【正文】 + Wg * G +Wb * B) 其中 , ,r g b W W W 分別為 R , G ,B 的權(quán)值。 10 車牌的灰度化 數(shù)字?jǐn)z像機(jī)采集到的原始圖像是 24 位真彩色圖像，真彩色圖像又稱 RGB 圖像，它是利用 R , G ,B 三個(gè)分量表示一個(gè)像素值，其中 R , G ,B分別代表紅、綠、藍(lán)三種不同的顏色分量，通過三基色可以合成出 242 種顏色。經(jīng)數(shù)學(xué)變換，兩組顏色空間的三刺激值有以下關(guān)系： X=++ Y=++ Z= + 兩組顏 色空間色度坐標(biāo)的相互轉(zhuǎn)換關(guān)系為： x=（ ++） /（ ++） y=（ ++） /（ ++） z=（ ++） /（ ++） 只要知道某一顏色的色度坐標(biāo) r、 g、 b，即可以求出它們?cè)谛略O(shè)想的三原色 XYZ 顏色空間的的色度坐標(biāo) x、 y、 z。 9 選擇三個(gè)理想的原色（三刺激值 ） X、 Y、 Z， X 代表紅原色 ,Y代表綠原色 ,Z 代表藍(lán)原色 ,這三個(gè)原色不是物理上的真實(shí)色，而是虛構(gòu)的假想色。車牌識(shí)別中的圖像獲取一般通過攝像機(jī)完成的。 8 二． 車牌 照 圖像預(yù)處理 技術(shù) 在實(shí)際應(yīng)用中，我們的系統(tǒng)獲取的原始圖像不是完美的，例如對(duì)于系統(tǒng)獲取的原始圖像，由于噪聲、光照等原因，圖像的質(zhì)量不高，所以需要進(jìn)行預(yù)處理，以有利于提取我們感興趣的信息。 第三章：車牌的定位技術(shù)，介紹了幾種車牌 定位技術(shù)和算法，并舉實(shí)例說明算法的過程。他 們?cè)谝? 個(gè)樣本數(shù)為 3180 的樣本集中，車牌定位準(zhǔn)確率為 99， 42%，切分準(zhǔn)確率 為 %，從當(dāng)時(shí)來看這是一個(gè)非常高的指標(biāo)，他們這套系統(tǒng)后來和漢王公司的車牌識(shí)別系統(tǒng)有很大的關(guān)系。 國外這方面的研究工作開展的比較早，其中有代表性的工作有如下幾個(gè)方面 ： 等開發(fā)了一種既可以用于集裝箱識(shí)別，又可用于車牌識(shí)別的系統(tǒng)，該系統(tǒng)主要是利用文字紋理在車輛圖像中的共性進(jìn)行定位與識(shí)別，車牌識(shí)別與集 裝箱識(shí)別共用一套硬件系統(tǒng)。同時(shí)，汽車牌照自動(dòng)識(shí)別的基本方法還可應(yīng)用到其他檢測和識(shí)別領(lǐng)域，所以汽車牌照的識(shí)別問題已成為現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn) 問題之一 [13]。其它如海關(guān)邊境，應(yīng)用 LPR 系統(tǒng)同樣可以收到很好的效果 [12]。為了避免人工干預(yù)所帶來的弊端，提高管理效率，對(duì)車輛牌照自動(dòng)識(shí)別系統(tǒng)的需求 和標(biāo)準(zhǔn)的要求越來越高。在此情況下，僅僅依靠大力發(fā)展交通設(shè)施己不能解決交通擁擠、交通事故頻發(fā)、環(huán)境污染加劇等問題。論文著重對(duì)牌照的預(yù)處理、圖像提取、定位、字符識(shí)別特征量的提取以及 神經(jīng)網(wǎng)絡(luò)的構(gòu)成原理及算法實(shí)現(xiàn)進(jìn)行了詳細(xì)分析，并用軟件實(shí)現(xiàn)了完整的系統(tǒng)。 使用MATLAB2020 軟件編程實(shí)現(xiàn)了整個(gè)系統(tǒng)，并 驗(yàn)證了所提出的方法的可行性 。盡管現(xiàn)在世界上的許多國家，仍然主要依靠建設(shè)更 多的道路基礎(chǔ)設(shè)施，建立完善的 道路網(wǎng)絡(luò)緩解道路交通增長的需求，但由于城市空間的不斷減小、修建新路所需的巨額資金以及環(huán)境的壓力，建設(shè)更多的基礎(chǔ)設(shè)施將受到限制。汽車牌照自動(dòng)識(shí)別技術(shù)己經(jīng)越來越受到人們的重視。 3) 小區(qū)、停車場管理 : 在智能小區(qū)和智能停車場，應(yīng)用 LPR 系統(tǒng)后，出入車輛可以在不停車狀態(tài)下進(jìn)入入口，而系統(tǒng)可以及時(shí)識(shí)別車牌號(hào)，將車輛信息經(jīng)過通信網(wǎng)絡(luò)傳到小區(qū)或停車場管理系統(tǒng)，從而免去管理人員的人工干擾，節(jié)省人力物力。 國內(nèi)外研究現(xiàn)狀 目前，基于數(shù)字圖像處理和模式識(shí)別的方法是車牌自動(dòng)識(shí)別中最為常用和最為有效的方法。Youngsungso 開發(fā)出一套實(shí)時(shí)車牌識(shí)別系統(tǒng)，據(jù)報(bào)道該系統(tǒng)的車牌定位正確率達(dá)到 %。北航的胡愛明等也利用模板匹配技術(shù)開發(fā)了一種車牌識(shí)別系統(tǒng)，其識(shí)別正確率據(jù)報(bào)道為97%以上，應(yīng)用環(huán)境為收費(fèi)站 [21]。 第四章：車牌的分割技術(shù)，介紹了幾種車牌分割技術(shù)和算法，并舉實(shí)例說明算法的過程。圖像的預(yù)處理既可以在空間域?qū)崿F(xiàn)，也可以在頻空間 內(nèi)實(shí)現(xiàn)，為了便于圖像處理，將更多的精力投入到算法的研究與實(shí)現(xiàn)上， 車牌圖像預(yù)處理是指對(duì)獲取的原始車牌圖像進(jìn)行車牌定位、分割和字符識(shí)別前所進(jìn)行的前處理。由于硬件等因素， 所獲取的目標(biāo)圖像中，含有復(fù)雜的車身背景及自然背景信息，同時(shí)易受照明條件、天氣條件和運(yùn)動(dòng)失真、模糊等因素的影響，嚴(yán)重影響獲取圖像的質(zhì)量，給之后的車牌分割及字符識(shí)別帶來很大的困難，所以在進(jìn)行車牌識(shí)別之間有必要對(duì)圖像進(jìn)行預(yù)處理操作。由 XYZ 形成的虛線三角形將整個(gè)光譜軌跡包含在內(nèi)。通過式 的變換，對(duì)光譜色或一切自然界的色彩 而言，變換后的色度坐標(biāo)均為正值，而且等能白光的色度坐標(biāo)仍然是（ ， ），沒有改變。一幅 m n大小的圖片，需要一個(gè) m n 3 的多維數(shù)組才能存儲(chǔ)。 膨脹運(yùn)算 膨脹：將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過程。 膨脹運(yùn)算 規(guī)則： 膨脹 超出圖像邊界的像素值定義為該數(shù)據(jù)類型允許的最小值，對(duì)于二進(jìn)制圖像，這些像素值設(shè)置為 0；對(duì)于灰度圖像， unit8 類型的最小值也為 0。這種方法定位的精度較高，但是易受到噪聲的影響。 區(qū)域，然后利用車牌的幾何特征以及車牌區(qū)域內(nèi)的邊緣灰度直方圖統(tǒng)計(jì)特征刪除偽車牌，即得到真實(shí)車牌。這種方法也取得了較好的效果。 SOBEL 邊緣檢測 Sobel算子 用于圖像處理 ，特別是在邊緣檢測算法。 另一方面，梯度近似它生產(chǎn)的是比較粗糙，特別是對(duì)圖像中的高頻率的變化。 數(shù)學(xué)上， 漸變的雙變量函數(shù)（這里的圖像強(qiáng)度函數(shù)），是在每個(gè)圖像點(diǎn)的二維 向量 與給定的組件衍生物在水平和垂直方向。 邊沿提取圖片 14 ： 產(chǎn)生較好的邊緣檢測效果，抗噪聲能力較好，受噪聲影響小。bilinear39。在實(shí)際處理中，我們面對(duì) 的是要識(shí)別的牌照字符情況非常復(fù)雜。并且字符為白字，還將有汽車保險(xiǎn)杠與牌照四邊邊框的殘留圖像以及牌照上兩個(gè)鉚釘干擾的一個(gè)區(qū)域。(3)軍用或警用的白底黑字、紅字牌照 。字符總長度為 409mm，其中單個(gè)字符統(tǒng)一寬度為 45mm，高 90mm，第二三個(gè)字符間間距為 34mm(中間小圓點(diǎn) 10mm 寬，小圓點(diǎn)與第二、三個(gè)字符間間距分別為 12mm)，其余字符間間距為 12mm。 。對(duì)于與字符相連的右邊框，我們也作同樣處理。例如 :如果發(fā)現(xiàn)車牌的第 6 這幾個(gè)字符相連成一個(gè)預(yù)選字符，我們從預(yù)選字符的左端開始取一個(gè)具有標(biāo)準(zhǔn)字符寬度的部分，作為第 4 個(gè)字符，然后右移一個(gè)標(biāo)準(zhǔn)間距寬度，再同理選擇第 5 個(gè)字符，剩下的便是第 6 個(gè)字符。 統(tǒng)計(jì)相結(jié)合的識(shí)別方法 。根據(jù)神經(jīng)網(wǎng)絡(luò)字符識(shí)別系統(tǒng)中的特征提取部分是否存在，分為兩大類 : ①有特征提取部分 :這一類系統(tǒng)實(shí)際上是傳統(tǒng)模式識(shí)別方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗(yàn)來獲取模式特征，利用神經(jīng)網(wǎng)絡(luò)分類能力來識(shí)別字符。這種方式下，系統(tǒng)用于分類的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜度大大