【正文】 集的原圖像進(jìn)行必要的預(yù)處理，比如圖像格式轉(zhuǎn)換、平滑去噪處理、幾何變換等?；叶葓D只含亮度信息不含顏色信息，其中亮度值量化為 256。 （a）原圖 （b）灰度化處理后圖 21 灰度化處理前后對比 8 二值化彩色圖片轉(zhuǎn)換成灰度圖片后，灰度值是介于 0 到 255 之間的數(shù)值，為了方便識別，還會對灰度圖進(jìn)行二值化，大于閾值以上的值取 1，小于閾值的值取 0，閾值的選擇是車牌圖像二值化的關(guān)鍵步驟，通常有全局閾值和局部閾值。均值濾波是一種非線性的圖形濾波器，它的原理是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的信號處理技術(shù)，就是把數(shù)字圖像或數(shù)字序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的中間值，從而消除孤立的噪聲點(diǎn)。近年來，數(shù)學(xué)形態(tài)學(xué)的應(yīng)用已經(jīng)覆蓋了圖像處理的所有領(lǐng)域，包括文字識別、醫(yī)學(xué)圖像、視覺檢測、工業(yè)檢測、材料科學(xué)等。(1)膨脹運(yùn)算膨脹的原理是把與物體接觸的全部背景點(diǎn)合并到該物體中，使邊界向外擴(kuò)張的過程，通熟易懂地理解就是可以對圖像進(jìn)行變粗。定義結(jié)構(gòu) A 被結(jié)構(gòu) B 腐蝕表示為 A o B，數(shù)學(xué)形式可表示為： ???)(?（24）(4)閉運(yùn)算和開運(yùn)算過程相反，即先膨脹后腐蝕。在本文的仿真中，采用的是：Robert算子對圖像進(jìn)行邊緣提取，下圖為 Robert 算子邊緣提取圖像，如圖 25 所示。下面對這些算法進(jìn)行比較如表 21 所示。④由于多種原因，比如車牌的磨傷和破壞，使得在進(jìn)行二值化處理的時(shí)候，字符不連續(xù)斷裂或者粘連在一起；⑤攝像機(jī)在采集車牌圖像的時(shí)候，由于曝光、焦距等原因，不是字符的區(qū)域會成為高亮度區(qū)域；⑥車牌上面有安裝的柳釘，在處理的時(shí)候也會受到它的影響。因此，字符的正確分割位置應(yīng)該在上述局部最小值的附近，并且這個(gè)位置應(yīng)滿足車牌字符的書寫格式、字符的尺寸限制等條件。（3）根據(jù)各波谷點(diǎn)的縱坐標(biāo)以及相鄰波谷點(diǎn)橫坐標(biāo)的差值對所有的波谷點(diǎn)進(jìn)行取舍，并將取舍后的波谷點(diǎn)依序重新排列。從計(jì)算過程可以看出，該算法對字符因斷裂分成上下兩個(gè)部分的情況有較強(qiáng)的糾錯(cuò)能力。因此，可以使用連通域的方法對車牌進(jìn)行字符分割。（3）按順序從左到右，跟隨每個(gè)矩形，相比矩形左右邊界利用合并、分割算法將過小區(qū)域合并、過大區(qū)域分割。但在實(shí)際情況中，由于實(shí)際車牌圖像通常會有噪聲，產(chǎn)生字符的斷裂和交疊等情況，因此，單憑連通域很難取得滿意的結(jié)果。 基于垂直投影和優(yōu)割字符分割方法由于垂直投影法對車牌照字符的切分容易產(chǎn)生過度切分，將一個(gè)字符切分成兩個(gè)，而連通域法由于受到二值化算法的限制，容易產(chǎn)生字符粘連，產(chǎn)生大的連通域。(a) 水平切割圖像 16 （b）二值化圖像（c）垂直投影圖像圖 31 二值圖像的垂直投影圖 字符垂直切分法從圖 31 可以看出，二值化圖像有嚴(yán)重?cái)嗔选⒄尺B和邊框等干擾噪聲的存在，如果直接采用傳統(tǒng)的垂直投影或者連通域的方法進(jìn)行分割，則很難達(dá)到準(zhǔn)確分割的目的。②如果發(fā)生字符斷裂，使字符分成左右兩個(gè)部分，那么，不論使用連通域算法還是使用垂直投影算法都不能準(zhǔn)確確定該字符。優(yōu)割字符即在車牌的二值圖像的垂直投影圖中，尋找滿足區(qū)域連通，且寬度與車牌高度的比值介于 與 之間的投影區(qū)域。然后，對垂直投影圖進(jìn)行掃描，將位于兩個(gè)優(yōu)割字符之間且寬度大于一個(gè)優(yōu)割字符寬度的空隙進(jìn)行優(yōu)割字符填補(bǔ)，這樣就得到了一系列連續(xù)的優(yōu)割字符。試探法計(jì)算過程描述如下：計(jì)算獲得的優(yōu)割字符的平均寬度，以該寬度值作為車牌字符的理想寬度，然后結(jié)合車牌的高度以及車牌的句法特征，構(gòu)造出理想的車牌模板。一般評判次數(shù)為 2～3 次，最多不超過 5 次，可以滿足實(shí)時(shí)車牌識別系統(tǒng)的要求。然后，判斷該字符距前后一個(gè)或者前一個(gè)字符的空隙的寬度是否等于所計(jì)算的平均空隙寬度，如果相等則不進(jìn)行調(diào)整，否則將該字符與后一個(gè)或前一個(gè)字符的空隙寬度設(shè)置為所計(jì)算出的平均空隙寬度。圖像的分割結(jié)果如圖 33 所示。表 31 分割結(jié)果車牌情況 圖像張數(shù) 分割比例清晰的車牌 200 100%模糊的車牌 200 95%從表 31 可以看出，對于理想環(huán)境下拍攝的車牌，本文研究的算法可以達(dá)到 100%的分割率，對于模糊車牌也可以達(dá)到 94%的分割率。通過對分割錯(cuò)誤的 6 張模糊車牌進(jìn)行進(jìn)一步調(diào)試，發(fā)現(xiàn)有 4 張是由于車牌本身模糊難辨，垂直投影圖中沒有找到優(yōu)割字符造成的。對于圖中第二副圖像“遼 F03118”和第三幅圖像“遼 F82232”，由于車牌污損使得字跡模糊、斷裂。為了正確的對字符進(jìn)行分割，便于后繼的字符識別，在進(jìn)行字符切分之前，需要進(jìn)行車牌傾斜角度的判斷，若傾斜角度超過一定的值，使得字符發(fā)生畸變，就要對車牌進(jìn)行旋轉(zhuǎn)。目前常用的車牌校正方法主要有以下幾種: (1) HOUGH 變換法 [5]，這是目前最常用的一種方法。為了解決垂直直線斜率無限大的問題，一般通過直線的極坐標(biāo)方程: （41）進(jìn)行 Hough 變換，即用正弦曲線表示圖像空間中直線上的點(diǎn)，其中 : ，是圖像空間中直線到原點(diǎn)的距離， 是直線與 x 軸正向的R?? ????20，?夾角。????，實(shí)際應(yīng)用中，首先通過 HOUGH 變換求取車牌的邊框，進(jìn)而確定車牌的傾斜角；或者由 HOUGH 變換提取牌照邊框的參數(shù)后，再求解牌照區(qū)域四個(gè)點(diǎn)的直角坐標(biāo)，然后通過雙線性空間變換對發(fā)生畸變的車牌圖像進(jìn)行糾正。由于圖像中車牌的邊框有時(shí)并不明顯，而且由于外部環(huán)境如噪聲、污跡，運(yùn)動模糊等干擾的影響，造成 HOUGH 變換后參數(shù)空間的峰值點(diǎn)很分散，這會影響到方法(1)和 (2)的實(shí)際糾正效果，也會使得(3)的檢測精度下降；同時(shí)，由于，二值化的原因，車牌上的字符不可避免的會發(fā)生粘連和斷裂現(xiàn)象，這也影響到了方法(4)的處理效果。具體如下：如圖 41 所示意，對于一個(gè)發(fā)生水平傾斜的汽車牌照所在的矩形 abcd，其所在的矩形直角坐標(biāo)參考面為 ABCD，如果用一組等間隔的平行直線ABCD 來對汽車牌照 abcd 進(jìn)行掃描，各次掃描線組的行距不變，只是在一定的范圍內(nèi)以順時(shí)針或逆時(shí)針的方向逐漸改變掃描線組 ABCD 與水平方向的夾角，并設(shè)置一個(gè)數(shù)組來記錄每次掃描后，行組中具有車牌字符信息的 23 行數(shù)，由下圖可以看出，當(dāng)且僅當(dāng)平行直線組 ABCD 與汽車牌照 abcd 在水平方向上的夾角相同時(shí)，該角度對應(yīng)行組中車牌字符信息數(shù)最大。圖 41 理論依據(jù)圖圖 42 公式推導(dǎo)圖如圖 所示，若是以原點(diǎn)為基準(zhǔn)，進(jìn)行旋轉(zhuǎn)，其公式如下:旋轉(zhuǎn)前： (42) 24 ()旋轉(zhuǎn)后： ()()若是以某一個(gè)定點(diǎn)為基準(zhǔn)，進(jìn)行旋轉(zhuǎn)，如圖 43，應(yīng)采用公式如下:圖 43 公式推導(dǎo)如上圖，未旋轉(zhuǎn)時(shí)候的矩形框中心為 02，在 X_0_Y 坐標(biāo)系中為(a，b)，旋轉(zhuǎn)后的中心坐標(biāo) 02 在新坐標(biāo)系 Xl_Ol_Yl 中為(c ，d)，則整個(gè)旋轉(zhuǎn)過程矩陣可以描述如下 [9]：（46）對上述矩陣求逆有：（47） 25 有即如下：（48）（49）實(shí)際計(jì)算時(shí)，以[15 176。cha[030]，用來記錄在相的傾斜角度后，對 cha 數(shù)組內(nèi)的元素進(jìn)行排序，得到的最大一個(gè)元素，它所對應(yīng)的傾斜角度，即可判定為車牌的傾斜角度。第一類算法就是對每一個(gè)字符采用陰影掩膜技術(shù)進(jìn)行編碼，提取字符特征，用神經(jīng)網(wǎng)絡(luò)技術(shù)等進(jìn)行字符識別。本文采用垂直投影法來實(shí)現(xiàn)分割。國內(nèi)標(biāo)準(zhǔn)的車輛牌照(本文暫不考慮軍車，警車，教練車、領(lǐng)事車)，其內(nèi)部包含七個(gè)字符，順序?yàn)?首字符為省、自治區(qū)或直轄市名稱縮寫，次位為英文大寫字母，后五位為英文大寫字母與阿拉伯?dāng)?shù)字的混合，標(biāo)準(zhǔn)車牌的長度為 409 毫米，其中單個(gè)字符統(tǒng)一寬度為 45 毫米，高 90 毫米，第二，第三個(gè)字符間間隔較大，總間隔為 34 毫米，間隔中間存在一個(gè)小圓點(diǎn)，其寬度為 10 毫米，該圓點(diǎn)與其左右兩邊的字符均為 12 毫米，其余字符間隔為 12 毫米。，得到 length 為汽車牌照圖像的長 度； W = length/9，對牌照圖像進(jìn)行掃描，若有大于 w 的線段可以認(rèn)為是牌照邊框，由此線段進(jìn)行區(qū)域生長，去處邊框?？紤]到光照不均勻和二值化的因素，字符的實(shí)際間距與計(jì)算值是有一定的浮動。、右邊界分割出單一字符，算法結(jié)束。通常對圖像進(jìn)行空間變換，使其大小歸一化時(shí)，主要有兩種方法[21]：一種是將字符的外邊框按一定的比例線性放大或縮小到標(biāo)準(zhǔn)字符尺寸；另一種是通過插值變換來進(jìn)行大小歸一化。在分裂階段，將原有圖像的每一個(gè)點(diǎn)復(fù)制放大 IJ 倍，即將該點(diǎn)的像素值復(fù)制到 IJ 的陣列中，則 MN 的陣列變成一個(gè) MINJ 大小的陣列。假定圖像 X 軸方向縮放比率是 fx，Y 軸方向縮放比率是 fy，那么原圖中點(diǎn)(x0， y0)對應(yīng)新圖中的點(diǎn)(x1，y1) 的轉(zhuǎn)換矩陣為：(410)其逆運(yùn)算如下： (411)也即： (412)當(dāng)(x0， y0)是整數(shù)時(shí)，表明(x1，y1) 對應(yīng)在原圖像的網(wǎng)格點(diǎn)上，不必進(jìn)行任何變換，直接令(x1，y1)等于(x0，y0) 處的灰度值。 30 線性插值算法中的(x 1，y 1)的灰度值是用(x 0，y 0)鄰近的 4 個(gè)點(diǎn)(m，n)，(m+1，n) ，(m，n+1)，(m+1 ，n+1) 按照如下規(guī)則計(jì)算出來的：(413)三次插值算法中的(x1，y1)的灰度值是用(x0，y0) 鄰近的 16 個(gè)點(diǎn)的灰度值按照一定規(guī)則計(jì)算得到。本文在基于傳統(tǒng)的 BP 神經(jīng)網(wǎng)絡(luò)算法基礎(chǔ)上，為了提高識別速度和識別正確率，提出了改進(jìn)的 BP 新算法。用于字符識別的分類特征應(yīng)滿足以下要求：（1）有較強(qiáng)的分類能力。 一般，涉及到車牌內(nèi)字符的識別，最常用的有兩大類特征，分別是:結(jié)構(gòu)特征和統(tǒng)計(jì)特征 [12]。本文中，為了保證識別的正確率，簡化網(wǎng)絡(luò)規(guī)模，提高神經(jīng)網(wǎng)絡(luò)的處理速度，對英文大寫字母，阿拉伯?dāng)?shù)字的特征提取與對漢字字符的特征提取，采用不同的提取方法。最后統(tǒng)計(jì)整個(gè)字符中目標(biāo)像素的個(gè)數(shù)作為一個(gè)整體特征，最后，一共得到了關(guān)于該字符的 13 個(gè)特征。 基于 BP 神經(jīng)網(wǎng)絡(luò)的字符識別 神經(jīng)網(wǎng)絡(luò)理論概述人工神經(jīng)網(wǎng)絡(luò)的研究背景最早開始于 19 世紀(jì)末，20 世紀(jì)處。神經(jīng)網(wǎng)絡(luò)是巨量信息并行處理和大規(guī)模平行計(jì)算的基礎(chǔ)，它既是高度非線形動力學(xué)系統(tǒng)，又是自適應(yīng)系統(tǒng)。能夠從環(huán)境中學(xué)習(xí)并在學(xué)習(xí)中提高自身性能是神經(jīng)網(wǎng)絡(luò)最有意義的性質(zhì)。假設(shè)：隱含jw層輸出向量記為： ,輸出層的輸出向量Tm21 }yy{， ??Y定義為： 。因此，為使誤差不斷減小，以滿足實(shí)際要求，得到如下的權(quán)值調(diào)整量：對于輸出層，有： jkkkjkjk wtwE?????????（58） 定義一個(gè)誤差信號： )(`kkkkkok oEoE f??????????（59） 又由式（1） ，得： )(kkkodoE??? （510） 37 最后，可得： jkkkjokjk yoodyw)1()(????? （511）對于隱含層，有： ijjijij vtEvEv ????????（512）定義一個(gè)誤差信號： )(`jjjjjjyj yEyE f???????（513）又由式（2） ，得： jkkkklkyE wodfj )()(`1????（514）最后可得： ijjjkolkikjij xywxv )1()(1???????（515）（5）迭代。另外，網(wǎng)絡(luò)的繁簡程度對 BP 網(wǎng)絡(luò)的硬件實(shí)現(xiàn)也有很大的影響，因此，如何確定網(wǎng)絡(luò)層數(shù)和每層應(yīng)選的節(jié)點(diǎn)數(shù)非常重要。一個(gè)典型的 BP 網(wǎng)絡(luò)采用的是梯度下降算法，也就是 WidrowHoff 算法所固定的，這種算法計(jì)算量小，易實(shí)現(xiàn)，但對于定義在多維空間上的函數(shù)，其誤差函數(shù)是多維空間的曲面，曲面本身凹凸不平，存在多個(gè)局部極小點(diǎn)或平坦區(qū)域，因此，使用 BP 網(wǎng)絡(luò)，在訓(xùn)練的過程中，梯度法很容易陷入某一局部最小點(diǎn)中，以至于使得訓(xùn)練無法進(jìn)行，得到全局最優(yōu)解。BP 神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)率 η 和慣性因子 α 一般都是由經(jīng)驗(yàn)確定，在訓(xùn)練過程中保持不變。這樣就出現(xiàn): 在誤差曲面較平坦處，由于這一偏導(dǎo)數(shù)值較小，以至于需要經(jīng)過多次調(diào)整才能將誤差函數(shù)曲面降低。 39 算法的改進(jìn)對于 BP 神經(jīng)網(wǎng)絡(luò)，構(gòu)成它的多層前饋網(wǎng)絡(luò)，在理論上能夠以任意精度逼近連續(xù)非線性函數(shù)，但這一結(jié)論成立的前提是:網(wǎng)絡(luò)要足夠復(fù)雜。對于一個(gè) BP 神經(jīng)網(wǎng)絡(luò)，增加它的隱含層數(shù)，可以增加網(wǎng)絡(luò)的處理能力，但同時(shí)，需要更多的運(yùn)算和反饋調(diào)整，增加了運(yùn)算量，并且劃分空間過細(xì)會導(dǎo)致網(wǎng)絡(luò)的歸納與泛化能力下降。Cybenko 也指出，當(dāng)各節(jié)點(diǎn)均采用 Sigmoid 型函數(shù)時(shí)，一個(gè)隱含層就足以實(shí)現(xiàn)任意的判決分類問題兩個(gè)隱含層足以表示輸入圖形的任意輸出函數(shù)。因