车牌识别系统定位车牌的方法有哪些？

车牌识别系统定位车牌的方法可以大致分为两类：一类是基于灰度图像的车牌定位方法，另一类是基于彩色图像的车牌定位方法。

一、基于灰度图像的车牌定位算法简介

灰度图像由于其数据量小，处理迅速简单，长期以来，图像处理主要是以灰度图像处理为主。

车牌区域具有不因外部条件变化而改变的特点：(1)车牌内有多个字符，基本呈水平排列，所以在牌照的矩形区内存在较丰富的边缘，呈现出规则的纹理特征；

(2)车牌区内字符和牌照底色区域在灰度值上存在跳变；(3)车牌宽高比有固定的比例（我国车牌区宽高比约为22：7）。这些特点为车牌定位方法的研究提供了切实可行的依据。对于车牌定位的灰度图像处理算法，比较常用的有以下几种：

(1)利用汽车牌照中文字笔画变化频率比较稳定的特点，即笔画间隔的像素是稳定在某一个范围内，笔画数也存在下限的特征。设定阈值，通过扫描确定上下边界位置和左右边界位置。这样在已缩小的范围内再用上述方法进行递归检测，直到牌照位置比较稳定为止[5,8]。此算法的不足之处就在于对那种引入文字背景的原始图像会出现很多错误，同时笔画间隔的像素是一个相对的概念，对于大小不同的车牌显然是不同的，所以此算法对原始图像的标准化要求很高。

(2)扫描车辆图像各行，通过车牌区域的扫描线上灰度变化相对于没有通过车牌区域的扫描线上灰度变化有很明显的特征：灰度变化在车牌区很快，有很多明显的峰点和谷点以及车牌区峰点的高度和谷点的高度基本相同。根据以上特征快速定位车牌[9]。这种方法受图像中有其他文字信息或图像中灰尘、脏污的影响

较大。

(3)基于边缘检测的方法。该方法通过对车辆图像进行垂直边缘检测的方法，找出图像中边缘较为密集，且宽高比符合车牌宽高比性质的区域，从而定位出车牌。但是由于边缘检测往往不能排除车牌以外的边缘密集区，定位效果受到车灯和车前端散热片的干扰，导致定位错误或不精准。

(4)徐州车牌识别系统的直线检测法。通过边缘提取，再利用Hough变换检测出车牌边框直线来定位车牌[12]。这种方法受车牌倾斜的影响较大，同时边缘检测也没有很好地消除其他无关的边缘，在有其它直线干扰时失效的可能性大大增加。

(5)基于数学形态学的汽车牌照区域定位算法。通过对灰度图像采用形态学运算，同时把基于全像素点数学形态学处理的点运算转化为仅有几十条直线的

线运算，提高了运算速度和抗干扰能力。

(6)基于神经网络和模糊聚类的方法。该方法运用神经网络和模糊聚类方法来进行定位，但该方法一般需要大量的车辆图像进行特征学习训练，定位时间长，而且定位精度不高；

(7)基于小波分解的车牌定位方法。利用小波的特点对车牌图像进行分析，发现小波分解后的细节分量中有能较好体现出车牌位置的信息，特别是水平低频、垂直高频分量能提供更准确的车牌位置信息。再将小波分解后的混合边缘图像运用数学形态学算子进行精细定位。

二、基于彩色图像的车牌定位算法简介

基于灰度图像的车牌定位效果易受到噪声、阴影和光照条件的影响。与灰度图像相比，彩色图像色彩丰富，信息具有原始性和完整性，可以更充分的利用车辆图像的信息，而且人类视觉系统又对色彩非常敏感。彩色图像的车牌定位算法主要有：

(1)采用多层感知器网络对输入彩色车辆图像进行彩色分割，通过投影法分割出潜在的车牌区域并根据先验知识得出合理的车牌区域[17]。

(2)彩色边缘检测算子与区域生长相结合的牌照定位算法。这种方法的主要思想是通过边缘检测算子对彩色图像进行边缘检测，增强牌照区域，并借助数学形态学膨胀技术实现区域的连通，采用区域生长方法标记候选区域，后利用车牌的先验知识，剔除虚假车牌区，确定真正的车牌区。

(3)利用颜色空间距离和相似度进行车牌底色的颜色分割，再采用投影法根据车牌的宽高比确定车牌候选区域，后对候选区域的灰度图像进行纹理分割提取车牌[19]。

(4)将彩色图像转换到色调饱和度亮度空间（HSV空间），统计车牌底色在

HSV空间中的各分量的经验范围并提取车牌候选区域，然后对候选区域进行投影分析和形态学操作提取车牌[20]。

基于彩色图像的车牌定位算法虽然充分利用了车牌的颜色信息，但是由于要处理多种颜色信息，加上事先不知道车牌自身颜色，往往处理较为复杂，处理时间较长，影响了实时性，且稳定性不高。另外当车身颜色或周围景物颜色与车牌颜色相近或相同时，往往还需要借助边缘性质来定位车牌，定位成功率受到影响，鲁棒性不强。