【正文】 這一領(lǐng)域的研究很活躍。 基于圖像處理 的車牌識(shí)別技術(shù)主要包括車牌定位、車牌分割、字符識(shí)別等方面的技術(shù)。 關(guān)于車牌定位方面，主要理由車牌的邊緣、形狀、顏色等特征，再結(jié)合數(shù)字圖像處理、形態(tài)學(xué)、小波變換、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)對(duì)車牌進(jìn)行定位。 基于特征的車牌定位的方法有 提出的基于字符邊緣檢測的車牌定位方法，通過圖像中的字符邊緣和水平掃描之間相交的邊緣之間的距離分布規(guī)律，確定可行的車牌區(qū)域，通過對(duì)區(qū)域的進(jìn)一步分析來確定真是的車牌區(qū)域。 提出一種基于迭代閾值的車牌定位方法，根據(jù)車牌上文字變化特點(diǎn)快速、準(zhǔn)確地從復(fù)雜背景 中分割車牌。車輛圖像經(jīng)閾值的反復(fù)迭代得到一滿意的閾值時(shí)，字符將和背景分離，再將圖像進(jìn)行二值化來定位。這種方法迭代閾值的時(shí)間長，而且對(duì)噪聲比較敏感，需要大量的去噪計(jì)算工作。 完全基于形態(tài)學(xué)的算法有運(yùn)用數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算獲得車牌的候選區(qū)，然后采用投影的方法剔除假車牌，定位針車牌。 基于 神經(jīng)元網(wǎng)絡(luò)的方法有基于 BP 網(wǎng)絡(luò)的牌照定位方法，在該算法中，使用一個(gè)滑動(dòng)窗口作為 采樣窗口，在灰度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，當(dāng)輸出接近 時(shí)，表示滑動(dòng)窗口下的圖像 塊屬于車牌區(qū)域，當(dāng)輸出 近 時(shí)，表 示滑動(dòng)窗口下的圖像屬于背景區(qū)域。人工神經(jīng)網(wǎng)絡(luò)算法抗干擾性好，但是由于圖像中的車牌區(qū)域通常只占 2%~3%的面積，特征值難以提取，算法也比較復(fù)雜。 基于彩色的車牌定位方法有采用多層感知器網(wǎng)絡(luò)對(duì)輸入彩色圖像進(jìn)行彩色分割及多級(jí)混合集成分類器的車牌自動(dòng)識(shí)別方法。這種方法的主要思想是通過三層 MLPN 網(wǎng)絡(luò)將具體均勻色度的彩色圖像進(jìn)行色彩分割，再利用投影法分割出潛在的各種底色的車牌區(qū)域。該方法識(shí)別正確率高、魯棒性好，車牌定位正確率達(dá)到 %。 5 還有根據(jù)彩色邊緣檢測算子 ColorPrewitt 和彩色邊緣檢測與區(qū)域生長相結(jié) 合的牌照定位算法。這種方法的主要思想是通過邊緣檢測算子 ColorPrewitt 和彩色邊緣檢測，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實(shí)現(xiàn)區(qū)域的連通，采用區(qū)域生長方法標(biāo)記候選區(qū)域，最后利用車牌的先驗(yàn)知識(shí)，剔除虛假車牌區(qū)域，確定真正的車牌區(qū)域。 從目前一些車牌識(shí)別產(chǎn)品的性能指標(biāo)可以看出， LPR 系統(tǒng)的識(shí)別率和識(shí)別速度有待提高。特別是在車牌定位方面，還沒有一種通用的方法，研究高速、準(zhǔn)確的定位與識(shí)別算法依然是當(dāng)前需要解決的一個(gè)研究方向，車牌定位和識(shí)別，特別對(duì)我國車牌識(shí)別技術(shù)，存在以 下的難點(diǎn)： ⑴ 漢字識(shí)別率問題。目前無論哪個(gè)車牌識(shí)別系統(tǒng)，當(dāng)圖像的分辨率降到一定程度時(shí)，漢字識(shí)別率都急劇下降。如何抽取漢字的有效特征使識(shí)別率提高，是目前研究的主要問題之一。 ⑵ 自然環(huán)境問題。監(jiān)控系統(tǒng)攝取的車牌圖像含有豐富的自然背景及車身背景信息，易受照明條件、天氣因素及運(yùn)動(dòng)失真和模糊的影響，因此所獲取的圖像質(zhì)量一般都不高。 ⑶ 車牌種類的多樣性問題。國外許多國家汽車 牌照的底色和字符通常只有對(duì)比度較強(qiáng)的兩種顏色，而我國汽車牌照僅底色就有藍(lán)、黃、黑、白等多中顏色，字符也有黑、紅、白等若干種顏色；同時(shí)根據(jù)不同車 輛、車型、用途，規(guī)定了多種牌照格式（例如分為軍車、警車、普通車等）。 ⑷ 其他因素。如車牌懸掛位置不規(guī)范，車牌受到嚴(yán)重污染等也嚴(yán)重影響了車牌的識(shí)別率。 本文以車牌照為研究對(duì)象，運(yùn)用圖像處理和模式識(shí)別技術(shù)來實(shí)現(xiàn)車牌照的 檢測與識(shí)別， 其中對(duì)車牌照的定位與分割和車牌照字符的分割與識(shí)別提取進(jìn)行了深入研究 。主要研究了如何通過圖像的預(yù)處理、車牌的定位、車牌字符切分和字符識(shí)別等一系列過程完成汽車牌照的識(shí)別。本文主要工作如下 : 通過閱讀大量的文獻(xiàn)，對(duì)車牌自動(dòng)識(shí)別技術(shù)的應(yīng)用背景和研究意義、車牌識(shí)別系統(tǒng)的 技術(shù)難點(diǎn)以及車牌自動(dòng)識(shí)別技術(shù)的發(fā)展和研究現(xiàn)狀進(jìn)行了系統(tǒng)的闡述。 針對(duì)采集得來的車牌圖像質(zhì)量低、噪聲大等缺點(diǎn)，在對(duì)車牌識(shí)別前得進(jìn)行一系列的預(yù)處理，如灰度化、灰度拉伸、二值化、濾波等操作，并在此基礎(chǔ)上提出 一些 改進(jìn)的 方法和技術(shù)。 車牌識(shí)別精確度的高低主要取決于車牌定位精確度的高低 ，車牌定位在車牌識(shí)別中占據(jù)很重要的地方，本問對(duì)現(xiàn)有的定位技術(shù)進(jìn)行簡單的分析，然后提出一種 快速且魯棒性強(qiáng)的車牌定位算 法 。 車牌字符分割和識(shí)別同樣是車牌識(shí)別的關(guān)鍵，文章對(duì)多中分割技術(shù)進(jìn)行分析 的 6 同時(shí)指出其優(yōu)點(diǎn)和缺點(diǎn)；采用神經(jīng)元網(wǎng)絡(luò) 識(shí)別技術(shù)對(duì)車牌的字符進(jìn)行識(shí)別，詳盡介紹了BP 網(wǎng)絡(luò)實(shí)現(xiàn)識(shí)別的步驟和原理。 最后，對(duì)本文的工作進(jìn)行了總結(jié)，并對(duì)后續(xù)的研究工作進(jìn)行了一些探討。 7 第二章 圖像預(yù)處理 在汽車成像的過程中，受多種因素的影響，圖像質(zhì)量會(huì)有所下降，這種圖像質(zhì)量下降的過程稱為圖像的退化。由于自然光照度的變化、車輛自身的運(yùn)動(dòng)，采集圖像設(shè)備本身的因素等的影響，會(huì)引起汽車圖像的退化，從而干擾對(duì)車牌信息的提取。為了改善退化的牌照?qǐng)D像，必須對(duì)圖像進(jìn)行預(yù)處理。對(duì)圖像進(jìn)行預(yù)處理，主要包括圖像的二值化、灰度拉伸和增強(qiáng)等方法。 目前，采 集到的車牌原始圖像大都是通過攝像機(jī)、數(shù)碼相機(jī)等設(shè)備來拍攝獲取的。一般情況下，得到的都是彩色圖像。彩色圖像包含大量的顏色信息，它的每個(gè)像素都具有三個(gè)不同的顏色分量 R、 G、 B，其需要占用的存儲(chǔ)空間很大，對(duì)其進(jìn)行處理時(shí)會(huì)浪費(fèi)較多的系統(tǒng)資源，降低系統(tǒng)的執(zhí)行速度?；叶葓D像是只含亮度信息不含色彩信息的圖像，其中亮度值量化為 256 級(jí)?；叶葓D進(jìn)行算法處理相對(duì)簡便，首先 RGB 值一樣，且圖像數(shù)據(jù)就是調(diào)色板索引值，也就是實(shí)際的 RGB 亮度值，又因調(diào)色板是 256 色的，所以圖像數(shù)據(jù)中一個(gè)字節(jié)代表一個(gè)像素。如果是彩色的 256色，則經(jīng)過圖 像算法處理后，可能產(chǎn)生不屬于這 256 種顏色的新顏色，而真彩色 RGB 圖像必須用三個(gè)與圖像尺寸相同的矩陣來存儲(chǔ)，這樣計(jì)算代價(jià)過大。所以，在實(shí)驗(yàn)室中一般采用 256 級(jí)灰度圖來進(jìn)行處理。 本論文 中 用到的圖像，是用攝像機(jī)獲得的 24 位彩色位圖文件格式。位圖格式 （ BMP格式）的圖像由文件頭、位圖信息頭、圖像數(shù)據(jù)等部分組成。文件頭和信息 頭包含文件類型、大小等信息。 BMP圖像以像素為單位記錄圖像數(shù)據(jù)。 24位 BMP 格式文件的每個(gè)像素點(diǎn)均用 3 個(gè)字節(jié)（ 24位）來表示像素值， 3個(gè)字節(jié)分別存儲(chǔ)紅、綠、藍(lán) 3原色的值。 彩色位圖格式 包含圖像的原始信息，所含信息豐富。但是彩色位圖圖像的原始數(shù)據(jù)量龐大，存儲(chǔ)空間大，處理速度慢。文中的車牌算法是基于灰度圖像實(shí)現(xiàn)的，因此需要先對(duì)整個(gè)圖像灰度化。這樣做可以同時(shí)提高處理速度與去掉無用的信息。顏色的三個(gè)分量分別用 R， G， B表示，像素點(diǎn)的灰度值為 Grey，圖像灰度化可采用下面方法實(shí)現(xiàn)： Gray (x ,y )=R (x ,y )+G (x, y )+B( x ,y) (21) Gray (x, y)是轉(zhuǎn)換后灰度圖像在點(diǎn) (x,y)的灰度值， R (x ,y)、 G (x, y)、 B( x, y) 分別為轉(zhuǎn)換前點(diǎn) (x,y)的 R、 G、 B 分量。 如圖 21 所 示為 24 位真彩圖車輛圖像及灰度圖： 8 圖 21 圖像灰度拉伸 許多拍攝的圖像中，灰度級(jí)集中在很小的區(qū)域內(nèi)，對(duì)比度不良，影響人機(jī)器對(duì)圖像的理解。此時(shí)可以利用灰度的線性拉伸將灰度范圍拓展到 0 255 的度范圍?；叶壤旌突叶鹊木€性變換有點(diǎn)類似，都用到了灰度的線性變換。不同之拉伸不是完全的線性變換，而是分段進(jìn)行線性變換，它的拉伸范圍和 拓 展程度是可以自由選擇的。灰度拉伸的 9 函數(shù)表達(dá)式如下 : 112111212222( ) ( )255()255yxxyyf x x x yxxyx x yx???? ?? ? ????? ?????? （ 22 ） 式中 (1x ， 1y )和 ( 2x ， 2y )是圖 22 的兩個(gè)轉(zhuǎn)折點(diǎn)的坐標(biāo) 。 灰度拉伸可以更加靈活的控制輸出灰度直方圖的分布，它可以有改善輸 出 圖像。 圖22所示的變換函數(shù)的運(yùn)算結(jié)果是將原圖在 1x 和 2x 之間的灰度拉伸到 1y 和 2y 之間。 圖 22 如果一幅圖像灰度集中在較暗的區(qū)域而導(dǎo)致圖像偏暗，可以用灰度拉伸 功 能來拓展(斜率 1)物體灰度區(qū)間以改善圖像 。同樣如果圖像灰度集中在較 亮 的區(qū)域而導(dǎo)致圖像偏亮，也可以用灰度拉伸功能來壓縮 (斜率 1)物體灰度 區(qū) 間以改善圖像質(zhì)量。 現(xiàn)在關(guān)鍵的問題是如何選取適當(dāng)?shù)?1x 、 2x 和 1y 、 2y ，使得對(duì)比度增強(qiáng)明 顯， 拉伸 10 效果更理想。 1x ，、 2 x 的選取有多種方法，總的原則選取灰度最為集中的一段的左右端點(diǎn)?？梢岳没叶戎狈綀D， 1x ，、 2 x 分別選取為直方圖的最大波峰兩側(cè)波谷所對(duì)應(yīng)的灰度值。也可以固定灰度步長進(jìn)行掃描，對(duì)步長內(nèi)的像素點(diǎn)個(gè)數(shù)累積求和，找出最大值，x，、 2 x 分別選取為取得最大值的灰度范圍的左右端點(diǎn)。在我們的系統(tǒng)中， 1x ，、 2 x 選取為兩大谷底對(duì)應(yīng)的灰度值， 11/2yx? ； 223 / 2yx? ， 這樣就可以把高灰度區(qū)和低灰度區(qū)壓縮，中間灰度區(qū)域拉伸，取得了很好的效果，其處理效果 如圖 23 所示。 圖 23 灰度拉伸 經(jīng)圖像采集系統(tǒng)獲取的原始圖像，通常都含有各種各樣的噪聲與畸變，這將大大影響系統(tǒng)的識(shí)別精度。因此，在進(jìn)一步處理之前，必須對(duì)圖像進(jìn)行濾波。采用適當(dāng)?shù)臑V波方法，可以將圖像中感興趣的特征突出，并削弱不需要的特征，以改善圖像的質(zhì)量。圖像增強(qiáng)的方法分為空域法和頻域法兩類，空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作；而頻域法是在圖像的某個(gè)變換域?qū)φ麄€(gè)圖像進(jìn)行操作，并修改變換后的系數(shù)，如傅立葉變換、 DCT 變換等的系數(shù)，然后再進(jìn)行反變換 ,便可得到處理后的圖像。對(duì)圖像進(jìn)行 11 處理，通常采用空域?yàn)V波的方法，下面介紹幾種常用的空域?yàn)V波器。 常用濾波方法介紹 均值濾波 均值濾波器適用于去除圖像中的顆粒噪聲。對(duì)于給定的圖像 f(i,j)中的每個(gè)像素點(diǎn) (m,n)處的灰度，取其鄰域 S。設(shè) S含有 M個(gè)像素，取其平均值作為處理后所得圖像點(diǎn)(m,n)處的灰度。鄰域 S 的形狀和大小根據(jù)圖像特點(diǎn)確定。一般取的形狀是正方形、矩形和 十字形等， S 的形狀和大小可以在全圖處理過程中保持不變，也可根據(jù)圖像的局部統(tǒng)計(jì) 特性而變化，類似點(diǎn) (m,n)一般位于 S的中心。例如 S為 3 3鄰域，點(diǎn) (m,n)位于 S中心，則： 11111( , ) ( , )9ijf m n f m i n j? ? ? ?? ? ??? (23) 假設(shè)噪聲 n 是加性噪聲，空間中各點(diǎn)互不相關(guān)，且期望為 0，方差為 2? ， g是 未受污染的圖像，含有噪聲的圖像 f經(jīng)過鄰域平均后為： 1 1 1( , ) ( , ) ( , ) ( , )f m n f i j g i j n i jM M M? ? ?? ? ? (24) 由公式（ 24）可知，經(jīng)鄰域平均后，噪聲的均值不變，方差 221a M???，即 噪聲方差變小，說明噪聲強(qiáng)度減弱了，抑制了噪聲。而且鄰域平均法也平滑了圖像信號(hào)，特別是可能使圖像目標(biāo)區(qū)域的邊界變得模糊?？梢宰C明，對(duì)圖像進(jìn)行鄰域平均處理相當(dāng)于圖像信號(hào)通過低通濾波器。 中值濾波 中值濾波器是一種非線性濾波器，也是一種典型的低通濾波器，中值濾波是將鄰域中的像素按照灰度大小排序，若像素的數(shù)量為奇數(shù)，則取中間的數(shù)作為待處理像素 的灰度值，若像素的數(shù)量為偶數(shù)，則取中間的兩個(gè)像素灰度的平均值作為待處理像素的灰度值，假設(shè)一組數(shù)據(jù)按原來的位置排序?yàn)? 1，中值濾波的算法是將這組數(shù)排序?yàn)? 7，待處理的數(shù)為 7，則用 5代替 7，處理后的一組數(shù)變?yōu)? 1。 事實(shí)上，中值濾波器是用 n n 的濾波器除去那些相對(duì)于其鄰域像素更亮或更暗，并且其區(qū)域小于 n2/2（濾波器區(qū)域的一半）的孤立像素集。中值濾波器能夠在抑制噪聲的同時(shí)不使邊緣模糊，而且方法簡單、易實(shí)現(xiàn)，但有時(shí)會(huì)丟失圖像的細(xì)節(jié)。 中值濾波器可以推廣到二維，對(duì)二維圖像操 作，二維中值濾波器的窗口形狀和尺寸對(duì)濾波效果影響較大，對(duì)于不同內(nèi)容不同應(yīng)用要求的圖像，需要采用不同尺寸和形狀的窗口。窗口的形狀可以是矩形、圓形和十字形等，窗口的尺寸一般先用 3 點(diǎn)，再取 5點(diǎn)然后逐點(diǎn)增大，直到達(dá)到滿意的效果。 改進(jìn)的快速中值濾波算法 12 上述的各種方法 ,在去噪的效果上都取得了一定的效果 ,但是都沒有考慮到濾波的耗時(shí)問題。本文針對(duì)標(biāo)準(zhǔn)濾波的排序方法 ,根據(jù)窗口在移動(dòng)過程中前后窗口之間的相關(guān)性，同時(shí)根據(jù)窗口內(nèi)像素間的 統(tǒng)計(jì) 特性 ,采用方差和均值對(duì)像素點(diǎn)進(jìn)行噪聲判斷，來降低對(duì)邊緣細(xì)節(jié)信息的影響，提高濾波 效果和濾波的自適應(yīng)性。此改進(jìn)的快速中值濾波算法主要包括 :中值的確定、噪聲點(diǎn)的確定和濾波處理三個(gè)環(huán)節(jié)，下面予以詳述。 （ 1）中值的確定 由于較大的窗口會(huì)倍增濾波時(shí)間 ,且窗口越大 ,圖像邊緣細(xì)節(jié)丟失越多，因此，在實(shí)際實(shí)驗(yàn)中采用 3 3窗口進(jìn)行濾波。用一個(gè) 3 3窗口在圖像中掃描，把窗口內(nèi)包含的圖像像素按灰度級(jí)升序或降序