復雜背景下的車(chē)牌自動(dòng)識別系統
0 引言
隨著(zhù)現代交通的發(fā)展,車(chē)牌自動(dòng)識別技術(shù)越來(lái)越成為智能交通的重要組成部分。車(chē)牌識別技術(shù)主要是采用計算機圖像處理技術(shù)對車(chē)牌的圖像進(jìn)行分析,以自動(dòng)提取車(chē)牌信息,確定車(chē)牌號。一般說(shuō)來(lái),在車(chē)牌自動(dòng)識別系統中,處理的關(guān)鍵技術(shù)問(wèn)題是車(chē)牌的定位及字符的分割。對于車(chē)牌自動(dòng)識別系統已經(jīng)提出了許多方法,如運用多重特征的車(chē)牌定位算法,基于彩色和紋理分析的車(chē)牌定位方法,用神經(jīng)網(wǎng)絡(luò )算法進(jìn)行車(chē)牌自動(dòng)識別等。針對通過(guò)攝像頭動(dòng)態(tài)采集到的圖像有可能存在模糊、噪聲干擾等問(wèn)題,我們先用改進(jìn)模糊C-均值聚類(lèi)算法對采集到的圖像進(jìn)行分割,然后根據車(chē)牌區域的特點(diǎn)對車(chē)牌進(jìn)行定位。車(chē)牌定位后,根據車(chē)牌中字符的分布特點(diǎn),對字符進(jìn)行分割及識別。對于采集到的復雜背景的圖像進(jìn)行實(shí)驗后,得到了較理想的車(chē)牌自動(dòng)識別效果。
1 車(chē)牌的定位
車(chē)牌定位是車(chē)牌識別系統的核心,它是從一個(gè)復雜背景的圖像找到車(chē)牌所在的區域。為了更好對車(chē)牌加以定位,需先對采集到的圖像進(jìn)行分割。
1.1 用改進(jìn)的模糊C-均值聚類(lèi)算法進(jìn)行圖像分割
模糊C-均值(FCM)算法是常用的圖像分割方法,它是通過(guò)迭代法優(yōu)化目標函數來(lái)實(shí)現圖像分割的,該算法的不足是收斂速度較慢。為了提高該算法的速度,已提出了不同的改進(jìn)FCM算法,在文獻[5]中,利用分層聚類(lèi)把圖像數據分成一定數量的色彩相近的子集,來(lái)提高FCM算法的計算速度。該改進(jìn)算法是通過(guò)減少聚類(lèi)樣本來(lái)提高聚類(lèi)的速度的。
在FCM算法中,初始聚類(lèi)中心及聚類(lèi)數目的選取對算法速度有一定的影響,較好的初始值,有助于提高聚類(lèi)的速度。聚類(lèi)中心與聚類(lèi)數目與圖像的灰度直方圖的極值點(diǎn)相關(guān)聯(lián)。對一幅較復雜的圖像,其灰度直方圖不是連續的圖形,直方圖中存在很多的毛刺,確定出的極值點(diǎn)一般有很多個(gè)。為了更有效地獲取其極值點(diǎn),我們對圖像的灰度值做如下處理,將灰度值為[h,h+n]間的像素的個(gè)數疊加在一起,其中n為灰度區間,這可以避免一些像素值較小的極值點(diǎn)出現。通過(guò)處理后的圖像灰度值col[i](其中0≤i≤255),來(lái)獲得灰度直方圖的極值點(diǎn)。當col[i-1]col[i]≥col[i+1]時(shí),該點(diǎn)便為極值點(diǎn)。獲得的灰度值的極值點(diǎn)可以作為聚類(lèi)中心的一個(gè)特征量,極值點(diǎn)的個(gè)數可以作為聚類(lèi)數目的初始值。
評論