【正文】 籌建卡口系統(tǒng)。 2 、車(chē)牌圖像識(shí)別技術(shù)在 城市交通 領(lǐng)域的應(yīng)用 隨著我國(guó)機(jī)動(dòng)車(chē)保有量的迅速增加，以及政府對(duì)公共安全的日益重視，城市交通監(jiān)控和管理工作日趨繁重。 高速公路收費(fèi)輔助系統(tǒng)：一般是在高速公路入口處進(jìn)行車(chē)牌圖像采集、識(shí)別，將識(shí)別結(jié)果寫(xiě)入通行卡 ( 票 ) 或者通過(guò)網(wǎng)絡(luò)傳送至各出口站，在車(chē)輛到達(dá)出口時(shí)，再進(jìn)行一次車(chē)牌圖像采集、識(shí)別，并將識(shí)別結(jié)果與入口識(shí)別結(jié)果相比對(duì)，以防止或發(fā)現(xiàn)倒卡、換卡、換牌等逃費(fèi)行為。剛開(kāi)始主要用于高速公路收費(fèi)輔助系統(tǒng)以降低交通通行征費(fèi)收入的流失，后來(lái)逐步發(fā)展到 城市交通 、 停車(chē)場(chǎng)管理、門(mén)禁管理 等多種應(yīng)用領(lǐng)域。 盡 我所 知 ， 除 文 中 特 別 加 以 標(biāo) 注 和 致 謝 的 地方 外 ， 不 包 含 其 他 人 或 組 織 已 經(jīng) 發(fā) 表 或公 布 過(guò) 的 研 究 成 果 ， 也 不 包 含 我 為 獲 得 及 其 它 教 育 機(jī) 構(gòu) 的 學(xué) 位 或 學(xué) 歷 而 使 用 過(guò)的 材 料 。該方法受噪聲影響小， 對(duì)字符定位準(zhǔn)確，判斷決策方法簡(jiǎn)單 。主要完成了以下幾 個(gè) 方面的工作： 1 、對(duì)于二值化、邊緣檢測(cè)、同態(tài)濾波、數(shù)學(xué)形態(tài)學(xué)處理、直方圖變換和幾何畸變校正等圖像處理方法在車(chē)牌圖像識(shí)別技術(shù)中的應(yīng)用特點(diǎn)進(jìn)行了分析和總結(jié)； 設(shè)計(jì)出 一種基于 Canny 邊緣檢測(cè) 尋找目標(biāo)對(duì)象特征點(diǎn)，再 對(duì)特征 點(diǎn)的灰度像素值 分析判斷 來(lái)確定閾值的車(chē)牌字符 圖像 二值化方 法 ， 可以滿足本文對(duì)車(chē)牌字符特征提取 時(shí) 預(yù)處理的要求 。 車(chē)牌圖像識(shí)別應(yīng)用技術(shù)研究 摘 要 車(chē)牌圖像識(shí)別技術(shù)以計(jì)算機(jī)視覺(jué)、人工智能和模式識(shí)別理論為基礎(chǔ)，是實(shí)現(xiàn)交通管理智能化的一個(gè)重要組成部分。 2 、對(duì)于現(xiàn)有的車(chē)牌區(qū)域定位方法進(jìn)行了分析研究 ； 在此基礎(chǔ)上 ， 設(shè)計(jì)實(shí)現(xiàn)了一種基于多方向邊緣提取和數(shù)學(xué)形態(tài)學(xué)處理的車(chē)牌區(qū)域定位方 法 。 4 、分析研究了 現(xiàn)有的 車(chē)牌字符特征提取和分類(lèi)識(shí)別的方法， 設(shè)計(jì) 出一種車(chē)牌字符分類(lèi)識(shí)別的方案。 對(duì) 本 研 究 提 供 過(guò) 幫 助 和 做 出 過(guò)貢 獻(xiàn) 的 個(gè) 人 或 集 體 ， 均 已 在 文 中 作 了 明確 的 說(shuō) 明 并 表 示 了 謝 意 。 1 、車(chē)牌圖像識(shí)別技術(shù)在高速公路領(lǐng)域的應(yīng)用 高速公路是車(chē)牌圖像識(shí)別技術(shù)在我國(guó)交通工程中最早應(yīng)用的領(lǐng)域，也是車(chē)牌識(shí)別產(chǎn)品應(yīng)用最多的領(lǐng)域。 目前的高速公路收費(fèi)輔助系統(tǒng)中， 采用 車(chē)牌圖像識(shí)別技術(shù)在車(chē)牌識(shí)別速度指標(biāo)基本可以滿足 ， 但 識(shí)別結(jié)果正確率指標(biāo) 還不是很理想 。因此，城市交通領(lǐng)域迫切需要應(yīng)用一些 較 可靠、有效的智能化技術(shù)手段。 公安系統(tǒng)設(shè)立城市卡口監(jiān)控點(diǎn)的主要任務(wù)是對(duì)車(chē)輛進(jìn)行車(chē)牌識(shí)別，并將識(shí)別結(jié)果與被盜搶、肇事、在逃、通緝的車(chē)輛牌號(hào)黑名單進(jìn)行比對(duì)。 3 、車(chē)牌圖像識(shí)別技術(shù)在停車(chē)場(chǎng)收費(fèi)管理系統(tǒng)中的應(yīng)用 停車(chē)場(chǎng)收費(fèi)管理系統(tǒng)：用于對(duì)出入車(chē)輛號(hào)牌識(shí)別和匹配，實(shí)現(xiàn)自動(dòng)計(jì)時(shí)、計(jì)費(fèi)管理。其中，車(chē)牌識(shí)別正確率是目前車(chē)牌識(shí)別產(chǎn)品中存在的最主要的問(wèn)題，也是國(guó)內(nèi)主流廠商最為頭疼的問(wèn)題。但通過(guò) 各個(gè) 廠商在其有關(guān)網(wǎng)站提供的信息和對(duì)兩家廠商提供的測(cè)試軟件進(jìn)行一定數(shù)量樣本的測(cè)試后 ， 可以發(fā)現(xiàn)， 各個(gè) 廠商聲稱(chēng)的 車(chē)牌識(shí)別正確率往往是通過(guò)對(duì)特定場(chǎng)所、特定時(shí)間范圍內(nèi)的樣本進(jìn)行測(cè)試而得出的結(jié)論。 車(chē)牌圖像識(shí)別技術(shù)研究現(xiàn)狀 上世紀(jì) 90年代中后期開(kāi)始，隨著數(shù)字圖像處理基礎(chǔ)理論的不斷發(fā)展和視頻處理技術(shù)、電子技術(shù)及計(jì)算機(jī)信息技術(shù)的迅速進(jìn)步，國(guó)內(nèi)從事車(chē)牌圖像識(shí)別技術(shù)研發(fā)的廠商和研究人員增長(zhǎng)迅速，提出了大量的 關(guān)鍵 技術(shù)算法，實(shí)際應(yīng)用 中 3 也取得了一定的成果。相關(guān)論文中提出了很多車(chē)牌圖像處理、分割、分析、識(shí)別的算法，主要利用較經(jīng)典的圖像空間變換、智能計(jì)算和數(shù)據(jù)挖掘理論，并在一定程度上進(jìn)行了實(shí)驗(yàn)論證。 在車(chē)牌字符分類(lèi)器設(shè)計(jì)方面， 公開(kāi) 資料中提出的分類(lèi)器主要有： 神經(jīng)網(wǎng)絡(luò)分類(lèi)器 ( 包括 BP神經(jīng)網(wǎng)絡(luò)、 SOFM網(wǎng)絡(luò)等 ) 、 模板匹配分類(lèi)器 、 基于 概率統(tǒng)計(jì) 的 Bayes 分類(lèi)器 、 幾何 分類(lèi)器 等。此外， 由于一些客觀因素的影響， 對(duì)于有關(guān)方法實(shí)驗(yàn)驗(yàn)證時(shí)， 難以獲得足夠 數(shù)量 的 具有廣泛代表性圖像樣本，實(shí)驗(yàn)結(jié)果的說(shuō)服力 還不夠充分 。 而目前這些方面的研究還 比較困難 ，有待于進(jìn)一步加強(qiáng)。從某種程度上講， 意味著要完全可靠。 (1) 關(guān)于圖像的二值化 5 在車(chē)牌圖像識(shí)別中，圖像 二值化 是一個(gè)非常重要的技術(shù)。 (2) 關(guān)于圖像的邊緣檢測(cè) 通過(guò)分析比較， 本文在車(chē)牌區(qū)域定位時(shí)采用了 Sobel 模板進(jìn)行多方向邊緣檢測(cè)， 而 在字符切分時(shí)采用了 Canny 邊緣檢測(cè) 方法，獲得了較好的應(yīng)用效果。 (5) 關(guān)于 圖像的直方圖變換 圖像的直方圖變換在車(chē)牌圖像識(shí)別中的作用具有兩面性 , 如何有效利用圖像的直方圖變換尚有待于在實(shí)踐中總結(jié)。本文建議最好在圖像采集階段，將幾何畸變控制在一定的范圍內(nèi)。 3 、分析研究了一些車(chē)牌字符切分方法，提出了一種基于 Canny 邊緣檢測(cè)的字符切分方法。 方案考慮 了漢字、英文字母和阿拉伯?dāng)?shù)字的不同特點(diǎn)，分別提取字符的分類(lèi)特征，并選擇不同的分類(lèi)識(shí)別方法。 因此，相較于 其它一些圖像 采集環(huán)境一般比較穩(wěn)定的 如 指紋圖像識(shí)別、人臉圖像識(shí)別、機(jī)械零件圖像檢測(cè)、水果 缺陷 圖像檢測(cè)等 圖像識(shí)別技術(shù) 來(lái) 說(shuō)，車(chē)牌圖像在內(nèi)容和質(zhì)量的變化上要復(fù)雜得多，從而對(duì)為獲得車(chē)牌圖像識(shí)別對(duì)象穩(wěn)定而明確的特征信息所進(jìn)行的有關(guān)圖像處理技術(shù)提出了更高的要求。 從字面上理解 ，所謂 圖像 二值化 ， 就是將彩色或灰度圖像用兩個(gè)灰度級(jí)別( 一般為 黑、白 ) 來(lái)表示 。 圖像 二值化 一般作為 一種 預(yù)處理方法 ，評(píng)價(jià)其 效果的優(yōu)劣應(yīng)當(dāng)兼顧下面兩方面的基本要求： 1 、二值圖像 中目標(biāo)對(duì)象的完整性 。 (a) 原圖 (b) 圖 (a) Otsu 法 二 值化圖 圖 二 值化效 果評(píng)價(jià) 8 二值化實(shí)際上是尋找閾值 T 的過(guò)程 ，而 閾值 T 的選擇要以滿足 二值化目的為依據(jù)。 其基本思想是：設(shè)閾值 t 將灰度分成了兩 類(lèi) ，一 類(lèi) 對(duì)應(yīng)背景部分，一 類(lèi) 對(duì)應(yīng)目標(biāo)對(duì)象，則 這兩類(lèi) 灰度值的 類(lèi) 內(nèi)方差應(yīng)當(dāng)最小，兩 類(lèi) 間方差應(yīng)當(dāng)最大。則： 類(lèi) 內(nèi)方差 )t()t()t()t( 2222112w ????? ?? 式（ 25 ） 類(lèi) 間方差 )]t(M)t(M)[t()t()t( 21212B ?? ??? 式（ 26 ） 對(duì)于給定的一幅圖像 ， 2w? + 2B? = 常數(shù)，因而 )t(2B? 最大時(shí) ，則 )t(2w?最小， 此時(shí) t=T 便是 使圖像分為兩類(lèi)的最佳 閾值。局部閾值二值化方法閾值的選擇依靠考察點(diǎn) 的灰度值及其周?chē)木植苦徲虻幕叶戎祦?lái)決定，它是一種動(dòng)態(tài)選擇閾值的方法。 2 、 Bersen算法二值化容易 產(chǎn)生嚴(yán)重的噪聲 。對(duì)車(chē)牌區(qū)域圖像 二值化時(shí)的目標(biāo)對(duì)象除字符外，還可能是或者包括邊框 ( 一般是在需要對(duì)車(chē)牌進(jìn)行幾何畸變 校正 時(shí) ) ，而對(duì)字符 圖像 進(jìn)行 二 值化 時(shí)的目標(biāo)對(duì)象則明確為字符。 Canny 算子法 檢測(cè) 出的邊緣定位比較準(zhǔn)確、寬度為一個(gè)像素、孤立點(diǎn)和非邊緣 噪聲 得到了較好的抑制，大大減少了圖像中需要分析判斷的數(shù)據(jù)，一般比較容易判斷出目標(biāo)和背景，從而能夠較好地確定 圖像 二值化的 閾值 。 因此，在進(jìn)行 車(chē)牌 字符切分時(shí) 最好 避免以二值化圖像為基礎(chǔ)。 11 灰度 圖像中 ， 所謂邊緣像素點(diǎn)表現(xiàn)為 該點(diǎn)的 鄰域是一個(gè)灰度級(jí)變化帶，衡量這種變化最有效的兩個(gè)特征值 ， 是灰度的變化率和變化方向。在進(jìn)行邊緣檢測(cè)時(shí)，其 基本 過(guò)程如下： Step1:獲得各個(gè)像素 點(diǎn) 的逼近梯度算子 f? 2221 )pf()p(ff ????? f 為灰度圖 像 ， 1p 、 2p 為兩個(gè)方向模板， ? 表示卷積。由于 對(duì)噪聲比較敏感， 而且 由于 閾值 固定， 自適應(yīng)性不好。Laplacian 算子用模板表示 為 ： 12 ????????????010141010p 在進(jìn)行邊緣檢測(cè)時(shí)，其 基本 過(guò)程如下： Step1:獲得灰度圖像 f 的二階差分 f2? ： pff2 ??? Step2:尋找零交叉點(diǎn)。而在此基礎(chǔ)上提出的 LoG 算子 邊緣 檢測(cè) 法 ， 通過(guò) 高斯濾波來(lái)減少噪聲， 邊緣檢測(cè)效果獲得了一定的提高 。 Canny 算子法檢測(cè)邊緣的具體過(guò)程如下： Step1:用二維高斯濾波模板與灰度圖像 f(x,y)卷積，以減小噪聲影響； 二維高斯函數(shù)為： )]yx(2 1e x p [2 1)y,x(E 2222 ??? ??? 卷積 ： )y,x(f)y,x(E)y,x(A ?? Step2:利用導(dǎo)數(shù)算子 ( 如 Prewitt 算子、 Sobel 算子 ) 找到圖像灰度沿著兩個(gè)方向的導(dǎo)數(shù) Gx 、 Gy, 并求出梯度的大小 |G| 和方向 θ ： xAGx ??? yAGy ??? 2y2x GG|G| ?? )GG(arctanxy?? Step3:對(duì)梯度幅值進(jìn)行 非極大值抑制。 在對(duì)車(chē)牌圖像進(jìn)行邊緣提取時(shí)，采用 Canny 算子邊緣 檢測(cè) 法能比較好地提取出字符的輪廓邊緣，同時(shí)對(duì)于噪聲 有很好的抑制。因此， 對(duì)于 邊緣 、紋理等 圖像細(xì)節(jié)的提取 ， 是車(chē)牌區(qū)域 定位和 字符切分的 一個(gè) 關(guān)鍵所在。具體到車(chē)牌圖像，字符部分主要為高頻成分，而背景主要為低頻成分。如圖 所示。如圖 所示，本例原圖與圖 原圖相同。 (a) 車(chē)牌灰度 圖像 (b)同 態(tài)濾波 前 Canny 邊緣 (c) 同 態(tài)濾波 后 Canny 邊緣 圖 同 態(tài)濾波對(duì) Canny 邊緣 檢測(cè)的影響 數(shù)學(xué)形態(tài)學(xué) [9] 數(shù)學(xué)形態(tài)學(xué)理論提出了獨(dú)特的變換和概念用于描述圖像的基本特征，采用 15 了以積分幾何和隨機(jī)集論為基礎(chǔ)的數(shù)學(xué)工具，可以得到幾何常數(shù)的測(cè)量和反映圖像的體視性質(zhì)，在圖像處理和分析方面有著較廣泛的應(yīng)用。 BB ??? )BA(A ? A 為原始圖像， B 為結(jié)構(gòu)元 圖像 。本方法中利用閉運(yùn)算的目的 ， 是在基本不改變 目標(biāo)對(duì)象 形狀的基礎(chǔ)上 ， 獲得連通的 目標(biāo)對(duì)象的 外輪廓 或區(qū)域 。 像素連通性的判斷通常采用 4 鄰域連通與 8 鄰域連通兩種規(guī)則。當(dāng)像素互為 8 鄰域時(shí)即稱(chēng)為 8 鄰域連通。這也是能對(duì)圖像進(jìn)行直方圖變換的基礎(chǔ)。 在 本章 中，有一個(gè) 同態(tài)濾波處理 后進(jìn)行 車(chē)牌圖像 二值化 的例子。 關(guān)于車(chē)牌圖像幾何畸變校正問(wèn)題 [12] [ 13] 造成 圖像幾何畸變 的原因主要有兩個(gè)因素，一個(gè)是攝像系統(tǒng)自身因素，另一個(gè)是對(duì)象與攝像鏡頭的軸線相對(duì)位置因素。 圖像空間幾何坐標(biāo)變換指的是按照一幅標(biāo)準(zhǔn)圖像或一組基準(zhǔn)點(diǎn)去校正幾何失真圖像。 傳統(tǒng)的 尋找校正基準(zhǔn)點(diǎn)的 方法是采用 Hough 變換方法檢測(cè)車(chē)牌區(qū)域邊緣。也有其它一些方法，比如，根據(jù)字符重心位置、字符中心走向等來(lái)確定校正基準(zhǔn)，但這樣則對(duì)字符圖像前期處理（如二值化）提出了更高的要求，而且判斷決策相對(duì)也更為困難。這個(gè)問(wèn)題一般能夠通過(guò)在圖像采集階段改善技術(shù)手段來(lái)解決。這條直線即可作為車(chē)牌圖像水平傾斜校正的依據(jù)。如果圖像的 幾何畸變 嚴(yán)重時(shí)， 因 校正 而產(chǎn)生的新畸變也可能會(huì)比較大，會(huì)給以后字符的分類(lèi)識(shí)別帶來(lái)一定的困難。按圖像特征與人類(lèi)視覺(jué)的關(guān)系 可分為自然特征與 人 為特征 兩大類(lèi) 。幅值特征容易在特定的像素點(diǎn)處或某個(gè)區(qū)域內(nèi)進(jìn)行測(cè)量，判斷決策時(shí)更易理解。 一 階 灰度直方圖 的表征參數(shù)主要有 平均值、方差、傾斜度、陡峭度、能量、熵 等， 二 階 灰度直方圖 的表征參數(shù)主要有 自相關(guān)系數(shù)、協(xié)方差、慣性矩、絕對(duì)值、能量、熵 等。比如，對(duì)車(chē)牌圖像進(jìn)行小波變換，可以突出車(chē)牌區(qū)域高頻的邊緣和紋理信息。在某種程度上，可以說(shuō) 邊緣特征 是車(chē)牌圖像中被經(jīng)常利用的最重要的特征之一。 6 、線條和角點(diǎn)特征 圖像中經(jīng)常出現(xiàn) 線條 以及 線條 與 線條 相交引起的角點(diǎn)，這些 線條和角點(diǎn) 能夠反映出對(duì)象的特征信息。 7 、紋理特征 圖像紋理是一種反映某一區(qū)域中 像素灰度級(jí)變化 的 空間分布的屬性 ，目前對(duì)其確切的定 義尚存在不同的觀點(diǎn)。目前， 車(chē)牌區(qū)域定位 時(shí)利用的主要是在邊緣檢測(cè)基礎(chǔ)上獲得的一些較簡(jiǎn)單、直觀、易于判斷的相對(duì)比較可靠的 紋理特征 ，在本文后面的內(nèi)容中也有進(jìn)一步的分析。 現(xiàn)有的一些車(chē)牌區(qū)域定位方法簡(jiǎn)要分析 20 為了盡可能設(shè)計(jì)出適應(yīng)性較好的 車(chē)牌區(qū)域定位 方法，對(duì) 公開(kāi)資料中所提出的 較 常用和常提到的 一些 方法 進(jìn)行了一定的 分析 研究。 由以上過(guò)程可以看出，這類(lèi)車(chē)牌 區(qū)域定位 方法的基本出發(fā)點(diǎn)是為了利用神經(jīng)網(wǎng)絡(luò)在分類(lèi)方面的 優(yōu) 點(diǎn)， 主要是 神經(jīng)網(wǎng)絡(luò) 的泛化能力和對(duì)樣本的學(xué)習(xí)能力。 基于彩色圖像特征的車(chē)牌區(qū)域定位方法 [17][ 18] 該類(lèi)方法主要是為了充分利用彩色圖像信息，采用顏色分類(lèi)、顏色聚類(lèi)、顏色模板匹配等方法 , 或者是在彩 色空間中提取邊緣、紋理等特征信息從彩色圖像