OpenCV双行车牌检测算法研究(3)

菜单

我们这里使用的灰度化方法，是给R、G、B分量一个加权系数，然后对其求和，从而得到灰度值。使用的公式如下[6]：

（2-1）

其中I为灰度值。

加权系数的取值是建立在人眼的视觉模型之上的，对于人眼较为敏感的绿色取较大的权值，对人眼较为不敏感的蓝色则取较小的权值。这样可以使得到的灰度图像在视觉上更接近人的主观感觉。

2.1.2 图像增强

由于车牌图像在拍摄时受各种条件的限制和干扰，图像的灰度值往往与实际景物不完全匹配。一般成像系统只具有一定的亮度范围，亮度的最大值和最小值之比称为对比度。由于成像系统的亮度有限，常出现对比度不足的情况，使人眼观看图像时视觉效果很差，这将直接影响到图像的后续处理。通过图强增强可以增强对比度，改善视觉效果 [7]。本文使用直方图均衡化的方法，以达到增强局部对比度和增强图像细节的功能。

直方图均衡化又称直方图平坦化，是将一已知灰度概率密度分布的图像，变成一幅具有均匀灰度概率密度分布的新图像。其数学原理是一个分布（输入的亮度直方图）被映射到另一个分布（一个更宽，理想统一的亮度值分布），映射函数是一个累积分布函数。其结果是扩展了像素取值的动态范围，从而达到增强图像整体对比度的效果。可以将比较淡的图像变换为比较深的图像（即增强图像的亮度及对比度）。对于连续分布，结果将是准确的均衡化。文献综述

2.1.3 边缘检测

数字图像的边缘检测是图像分割、目标区域的识别、区域形状提取等图像分析领域十分重要的基础。边缘是图像的重要特征，图像理解和分析的第一步往往就是边缘检测[8]。车牌的一个重要特征就是在存在大量的边缘信息，所以边缘检测对于我们进行车牌定位来说也是相当重要的。边缘是以图像的局部特征不连续的形式出现的，也就是指图像局部亮度变化最显著的部分，如灰度值的突变、颜色的突变、纹理结构的突变等，同时边缘也是不同区域的分界处[9]。图像边缘有方向和幅度两个特性，通常沿边缘的走向灰度变化平缓，垂直于边缘走向灰度变化剧烈。由于边缘是图像上灰度变化最剧烈的地方，传统的边缘检测就利用这个特点，通过计算图像中像素的梯度值来确定边缘点。

常用的图像边缘提取算子有Roberts算子、Sobel算子、Prewitt算子、Laplacian算子等。本文选用Sobel算子，其模板如下

-1 0 1

-2 0 2

-1 0 1

1 2 1

0 0 0

-1 -2 -1

图2-2 垂直Sobel算子模板图2-3 水平Sobel算子模板

本文使用垂直Sobel算子，因为垂直边缘提供的信息足以提取车牌区域[10]。此外，水平边缘会引起不必要的干扰。这些干扰在随后的过程中会产生错误的候选区域。

2.1.4 二值化

灰度图像一般是有256个灰度级的单色图像，它能够呈现出较为丰富的明暗度[11]。但我们在识别车牌时，总是希望能把我们的目标从背景中彻底分离出来。为了尽可能地减少背景像素的干扰，而保留或增强目标区的信息，我们常常直接把图像分为目标和背景两部分。这样得到的图像只有两个灰度级：0和l，通常情况是目标区的像素取1，而背景区的像素取O。我们称这样的图像为二值图像，而由灰度图像得到二值图像的过程就称为图像的二值化[12]。为了得到理想的二值图像，一般采用阈值分割技术，它对目标与背景有较强对比的图像的分割特别有效。把所有灰度值大于或等于阈值的像素判决为属于目标，否则这些像素点被排除在外，认为是背景。