1. 车牌初步定位

　　1.1. RGB 空间向HSI空间转化后的车牌

　　彩色图像包含丰富的颜色信息，给人良好的视觉效果，根据这一特点进行初次定位。但在一般情况下，彩色图片都在RGB 模型下，而HSI模型较适合人的视觉系统，所以需进行颜色空间转换，将RGB模型转化为HSI模型，从RGB 空间到H SI空间的转换公式为：

　　当B <=G 时，H = θ;当B > G 时，H = 360°- θ.。

　　蓝底白字车牌中，蓝色的色度H 约为240°，饱和度S 值较大。通过这两个量，可以将输入图像中的蓝色部分全部过滤，从而去除了大量的背景噪音。

　　经实验测试蓝色车牌的色度>=0.75，饱和度>=0.51。由此可见利用HS I空间的色度和饱和度的范围值可以得到粗定位车牌区域，结果如图1所示。

　　1.2. 车牌定位的预处理过程

　　经过初步定位后，车牌范围减小，将车牌图像进行灰度处理，灰度图像的纹理分布主要在车灯、车牌、散热器，而且车牌位置的灰度值也与其他部位的不同，非车牌区域大部分灰度变化都比较平缓。

　　( 1)去除孤立亮点

　　一般情况下，车牌图像的采集过程，受到各种因素的影响，如背景，光照以及车本身的一些特征因素,容易造成图片存在噪音，由于初定位已经将大部分的车牌图片背景去除，因此减少了噪音点。为了缩小车牌的可能区域，采用M atlab工具箱中的bwmorph函数,可以有效地将孤立点去除，结果如图3所示。

　　( 2)移差扫描与边缘检测

　　移差扫描就是从左到右扫过整个图像，以相邻的像素作为消弱水平纹理的灰度级，保留并增多纵向跳变处的灰度级，如式( 4)所示。

　　式中，f (xj，yi) 是原图像，g (xj，y i) 是扫描后的图像，经过处理，图像的垂直纹理和线条变得比较明显，从而消弱了其他区域突出了车牌区域。如图4所示。再利用边缘检测，将车牌所在区域的边界从整个图片中加以突出，使车牌区域的特征更加明显。效果如图5所示。

　　图5边缘检测图

2. 车牌的精确定位

　　经过移差扫描后的图片，灰度图像中的车牌区域变得纹理和线条比较明显，而且整个图片的噪音较少，可以进行车牌水平和垂直方向的边界确定。

　　本文利用水平投影和垂直投影分别确定车牌的边界。

　　通过对图像的边缘检测处理，清楚地将车牌区域划分出来，非车牌区域的噪音点减少，所以采用水平投影的方法确定垂直方向的车牌边界。

　　水平投影是先自上而下对图像f (xj，yi) 进逐行扫描，将每一列的值相加，得到一维函数f (yi) 。使二维函数转变为一维函数，如式( 5)所示。

　　得到的一维函数是对图像每一列的白色像素的统计。当f( yi) 值较大时，对应车牌区域; f (yi) 值较小或者为0时，对应非车牌区域噪音，利用这一特点将车牌水平方向的边界确定。对函数f yi 绘制图像,可以发现当f (yi) 不为0时，该点的对应的f (xj，yi )竖直方向上存在白色像素点。当f yi 为0时，对应的f (xj ，yi) 竖直方向不存在白色像素，可以确定为非车牌区域。

　　在车牌左右边界确定时，垂直方向的定位相对噪音减少，垂直投影是先从左到右对图像f (xj，yi) 进逐行扫描，将每一行的值相加，得到一维函数f (xj )。

　　如式( 6)。

　　水平投影和垂直投影的投影图如图6 和图7所示。

　　在这个过程中，阈值的选取是根据投影图的图像确定的。因为在投影图中，代表的是每一列或一行的白色像素点的累加。所以当投影图的值较大时，代表该列或者该行的白色像素点较多，从而为车牌区域;当投影图的值较小时，为噪音点，所以必须确定一个阈值将噪音去除。本文之前采用的图像处理方式已将大部分噪音点去除，所以在此先设定好阈值，大于该值的为车牌区域，同时由于车牌本身有长宽比例的特征，一般车牌的比例为22 ：7，根据这一特点最终定位。

　　在车牌定位中，定位方法主要考虑的是对噪声的抗干扰性是否良好，文中初步定位车牌区域是通过颜色模型的转换，利用色度和饱和度的范围大致确定车牌位置。去除了大量的背景噪音，对二次定位的准确性提供了可靠依据。在精确定位中，考虑到车本身存在噪音,例如散热器、车灯等，但由于车牌位置纹理突出，车身噪音相对较小，所以利用移差扫描将车牌位置更加突出，非车牌区域只剩下单独的孤立亮点。在精确定位中采用投影，所以就必须去除孤立亮点。文中采用 Matlab工具箱，有效去除了大量的孤立亮点。采用水平投影和垂直投影确定水平和垂直方向的边界，同时利用车牌本身长宽比例的特点最终定位，实验证明，对车牌图片噪音抗干扰性好，定位效果较好。

　　3. 结束语

　　本文利用基于颜色和投影的车牌定位方法，分两步将车牌区域确定，通过对320 张分辨率为1 024 %768具有不同背景的汽车图片进行测试，定位成功率达到8*% 以上。