復雜背景下的車牌自動識別系統

0 引言
隨著現代交通的發展，車牌自動識別技術越來越成為智能交通的重要組成部分。車牌識別技術主要是采用計算機圖像處理技術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中，處理的關鍵技術問題是車牌的定位及字符的分割。對于車牌自動識別系統已經提出了許多方法，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，用神經網絡算法進行車牌自動識別等。針對通過攝像頭動態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，然后根據車牌區域的特點對車牌進行定位。車牌定位后，根據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的核心，它是從一個復雜背景的圖像找到車牌所在的區域。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，它是通過迭代法優化目標函數來實現圖像分割的，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據分成一定數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。聚類中心與聚類數目與圖像的灰度直方圖的極值點相關聯。對一幅較復雜的圖像，其灰度直方圖不是連續的圖形，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]間的像素的個數疊加在一起，其中n為灰度區間，這可以避免一些像素值較小的極值點出現。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，極值點的個數可以作為聚類數目的初始值。