关 闭

新闻中心

EEPW首页 > 工控自动化 > 设计应用 > 复杂背景下的车牌自动识别系统

复杂背景下的车牌自动识别系统

作者:时间:2009-10-23来源:网络收藏


0 引言
随着现代交通的发展,技术越来越成为智能交通的重要组成部分。识别技术主要是采用计算机图像处理技术对的图像进行分析,以自动提取车牌信息,确定车牌号。一般说来,在车牌中,处理的关键技术问题是车牌的定位及字符的分割。对于车牌已经提出了许多方法,如运用多重特征的车牌定位算法,基于彩色和纹理分析的车牌定位方法,用神经网络算法进行车牌自动识别等。针对通过摄像头动态采集到的图像有可能存在模糊、噪声干扰等问题,我们先用改进模糊C-均值聚类算法对采集到的图像进行分割,然后根据车牌区域的特点对车牌进行定位。车牌定位后,根据车牌中字符的分布特点,对字符进行分割及识别。对于采集到的的图像进行实验后,得到了较理想的车牌自动识别效果。

本文引用地址:http://www.eepw.com.cn/article/163512.htm


1 车牌的定位
车牌定位是车牌识别的核心,它是从一个的图像找到车牌所在的区域。为了更好对车牌加以定位,需先对采集到的图像进行分割。
1.1 用改进的模糊C-均值聚类算法进行图像分割
模糊C-均值(FCM)算法是常用的图像分割方法,它是通过迭代法优化目标函数来实现图像分割的,该算法的不足是收敛速度较慢。为了提高该算法的速度,已提出了不同的改进FCM算法,在文献[5]中,利用分层聚类把图像数据分成一定数量的色彩相近的子集,来提高FCM算法的计算速度。该改进算法是通过减少聚类样本来提高聚类的速度的。
在FCM算法中,初始聚类中心及聚类数目的选取对算法速度有一定的影响,较好的初始值,有助于提高聚类的速度。聚类中心与聚类数目与图像的灰度直方图的极值点相关联。对一幅较的图像,其灰度直方图不是连续的图形,直方图中存在很多的毛刺,确定出的极值点一般有很多个。为了更有效地获取其极值点,我们对图像的灰度值做如下处理,将灰度值为[h,h+n]间的像素的个数叠加在一起,其中n为灰度区间,这可以避免一些像素值较小的极值点出现。通过处理后的图像灰度值col[i](其中0≤i≤255),来获得灰度直方图的极值点。当col[i-1]col[i]≥col[i+1]时,该点便为极值点。获得的灰度值的极值点可以作为聚类中心的一个特征量,极值点的个数可以作为聚类数目的初始值。


上一页 1 2 3 下一页

评论


相关推荐

技术专区

关闭