【正文】 者是 ABA ?? 。開啟的運(yùn)算符為 “? ”， A 用 B 來開啟寫作 BA? ， 其定義為： ? ? BBABA ???? 。開啟運(yùn)算可以把比結(jié)構(gòu)元素小的突刺濾掉，切斷細(xì)長搭接而起到分離的作用。本系統(tǒng)，結(jié)構(gòu)元素選用為 33 的矩形塊。腐蝕后，由于黑色區(qū)外沿也將隨之?dāng)U大，為了保證黑色區(qū)域不超過汽車牌照區(qū)域，再進(jìn)行 12次腐蝕的逆運(yùn)算，即膨脹 ? ?SX? ，把最終的黑色區(qū)縮為實(shí)際 汽 車牌 照區(qū)大小。 這一過程分為 3 步，即橫坐標(biāo)第一次定位，縱坐標(biāo)粗定位和橫坐標(biāo)第二次定位。 步驟 2： j=j+1，計(jì)算第 j 列黑色點(diǎn)個(gè)數(shù)，是否超過閾值 1T 。是則 y1=i，轉(zhuǎn)至步驟 2；不是則 i=i1。 步驟 3：退出程序。 步驟 2： j=j+1，計(jì)算第 j 列 y1y2 間連續(xù)黑色點(diǎn)個(gè)數(shù)，并判斷是否超過閾值 3T 。最后，得到汽車牌照區(qū)域 4 個(gè)頂 點(diǎn)坐標(biāo)（ x1,y1），（ x1,y2），（ x2,y1） 和 （ x2,y2） 。精定位過程由兩部分組成，即形狀識(shí)別和紋理識(shí)別。汽車牌照中字符寬度為 45mm，高度為 90mm，寬高比為 。 汽車牌照區(qū)紋理識(shí)別 汽車牌照區(qū)域紋理識(shí)別主要依據(jù)是汽車牌照區(qū)內(nèi)存在 7 個(gè)類字符區(qū)，從而在紋理上存在高頻的灰度變化特征。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 16 汽車牌照定位結(jié)果圖如圖 9 所示： 圖 10 汽車牌照定位 汽車牌照傾斜校正 由于汽車圖像的 攝制角度問題可能導(dǎo)致攝取的汽車牌照發(fā)生傾斜，這對(duì)后續(xù)的汽車牌照字符分割和字符識(shí)別都將造成困難，因此需要對(duì)汽車圖像進(jìn)行校正，這里可通過圖像旋轉(zhuǎn)進(jìn)行校正。 （ 1） Hough 變換 Hough 變換是利用圖像全局特性而將邊緣像素連接起來組成區(qū)域封閉邊界的一種方法。如果僅靠尋找汽車牌照邊框所形成的直線來判定汽車牌照傾斜角度的話，并不是很可靠。 圖 9 所示即為在汽車牌照定位過程中找到并復(fù)現(xiàn)的汽車牌照字符圖像。 先用 S 對(duì) X 進(jìn)行腐蝕處理 ? ?SX? ，黑色點(diǎn)將腐蝕周圍的白色點(diǎn)，并和附近的黑色點(diǎn)融合成黑色區(qū)。 （ 3）傾斜角度計(jì)算 在汽車牌照傾斜角度中，由于高低角很小，故可以忽略不計(jì) ，但水平角需要準(zhǔn)確得到。 (c) 將各列的均值連成一條直線。 圖 11 汽車牌照傾斜校正 對(duì)校正后的彩色汽車牌照進(jìn)行灰度化和有色點(diǎn)對(duì)搜索，其結(jié)果圖如圖 11 和圖 12 所示。 圖 14 汽車牌照再定位圖像 圖 15 汽車牌照提取圖像 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 19 4 汽車牌照字符分割 汽車牌照分割的目的是把汽車牌照內(nèi)的 7 個(gè)字符彼此分割開來，以用于字符識(shí)別。 由于字符分割及后面的字符識(shí)別都是基于二值圖像的。汽車牌照二值化圖像如圖 15 所示。 yy2=。 } pixels=curpixels。 for(j=0。 if(pixelscurpixels*pixels){ flag=1。 flag=0。j++){ if(*(dibNewm_pImgData+()*lineByte+j)==255) curpixels++。i){ curpixels=0。 } if(flag==0){ if(curpixelspixels) pixels=curpixels。 if(curpixelspixels*curpixels){ yy2=i。iyy2。j。i++){ if(*(dibNewm_pImgData+i*lineByte+j)==255) curpixels++。 } } else{ if(curpixelspixels) pixels=curpixels。 //建立一個(gè)新視圖，顯 示去除邊框結(jié)果 pFrameSendMessage(WM_COMMAND, ID_FILE_NEW)。 pView1OnInitialUpdate()。 =yy2yy1+1。i。 } } dibNew1ReplaceDib(size,pDibm_nBitCount,pDibm_lpColorTable,pDib_imgdata1)。 yy1=0。 flag=0。 for(i=0。 for(j=1。i。 flag=1。 } } else{ if(curpixelspixels) pixels=curpixels。 for(i=2。 char_xx1[0]=char_x1[0]char_gap/2。i++) { char_xx1[i]=max(char_x1[i]max(char_gap,char_widthchar_x2[i]+char_x1[i])/21,char_xx2[i1])。 //建立一個(gè)新視圖，顯示字符分割結(jié)果 pFrameSendMessage(WM_COMMAND, ID_FILE_NEW)。 pView2OnInitialUpdate()。 =char_xx2[6]char_xx1[0]+1。 for(i=0。j++){ if(i+char_xx1[0]=0amp。 } } } dibNew2ReplaceDib(size1,pDibm_nBitCount,pDibm_lpColorTable,pDib_imgdata2)。 } for(i=1。j++){ *(dibNew2m_pImgData+j*lineByte2+char_xx1[i]char_xx1[0])=255。j++){ *(dibNew2m_pImgData+j*lineByte2+char_xx1[6]char_xx1[0])=255。在本文中，采用了相對(duì)簡單一些的模板匹配法。 字符圖像規(guī)范化 因?yàn)椴煌钠噲D像中的汽車牌照大小不一，導(dǎo)致分割后的字符的大小也相差很大，因此，預(yù)處理的第一步就需要進(jìn)行 汽車牌照分割字符圖像的規(guī)范化，即字符圖像的規(guī)格化和歸一化。 字符圖像規(guī)格化之后，還需進(jìn)一步進(jìn)行字符歸一化處理，即將字符區(qū)的中心校正為 0。重心（ mmyx, ）得到后，做相應(yīng)的平移變換即可將字符區(qū)的重心校正為 0。而圖像細(xì)化處理則能極大地消除字符圖像中的這些冗余信息。 （ 1） Hilditch 細(xì)化算法 Hilditch 細(xì)化算法如下：一幅圖像中的一個(gè) 33 區(qū)域，設(shè) p 為被檢測(cè)的像素， f(p)為像素 p 的灰度值，其中 p 位于中心， 821 ..., ppp 為 p 的 8 領(lǐng)域像素，如圖 19 所示。 （ 2） HIT/MISS 細(xì)化算法 HIT/MISS 運(yùn)算是一種基于形態(tài)學(xué)的細(xì)化算法，由于在細(xì)化的同時(shí)可以保持字符圖像的拓?fù)浣Y(jié)構(gòu)，因而更適合于本文所設(shè)計(jì)的系統(tǒng)。其中 0 為背景， 1為前景。其中 0 為背景， 1為前景。 圖 25 字符圖像細(xì)化結(jié)果 字符識(shí)別 模板匹配是圖像識(shí)別中最具代表性的方法之一。假設(shè)有兩組集合 A={ NAaaa , 21 ? }， B={ NBbbb , 21 ? }，則這兩組集合之間的HD 可以定義為： ? ? ? ?? ?ABdBAdM a xd hhH ,? 。 Hausdorff 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 30 距離 Hd 取 ? ?BAdH , 和 ? ?ABdH , 的最大值。 （ 2） 基于改進(jìn) Hausdorff 距離的模板匹配 基于改進(jìn) Hausdorff 距離的模板匹配算法如下。 ③ 模板圖像上，以 yxP, 點(diǎn)為中心的 55 領(lǐng)域內(nèi)，搜索 1，尋找與 yxP, 最近的點(diǎn)，并計(jì)算 yxP, 和該點(diǎn)之間的距離，此距離是待識(shí)別圖像和模板圖像在該點(diǎn)的最小距離。 ⑥ 按照同樣的步驟可計(jì)算模板到字符的改進(jìn)的 Hausdorff 距離 ? ?iTXD , 。 (2) 圖像圖片格式： Windows 下 BMP 格式，圖像尺寸 640480pixel， 24 位真彩色。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 33 圖 28 拍攝距離過遠(yuǎn)圖片 圖 29 拍攝角度過偏圖片 圖 30 拍攝過于模糊圖片 (2)字符識(shí)別結(jié)果分析 字符識(shí)別方面實(shí)現(xiàn)了字符像素點(diǎn)分布特征的模板匹配算法，運(yùn)算簡單，計(jì)算量小，具有較好的識(shí)別率。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 35 7 總結(jié)與展望 車牌識(shí)別系統(tǒng) 通過引入數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的圖像處理，模式識(shí)別和人工智能技術(shù)，通過對(duì)圖像的采集和處理，獲得更多的信息，從而達(dá)到更高的智能化管理程度。 不過， 由于個(gè)人能力 有限 和時(shí)間的限制， 對(duì)系統(tǒng)各個(gè)環(huán)節(jié)的研究還不夠深入徹底，所使用的算法還不夠精確和先進(jìn)或者系統(tǒng) 本身還存在一定的問題，在考慮問題 時(shí)還不夠 全面 。 (2)本文設(shè)計(jì)的系統(tǒng)只能 對(duì) 單個(gè)的汽車牌照 圖片進(jìn)行 處理，對(duì)于一幅圖像中有多個(gè)汽車拍照的圖片則不能識(shí)別 。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 36 參考文獻(xiàn) [1] 馮偉興，唐墨，賀波編著 . Visual C++數(shù)字圖像模式識(shí)別技術(shù)詳解 .北京：機(jī)械工業(yè)出版社， 2020. [2] 種衍文，謝丹力，鄭翠花 .一種針對(duì)復(fù)雜背景的復(fù)合車牌定位算法 .計(jì)算機(jī)應(yīng)用研究， 2020， 25(6)： 17411743. [3] 張愛明，許建龍，姜銳 .車牌自動(dòng)識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究 .浙江理工大學(xué)學(xué)報(bào)， 2020，30(1)： 96100. [4] 張永蔥，劉昌平等 .技術(shù)綜合集成在模式識(shí)別中應(yīng)用 .計(jì)算機(jī)學(xué)報(bào)， 1995， 18(9)：678685. [5] 魏武，黃心漢等 .基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法 .模式識(shí)別與人工智能， 2020， 14(1)： 123126. [6] 郭大波，陳禮民，盧朝陽，韓麗萍 .基于車牌底色識(shí)別的車牌定位方法 .計(jì)算機(jī)工程與設(shè)計(jì)， 2020， 4(5)： 8189. [7] 尹令 .車牌自動(dòng)識(shí)別系統(tǒng)的研究及其在 VC++中的實(shí)現(xiàn)： [碩士論文 ]，湘潭：湘潭大學(xué)， 2020. [8] 宋加濤，劉濟(jì)林 .車輛牌照上英文和數(shù)字字符的結(jié)構(gòu)特征分析及提取 .中國圖像圖形學(xué)報(bào)， 2020， 7A(3)： 945949. [9] 求是科技， 張宏林 ，蔡銳 編著 . Visual C++ 數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐 .北京：人民郵電出版社， 2020. [10] 馮偉興，梁洪，王臣業(yè)編著 . Visual C++數(shù)字圖像模式識(shí)別典型案例詳解 .北京：機(jī)械工業(yè)出版社， 2020. [11] 向世明著 . Visual C++ 數(shù)字圖像與圖形處理 .北京：電子工業(yè)出版社， 2020. [12] 鐘志光，盧君，劉偉榮著 . Visual C++.NET 數(shù)字圖像處理事例與解析 .北京：清華大學(xué)出版社， 2020. [13] 徐慧著 .Visual C++ 數(shù)字圖像實(shí)用工程案例精選 .北京：人民郵電出版社， 2020. [14] 路小波，包明，黃衛(wèi) .基于投影的車牌傾斜檢測(cè)方法 .交通運(yùn)輸工程與信息學(xué)報(bào)，2020， 2(4)： 10－ 15. [15]盧雪松 .車牌照定位和分割算法的研究 ： [碩士論文」，內(nèi)蒙古 ： 內(nèi)蒙古工業(yè)大學(xué)，2020. [16] Swanson M D， Tewfik A H .Fast Progressively Refined Image of Electronic Imaging .1998， 7(3)： 443452. [17] Setchell J .Applications of Computer Vision to RoadTraffic Thesls. University of ， 1997， 6681. [18] Sahoo Survey of Thresholding Vision Graphics and Image . 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 37 [19] .A Threshold Selection Method from Graylevel Trans ，Man Cyber . 1979， SMC9. [20] Brink A B .Gray level Thresholding of images using a correlation Recognition Letters. 1998， 9. [21] Rafael Image . 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 38 致謝 本此畢業(yè)設(shè)計(jì)是在我的指導(dǎo)老師黃朝兵教授的指導(dǎo)下，歷時(shí)數(shù)月完成的