【正文】 的 印 刷 本 和 電 子 版 本 ； 學(xué) 校 有 權(quán) 保存 畢 業(yè) 設(shè) 計(jì) （ 論 文 ） 的 印 刷 本 和 電 子版 ， 并 提 供 目 錄 檢 索 與 閱 覽 服 務(wù) ； 學(xué) ?？?以 采 用 影 印 、 縮 印 、 數(shù) 字 化 或 其 它 復(fù)制 手 段 保 存 論 文 ； 在 不 以 贏 利 為 目 的 前提 下 ， 學(xué) 校 可 以 公 布 論 文 的 部 分 或 全 部?jī)?nèi) 容 。據(jù)統(tǒng)計(jì)，目前我國(guó)車牌識(shí)別產(chǎn)品 主流供應(yīng)商 ( 如北京漢王科技、昆明利普視覺、上海高德威、沈陽聚德、北京信路威等公司 )的 產(chǎn)品有一半左右是應(yīng)用在此領(lǐng)域。從一些產(chǎn)品的解決方案來看，實(shí)際使用時(shí) 一般 仍然需要人工復(fù)核 。目前，車牌圖像識(shí)別技術(shù)已經(jīng)開始在移動(dòng)電子警察、城市卡口監(jiān)控、超速布控報(bào)警等城市交通 ( 治安 ) 方面有了一定的應(yīng)用。 移動(dòng)電子警察：移動(dòng)電子警察現(xiàn)在逐漸應(yīng)用到交警日常工作中，采用移動(dòng)電子警察技術(shù)可以靈活地對(duì)非固定監(jiān)控點(diǎn)的交通違章和事故進(jìn)行取證處理，不僅提高了警察執(zhí)法效率，而且增強(qiáng)了執(zhí)法的公正性。由于停車管理日益成為城市交通管理中一個(gè)嚴(yán)重問題，人們對(duì)停車管理的智能化呼聲日漸高漲，通過車牌識(shí)別系統(tǒng)可以構(gòu)建一個(gè)智能的停車管理系統(tǒng)，因此，在大中城市的商場(chǎng)、寫字樓有很大的市場(chǎng)潛力。各個(gè) 廠商 所 聲稱的 識(shí)別正確率 一般在 95% 左右 ， 與真正智能化的要求還有一定的距離。也就是說，所采用的 車牌圖像識(shí)別技術(shù)往往還在一定程度上 要 依賴待識(shí)別圖像具體的采集環(huán)境和采集方式等因素 。 有關(guān)研究大多圍繞車牌圖像識(shí)別的三大 關(guān)鍵 技術(shù) ( 車牌區(qū)域定位、單個(gè)字符區(qū)域切分、字符分類識(shí)別 ) 進(jìn)行。 在車牌區(qū)域定位方面，公 開資料中提出的方法主要有： 基于神經(jīng)網(wǎng)絡(luò)分類器的 車牌區(qū)域定位 方法 、 基于彩色圖像特征的車牌區(qū)域定位方法 、 基于紋理檢測(cè)和邊緣檢測(cè)的車牌區(qū)域定位方法 、 基于區(qū)域的車牌區(qū)域定位方法 、 基于幾何形狀特征的車牌區(qū)域定位方法 、 基于離散圖像空間變換的 車牌區(qū)域定位 方法 、 基于離散圖像空間變換的 車牌區(qū)域定位 方法 、 基于遺傳算法 的車牌區(qū)域定位方法 等。 上述方法的提出，為本文的有關(guān)研究提供了重要的參考和對(duì)照，在本文的第三章、第四章和第五章中進(jìn)行了相應(yīng)的分析。 2 、 對(duì)與車牌圖像識(shí)別 關(guān)鍵 技術(shù)相關(guān)領(lǐng)域的研究還存在一定的困難 由于一些客觀的原因， 有關(guān) 研究 工作往往是局限于車牌圖像識(shí)別關(guān)鍵技術(shù)本身的設(shè)計(jì)方案和算法 。 本文研究的主要內(nèi)容 車牌區(qū)域定位、單個(gè)字符區(qū)域切分 和 字符分類識(shí)別 作為車牌圖像識(shí)別系統(tǒng)的三個(gè) 關(guān)鍵 技術(shù)，同時(shí)又是一個(gè)有機(jī)的整體。而由于實(shí)際應(yīng)用場(chǎng)合，原始圖像 幾乎都是在開放或半開放的環(huán)境中進(jìn)行采集的 ， 天氣變化、光線變化 、攝像機(jī)與車牌不同的相對(duì)位置 以及圖像采集現(xiàn)場(chǎng)不同的景物背景等因素， 都直接或間接地影響著圖像的內(nèi)容和質(zhì)量 ，從而會(huì)影響相關(guān)方案的選擇 。目前提出的車牌字符切分和字符分類特征提取的方法，很多是以二值圖 像為基礎(chǔ)的。 (3) 關(guān)于圖像的同態(tài)濾波 對(duì)車牌圖像進(jìn)行同態(tài)濾波可以 增強(qiáng)字符與背景的對(duì)比 ，有利于 邊緣提取，對(duì)車牌區(qū)域圖像的二值化具有一定的幫助。 (6) 關(guān)于車牌圖像的幾何畸變校正 在車牌圖像識(shí)別中，幾何畸變校正基準(zhǔn)的獲得比較困難 。 2 、在分析研究公開資料中提出的一些車牌區(qū)域定位方 法的基礎(chǔ)上，設(shè)計(jì)實(shí)現(xiàn)了一種基于多方向邊緣 處理 和數(shù)學(xué)形態(tài)學(xué)處理的車牌區(qū)域定位方案。 6 該方法以 Canny 邊緣檢測(cè)為基礎(chǔ)，利用非漢字字符外形輪廓的連通性，通過數(shù)學(xué)形態(tài)學(xué)運(yùn)算去除邊框處噪聲的影 響，先獲得非 阿拉伯 數(shù)字 1 的字符的高度，進(jìn)而確定字符的垂直方向的位置， 再 利用漢字字符處與左邊框在垂直方向像素值變化的不同，確定漢字的水平方向起始位置， 最 后 根據(jù)字符寬度來 確定其它字符的水平方向位置。 7 第二章 車牌圖像識(shí)別 中 的常用 圖像處理 技術(shù) 研究 在實(shí)際應(yīng)用中，車牌圖像幾乎都是在開放或半開放的環(huán)境中進(jìn)行采集的。 下面，對(duì)于本文 中 主要使用的有關(guān)圖像處理技術(shù)進(jìn)行簡(jiǎn)要的介紹 ，并對(duì)它們?cè)谲嚺茍D像識(shí)別中的應(yīng)用特點(diǎn)進(jìn)行 分析 總結(jié) 。 ???? 。 2 、二值圖像 中 噪聲 對(duì)于后續(xù)處理影 響的大小 。 目前，公開的資料 中提出了很多圖像二值化的算法，主要有 Otsu算法 [3]、Bersen算法 [4]、彩色二值化算法 [ 5] 、 直方圖凹面分析 算法 [6]、 Kittler 算法等。 具體做法為：設(shè)給定圖像 ),( yxF 具有 L 級(jí)灰度值，對(duì) 1 ? t ? L 中的每個(gè)t 將 圖像像素 分成兩 類 ，計(jì)算 類 1 的象素個(gè)數(shù) )t(1? ， 平均灰度 )t(M1 , 方差)t(21? ；類 2 的象素?cái)?shù) )t(2? ， 平均灰度 )t(M2 , 方差 )t(22? 。 由上述可以發(fā)現(xiàn)： Otsu 算法 閾值的確定以灰度圖像像素值的分布而不是以具體的 二值化 目的為依據(jù)，適合 于目標(biāo) 對(duì)象 和背景明顯分離 的 圖像 的二值化閾值 的確定 。 設(shè)圖像 F(x,y), 則圖像在像素點(diǎn) ),( yx 處的灰度值為 ),( yxf 。 由于 Bersen算法 以局部窗口內(nèi)最大、最小值作為考察點(diǎn)的鄰域，當(dāng)考察窗內(nèi)無目標(biāo)點(diǎn)時(shí)，個(gè)別噪聲點(diǎn)將引起閾值的突變，背景灰度的非均勻性也將影響局部閾值的變化，當(dāng)考察窗內(nèi)均為目標(biāo)點(diǎn)時(shí)，局部閾值被拉伸，這樣勢(shì)必使得宏觀上本應(yīng)同類的部分象素 : 目標(biāo) ( 或背景 ) 被強(qiáng)行二值化為背景 ( 或 目標(biāo) ) ，從而 產(chǎn)生嚴(yán)重的噪聲 。 Canny 邊緣檢測(cè) ( 在本章 中具體介紹 ) 能 夠 比較好地 檢測(cè)出 邊緣，同時(shí)對(duì)于 孤立點(diǎn)和非邊緣 噪聲 能夠進(jìn)行 很好的抑制 。如圖 所示，本例原圖與圖 原圖相同，以字符作為二值化目標(biāo)對(duì)象，結(jié)果如圖 2.4(c)所示。 圖像邊緣檢測(cè)技術(shù) 目前， 經(jīng)過對(duì) 公開資料中 有關(guān) 車牌 圖像 分割 和識(shí)別方法 所 依據(jù)的特征 進(jìn)行分析 ， 發(fā)現(xiàn) 字符 在 邊緣、輪廓、形狀 、紋理 方面的特征是 最多被使用的較 可靠而且是 較容易 提取的 特征 。所以，邊緣檢測(cè)方法從本質(zhì)上 講 都是通過對(duì)這兩個(gè)特征值的處理來實(shí)現(xiàn)的。 對(duì)于 Roberts 算子 , ?????? ?? 10 01p1, ???????? 01 10p2 對(duì)于 Prewitt 算子 , ?????????? ????111000111p1 , ??????????????101101101p2 對(duì)于 Sobel 算子 , ?????????? ????121000121p1 ，??????????????101202101p 2 Step2:進(jìn)行閾值操作得到二值邊緣圖像 ??? ?? ??? 時(shí)時(shí)t h re s hf2 5 5 t h re s hf0g thresh 為閾值 采用 上述方法 對(duì)車牌圖像進(jìn)行邊緣檢測(cè)時(shí)，閾值 thresh的選擇對(duì)邊緣提取的效果至關(guān)重要。在 車牌 圖像的分割和 識(shí)別中， 一般不采用上述的 純微分算子邊緣檢測(cè)法。如果 f2? 的一個(gè)像素值小于給定閾值 T，而其周圍鄰接的 8 個(gè)像素值都大于 T,則此像素即為零交叉點(diǎn)，對(duì)應(yīng)著圖像的邊緣。 Canny算子邊緣檢測(cè) 法 [ 7] Canny 算子邊緣 檢測(cè)法 遵循的三個(gè)準(zhǔn)則為： 1 、保證成功檢測(cè)出邊緣，對(duì)于弱邊緣也應(yīng)有強(qiáng)響應(yīng)。遍歷圖像，如果某個(gè)像素的灰度值與其梯度方向上前后兩個(gè)像素的灰度值相比不是最大的，則將該像素值置 0 ，即不是邊緣。更為重要的一點(diǎn)是根據(jù) Canny 原則進(jìn)行 邊緣檢測(cè) , 易于實(shí)現(xiàn)有關(guān)閾值的自適應(yīng)判斷 ， 符合車牌圖像處理的特點(diǎn)要求。同態(tài)濾波 就是一種有利于 圖像細(xì)節(jié) 信息 提取 的處理方法。對(duì)車牌圖像采用同態(tài)濾波即可濾除一些低頻非字符信號(hào)突出高頻的字符信號(hào)，同時(shí)減少光照強(qiáng)度的動(dòng)態(tài)范圍，以利于字符邊緣 、紋理等 圖像細(xì)節(jié)的提取。 (a) 車牌灰 度圖像 (b) 同態(tài) 濾波處理后 圖像 (c) 原灰 度直方圖 (d)同態(tài)濾波 處理后灰 度直方圖 圖 同態(tài)濾 波處理 同態(tài)濾波對(duì)車牌圖像邊緣檢測(cè)和二值化的影響 從 圖 可以看出， 同態(tài)濾波處理后 ，圖像的 灰度動(dòng)態(tài) 范圍 有一定程度的壓縮。 (a) 車牌 灰度圖像 (b) 同態(tài) 濾波后 Otsu 法二值化 圖像 圖 同態(tài)濾 波對(duì)二值 化的影響 對(duì) 車牌圖像同態(tài)濾波處理后，增強(qiáng) 了 字符與背景的對(duì)比，突出 了 邊緣 , 使邊緣檢測(cè)也更易于進(jìn)行。 開運(yùn)算和閉運(yùn)算 腐蝕和膨脹是兩種基本的數(shù)學(xué)形態(tài)學(xué)運(yùn)算方法， 但 單獨(dú)采用腐蝕或膨脹運(yùn)算往往會(huì)使 圖像中目標(biāo)對(duì)象（如車牌 字符 ）的 形狀改變較大，從而可能歪曲 其有關(guān) 的信息。本 文 中利用開運(yùn)算的目的 ，主要 是在基本不改變 目標(biāo)對(duì)象 形狀的基礎(chǔ)上 ，減少或 消除 目標(biāo)對(duì)象 外小像素對(duì)象和 目標(biāo)對(duì)象 外 有關(guān) 背景像素。 連通區(qū)域標(biāo)記 [10] 在 本文中，主要是針對(duì)目標(biāo)對(duì)象在二值圖像中表現(xiàn)較為穩(wěn)定的幾何形狀等方面的特征信息進(jìn)行有關(guān)的數(shù)學(xué)形態(tài)學(xué)處理，以濾除影響目標(biāo)判斷的一些 噪聲像素。 4 鄰域連通：坐標(biāo)為 (i,j) 的像素，其四個(gè) 4 鄰域像素的坐標(biāo)分別為 (i+1,j)， (i1,j) ， (i,j+1) ， (i,j1) 。 本文中全部采用 8 鄰 域連通規(guī)則。 改變圖像的直方圖形狀的一個(gè)目的，是希望能夠穩(wěn)定和突出圖像中目標(biāo)對(duì)象的特征信息，以有利于識(shí)別。經(jīng)分析，發(fā)現(xiàn)在 同態(tài)濾波處理 后，使得圖像直方圖的分布形狀更接近于雙峰分布，以 車牌字符為對(duì)象時(shí)， 字符與背景 的 灰度差別更明顯， 有利于改善 Otsu算法二值化 的效果。對(duì)于車牌圖像來說，由于 幾何畸變 ，會(huì)使得車牌字符的結(jié)構(gòu)和筆畫形狀發(fā)生變化，可能增加樣本的類型，從而給字符的分類識(shí)別帶來困難。目前，對(duì)于車牌 圖像幾何畸變校正 一般只能夠按照一組基準(zhǔn)點(diǎn)去校正。在車牌區(qū)域較大、車牌附近 的 干擾比較少、車牌邊緣清晰的情況下一般可以較好地檢測(cè)出車牌邊緣 直線 ；而當(dāng)車牌較小、車牌附近干擾較多、車牌邊緣不清晰等情況下， 則 很難檢測(cè)出車牌邊緣 直線 。 17 既然要依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)，就必須要保證在車牌圖像中能檢測(cè)出 車牌區(qū)域邊緣 。事實(shí)上，目前越來越多的車牌是鑲嵌在矩形框中的，如果在制定車牌標(biāo)準(zhǔn)時(shí)在這方面有一定規(guī)范，那么， 保證車牌圖像中能檢測(cè)出 車牌區(qū)域邊 界線在技術(shù)上應(yīng)不難實(shí)現(xiàn)。 用這種方法對(duì)車牌圖像進(jìn)行水平傾斜校正比用 Hough 變換法要簡(jiǎn)單，實(shí)驗(yàn)中也取得了較好的結(jié)果。因此，有必要研究如何在車牌圖像采集的階段將圖像的 幾何畸變 限制在一定的范圍里。 自 然特征： 是圖像中人類視覺可以直接感受到的圖像的屬性，如 區(qū)域 的 亮度、輪廓、紋理、顏色等 。但由于車牌圖像的復(fù)雜性，有關(guān)的 幅值特征往往是不穩(wěn)定的。由于車牌圖像 灰度直方圖 分布十分復(fù)雜，目前對(duì)于其 灰度直方圖特征 的規(guī)律性的認(rèn)識(shí)還不是很清楚。 4 、邊緣特征 圖像的 邊緣特征 包括 灰度邊緣特征 和 彩色邊緣特征 ，反映的是圖像灰度值或顏色的不連續(xù)性，而這種不連續(xù)性又反映出圖像中存在不同屬性的區(qū)域。 5 、矩特征 19 圖像矩集的定義為： ? ???? ???? d xd y)y,x(fyxM kjjk j,k 為非負(fù)整數(shù)， j+k 稱為矩的階數(shù)。角點(diǎn)特征具有其所代表的局部關(guān)系信息不因視角不同而改變的優(yōu)點(diǎn)，在漢字字符分類識(shí)別時(shí)有所應(yīng)用。紋理可分為自然紋理和人工紋理兩類，常用結(jié)構(gòu)模型或統(tǒng)計(jì)模型兩種方法進(jìn)行分析。 此外，圖像中還存在其它方面的一些特征信息。下面提及的一些 車牌區(qū)域定位 方法僅根據(jù)一些資料中的叫法分類，各類方法之間可能有一定的交叉。但由于實(shí)際應(yīng)用中采集的車牌 圖像的 特點(diǎn)，較難建立明確穩(wěn)定的特征向量 。這里僅對(duì)前者進(jìn)行簡(jiǎn)要分析，后者則在后面的相應(yīng)方法中加以說明。 因此， 采用 這種方法 必須首先控制好圖像的 顏色畸變。圖像的自然紋理信息中往往蘊(yùn)含 著 甚至就直接或間接地來源于圖像的邊緣信息，而圖像的邊緣信息往往也呈現(xiàn)出 一定的 紋理信息的特點(diǎn)。具體過程是： Step1 ：確定圖像中要分割的區(qū)域及各區(qū)域的一個(gè)種子像素 ； Step2 ：以種子像素為生長(zhǎng)起點(diǎn)，根據(jù)事先確定的生長(zhǎng)或相似準(zhǔn)則，將種子像素周圍領(lǐng)域中與其性質(zhì)相同或相似的像素合并為一個(gè)區(qū)域，并以新像素為新種子繼續(xù)上述過程 ； Step3 ：當(dāng)所有區(qū)域都滿足生長(zhǎng)停止的條件或規(guī)則時(shí)，整幅圖像便被分割為滿足分割條件的不同子區(qū)域 。與 區(qū) 域生長(zhǎng) 類似，應(yīng)用 區(qū)域分裂 — 合并 方法進(jìn)行 車牌區(qū)域定位時(shí)也還需要進(jìn)一步解決一些相關(guān)的問題