【正文】 接向 Excel 和 HDF5 進(jìn)行連接。 4 本文框架結(jié)構(gòu) 本文通過對(duì) 多路徑識(shí)別算法 理論進(jìn)行系統(tǒng)認(rèn)真的學(xué)習(xí)和研究，查閱了大量的國(guó)內(nèi)外相關(guān)的文獻(xiàn)和資料，主要完成了圍繞 汽車牌照識(shí)別技術(shù)的多路徑識(shí)別算法的實(shí)現(xiàn) 。本章介紹了 多路徑識(shí)別 理論的歷史、發(fā)展 、國(guó)外各國(guó)發(fā)展現(xiàn)狀 及 立足我國(guó)的研究發(fā)展 方向。 第四章， 基于模板匹配的車牌識(shí)別詳細(xì)設(shè)計(jì) 。本章總結(jié)了本設(shè)計(jì)所完成的工作，并對(duì)其中的缺陷做出了說明，指出了所采用算法的不足指出，對(duì)下一步的工作做了展望。從 2021 年 3 月開始， ETC(電子不停車收費(fèi) )技術(shù)在日本整體上投入運(yùn)營(yíng)。日本最常用的 ETC 收費(fèi)站采取 3 個(gè)門橋的樣式 ,這 3 個(gè)門橋分別用于識(shí)別車型、識(shí)別入口和收費(fèi)信息傳輸。所有收取的費(fèi)用將用于改善德國(guó)交通基礎(chǔ)設(shè)施 ,因?yàn)橹匦涂ㄜ噷⒋罅吭黾痈咚俟返慕ㄔO(shè)和維護(hù)成本。接收機(jī)含有 GPS 導(dǎo)航信號(hào)接收機(jī)和一個(gè)移動(dòng)通訊終端 ,一旦卡車啟動(dòng) ,接收機(jī)便會(huì)自動(dòng)記錄行駛里程 , 并將計(jì)算出的繳費(fèi)金額數(shù)據(jù)發(fā)送到監(jiān)控中心。 國(guó)內(nèi)對(duì)這方面的專題研究不多 ,目前以軟課題的形式開展此類研究的有江蘇省蘇北高速公路網(wǎng)和浙江省高速公路網(wǎng)。 浙江省高速公路網(wǎng)對(duì)路徑識(shí)別問題進(jìn)行研究的時(shí)候 ,其高速公路路網(wǎng)中存在兩個(gè)二義性路徑的路環(huán) :一個(gè)是杭甫高速公路 (沽清 — 大朱家 )、上三高速公路全線、雨臺(tái)溫高速公路 (寧波東 — 吳番樞紐 )組成的路環(huán) 。其拆分為了適應(yīng)不斷變化的交通流量 ,省收費(fèi)結(jié)算中心和路公司定期組織對(duì)二義性路徑的交通流量進(jìn)行統(tǒng)計(jì)調(diào)查 ,并通過實(shí)際運(yùn)行一段時(shí)間后 (三個(gè)月～半年 ),根據(jù)實(shí)際統(tǒng)計(jì)的流量狀況和分布情況、車輛選擇路徑的情況以及與現(xiàn)用的二義性路徑拆分原則的差距情況 ,對(duì)原來的分配方案和比例進(jìn)行調(diào)整。為此山東省對(duì)山東省高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)路徑識(shí)別與通行費(fèi)收 入拆分問題進(jìn)行研究認(rèn)為 : 要從山東省高速公路總體路網(wǎng)規(guī)劃出發(fā) ,綜合考慮設(shè)備投資、受益及今后運(yùn)營(yíng)成7 本等多方面因素提出方案 。在進(jìn)行路徑識(shí)別時(shí) ,根據(jù)具體情況對(duì)不同路段采取不同方法。另外 ,在路徑識(shí)別精度方面 ,不同路段也要有所側(cè)重。 8 第 3 章 多路徑識(shí)別算法的 基本理論 多路徑識(shí)別包含多種技術(shù)方法，下面主要介紹了多路徑識(shí)別方法的主要分類，詳細(xì)說明了識(shí)別方法涉及到的主要算法。標(biāo)識(shí)站法、車牌照識(shí)別法都屬于精確識(shí)別的范疇。在收費(fèi)車道上安裝非接觸式 IC 卡讀寫設(shè)備，司機(jī)通過此路段時(shí)，將 IC 卡（通行卡）在讀寫天線的規(guī)定距離內(nèi)劃過，自動(dòng)欄桿開啟、車輛通行，并記錄該標(biāo)識(shí)站信息。 隨著圖像識(shí)別技術(shù)的發(fā)展，也可應(yīng)用“車牌照識(shí)別”技術(shù)進(jìn)行多路徑的識(shí)別。因此，運(yùn)行時(shí)間最少的路徑對(duì)于時(shí)間價(jià)值導(dǎo)向型的道路使用者來說具有更強(qiáng)的吸引力，用戶一般采用最短路徑法。但是在高速公路中倒卡、逃費(fèi)問題嚴(yán)重，因此這種算法的拆分關(guān)系到將通行費(fèi)拆分給哪個(gè)收費(fèi)單位的問題，影響了一部分單位的收益。 車牌照識(shí)別的主要算法 車牌識(shí)別的常用算法法有很多種，如結(jié)構(gòu)模式識(shí)別方法、統(tǒng)計(jì)模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)識(shí)別等等。 結(jié)構(gòu)模式識(shí)別是早期漢字識(shí)別研究的主要方法。識(shí)別時(shí)，利用上述結(jié)構(gòu)信息以及句法分析地方法進(jìn)行識(shí)別，類似于一個(gè)邏輯推理器。所以，在字符識(shí)別領(lǐng)域，純結(jié)構(gòu)模式識(shí)別方法己經(jīng)逐漸衰落。利用字符圖像在水平及垂直方向的投影作為特征。但是這些方法總的特征就是運(yùn)算量太大，運(yùn)算復(fù)雜度高，難以滿足實(shí)時(shí)處理的要求。車牌字符本身所占象素點(diǎn)較少，常常會(huì)出現(xiàn)筆劃斷裂輪廓不封閉。這些點(diǎn)包括端點(diǎn)、折點(diǎn)以及交叉點(diǎn)等等，獲得了比較好的效果。這些矩形則稱為微結(jié)構(gòu)。雖然模式識(shí)別可以用多種方法實(shí)現(xiàn)，但我們只關(guān)心用數(shù)字圖像處理技術(shù)對(duì)它的實(shí)現(xiàn)。模板匹配的字符識(shí)別方法是指度量輸入模式與樣本之間的某種相似性，取最相似者為輸入模式所屬類別。缺點(diǎn)是如果進(jìn)行簡(jiǎn)單的模板匹配，只能夠識(shí)別同種字體、同 樣大小的字符，對(duì)于筆劃變粗、變細(xì)、傾斜的字符適應(yīng)能力比較差，特別是模板與字符筆劃的匹配失誤時(shí)，會(huì)有很大的誤差。 用于字符識(shí)別最常用的神經(jīng)網(wǎng)絡(luò)是 BP 神經(jīng)網(wǎng)絡(luò)，所謂 BP 神經(jīng)網(wǎng)絡(luò)是指誤差反向傳播神經(jīng)網(wǎng)絡(luò) ，核心方法是梯度下降法，它采用梯度 搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸 值與期望的均方差為最小。由于其學(xué)習(xí)方法屬于全局逼近算法，具有較強(qiáng)的泛化能力 。難以確定隱層和隱層節(jié)點(diǎn)的數(shù)目的缺點(diǎn)，所以在用于字符識(shí)別的過程中，還需要做大量的修改。整個(gè)過程最重要的一步是模板的設(shè)計(jì)，它是后iijj xwx ??jxjj exfx ????? 11)(2)(21 keE ?? ?? j jjn xwky 2)(jjnjjxkewykewEw??????????????)()(222????13 續(xù)工作的基礎(chǔ)。 算法實(shí)現(xiàn)總體設(shè)計(jì)方案中首先是要采集圖片，而硬件設(shè)備采集到的圖片要考慮其圖像的存儲(chǔ)格式。然后，通過對(duì)預(yù)處理后的圖像 進(jìn)行小波變換分解提取圖像邊緣，并進(jìn)行形態(tài)學(xué)處理，這時(shí)，車牌的輪廓已經(jīng)非常清晰，并且可以和非車牌區(qū)域明顯區(qū)分開來了，接著，根據(jù)車牌的特點(diǎn)進(jìn)行車牌初步定位，對(duì)車牌區(qū)域和偽車牌區(qū)域進(jìn)行篩選后，采用投影法進(jìn)行車牌二次定位，提取出車牌圖像。 14 圖 系統(tǒng)識(shí)別流程圖 開始 輸入汽車圖像 提取車牌 邊緣 形態(tài)學(xué)處理 一次定位 是否有車牌 進(jìn)行二值化 根據(jù)投影和坐標(biāo)變 換進(jìn)行傾斜矯正 根據(jù)垂直投影 進(jìn)行字符切分 進(jìn)行字符識(shí)別 結(jié)果輸出 二次定位 結(jié)束 NO YES 15 第 4 章 基于模板匹配的車牌識(shí)別詳細(xì)設(shè)計(jì) 本設(shè)計(jì)處理的流程包括：圖像采集 圖像預(yù)處理 車牌定位 傾斜校正 字符分割 字符識(shí)別六個(gè)部分。 16 圖 二值化的圖像 圖 采集的車輛圖像為彩色圖像，應(yīng)將彩色圖像轉(zhuǎn)化為灰度圖像。同時(shí)為了減少圖像中的孤立干擾點(diǎn)，保留車牌字符邊緣，讓車牌字符的圖像灰度水平投影更有的連續(xù)性。車牌牌照的提取是一個(gè)尋找最符合牌照特征區(qū)域的過程。 流程圖 如下 ： 圖 車牌定位流程圖 本文采用車牌定位 方法是一種基于灰度圖像，求取圖像能量極值區(qū)域的車牌定位方法，刻意避開二值化中閩值的確定問題。其次，由于車牌區(qū)域與車 身相比，車牌區(qū)域的對(duì)比度特別大，灰度變化具有一定頻度，所以我們先對(duì)圖像的每一行相鄰像素做求極值處理，再求相鄰點(diǎn)間的差，從而減少由車身帶來的誤差。 卷積能量公式如下： （式 ） 其中 h(n)為長(zhǎng)度為 L 的卷積核。 目前，車牌的傾斜校正方法主要有：通過垂直和水平邊緣檢測(cè)相結(jié)合的方法 。求取車牌字符區(qū)域的極小特征點(diǎn)和極大特征點(diǎn)的方法 。平面內(nèi)的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點(diǎn)，都集中到變換空間上，形成峰點(diǎn)。只要檢測(cè)出車牌的兩條平行直線即可，符合變換的要求。 傳統(tǒng)的字符分割算法可以歸納為以下三類：直接分割法、基于識(shí)別基礎(chǔ)上的分割法和自適應(yīng)分割線聚類法。具體就是采用投影法先將字符粗分割，然后根據(jù)單個(gè)字符的寬度進(jìn)行分類，將粘連字符再分割，斷裂字符合并。分割步驟： 圖 車牌分割步驟 圖 分割后的車牌 字符識(shí)別 本文的字符識(shí)別采用的是基于模板匹配的識(shí)別方法。 （ 2）調(diào)用字母模板庫進(jìn)行識(shí)別，若為字母，則最終結(jié)果為一個(gè)字母，識(shí)別結(jié)束 ；若識(shí)別結(jié)果為空字符，則表示不是字母，進(jìn)行第三步。 （ 3）調(diào)用漢字模板進(jìn)行識(shí)別，若識(shí)別結(jié)果為漢字，則最終結(jié)果為 一漢字，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則最終識(shí)別結(jié)果為空字符，識(shí)別結(jié)束。 識(shí)別 車牌的第 7 個(gè)字符（若分割結(jié)果正確的話應(yīng)該是數(shù)字）：調(diào)用數(shù)字模板進(jìn)行識(shí)別，若為數(shù)字，則最終結(jié)果為一個(gè)數(shù)字，識(shí)別結(jié)束；若為空字符，則最終識(shí)別結(jié)果為空字符，識(shí)別結(jié)束。 22 圖 車牌中的字符 圖 模板字符 本文字符識(shí)別流程 模板匹配是車牌字符識(shí)別最早使用的方法之一，本文也主要是研究基于模板匹配的系統(tǒng)，所以本章重點(diǎn)研究這種算法。 由于細(xì)化處理在圖像處理中的重要性，所以細(xì)化算法一直是人們比較關(guān)注的問題，人們也提出了許多的細(xì)化算法，這些算法的處理方法和結(jié)果也都不一樣，但是不論其目的，用途怎樣，細(xì)化過程都不能改變?cè)瓐D的拓?fù)溥B續(xù)性，也不能有顯 著的端點(diǎn)縮短和叉點(diǎn)分離的畸變情況。那么，如果去除那些骨架以外的點(diǎn)呢？顯然，是要根據(jù)它的八個(gè)相鄰點(diǎn)的情況來判斷，以下就是幾個(gè)例子，如圖所示： 圖 細(xì)化示意圖 上圖中的中心點(diǎn)就是我們所要處理的像素點(diǎn)，下面就來討論像素點(diǎn)可不可以刪除，圖（ 1）的像素點(diǎn)不可以刪除，因?yàn)樗莻€(gè)內(nèi)部點(diǎn)，我們要求的是骨架，如果連內(nèi)部點(diǎn)也刪除了，那么骨架就會(huì)被掏空的，所以不能刪除，圖（ 2）中的像素點(diǎn)也不可以刪除，因?yàn)樗彩莾?nèi)部點(diǎn)，和圖（ 1）一樣，圖（ 3）中的像素點(diǎn)可以刪除，因?yàn)樵擖c(diǎn)不是骨架，圖（ 4）也不能刪除，因?yàn)閯h除后，原來相連的部分就斷開了，圖（ 5）的可以刪除，因?yàn)椴皇枪羌埽瑘D（ 6）不能刪除，因?yàn)樗侵本€的端點(diǎn)，如果這樣的點(diǎn)刪除了，那么整 個(gè)直線也被刪了，圖（ 7）也不能刪，因?yàn)樗枪铝Ⅻc(diǎn)，由此可以看出，有這樣幾條判斷依據(jù)： 內(nèi)部點(diǎn)不能刪除； 孤立點(diǎn)不能刪除； 直線端點(diǎn)不能刪除； 如果 P是邊界點(diǎn)，去掉 P后，如果連通分量不增加，則 P可以刪除。 我們判斷用的表如下： Staticinttable [256]={ 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1, 1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,10,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0}；通過這張判斷表，我們就可以很簡(jiǎn)單的判斷該點(diǎn)是否應(yīng)該刪除，整個(gè)算法也就非常簡(jiǎn)單了。 接下來進(jìn)行第二步，模板匹配的粗比對(duì)。例如某個(gè)待識(shí)別字符如圖 （圖像為標(biāo)準(zhǔn)化的 40 20的圖像），它與‘ 0’，‘ Q’，‘ D’，‘ G’標(biāo)準(zhǔn)字符模板的相似度均大于我們預(yù)定的閾值λ 0，并且根據(jù)它所處的位置來進(jìn)行判斷，假設(shè)它處在最后一個(gè)位置，那么它就應(yīng)該是數(shù)字，所以不用進(jìn)行細(xì)比對(duì)，我們就可以確定它是數(shù)字‘ 0’，但是如 果它處在第三個(gè)位置，它就有可能是數(shù)字也有可能是字母，這是我們就無法簡(jiǎn)單的確定它是‘ 0’，‘ Q’，‘ D’還是‘ G’，我們就需要對(duì)它進(jìn)行細(xì)比對(duì)。這次比較，我們選用的閾值是 ，通過比較，發(fā)現(xiàn)兩者的相似度為 左右，所以我們也不認(rèn)識(shí)該字符圖像是‘ G’。改進(jìn)的方法采用了細(xì)化的方法提取了字符的骨架，減少了冗余信息，使其在復(fù)雜的應(yīng)用環(huán)境中仍 然能夠準(zhǔn)確27 的識(shí)別出字符，通過粗比對(duì)和細(xì)比對(duì)兩次匹配方法，提高了識(shí)別的魯棒性和準(zhǔn)確性，并且是運(yùn)算速度得到了提高。 平臺(tái)搭建 根據(jù)上文研究的算法，利用 MATLAB 的 M 語言分別實(shí)現(xiàn)了車牌識(shí)別系統(tǒng)的定位、 字符切分和字符識(shí)別功能模塊，利用 MATLAB 的 GUI 工具箱開發(fā)了測(cè)試系統(tǒng)，驗(yàn)證上面設(shè)計(jì)的算法在車牌識(shí)別系統(tǒng)中的應(yīng)用效果，利用 MATLAB 的圖形用戶開發(fā)環(huán)境（ GUIDE）設(shè)計(jì)了本測(cè)試平臺(tái)，流程如下： 圖 輸入圖像 *.jpg 車牌定位模塊 控件 2： 輸入?yún)?shù) 控件 3： 輸出結(jié)果 車牌字符切分模塊 車牌字符識(shí)別模 塊 控件 1： 讀入圖像數(shù)據(jù) 輸出識(shí)別結(jié)果 29 啟動(dòng)測(cè)試界面時(shí)，將會(huì)先導(dǎo)入識(shí)別參數(shù)設(shè)置值，當(dāng)改變參數(shù)設(shè)置后，更新識(shí)別參數(shù)設(shè)置值，使