车牌定位方法综述
文章编号：XXXXX
汽车牌照汉字识别方法综述
摘 要:字符识别是汽车牌照自动识别系统中的关键环节, 汉字字符识别是其中的难点。本文在对车牌汉字识别方法分类的基础上,介绍了各种传统的和最新的汉字识别方法, 分析各种方法的特点,算法及其实现,并对它们的性能进行评述。
关键词:识别; 汉字; 车牌
中图分类号：文献标识码：A
Methods of license plate character recognition
Abstract：License plate character recognition is the key of automatic identification system, and Chinese character recognition is one of the difficulties.Based on the classification of license plate character recognition method ,this paper descripts various traditional and the latest character recognition methods , analyzes the characteristics of every method, algorithms and their implementation, and reviewes their performance .
1 引言
随着国民经济的高速发展, 高速公路、城市道路、停车场建设越来越多，对交通控制、安全管理的要求也日益提高，智能交通系统ITS( Intelligent Traffic System) 已成为世界交通领域研究的前沿课题[1]。在此基础上发展的车牌照识别LPR (License Plate Recognition）系统是智能交通系统的重要组成部分，它在交通管理中占有重要的地位，有着多种应用。
LPR系统主要由三部分组成：车牌定位、字符分割、字符识别[2]，其中关键技术是字符识别技术，西文和数字识别技术已经取得了相当大的成果。由于我国车牌的特殊性，汉字字符识别技术依然是重要研究的课题。
光学字符识(Optical Character Recognition)[3]别属于模式识别和人工智能的范畴，同时涉及到图像处理、形式语言、自动机、统计决策理论、模糊数学、组合数学、信息论等学科，它由德国科学家TausheCk于1929年首先提出，但这种梦想直到计算机诞生后才变为现实，现在这一技术己经由计算机来实现。OCR目前依然是国际上比较流行的研究课题，随着研究的深入己成为比较实用的技术。字符识别的基本原理：文字经光电扫描，模数转换为带灰度值的数字信号送至预处理环节。预处理的内容和要求取决于识别方法，一般包括行字切分、二值化、规范化等。经过预处理，字符模式成为规范化的二值数字点阵信息。对该二值汉字点阵，抽取一定的表达形式后，与存储在字典中己知的标准字符表达形式匹配判别，就可识别出输入的未知字符[4]。
目前常用的字符识别方法有结构模式识别、统计模式识别和神经网络三类。典型的汉字识别方法主要有：基于小波的车牌汉字特征提取方法；基于PCA( Principal Component Analysis) 学习子空间的字符识别算法；基于模糊模板匹配的车牌汉字识别方法；基于SVM的车牌汉字识别方法；利用投影特征的车牌识别汉字方法等。然而，虽然这些算法在某些特定条件下识别效果较好，但综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，暂时还不能完全满足实际应用的要求，有必要进行进一步的研究。
2 车牌汉字识别方法
2.1 结构模式识别
字符图像包含丰富的结构信息，设法提取含有这样信息的结构特征及其组成规律，作为识别的依据，这就是结构模式识别。它是最基础的，也是最早的文本字符识别方法。研究的出发点是字符的组成结构。字符是由笔划构成的，也可以认为是由更小的结构基元构成的。由这些结构基元及其相互关系完全可以精确地对字符加以描述。常见的结构识别有：
（l）基于骨架的识别方法
骨架是人对于字符的抽象认识，是经细化得到的。细化有迭代剥离和直接获取两种方法：迭代剥离法是通过搜索图像边缘，通过反复考察边缘点的连通度并结合相应的规则来决定点的去留；直接获取法根据每条扫描线的黑游程中点得到中轴，这样的方法会产生不必要的分支，而且扫描方向必须与笔画方向基本垂直,否则会产生大量断点。
骨架的描述可以由点的集合抽象为顶点与弧构成的图的形式。J.Rocha等描述了使用图的匹配算法来与模板比较，由于顶点和弧上带有具体参数，从而可以得到为完全拟合所需的形变代价，并认为该代价也就是与模板匹配的距离。这一点在汉字识别中非常有效。使用骨架作结构信息源是结构方法的主流。但它的缺点在于它十分依赖图像的细化质量。当图像中有粘连的框线时细化常常会产生拓扑结构上的变化，这时就要求后续识别有较大的规则灵活性[5]。
（2）基于轮廓的识别方法
轮廓也可以反映字符图像的结构，由于存在内外轮廓和笔画宽度等因素的影响，轮廓提取方法简单，结果确定，因而它仍不失为一种好的结构信息源。轮廓大致有两种描述方式，一种与骨架一样用结构点和弧构成图的方式来描述，识别也与骨架相同；另一种则用标准化后的轮廓距边框的距离描述[6]通过在一定范围内寻找轮廓的最远、最近点和最大、最小突变点得到一系列结构特征，构成识别规律。
该方法与上述方法比较，轮廓方法位置更精确，而且运算量较小；但缺点是容易受到笔画宽度和断线的影响。适用于图像质量较好、书写较固定的环境。
综上所述，结构模式识别方法主要优点在于对字体变化的适应性强，区分相似字的能力强。在实际应用中，车牌图像中的字符常常发生变形、断裂、粘连等情况，这些因素直接影响到结构基元的提取，难以进一步推理、识别，抗干扰能力差；另外结构模式识别的描述比较复杂，匹配过程的复杂度较高。所以单纯的结构模式识别方法很少被应用。
2.2 基于小波的车牌汉字特征提取方法
小波变换提供了一种字符图像的多分辨率分析, 它不同于传统的短时傅立叶变换, 它可以分析图像在时域和频域的局部特性, 因此小波变换特别适合于提取图像局部的细节特征[7]。浙江大学的潘翔叶和修梓等人将小波理论应用于车牌汉字特征提取,提出了一种直接从灰度图像提取车牌汉字特征的方法[8]。
该方法首先提取图像的小波矩和基于小波分解的区域密度特征, 然后以识别率好坏为最优依据，进行特征分量排序和选择, 最后把特征矢量送入BP神经网络进行字符识别, 该方法避免了一些传统汉字特征提取方法需要对图像进行二值化操作而造成的汉字字符结构信息丢失。提取的特征有效地反映了车牌汉字的局部和全局特征。但此方法由于没有二值化过程，在汉字字符分割定位不准确的时候, 识别效果不很理想。
2.3 基于PCA学习子空间的字符识别算法
子空间学习算法[9]是一种多特征的分类寻优过程，即可根据样本的训练结果适当地对子空间进行调整, 因此它也是一种监督学习方法。通过这种学习反馈机制能提高子空间的识别效果。采用PCA学习子空间方法来进行灰度图像上字符的识别，不仅克服了传统的基于二值化字符特征提取和识别所带来的主要困难，还尽量多地保存了字符特征。由蒋伟峰和刘济林提出的算法[10]在PCA 子空间的基础上, 通过反馈监督学习的方法使子空间作旋转调整, 从而获得了更好的分类效果。特别当字符类别数不是很大时，子空间的训练时间也将在可接受的范围
之内。
此方法利用主分量分析PCA学习子空间算法来实现汽车牌照的汉字识别, 且在整个识别过程中，汉字特征的提取和分类是直接在灰度图像上进行的，它同传统的基于二值化图像上的光学字符识别OCR技术不同，它不但避免了对一些质量比较差的图像进行二值化时所造成的字符特征丢失, 而且采用该方法，还可尽量多地保存字符的信息特征。此算法的特点是首先通过主分量分析算法来建立各类别的子空间, 然后通过学习子空间算法, 根据训练样本的分类结果对PCA子空间作适当的调整，从而使得子空间的分类效果得到进一步的提高。应用效果表明，采用PCA学习子空间算法对车牌汉字这一有限汉字集进行识别,取得了较好的效果。因为学习子空间模式识别是一种多特征寻优模式识别技术, 通常在相同方差贡献率的条件下, 其选取的子空间维数会随样本数的增加而增长，所以相对而言，该算法在字符训练阶段的计算量是十分大的，而且修正系数的大小对训练效果也有很大影响。
2.4 基于模糊模板匹配的车牌汉字识别方法
统计模式识别借助概率论的知识, 判断或决策对象的特征类别, 使得决策的错误率达到最小。基于统计特征的识别方法先抽取识别对象的稳定特征,组成特征矢量，然后在字符集的特征空间中进行特征匹配。在分析汽车牌照汉字字符的特点后，四川大学的吴炜和杨晓敏等人提出了一种基于二值图形变动分析的模糊模板匹配车牌汉字识别方案[11]。
在含有汽车牌照的图像中，将汉字定位并提取出来以后,还要完成规格化、二值化等操作。即使是相同的汉字，由于车牌倾斜、模糊, 特别是由于每次定位不可能完全精确一致等诸多因素的影响, 导致在二值图像中字体的形状、大小都会不同，字体位置也会发生不同程度的偏移。将这种二值图形的不规则现象称为图形的变动[12]。在汉字识别的分析过程中，希望对图形变动的大小进行量化处理。因此，提出了求图形整体变动量的统计方法,其优点是不需要参照标准图形，可以进行客观评价，并构造出用于匹配识别的模糊模板。对每一个车牌的汉字字符，选取n幅质量较好的参考图。将这n幅参考图规格化为17×33的标准大小后进行二值化处理。从而得到每个车牌汉字字符都有n幅0，1所组成的二值图像。将这n幅二值图像对齐后叠加，再进行归一化，得到模糊图形F ( x , y )。该模糊图形上每一像素点实际上都对应着一个概率值，该概率值代表白色目标（汉字笔划）在该点出现的可能性。例如在模糊模板中若某一点值为1，表明在所有参加统计的二值图形上汉字笔划都经过该点，其为白色目标像素的可能性是100%，为黑色背景像素的可能性是0，反之亦然。进行匹配识别时，对一幅切分后的待识别汉字灰度图,将其规格化、二值化，然后计算每一像素点与模板的吻合程度，即每一像素点正确匹配的置信度。最后根据置信度的大小识别出所选汉字。此方法实现的关键是n的取值：n的取值如果过小，则参考图没有参考性，叠加后图像的准确性降低；n 的取值过大，则图像归一化后的模糊图形准确性降低，影响识别效果。
2.5 基于SVM 的车牌汉字的有效识别方法
支持向量机[13]（SVM）是20世纪90年代初由Vapnik 等人提出的一类新型机器学习方法，主要用于解决有限样本情况下的模式识别问题。此方法能够在训练样本很少的情况下达到很好的分类推广能力。北京理工大学的王晓光和王晓华应用SVM 算法对车牌中的汉字字符进行识别，在无字符特征提取的情况下得到较高的识别率和识别速度。SVM分类器是二分类器，因此该文采用多个二分类器组合的one-against-the- others 算法，将多类识别问题转化为二类识别问题来解决。每个分类器只将一个汉字与其余汉字区分开，训练样本中该汉字对应的y值为1，其余样本对应的y值为-1。首先确定使用的核函数K，将训练样本值带入优化函数式中，求出最优解及其非零值对应的支持向量,并根据任一训练样本值求出阈值b。将求出的所有参数值带入相应的判别函数，即得到判别函数f ( x )。依此类推，分别求出所有汉字对应的判别函数。进行字符
识别时将输入信号送到每一个分类器，然后循环检查所有的分类器输出。如某一分类器的输出值为1，则认为输入的车牌字符为该类对应的汉字字符；否则，若所有输出值均不为1，则拒绝识别该字符。由于识别存在一定的误差, 可能同时有多个分类器的输出值为1，此时则判断为第一个输出值为1的字符类。因此,识别的准确性尚不理想。另外,核函数的选择也很重要, 到目前为止，还没有一个公认的比较好的选择标准。如何确定适当的核函数及其参数还有待进一步研究。
2.6 利用投影特征的车牌识别汉字方法
由于车牌中使用的汉字固定，且数量很少，其中的汉字字体均有国家标准确认等特点。文献[14]中提出了一种根据汉字的投影特征来识别车牌中汉字的方法。它利用汉字图像投影图找出汉字笔画数量、结构，以及其中长竖线长横线的数量等特征，用这些特征有效、高速地识别车牌中的汉字。汉字的特征分析方法有很多,如利用句法模式识别，提取汉字的各笔画的骨架线，利用汉字的笔画统计特征和利用汉字的形态特征[15]。其中利用汉字笔画特征的较多，这种方法容易实现。车牌中使用的汉字数量不多，如不考虑军车仅有34个。观察这些汉字，很容易发现他们的笔画数不一，有些笔画数相当多，如：冀，有些相当少，如：辽；笔画的分布也不同，有些呈上下分布，如：京，某些呈左右分布，如：沪；某些字符中存在相当长的横线或竖线，如：京、吉等等。也就是说，可以利用汉字的结构和笔画的统计特征来识别汉字。这样，只需要提取出其中少数的一些特征，利用这些特征构造一棵判定树[16]就可以快速从一个小的汉字集合中判断出一个汉字。将车牌上的汉字在x轴和y轴上分别投影，根据投影图的波谷判断汉字的结构分割点，同样,根据波峰判断汉字中存在较长的直线的可能位置。根据这些特征从车牌汉字的判定树中将汉字识别出来。
此方法抗干扰能力不强，对采集的车牌图像的质量要求较高，如果车牌倾斜，磨损或者车牌上有干扰物则会对识别结果有很大影响。
2.7 基于细化图像的Hausdorff距离模板匹配方法
2.7.1 Hausdorff 距离模板匹配法原理
Hausdorff距离[17],又称最大最小距离，㎜它是集合与集合之间距离的一种定义形式。令A={a1,a2,···a NA}、B={b1,b2,····，b NB}为实数集中的两个点集，d为点与点之间的距离点集A和B，之间的Hausdorff 距离H(A,B)可表示为:
H(A,B)=max{h(A,B),h(B,A)} (2)
式中h(A,B)=max a A{D(a,B)}
h(A,B)称为A集合和B集合之间的直接Hausdorff距离。如果定义一个点a到一个点集B的距离D(a,B)为该点到该点集中每一个点的距离的最小值，即
D(a,B)=minb B{d(a,b)} (3)
则h(A,B)是点集A中每个点到点集B 中的最小距离集合中的最大值Hausdorff距离。H(A,B)取h(A,B)和h(B,A)的最大值，从而可获得两个点集A和B之间的匹配程度。
2.7.2算法的实现
在进行模板匹配之前，首先要建立细化字符的标准模板库。为了提高识别的准确程度，在建立模板库时。将汉字、数字、字母分别建库，根据所要识别的字符在车牌中所在位置，分别送入不同的模板库中匹配识别。实验证明，这种分类识别方法不仅可以提高识别的准确度，而且将模板分类，使得同类模板库变小，有效减少了匹配识别时间[18]。
Hausdorff距离模板匹配过程如下：
(1) 设置变量N=7,i=1（说明：N代表车牌上的字符个数，i记录当前要识别的字符在车牌中的位置）。
(2) If i<=N，则执行以下步骤，否则退出。
(3)输入待识别字符图像。
(4)对待识图像进行归一化和细化。
(5)判断i的值；i=1，将待识图像送入汉字库匹配识别；i=2，送入字母库匹配识别；i=3或4，送入字母数字混合库匹配识别；i=5、6或7，送入数字库匹配识别。
(6)将待识别图像和存放在数据库里的模板逐个计算Hausdorff距离Hi(i=1,2, N,N 为模板个数),即重复执行以下过程:
A）初始化Hausdorff 距离H(X,Pi)，令H(X,Pi)=0。
B）逐个像素扫描已归一化的待识别字符图像，遇到1字符，就记录下该点的位置L x,y;否则继续扫描。
C）模板图像上，在以L x,y点为中心的6×6 邻域内，搜索1字符，寻找与L x,y最近的点，并计算两点之间的距离D，此距离是待识别图像和模板图像在该点的最小距离。如果6 ×6邻域内没有找到1字符，令D=20。
D）若D H(X,Pi)则令H(X,Pi)=D。
E）判断是否扫描待识别图像结束，如没有结束，执行b），否则计算距离结束，得到字符到模板的距离H(X,Pi)。
(7)重复执行a)-e)，计算模板到字符的Hausdorff距离H(Pi ,X)。
(8)取Hi=Max(H(X,Pi), H(Pi,X))。
(9)for i=1 to N,比较Hi的值，当Hi距离最小时，对应的模板字符就是识别的结果，输出结果。
(10)if i=3或4，并且输出结果为特殊字符，则进入校正模块对识别结果进行校正，否则继续。
（11）i=i+1，转（2）步执行。
本算法能有效识别车牌字符，对比于其它识别算法，它的拒识率低，对于实验库中的车牌拒识率为0，很好的实现了自动识别，最大程度的减少了人为干预；并且算法简单，容易实现，对模板库进行分类，不同字符送入不同的库中匹配，使匹配次数减少，从而提高了识别速度，很好的满足了车牌识别的实时性要求，具有很强的应用价值[19]。
2.8 基于分形维数的车牌字符识别
假设字符图像的大小为M×M，并被缩小到s×s（其中：M/2≥s≥1，s是整数），那么r = s/ M。把图像看作三维空间（x ，y ，z ），其中（x，y）表示图像像素的二维位置，z表示灰度值。（x，y）平面被划分为s ×s大小的网格，在每一个网格处z，方向有一列s×s×s 大小的小立方体。假如在第( i，j )th个网格处灰度的最小值和最大值分别是第k th个和第l th个小立方体处，那么第( i，j )th个网格处的小立方体数目为n r ( i，j ) = l th-k th+ 1。则整个图像内的网格处的小立方体总数为N r =∑n r ( i, j ) ,根据上式计算出的不同r值对应的N r值，然后求集( lg ( N r ) , lg ( 1/ r ) ) 线性回归线的斜率，即为该目标图像的分数维D[20]。
根据车牌字符这些固有的特性，采用分形理论来对其进行研究，由于分形维数可定量地表述一个物体的形状和复杂性，而不同字符具有不同的形状和复杂性，所以可以将分形维数作为特征来进行识别。用模拟车牌的二值图像(图1)来验证该算法：
(1)对车牌内可能的汉字、英文字母及阿拉伯数。
( 2)利用盒子维[21]的简化方法，分别求出各标准模板的分形维数D，作为该模板字符的识别特征，并建立相应的查询列表（分别有汉字、英文字母及阿拉伯数字三类查询列表），如表1所示。
(3)根据车牌字符的统一性，先对车牌二值图像进行简单切分，然后将分割出的七个字符图像扩充为大小为64×64 的图像。
(4)求该字符图像的重心点，并以此重心点作为参考点即图像中心，以字符的长宽比为依据，并考虑到可能存在的噪声对重心的影响，提取出24×20 的字符图像，然后将该图像大小扩充为32×32。
(5)利用盒子维的方法求该32×32图像的分形维数D，然后根据该字符图像在车牌
内所处位置判断该字符所属类别，查询相应列表，找出此分形维数D在一定误差范围（即根据经验所选取的阈值）内所对应的字符，完成识别。由于灰尘泥土和拍摄的原因，实际的车牌图像不可避免地带有一定的噪声及具有一定的位移和旋转，于是对该算法进行了部分改进，其中在识别算法中增加若干次求重心的步骤，经实验证明一般增加三次即可有效地满足该算法对平移不变性及抗噪能力的要求[22]。
2.9 一种基于特征的BP 神经网络车牌字符识别
BPNN（Back-Propagation Neural Network）网络[ 22]是1986年由Rumelhart 和McCelland为首的科学家小组提出，是一种采用误差反向算法进行有监督学习的多层
前向型神经网络，是目前应用最为广泛的神经网络之一。
本方法研究的图象是采用摄像机拍摄的行进中的车辆照片，通过以上预处理，将提取的字符特征作为BP神经网络的输入，训练网络，利用测试集测试已训练好的网络，对车牌进行识别[23]。
图3 改进前后的BP网络的收敛速度由于任意连续函数都可以用一个隐层的BP网络逼近，因此在车牌汉字分类器中可设计一个三层BP网络。网络的输入节点n由特征提取的向量决定，由于在特征提取时，对汉字选取了39维向量作为识别系统的输入向量，因此，输入的神经元的个数取n= 39+ 1。网络的输出神经元m应与最终需分类的汉字类别相同，共10个（受汉字样本限制，苏，沪，浙，鲁，皖，闽，京，桂，豫，晋），样本数各为400个。网络的隐层节点依据经验公式m+n+a( a为[1，10]之间的常数)设定为11个神经元，网络的初始权值可由(-0.01，0. 01)伪随机小数产生，误差为10-3。使用作用函数后缩算法以减小陷入局部极小值的概率。图3显示了BP网络与改进的BP网络对同一训练过程的收敛速度，BP网络经过2456次的训练才收敛，而改进后的BP网络只需要训练1014次左右就能够收敛，可见改进后的BP神经网络可以加快网络训练速度[24]。
2.9 基于高斯混合模型的车辆字符识别算法
GMM[25]是一种利用一定数量的小高斯函数混合逼近某变量的概率密度函数的方法，是在概率估计中常用的参数化模型，近年被广泛应用于模式识别领域。GMM的参数估计是利用了EM[26]算法, 可以较好地估计出变量的概率密度函数。
在车牌字符识别中，假设各个字符类别的先验概率相等，因此可以根据类条件概率密度函数来实现贝叶斯决策分类[27]。系统选取每个文字的Gabor特征进行识别, 则X
=[ x1, x2 ,·····，x d] , x1, x2，·····, x d为d种特征量,其类条件概率密度为
p(X/C i) =为C i 的第n 个特征的类条件概率密度函数。贝叶斯判决过程为
1) 计算。
2) 如
果
,则判
断X[ x1，x2，······，x n] C j。
训练部分的基本步骤为：
1) 对训练样本的大小进行归一化处理，得到17×33的标准图像；
2) 对归一化以后的标准图像进行Gabor 变换，得到特征值；
3) 根据EM算法估计GMM 的参数，从而得到字符特征的类条件概率密度。
识别部分的基本步骤为：
1) 对待测样本的大小进行归一化处理，得到17×33的标准图像；
2) 对归一化以后的标准图像进行Gabor 变换，得到特征值；
3) 根据判决规则进行判别。
对已有的车牌字符图像集中选取质量不等的字符图像进行训练，每一个字符取1000个训练样本来估计字符特征的概率密度函数，然后再对质量为良中差不等的8620幅车牌图像进行测试。可以看到，本文算法的识别率在3种不同质量的情况下，比BP 神经网络和模板匹配有明显的提高，并且具有很高的稳健性[29]。
3 结束语
本文在现有的车牌照识别系统的基础上，对近年来国内出现的车牌汉字识别方法进行了全面的综述，车牌汉字识别是车牌识别中最关键、最难解决的一步。由于车牌背景的复杂性与车牌特征的多样性，迄今为止，仍没有一个完全通用的车牌汉字识别方法，大多数识别方法有局限性，识别效果在理想条件下很好，但距实际应用尚有一段距离[30]。如果将上述某些方法的特点相结合，集各家所长，有可能研究出一种更为实用的车牌汉字识别方法。
参考文献(References)
[1]王笑京,沈鸿飞,汪林.中国智能交通系统发
展战略研究[J].交通运输系统工程与信
息,2006年，第6卷第4期：9-12.
[2]郑霞.车牌照识别关键技术研究[D].西安：西
北大学，2004.
[3]毕晓冬.智能交通信号控制系统中车牌识别
技术研究[D].长春：长春理工大学，2009. [4]李一舒.车牌识别的改进算法的研究[D].杭
州:浙江大学,2007.
[5]魏武,张起森,王明俊等.一种基于模板匹配
的车牌识别方法.中国公路报.2001,
14(1):104-106.
[6]Hu.M.K. Visual Pattern Recognition by
Moment Invariant. IRE Tran Inf Theory.
1992,8:179-187.
[7]Huang Lei, Huang Xiao. Multiresolution
Recognition of Offline Hand-written Chinese
Character With Wavelet Transform[A].
Proceedings of Sixth International Conference
on Document Analysis and Recognition[C].
Seattle, Washington, 2001: 631- 634.
[8]潘翔叶,修梓,张三元.基于小波的车牌汉字
特征提取[J].中国图像图形学报,2003,8(10): 1219-1222.
[9]蒋伟峰,刘济林.基于PCA 学习子空间算法的
有限汉字识别[J].中国图象图形学报.
2001,6(2):180-190.
[10]蒋伟峰,刘济林.基于PCA学习子空间算法的
有限汉字识别[J] .中国图像图形学报, 2001, 6(2):187-190.
[11]吴炜,杨晓敏,刘大宇等.一种基于模糊模板
匹配的车牌汉字识别方法[J].微型机与应用, 2005,11:57-59.
[12]姜涛.基于模式识别的图像处理及其在车牌
识别中的应用[D].合肥：合肥工业大学，2002.
[13]许鑫.军车牌照自动识别系统[D].重庆：重
庆大学，2010.
[14]赵春明,石跃祥.利用投影特征高速识别车
牌中的汉字[J].计算机工程与应用,2005(19): 207-209.
[15]余英林.数字图像处理与模式识别[M].华南
理工大学出版社,1990:380-382.
[16]宋建才.字符结构知识在车牌识别中的应用
[J].电子技术应用,2004(4):18-19.
[17]平原,李慧娜.快速精确识别车牌字符的方
法[J].计算机工程与设计,2008,29(9):
2410-2412.
[18]李珺.汽车牌照自动识别系统研究[D].兰州
交通大学,2004.
[19]李珺,党建武.一种快速实用的车牌字符识
别方法[J].图像处理.2010(1-2):211-213 [20]李宏贵,李兴国.基于分形特征的红外图像
识别方法[J].红外与激光工程,1999,28
(1):20-24.
[21]王东生,曹磊.混沌、分形及其应用[M] .合
肥: 中国科学技术大学出版社,1995.93-138.
[22]甘龙,高隽,梁栋,陈迎春.基于分形维数的
车牌字符识别[J].中国公路学报,2002,15
(4):75-77.
[23]Y. P.Huang ,T.W.Chang,Y.R.Chenaetal. A
Back Propagation Based Real- time License
Plate Recognition System[J]. Journal of Pattern
Recognition and Artificial Intelligence, vol.22,
No. 2,233- 251, 2008.
[24]X.Pan,X.Ye,S.Y. Zhang. A Hybrid Method for
Robust Car Plate Character Recognition[J].
Engineering Applications of Artificial
Intelligence,18 (2005) 963- 972.
[25]王海涛.基于聚类分析与神经网络的车牌字符
识别[J].数据采集与处理.2008,23(2):238- 242.
[26]Roberts SJ. Bayesian approaches to Gaussian
mixture modeling[J]. IEEE Trans on Pattern
Analysis and Machines Intelligence,1998, 20
(11):1133 -1142.
[27]Depster AP,Laird NM, Rubin DB.Maximum
likelihood from incomplete data via the EM
algorithm[J].J Royal Statistical Society B,
1977,39(1):1-38.
[28]边肇祺,张学工.模式识别[M].北京:清华大
学出版社,2000-0.
[29]杨晓敏,何小海,吴炜等.基于高斯混合模型
的车辆字符识别算法.光电子·激光.
2007,18(4):487-490.
[30]王磊, 任洪娥.汽车牌照汉字识别方法综述
[J].信息技术.2007,6:11-13.
无线网络定位论文综述
无线传感器网络定位技术分析 摘要 无线传感器网络具有成本低、监测精度高、容错性好、可远程监控、便于诊断与维护等众多优点，在环境监测、事故定位救援等领域有着广阔的应用前景，其根本任务是准确获取物理世界的有价值信息。无线传感器网络借助节点的时间与位置信息，实现传感器节点之间控制和传感数据高速率、低延迟的交换，以保证整个检测与控制系统的准确性与实时性．无线传感器网络面临计算、存储与网络资源等方面的限制，针对如何进行无线传感器网络中节点高效率、低能耗的定位以及覆盖等问题展开研究具有十分重要的意义。在目标监测与跟踪、基于位置信息的路由中，节点的位置信息也是不可缺少的。 关键词：传感器网络定位，实时性 第一章背景分析 无线传感器网络(Wireless Sensor Network，WSN)被誉为21世纪最有影响力的21项技术和改变世界的10大技术之一。传感器节点定位技术是无线传感器网络多数应用中的关键支撑技术之一。无线传感器网络技术在国民经济建设和军事领域有着非常重要的应用价值，如目标跟踪、入侵检测、灾难管理和战场侦察等。新技术在带来应用机会的同时，也带来新的研究问题。无论是在军事侦察或地理环境监测，还是交通路况监测或医疗卫生中对病人的跟踪等应用场合，很多获取的监测信息需要附带相应的位置信息，否则，这些数据就是不确切的，甚至有时候会失去采集的意义，因此网络中传感器节点自身位置信息的获取是大多数应用的基础。所谓定位是对一组未知位置坐标的网络节点，通过估计其至邻居节点的距离或邻居数目等手段，利用节点间交换的信息，确定节点位置的机制。从广义上讲，传感器网络的定位问题包括节点自身定位和对监控目标的定位。由于传感器网络的节点容量受限，包括有限的功耗、通信带宽、内存和计算能力，节点协作完成感知和通信任务，希望计算和通信量最小化，节点定位是传感器网络运行的一个基本和关键问题。 首先，传感器节点必须明确自身位置才能详细说明“在什么位置发什么了什么事件”。从而实现对外部目标的定位和跟踪；其次，了解传感器节点的位置分布状况可以对提高网络的路由效率提供帮助，从而实现网络的负载均衡以及网络拓扑的自动配置，改善整个网络的覆盖质量。因此，必须采取一定的机制或算法来实现无线传感器网络中各节点的定位。 第二章传统定位技术分析
车牌图像定位与识别
专业综合实验报告----数字图像处理 专业：电子信息工程 班级： ： 学号： 指导教师：
2014年7月18日 车牌图像定位与识别 一、设计目的 利用matlab实现车牌识别系统，熟悉matlab应用软件的基础知识，利用其解决数字信号处理的实际应用问题，从而加深对理论知识的掌握，巩固理论课上知识的同时，加强实践能力的提高，理论联系实践，提高自身的动手能力。同时不断的调试程序也提高了自己独立编程水平，并在实践中不断完善理论基础，有助于自身综合能力的提高。 二、设计内容和要求 车牌识别系统应包含图像获取、图像处理、图像分割、字符识别、数据库管理等几个部分，能够完成复杂背景下汽车牌照的定位分割以及牌照字符的自动识别。这里，只要求对给定的彩色车牌图像变换成灰度图像，用阈值化技术进行字符与背景的分离，再提取牌照图像。 三、设计步骤 1．打开计算机，启动MATLAB程序； 2．调入给定的车牌图像，并按要求进行图像处理； 3．记录和整理设计报告 四、设计所需设备及软件 计算机一台；移动式存储器；MATLAB软件。 五、设计过程 车辆牌照识别整个系统主要是由车牌定位和字符分割识别两部分组成，其中车牌定位又可以分为图像预处理及边缘提取模块和牌照的定位及分割模块；字符识别可以分为字符分割和单个字符识别两个模块。 (一）对图像进行图像转换、图像增强和边缘检测等
1.载入车牌图像： 原图 2.将彩图转换为灰度图并绘制直方图： 灰度图 灰度直方图 3.用roberts 算子进行边缘检测： 图像中车辆牌照是具有比较显著特征的一块图象区域，这此特征表现在：近似水平的矩形区域；其中字符串都是按水平方向排列的；在整体图象中的位置较为固定。正是由于牌照图象的这些特点，再经过适当的图象变换，它在整幅中可以明显地呈现出其边缘。边缘提取是较经典的算法，此处边缘的提取采用的是
基于投影法的车牌定位研究
基于投影法的车牌定位研究 摘要：车牌识别系统是近几年发展起来的基于图像处理和字符识别技术的智能化交通管理系统。车牌定位是车牌识别中的关键步骤。为了能在复杂背景和不同光照条件下快速、准确地定位车牌位置。提出了一种基于投影法的车牌定位方法。该方法首先对车牌图像实施二值化、边缘检测等预处理，然后在此基础上，利用基于双向回溯的投影法确定车牌的上下左右边界。实验结果表明，该方法定位准确。 关键词：车牌定位；行扫描；边缘检测；垂直投影 Research of License Plate Locating Method Based on Projection Abstract: license plate recognition system is developed in recent years based on image processing and character recognition technologies intelligent traffic management system. License plate location is one of the key steps in the license plate recognition. In order to obtain accurate location of vehicle plate quickly under complicated background and different illumination condition, this paper proposes a kind of locating method based on projection. First, this method carries out preprocessing such as two-valuation and edge detection. Then the projection approach based on two-way back is adopted to examine up-down and left-right boundary of the car license. The experiment results indicate that the presented method is excellent in accuracy. Key words: license plate location; line scanning; edge detective; vertical projection 0 引言 车牌识别系统作为数字摄像、计算机信息管理、图像分割和图形识别技术在智能交通领域的应用，是智能交通管理系统中重要的组成部分。车牌识别技术可应用于道路交通监控、交通事故现场勘察、交通违章自动记录、高速公路超速管理系统、小区智能化管理等方面[1]，为智能交通管理提供了高效、实用的手段。所以对车牌识别技术的研究依然是目前高科技领域的热门课题之一。车牌识别系统的成功设计、开发和应用具有相当大的社会效益、经济效益和学术意义。 基于图像处理的车牌识别系统一般包括以下五个部分： 图1 车牌识别系统 在实际应用中，车牌识别系统必须快速、准确、鲁棒地识别出车牌。因此，在车牌识别过程中，车辆的检测、图像的采集、车牌的识别等都是重要的环节，其中关键的技术有[2]：1）车辆牌照区域定位技术，即把车牌部分的图像从整个图像中切分出来的过程。 2）车辆牌照字符切分技术，即对定位后的车牌区域中的字符进行切分和归一化处理，其中车牌的二值化和倾斜校正对于字符的切分和识别都是非常重要的。 3）车辆牌照字符识别技术，即将切分后的字符识别出来。 车牌定位是车牌识别系统完成图像采集后对图像进行处理的第一步，它的好坏直接关系到整个系统识别率的高低，并且对识别速度有很大的影响。车牌不能准确定位意味着后面的识别过程都是无效的[3]。 由于车牌背景的复杂性与车牌特征的多样性，目前仍没有一个通用的智能化的车牌定位方法。目前主要的车牌定位算法有基于彩色信息的方法、基于扫描行的方法、基于数学形态
关于车牌定位的一些算法
近年来，智能交通系统(ITS)越来越受到人们的重视在车牌识别中，车牌自动识别系统作为核心部分之一应用已经越来越普及。车牌识别系统主要分车牌定位、字符切分和字符识别三部分，而车牌定位又是系统中最重要的步骤，定位的成功与否以及定位的准确程度将会直接决定后期能否进行车牌识别以及识别的准确度。 文中利用MATLAB进行分析与仿真。MATLAB是一种简单，高效、功能强大的高级语言,在科学与工程计算领域有着广泛的应用前途。在数字图像处理领域,可应用MATLAB数字图像处理技术进行系统分析与设计。 本文要讨论的是对彩色车牌图像进行包括灰度化、二值化、图像增强、边缘检测的预处理，之后进行区域提取来实现对车牌的初定位。借助MATLAB编程语言在仿真过程中分析现有算法并加以改进。 1 车牌定位中的基本理论与算法 1.1图像灰度化 彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。 在车牌识别中要利用灰度分布的特征进行进一步的分割、识别，因此对车牌图像进行灰度化成为车牌定位的必要步骤之一。 1.2图像二值化 二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
基于模式识别的车牌定位算法研究-开题报告
安徽建筑工业学院电子与信息工程学院本科毕业设计（论文）开题报告 课题名称：基于模式识别的图像处理算法研究 ——基于模式识别的车牌定位算法研究专业：电子信息工程 班级：08电子①班 学生姓名：陈宇栋 学号：08205010127 指导教师： 填表日期：2012年3月5日 安徽建筑工业学院电子与信息工程学院 二○一一年十二月制表
说明 1.抓好毕业设计（论文）的开题报告是保证毕业设计 （论文）质量的一个重要环节。为了加强对毕业设计（论文）的过程管理，规范毕业设计（论文）的开题报告，特印发此表。 2.毕业生一般应在毕业设计前期准备过程中，通过文 献调研，主动跟指导教师讨论，完成毕业设计（论文）的开题报告。 3.此表经过指导教师和有关人员签字后，一份由指导 教师保存，一份交院教学办公室。 4.毕业生在毕业设计（论文）答辩时，必须提交这份 毕业设计（论文）开题报告。 填写选题依据和设计方案，力求简练，若表中栏目不够填写，可另加附页。
一、简表 学生简况 姓名陈宇栋性别男出生年月1988-08入学时间2008-09学号08205010127专业电子信息工程班级08电子①班 课题名称基于模式识别的图像处理算法研究 子课题基于模式识别的车牌定位算法研究 课题来源纵向课题 类型计算机软件设计 研究（设计）内容 随着计算机和人工智能技术的发展，模式识别在图像处理中的应用日益广泛，智能交通工具在世界范围内引起重视，而车牌识别系统是智能交通工具的重要组成部分，该系统可以记录十字路口违章车辆，实现高速公路、收费路口、停车场等地的收费。车牌识别系统包括从图像的采集到预处理，再到车牌区域的定位和字符的分割，最后对分割出的字符进行识别的一系列过程。本次毕业设计主要对汽车牌照识别系统进行处理研究，借助于Visual C++编程环境运行在相应的硬件平台上，利用数字图像模式识别技术实现对汽车牌照的自动识别。按照模式识别系统组成，完成汽车牌照自动识别技术包括车牌预处理、车牌特征提取和车牌识别等功能，完成相应的算法研究。 对采集的车牌图像进行预处理包括图像灰度化、二值化、灰度拉伸及边缘提取等过程，并且过滤图像噪声使图像区域特征明显，根据区域特征确定车牌区域。车牌字符分割可以采用车牌区域纵向灰度投影的方式进行字符区域识别和分割实现。最后进行车牌分割字符图像归一化，将分割好的字符图像通过系数变换得到高度、宽度均相等的图像，以方便特征提取，提高识别的准确率，实现车牌的识别。
车牌定位算法研究及实现
车辆自动识别技术（一）——车牌定位算法研究及实现 (2010-07-19 22:45:15) 分类：控制仿真类 标签： 杂谈 摘要 随着我国交通事业的迅速发展，城市汽车容量的急速攀升，建立现代化的智能交通系统已经成为解决此类中诸多问题的焦点所在。汽车牌照识别系统是交通管理领域和数字图像处理领域里的热点问题，车辆是构成整个智能交通系统的最基本元素，而车辆牌照是我们标定车辆的唯一ID，所以说，车牌定位是实现车牌字符分割和字符识别的前提和关键。 本文介绍了三种基于MATLAB的汽车牌照图像定位方法。这些算法充分利用了车牌纹理、颜色、宽高比等特征，经过灰度化、运动区域定位、边缘提取、水平投影、自适应数学形态学处理、垂直投影、颜色判定、区域生长等一系列步骤，最终实现车牌定位。特别是边缘处理算子的改进、自适应数学形态学的引入以及小波分析的应用，对算法性能有着巨大影响，是本算法的关键所在。 实验结果表明，所述的三种方法是有效的，能够定位所采集的车牌，虽然不能定位全部采集到的图片，但方法三相对前两种方法的准确率有很大的提高，达到了预期的目的。 关键词：车牌定位；纹理分析；边缘检测；数学形态学；小波分析 目录 摘要 Abstract 第1章绪论 1 1.1 课题研究背景及意义 1 1.2 课题研究目的 2 1.3 国内及国外研究现状 2 1.3.1 国内研究现状 2
1.3.2 国外研究现状 4 1.4 本文的工作及基本结构 4 第2章图像处理技术基础 5 2.1 图像预处理 5 2.1.1 图像灰度化 5 2.1.2 图像二值化 6 2.1.3 图像小波变换 6 2.1.4 图像形态学处理 7 2.2 图像区域裁剪 9 第3章基于MATLAB的车牌定位算法实现 10 3.1 MATLAB及其图像处理工具 10 3.2 我国车牌特点及识别难点 10 3.2.1 我国车辆牌照特点 10 3.2.2 我国车辆牌照定位难点 11 3.3 图像的采集 11 3.4 基于不同车牌特征的程序实现过程及结果图 13 3.4.1 基于车牌颜色特征的方法 13 3.4.2 基于数学形态学和边缘特征的方法 16 3.4.3 基于小波分析的方法 20 3.5 三种方法的结果比较 23 第4章结束语 26 参考文献 27 致谢 28 附录 29 第1章绪论 1.1 课题研究背景及意义
数字图像处理-常用车牌定位方法的介绍和分析
车牌识别LPR(License Plate Recogniti ON)技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节，能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算，识别出视野范围内的车辆牌照号码；它运用数字图像处理、模式识别、人工智能技术对采集到的汽车图像进行处理，能够实时准确地自动识别出车牌的数字、字母及汉字字符，并以计算机可直接运行的数据形式给出识别结果，使得车辆的电脑化监控和管理成为现实。 车牌识别技术的任务是处理、分析摄取的视频流中复杂背景的车辆图像，定位、分割牌照字符，最后自动识别牌照上的字符。为了保证汽车车牌识别系统能在各种复杂环境下发挥其应有的作用，识别系统必须满足以下要求: (1)鲁棒性:在任何情况下均能可靠正常地工作，且有较高的正确识别率。 (2)实时性:不论在汽车静止还是高速运行情况下，图像的采集识别系统必须在一定时间内识别出车牌全部字符，达到实时识别。 车牌识别技术的关键在于车牌定位、字符分割和字符识别三部分，其中车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个LPR系统识 别率的主要因素，是车牌识别技术中最为关键的一步。目前车牌定位的方法多种多样, 归纳起来主要有基于纹理特征分析的方法、 基于边缘检测的方法、 基于数学形态学定位、基于小波分析定位以及基于彩色图像定位等，这些方法各有所长。
1、车牌目标区域特点 车牌定位方法的出发点是利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。车牌自身具有许多的固有特征，这些特征对于不同的国家是不同的。从人的视觉角度出发，我国车牌具有以下可用于定位的特征: (1)车牌底色一般与车身颜色、字符颜色有较大差异; (2)车牌有一个连续或由于磨损而不连续的边框; (3)车牌内字符有多个，基本呈水平排列，在牌照的矩形区域内存在丰富的边缘，呈现规则的纹理特征; (4)车牌内字符之间的间隔较均匀，字符和牌照底色在灰度值上存在较大的跳变，字符本身和牌照底内部都有比较均匀的灰度; (5)不同图像中牌照的具体大小、位置不确定，但其长宽比在一定的变化范围内，存在1个最大值和1个最小值。 以上几种特征都是概念性的，各项特征单独看来都非车牌图像所独有，但将它们结合起来可以唯一地确定车牌。在这些特征中，颜色、形状、位置特征最为直观，易于提取。纹理特征比较抽象，必须经过一定的处理或者转换为其他特征才能得到相应的可供使用的特征指标。通常文字内容特征至少需要经过字符分割或识别后才可能成为可利用的特征，一般只是用来判断车牌识别正确与否。
室内定位技术方案综述及应用前景展望分析研究报告
室内定位技术方案综述及应用前景展望分析研究报告
现代人智能手机里的GPS导航地图愈发不可缺少，但仅仅支持室外定位，当你进到室内，由于导航信号衰减太快，卫星定位根本无法使用。就算使用了现在的AGPS 辅助全球卫星定位系统，国内最热的两款热门地图如百度地图和高德地图的定位缺点依然很明显，精度只能够达到民用的10m级别，而且在AP地址位置发生变化时也容易出错。而我们下面要说的室内定位技术对精度的要求更高，需要米级1m的定位精度，并能够判断楼层，我们用什么技术可以实现呢？ 传统GPS工作原理图
AGPS辅助定位工作原理 室内定位技术的应用前景 室内定位技术在定位搜救、公共安全、商业等方面有非常良好的应用前景，我们可以想象一些比较常见的应用场景：比如在大型商场里面借助室内导航快速找到出口、电梯；家长用来跟踪小孩的位置避免小孩在超市中走丢；房屋根据你的位置打开或关闭电灯；重要的随身物品丢了，当自己走出几米远时手机就发出提醒；商店根据用户的具体位置向用户推送更多关于商品的介绍等等。这种技术已经吸引了一波国内外创新的高潮，各种基于此技术的应用将出现在我们的面前，其规模和影响绝不会亚于GPS。这一切都标志着发展室内定位技术有着广阔的应用前景。 室内定位技术工作原理 全球行业内大咖们的解决方案 如今谷歌、微软、苹果、XX等在内的一些科技巨头，还有一些世界有名的大学都在研究室内定位技术，首先来看看科技巨头公司和各大学的室内定位技术解决方案： ①谷歌方案
谷歌手机地图6.0版的时候已经在一些地区加入了室内导航功能，此方案主要依靠GPS（室内一般也能搜索到2～3颗卫星）、WiFi信号、手机基站以及根据一些“盲点”，如室内无GPS、Wi-Fi或基站信号的地方的具体位置完成室内的定位。目前此方案的精度还不是很满意，所以谷歌后来又发布了一个叫“GoogleMapsFloorPlanMarker”的手机应用，号召用户按照一定的步骤来提高室内导航的精度。 谷歌一直在努力解决两个问题：获取更多的建筑平面图；提高室内导航的精度。建筑平面图是室内导航的基础，就如同GPS车用导航需要电子导航地图一样。谷歌目前想通过“众包”的方式解决数据源的问题，就是鼓励用户上传建筑平面图。另外，用户在使用谷歌的室内导航时，谷歌会收集一些GPS、Wi-Fi、基站等信息，通过服务器进行处理分析之后为用户提供更准确的定位服务。 谷歌6.0地图室内和室外导航对比图
单目视觉定位方法研究综述
万方数据
万方数据
万方数据
万方数据
单目视觉定位方法研究综述 作者：李荣明， 芦利斌， 金国栋 作者单位：第二炮兵工程学院602教研室,西安,710025 刊名： 现代计算机：下半月版 英文刊名：Modem Computer 年，卷(期)：2011(11) 参考文献(29条) 1.R.Horaud;B.Conio;O.Leboullcux An Analytic Solution for the Perspective 4-Point Problem 1989(01) 2.任沁源基于视觉信息的微小型无人直升机地标识别与位姿估计研究 2008 3.徐筱龙;徐国华;陈俊水下机器人的单目视觉定位系统[期刊论文]-传感器与微系统 2010(07) 4.邹伟;喻俊志;徐德基于ARM处理器的单目视觉测距定位系统[期刊论文]-控制工程 2010(04) 5.胡占义;雷成;吴福朝关于P4P问题的一点讨论[期刊论文]-自动化学报 2001(06) 6.Abdel-Aziz Y;Karara H Direct Linear Transformation from Comparator to Object Space Coordinates in Close-Range Ph- togrammetry 1971 7.Fishier M A;Bolles R C Random Sample Consensus:A Paradigm for Model Fitting with Applications to Image Analy-s~s anu Automated tartograpny 1981(06) 8.祝世平;强锡富用于摄像机定位的单目视觉方法研究[期刊论文]-光学学报 2001(03) 9.沈慧杰基于单目视觉的摄像机定位方法的研究 2009 10.任沁源;李平;韩波基于视觉信息的微型无人直升机位姿估计[期刊论文]-浙江大学学报（工学版） 2009(01) 11.刘立基于多尺度特征的图像匹配与目标定位研究[学位论文] 2008 12.张治国基于单目视觉的定位系统研究[学位论文] 2009 13.张广军;周富强基于双圆特征的无人机着陆位置姿态视觉测量方法[期刊论文]-航空学报 2005(03) 14.Zen Chen;JenBin Huang A Vision-Based Method for theCircle Pose Determination with a Direct Geometric Interpre- tation[外文期刊] 1999(06) 15.Safaee-Rad;I.Tchoukanov;K.C.Smith Three-Dimension of Circular Features for Machine Vision 1992 16.S.D.Ma;S.H.Si;Z.Y.Chen Quadric Curve Based Stereo 1992 17.D.A.Forsyth;J.L.Munday;A.Zisserman Projective In- variant Representation Using Implicit Algebraic Curves 1991(02) 18.吴朝福;胡占义PNP问题的线性求解算法[期刊论文]-软件学报 2003(03) 19.降丽娟;胡玉兰;魏英姿一种基于平面四边形的视觉定位算法[期刊论文]-沈阳理工大学学报 2009(02) 20.Sun Fengmei;Wang Weining Pose Determination from a Single Image of a Single Parallelogram[期刊论文]-Acta Automatica Sinica 2006(05) 21.吴福朝;王光辉;胡占义由矩形确定摄像机内参数与位置的线性方法[期刊论文]-软件学报 2003(03) 22.王晓剑;潘顺良;邱力为基于双平行线特征的位姿估计解析算法[期刊论文]-仪器仪表学报 2008(03) 23.刘晓杰基于视觉的微小型四旋翼飞行器位姿估计研究与实现 2009 24.刘士清;胡春华;朱纪洪一种基于灭影线的无人直升机位姿估计方法[期刊论文]-计算机工程与应用 2004(9) 25.Mukundan R;Raghu Narayanan R V;Philip N K A Vision Based Attitude and Position Estimation Algorithm for Rendezvous and Docking 1994(02)
OpenCV下车牌定位算法实现
OpenCV下车牌定位算法实现代码（一） 车牌定位算法在车牌识别技术中占有很重要地位，一个车牌识别系统的识别率往往取决于车牌定位的成功率及准确度。 车牌定位有很多种算法，从最简单的来，车牌在图像中一般被认为是长方形，由于图像摄取角度不同也可能是四边形。我们可以使用OpenCV中的实例：C:\Program Files\OpenCV\samples\c.squares.c 这是一个搜索图片中矩形的一个算法。我们只要稍微修改一下就可以实现定位车牌。 在这个实例中使用了canny算法进行边缘检测，然后二值化，接着用cvFindContours搜索轮廓，最后从找到的轮廓中根据角点的个数，角的度数和轮廓大小确定，矩形位置。以下是效果图： 这个算法可以找到一些车牌位置，但在复杂噪声背景下，或者车牌图像灰度与背景相差不大就很难定位车牌。所以我们需要寻找更好的定位算法。下面是squares的代码： #ifdef _CH_ #pragma package
#include
基于MATLAB的车牌定位算法设计
北京联合大学毕业设计（论文）任务书 题目：基于MATLAB的车牌定位算法设计 专业：电子工程系指导教师：章学静 学院：信息学院学号： 2009080403104 班级： 20090804031 姓名：林本存 一、课题的任务与目的 自从2010年以来，北京的交通拥堵问题成为社会普遍关注和谈论的话题。而其他交通问题也呈现增长趋势。由于车辆牌照是我们标定车辆的唯一ID，因此，车牌的定位识别对于处理突发的交通事件就显得尤为重要。车牌定位识别系统是近几年发展起来的计算机视觉和模式识别技术在智能交通领域应用的重要课题之一。所谓车牌定位(License Plate Location)，就是把车牌区域完整的从一幅具有复杂背景的车辆图像中分割出来。它是进行车牌识别的首要任务和关键技术，能否将牌照的位置找出来，决定着车牌识别的后续工作能否继续进行，如果不能正确找到牌照的位置，那么就无法将它分割出来，字符分割和字符识别工作将无从谈起。同时，车牌定位的效率也直接影响着整个识别系统的效率，一个高效率的车牌识别系统首先必须是建立在高效的车牌定位算法的基础之上。因此，研究与开发车牌定位的算法具有十分重要的实用意义。例如，在公安执法系统、高速公路自动收费系统、城市道路监控系统、智能停车场管理系统等诸多智能交通系统中都有应用。车牌定位的目的是对摄像头获取的汽车图像进行预处理，确定车牌位置。 此次设计的任务就是在MATLAB中对采集到车辆图像进行色彩直方图分析，匹配车牌背景颜色的峰值从而实现车牌在图像位置中的定位。然后将此算法移植到DSP中，在DSP中验证移植的算法正确性。 二、调研资料情况 目前国外车牌定位识别系统已经有很多成熟的产品，以色列Hi—Tech公司的See/CarSystem系列，新加坡optasia公司的IMPS系列都是比较成熟的产品。但是，这些产品基本上只适合于自己国内的状况。而我国的情况与国外有很大的不同，比如车牌的形状，颜色，字符的颜色以及我国车牌中包含着汉字等。同时，目前的牌照识别系统具有一定的识别率，在天气条件差的情况下或夜晚时，识别率会明显下降，此外，也受到其他许多客观干扰的影响，例如天气、背景、车牌磨损、图像倾斜等。因此现有的识别系统要达到完全实用化仍然有很长的路要走。现有的比较好的车牌定位方法主要有J.Barroso等提出的基于水平线搜寻的定位
室内定位常用算法概述
室内定位常用算法概述 一.室内定位目的和意义 随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息。但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。因此，专家学者提出了许多室内定位技术解决方案，如A-GPS定位技术、超声波定位技术、蓝牙技术、红外线技术、射频识别技术、超宽带技术、无线局域网络、光跟踪定位技术，以及图像分析、信标定位、计算机视觉定位技术等等。这些室内定位技术从总体上可归纳为几类，即GNSS 技术(如伪卫星等)，无线定位技术(无线通信信号、射频无线标签、超声波、光跟踪、无线传感器定位技术等)，其它定位技术(计算机视觉、航位推算等)，以及GNSS和无线定位组合的定位技术(A-GPS或A-GNSS)。 由于在室内环境下对于不同的建筑物而言，室内布置，材料结构，建筑物尺度的不同导致了信号的路径损耗很大，与此同时，建筑物的内在结构会引起信号的反射，绕射，折射和散射，形成多径现象，使得接收信号的幅度，相位和到达时间发生变化，造成信号的损失，定位的难度大。虽然室内定位是定位技术的一种，和室外的无线定位技术相比有一定的共性，但是室内环境的复杂性和对定位精度和安全性的特殊要求，使得室内无线定位技术有着不同于普通定位系统的鲜明特点，而且这些特点是户外定位技术所不具备的。因此，两者区域的标识和划分标准是不同的。基于室内定位的诸多特点，室内定位技术和定位算法已成为各国科技工作者研究的热点。如何提高定位精度仍将是今后研究的重点。 二. 室内定位技术的国内外发展趋势 室内GPS定位技术 GPS是目前应用最为广泛的定位技术。当GPS接收机在室内工作时，由于信号受建筑物的影响而大大衰减，定位精度也很低，要想达到室外一样直接从卫星广播中提取导航数据和时
车牌定位方法
摘要: 车牌定位是车牌自动识别技术中的一个关键问题，许多学者研究发展多种车牌定位算法。简要介绍和比较了目前比较常见的几种车牌定位方法进行了。 车牌识别LPR(License Plate RecognitiON)技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节，能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算，识别出视野范围内的车辆牌照号码；它运用数字图像处理、模式识别、人工智能技术对采集到的汽车图像进行处理，能够实时准确地自动识别出车牌的数字、字母及汉字字符，并以计算机可直接运行的数据形式给出识别结果，使得车辆的电脑化监控和管理成为现实。 车牌识别技术的任务是处理、分析摄取的视频流中复杂背景的车辆图像，定位、分割牌照字符，最后自动识别牌照上的字符。为了保证汽车车牌识别系统能在各种复杂环境下发挥其应有的作用，识别系统必须满足以下要求: (1)鲁棒性:在任何情况下均能可靠正常地工作，且有较高的正确识别率。 (2)实时性:不论在汽车静止还是高速运行情况下，图像的采集识别系统必须在一定时间内识别出车牌全部字符，达到实时识别。 车牌识别技术的关键在于车牌定位、字符分割和字符识别三部分，其中车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个LPR系统识别率的主要因素，是车牌识别技术中最为关键的一步。目前车牌定位的方法多种多样, 归纳起来主要有基于纹理特征分析的方法、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位以及基于彩色图像定位等，这些方法各有所长。 1、车牌目标区域特点 车牌定位方法的出发点是利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。车牌自身具有许多的固有特征，这些特征对于不同的国家是不同的。从人的视觉角度出发，我国车牌具有以下可用于定位的特征: (1)车牌底色一般与车身颜色、字符颜色有较大差异; (2)车牌有一个连续或由于磨损而不连续的边框; (3)车牌内字符有多个，基本呈水平排列，在牌照的矩形区域内存在丰富的边缘，呈现规则的纹理特征; (4)车牌内字符之间的间隔较均匀，字符和牌照底色在灰度值上存在较大的跳变，字符本身和牌照底内部都有比较均匀的灰度; (5)不同图像中牌照的具体大小、位置不确定，但其长宽比在一定的变化范围内，存在1个最大值和1个最小值。 以上几种特征都是概念性的，各项特征单独看来都非车牌图像所独有，但将它们结合起来可以唯一地确定车牌。在这些特征中，颜色、形状、位置特征最为
无线定位常用算法概述
无线定位算法综述 一无线传感网络与节点定位 1. 无线传感网络中的关键技术 无线传感器网络作为当今信息领域新的究热点，涉及多学科交叉的研究领域，涉及到非常多的关键技，主要包括：拓扑控制；网络协议；网络安全；时间同步；定位技术；数据融合；嵌入式操作系统；无线通信技术；跨层设计和应用层设计。2. 无线传感器网络节点定位机制 无线传感器网络节点定位问题可表述为：依靠有限的位置己知节点即信标节点(锚节点)，确定布设区中其它未知节点的位置，在传感器节点间建立起一定的空间关系的过程。无线定位机制一般由以下三个步骤组成： 第一步，对无线电信号的一个或几个电参量(振幅、频率、相位、传播时间) 进行测量，根据电波的传播特性把测量的电参量转换为距离、距离差及到达角度等，用来表示位置关系； 第二步，运用各种算法或技术来实现位置估计； 第三步，对估计值进行优化。 3. 节点间距离或角度的测量 在无线传感器网络中，节点间距离或角度的测量技术常用的有RSSI、TOA、TDOA和AOA等。 4. 计算节点位置的基本方法 (1) 三边测量法
(2) 三角测量法； (3) 极大似然估计法。 5. 无线传感器网络定位算法的性能评价
几个常用的评价标准：定位精度；规模；锚节点密度；节点密度；覆盖率；容错性和自适应性；功耗；代价。 6. 无线传感器网络定位技术分类 （1）物理定位与符号定位； （2）绝对定位与相对定位； （3）紧密耦合与松散耦合； （4）集中式计算与分布式计算； （5）基于测距技术的定位和无须测距技术的定位； （6）粗粒度与细粒度； （7）三角测量、场景分析和接近度定位。 二典型的自身定位系统与算法 到目前为止，WSN 自身定位系统和算法的研究大致经过了两个阶段。第1 阶段主要偏重于紧密耦合型和基于基础设施的定位系统。对于松散耦合型和无须基础设施的定位技术的关注和研究可以认为是自身定位系统和算法研究的第2 阶段。 1. Cricket定位系统 未知节点使用TDOA技术测量其与锚节点的距离，使用三边测量法提供物理定位。 2. RADAR系统 建立信号强度数据库，通过无线网络查询数据库，选择可能性最大的位置定位自身。 在三边测量定位方式下，未知节点根据RSSI计算与多个基站的距离，然后使用三边测量法定位， 3. AHLos系统 AHLos算法中定义了3 种定位方式——原子式、协作式和重复式最大似然估计定位(atom,collaborative和iterative multilateration)。
有效的车牌定位方法
车牌定位的一个有效方法 Danian Zheng *, Yannan Zhao, Jiaxin Wang 国家重点实验室智能技术与系统、计算机科学与技术系、 清华大学、北京100084、中国 摘要 车牌定位是机动车牌照自动识别运输系统的一个重要阶段。本文提供了一个实时和强劲车牌定位方法。车牌区域包含丰富的边缘和纹理信息。我们先用图像增强和Sobel算子提取出图象的垂直边缘, 然后用一个有效算法除去图像的大部分背景和噪声边缘, 最后在剩余边缘图像中利用一个矩形窗口搜索车牌区域并从原始图像中将车牌切割出来。实验结果表明,我们的方法有很强的鲁棒性和很高的效率。 _ 2005 Elsevier B.V. All rights reserved。 关键词:图像增强; 边缘检测; 长曲线和随机噪声的去除; 车牌定位和分割 1.引言 车牌识别成为当今许多自动交通管理系统如公路交通管理, 公路自动缴费和桥梁或停车场出入管制的关键技术。车牌定位是这项技术中非常必要和重要的一个阶段,它已引起了相当大的关注。 研究人员已经找到许多不同的方法定位车牌。 Rodolfo 和Stefano(2000)制定了一种基于矢量量化(VQ)的方法。矢量图像是基于一种特定的编码机制的四叉树，它可以提供给系统关于图像区域所包含内容的一些线索，这些信息有助于定位的实现。Park et al. (1999)使用神经网络定位车牌。神经网络可作为过滤分析图像的小窗口,判断每个窗口是否包含车牌,其输入为HIS值。一个后处理器将这些过滤图像合并起来并在图像中定位跳跃的车牌区域。除去神经网络,其他过滤方法也被研究过。例如,有些作者用线敏感过滤器提取车牌区域。可以确定车牌区域由很高密度的薄暗线或曲线。因此,车牌的定位是一个在图像中寻找包含由一个累积函数计算能得到的最大线过滤值的矩形区域的操作(Luis et al. 1999)。车牌字符可以直接通过对输入图像的扫描和寻找到图像中彼此不相连的部分来识别。如果发现有一些字符存在于一条直线上,那么他们所组成的部分 * Corresponding author。 Tel。: +86 10 62775613; fax: +86 10 62795871。 E-mail address: zdn02@mails。tsinghua。edu。cn (D。 Zheng)。 0167-8655/$ - see front matter _ 2005 Elsevier B。V。 All rights reserved。 doi:10。1016/j。patrec。2005。04。014
室内定位几种算法概述
室内定位几种算法概述 一.室内定位目的和意义 随着数据业务和多媒体业务的快速增加，人们对定位与导航的需求日益增大，尤其在复杂的室内环境，如机场大厅、展厅、仓库、超市、图书馆、地下停车场、矿井等环境中，常常需要确定移动终端或其持有者、设施与物品在室内的位置信息。但是受定位时间、定位精度以及复杂室内环境等条件的限制，比较完善的定位技术目前还无法很好地利用。因此，专家学者提出了许多室内定位技术解决方案，如A-GPS定位技术、超声波定位技术、蓝牙技术、红外线技术、射频识别技术、超宽带技术、无线局域网络、光跟踪定位技术，以及图像分析、信标定位、计算机视觉定位技术等等。这些室内定位技术从总体上可归纳为几类，即GNSS技术(如伪卫星等)，无线定位技术(无线通信信号、射频无线标签、超声波、光跟踪、无线传感器定位技术等)，其它定位技术(计算机视觉、航位推算等)，以及GNSS 和无线定位组合的定位技术(A-GPS或A-GNSS)。 由于在室内环境下对于不同的建筑物而言，室内布置，材料结构，建筑物尺度的不同导致了信号的路径损耗很大，与此同时，建筑物的内在结构会引起信号的反射，绕射，折射和散射，形成多径现象，使得接收信号的幅度，相位和到达时间发生变化，造成信号的损失，定位的难度大。虽然室内定位是定位技术的一种，和室外的无线定位技术相比有一定的共性，但是室内环境的复杂性和对定位精度和安全性的特殊要求，使得室内无线定位技术有着不同于普通定位系统的鲜明特点，而且这些特点是户外定位技术所不具备的。因此，两者区域的标识和划分标准是不同的。基于室内定位的诸多特点，室内定位技术和定位算法已成为各国科技工作者研究的热点。如何提高定位精度仍将是今后研究的重点。 二.室内定位技术的国内外发展趋势 室内GPS定位技术 GPS是目前应用最为广泛的定位技术。当GPS接收机在室内工作时，由于信号受建筑物的影响而大大衰减，定位精度也很低，要想达到室外一样直接从卫星广播中提取导航数据和时间信息是不可能的。为了得到较高的信号灵敏度，就需要延长在每个码延迟上的停留时间，A-GPS技术为这个问题的解决提供了可能性[7]。室内GPS技术采用大量的相关器并行地搜索可能的延迟码，同时也有助于实现快速定位。 利用GPS进行定位的优势是卫星有效覆盖范围大，且定位导航信号免费。缺点是定位信号到达地面时较弱，不能穿透建筑物，而且定位器终端的成本较高。 室内无线定位技术 随着无线通信技术的发展，新兴的无线网络技术，例如WiFi、ZigBee、蓝牙和超宽带等，在办公室、家庭、工厂等得到了广泛应用。 ——红外线室内定位技术。红外线室内定位技术定位的原理是，红外线IR标识发射调制的红外射线，通过安装在室内的光学传感器接收进行定位。虽然红外线具有相对较高的室内定位精度，但是由于光线不能穿过障碍物，使得红外射线仅能视距传播。直线视距和传输距离较短这两大主要缺点使其室内定位的效果很差。当标识放在口袋里或者有墙壁及其他遮挡时就不能正常工作，需要在每个房间、走廊安装接收天线，造价较高。因此，红外线只适合短距离传播，而且容易被荧光灯或者房间内的灯光干扰，在精确定位上有局限性。 ——超声波定位技术。超声波测距主要采用反射式测距法，通过三角定位等算法确定物体的位置，即发射超声波并接收由被测物产生的回波，根据回波与发射波的时间差计算出待测距离，有的则采用单向测距法。超声波定位系统可由若干个应答器和一个主测距器组成，主测距器放置在被测物体上，在微机指令信号的作用下向位置固定的应答器发射同频率的无线电信号，应答器在收到无线电信号后同时向主测距器发射超声波信号，得到主测距器与各个应答器之间的距离。当同时有3个或3个以上不在同一直线上的应答器做出回应时，可以根据相关计算确定出被测物体所在的二维坐标系下的位置。超声波定位整体定位精度较高，结构简单，但超声波受多径效应和非视距传播影响很大，同时需要大量的底层硬件设施投资，成本太高。 ——蓝牙技术。蓝牙技术通过测量信号强度进行定位。这是一种短距离低功耗的无线传输技术，在室内安装适当的蓝牙局域网接入点，把网络配置成基于多用户的基础网络连接模式，并保证蓝牙局域网接入点始终是这个微微网