【正文】 工 神經(jīng)網(wǎng)絡(luò) 算 法 。 基 于 模板匹配算法首先將分割后的字符二值化，并將其尺寸大小縮放為字符數(shù) 據(jù)庫中模板的 大 小 ， 然后與所有的模板進(jìn)行匹 配 ， 最后選最 佳匹配作為結(jié)果。 基 于 人 工 神經(jīng)元網(wǎng)絡(luò)的算法有兩 種 : 一種是先對待識別字符進(jìn)行特征提 取 ， 然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配 器 。另 一種方法是直接把待處理圖像輸入網(wǎng) 絡(luò) ， 由網(wǎng) 絡(luò) 自 動實現(xiàn)特征提取直至識別出 結(jié)果。實際應(yīng)用 中 ， 牌 照識別系統(tǒng)的識別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì) 量會受到各種因素的影 響 ， 如生 銹 、 污 損 、油漆剝落 、 字體褪 色 、 牌照被遮擋、牌照 傾 斜 、 高亮反 光 、 多牌 照 、假牌 照 等 等 :實際拍攝過程也會受到環(huán) 境 亮 度 、拍 攝 亮 度、 車輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識別的 識 別 率 ， 也正 是牌 照識別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識別 率 ， 除 了 不 斷的完善識別算 法 ， 還 應(yīng)該想辦法克服各種光照條 件 ， 使采集到的圖像最 利 于 識別。 7 3 車牌識別系統(tǒng)程序設(shè)計 3. 1 圖像讀取及車牌區(qū)域提取 圖像讀取及車牌區(qū)域提取主要 有 :圖像灰度圖轉(zhuǎn)化、圖像邊緣檢測、灰度圖腐蝕、 圖像 的 平 滑處理以及車牌區(qū)域的邊界值計算。其程序流程圖如下 : 圖 3. 1 預(yù)處理及邊緣提取框圖 目前比較常用的圖像格式 有 *.BMP、 *. JPG、 *. GIF、 *. PCX、 *. TIFF 等 ， 本課題 采集到的圖片 是 *. JPG 的格式。因為使 用 *. JPG 圖像時有一個軟件開發(fā)聯(lián)合會組織制 定、有損壓縮格 式 ， 能夠?qū)D像壓縮 在很小的儲存空 間 ， 而且廣泛支持 Inter 標(biāo) 準(zhǔn) ， 是面前使用最廣的圖片保存和傳輸格 式 ， 大多數(shù)攝像設(shè)備都 以 *. JPG 格式保存。 利用圖 像 工 具箱的 Car_Image_RGB=imread( 39。Image_Name39。 ) 。 即可將圖像讀取出 來 ，這樣讀取得到的是 RGB 圖 像 ， RGB 圖像分別用紅、 綠 、 藍(lán) 三 個 色度值為一組代表每個像素的顏 色 ， 因此 Car_Image_RG B 是一個錯 誤 !未找到引用源。 的數(shù) 組 ， m、 n 表示圖像像素的行、列數(shù)。 3. 圖像灰度圖轉(zhuǎn)化 我國車牌顏色及其 RGB 值如 下 ， 藍(lán)底 (0， 0， 255) 臼字 (255， 255， 255) 、 黃底 (255， 255， 0) 黑字 (0， 0， 0) 、 黑底 (0， 0， 0) 白 字 (255， 255， 255) 、 紅底 (255， 0， 0) 黑字 (0， 0， 0) ， 由 于 車牌的底色不 同 ， 所以從 RGB 圖像直接進(jìn)行車牌區(qū)域提取存在很大困 8 難 ， 但不管哪種底色的車 牌 ， 其底色與上面的字符顏色的對比度 大 ， 將 RGB 圖像轉(zhuǎn)化 成灰度圖像 時 ， 車牌底色跟字符的灰度值會相差很大。例如藍(lán)色 (255， 0， 0) 與臼 色 (255， 255， 255) 在 R 通道中并 無 區(qū) 分 ， 而在 G、 R 通道或是灰度圖象中數(shù)值相 差很大。同理對自底黑字的牌照可用 R 通 道 ， 綠底自 字 的 牌照 可 以 用 G 通道就可以 H 明顯呈現(xiàn)出牌照 區(qū) =域的位 置 ， 便于后續(xù)處理。原 圖 、 灰度對于將彩色圖象轉(zhuǎn)換成灰度 B一 圖象 時 ， 圖象灰度值 H+可由下面的公式計 算 : G3 +173。 H = ++ (3. 1) () (3. 1) 式使 用 了 權(quán)值加重 法 ， (3. 2) 式使用均值 法 ， 使用權(quán)值法的好處是可以突出 某 個 通 道 ， Matlab內(nèi) 的 RGB轉(zhuǎn)灰度圖函 數(shù) rgb2grayO 就是使用的 (3. 1) 式權(quán)值比例公 式 ， 這 樣就可以利用邊緣檢測方 法 ， 識 別 出臨近區(qū)域灰度值相差大的分界區(qū)。通過程序運行 其效果 圖 見 圖 圖 : 圖 原始圖像 9 圖 灰度圖像 由原圖和灰度圖運行結(jié)果可 知 ， 能清晰地讀出原彩色圖 樣 ， 通 過圖形的對比分 析 ， 原始圖中車牌區(qū)域的灰度明 顯 不 同 于 其 他區(qū) 域 ， 藍(lán)底部分最為明顯。經(jīng)過程序 運行出 來 的灰 度 圖 可 以比較容易的識別出車牌的區(qū)域，達(dá)到了預(yù)期的灰度效 果 。 在 Matlab 中利用函數(shù) edgeO實現(xiàn)邊緣檢測，具體的用法 如 下 所 示 : Car_Image_Bin=edge(Car_Image_Gray， 39。robert39。， ， 39。both39。)。 在 edgeO函數(shù)中有 Sobel 算子 ， Prewitt 算 子 ， Roberts 算子 ， Log 算子 ， Canny 算 子及 Robert 算 子，幾種算法相 比 之 下 ， Roberts 算子是一種最簡單的 算 子 ， 是一種 利用局 部 差 分 算 子 尋找邊緣的算 子 ， 他采用對角線方向相鄰兩象素 之 差 近似梯度幅值 檢測邊緣。檢測垂直邊緣的效果 好 于 斜向邊 緣 ， 定位精度 高 ， 對噪聲敏感，無法抑制 噪聲的影響。 因此本課題使用了 Robert 算子。 由 于 Roberts邊緣檢測算子是一種利用局 部 差 分算子尋找邊緣的算子，根據(jù)任 一相互垂直方向上 的 差 分都可用來估計梯 度 ， Robert 算子采用對角方向相鄰兩像素 之 差 ， 其計算公式如 下 : 其 幅 值為 : 叫 = f (x， y)_ f ( 叫 yl) A衛(wèi) f = f (x 1， y ) _ f (x， y 1) 錯 誤 ! 未找到引用源。 () () (3. 5) Robert梯度以 ← ， y) 為中 心 ， 所以他度量 了 (x卡 )點 處 45。 和山。錯誤 !未找到 引用源。方向 (相互正交 )的灰度變化。適當(dāng)取門 限 T， 做 如 下 判斷 . G(x， y) T ， (x， y) 10 101I 為階躍狀邊緣點 。 Roberts邊緣檢測算子相 當(dāng) 于 用 L10J 和錯誤 !未找到引用源。對圖 像進(jìn)行卷積 。 both表示雙向 o. 15為敏感度值檢測算法。使用邊緣檢 測 ， 腐蝕效果如圖 : 圖 3. 4 邊緣效果圖 從邊緣效果圖可以看出，經(jīng)過處理以后車牌的輪廓已經(jīng)非常明顯了，車牌區(qū)域及 汽車標(biāo)志的邊緣呈現(xiàn)臼色條 紋 ， 基本上達(dá)到了邊緣檢測的效果。但 是 ， 在車牌附近的 其 他區(qū)域也 由 于 各種干擾的影響，也存在一些臼色區(qū)域。所以要對圖像做進(jìn)一步的處 理，用灰度圖腐蝕來消除多余的邊界點。 3. 灰度圖腐蝕 所謂腐蝕即一種 消 除邊界 點 ，使邊界向內(nèi)部收縮的過 程 。 利 用 它可以消除小 而 且 無意義的物體。腐蝕的規(guī)則是輸出圖像的最小值是輸 入圖像領(lǐng)域中的最小 值 ， 在一個 二值圖像中，只要有一個像素值為 0，則相應(yīng)的輸出像素值為 0。假設(shè) B 對 X 腐蝕所 產(chǎn)生的二值圖像 E 是滿足以下條件的點 (x， y) 的集 合 :如果 B 的原點平移到點 (x，y) ， 那么 B 將完全包 含 于 X 中。本系統(tǒng)使用 imerode 0 函數(shù)， Car_Image_Erode=imerode(Car_Image_Bin， Se)。 其中 結(jié) 構(gòu) 元 素 Se 又被形象成為 刷 子， 用 于 測試輸入圖 像 ， 一般比待處理圖像小很多。 結(jié)構(gòu)元素的大小形狀任 意 ， 一般是二維的。二維結(jié)構(gòu)元素為數(shù) 值 0 和 1組成的矩陣， 結(jié)構(gòu)元素中數(shù)值為 1的點決定結(jié)構(gòu)元素的領(lǐng)域像素在進(jìn)行腐蝕操作時是否需要參加 運算。 結(jié) 構(gòu) 元素太 大 ，會造成腐蝕過度，造成信息丟失，太小起不 了 預(yù)期的效 果 ， 這 里使 用 3xl矩陣的線性結(jié)構(gòu)元 素 ， 即 Se::[1。1。1]。腐蝕后如 圖 : 11 圖 腐蝕效果圖 從腐蝕的結(jié)果分析，腐蝕的目的是消除小而無意義的物體，對比邊緣效果檢測圖 與腐蝕效果圖可 以 看 出，在邊緣檢測圖中還有的小的無意義的圖像已經(jīng)被完全消除 了，留下來的僅僅是車牌區(qū)域以及車的標(biāo)志。已經(jīng)得到了車牌圖像的輪廓線了，只要 再經(jīng)過適當(dāng)?shù)奶幚砑纯砂衍嚺铺岢龀鰜怼? 3. 圖像平滑處理 得到車牌區(qū)域的圖像輪廓線后， 由 于 圖 像的 數(shù) 字 化 誤 差 和噪聲直接影響了腳點的 提取，因此在腳點提取之前必須對圖像進(jìn)行平滑處理 ， Matlab 有一個圖像平滑處理 函數(shù) 236。mclose0，它與開運算相反，融合窄的缺口和細(xì)長的彎口，去掉小洞，填補輪 廓上的縫隙。 Car_Image_Perform=236。mcloseCCar_Image_Erode， Se)。 結(jié)構(gòu)單元 中 Se一個 小 于 對象閉合圖形，只要兩個封閉域的距離 小 于 Se，就將這兩 個連接成一個連通域 ， Se生成方式采用 Se=strel(39。rectangle39。， [25， 25])。 即 Se是一個一 個 25x25的矩形，使用矩形是因為車牌是一個矩形，這樣，可以是提取 的圖像最接近預(yù)期效果。 由于 車 牌圖像經(jīng)過腐蝕以后只 剩 下 車牌區(qū)域以及車的標(biāo)志。 在程序運行的圖像平滑后效果 如 下 : 12 圖 平滑處理后效果 從平滑后的效果圖分析，達(dá)到了預(yù)定的目標(biāo)。消除了圖像的數(shù)字化 誤 差 和噪聲對 腳點的直接提取的影響。 3. 移除小對象 圖 像 平 滑處 理 了，可 能 會有多個閉合區(qū) 域 ， 對 于 不是車牌區(qū)域的必須予以刪除， Matlab 提供了一個函數(shù) bwareaopen 0， 用 于 刪除二值圖像中面積 小 于 一個定值的對 象 ， 默認(rèn)情況下使用 8 鄰域， Car_Image_Perform2=bwareaopenCCar_Image… Perform， 2021)。 這 樣 ， Car_Image_Perform中面積 小 于 2021的對象都被刪除了。 小 對 象被刪除后的圖像如圖 3. 7 所 示 : 圖 3. 7 移除小對象后效果圖 移除小對象后的效果圖己經(jīng)非常明顯 了 ， 圖像中最后只存在車牌區(qū) 域 ， 其他的圖 像已經(jīng)完全濾除 掉 了，包括小物體，車的標(biāo) 志 等影響己經(jīng)沒有了。 13 3. 車牌區(qū)域的邊界值計算 在將原始圖像進(jìn)行二值 化 ， 然后輪廓平滑處理 后 ， 圖像的每個點為兩個離散值中 的一 個 ， 這兩個值代表 開 (1) 與 關(guān) (0) ，