賀瑜飛

摘 要：為了使車牌定位更加快速和精確，文章對圖像灰度化方面的原理進行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結合小波分析和邊緣檢測，來定位車牌。根據(jù)實驗結果得出，此方法定位效果良好，能夠快速識別車牌，定位率超過98.6%。

關鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實時采集的，所以會有大量的噪聲，以往的定位效果不太理想，小波變換能進行降噪處理?；诖?，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對圖像進行了灰度轉(zhuǎn)換、二值化，其次對車牌進行Mallat分解，達到準確定位，最后達到了很好的結果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權0.229，0.587和0.114，在一般情況下可以得到理想結果，由于我國車牌可能會出現(xiàn)紅色字符，常規(guī)的方法對出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對這些問題，該文在灰度化時，對權值進行了調(diào)整，兼顧了有紅顏色字符的情況。對450張不同類型的車牌圖像進行試驗比較，設置新的RGB的權值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進行二值化，其基本思想是對像素進行劃分，使各類之間的距離達到最大來確定合適的閾值。設圖像有L級灰度值，設灰度T為閾值，背景，目標的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時，分割出的目標中心灰度遠離整張圖像的中心灰度；盡可能大時，背景也遠離圖像中心灰度；最后使得和加權最大，即最大。

1.3 平滑處理

采用中值濾波對圖像進行處理，先確定以某一像素為中心點的鄰域，然后把鄰域中的每個像素的灰度值進行排序，以中間的值作為中心點像素的一個新值，最后用中值濾波對圖像進行平滑處理，所以中值濾波對與極限像素值遠沒有平均值敏感，能夠去除孤立噪聲點，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個像素的一個滑動窗口，大小排序后，把窗口中各點的灰度中間值代替原來指定點灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學形態(tài)學處理圖像

邊緣主要存在于目標與目標、區(qū)域與區(qū)域、目標與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎。通過大量的仿真實驗，本節(jié)選取了Laplace算子，因為其具有旋轉(zhuǎn)不變性。表達式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學形態(tài)學，對圖像進行處理。endprint

摘 要：為了使車牌定位更加快速和精確，文章對圖像灰度化方面的原理進行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結合小波分析和邊緣檢測，來定位車牌。根據(jù)實驗結果得出，此方法定位效果良好，能夠快速識別車牌，定位率超過98.6%。

關鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實時采集的，所以會有大量的噪聲，以往的定位效果不太理想，小波變換能進行降噪處理?；诖?，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對圖像進行了灰度轉(zhuǎn)換、二值化，其次對車牌進行Mallat分解，達到準確定位，最后達到了很好的結果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權0.229，0.587和0.114，在一般情況下可以得到理想結果，由于我國車牌可能會出現(xiàn)紅色字符，常規(guī)的方法對出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對這些問題，該文在灰度化時，對權值進行了調(diào)整，兼顧了有紅顏色字符的情況。對450張不同類型的車牌圖像進行試驗比較，設置新的RGB的權值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進行二值化，其基本思想是對像素進行劃分，使各類之間的距離達到最大來確定合適的閾值。設圖像有L級灰度值，設灰度T為閾值，背景，目標的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時，分割出的目標中心灰度遠離整張圖像的中心灰度；盡可能大時，背景也遠離圖像中心灰度；最后使得和加權最大，即最大。

1.3 平滑處理

采用中值濾波對圖像進行處理，先確定以某一像素為中心點的鄰域，然后把鄰域中的每個像素的灰度值進行排序，以中間的值作為中心點像素的一個新值，最后用中值濾波對圖像進行平滑處理，所以中值濾波對與極限像素值遠沒有平均值敏感，能夠去除孤立噪聲點，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個像素的一個滑動窗口，大小排序后，把窗口中各點的灰度中間值代替原來指定點灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學形態(tài)學處理圖像

邊緣主要存在于目標與目標、區(qū)域與區(qū)域、目標與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎。通過大量的仿真實驗，本節(jié)選取了Laplace算子，因為其具有旋轉(zhuǎn)不變性。表達式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學形態(tài)學，對圖像進行處理。endprint

摘 要：為了使車牌定位更加快速和精確，文章對圖像灰度化方面的原理進行了研究和分析，提出了一種適合我國車牌的灰度化方法，最后結合小波分析和邊緣檢測，來定位車牌。根據(jù)實驗結果得出，此方法定位效果良好，能夠快速識別車牌，定位率超過98.6%。

關鍵詞：車牌定位 小波分析 Laplace變換 邊緣檢測

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1674-098X（2014）04（c）-0088-02

車輛的圖像信息是實時采集的，所以會有大量的噪聲，以往的定位效果不太理想，小波變換能進行降噪處理。基于此，該文根據(jù)小波變換和邊緣檢測的一些比較好的特性，提出了基于Mallat算法和小波變換的定位方法，首先對圖像進行了灰度轉(zhuǎn)換、二值化，其次對車牌進行Mallat分解，達到準確定位，最后達到了很好的結果。

1 小波分析和Mallat算法在車牌定位中的研究

彩色圖像以及和灰度圖像是車牌定位的最好方法。彩色圖像包含很多信息，所以本文采用基于灰度圖像的小波分析和Mallat定位方法。

1.1 車輛圖像的灰度化

利用常規(guī)灰度化的方法，給原像素的RGB值各自分別加權0.229，0.587和0.114，在一般情況下可以得到理想結果，由于我國車牌可能會出現(xiàn)紅色字符，常規(guī)的方法對出現(xiàn)紅色字符的灰度值過低，無法與背景區(qū)分。針對這些問題，該文在灰度化時，對權值進行了調(diào)整，兼顧了有紅顏色字符的情況。對450張不同類型的車牌圖像進行試驗比較，設置新的RGB的權值分別為0.492，0.407，0.101，新的灰度化公式為：

1.2 二值化

本文采用Otsu算法進行二值化，其基本思想是對像素進行劃分，使各類之間的距離達到最大來確定合適的閾值。設圖像有L級灰度值，設灰度T為閾值，背景，目標的中心灰度分別用和來表示，整張圖像的灰度用來替代，盡可能大時，分割出的目標中心灰度遠離整張圖像的中心灰度；盡可能大時，背景也遠離圖像中心灰度；最后使得和加權最大，即最大。

1.3 平滑處理

采用中值濾波對圖像進行處理，先確定以某一像素為中心點的鄰域，然后把鄰域中的每個像素的灰度值進行排序，以中間的值作為中心點像素的一個新值，最后用中值濾波對圖像進行平滑處理，所以中值濾波對與極限像素值遠沒有平均值敏感，能夠去除孤立噪聲點，還能讓圖像產(chǎn)生比較少的模糊，一維圖像下中值濾波是含有奇數(shù)個像素的一個滑動窗口，大小排序后，把窗口中各點的灰度中間值代替原來指定點灰度值，其公式是：

其中，L是窗口長度，是取窗口中值。二維，取一個某形式二維窗口，把窗口內(nèi)的像素重新排序，生成了單調(diào)的二維數(shù)據(jù)，和一維類似，二維中值濾波Gij為：

1.4 邊緣檢測與數(shù)學形態(tài)學處理圖像

邊緣主要存在于目標與目標、區(qū)域與區(qū)域、目標與背景之間，是圖像分割和形狀特征圖像分等析的重要基礎。通過大量的仿真實驗，本節(jié)選取了Laplace算子，因為其具有旋轉(zhuǎn)不變性。表達式為，在圖像中用數(shù)字差分近似：

，Laplace算子模板

，圖1是經(jīng)過邊緣檢測后的效果圖。

最后用數(shù)學形態(tài)學，對圖像進行處理。endprint