1 导言
跟着国民经济的高速开展，高速公路、城市道路、停车场建造越来越多，对交通操控、安全办理的要求也日益进步，智能交通体系its(intelligent traffic system) 已成为国际交通范畴研讨的前沿课题。在此基础上开展的车车牌辨认lpr(license plate recognition)
体系是智能交通体系的重要组成部分，在交通办理中占有重要方位。lpr体系首要由三部分组成：车牌定位、字符切割、字符辨认，其间车牌定位的成功与否直接影响是否可以进入车牌辨认以及车牌辨认的准确率。首要的车牌定位办法：依据灰度图画的车牌定位办法[1]、依据小波改换的车牌定位办法[3]、依据形态学的车牌定位办法[4]、依据神经网络的车牌定位办法[7]、依据支撑向量机的车牌定位办法[8]等。尽管这些算法在某些特定条件下辨认作用较好，但归纳一些比如气候、布景、车牌磨损和图画歪斜等搅扰要素的影响，暂时还不能彻底满意实践运用的要求，有必要进行进一步的研讨。
2 车牌定位办法
2.1 依据灰度图画的车牌定位办法
灰度数字图画是每个像素只需一个采样色彩的图画。这类图画一般显现为从黑色到白色的灰度。为了便于车牌定位，将该图画转换成二值图画，即只需黑色和白色两种色彩的图画。
此办法是运用车牌的如下特色：车牌车牌的字符和布景的对比度比较大，对应于车牌区域的水平灰度改变比较频频;再者车牌一般挂在轿车的缓冲器上或邻近，并接近图画的下部，搅扰一般比较少。依据以上特色，运用接近水平方向的一阶差分运算，以杰出灰度改变频频的区域。其一阶差分运算的算式为：
从车车牌是一个矩形这一特色，咱们可以判别它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌方位根本对应于图中从下到上的第一个较大的波峰，车牌投影值区域大致对应于上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的改变率较大。在这个进程中最重要的是确认挑选哪个波峰，假如这个波峰的两个波谷之间的值的高度都大于某一个设定的值，而且两个波谷之间的宽度大致等于车车牌的高度，就确认它所确认的区域便是车牌的水平方位。关于车牌笔直方向的定位算法：一般状况下，车牌的底色和字符的色彩的对比度很大，而且在一个相对规模较小的规模内改变比较频频，通过这个特征确认车牌笔直方向。该办法对质量较高的图画有很好的定位，不过关于图画中车前和车牌邻近的车辆布景过多，简略导致过错的车牌定位。
2.2 依据小波改换的车牌定位办法
小波改换是20世纪80年代中后期在傅里叶剖析的基础上开展起来的一个重要的运用数学分支。与傅里叶改换比较，小波改换具有较强的时、频域部分剖析才能。通过弹性和平移等运算功能对信号进行多标准细化剖析，在高频处取窄的时(空)间窗，在低频处取宽的时(空) 间窗，克服了傅里叶剖析无法一起在时域和频域上获得杰出部分特性的局限性，近年来这一办法在许多工程范畴得到广泛运用。小波剖析的中心是多分辨率分化，其杰出的时—频特性使其成为研讨精细结构的抱负东西。在车牌图画处理方面，通过依据小波改换的高通滤波，车牌区域的横、竖、撇、捺笔划变得非常简练、清楚，与传统算法中通过中值滤波等办法来滤除图片中的噪声搅扰比较较，小波改换增强了处理的针对性，在降噪的一起增强了有用信息，便于在后续程序中获取车牌区域的细节信息。南京航天航空的马永一、宋铮等人将小波改换直接运用于车牌定位，提出了一种直接对灰度图画进行除噪处理的办法。
该办法是首要规划一个依据小波改换的滤波器，然后对图片进行x层小波改换之后对低频部分llx进行衰减，再进行小波反改换即可完成高通滤波，滤除图片中因为光照不平等多种要素构成的噪声搅扰杰出车牌区域。在传统的车牌定位算法中，都是先对图画进行二值化处理。关于原始的灰度图画中存在很明显的由光照不均引起的亮度不同，轿车的左半部分的亮度因建筑物遮挡比右半部分的亮度暗，一起右半部分也存在着部分的光线缺乏的状况下，假如直接进行均匀灰度全体阈值二值化，很简略呈现因为阈值选取过高而构成车牌区域的不行辨识的状况，假如在程序中故意下降阈值又会引进许多噪声，失去了二值化的运用含义。假如运用部分阈值二值化，一方面添加了核算阈值的工作量，添加了处理时刻，一起也或许会因为区域区分的原因引发新的鸿沟噪声搅扰。运用依据小波改换的高通滤波处理后，图片作用非常抱负，不只彻底消除了光照不均构成的影响，而且使车牌区域愈加杰出，大大进步了定位查找的准确率。可是降噪预处理时的重构信号会丢掉原有的时域特征。
2.3 依据形态学的车牌定位办法
数学形态学是由一组形态学的代数运算子组成的，它的根本运算有4个：
胀大、腐蚀、敞开和闭合，它们在二值图画和灰度图画中各有特色。依据这些根本运算还可推导和组合成各种数学形态学有用算法，用它们可以进行图画形状和结构的剖析及处理，包含图画切割、特征抽取、鸿沟检测、图画滤波、图画增强和康复等。数学形态学办法运用一个称作结构元素的“探针”搜集图画的信息，当探针在图画中不断移动时，便可调查图画各个部分之间的相互关系，然后了解图画的结构特征。上海大学的卢雅琴、邬凌超依据形态学的思维提出了一种依据形态学的车牌定位办法。
该办法的具体过程如下：首要对原始图画进行二值化处理，然后选用4×1的结构元素对已二值化的图画进行滤波，去除图画的噪声。选用16×9的结构元素再对去噪后的图画进行胀大，然后再用相同巨细的结构元素做腐蚀运算，使车牌地点的区域构成连通的区域。然后标记出图画中所有的连通的区域，并核算出每个连通区域的外接矩形框，运用车牌的先验常识，确认车牌的方位。上述依据形态学处理的车牌定位办法，可以较好地确认图画中车牌的方位，且算法简略、实时性强。可是运用过大过小的结构元素，都无法使车牌区域构成闭合的连通区域。因而结构元素的选取非常重要。
2.4 依据神经网络的车牌定位办法
bp 神经网络是现在人工神经网络中研讨最深化、运用最为广泛的一种模型，是bp(back propagation)学习算法在多层前馈网络中的一种运用模型。
bp网络的本质便是多层感知器(multi-layer perceptron，mlp)，关于常用的三层(含有输入层、隐含层和输出层)网络来说，第一层归于输入层，承受输入向量;第二层归于隐含层，用于回忆，添加网络的可调参数，使网络输出愈加准确;第三层归于输出层，输出网络成果。相邻层之间的节点归于全衔接，相同层之间的节点没有衔接。理论上，关于三层bp网络只需使得对隐含层的节点增大到必定的规模就可以拟合任何非线性函数。bp算法由正向传达和反向传达组成。正向传达是输入信号从输入层经隐含层传向输出层，若输出层得到希望的输出，则算法完毕;不然，转至反向传达。反向传达便是将差错信号(样本输出与网络输出之差)按原衔接通路反向核算，由梯度下降法调整各层神经元的权值，使差错信号减小，直至差错到达希望的差错。
该办法首要运用神经网络进行模式辨认的一些优势：其一，它答应对问题的了解较少;其二，它可以完成特征空间中比较复杂的区分。依据神经网络的车牌定位办法首要分以下过程，首要对bp网络进行练习，选取各种状况下的车牌图画，将其转换成灰度图画，每一幅图画的悉数灰度值作为网络的一组输入向量，假如是含车牌的轿车图画，则设定其网络输出为高(0.9)，不然为低(0.1)，重复练习直至到达抱负的作用。然后对实践图画进行预处理：灰度化，直方图化，滤波器滤波，增强图画并去除图画的噪声。最终用一个m×n的滑动窗口(m×n依据实践车牌的宽高比例设定)逐一像素地遍历预处理后的图画，窗口内人图画的数据通过归一化后送到神经网络的输入端作为输入向量，假如神经网络输出为高，则可判别此滑窗地点方位有车牌，不然无车牌。运用神经网络进行车牌的定位，其长处在于可以充分运用神经网络的自适应性，但这种办法也存在缺陷，即需求花费一些时刻进行网络的练习。怎么缩短神经网络的练习时刻，即进步其收敛速度是一个研讨的难点。
2.5 依据支撑向量机的定位办法
支撑向量机(svm) 是20 世纪90年代初由vap2nik等人提出的一类新式机器学习办法，首要用于处理有限样本状况下的模式辨认问题。此办法可以在练习样本很少的状况下到达很好的分类推行才能。因为车牌区域有着的纹路，寻觅一种杰出功能的分类器，凸现这种纹路特征，使它与其它区域差异开来。支撑向量机(support vector machine，svm) 正是这样一种分类学习机制。
所以对车牌定位的研讨，提出一种依据支撑向量机的定位办法。首要将图画切割为n×n巨细的子块，提出每个子块的灰度特征，练习svm分类器;然后用练习好的分类器进行车牌子块和非车牌子块的分类，再运用数学形态学滤波和区域兼并;最终运用投影办法定位车牌区域。试验成果表明，该办法能比较好地定位车牌区域，可是因为svm算法对大规模练习样本难以施行，而且用svm处理多分类问题也存在困难，假如能处理这个问题车牌定位将会更准确。
3 完毕语
本文在现有的车车牌辨认体系的基础上，对近年来国内呈现的车牌定位办法进行了全面的总述，车牌定位是车牌辨认中的要害。上述车牌定位办法在抱负条件下很好，可是因为车牌布景的复杂性与车牌特征的多样性，研讨更有用的车牌定位办法是下一步要做的。假如将上述某些办法的特色相结合，集各家所长，有或许研讨一种更好的车牌定位办法。
