(chǔ)上，再進行Hough變換，確定車牌上下左右的邊界，實現(xiàn)車牌的精確定位。該方法最大的優(yōu)點就是數(shù)學(xué)形態(tài)學(xué)結(jié)合行掃描進行粗定位，縮小了Hough變換的運算范圍，提高了車牌定位的速度和精度。實驗表明，用該方法定位車牌效果明顯且高效。

參考文獻

[1]Chien-Chou Lin，Wen-Huei Huang.Locating License Plate Based on Edge Features of Intensity and Saturation Subimages[G]//Second International Conference on Innovative Computing.Information and Control.ICICIC，2007.

[2]Mei Yu，Yong Deak Kim.An approach to Korean license plate recognition based on vertical edge matching[J].In Proceedings of IEEE International Conference on Systems，Man and Cybernetics，2000（4）：2975-2980.

[3]李剛，曾銳利，林凌，等.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法[J].儀器儀表學(xué)報，2007，28（7）：1323-1327.

[4]陸建華.基于數(shù)學(xué)形態(tài)學(xué)和行掃描行的車牌定位算法[J].計算機時代，2009（11）：51-52.

[5]劉雄飛，龍巧云，李根，等.基于行掃描和小波變換的車牌定位算法[J].計算機應(yīng)用與軟件，2013，30（5）：279-282.

[6]林俊，楊峰，林凱.Hough變換與先驗知識在車牌定位中的新應(yīng)用[J].計算機與數(shù)學(xué)工程，2009，37（8）：138-140.

[7]蘇義鑫，羅佳佳.基于邊緣檢測和Hough變換的車牌定位技術(shù)[J].儀表技術(shù)，2008（4）：40-44.

[8]李瑩，李守榮，孫震.基于數(shù)學(xué)形態(tài)學(xué)和Hough變換的車牌定位算法[J].微機型與應(yīng)用，2011，30（19）：38-40.

〔編輯：白潔〕