【正文】 格式。在車牌定位、字符分割和特征提取的基礎(chǔ)上，詳細(xì)研究了車牌數(shù)字字符的識(shí)別。 西南科技大學(xué)本科生畢業(yè)論文 4 西南科技大學(xué)本科生畢業(yè)論文 5第 2 章 車輛牌照的定位方法車輛牌照的定位方法是基于圖像處理的基礎(chǔ)上，對(duì)圖像進(jìn)行分析、總結(jié)并經(jīng)過大量的試驗(yàn)所獲得的。本課題中，根據(jù)車牌的二值圖像在水平和垂直方向的投影特性提出了基于二值化圖像投影法和數(shù)學(xué)形態(tài)學(xué)相結(jié)合的車牌定位算法，該算法具有快速、簡潔實(shí)用和與背景相關(guān)性小的特點(diǎn)。為了能夠方便的進(jìn)行后期的數(shù)字圖像處理，需要將彩色圖像轉(zhuǎn)化成 256 色的灰度圖后進(jìn)行處理，然后對(duì)圖像做二值化處理，削弱背景干擾，消除噪聲。彩色圖像的每個(gè)象素的 RGB 值是不同的，所以顯示出紅綠藍(lán)等各種顏色。經(jīng)常用到的灰度化公式由式(21) 完成： (21)BGRI *.*??式(21)中 為灰度值。 灰度圖像二值化在進(jìn)行了灰度化處理以后，圖像中的每個(gè)象素只有一個(gè)值，即象素的灰度值。在系統(tǒng)中是根據(jù)象素的灰度值將圖像處理成黑白兩種顏色。在閾值分割后，相鄰子圖像之間的邊界處可能產(chǎn)生灰度級(jí)的不連續(xù)，因此需用平滑技術(shù)進(jìn)行排除。這些方法都是以圖像的灰度直方圖為研究對(duì)象來確定閾值的。經(jīng)過二值化，可以進(jìn)行下一步處理。為了快速、準(zhǔn)確地定位車牌，目前已有很多學(xué)者提出許多定位算法。第 1 類：這類算法的主要特點(diǎn)是通過一個(gè)步驟就可以將車牌區(qū)域定位出來。(3)直線邊緣檢測：這種方法主要利用 Hough 變化檢測車牌周圍邊框直線。第 2 類：即先對(duì)車輛圖像進(jìn)行車牌的粗定位，然后再進(jìn)行精定位。利用水平投影來檢測車牌的水平位置，利用垂直投影和形態(tài)學(xué)的方法檢測車牌的垂直位置 [8]。峰值的兩個(gè)低谷點(diǎn)就是車牌的垂直位置，這樣就得到了包含了車牌的帶狀區(qū)域。對(duì)于實(shí)際的投影曲線可以通過找差分曲線的過零點(diǎn)來確定低谷點(diǎn)，所以對(duì)平滑以后的投影圖 求一階差分：)(nh (23))1()(39。2．獨(dú)立峰具有一定的寬度，這是由車牌的寬度信息決定的。如何準(zhǔn)確地確定局部最小值是否為谷底，關(guān)鍵在于閾值的選取。最初形態(tài)學(xué)是生物學(xué)中研究動(dòng)物和植物的一個(gè)分支，后來也用數(shù)學(xué)形態(tài)學(xué)來表示以形態(tài)學(xué)為基礎(chǔ)的圖像分析數(shù)學(xué)工具。數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和使用的語言是集合論，其基本運(yùn)算有四種：膨脹(Dilation ) 、腐蝕 (Erosion )、開啟(Open)和閉合(Close )。下面簡單介紹一下以上 4 種運(yùn)算。 （2??????????????????????xAx?^|4）膨脹的作用效果如圖 23 所示。 （a）腐蝕前 （b）腐蝕后 西南科技大學(xué)本科生畢業(yè)論文 12 圖 24 圖像腐蝕前后的顯示效果對(duì)比開啟開啟的運(yùn)算符為“ ”， 用 來開啟記為 ，其定義如下：?ABBA? （2??)(??6）閉合閉合的運(yùn)算符為“ ”， 用 來閉合記為 ，其定義見式（ 27）：?ABBA? （2?)(?7）開啟和閉合運(yùn)算不受原點(diǎn)位置的影響，無論原點(diǎn)是否包含在結(jié)構(gòu)元素中，開啟和閉合的結(jié)果都是一樣的。最后進(jìn)行一次開運(yùn)算，將車牌區(qū)域平滑一下。 定位的算法實(shí)現(xiàn)利用投影法，在 Visual C++中用 C++語言對(duì)以上算法進(jìn)行編程，對(duì)車輛牌照進(jìn)行定位。 (a) 水平投影分割得到的圖像 (b) 腐蝕運(yùn)算得到的圖像 (c) 第一次膨脹運(yùn)算得到的圖像 (d) 第二次膨脹運(yùn)算得到的圖像圖 26 形態(tài)學(xué)變化得到的圖像 西南科技大學(xué)本科生畢業(yè)論文 14圖 27 定位流程圖 西南科技大學(xué)本科生畢業(yè)論文 15 實(shí)驗(yàn)結(jié)果分析經(jīng)實(shí)驗(yàn)，大部分圖片中的牌照能夠被正確的定位出來如圖 28，極少部分牌照不能正確定位。 車牌預(yù)處理 去邊框處理一般藍(lán)底白字的車牌都有白色邊框，與字符的顏色相同，它的存在將對(duì)后繼的字符識(shí)別造成影響，因此它的濾除十分必要。 去噪聲處理圖像在掃描或者傳輸過程中夾帶了噪聲，去噪聲是圖像處理中常用的手法。鄰域平均法為了消除圖像中的噪聲，可以直接在空間域上對(duì)圖像進(jìn)行平滑濾波。典型的鄰域有兩 西南科技大學(xué)本科生畢業(yè)論文 17種：四鄰域和八鄰域，其模板見式（31）。高通濾波在進(jìn)行圖像處理時(shí)，我們經(jīng)常要對(duì)圖像進(jìn)行銳化以便突出圖像的邊緣。常用于空間域高通濾波的沖激響應(yīng)陣列有以下幾種： （3????????0151H????????192H????????1253H2）中值濾波中值濾波是一種非線性濾波，它也是一種鄰域運(yùn)算，類似于卷積。同態(tài)濾波同態(tài)濾波器的思想就是用一系列方法把乘性信號(hào)變換成加性組合信號(hào)，經(jīng)過處理后再反變換回乘性信號(hào)。本系統(tǒng)采用的是去除雜點(diǎn)的方法來進(jìn)行去噪聲處理。圖像的銳化有很多方法，一種是微分法，一種是高通濾波法，梯度銳化的方法就是微分法的一種。對(duì) 和 各用一個(gè)模板，所以需要兩個(gè)模板組合起來構(gòu)成一個(gè)梯度xGy算子。在邊緣灰度值過渡比較尖銳且圖像中噪聲比較小時(shí)，梯度算子的工作效果較好。在實(shí)驗(yàn)中，如果圖像中的字符較為細(xì)小，則不使用梯度銳化。然而，傾斜的車牌圖像本身就極不利于車牌字符的切分，因此，將圖像水平校正放在圖像預(yù)處理過程中是切實(shí)可行的 [11]。垂直傾斜時(shí)，傾斜實(shí)際??上是同一行間像素的錯(cuò)位偏移，只要檢測到垂直傾斜角度 進(jìn)行錯(cuò)位偏移校正即可。 xy//? x/y/?(a) 水平傾斜（ ） （b） 水平傾斜（0??）0? 圖 33 水平傾斜ij??ij(a) 垂直傾斜（ ） (b) 垂直傾斜（ ）0? 0?? 圖 34 垂直傾斜 西南科技大學(xué)本科生畢業(yè)論文 22x/y/ ??xy/（a） 水平垂直傾斜（ ） （b） 水平垂直傾斜（0??）0?? 圖 35 水平垂直傾斜 字符分割方法簡介圖像分割是一種基本的計(jì)算機(jī)視覺技術(shù)，是由圖像處理進(jìn)行到圖像分析的關(guān)鍵步驟，這是因?yàn)閳D像的分割、目標(biāo)的分離、特征的提取和參數(shù)的測量將原始圖像轉(zhuǎn)化為更抽象更緊湊的形式，使得更高層的分析和理解成為可能。傳統(tǒng)的字符分割算法可以歸納為以下三類：直接的分割法，基于識(shí)別基礎(chǔ)上的分割法，自適應(yīng)分割線聚類法 [13]。以上的字符分割算法均是基于二值圖像進(jìn)行的。由于獲得的文本圖像不但包含了組成文本的一個(gè)個(gè)字符，而且包含了字符行間與字間的空白，甚至還會(huì)帶有各種標(biāo)點(diǎn)符號(hào)，這就需要采用一定的處理技術(shù)，將文本中的一個(gè)個(gè)字符切分出來，形成單個(gè)字符的圖像陣列，以進(jìn)行單字識(shí)別處理。字符切分分為兩步進(jìn)行，先進(jìn)行字符的垂直切分，定出每個(gè)字符的左右邊界，然后進(jìn)行字符的水平切分，定出每個(gè)字符的上下邊界。記錄下來。這樣就得到了每個(gè)字符比較精確的寬度范圍。因?yàn)閽呙柽M(jìn)來的圖像字符大小存在差異，而相對(duì)來說，統(tǒng)一尺寸的字符識(shí)別的標(biāo)準(zhǔn)性更強(qiáng)準(zhǔn)確率自然也更高，標(biāo)準(zhǔn)化圖像就是要把原來各不相同的字符統(tǒng)一到同一尺寸，在本系統(tǒng)中是統(tǒng)一到同一高度然后根據(jù)高度來調(diào)整字符的寬度。建議歸一化的寬度為 8，高度為 16。實(shí)驗(yàn)中的字符分割函數(shù)為 CharSegment()；DrawFrame() 函數(shù)用來給分割后的字符周圍畫邊框；StdDIBbyRec() 函數(shù)用來實(shí)現(xiàn)歸一化處理；緊縮排列由函數(shù) AutoAlign()完成。圖 313 中為了可以清楚的觀察字符的緊縮排列，歸一化的字符寬度為 12，高度為 24（圖 311 中的字符寬度為 8，高度為 16）。下面就要從被分割歸一化處理完畢的字符中提取最能體現(xiàn)這個(gè)字符特點(diǎn)的特征向量。骨架特征提取法兩幅圖像由于它們的線條的粗細(xì)不同，使得兩幅圖像的差別很大，但將它們的線條細(xì)化后，統(tǒng)一到相同的高度，這時(shí)兩幅圖像的差距就不那么明顯。骨架特征提取的方法對(duì)于線條粗細(xì)不同的圖像有一定的適應(yīng)性，但圖像一旦出現(xiàn)偏移就難以識(shí)別。然后統(tǒng)計(jì)水平方向中間兩列和豎直方向中間兩列的黑色象素點(diǎn)的個(gè)數(shù)作為 4 個(gè)特征，最后統(tǒng)計(jì)所有黑色象素點(diǎn)的個(gè)數(shù)作為第 13 個(gè)特征。系統(tǒng)采用了第一種方法即逐象素特征提取法做特征提取。與兩種識(shí)別方法相對(duì)應(yīng)，特征也大體上分為統(tǒng)計(jì)特征和結(jié)構(gòu)特征兩類。其主要優(yōu)點(diǎn)在于對(duì)字符變化的適應(yīng)性強(qiáng)，區(qū)分相似字符能力強(qiáng)。統(tǒng)計(jì)特征又可以分為全局特征和局部特征。不足之處在于細(xì)分能力較弱，區(qū)分相似字符的能力差一些。 系統(tǒng)采用的識(shí)別方法目前，隨著計(jì)算機(jī)的迅速發(fā)展，模式識(shí)別技術(shù)己經(jīng)從理論探討為主發(fā)展到大量的實(shí)際應(yīng)用，人們將更多的注意力開始轉(zhuǎn)向那些用于語音、圖像、機(jī)器人以及人工智能等的模式識(shí)別實(shí)際問題。神經(jīng)網(wǎng)絡(luò)的這種可以根據(jù)輸入樣本學(xué)習(xí)的功能，使得它非常適合于用來解決模式識(shí)別問題，這也是神經(jīng)網(wǎng)絡(luò)目前最成功的應(yīng)用領(lǐng)域之一 [15]。系統(tǒng)中采用 BP(BackPropagation)神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)車牌字符的識(shí)別。層與層之間采用全互連的方式。在正向傳輸中，輸入信息從輸入經(jīng)隱含層逐層計(jì)算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。通過理想輸出與輸出層之間的誤差來決定是否對(duì)權(quán)重、閾值進(jìn)行修改，這個(gè)修改是從高層向下進(jìn)行的。訓(xùn)練網(wǎng)絡(luò)的目的pjdj是找到一組權(quán)重，使誤差函數(shù)極小化。初始化，給各個(gè)權(quán)值矩陣一個(gè)較小的隨機(jī)非零向量。判斷是否滿足要求，若滿足轉(zhuǎn)第 8 步；不滿足轉(zhuǎn)第 6 步。在 BP 網(wǎng)絡(luò)學(xué)習(xí)中要注意的問題：權(quán)值的初始化：權(quán)值的初始值應(yīng)該選擇均勻分布的小數(shù)經(jīng)驗(yàn)值。神經(jīng)元的激勵(lì)函數(shù)是 S 型函數(shù)，所以如果函數(shù)的漸近值是 0、1 的話，期望輸出只能是大于 0 小于 1 的數(shù)，而不能是 1 或者 0，否則可能會(huì)導(dǎo)致算法不收斂，所以在程序中用 來代表 0，用 來代表 1。學(xué)習(xí)算法的收斂速度慢究其原因有三個(gè)：一是網(wǎng)絡(luò)的學(xué)習(xí)速率太小所造成的；二是網(wǎng)絡(luò)容易陷入“癱瘓”狀態(tài)。pjjOd? （4??221???jpjjpOdE8）隱層節(jié)點(diǎn)數(shù)目及初始權(quán)值的選取的問題網(wǎng)絡(luò)隱層節(jié)點(diǎn)數(shù)及初始權(quán)值的選取對(duì)網(wǎng)絡(luò)的收斂有較大的影響，但它們的確定僅憑經(jīng)驗(yàn)而缺乏足夠的理論指導(dǎo)。某個(gè)神經(jīng)元處于飽和區(qū)時(shí)，如果神經(jīng)元的輸出不是期望的輸出值，而權(quán)值調(diào)節(jié)量又很小，就很難將該神經(jīng)元的狀態(tài)調(diào)整過來，因而影響了網(wǎng)絡(luò)的收斂速度；三是標(biāo)準(zhǔn) BP 算法采用式（48）。即 BP 算法可以使網(wǎng)絡(luò)權(quán)值收斂到一個(gè)解，但它并不能保證所求 西南科技大學(xué)本科生畢業(yè)論文 34的解為誤差超平面的全局最小解，很可能是一個(gè)局部極小解。為了避免權(quán)值的調(diào)整是同向的，應(yīng)該將初始值設(shè)為隨機(jī)數(shù)。根據(jù)局部梯度修正各個(gè)矩陣得權(quán)值。對(duì)輸入樣本，前向計(jì)算 BP 網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)。若權(quán)值的變化量記為，即：ijW? （4jipijWE????4）令式（44 ）中： （4pjjiu????5）則： （4pjpjjipjjip OuEWE?????? 西南科技大學(xué)本科生畢業(yè)論文 336）得到： （4pjjiOW????7）式（47 ）中 ， 為學(xué)習(xí)速率。權(quán)重的學(xué)習(xí)就是不斷的調(diào)整各個(gè)神經(jīng)元的連接強(qiáng)度，使其能在最小二乘的意義上逼近所對(duì)應(yīng)的輸出。BP 網(wǎng)絡(luò)的實(shí)現(xiàn)分為兩個(gè)階段的，即學(xué)習(xí)(訓(xùn)練)階段和識(shí)別階段。網(wǎng)絡(luò)的每一個(gè)輸入節(jié)點(diǎn)表示字符圖像提取特征后特征向量的一個(gè)分量數(shù)據(jù)