針對(duì)現(xiàn)存車牌定位方法自適應(yīng)性差和魯棒性不強(qiáng)的情況，本文提出了一種新的快速自適應(yīng)車牌定位算法．此算法結(jié)合圖象中車牌區(qū)域的紋理特征、灰度和邊緣投影信息定位車牌，經(jīng)對(duì)不用場(chǎng)景、不同光照、不同車型的汽車圖象的實(shí)驗(yàn)表明該算法具有快速，魯棒性強(qiáng)，自適應(yīng)性好的優(yōu)點(diǎn)。
關(guān)鍵詞：智能交通系統(tǒng)，車牌定位，紋理分析，灰度投影, 自適應(yīng)
基于圖象理解的汽車牌照自動(dòng)識(shí)別系統(tǒng)是智能交通系統(tǒng)（ITS）的一個(gè)重要分支，有著非常廣泛的應(yīng)用前景，而把汽車牌照從復(fù)雜的汽車圖象中分割出來(lái)是汽車牌照自動(dòng)識(shí)別系統(tǒng)必須解決的關(guān)鍵問(wèn)題。在過(guò)去的十幾年中，各國(guó)的科研人員提出了不少提取汽車牌照的方法。Choi[1] 提出利用Hough變換尋找垂直邊緣提取汽車牌照的方法，此方法由于許多汽車前部散熱器產(chǎn)生的垂直邊緣和某些牌照邊框的扭曲或某些汽車牌照沒(méi)有邊框而魯棒性較差。S.H.Park[2] 提出的一種基于神經(jīng)網(wǎng)絡(luò)提取汽車牌照的方法，使用二個(gè)時(shí)延神經(jīng)網(wǎng)絡(luò)在水平和垂直方向?qū)斎氲膱D象進(jìn)行濾波，得到牌照的候選區(qū)域，然后利用牌照的長(zhǎng)寬比、面積、面積與周長(zhǎng)比來(lái)區(qū)分真正的牌照區(qū)域與類牌照區(qū)域。此方法要求圖象中的牌照尺寸基本不變，一旦圖象中的牌照尺寸發(fā)生了較大的變化，必須對(duì)神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。Barroso[5] 認(rèn)為車牌區(qū)域具有較強(qiáng)的灰度變化特性，對(duì)圖象分別做水平和垂直方向的投影，根據(jù)投影的波峰和波谷的特點(diǎn)來(lái)判斷車牌區(qū)域的水平和垂直位置。此方法僅依賴于車牌的灰度投影特點(diǎn)定位，容易受其他區(qū)域的干擾，定位往往不夠準(zhǔn)確。另外一種討論的較多的是基于形態(tài)學(xué)的方法[3, 4]，基本做法是：利用圖象的梯度信息，先對(duì)圖象進(jìn)行邊緣提取，再對(duì)邊緣圖象進(jìn)行形態(tài)學(xué)運(yùn)算，直到圖象中只留下待尋的目標(biāo)。但這類方法的缺點(diǎn)在于：因?yàn)樾枋孪却_定濾波算子的尺寸，所以對(duì)車牌的大小不具有自適應(yīng)性。
本文提出的方法充分利用了圖象中車牌區(qū)域的最主要的紋理特征并且結(jié)合灰度和邊緣投影信息定位車牌，并利用車牌字符的邊緣特點(diǎn)修正車牌的定位，為車牌字符的后處理打下了良好的基礎(chǔ)。它的特點(diǎn)是不依賴于車牌的邊框、大小、長(zhǎng)寬比等不太可靠、不穩(wěn)定的信息來(lái)定位車牌，對(duì)圖象中車牌的傾斜和成像質(zhì)量不敏感，具有快速，魯棒性強(qiáng)，自適應(yīng)性好的優(yōu)點(diǎn)。
算法包含以下3個(gè)部分：
①車牌圖象預(yù)處理：根據(jù)原始圖象的灰度特性做自適應(yīng)灰度拉伸；
②牌照粗定位：利用牌照的紋理信息及灰度投影對(duì)灰度圖象進(jìn)行掃描，初步確定車牌位置；
③牌照精確定位：利用牌照字符的邊緣信息，進(jìn)一步去除干擾區(qū)域，確定牌照區(qū)域中有效字符的位置。