车牌定位方法综述*

罗 山，李玉莲

(攀枝花学院交通与汽车工程学院，四川 攀枝花 617000)

0 引言

车牌定位是从给定的车牌图像中找到车牌区域的位置，并将车牌所在局部区域从整幅图像中分割出来，为后续的字符分割、识别奠定基础。基于车牌的不同特征，根据车牌定位层次的精细，本文对基于自适应数学形态学的方法、基于神经网络的方法、基于形状回归的方法、基于色彩纹理的方法和基于字符边缘点提取的方法、基于遗传算法、基于粒子群算法、基于颜色信息的方法、基于Adaboost算法、基于变换的方法进行研究，并总结各种方法的性能特点。

1 车牌定位算法

1.1 基于自适应数学形态学的方法

基于数学形态学方法定位[1]属于二次定位，它是将自适应对比度增强算法应用于预处理阶段，然后对车牌图像进行对比度增强处理，并在粗定位中利用数学形态学处理图像，在精定位中提出采用区域标记法和投影法结合来提取精确车牌位置。

1.2 基于神经网络的方法

1) 基于脉冲神经网络的方法。利用脉冲神经网络对车牌图像进行颜色特征提取，实现车牌的粗定位，再对粗定位车牌进行预处理，采用行列扫描投影法进行精确定位，最终提取出正确的车牌区域[2]。

2) 基于级联卷积神经网络的方法。主要是针对多车辆、低分辨率等复杂环境下的车牌定位情况，通过运动目标检测算法定位出目标运动热点区域；然后使用卷积神经网络识别热点区域中的车辆；最后使用卷积神经网络从定位的车辆图片中识别车牌[3]。

1.3 基于形状回归的方法

基于形状回归的方法[4]是基于车牌本身的形状和内部特征，将车牌定位问题转化为车牌四个角点的检测问题，这样得到的结果更加的精细。

1.4 基于色彩纹理的方法

将颜色空间进行转换并滤波调整之后，排除图像中的干扰信息；然后将转换后的图像车牌背景颜色和车牌字符颜色进行二值化处理生成两幅灰度图像，对两幅灰度图像的各个像素点进行分析比对，通过像素灰度值的跳变次数，找出符合车牌纹理的区域，通过计算确定车牌区域[5]。

1.5 基于字符边缘点提取的方法

首先对图像进行边缘检测；其次，采用一种基于字符周围像素点比例的边缘点窗口扫描算法来排除其它干扰的边缘点；最后，结合结构特征，采用高级形态学变换和基于像素点比例与水平跳变次数的排干扰法来进行车牌候选区域提取[6]。

1.6 基于遗传算法的方法

将车牌区域特征值作为适应度函数的输入进行计算使收敛输出结果为求解空间的最大值和最小值，继而寻求该区域并分割得到车牌区域，整个过程就是全局最优化问题[7]。

1.7 基于量子粒子群算法的方法

主要是通过局部图像增强处理改善图像质量变化较大的问题，从而获得理想的车牌特征描述，结合量子粒子群优化算法快速、高效的特点在全图范围选择最满足车牌特征的区域位置[8]。

1.8 基于颜色和边缘信息的方法

利用RGB颜色空间提取符合车牌颜色的区域，再通过边缘检测提取车牌边缘信息，根据车牌的颜色信息和边缘信息融合后进行形态学提取车牌候选区域，然后使用车牌规整度计算[9]进行车牌区域的筛选，从而定位车牌区域。

1.9 基于Adaboost算法的方法

Adaboost算法使用矩形特征值作为分类的依据[10]，将训练得到的分类器输入经过预处理的车牌待检图像，得到粗检结果。再通过车牌校验，将粗检得到的车牌区域进行筛选，最后得到准确的车牌定位区域。

1.10 基于变换的方法

1) 基于NSCT变换的方法。首先，对图像进行非下采样 Contourlet 变换，得到车辆图像的 8 个方向的高频分量子图；然后，通过结合规则将这些高频子图合成一幅突出车牌区域的高频图；最后，运用数学形态学和连通域分析定位出车牌[11]。

2) 基于小波变换和Tophat变换的方法[12]。主要以小波变换为工具，结合反锐化掩模(UM)方法；利用中低频描绘子重构 VPM，结合部分中低频描绘子和统计量组成描述区域纹理的模式向量，输入支持向量机归类。

1.11 定位方法对比分析

表1总结了各种方法的优缺点，并做比较分析。

表1 车牌定位方法优缺点对比

2 结束语

本文研究分析了近几年出现的常用车牌定位方法，并对其定位精细及特点进行了讨论，但还没有一种通用的适用于复杂背景下的精确定位方法。也有许多新的方法出现，如Adaboost算法、遗传算法、粒子群算法等。未来的研究应集中在多特征、多方法融合的识别上，并积极引入新方法来解决精确定位的难题。