车牌的定位在车牌识别系统中有着重要的地位,是后续车牌字符识别的前提条件。但是由于车牌定位的车牌图片采集于户外，图像背景复杂、噪声干扰严重，图像质量较低，因此车牌定位往往受到影响而不能准确定位。所以在车牌定位算法中，关键是寻找某种图像处理方法，使原始图像经过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。文中主要针对的是蓝底白字车牌，首先利用车牌蓝色特征和图像处理的方法进行初次定位，减少了车牌候选区域，然后对初次定位的车牌图片进行投影，最终完成车牌定位。

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。实验数据如表1所示。

表1 实验结果

实验表明，该算法有效地实现了车牌图像在受外界环境和复杂背景等多种因素影响的情况下，车牌准确定位的问题，具有实时性和准确性等优点。同时由于二次定位是对处理的车牌图片进行定位，定位时间明显缩短，具有较好的应用前景。