【正文】 等技術(shù)對(duì)車牌進(jìn)行定位。這種方法迭代閾值的時(shí)間長(zhǎng)，而且對(duì)噪聲比較敏感，需要大量的去噪計(jì)算工作。 基于彩色的車牌定位方法有采用多層感知器網(wǎng)絡(luò)對(duì)輸入彩色圖像進(jìn)行彩色分割及多級(jí)混合集成分類器的車牌自動(dòng)識(shí)別方法。這種方法的主要思想是通過(guò)邊緣檢測(cè)算子 ColorPrewitt 和彩色邊緣檢測(cè)，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實(shí)現(xiàn)區(qū)域的連通，采用區(qū)域生長(zhǎng)方法標(biāo)記候選區(qū)域，最后利用車牌的先驗(yàn)知識(shí)，剔除虛假車牌區(qū)域，確定真正的車牌區(qū)域。如何抽取漢字的有效特征使識(shí)別率提高，是目前研究的主要問(wèn)題之一。國(guó)外許多國(guó)家汽車 牌照的底色和字符通常只有對(duì)比度較強(qiáng)的兩種顏色，而我國(guó)汽車牌照僅底色就有藍(lán)、黃、黑、白等多中顏色，字符也有黑、紅、白等若干種顏色；同時(shí)根據(jù)不同車 輛、車型、用途，規(guī)定了多種牌照格式（例如分為軍車、警車、普通車等）。主要研究了如何通過(guò)圖像的預(yù)處理、車牌的定位、車牌字符切分和字符識(shí)別等一系列過(guò)程完成汽車牌照的識(shí)別。 車牌字符分割和識(shí)別同樣是車牌識(shí)別的關(guān)鍵，文章對(duì)多中分割技術(shù)進(jìn)行分析 的 6 同時(shí)指出其優(yōu)點(diǎn)和缺點(diǎn)；采用神經(jīng)元網(wǎng)絡(luò) 識(shí)別技術(shù)對(duì)車牌的字符進(jìn)行識(shí)別，詳盡介紹了BP 網(wǎng)絡(luò)實(shí)現(xiàn)識(shí)別的步驟和原理。為了改善退化的牌照?qǐng)D像，必須對(duì)圖像進(jìn)行預(yù)處理。彩色圖像包含大量的顏色信息，它的每個(gè)像素都具有三個(gè)不同的顏色分量 R、 G、 B，其需要占用的存儲(chǔ)空間很大，對(duì)其進(jìn)行處理時(shí)會(huì)浪費(fèi)較多的系統(tǒng)資源，降低系統(tǒng)的執(zhí)行速度。所以，在實(shí)驗(yàn)室中一般采用 256 級(jí)灰度圖來(lái)進(jìn)行處理。 BMP圖像以像素為單位記錄圖像數(shù)據(jù)。文中的車牌算法是基于灰度圖像實(shí)現(xiàn)的，因此需要先對(duì)整個(gè)圖像灰度化。此時(shí)可以利用灰度的線性拉伸將灰度范圍拓展到 0 255 的度范圍。 灰度拉伸可以更加靈活的控制輸出灰度直方圖的分布，它可以有改善輸 出 圖像。 現(xiàn)在關(guān)鍵的問(wèn)題是如何選取適當(dāng)?shù)?1x 、 2x 和 1y 、 2y ，使得對(duì)比度增強(qiáng)明 顯， 拉伸 10 效果更理想。在我們的系統(tǒng)中， 1x ，、 2 x 選取為兩大谷底對(duì)應(yīng)的灰度值， 11/2yx? ； 223 / 2yx? ， 這樣就可以把高灰度區(qū)和低灰度區(qū)壓縮，中間灰度區(qū)域拉伸，取得了很好的效果，其處理效果 如圖 23 所示。圖像增強(qiáng)的方法分為空域法和頻域法兩類，空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作；而頻域法是在圖像的某個(gè)變換域?qū)φ麄€(gè)圖像進(jìn)行操作，并修改變換后的系數(shù)，如傅立葉變換、 DCT 變換等的系數(shù)，然后再進(jìn)行反變換 ,便可得到處理后的圖像。設(shè) S含有 M個(gè)像素，取其平均值作為處理后所得圖像點(diǎn)(m,n)處的灰度。而且鄰域平均法也平滑了圖像信號(hào)，特別是可能使圖像目標(biāo)區(qū)域的邊界變得模糊。中值濾波器能夠在抑制噪聲的同時(shí)不使邊緣模糊，而且方法簡(jiǎn)單、易實(shí)現(xiàn)，但有時(shí)會(huì)丟失圖像的細(xì)節(jié)。本文針對(duì)標(biāo)準(zhǔn)濾波的排序方法 ,根據(jù)窗口在移動(dòng)過(guò)程中前后窗口之間的相關(guān)性，同時(shí)根據(jù)窗口內(nèi)像素間的 統(tǒng)計(jì) 特性 ,采用方差和均值對(duì)像素點(diǎn)進(jìn)行噪聲判斷，來(lái)降低對(duì)邊緣細(xì)節(jié)信息的影響，提高濾波 效果和濾波的自適應(yīng)性。 （ 2）噪聲點(diǎn)的確定 噪聲點(diǎn)的確定主要是判斷該像素點(diǎn)的灰度值是否大于某一個(gè)閾值 ,如果大于則為噪聲 ,反之則為信號(hào)點(diǎn)。以噪聲圖像的像素Z(i,j)為中心，選取像素為 3 3的窗口，求出該窗口內(nèi)像素的均值 M和方差 2? 1122111 [ ( , ) ]9nm Z i n j m M? ? ? ? ?? ? ? ??? （ 25） 11111 ( , )9nmM Z i n j m? ? ? ?? ? ??? （ 26） 根據(jù)噪聲的特性 ,該像素點(diǎn)值 Z(i,j)，如果滿足： Z(i,j)≥ M+3δ或者 Z(i,j)≤ M3δ，則該像素為噪聲點(diǎn)。對(duì)模擬圖像進(jìn)行了濾波比較 ,并分別用 3 3窗口進(jìn)行實(shí)驗(yàn)，所得到的結(jié)果如 圖 24所示 設(shè)定頁(yè)眉 13 原圖 效果圖 水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影 校正方法 由于攝像機(jī)和車牌之間角度的變化 ,常常使所拍攝的車牌圖像產(chǎn)生傾斜現(xiàn)象 ,給字符分割帶來(lái)不利影響 ,造成誤分割和車牌識(shí)別率的下降。 (2) 通過(guò)模板匹配尋找牌照區(qū)域的四個(gè)頂點(diǎn) ,再通過(guò)雙線性空間變換重建矩形車牌區(qū)域。 而且 ,上述四種方法有一個(gè)共同的缺陷 ,就是當(dāng)圖像對(duì)比度較小、光照不均時(shí) ,檢測(cè)到的傾斜角誤差較大 . 本文提了一種新的車牌傾斜校正方法 ,該方法采用水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影求取車牌的水平和垂直傾斜角度 ,然后進(jìn)行雙線性插值傾斜校正 。 設(shè) V? 和 V? 分別代表 DV的均值和標(biāo)準(zhǔn)方差， H? 和 H? 分別代表 DH的均值和標(biāo)準(zhǔn)方差，則 按下式對(duì)圖像進(jìn)行二值化，獲取圖像的水平彩色邊緣 HE 和垂直 彩色邊緣 VE ： 0000001 , ( , ) 30 , ( , ) 3( , )H HHHHD H i jED H i jij???????????? (213) 0000001 , ( , ) 30 , ( , ) 3( , )V VVVVD V i jD V i jE i j???????????? (214) 設(shè)定頁(yè)眉 15 雙線性插值 在對(duì)車牌圖像進(jìn)行傾斜校正時(shí) ,輸出像素常被映射 到圖像的非整數(shù)位置 , 最典型的是在四個(gè)輸入像素之間 . 因此 , 需進(jìn)行彩色向量插值運(yùn)算 . 插值方 法主要有最近鄰插值、雙線性插值和高階插值等 . 最近鄰插值算法簡(jiǎn)單、運(yùn)算量小 , 但有塊狀效應(yīng) 。計(jì)算復(fù)雜度較高 ,定位速度較慢 ,影響車牌識(shí)別的實(shí)時(shí)性能。 目前常用的基于邊界的分割技術(shù)包括邊緣算子法（如 一階微分算子、 sobel 算子、 Hough 變換等）、模塊匹配法、邊緣跟蹤法、線擬合法等。目前基于區(qū)域分割的技術(shù)主要包括閾值化方法、特征空間聚類方法、區(qū)域生長(zhǎng)法、分裂合并法等。例如， Thanongsak Sirithnaphong 和 Kosin Chamnongthai 提出的基于 BP 網(wǎng)絡(luò)的牌照定位方法 ， 等人提出的利用DTCNN 和模糊邏輯相結(jié)合的方法。它在信號(hào)的高頻部分，可以取得較好的時(shí)間分辨率，在信號(hào)的低頻部分，可以取得較好的頻率分辨率，這些特性可用來(lái)表示原始信號(hào)的局部特征，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)時(shí)間、頻率的局部化分析，以克服 Fourier 分析在處理非平穩(wěn)的復(fù)雜圖像時(shí)所存在的局限性。 利用小波檢測(cè)邊緣的一般方法就是先將圖像進(jìn)行多尺度小波變換，然后在各尺度下求梯度方向和梯度矢量模，根據(jù)矢量模塊在各尺度下求邊緣提取及鏈化，然后根據(jù)設(shè)定的規(guī)則進(jìn)行多尺度匹配，符合多尺度邊緣鏈，重構(gòu)圖像邊緣模型，最后對(duì)取得的邊緣信息進(jìn)行投影 處理，就是可以得到車牌所在的確定位置 。 這種方法的典型代表是彩色邊緣檢測(cè)算子 ColorPrewitt 和彩色邊緣檢測(cè)與區(qū)域生長(zhǎng)相結(jié)合的牌照定位算法 ColorPrewitt和彩色邊緣檢測(cè)，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實(shí)現(xiàn)區(qū)域的連通，采用區(qū)域生長(zhǎng)法標(biāo)記候選區(qū)域，最后利用車牌的先驗(yàn)知識(shí)，剔除虛假車牌區(qū)域，確定真正的車牌區(qū)域。由于碼書中碼字的數(shù)量總是少于所有可能出現(xiàn)的塊的數(shù)量，矢量量化是一種有損壓縮，采用矢量量化進(jìn)行牌照定位的出發(fā)點(diǎn)在于圖像的矢量量化編碼過(guò)程隱含了對(duì)圖像紋理的分析過(guò)程。因此 ,選取 p ( x , y) 為水平方 向上的亮度差分值 ,即 ( , ) 2 ( , ) ( 1 , ) ( 1 , )P x y I x y I x y I x y? ? ? ? ? （ 32） 式中 I ( x , y) 為坐標(biāo) ( x , y) 的亮度值。 圖 31 是將各小方塊內(nèi)的能量量化到 (0 ,255) 區(qū)間后得到的直方圖。反之 ,為其他區(qū)域而被濾除掉。 l 為寬度閾值且與圖像中車牌的實(shí) 際寬度成正比。若 Th 過(guò)小 ,會(huì)出現(xiàn)大量的干擾區(qū)域 ,不僅會(huì)大幅度增加檢驗(yàn)的時(shí)間 , 還會(huì)導(dǎo)致錯(cuò)定位。 3) 若 Th ω ≥ minTh (ω 為步長(zhǎng) ) ,則 Th = Th ω 重新執(zhí)行 2）； 若 T h – ω minTh , 則判斷無(wú)車牌退出。為了進(jìn)一步增加算法的魯棒性， maxTh 和 minTh 也需通過(guò)輸入圖像的能量數(shù)組自適應(yīng)地調(diào)節(jié)，即 39。 001 ( , )MNijE E i jMN ????? ? ?? （ 36） maxTh E?? ， minTh E?? 車牌的檢驗(yàn)非常重要，他直接影響到能量濾波閾值的選擇和去除干擾的能力。將車牌區(qū)域二值化并進(jìn)行水平掃描后，一般可得到 18至 30次的跳變次數(shù)，且在垂直方向上各行的跳變次數(shù)相差較小。 1）中，取候選區(qū)域中間部分作為檢驗(yàn)行，是為了避免因車牌上下邊定位的不準(zhǔn)確和車牌傾斜帶來(lái)的負(fù)面影響。字符總長(zhǎng) 409mm，其中單個(gè)字符統(tǒng)一寬度為 45 mm，高為 90 mm；第二、第三字符間間隔為 34 mm(中間小圓點(diǎn)的寬度為 10 mm，它與第二、第三個(gè)字符間的距離分別為 12mm)，其余字符間隔均為 12mm。車牌字符分割可以說(shuō)是車牌識(shí)別中比較簡(jiǎn)單的 的一環(huán)。 直接分 割法 直接分割法較為簡(jiǎn)單，但它的局限是分割點(diǎn)的準(zhǔn)確性受噪聲干擾較大。 垂直投影分割也是一種直接分割法，廣泛應(yīng)用于固定間隙和固定字符寬度的字符分設(shè)定頁(yè)眉 23 割中，針對(duì)字符間距、字符 數(shù)、字體等 紋理特征 的統(tǒng)一性，設(shè)計(jì)一系列的特征函數(shù)和判決函數(shù)以突出其紋理特點(diǎn)，從而進(jìn)行字符的分割。但是通常情況下，由于車牌圖像會(huì)有噪聲，因此，在投影時(shí)會(huì)造成谷底不明顯，甚至消失，使字符分割產(chǎn)生誤差甚至錯(cuò) 誤，最終影響字符的識(shí)別。 例如，針對(duì)高性能的印刷體文字識(shí)別系統(tǒng)，采用多知識(shí)綜合判決的字符切分算法，字符分割看作是對(duì)字符邊界正確切分位置的一個(gè)決策過(guò)程，該決策需要同時(shí)考慮字符局部識(shí)別情況和全局的上下文關(guān)系。 車牌字符識(shí)別 字符識(shí)別是對(duì)車牌上分割出來(lái)的漢字、字母和數(shù)字進(jìn)行確認(rèn)的過(guò)程， 是整個(gè)車牌識(shí)別系統(tǒng)的核心，字符識(shí)別的準(zhǔn)確率直接影響整個(gè)系統(tǒng)的最終識(shí)別結(jié)果。車牌字符識(shí)別實(shí)際上是依附在車牌上的印刷體文字的識(shí)別，能否正確識(shí)別不僅是文字識(shí)別技術(shù)的問(wèn)題，還要考慮車牌區(qū)域的影響。 （ 2）環(huán)境影響大。鑒于牌照自動(dòng)識(shí)別系統(tǒng)的應(yīng)用場(chǎng)合是智能交通管理，它要求能對(duì)駛過(guò)的車輛進(jìn)行及時(shí)地采集圖像、處理圖像、牌照識(shí)別和自動(dòng)數(shù)據(jù)庫(kù)登錄等一系列操作，實(shí)時(shí)性的要求高于其它 OCR 系統(tǒng)。此種方法最大的缺陷就是容易受到環(huán)境的影響。 （ 2） 特征分析匹配法 這類方法是基于特征層面來(lái) 進(jìn)行匹配的，是使用率較高的一類方法，相比較于模板匹配而言，它能更好地獲得字符的特征，有的特征對(duì)噪聲是不明顯的。但是通常這類特征的模型的生成比較困難 。這種大規(guī)模并行結(jié)構(gòu)具有很高的計(jì) 算速度，完全不同于傳統(tǒng)機(jī)器。 基于神經(jīng)元網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)模式識(shí)別是神經(jīng) 網(wǎng)絡(luò)技術(shù)在模式識(shí)別中的應(yīng)用，是仿生學(xué)的產(chǎn)物。 神經(jīng)元模型 神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個(gè)多輸入 /多輸出的非線性元件 ，神經(jīng)元輸出除受輸入信號(hào)的影響之外，同時(shí)也受到神經(jīng)元內(nèi)部其他因素的影響。 （ 2） 常用的作用函數(shù)有閾值型、線性型、 S 型函數(shù)。 ③ S 型函數(shù)。它是一類相關(guān) 學(xué)習(xí)，即如果兩個(gè)神經(jīng)元同時(shí)興奮，則它們之間的突觸連接加強(qiáng)。()jjjF y y? ?? 其中 ? 為步長(zhǎng)， 39。神經(jīng)網(wǎng)絡(luò)的性質(zhì)主要決定于兩個(gè)因素：一個(gè)是網(wǎng)絡(luò)的設(shè)定頁(yè)眉 27 拓?fù)浣Y(jié)構(gòu)，另一個(gè)是網(wǎng)絡(luò)的學(xué)習(xí) 、工作規(guī)則。 （ 2） 對(duì)每一個(gè)樣本作如下計(jì)算： ① 向前計(jì)算：設(shè) n次迭代中第 j個(gè)單元的輸 出為 ()jyn，輸入為 ()ixn ，單元 j的凈 輸入 js 為： 0( ) ( )pj ij iis w n x n?? ? （ 48） 其中 p 為加到單元 j 上輸入的個(gè)數(shù)， ijw 為前一層單元 i 到單元 j 的連接權(quán)，則有輸出： ( ) ( ( ))j j jy n f s n? （ 49） 其中 ()jfs為作用函數(shù)，如單元 j 的作用函數(shù)為 Sigmoid 函數(shù)，則有： 1()1 e x p ( ( ) )j jyn sn? ?? （ 410） 39。( ) ( ( ) ( ) ) ( ( ) )j j j j jn d n y n f s n? ?? (415) 當(dāng)單元 j是隱單元時(shí)，則有： 39。一般來(lái)說(shuō) ，具有偏差和至少一個(gè) S 型隱含層加上一個(gè)線性輸入層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)。隱含層節(jié)點(diǎn)數(shù)的選擇對(duì)網(wǎng)絡(luò)性能影響很大，一般是由網(wǎng)絡(luò)的具體用途來(lái)確定，不同的網(wǎng)絡(luò)有不同的要求，所以確定隱含層的節(jié)點(diǎn)是復(fù)雜的，常用的方法有： ① Kolmogorow 定理指出：對(duì) N個(gè)輸入節(jié)點(diǎn)的單隱含層的神經(jīng)網(wǎng)絡(luò)，隱含層的節(jié)點(diǎn)數(shù)為 2N+