OpenCV智能车牌识别系统软件设计(3)
2.2.2 车牌定位
车牌定位即从包含车牌的图像中提取出车牌图块，定位的准确与否直接关系到整个系统识别率的高低[3]。由于车牌背景具有复杂性，车牌特征具有多样性，至今仍没有完全通用的车牌定位方法，车牌定位的方法要随着环境的改变发生变化。目前，比较典型的车牌定位算法有：边缘检测法，边缘信息是一个区域的开始和另一个区域的结束，是辨别图像差异性的重要特征，由于车牌的字符与底色有较大差异，且字符边缘丰富，边缘检测可以达到突出边缘、削弱边缘以外图像区域的效果，所以可以采用边缘法检测法[4]进行车牌定位；其他的车牌定位方法还有：基于色彩分割法、基于小波变换法[5]和基于遗传算法等。
2.2.3 字符分割
经过车牌定位后，为了方便后面的识别，首先应该对车牌图块的字符进行分割，同时进行归一化处理，分割的好坏和正确与否会直接影响字符识别。字符分割步骤的主要任务是：字符分割和归一化。这一过程涉及到的技术主要有二值化、寻找字符边界、字符分割。在字符分割方面，主要的方法有：垂直投影法[6]，即对车牌灰度图像进行灰度垂直投影，车牌区域的垂直投影可以清晰地看出7个区域，即车牌的7个字符灰度图像的垂直投影，通过垂直投影图的特征，分割字符就转化为只需得到每个区域的左右边界即可；另外还有基于二值图像字符区域上下轮廓分布的车牌字符分割算法、基于车牌二值图像字符连通性的字符分割算法以及基于颜色分类的车牌字符分割算法等。由于摄像设备的角度等原因，图像中的车牌图块难免会存在角度倾斜问题，因而在进行字符分割之前首先要对车牌定位后的图像进行旋转校正。
2.2.4 字符识别
字符识别是车牌识别的最后一个步骤。对于单个字符，最简单的识别方法就是模板匹配法[7]，由于车辆牌照字符有限且是确定的字体，因此，只要定位分割步骤质量较高，则用这种最简单的方法，识别效率也会很高；但是如果牌照定位范围不够准确或字符分割得不够精确，那么识别率就会大大降低。由于传统的模版匹配法存在的弊端，许多学者对模版匹配法进行了改进。在实际应用中，通常是利用字符的特征进行识别，如人工神经网络（ANN）字符识别法，人工神经网络与传统的计算结构和相应的算法不同，采用的是生物神经网络的模型，因此在很大程度上解决了车牌识别中因字符残缺和字符倾斜、变形和沾染污渍等原因无法识别的问题。
3 车牌定位
车牌定位的主要目的是在一幅图片中找到仅包含车牌的区域，以此提高整体识别的准确率与速度。这个过程非常重要，如果这步失败了，后面的字符分割和字符识别过程都必然不能工作。
3.1 车牌粗定位的总体流程
图3.1 车牌粗定位的总体流程
3.2 车牌粗定位
3.2.1 车牌图像预处理
(a) 待处理的图片：
图3.2 原始车牌图片
(b) 灰度化后的图片：
图3.3 灰度化后的图像
灰度图像是R、G、B三个分量相同的一种特殊的彩色图像，图像的灰度化即将R、G、B分量赋予相同值Gray的过程。灰度化通常采用以下两种方法：
方法1： （3-1）
方法2： （3-2）