基于OpenCV的車牌圖像定位

胡雪會，王波濤

(北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院，北京 100124 )

?

基于OpenCV的車牌圖像定位

胡雪會，王波濤

(北京工業(yè)大學(xué) 電子信息與控制工程學(xué)院，北京 100124 )

現(xiàn)有的車牌定位方法幾乎都需要先對白天夜晚的場景進(jìn)行分類，在圖像中存在其他灰度劇烈變化區(qū)域時，這種場景分類容易影響到車牌定位的準(zhǔn)確率;為了對獲取到的車輛圖像進(jìn)行準(zhǔn)確地定位，提出了一種改進(jìn)的灰度跳變車牌定位算法，首先加入了光照補償，使得不需要對白天和晚上的場景進(jìn)行分類；然后進(jìn)行了長豎線的噪聲去除，可以在背景比較復(fù)雜的情況下準(zhǔn)確定位車牌；并對精確定位出的車牌進(jìn)行邊框的去除，有利于下一步的字符分割;另外，對OpenCV計算機(jī)視覺庫的庫函數(shù)的利用，算法的復(fù)雜度得到了簡化，從而更好地滿足了車牌識別系統(tǒng)的實時性；通過對出入口處采集到的分辨率為704×576的300張圖片進(jìn)行測試，定位率高于95%，對白天和夜晚獲取的圖像有很好的適應(yīng)性，滿足設(shè)計要求。

車牌定位； 光照補償； 中值濾波； 邊緣檢測； 灰度變換

0 引言

車牌識別是當(dāng)前國內(nèi)外研究的一個熱點方向，主要用于高速公路、停車場、公路自動收費站、居民小區(qū)等環(huán)境下，所以國內(nèi)外的學(xué)者將計算機(jī)視覺、數(shù)字圖像處理、模式識別等技術(shù)運用于車牌識別系統(tǒng)，用于對圖像或視頻中的車牌號碼進(jìn)行識別，實現(xiàn)對車輛進(jìn)行自動管理和控制。車牌定位的主要目的就是確定車輛牌照的具體位置并將包含車牌號碼的子圖像從整個圖像中劃分出來，以便進(jìn)行后續(xù)的字符分割與字符識別，因此定位的好壞直接影響到整個系統(tǒng)識別率的高低。車牌定位是典型的在復(fù)雜背景中進(jìn)行目標(biāo)檢測的問題，車輛圖像是在室外環(huán)境下拍攝的，易出現(xiàn)污損變形失真，且分辨率較低。一般情況下，車牌區(qū)域只會占據(jù)整個車輛圖像中的一小塊區(qū)域，位置不固定，而且經(jīng)常會受到污染的影響，并且在處于不同的光照條件下時，車牌區(qū)域的亮度、顏色、對比度也會不同。目前有以下幾種常用的車牌定位方法：

1)基于顏色特征的車牌定位方法[1]；

2)基于灰度直方圖的定位方法；

3)基于形態(tài)學(xué)的車牌定位方法[2]；

4)基于BP神經(jīng)網(wǎng)絡(luò)的車牌定位方法[3]。

方法1)定位準(zhǔn)確，精確度比較高，但適應(yīng)性差，無法對褪色、偏色以及背景顏色干擾等情況進(jìn)行有效處理；方法2)速度比較快，算法較直觀，但容易受到背景和噪聲的影響；方法3)算法比較簡單，計算速度較快，但在大多數(shù)情況下不能將車牌區(qū)域邊界精確定位出；方法4)自適應(yīng)能力強(qiáng)，準(zhǔn)確率較高，但計算量大，每當(dāng)車牌尺寸發(fā)生的變化比較大時，就需要重新訓(xùn)練神經(jīng)網(wǎng)絡(luò)。

本文提出一種針對出入口環(huán)境下的車牌定位算法，算法比較簡單，準(zhǔn)確率較高，而且對光照不敏感。在預(yù)處理階段，首先對圖像進(jìn)行光照補償，用來提高圖像的質(zhì)量，接著利用OpenCV計算機(jī)視覺庫的庫函數(shù)進(jìn)行圖像的灰度化，然后利用兩次二值化來消除路面的噪聲。中值濾波后利用抑制噪聲能力較好的Sobel算子得到完整的邊緣圖像，接著對長橫線和長豎線進(jìn)行了去除。由于車框?qū)罄m(xù)的車牌字符分割影響較大，粗定位和細(xì)定位后對車牌邊框進(jìn)行去除。本文詳細(xì)介紹了從車輛圖像預(yù)處理到車牌精確定位的過程，并通過300張真實的車牌圖像進(jìn)行了測試，定位率高于95%。

1 本文車牌定位系統(tǒng)的基本思路

我國的車牌主要有以下特點[4]：

1)車牌組成是兩種或3種顏色；

2)車牌的大小構(gòu)成是440 mm×140 mm，寬高比在3左右；

3)車牌字符面積占整個車牌的20%左右；

4)相鄰字符的間隔一般是12 mm，第二個和第三個字符的距離是34 mm，車牌字符是45 mm×90 mm。

本文提出的定位方法的限制條件如下[5]：

1) 獲取圖像的距離范圍一般設(shè)置在2～4 m之間，而且需要為汽車正面角度的圖像。如果車牌圖像獲取的距離過遠(yuǎn)或過近，則會給車牌定位增加難度，還會降低運算速度;

2) 車牌位置沒有較大的破壞，最好是在肉眼能夠分辨出車牌位置和號碼情況下。

測試圖像如圖1。

圖1 原始測試圖

本文利用VC6.0，結(jié)合OpenCV計算機(jī)視覺庫進(jìn)行算法的實現(xiàn)。VC提供了功能強(qiáng)大的MFC(microsoft foundation class)，可方便友好地通過界面對設(shè)計結(jié)果進(jìn)行展示。MFC是一套面向?qū)ο蟮暮瘮?shù)庫，以類的方式將函數(shù)提供給用戶使用。利用這些類，可以快速地完成Windows應(yīng)用程序的開發(fā)。

本文對出入口處采集到的車輛圖像進(jìn)行分析和處理，主要包括圖2的幾個步驟。

圖2 車牌定位流程圖

2 車牌定位的設(shè)計

2.1 讀入圖像

由于本文使用的開發(fā)環(huán)境是Windows操作系統(tǒng)下的VC6.0，BMP文件正是Microsoft Windows 所定義的圖像文件格式，最早應(yīng)用在Microsoft公司的 Microsoft Windows窗口系統(tǒng)，所以本文進(jìn)行處理的圖片均為BMP格式。

本文算法首先需要把輸入的圖像轉(zhuǎn)換為DIB位圖的格式，但MFC中沒有封裝實現(xiàn)這個功能的類，為了在程序中對位圖方便的進(jìn)行處理，所以需要建立一個IplImage的類，這樣就可以在對DIB位圖進(jìn)行使用直接調(diào)用函數(shù)，而且在此基礎(chǔ)上進(jìn)行開發(fā)，可以避免重復(fù)性的工作。設(shè)計的IplImage類的基本操作功能包括：

1)對BMP圖像進(jìn)行讀取和保存；

2)將彩色圖像轉(zhuǎn)換成灰度圖像；

3)獲取圖像的寬度和高度。

在實現(xiàn)的過程中，可以定義多個DIB處理變量，并且各個步驟的處理結(jié)果可以進(jìn)行保存，直觀地顯示出來，其中任何一個中間過程的位圖都可以進(jìn)行處理和輸出，可以通過中間得到的圖像進(jìn)行有針對性的處理和分析。

利用OpenCV庫函數(shù)cvLoadImage對圖像進(jìn)行讀取。函數(shù)原型：IplImage* cvLoadImage(const char* filename, int flags=CV_LOAD_IMAGE_COLOR );

利用OpenCV庫函數(shù)cvSaveImage對圖像進(jìn)行保存。函數(shù)原型： IplImage* cvSaveImage(const char* filename, const CvArr* image );

2.2 圖像預(yù)處理

2.2.1 光照補償

由于采集圖像的手段和方法日新月異地發(fā)展，所以采集到圖像的種類很多，獲得的視覺質(zhì)量也各不相同。這樣多年來就形成了許多對圖像進(jìn)行增強(qiáng)處理的不同技術(shù)。根據(jù)圖像增強(qiáng)技術(shù)處理所進(jìn)行的空間不同，目前常用的可分為空間域法和頻率域法兩大類。

空間域法是在原圖像上直接對像素的灰度值進(jìn)行處理，進(jìn)行數(shù)據(jù)運算。常見的處理方法有對數(shù)變換、指數(shù)變換、直方圖均衡化、分段線性化。

頻率域法是在圖像的變換域上進(jìn)行處理，增強(qiáng)感興趣的頻率分量，然后再進(jìn)行反變換，最后得到增強(qiáng)的圖像，是一種間接增強(qiáng)的算法。常見的頻率增強(qiáng)方法有：同態(tài)濾波、低通濾波、高通濾波等等。

除了上面這些傳統(tǒng)的圖像增強(qiáng)方法外，近幾年又出現(xiàn)了一些新興的圖像增強(qiáng)方法，如基于小波變換的增強(qiáng)方法、模糊增強(qiáng)方法、基于神經(jīng)網(wǎng)絡(luò)的增強(qiáng)方法以及基于Retinex理論的光照補償增強(qiáng)方法等[6]。

基于Retinex理論的圖像增強(qiáng)方法很好地解決傳統(tǒng)圖像增強(qiáng)方法的缺陷，可以保持原圖像色彩恒常性，提高圖像對比度，使圖像增強(qiáng)思想有了全新的擴(kuò)展。由于該理論結(jié)合人眼視覺特性，使得增強(qiáng)后的圖像在色彩保真性、對比度上均優(yōu)于傳統(tǒng)的圖像增強(qiáng)算法。

Retinex理論的基礎(chǔ)是色彩恒常性，色彩恒常性即在光線發(fā)生變化的時候，人眼能對物體保持恒定不變的觀察效果?；赗etinex理論的MSRCR(Multiscale Retinex)增強(qiáng)算法具有對比度高、動態(tài)范圍大、色彩失真小等特點，它能在灰度范圍內(nèi)動態(tài)壓縮，邊緣增強(qiáng)和顏色恒常性3個方面達(dá)到平衡，所以可對各種不同種類的圖像進(jìn)行自適應(yīng)增強(qiáng)，從根本上說是一種基于光照補償?shù)膱D像增強(qiáng)算法。

本文所采用的帶色彩恢復(fù)的MSRCR算法增強(qiáng)，不但可以突顯出原圖像中所包含的細(xì)節(jié)信息，使圖像的整體效果得到提升，而且處理后的圖像色彩保真性更好，使圖像光照均勻，更方便的進(jìn)行圖像處理。

測試表明，加光照補償后的車牌定位算法不需要對白天夜間的場景分類，而且可以避免圖像中其他灰度變化劇烈區(qū)域?qū)嚺贫ㄎ坏挠绊?，比如車輛標(biāo)志區(qū)域、車燈區(qū)域，可準(zhǔn)確定位出車牌。

2.2.2 灰度化和二值化

圖像灰度化的方法主要有一下4種：

1)最大值法；

2)平均值法；

3)加權(quán)平均法；該方法根據(jù)人眼對綠色最為敏感，對紅色次之，對藍(lán)色的敏感性最低。

4)分量法；將R,G,B三個分量中的一個分量作為彩色圖像轉(zhuǎn)換成灰度圖像的灰度值。

其中：Y是轉(zhuǎn)換后灰度圖像的值，R,G,B則代表原彩色圖像中紅、綠、藍(lán)3個分量。

當(dāng)前我國研究生培養(yǎng)已經(jīng)進(jìn)入了一個新的階段,研究生教育是“人才強(qiáng)國”戰(zhàn)略的重要組成部分,為“科教興國”提供人才支撐,關(guān)系著強(qiáng)國興邦;研究生科研能力和學(xué)術(shù)水平的提升,直接關(guān)系到以創(chuàng)新思維和創(chuàng)新能力為中心的科技實力的競爭[1]。對影響研究生培養(yǎng)質(zhì)量的因素進(jìn)行分析,闡明各因素的作用機(jī)理,對于科學(xué)地進(jìn)行研究生培養(yǎng)管理有著重要意義。

考慮到人眼對不同顏色敏感度不一樣，本文根據(jù)方法(3)對彩色圖像到灰度圖像轉(zhuǎn)換，可利用OpenCV庫函數(shù)cvCvtColor進(jìn)行灰度化。函數(shù)原型：void cvCvtColor(const CvArr *src, const CvArr *dst,int code).其中的參數(shù)：src表示要處理的圖像， dst將處理后的圖像進(jìn)行保存，code則表示色彩空間轉(zhuǎn)換的模型，這里code的值是CV_BGR2GRAY，即加權(quán)平均法[7]。

本文采用兩次二值化的方法，該方法利用了圖像中車牌字符區(qū)域?qū)Ρ榷缺容^強(qiáng)的特點，經(jīng)過一次二值化后只產(chǎn)生黑度帶和白度帶；而路面的灰度值分布均勻，經(jīng)過兩次二值化后生成黑度帶、灰度帶和白度帶。在進(jìn)行后續(xù)的邊緣檢測時，只需記錄黑度帶和白度帶之間產(chǎn)生的邊緣，這樣可以消除路面區(qū)域邊緣的干擾。

2.2.3 濾波和邊緣檢測

經(jīng)常使用的圖像去噪方法有均值濾波和中值濾波[8]。

均值濾波是一種典型的線性濾波算法。均值濾波不能很好的保護(hù)圖像的細(xì)節(jié)，在去除圖像噪聲的同時也破壞了圖像的細(xì)節(jié)部分。中值濾波是一種避免邊緣模糊的非線性平滑方法，中值濾波可以很好的消除圖像的噪聲，并且經(jīng)過濾波后，圖像邊緣的不存在明顯的模糊情況，在圖像處理中經(jīng)常被用來保護(hù)圖像邊緣信息。

合理設(shè)置運算模塊的大小是中值濾波的關(guān)鍵，本文設(shè)置一個5×5像素大小子模塊，這樣可以對圖像平滑濾波的過程中，既能抑制噪聲的又能很好地保持邊緣信息，還兼顧了運行的速度。

圖像的邊緣是指一些像素的集合，這些像素周圍像素灰度變化是不連續(xù)的，也就是指圖像局部亮度變化最顯著的部分。傳統(tǒng)邊緣檢測的算子有許多，作為代表性的有Roberts、Sobel、Prewitt、Laplacian、Kirsch等。隨著圖像理論的快速發(fā)展，出現(xiàn)了一些有代表性的新的算子，比如基于小波變換、基于形態(tài)學(xué)以及神經(jīng)網(wǎng)絡(luò)等的檢測算子。

Roberts算子對于邊緣定位有較好的效果，但不能完整的對邊緣信息進(jìn)行保留，而且受到噪聲的影響比較大。Sobel算子和Prewitt算子非常相似，只是在權(quán)值選取上有一些不同，這兩者在一定程度上都可以對噪聲進(jìn)行抑制。Laplacian算子保留邊緣不完整，并且抑制噪聲的能力比較差。Kirsch算子抑制噪聲比較有效，但是計算量太大[9]。新出現(xiàn)的代表性的邊緣檢測算子雖定位出的邊緣信息比較準(zhǔn)確，但計算量太大也是一大劣勢。

Sobel算子是一種傳統(tǒng)濾波算子的形式，運算時可以利用快速卷積函數(shù)，用來提高算法的速度，依據(jù)式(2)進(jìn)行運算：

(2)

2.2.3 除噪

現(xiàn)有算法中除噪都是針對于長橫線，但長豎線對車牌的定位也會造成影響。本文中的除噪是為了去除邊緣圖像中的長橫線和長豎線。當(dāng)圖像中的連續(xù)白色線超過一定長度或高度時，就可以認(rèn)為是噪聲，進(jìn)行濾除。除噪效果如圖4所示，除噪后的車牌字符邊緣點幾乎沒有減少，汽車標(biāo)志和護(hù)欄周圍的邊緣點則減少了很多。

圖3 除噪前圖

圖4 除噪后圖

2.2.4 粗定位

由于拍攝角度的問題，車輛圖像中的車牌部分可能會存在一定的傾斜，為了保證定位出來車牌圖像的完整性，在粗定位時可稍微放大車牌的區(qū)域。

本文通過利用矩形區(qū)域?qū)D像進(jìn)行掃描的方法來進(jìn)行車牌的粗定位，矩形區(qū)域為160×40。通過對矩形區(qū)域內(nèi)白色的像素數(shù)進(jìn)行統(tǒng)計，可以很快的找到車牌的大致區(qū)域，在粗略定位區(qū)域的位置進(jìn)行確定后，便對該區(qū)域進(jìn)行截取，將上下左右4個邊界所圍區(qū)域以外的所有位置的像素點賦予255的值，從而通過“變白”的方式去除定位區(qū)域以外的無關(guān)圖像部分，以達(dá)到車牌圖像截取的目的。

2.2.5 灰度變換

對比度增強(qiáng)是指利用各種數(shù)學(xué)方法和頻域變換手段提高圖像中的目標(biāo)跟非目標(biāo)的對比度與圖像清晰度。目標(biāo)是指所需要研究的對象，非目標(biāo)是指目標(biāo)以外的背景部分。在空間域中，常用的對比度增強(qiáng)方法如灰度變換、直方圖均衡法。本文采用灰度變換的方法進(jìn)行圖像的對比度增強(qiáng)。

車牌圖像中對比度不足主要是因為被拍攝物體的遠(yuǎn)近不同，造成中間部分和邊緣部分的灰度不平衡，或者是由于曝光不足或過度使得圖像的灰度值范圍比較小。這樣得到的圖像由于沒有灰度層次而模糊不清?；叶茸儞Q的原理如下：在原圖像f(x,y)中，大部分像素的灰度值范圍較小，設(shè)為[a,b]。經(jīng)過灰度變換后，在圖像g(x,y)中，灰度擴(kuò)展到中一個比較大的范圍[c,d]，其中g(shù)(x,y)即為灰度變換后的圖像[10]。f(x,y)和g(x,y)之間的灰度變換關(guān)系如下式(3)所示：

(3)

車牌圖像灰度變換的效果如圖5～6所示。

圖5 灰度變換前圖 圖6 灰度變換后圖

2.2.6 細(xì)定位

經(jīng)過粗定位后，圖像中的大部分背景區(qū)域被移除。但是粗定位后的結(jié)果并非只有車牌區(qū)域，還包含較多非車牌區(qū)域，所以需要進(jìn)行第二次精確定位。

本文中的細(xì)定位過程首先經(jīng)過膨脹與腐蝕，去除孤立噪聲點的同時形成車牌區(qū)域的連通，將無關(guān)區(qū)域去掉。

膨脹是將與目標(biāo)對象接觸的所有背景點合并到對象中的過程，結(jié)果是使目標(biāo)增大，孔洞縮小，可用來填補目標(biāo)物體中的孔洞，形成連通域。

腐蝕是一種消除邊界點的過程，可使目標(biāo)對象縮小，孔洞增大，因而可有效的消除孤立的噪聲點。

車牌區(qū)域都是一些孤立的點，為了進(jìn)一步判斷車牌區(qū)域的位置，可利用數(shù)學(xué)形態(tài)學(xué)中的膨脹，使目標(biāo)對象增大，孔洞縮小，以填補目標(biāo)對象中的孔洞，形成車牌區(qū)域的連通。再經(jīng)過腐蝕處理，就可以去除孤立的噪聲點。

經(jīng)過膨脹與腐蝕的操作后，車牌的位置就相對比較精確了，但大部分情況下車牌的邊框還是存在，所以需要繼續(xù)對邊框和鉚釘進(jìn)行去除。

2.2.7 去除車框

經(jīng)過細(xì)定位后的車牌區(qū)域相對比較精確，但如果在車牌區(qū)域含有邊框和鉚釘，會影響車牌字符分割的效果。因而，在車牌字符分割前需要對車牌進(jìn)行去除邊框和鉚釘?shù)奶幚恚怀鲎址?，最后定位后的車牌無邊框，便于進(jìn)行后續(xù)的字符分割。

本文根據(jù)車牌圖像在水平方向上的灰度跳變?nèi)コ舷逻吙?，根?jù)車牌圖像的垂直投影去除左右邊框。

理想情況下，二值車牌圖像在水平方向上的像素黑白跳變有以下規(guī)律：

1)車牌水平上下邊框黑白跳變次數(shù)為0；

2)車牌第二個至第六個字符上下鉚釘處所在行的的黑白跳變各自2次，所以至少為4；

3)由于車牌字符有7個，因而在計算水平投影跳變的時至少有7×2=14次。

本文選擇的閾值為12，大于12的認(rèn)為是字符區(qū)域，否則為背景，即非字符區(qū)域。從中間處向上掃描，第一個小于12以上的區(qū)域即可認(rèn)為是背景；從中間處向下掃描，第一個小于12以下的區(qū)域即可認(rèn)為是背景。

理想情況下，二值車牌圖像在垂直方向上的投影有以下規(guī)律：

車牌邊框處的投影值局部最大。

本文對圖像進(jìn)行從中間向左的掃描，得到第一個極大值，即可認(rèn)為是車牌的左邊框；對圖像進(jìn)行從中間向右的掃描，得到第一個極大值，即可認(rèn)為是車牌的右邊框。

最終定位出的車牌圖像如圖7～8所示。

圖7 細(xì)定位圖 圖8 去邊框后圖

3 車牌定位的測試

在車牌定位算法完成后，需要將其定位的效果進(jìn)行測試，測試算法是否滿足使用需求，是否正常運行。為了對本算法進(jìn)行有效的測試，將出入口處采集到的分辨率為704×576的300張圖片進(jìn)行測試。測試結(jié)果表明，本文的算法對光照不敏感，而且定位出的車牌無邊框。

表1 算法測試結(jié)果

4 結(jié)論

本文設(shè)計了一種改進(jìn)的車牌定位方法，結(jié)合OpenCV計算機(jī)視覺庫，有效提高了算法的準(zhǔn)確性和效率。通過光照補償改善了圖像的質(zhì)量，然后利用具有平滑作用的Sobel邊緣檢測算子檢測出了完整的圖像邊緣，利用圖像的水平跳變和垂直投影進(jìn)行了邊框的去除，最后得到了無邊框的車牌定位圖像，有利于進(jìn)一步的字符分割和字符識別的處理。在本文所闡述的車牌定位的編程環(huán)境下，將出入口處采集到的分辨率為704×576的300張圖片進(jìn)行測試，定位率高于95%，滿足設(shè)計要求。

[1] 潘寒飛.基于顏色特征的車牌定位與分割技術(shù)研究[D].重慶：重慶大學(xué)，2012.

[2] 程 磊，程 偉.基于數(shù)學(xué)形態(tài)學(xué)的車牌定位與傾斜校正的方法[J].科技視界,2015,23:10-11.

[3] 趙 濤，楊曉莉，王緒本，等.一種用于車牌定位的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)方法 [J].計算機(jī)仿真,2007,24(2):240-243.

[4] 朱夢哲，陳志華，趙 鐘，等. 基于OpenCV的車牌定位和校正方法[J]. 計算機(jī)應(yīng)用,2013,33(S1): 223-226.

[5] 胡將勝，侯建華. 基于區(qū)域標(biāo)注的車牌提取算法研究[J]. 科學(xué)技術(shù)與工程, 2011,11(2):378-382.

[6] 劉欽堂.基于Retinex 算法的彩色圖像增強(qiáng)研究[D]. 哈爾濱：哈爾濱工程大學(xué)，2012.

[7] 譚同德，王三剛. 基于OpenCV的車牌定位方法[J]. 計算機(jī)工程與設(shè)計，2013,34(8):2816-2820.

[8] 魯戀情. 復(fù)雜環(huán)境下的車牌定位算法[D].鎮(zhèn)江：江蘇大學(xué)，2013.

[9] 籍美蘋. 車牌定位算法的研究[D].重慶：重慶大學(xué)，2014.

[10] 韓立明，王波濤.車牌識別中關(guān)鍵技術(shù)的研究與實現(xiàn)[J].計算機(jī)工程與設(shè)計，2010,31(17):3919-3923.

A Open CV-based Vehicle License Plate Location

Hu Xuehui, Wang Botao

(College of electronic and control engineering, Beijing University of Technology, Beijing 100124, China)

Almost all existing methods need to classify the day and night scene, and the accuracy of the positioning of the plate by this classification is easily affected when there are other dramatic changes in the gray area in the image. An improved gray level jump License Plate Location Algorithm is promoted for the purpose of accurate positioning. First the illumination compensation is joined, makes no need for day and night scene classification. Then the long vertical lines of noise is removed, in the case of complicated background . And the frame is removed after the accurate location of license plate, which benefited to the next character segmentation . In addition, the OpenCV library is used in the algorithm, which is made the algorithm more simplify and real-time. The accuracy is more than 95% by testing 300 images in resolution ratio of 704×576.The algorithm is adapted to the picture both from the day and night.The design requirement is satisfied.

license plate localization; illumination compensation; median filtering; edge detection; gray level transformation

2016-03-24；

2016-04-25。

胡雪會(1990-)，女，山東聊城人，碩士研究生，主要從事圖像處理方向的研究。

1671-4598(2016)09-0206-05

10.16526/j.cnki.11-4762/tp.2016.09.058

TP311.5

A