復(fù)雜背景下的車牌自動識別系統(tǒng)

0 引言
隨著現(xiàn)代交通的發(fā)展，車牌自動識別技術(shù)越來越成為智能交通的重要組成部分。車牌識別技術(shù)主要是采用計算機圖像處理技術(shù)對車牌的圖像進行分析，以自動提取車牌信息，確定車牌號。一般說來，在車牌自動識別系統(tǒng)中，處理的關(guān)鍵技術(shù)問題是車牌的定位及字符的分割。對于車牌自動識別系統(tǒng)已經(jīng)提出了許多方法，如運用多重特征的車牌定位算法，基于彩色和紋理分析的車牌定位方法，用神經(jīng)網(wǎng)絡(luò)算法進行車牌自動識別等。針對通過攝像頭動態(tài)采集到的圖像有可能存在模糊、噪聲干擾等問題，我們先用改進模糊C-均值聚類算法對采集到的圖像進行分割，然后根據(jù)車牌區(qū)域的特點對車牌進行定位。車牌定位后，根據(jù)車牌中字符的分布特點，對字符進行分割及識別。對于采集到的復(fù)雜背景的圖像進行實驗后，得到了較理想的車牌自動識別效果。

1 車牌的定位
車牌定位是車牌識別系統(tǒng)的核心，它是從一個復(fù)雜背景的圖像找到車牌所在的區(qū)域。為了更好對車牌加以定位，需先對采集到的圖像進行分割。
1．1 用改進的模糊C-均值聚類算法進行圖像分割
模糊C-均值(FCM)算法是常用的圖像分割方法，它是通過迭代法優(yōu)化目標函數(shù)來實現(xiàn)圖像分割的，該算法的不足是收斂速度較慢。為了提高該算法的速度，已提出了不同的改進FCM算法，在文獻[5]中，利用分層聚類把圖像數(shù)據(jù)分成一定數(shù)量的色彩相近的子集，來提高FCM算法的計算速度。該改進算法是通過減少聚類樣本來提高聚類的速度的。
在FCM算法中，初始聚類中心及聚類數(shù)目的選取對算法速度有一定的影響，較好的初始值，有助于提高聚類的速度。聚類中心與聚類數(shù)目與圖像的灰度直方圖的極值點相關(guān)聯(lián)。對一幅較復(fù)雜的圖像，其灰度直方圖不是連續(xù)的圖形，直方圖中存在很多的毛刺，確定出的極值點一般有很多個。為了更有效地獲取其極值點，我們對圖像的灰度值做如下處理，將灰度值為[h，h+n]間的像素的個數(shù)疊加在一起，其中n為灰度區(qū)間，這可以避免一些像素值較小的極值點出現(xiàn)。通過處理后的圖像灰度值col[i](其中0≤i≤255)，來獲得灰度直方圖的極值點。當col[i-1]col[i]≥col[i+1]時，該點便為極值點。獲得的灰度值的極值點可以作為聚類中心的一個特征量，極值點的個數(shù)可以作為聚類數(shù)目的初始值。