【正文】 接向 Excel 和 HDF5 進行連接。 4 本文框架結構 本文通過對 多路徑識別算法 理論進行系統(tǒng)認真的學習和研究，查閱了大量的國內外相關的文獻和資料，主要完成了圍繞 汽車牌照識別技術的多路徑識別算法的實現(xiàn) 。本章介紹了 多路徑識別 理論的歷史、發(fā)展 、國外各國發(fā)展現(xiàn)狀 及 立足我國的研究發(fā)展 方向。 第四章， 基于模板匹配的車牌識別詳細設計 。本章總結了本設計所完成的工作，并對其中的缺陷做出了說明，指出了所采用算法的不足指出，對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 )技術在日本整體上投入運營。日本最常用的 ETC 收費站采取 3 個門橋的樣式 ,這 3 個門橋分別用于識別車型、識別入口和收費信息傳輸。所有收取的費用將用于改善德國交通基礎設施 ,因為重型卡車將大量增加高速公路的建設和維護成本。接收機含有 GPS 導航信號接收機和一個移動通訊終端 ,一旦卡車啟動 ,接收機便會自動記錄行駛里程 , 并將計算出的繳費金額數(shù)據(jù)發(fā)送到監(jiān)控中心。 國內對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)對路徑識別問題進行研究的時候 ,其高速公路路網(wǎng)中存在兩個二義性路徑的路環(huán) :一個是杭甫高速公路 (沽清 — 大朱家 )、上三高速公路全線、雨臺溫高速公路 (寧波東 — 吳番樞紐 )組成的路環(huán) 。其拆分為了適應不斷變化的交通流量 ,省收費結算中心和路公司定期組織對二義性路徑的交通流量進行統(tǒng)計調查 ,并通過實際運行一段時間后 (三個月～半年 ),根據(jù)實際統(tǒng)計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 ,對原來的分配方案和比例進行調整。為此山東省對山東省高速公路聯(lián)網(wǎng)收費系統(tǒng)路徑識別與通行費收 入拆分問題進行研究認為 : 要從山東省高速公路總體路網(wǎng)規(guī)劃出發(fā) ,綜合考慮設備投資、受益及今后運營成7 本等多方面因素提出方案 。在進行路徑識別時 ,根據(jù)具體情況對不同路段采取不同方法。另外 ,在路徑識別精度方面 ,不同路段也要有所側重。 8 第 3 章 多路徑識別算法的 基本理論 多路徑識別包含多種技術方法，下面主要介紹了多路徑識別方法的主要分類，詳細說明了識別方法涉及到的主要算法。標識站法、車牌照識別法都屬于精確識別的范疇。在收費車道上安裝非接觸式 IC 卡讀寫設備，司機通過此路段時，將 IC 卡（通行卡）在讀寫天線的規(guī)定距離內劃過，自動欄桿開啟、車輛通行，并記錄該標識站信息。 隨著圖像識別技術的發(fā)展，也可應用“車牌照識別”技術進行多路徑的識別。因此，運行時間最少的路徑對于時間價值導向型的道路使用者來說具有更強的吸引力，用戶一般采用最短路徑法。但是在高速公路中倒卡、逃費問題嚴重，因此這種算法的拆分關系到將通行費拆分給哪個收費單位的問題，影響了一部分單位的收益。 車牌照識別的主要算法 車牌識別的常用算法法有很多種，如結構模式識別方法、統(tǒng)計模式識別、人工神經(jīng)網(wǎng)絡識別等等。 結構模式識別是早期漢字識別研究的主要方法。識別時，利用上述結構信息以及句法分析地方法進行識別，類似于一個邏輯推理器。所以，在字符識別領域，純結構模式識別方法己經(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算量太大，運算復雜度高，難以滿足實時處理的要求。車牌字符本身所占象素點較少，常常會出現(xiàn)筆劃斷裂輪廓不封閉。這些點包括端點、折點以及交叉點等等，獲得了比較好的效果。這些矩形則稱為微結構。雖然模式識別可以用多種方法實現(xiàn)，但我們只關心用數(shù)字圖像處理技術對它的實現(xiàn)。模板匹配的字符識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。缺點是如果進行簡單的模板匹配，只能夠識別同種字體、同 樣大小的字符，對于筆劃變粗、變細、傾斜的字符適應能力比較差，特別是模板與字符筆劃的匹配失誤時，會有很大的誤差。 用于字符識別最常用的神經(jīng)網(wǎng)絡是 BP 神經(jīng)網(wǎng)絡，所謂 BP 神經(jīng)網(wǎng)絡是指誤差反向傳播神經(jīng)網(wǎng)絡 ，核心方法是梯度下降法，它采用梯度 搜索技術，以期使網(wǎng)絡的實際輸 值與期望的均方差為最小。由于其學習方法屬于全局逼近算法，具有較強的泛化能力 。難以確定隱層和隱層節(jié)點的數(shù)目的缺點，所以在用于字符識別的過程中，還需要做大量的修改。整個過程最重要的一步是模板的設計，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。 算法實現(xiàn)總體設計方案中首先是要采集圖片，而硬件設備采集到的圖片要考慮其圖像的存儲格式。然后，通過對預處理后的圖像 進行小波變換分解提取圖像邊緣，并進行形態(tài)學處理，這時，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)車牌的特點進行車牌初步定位，對車牌區(qū)域和偽車牌區(qū)域進行篩選后，采用投影法進行車牌二次定位，提取出車牌圖像。 14 圖 系統(tǒng)識別流程圖 開始 輸入汽車圖像 提取車牌 邊緣 形態(tài)學處理 一次定位 是否有車牌 進行二值化 根據(jù)投影和坐標變 換進行傾斜矯正 根據(jù)垂直投影 進行字符切分 進行字符識別 結果輸出 二次定位 結束 NO YES 15 第 4 章 基于模板匹配的車牌識別詳細設計 本設計處理的流程包括：圖像采集 圖像預處理 車牌定位 傾斜校正 字符分割 字符識別六個部分。 16 圖 二值化的圖像 圖 采集的車輛圖像為彩色圖像，應將彩色圖像轉化為灰度圖像。同時為了減少圖像中的孤立干擾點，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)域的對比度特別大，灰度變化具有一定頻度，所以我們先對圖像的每一行相鄰像素做求極值處理，再求相鄰點間的差，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相結合的方法 。求取車牌字符區(qū)域的極小特征點和極大特征點的方法 。平面內的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點，都集中到變換空間上，形成峰點。只要檢測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、基于識別基礎上的分割法和自適應分割線聚類法。具體就是采用投影法先將字符粗分割，然后根據(jù)單個字符的寬度進行分類，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 字符識別 本文的字符識別采用的是基于模板匹配的識別方法。 （ 2）調用字母模板庫進行識別，若為字母，則最終結果為一個字母，識別結束 ；若識別結果為空字符，則表示不是字母，進行第三步。 （ 3）調用漢字模板進行識別，若識別結果為漢字，則最終結果為 一漢字，識別結束；若識別結果為空字符，則最終識別結果為空字符，識別結束。 識別 車牌的第 7 個字符（若分割結果正確的話應該是數(shù)字）：調用數(shù)字模板進行識別，若為數(shù)字，則最終結果為一個數(shù)字，識別結束；若為空字符，則最終識別結果為空字符，識別結束。 22 圖 車牌中的字符 圖 模板字符 本文字符識別流程 模板匹配是車牌字符識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)，所以本章重點研究這種算法。 由于細化處理在圖像處理中的重要性，所以細化算法一直是人們比較關注的問題，人們也提出了許多的細化算法，這些算法的處理方法和結果也都不一樣，但是不論其目的，用途怎樣，細化過程都不能改變原圖的拓撲連續(xù)性，也不能有顯 著的端點縮短和叉點分離的畸變情況。那么，如果去除那些骨架以外的點呢？顯然，是要根據(jù)它的八個相鄰點的情況來判斷，以下就是幾個例子，如圖所示： 圖 細化示意圖 上圖中的中心點就是我們所要處理的像素點，下面就來討論像素點可不可以刪除，圖（ 1）的像素點不可以刪除，因為它是個內部點，我們要求的是骨架，如果連內部點也刪除了，那么骨架就會被掏空的，所以不能刪除，圖（ 2）中的像素點也不可以刪除，因為它也是內部點，和圖（ 1）一樣，圖（ 3）中的像素點可以刪除，因為該點不是骨架，圖（ 4）也不能刪除，因為刪除后，原來相連的部分就斷開了，圖（ 5）的可以刪除，因為不是骨架，圖（ 6）不能刪除，因為它是直線的端點，如果這樣的點刪除了，那么整 個直線也被刪了，圖（ 7）也不能刪，因為它是孤立點，由此可以看出，有這樣幾條判斷依據(jù)： 內部點不能刪除； 孤立點不能刪除； 直線端點不能刪除； 如果 P是邊界點，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，我們就可以很簡單的判斷該點是否應該刪除，整個算法也就非常簡單了。 接下來進行第二步，模板匹配的粗比對。例如某個待識別字符如圖 （圖像為標準化的 40 20的圖像），它與‘ 0’，‘ Q’，‘ D’，‘ G’標準字符模板的相似度均大于我們預定的閾值λ 0，并且根據(jù)它所處的位置來進行判斷，假設它處在最后一個位置，那么它就應該是數(shù)字，所以不用進行細比對，我們就可以確定它是數(shù)字‘ 0’，但是如 果它處在第三個位置，它就有可能是數(shù)字也有可能是字母，這是我們就無法簡單的確定它是‘ 0’，‘ Q’，‘ D’還是‘ G’，我們就需要對它進行細比對。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，所以我們也不認識該字符圖像是‘ G’。改進的方法采用了細化的方法提取了字符的骨架，減少了冗余信息，使其在復雜的應用環(huán)境中仍 然能夠準確27 的識別出字符，通過粗比對和細比對兩次匹配方法，提高了識別的魯棒性和準確性，并且是運算速度得到了提高。 平臺搭建 根據(jù)上文研究的算法，利用 MATLAB 的 M 語言分別實現(xiàn)了車牌識別系統(tǒng)的定位、 字符切分和字符識別功能模塊，利用 MATLAB 的 GUI 工具箱開發(fā)了測試系統(tǒng)，驗證上面設計的算法在車牌識別系統(tǒng)中的應用效果，利用 MATLAB 的圖形用戶開發(fā)環(huán)境（ GUIDE）設計了本測試平臺，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： 輸出結果 車牌字符切分模塊 車牌字符識別模 塊 控件 1： 讀入圖像數(shù)據(jù) 輸出識別結果 29 啟動測試界面時，將會先導入識別參數(shù)設置值，當改變參數(shù)設置后，更新識別參數(shù)設置值，使