【正文】 檢測、微波雷達檢測、紅 外線檢測、氣動導(dǎo)管檢測、光電式檢測、基于 視頻車輛檢測等。 可見視頻檢測同其他方法相比具有很大的優(yōu)越性，盡管在應(yīng)用過程中還存在著易受外界環(huán)境干擾的影響、檢測準(zhǔn)確率較低等缺點，然 而 隨著計算機硬件與軟件技術(shù)的不斷發(fā)展，已逐漸成為交通參數(shù)檢測中的一種新興技術(shù)。所謂光流 [10,11]是指 圖 像中模式運動的速度，光流場是一種一維 (2D)瞬時速度場，其中一維速度向量是可見的二維速度向量在成像平 面 上的投影。但是當(dāng)運動區(qū)域與背景圖像的對比度太小，或圖像存在噪音時，單純的從圖像灰度強度出發(fā)來探測運動區(qū)域的光流場方法將會導(dǎo)致很高的虛警率。反之灰度變化很大，則認定有目標(biāo)經(jīng)過。 背景消減法 背景消減法 [13]是目前基于 視頻的運動目標(biāo)檢測算法中最常用的一種方法。然 而該方法對于動態(tài)場景的變化，如光照的變化和陰影的干擾等比較敏感。如公式 (21)所示，變量 C 為視頻卡采集的當(dāng)前幀圖像，變量 BG為背 景幀圖像。當(dāng)遇到目標(biāo)比較密集的情況時，可以適當(dāng)增加圖像采集的幀數(shù)，以便構(gòu)建較好的背景圖像。在背景提取過程中，程序仍進行車輛的檢測，不過本次檢測所用的背景為上一次提取的背景。 HGjifjif ?? ),(),( 12 (22) 上式中 HG 為灰度判決門限值，若滿足公式 (22)，則可以 判定有來車，否則無車。將待處理的當(dāng)前灰度圖像的對應(yīng)像素值與模板圖像的灰度值相減 ； 再根據(jù)設(shè)定的灰度門限進行標(biāo)記，差值大于 HG 的像素標(biāo)記為“ 1，其個數(shù)記為 n，然后記整幅圖像像素個數(shù)為 N，當(dāng) n/N大于 門限值 JG 時 ，判定有來車，否則無車。因而車牌定位是提高整個系統(tǒng)識別率的關(guān)鍵中的關(guān)鍵 [15]。第二個字母是大寫英文字母，是發(fā)證機關(guān)代號，如“ A、 B、 C”等。如“川 C 52205”就是最典型的車牌號碼。字符 (除去邊框 )的總長度為 409mm，其中單個字符的統(tǒng)一寬度為 45mm，高度為 90mm，在第二和 第三 個字符之間間隔為 34mm，其余的字符間距都為12mm。雖然真 實的汽車牌照是一個矩形，但由于 攝像頭的安裝位置和拍攝角度的原因，拍攝的車牌可能不是矩形。在車牌區(qū)域內(nèi)部，由于 字符本身和牌照底色的灰度是均勻的，所以穿過車牌的水平直線呈連續(xù)的峰、谷、峰的分布。車牌定位是車牌自動識別系統(tǒng)的關(guān)鍵，與字符切分和字符識別相輔相成，所以車牌定位的結(jié)果直接關(guān)系到字符的分割和識別率。為了準(zhǔn)確、快速地定位車牌，人們提出了許多定位算法。其中，頻率法是直接車牌定位法中的一個典型定位算法 [19]。此時，步進值改為 1，以便實現(xiàn)精確搜索 ； 四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 15 (3)繼續(xù)搜索上邊各行，檢查是否也滿足投影值大于 T 的條件，直到找不到滿足條件的行，就認為可能是車牌的上邊沿，記下它的下一行的最后搜索到“ 1”的橫坐標(biāo)2X和該行縱坐標(biāo) 2Y ； (4)計算該可能車牌的高 ： 12 YYH ?? ，再計算其寬度 : 12 XXW ?? ，得出其寬高比 HWR? ，若 R局限于 3 的一個領(lǐng)域內(nèi)，則表明找到了車牌，否則繼續(xù)搜索 ； (5)根據(jù)上述步驟完成定位，分割出車牌。 多分 辨率車牌定位法 所謂多分辨率定位 法，就是在低分辨率的圖像上大致確定出牌照的位置，然后在高分辨的圖像上做出精確的定位，這樣可以有效地減少計算量。 具體的算法如下 ： (1)將輸入圖像分成一系列大小相同的子圖像 ? ?21 KK? ，每個子圖像的灰度均值為 ： ? ? ? ?? ?? ??1 21 121 ,1, kikj jifkkyxg (31) 其中， ? ?yx, 為子圖像中心坐標(biāo)。當(dāng)波峰和波谷第一次滿足式 (32)時，則認為檢測到了緩沖器的 位置，從而可以間接定位車牌。使用形態(tài)學(xué)操作 可以完成增強對比度、消除噪聲、細化、 填充和分割等常用圖像處理任務(wù) [21]。 數(shù)學(xué)形態(tài)學(xué)基本運算 四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 17 (1)膨脹 膨脹的運算符為“ ? ” ，圖像集合 A 用結(jié)構(gòu)元素 B 來膨脹，記作 AB，其定義為 ： ?????? ?????? ?????????? ?ABxBAX? (33) 其中， ?B 表示 B 的映像，即與 B 關(guān)于原點對稱的集合。其中白色表示目標(biāo)，背景為黑色，結(jié)構(gòu)元素為 5X5 正方形對象。 腐蝕的操作效果如圖 33 所示，其中白色為目標(biāo)，黑色為背景，結(jié)構(gòu)元素為5x5 正方形對象。 (2)閉運算可以使圖像中的像素粘連。 在此算法中結(jié)構(gòu)元素的大小的選取至關(guān) 重 要。 第 4 章 車牌圖像的邊緣檢測 20 第 4 章 車 牌 圖像的邊緣檢測 邊緣檢測是所有基于邊界的分割方法的第一步。所以為了改善退化了的牌照圖像質(zhì)量，必須對圖像進行預(yù)處理。由彩色圖像轉(zhuǎn)化為灰度圖像的過程叫灰度化處理，它是使 RGB 模型中的 R=B=G。轉(zhuǎn)換關(guān)系是 ： ? ? ? ? ? ? ? ?jiBjiGjiRjiG r a y , ??? (41) 其中 ? ?jiGray , 為轉(zhuǎn)換后的灰度圖像在 ? ?ji, 點的灰度值，該式綠色的比重比較大，所以轉(zhuǎn)換時可直接用 G 值作為轉(zhuǎn)換后的灰度?；叶忍幚硐茸x入圖像的拷貝文件到內(nèi)存中， 使顏色的分量值都相等且等 于 ? ?jiGray , ，這樣就可以使圖像變成灰度圖像。二值化后的車牌要能再現(xiàn)原字符圖像，基本不出現(xiàn)筆畫斷裂和粘連現(xiàn)象，盡量不丟失原字符的特征。本文首先提取了有關(guān)色彩的信息，然后和絕大多數(shù)算法一樣，對灰度圖像進行二值化處理。典型的全局閾值法包括 Qstu 方法 [23]，最大熵方法等。此外，還有一種動態(tài)閾值法，這是一種自適應(yīng)的二值化方法，它利用的是像素自身及其領(lǐng)域灰度變化的特征。由于成像系統(tǒng)的亮度有限，常出現(xiàn)對比度不足的情況，使人眼觀看圖像時視覺效果很差，這將直接影響到圖像的后續(xù)處理?？梢圆捎没叶茸儞Q的方法來處理，增強灰度的變化范圍、豐富灰度層次，達到增強圖像對比度的目的。 如圖 42 所示， ? ?yxf , 和 ? ?yxg , 之間的灰度變換關(guān)系如下 ： ? ?? ?? ?? ? ? ?? ???????????????byxfdbyxfacayxfdb cdayxfcyxg, (43) 從灰度直方圖分析，由于 abcd ??? 。分段線性變換的優(yōu)點是可以根據(jù)需要，拉伸感興趣的灰度 范圍，相對抑制不感興趣的灰度范圍。對數(shù)變換一般為 ： ? ? ? ?? ?cb yxfayxg ln 1,ln, ? ??? (45) 其中 a， b 和 c 為可調(diào)參數(shù)，用于調(diào)整曲線的位置和形狀，它使圖像的低灰度區(qū)得以擴展，而高灰度區(qū)得到壓縮。直方圖是用于表達圖像灰度分布情況的統(tǒng)計圖表，其橫坐標(biāo)是灰度值，縱坐標(biāo)是出現(xiàn)這個灰度值的概率值。直方圖均衡化又稱直方圖平坦化， 是將一已知灰度概率密度分布的圖像，經(jīng)過某種變換，變成一幅具有均勻灰度概率密度分布的新圖像，其結(jié)果是擴展了像素取值的動態(tài)范圍，從而達到增強圖像整體對比度的效果。 空間域濾波 圖像的實質(zhì)是光電信息，因此圖像噪聲的主要來源有以下幾個 ： 在光電、電磁轉(zhuǎn)換過程中引入的噪聲 ； 大氣電磁暴、閃電、電壓和浪涌等引起的強脈沖的干擾；由不連續(xù)性或粒子性所引起的自然起伏性噪聲。 領(lǐng)域平均法 為了消除圖像中的噪聲，可以直接在空間域上對圖像進行平滑濾波 。 一幅有意義的圖像一般是由許多灰度值相近的小塊組成，相鄰像素間存在很高的空間相關(guān)性，而噪聲則是獨立的，則我們用像素預(yù)定鄰域內(nèi)的各像素的灰度平均值代替該 像素原來的灰度值，就可以實現(xiàn)圖像的去噪。這種算法簡單，處理速度快，但它的主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊， 特別在邊緣和細節(jié)處。鄰域加權(quán)平均的基本思想是 ： 離中心點越近的點對該中心點的影響越大，因此在求平均值時應(yīng)賦予較大的權(quán)重，它用窗口內(nèi)像素灰度級加權(quán)均值來取代窗口中心像素原有灰度級，公式如下 ： ? ? ? ? ? ?yxfjiwyxgxji , , ?? ?? (48) ? ?jiw, 為加權(quán)系數(shù)矩陣。頻域的濾波也就是乘積運算，變換到空間域就成為卷積運算，對一幅灰度圖像的空間域濾波 實際上是???????????010101010414M???????????111101111818M第 4 章 車牌圖像的邊緣檢測 28 進行二維離散卷積運算。因為圖像中的邊緣與頻域中的高頻分量相對應(yīng)，所以可以采用高通濾波器讓高頻分量順利通過，而對低頻分量則充分限制，使圖像的邊緣變得清晰，實現(xiàn)圖像的銳化。 中值濾波 中值濾 波是一種非線性濾波，它也是一種鄰域運算，類似于卷積。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖形的內(nèi)容和不同的要求加以選擇。此外還有迭代操作，就是對輸入圖像反復(fù)進行同樣的中值濾波，直到輸出不再有變化為止。最早的邊緣檢測方法都是基于像素的數(shù)值導(dǎo)數(shù)的，在數(shù)字圖像中應(yīng)用差分代替導(dǎo)數(shù)。對于一個連續(xù)函數(shù) ? ?yxf , ，它在位置 ? ?yx, 的梯度可表示為一個矢量： ? ? ? ? rryx yfxfGGyxf ?????? 。 ? ? ? ? ? ?jifjifjifx ,1, ???? (49) ? ? ? ? ? ?1, ???? jifjifjify (410) ? ? ? ? ? ? ??? s in,c o s, jifjifjif yx ????? (411) 上式可見，導(dǎo)數(shù)運算簡單易行，但有方向性，只適用于某一種方向上的邊緣。如果圖像的噪聲多是孤立的點，這些點對應(yīng)的像素又很少，而圖像則是由像素較多、面積較大的塊構(gòu)成，中值濾波效果很好。使用中值濾波器去除噪聲的方法多種多樣，且十分靈活。中間值取法如下 ： 當(dāng)鄰域內(nèi)的像素個數(shù)為奇數(shù)時，取像素灰度值排序后的中間值；當(dāng)鄰域內(nèi)的像素個數(shù)為偶數(shù)時，取排序后的中間兩像素灰度值的平均值。常用于空間域高通濾波的沖激響應(yīng)陣列有以下幾種 ： (a) (b) (c) 圖 45 常用空間域高通濾波的沖激響應(yīng)陣列 高通濾波的效果也可以用原始圖像減去低通圖像得到。 高通濾波 在進行圖像處理時，我們經(jīng)常要對圖像進行銳化以便突出圖像的邊緣。由信號頻譜分析知識可知，信號變化較慢的部分在頻率域?qū)儆诘皖l部分，而信號變化較快的部分在頻率域?qū)儆诟哳l部分。為克服簡單鄰域平均法的弊病，目前己提出許多保持邊緣、保細節(jié)的鄰域平均算法，它們的出發(fā)點都集中在如何選取鄰域的大小、形狀、方向、參加平均的像素個數(shù)以及鄰域中各像素的權(quán)重系數(shù)等 [25]。設(shè)有一幅 NN? 的圖像 ? ?yxf , ，用非加權(quán)鄰域平均法所得圖像為 ? ?yxg , ，則有 ： ? ? ? ???? xji yxfMyxg , ,1, (47) 上式中， x， y=0,1,..., N 1； s 為不包括 ? ?yx, 的鄰域中各像素的集合，即四川理工學(xué)院本科畢業(yè)（設(shè)計）論文 27 去心領(lǐng)域； M 表示集合 s 內(nèi)像素的總數(shù)?？臻g域的平滑濾波一般采用簡單平均法進行，就是求鄰近像素點的平均亮度值，稱為鄰域平均法。為了消除噪聲，常采用濾波的方法。 第 4 章 車牌圖像的邊緣檢測 26 根據(jù)原圖像的直方圖統(tǒng)計值就可以算出均衡化后各像素的灰度值。 如果圖像灰度集中在較窄的區(qū)間，會引起圖像細節(jié)的模糊，為了使圖像細節(jié)清晰，并使一些目標(biāo)得到突出，達到增強圖像的目的，可通過改善各部分亮度的比例關(guān)系，即可通過對直方圖進行調(diào)整的方法來實現(xiàn)，這種方法是以概率論為基礎(chǔ)的。 利用對數(shù)函數(shù)進行灰度變換在實際應(yīng)用中有重要意義，它能擴展低灰度區(qū)，符合人們在視覺上的主觀感覺。通過調(diào)整折線拐點的位置和分段直線的斜率，可以對任意灰度范圍進行擴展或壓縮。但是這種兩端截取式的變換使小于灰度級 a和大于等于灰度級 b的像素分別強行變?yōu)?c 和 d，這將會造成 小部分圖像信息的丟失。 如果原圖像 ? ?yxf , 中，大部分像素的灰度級在一個比較小的范圍內(nèi)，或者我們只對灰度級在某一范圍內(nèi)的像素感興趣，設(shè)這一灰度范圍為 ? ?ba, 。 灰度變換 如果造成對比度不足的原因主要是由于被拍攝目標(biāo)的遠近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的