[开题报告]车牌识别系统中定位算法的研究.doc

宁波理工学院

毕业论文（设计）开题报告
（含文献综述、外文翻译）

题 目 车牌识别系统中定位算法的研究
姓 名 黄 泽
学 号 3060433088
专业班级 06自动化1班
指导教师 崔 家 林
分 院 信息科学与工程分院
开题日期 2010年 3 月 25日
第1章 文献综述
1.1 国内外现状
汽车牌照识别技术(License Plate Recognition, LPR)是智能交通系统(ITS)的重要组成部分，多应用在电子计费领域。LPR 系统是一个以特定目标为对象的专用计算机视觉系统，该系统能从一幅图像中自动提取车牌图像，自动分割字符，运用模式识别、人工智能技术，实时准确地自动识别出车牌的数字、字母及汉字字符，使得车辆的电脑化监控和管理成为现实。常用的LPR 识别技术有IC卡识别技术、条形码识别技术和图像处理识别技术。基于图像处理技术的LPR 系统无需在车上额外安装条形码或者IC卡，因而不必改造现有的车辆系统，相对其他两种识别技术来说适用面广，更容易普及[1]。
车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节,该技术能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算,识别出视野范围内的车辆牌照号码,它运用数字图像处理、模式识别、人工智能技术,对采集到的汽车图像进行处理的方法,能够实时准确地自动识别出车牌的数字、字母及汉字字符,并以计算机可直接运行的数据形式给出识别结果,使得车辆的电脑化监控和管理成为现实。其在交通监视和控制中占有很重要的地位。
车牌识别技术的研究最早出现在20 世纪80 年代,这个阶段的研究没有形成完整的系统体系,而是就某一具体的问题进行研究,通常采用简单的图像处理方法来解决。识别过程是使用工业电视摄像机( Industrial TV Camera) 拍下汽车的正前方图像,然后交给计算机进行简单处理,并且最终仍需要人工干预[2]。
从20 世纪90 年代初，国外的研究人员就已经开始了对车牌识别的相关研究，其中具有代表性的工作有：R.Mullot 等开发的一种可以同时用于集装箱和普通车辆的车牌识别系统，该系统主要是利用文字的纹理在车辆图像中的共性进行定位与识别。Yuntao Cui 提出了一种车牌识别系统，在车牌定位以后，利用马尔科夫场对车牌特征进行提取和二值化。R.Parisi 利用 DSP 和神经网络技术开发出了一套车牌识别系统，他在字符识别中使用了一种非传统的 DFT 技术，实验证明效果不错。Tindail 利用车牌反光的原理开发出一种车牌识别系统，该系统可识别全部五种英国格式的车牌。Young Sung Soh 开发出一套实时车牌识别系统，据报道该系统的车牌定位正确率可以达到99.2%[3]。
国内不少学者也在进行车牌识别方面的研究。产品方面比较成熟的有中科院自动化研究所汉王公司的“汉王眼”，深圳吉通电子有限公司以及信息产业部下属的中智交通电子有限公司也有自己的产品。实验室方面，西安交通大学的图像处理和识别研究室、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。
1.2 研究方向
车牌识别技术的任务是处理、分析摄取的视频流中复杂背景的车辆图像,牌照字符定位、字符分割,最后自动识别汽车牌照上的字符[4]。为了保证汽车车牌识别系统在各种复杂环境下,能发挥其应有的作用,识别系统势必追求如下目标:
1. 鲁棒性
现今车牌识别系统之所以没有大规模投向市场，其主要原因就是系统的正确识别率往往不稳定，在很大程度上会出现误判，漏判。所以，今后的发展趋势要求系统在任何情况下均能可靠正常地工作,且有较高的正确识别率。
2. 实时性
在不同的交通区域，不同的时间段，交通流量都存在很大的区别，这就要求不论在汽车静止还是高速运行情况下,图像的采集识别系统必须在一定时间内识别出车牌全部字符,达到实时识别。
3. 抗干扰性
车牌采集及识别系统一般都工作在较为恶劣的环境下，风吹日晒，雨雪天气都给系统造成了很大的困扰。为保证系统的正确识别率，要尽最大可能排除由光线、天气、角度等原因造成的影响，完善抗干扰和紧急预警机制。
4. 系统性
随着智能交通系统的快速发展，对车牌识别系统也提出了更高的要求。新一代的系统需要集智能检测、数字图像处理、自动化控制于一体的高效智能控制系统。实现高速收费点监测，电子警察，停车场智能系统等更多应用领域。
1.3 进展情况
关于车牌自动识别技术的研究国外起步比较早，国外学者关于汽车牌照识别技术发表了大量的论文和文献。目前，西方发达国家的LPR系统已经进入了实用化阶段，全世界已有多家厂商推出此类产品，如香港的Aisa Vision Technology公司推出的VECON系统，新加坡Potasia公司推出的IMPS(Integrated Multi-Pass)，以色列Hi-Tech公司推出的See/Car system。这些产品在一定的条件下能够提取出车牌，但车牌识别系统大多是利用摄像机室外拍摄汽车图像，存在许多客观的干扰，如天气、背景、车牌磨损、牌照倾斜等因素，因此定位并不十分理想，而且对于其它国家的车牌并不能很好地识别，特别是我国的车牌，由于汉字的特殊性，往往会产生拒识或误识的现象。
九十年代以来，由于交通现代化发展的需要，我国也开始对车牌识别技术进行深入地研究，并取得了一定的成效。定位算法方面，国内国外都提出了很多比较好的算法[5]，但是由于车牌识别是一项综合的多学科技术，而需要识别的图片在不同情况下也是极其复杂多变的，所以，这些算法都存在一定的缺陷，不利于推广。
尽管难度很大，近年来我国在车牌识别领域仍取得很大的成就，拥有了相对成熟的产品，开始进入应用阶段。国内做得较好的产品主要有中科院自动化研究所汉王公司的“汉王眼”，亚洲视觉科技有限公司、智慧光科技(深圳)有限公司，深圳市科安信实业有限公司，中国信息产业部下属的中智交通电子系统有限公司等都有自己的产品，它们宣传产品的整牌识别率都在90%以上，但要在光照充足，车牌干净等前提下才能达到。而对于车牌图形对比度低，车牌模糊污损的情况下识别率明显下降，因此，车牌识别技术仍有必要进一步提高。
1.4 实现难点
车牌定位的主要工作是从摄入的汽车图像中找到汽车牌照所在的位置，并把车牌从该区域中准确地提取出来，供字符分割使用。因此，牌照区域的确定是影响系统性能的重要因素之一。车牌定位是车牌识别技术的一个关键技术，牌照定位的准确与否直接影响到字符分割和字符识别的准确率，并且直接影响着车牌识别系统的效率。由于车辆图像都是采集于自然环境当中，而在自然环境中车牌和背景的成像条件一般是不可控制的，随机变化的因素(尤其是光照条件)和复杂的背景信息给目标搜索带来巨大的困难，不同的光照下，车牌的颜色、亮度、明暗对比度变化都很大，背景信息往往比车牌信息更加复杂，某些背景区域又可能与车牌区域差异不大。再加上拍摄距离、角度的不同，要从种种干扰中区分出车牌区域是十分困难的。而车牌区域在整幅图像中所占的比例比较小，要从整幅图像中定位车牌区域必然要在大量的背景信息中搜索，而且应用的特殊性，要求快速、准确地完成车牌定位。如果没有高效率的搜索方法，就要耗费很多的计算时间和存储空间。所以车牌定位技术一直以来是一个难点，是车牌识别技术中的一个关键技术环节。
在实际应用中，依据所选择的不同特征，可采用不同的定位方法。主要是利用车牌区域特征，通过彩色信息分析、阈值分割、边缘检测、人工神经网络、数学形态学以及遗传算法等诸多方法及其融合实现车牌定位[6]。但是，车牌定位是整个车牌识别系统中较难解决的问题，定位精度和定位时间直接影响整个车牌识别系统的性能，近年来车牌识别系统的核心技术——车牌定位技术已有了飞速发展，但在提高识别正确率及系统稳定性方面仍是一个研究热点。

参考文献
[1] 蔡立平．车牌识别系统中的车牌定位算法研究[J]．科技信息，2009，第2期，91-92．
[2] 闫青，王亮亮．浅析车牌识别技术[J]．山东商业职业技术学院学报，2009，第9卷，第3期，126-129．
[3] 陈 辉，王 伟．车牌识别技术研究[J]．科技传播，2009，第9期，44．
[4] 夏劲，郭红卫． 国内外城市智能交通系统的发展概况与趋势及启示[J]．科技进步与对策，2003，第1期，176-179．
[5] 杨萱． 车牌识别系统中定位算法的研究[D]．南京：南京航空航天大学，2008．
[6] C.H.Coetzee． PC Based Number Plate Recognition Systems [J]．In Proc.IEEE InternationalSymposium on Industrial Electronics，1999，Vol.1，No.1，605-610．
[7] 王笑京．ITS在中国的发展．．
[8] 蔡文沁．我国智能交通系统发展的战略构想[J]．交通运输系统工程与信息，2003，第3卷，第1期，16-22．
[9] Javier Cano and Juan-Carlos P′erez-Cort′es F.J.Perales et al.(Eds.):Vehicle License PlateSegmentation in Natural Images,IbPRIA 2003,LNCS 2652,2003._c Springer-Verlag BerlinHeidelberg 2003:142-149．
[10] 尹令．车牌自动识别系统的研究及其在VC++中的实现[D]．湘潭：湘潭大学计算控制技术与控制理论应用，2003，1-3．
[11] 朱志刚． 数字图像处理基础[M]．北京市：清华大学出版社，2005．
[12] 张引．面向车辆牌照字符识别的预处理算法[J]．计算机应用研究，1999，第7期，85-87．
[13] 粟彦平．数字图像处理在智能交通系统中的应用研究[D]．大连：大连理工大学，2005．
[14] 周旭，朱建林，向尕． 集成化语言Matlab 的Simulink 仿真研究[J]． 湘潭大学自然科学学报，2000，第22卷，第1期，99-102．
[15] 贾秋玲，袁冬莉，栾云凤．基于MATLAB7.X/Simulink/Stateflow系统仿真、分析及设计[M]．西安市：西北工业大学出版社，2006.
第2章 开题报告
2.1 选题的背景与意义
随着世界经济的发展，各国汽车数量不断增加，城市交通拥挤和堵塞状况日益受到人们的重视。如何有效地进行交通管理，越来越成为各国政府和有关部门所关注的焦点问题。针对交通迅速发展所引起的一系列问题，ITS(IntelligentTransportation System)智能交通系统的思想被提到了重要位置。它是以信息技术为代表的高新技术在道路交通运输中的集成应用，是先进的信息技术、数据传输技术、控制技术及计算机处理技术等技术结合应用的综合管理系统。实质上，从系统的观点出发，就是把车辆和道路综合起来考虑，运用各种高新技术系统解决道路交通问题，将传统的交通系统改造成一种信息化、智能化、社会化的新型交通系统。
我国从70年代开始在传统的交通运输和管理中应用了电子信息技术[7]，随着社会的发展与进步，我国的道路在未来20年内仍然处于建设阶段[8]，这期间正是智能交通系统在世界范围内进入全面实施的阶段，因此由我国公路交通的实际需要来说，对在我国公路网中应用智能交通系统来提高交通效率、保障安全和保护环境进行探讨，是十分必要的。智能交通系统中一般都包括车辆检测装置，通过这些装置可以对过往的车辆实施检测，提取相关交通数据，达到监控、管理和指挥交通的目的。其中，汽车牌照的自动识别是车辆检测系统中的一个重要环节，它在交通监视和控制中占有很重要的地位，是实现交通管理现代化和智能化的重要前提。汽车牌照的识别问题已经成为现代交通工程领域中研究的重点和热点之一[9]。
目前，对汽车牌照进行识别可以采用IC卡识别技术或者条形码识别技术两种，但是由于造价昂贵和必须要在全国制定统一的标准等问题，使得这两种方法推广不易。而基于数字图像处理的车牌识别是一种智能识别方法，这种方法不需要在汽车上安装任何发送车牌号码的车载发射设备，对运动或者静止的车辆均可以进行非接触性信息采集并实时识别，从而节省了辅助设备，降低了成本，提高了识别速度，可以较好的解决实时性和异地适应性问题。但是由于天气、环境、照明、车速以及车辆自身的状况等很多原因，所得到的图像可能存在大量的噪声和变形，同时还有可能存在车牌被遮挡的情况，从而影响识别率[10]。另外，利用数字图像处理技术进行车牌识别还有一个十分显著的特点，就是所采用的识别算法对车牌识别的正确率和识别速度有直接的影响。因此，研究基于数字图像处理的汽车牌照识别方法，对于提高车牌识别算法的性能具有十分重要的实际意义。
2.2 研究的基本内容
基于图像处理技术的LPR 系统的最终目标是从图片中识别出所有车牌号码。如果直接从采集到的图片中寻找车牌字符，以现有的图像处理技术来看难度非常之大。为了降低难度，一般将LPR 软件部分分为四大模块，分别是图像采集、车牌定位、字符分割和字符识别。车牌定位的任务是从图片中给出车牌位置；字符分割的任务是在定位后的车牌图像中将字符一个个切分出来；字符识别的任务是识别切分出来的字符。
图像采集
车牌定位
字符分割
字符识别

图2.1 车辆牌照字符识别系统
本文以汽车牌照自动定位为背景，以静态车辆图像为主要对象，深入研究了计算机图像处理、MATLAB编程等背景知识，探索了用数字图像处理车牌定位的方法。本文探讨的方法能够用于构造对一类景物图像中文字和感兴趣目标的定位及检测，对其它图像处理问题有一定通用的借鉴意义。
本文主要针对车牌自动识别系统涉及到的关键技术——车牌定位算法进行了研究。提出了多种基于图象处理的车牌综合定位算法。
2.3 拟解决的主要问题
针对车牌定位系统的特点以及对车牌识别系统后续工作的衔接，该系统主要负责解决三大问题，包括图像的采集及预处理、车牌定位、倾斜矫正。
2.3.1 图像的采集及预处理
在车牌识别系统的实际应用中,外部光照情况的变化对车牌识别的效果有很大的影响,这也是实现一个优良的车牌识别系统必须考虑的一个重要问题,剧烈变化的环境光照对整个车辆牌照识别系统的影响是很大的。针对上述情况，拟设定图像采集自适应控制系统。该系统由摄像机系统、摄像机参数设定系统、通信系统、图像采集系统、计算机系统、LED补光系统等6部分组成。车辆图像由摄像机系统得到,通过图像传输及采集卡得到数字图像;计算机系统通过对数字图像进行分析,如果得到的图像可以满足识别系统的要求,将不作任何调整,如果发现图像无法满足要求,计算机系统将通过通信系统,将指令发给摄像机参数设定系统,摄像机参数设定系统通过指令转换系统对摄像机的参数进行修正。如果当系统监测到光照不足,将通过通信系统发指令给LED补光系统,开启补光系统。如果系统发现环境足够亮,又可以关闭LED补光系统。
彩色图像包含大量的颜色信息，它的每个像素都具有三个不同的颜色分量R、G、B，所以其需要占用的存储空间很大，而且在对其进行处理时也会浪费较多的系统资源，会降低系统的执行速度。而灰度图是只含亮度信息不含色彩信息的图像，其中亮度值量化为256级，灰度图进行算法处理相对方便。
进行灰度变换后，为了取得比较好的对比效果，可以有选择的拉伸某段灰度区间以改善输出图像。如果车辆图像灰度集中在较暗的区域而导致图像偏暗，则可以用灰度拉伸功能来拉伸(斜率>l)物体灰度空间以改善图像;如果车辆图像灰度集中在较亮的区域而导致图像偏亮，则可用灰度拉伸功能来压缩(斜率<1)物体灰度区间以改善图像质量[11]。
2.3.2 车牌定位
车牌图像往往是在复杂的环境中拍摄得到的,车牌由于与复杂的车身背景融为一体,由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同,车牌在图像中往往有很大的形变,如何在复杂背景中准确、快速找出车牌的位置成为车牌识别中的难点。目前已有不少学者在这方面进行了研究,总结起来主要有如下几类方法[12]:
1．基于水平灰度变化特征的方法,这种方法主要在车牌定位以前, 需要对图像进行预处理, 将彩色图像转换为灰度图像,利用车牌区域水平方向的纹理特征进行车牌定位;
2．基于边缘检测的定位方法,这种方法是利用车牌区域丰富的边缘特征进行车牌定位,能够进行检测的方法有多种, 如Roberts边缘算子、Prewitt算子、Sobel 算子以及拉普拉斯边缘检测;
3． 基于车牌颜色特征的定位方法,这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位;
4． 基于Hough 变换的车牌定位方法,这种方法是利用车牌边框的几何特征,采取寻找车牌边框直线的方法进行车牌定位;
5． 基于变换域的车牌定位方法,这种方法是将图像从空域变换到频域进行分析,例如,采用小波变换等;
6． 基于数学形态学的车牌定位方法, 这种方法是利用数学形态学图像处理的基本思想,利用一个结构元素来探测一个图像, 看是否能将这个结构元素很好的填放在图像内部, 同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。
2.3.3 倾斜矫正
完成了车牌定位，到此为止已经得到了车牌的整体轮廓。但是，由于图像采集时各种非预期干扰所致，定位出来的车牌往往存在倾斜现象，对后期的字符分割势必造成极大的影响。针对这种现象，拟采用Hough变换检测倾角，然后进行坐标旋转变化来矫正倾斜。
2.4 研究的方法与技术路线
2.4.1 Matlab简介
考虑到数字图像一般采用高维数值矩阵来表示，进行数字图像处理就需要经常对这样一个维数很高的矩阵进行各种运算。在我们常用的编程语言中没有矩阵数据类型，一般是通过向量来进行处理。这样在进行编程时很不直观，不符合人们对图像的主观理解。并且在车牌定位时，需要用到的算法都相当复杂，如图像灰度变换、Hough变换、灰度投影等，如果直接采用高级语言进行编程就会非常繁琐、困难，容易出现各种预料不到的致命错误，并且执行效率不会很高。鉴于以上原因，本系统用到的图像处理算法拟采用Matlab进行仿真、分析及实现。
Matlab 是由MathWorks 公司开发的一种主要用于数值计算及可视化图形处理的高科技计算语言。它的特点是将数值分析、矩阵计算、图形图像处理和仿真等诸多强大功能集成在一个极易使用的交互式环境中，为科学研究、工程设计以及必须进行有效数值计算的众多学科提供一种高效率的编程工具[13]。Simulink 是基于Matlab 的图形化仿真设计环境，是Matlab 提供的进行动态系统建模、仿真和综合分析的集成软件包[14]。Simulink 作为对Matlab 语言运算环境的扩展，在保持Matlab 一般性能基础上，结合工具箱的使用，可以完成对连续系统、离散系统、连续与离散混合系统的动态性能的仿真与分析，Matlab 7.1 以后的版本可以对图像和视频进行处理并仿真，观察仿真的执行过程，仿真结果保存在Matlab 的工作间中，Simulink 为用户提供了用方框图进行建模的图形接口，实现了可视化的建模，具有直观、方便、灵活的特点[15]。也正是由于这些卓越的功能，使得它成为自动控制、航空航天、汽车设计等诸多领域仿真的首选语言。尽管Simulink 提供了十分丰富的模块库，但在研究复杂系统时很难用给定的模块来描述，所以Simulink 允许用户利用S函数创建特殊的模型元件，来解决那些复杂的问题。这样大大地扩大了Simulink 的应用领域。也体现了Matlab 开放性、可扩充性的特点。
2.4.2 定位算法的选取
上文已经提到了多种定位算法，有基于彩色的方法、基于搜索车牌边框的方法、基于灰度梯度的方法、基于频域或其他变换域的方法等几大类,结合这些基本方法与各种优化算法又派生出许多其他定位算法。在车牌定位算法中,利用投影法进行车牌定位是一种计算量小速度快且非常实用的算法。车牌区域字符与底色有较大差异,且字符与底色各自内部灰度均匀,呈现丰富的边缘信息。对整幅汽车图像进行边缘检测,在边缘图像中,车牌区域相对于其它非车牌区域含有更多的细节信息。对边缘图像进行行扫描或列扫描,行或列边缘点数目明显不同其它非车牌区域的行或列。利用车牌图像的这一纹理特征,再结合车牌区域的几何特征以及其它纹理特征,拟采用一种基于边缘检测和投影法的车牌定位算法。
2.5 进度安排
2009年12月：文献调研，对课题研究领域内的相关理论及方法、国内外研究现状、热门研究点等问题进行文献调研与整理，为下一步研究方向研究内容的选定奠定基础。产出总结文档，为后续开题报告的撰写和毕设论文的撰写做准备。
2010年1月：研究方向、研究内容的缺点，经上一阶段的文献调研，拟定研究课题，明确研究方向与研究内容，为开题报告的撰写做准备。产出总结文档，为后续开题报告的撰写和毕设论文的撰写奠定基础。
2010年1月：开题报告的撰写，进一步明确研究内容；拟采用的研究方法；拟采用的试验过程；及预期的试验结果。
2010年2月—2010年3月：基础理论基本方法的研究与学习，具体范围是：图像处理的常用方法，包括图像的灰度化，全局阈值分割，边缘提取等。产出总结文档，为后续毕设论文的撰写做准备。
2010年3月底：开题报告答辩。
2010年4月：选择适用于本次课题实验数据的车牌定位算法。并编写代码进行试验，分析实验结果，根据实验结果验证算法的性能，根据试验结果修正理论方法并进一步试验，直至取得很好的试验效果。产出总结文档，为后续毕设论文的撰写做准备。
2010年5月：并整理文献调研阶段、理论学习阶段、算法研究阶段、试验分析阶段的总结文档，撰写毕设论文。
2010年5月底之前：毕设论文的修改、毕设答辩的准备阶段。
2010年6月初：毕设答辩阶段。

参考文献
[1] 陈 辉，王 伟．车牌识别技术研究[J]．科技传播，2009，第9期，44．
[2] 杨萱． 车牌识别系统中定位算法的研究[D]．南京：南京航空航天大学，2008．
[3] C.H.Coetzee． PC Based Number Plate Recognition Systems [J]．In Proc.IEEE InternationalSymposium on Industrial Electronics，1999，Vol.1，No.1，605-610．
[4] 王笑京．ITS在中国的发展．．
[5] 蔡文沁．我国智能交通系统发展的战略构想[J]．交通运输系统工程与信息，2003，第3卷，第1期，16-22．

第3章 外文翻译

车牌识别系统的研究与实现
摘要 车牌识别（LPR）是智能交通系统研究的热点话题。基于模式匹配的基础上，本文着重讨论车牌定位和图像车牌字符识别，然后给出的车牌识别系统的实验结果。实验结果验证了该LPR系统的可行性。
关键词 车牌识别；字符分割；字符识别；模式匹配
1． 导言
研究车牌自动识别系统是由于其应用于许多重要领域。车牌识别系统是地方当局在边境保护，偷车追踪，自动收费以及交通管制等执法时所必需的。对于其他人，车牌自动识别系统可用于住房领域的访问控制，自动停车控制和大型商场的自动营销工具，也可以是监视工具。
研究人员已经发现了许多车牌定位算法。例如，给出了一个用于识别车牌的有效方法，提出了从图像中检测汽车板的位置两种方法：一种是利用扫描线和有效的性能峰值点以及一些预知的差额数据来基本确定车牌区间；本文介绍了英国石油公司的学习算法的基本原理以及其优缺点，提出了一种新算法，该算法提取字符的一些非常规性的结构特点，并构造了一个合理的流程图，从而形成有效的识别。
2．典型LPR系统的结构
典型的LPR系统由四个主要部分：图像采集，车牌定位，字符分割和字符识别。如图1所示。
图像采集
车牌定位
字符分割
字符识别

图1 车辆牌照字符识别系统
3．车牌定位
3.1．车牌图像预处理
通过CCD相机拍出的图片通常是彩色图像，首先需要做的是把彩色图像变成灰度图像。
这些图像通常有复杂的背景。存在因天气情况，照明，车牌的污染和变形等影响车牌图像的不确定因素。
根据这些问题，我们采取了诸如噪声消除和灰度增强的改进算法。在这一部分，我们将详细解释如何加强车牌区域和消除图像中的其他地区。在这里，我们使用灰度变换方法，以提高图像对比度。这项技术是把灰度区域扩展到允许的最大范围，使车牌图像充满整个可显示灰度区域。
假设原有车牌图像f（x，y）的灰度范围是[a，b]和提高图像g(x，y) 的灰度范围是[c，d]。f（x，y）和g（x，y）之间的转化关系是：
式（1）
其中：的取值范围是[0，1]。
通过上述程序的手段，以背景和增加车牌信息来区分各地区的车牌。我们也扩大了一系列有效的灰度区域。
3.2．车牌定位
由于复杂的纹理特征与牌照区域形成鲜明的对比，车牌卷积能量始终是极大的。有时，它也可能是第二大或者第三大。为了获得车牌区域的强反差图像，我们必须首先得到每行局部的极值。如下式子所示：
式（2）
通过上述程序的手段，我们可以得到极值的图像。然后我们可以通过下面的过程得出强反差的图像。如下式子所示：
式（3）
现在，我们已经有了极值图像和强反差的图像。而第三步是得出能源图像。这便是如图2.2所示：
首先，按以下公式处理获取图像的X(n)：
式（4）
其中：W是图像宽度；2L是卷积内核的长度。
其次，通过以下公式获取显示图2的能源图像：
（） 式（5）
其中，h(n)是长度为2L的卷积核心。

图2 汽车能源图像
下一步是把能源图像分成几个能源区域。我们可以知道，存在三个能源区域。而在所有的能源区域，在红色区域的能量最大以及第二大的是黄色能源区域。
根据我们的实验，在形成能源图像后，我们可以定位能量最大的区域就是车牌所在的地方。车牌定位结果如图3显示。

图3车辆的车牌定位结果
4．车牌字符识别
4.1．旋转车牌
（x0，y0）是车牌图像旋转之前的点；（x1，y1）是车牌旋转后的对应点；是旋转角度。（x0，y0）和（x1，y1）之间的转化关系是：
式（6）
对于的选择，本文用了类似的方法。显然，当旋转板到达水平情况下适当的地方，即围绕旋转板边缘的同一水平线。大致的旋转角度是在-15 °和15 °之间，所以将这个结构点标记为a，从最低点0.05 °开始增加，直至最适合的角度。
4.2．车牌字符分割
字符分割是一种在字符边界从上到下分割的方法。为了最终确认车牌，字符需要一个个远离图像。通常的分割方法是从左至右扫描他的字符，按照垂直线上是否会遇到黑色像素来决定是否有在这个位置的字符。然而，由于某些字符集（尤其是中文字符）本身并不存在分隔，仍然有些牌照图像是由于随机干扰变成系统无法识别的牌照和光线，这将使得一贯的分割方法失效。
本文的字符分割使用的是垂直投影。对于二值图像，每个字符图样在垂直方向上惯常的投影，或获得许可的字符即为最小极值m。因此，字符的分割点应该在（）之间。这个分割点应满足车牌字符格式，大小以及其他的限制。
垂直投影的原则是：最后的区域是由车牌图像在水平方向上的投影的坐标值所确定的。发现了首个有价值的非零能见度的投影坐标值，由左边的第一零坐标投影坐标被认为是正确的第一个字母。其余字符可以是同样的道理。分割是通过计算平均字符宽度和两个字符左边边缘之间的平均距离误差来排除另外的字符，这个口令的字符宽度平均不到一定比例的字宽被认为是无效的字符；前后两个字符之间的距离小于平均距离以及字宽和不高于平均距离的被认定为一个单独的合并字符。其结果是显示在图4中。

图4 车牌分割图片
4.3．车牌字符模式匹配
由于机动车辆车牌识别问题的身份种类仅仅只超过50个汉字，10个数字和24个字母，因此适合模式匹配。模式匹配是有效的实现离散输入模式分类的方法之一。其实质是通过类似于模板的尺寸，以输入模式的最大相似度的量输出模式。这种方法是从可视图像与功能匹配的有关原则，以确定所采取的字符，也就是说，输入的字符与标准模板的字符相匹配。下面为一立体图像处理的例子，相关匹配算法的描述如下：
输入基于字符输入功能的函数f（x，y），标准模板函数为F（x，y）。在相关器比较后输出的表示为T（x，y），显示随机变量为x1，x2，相关器输出结果如下：
式（7）
当x1=x2 ，y1=y2 和f（x，y）=F(x，y)时，T（0，0）=
这仅仅是自动输入字符的相关性。表达式T（0，0）>= T（x，y）成立时，T（x，y）将成为特殊情况下的主峰点（0，0）。同时在其他的标准字符出现的时候会有出现一些副高峰值点。只要这些副高峰和主高峰不平等，即可确定选择了合适的阈值。最后确定和识别车牌字符的问题。
首先，字符将被分割提取，转换成标准的模板尺寸（使用双线性插值），最后得出与模式匹配的字符。此外，本文所重点要做的是，由于某些字符一些模式匹配方法的改进，在主峰上的垂直方向的形状接近，但在水平方向上，有比较大的分歧。因此，当匹配的效果不明显，就再进一步做水平方向的匹配，从而提高识别效率。字符识别程序显示在图5中。

图5 字符识别过程
5．实验结果
为了核实的LRP系统的健全性和可行性，我们捕捉不同的车辆在不同背景下的54幅图像。实验结果列于表1。
我们将以下两种情况的错误视作目标：无法识别的车牌（字符识别错误超过2个），无法正确识别车牌（1个字符识别错误），以确定正确的车牌。实验结果如表2。
表1
倾斜角度
车牌定位
0°
0°-10°
10°以上
中位数体
侧位数
72
39
16
118
9
分辨率
亮度
640*480
480*320
亮
很亮
黑
很黑
46
81
73
27
14
13

表2

不能定位
不能识别
正确识别
数量
3
5
119
识别率
93.7%
6．结论
在本文中，我们采取的车牌定位新方法是基于图像的能源基础。它介绍了车牌字符识别的算法。实验结果表明，该方法是可行的，消耗的时间也更少。但是，在处理一些劣质牌照和相似字符时，仍然存在一些失误。为了改善不正确的认识问题，我们尝试添加了如神经网络等其他方法。