【正文】 牌定位方法、基于神經(jīng)網(wǎng)絡(luò)的車牌定位方法等多種基于不同理論的車牌定位方法（閆青，2010），但是這些方法都是針對(duì)車牌某一個(gè)或者幾個(gè)的特征來(lái)研究和進(jìn)行車牌定位，所以都具有一定的局限性?！”菊n題研究?jī)?nèi)容基于圖像處理的車牌識(shí)別系統(tǒng)一般包括如圖1所示的五個(gè)部分：圖像處理車牌定位字符分割字符識(shí)別圖像采集圖1　車牌識(shí)別系統(tǒng)流程圖本文主要研究車牌識(shí)別系統(tǒng)中的兩個(gè)關(guān)鍵的部分，就是車牌定位和字符分割。在實(shí)現(xiàn)目標(biāo)和仿真的軟件上，選用了MATLAB。（4）MATLAB語(yǔ)言簡(jiǎn)單，入門容易，自由度大，例如用戶無(wú)需對(duì)矩陣預(yù)定義即可使用。第三章為車牌定位算法，具體地介紹了車牌定位算法的流程、方法以及涉及的理論。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖象中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖象進(jìn)行了分析和識(shí)別的目的。（4）基于彩色分割的車牌定位方法（馬永慧，2013），在HSI彩色空間的基礎(chǔ)上進(jìn)行邊緣提取操作，取得圖像飽和度和亮度邊緣，并進(jìn)行邊緣合成，最后，利用色調(diào)信息的提取來(lái)判定車牌區(qū)域。（7）還有基于神經(jīng)網(wǎng)絡(luò)的車牌定位方法、基于遺傳算法的車牌定位方法等等。事實(shí)上，經(jīng)過(guò)多次的實(shí)驗(yàn)和反復(fù)調(diào)試，車牌定位后做旋轉(zhuǎn)校正，雖然要處理的數(shù)據(jù)較少，但是，車牌旋轉(zhuǎn)校正比車輛圖片旋轉(zhuǎn)校正要難一些和效果要差一些。校正方法本文采取radon變換，利用radon變換函數(shù)，能夠迅速得到傾斜角，進(jìn)而進(jìn)行旋轉(zhuǎn)校正。其原理是對(duì)原圖像沿不同方向進(jìn)行投影，并對(duì)投影結(jié)果建立二維直方圖，選取極值點(diǎn)為直線所對(duì)應(yīng)的點(diǎn)，二維直方圖中的每一個(gè)極值點(diǎn)的兩坐標(biāo)對(duì)應(yīng)直線邊緣的傾斜角度和位置，而該坐標(biāo)處對(duì)應(yīng)的函數(shù)值對(duì)應(yīng)投影的高度 ，從而可以得到直線的幾何參數(shù)信息( 傾斜角度和位置)( 胡小健，等，2006)。利用MATLAB自帶函數(shù)[R，xp]=radon(E，theta)；就可以統(tǒng)計(jì)出不同角度的投影情況，通過(guò)[E，J]=find(R=max(max(R)))找到R的最大值就可以找到角度θ，就可以輕松求出傾斜角?；叶葓D亮度值量化為256級(jí)，0為最暗全黑，255為最亮全白。由大量實(shí)驗(yàn)證明，、灰度圖的效果比較好。邊緣是指其周圍元素灰度有階躍變化的像素。在汽車圖像中，牌照區(qū)域內(nèi)含有豐富的邊緣，而其它區(qū)域則不具有這個(gè)特點(diǎn)，所以針對(duì)這種特征我們可以采用邊緣檢測(cè)算法來(lái)分離目標(biāo)與背景區(qū)域，僅對(duì)車牌部分進(jìn)行增強(qiáng)。邊緣算子有很多，常用的以下幾個(gè)：Roberts算子、Prewitt算子、Sobel算子、Canny算子、 Laplace算子、羅盤算子等。在幾種算子中，Roberts算子在噪聲較少的情況下邊緣檢測(cè)的效果與其他算子相比更佳，車牌邊緣清晰，字符輪廓明顯（卓均飛，等，2010）。)，我們很方便就可以進(jìn)行邊緣檢測(cè)的操作。它的基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。基于這些基本運(yùn)算還可以推導(dǎo)和組合成各種數(shù)學(xué)形態(tài)學(xué)實(shí)用算法。先腐蝕后膨脹的過(guò)程稱作開運(yùn)算，它具有消除細(xì)小物體，有在物體纖細(xì)處分離物體和平滑較大物體邊界的同時(shí)并不明顯改變其面積的作用；而閉運(yùn)算則是先膨脹后腐蝕，它具有填充物體影像內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的同時(shí)并不明顯改變其面積作用。rectangle39。（3）再次利用開運(yùn)算的性質(zhì)，結(jié)構(gòu)元素大小為[20，1]，達(dá)到去除細(xì)小狹窄的矩形條區(qū)域。rectangle39。接下來(lái)進(jìn)行一個(gè)開運(yùn)算使連通域分離。而事實(shí)上，形態(tài)學(xué)處理后并不一定會(huì)像圖11那么好，只留下車牌區(qū)域。size（）獲得圖片的水平和垂直的大小之后，創(chuàng)建一個(gè)全0的一維數(shù)組（可看為圖像第一列），然后水平投影（即每一行的像素點(diǎn)疊加），可得到水平的像素情況。（4）判定車牌區(qū)域是否在合理的位置，寬高比是否符合，不符合則跳至下一個(gè)提取方法。返回的信息是各個(gè)連通矩形區(qū)域中的位置信息，根據(jù)車牌的定制標(biāo)準(zhǔn)，計(jì)算每一個(gè)區(qū)域。當(dāng)然，這套方法存在著缺陷，就是當(dāng)前面形態(tài)學(xué)處理不夠好，出現(xiàn)都符合上面的判斷，但是并不是車牌區(qū)域，或者甚至把車牌區(qū)域給去除掉，都會(huì)造成定位失敗。也就是說(shuō)，待處理圖像的車牌大小特征要跟結(jié)構(gòu)元素相符，才能正確定位提取出來(lái)，這就是這個(gè)方法局限性的地方。而字符分割的目標(biāo)就是將車牌里面的字符一個(gè)一個(gè)的準(zhǔn)確的切分出來(lái)。好的預(yù)處理可以大大提高字符分割的準(zhǔn)確率（遲曉君，等，2006)。二值化最常用的方法就是設(shè)定一個(gè)閾值，用閥值將圖像分成兩部分：大于閥值的像素群（灰度值設(shè)置為255）和小于閥值的像素群（灰度值設(shè)置為0)。因此要進(jìn)行一個(gè)邊框去除的工作。（3）左右邊框很難去除，只能做到盡量去除。圖18　水平投影圖圖19　去除邊框結(jié)果去除邊框后，圖片只剩下目標(biāo)信息，已經(jīng)足夠清晰，剩下的就是切分處理。標(biāo)準(zhǔn)車牌的具體排列格式是：X1（省代號(hào))X2(地市級(jí)代號(hào)).X3X4X5X6X7。先取一個(gè)較小的像素閥值，分析投影圖可以把像素閥值取為5，從左邊開始掃描，確定左邊界，然后再往右掃描找到右邊界，為了防止由于像素值判斷失誤而導(dǎo)致右邊界過(guò)界，所以利用車牌的規(guī)范性，再添加一個(gè)判斷條件，根據(jù)寬高比來(lái)限制右邊界不越界。再利用垂直投影的方法結(jié)合車牌的定制標(biāo)準(zhǔn)，簡(jiǎn)單容易地將每一個(gè)字符切分。經(jīng)過(guò)總結(jié)，雖然這種處理方法受到環(huán)境噪聲影響少，但是，對(duì)圖片的規(guī)格要求相對(duì)較高。盡管這個(gè)方法具有一定的局限性，但基本能實(shí)現(xiàn)車牌定位和字符分割。（3）增強(qiáng)車牌定位算法的功能，例如能檢測(cè)出多個(gè)車牌或者檢測(cè)出沒(méi)有車牌。參 考 文 獻(xiàn)陳濤，楊晨暉，[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，19(05): 4547.遲曉君，[J].計(jì)算機(jī)應(yīng)用研究，2006，(07): 256257.范蕤，[J].通化師范學(xué)院學(xué)報(bào)，2008，29(10): 46.郭琳琳，[J].信息與電腦，2010，(04): 1415.胡小健，[J].仲愷農(nóng)業(yè)技術(shù)學(xué)院學(xué)報(bào)，2006,19(01): 4446.焦婷婷，[J].山東科學(xué)，2008，21(02): 3941.[J].山西電子技術(shù)，2013，(01): 4547.孟曉莉，趙安軍，[J].計(jì)算機(jī)技術(shù)與發(fā)展，2010，20(11): 8486.齊永奇，王文凡，趙巖，[J].現(xiàn)代電子技術(shù)，2007，(17): 184186.[J].計(jì)算機(jī)應(yīng)用與軟件，2010，27(08): 255256.[D].重慶：重慶大學(xué)，2009.熊春榮，[J].微計(jì)算機(jī)信息，2010, (16): 188190.[J].中國(guó)科技信息，2009，(12): 146147.[J].微型機(jī)與應(yīng)用，2010，(02): 13.張向東，馬月濤，[J].電子科技，2007，(05): 7274.朱光忠，鄭月齋，[J].福建電腦，2009，(07): 7475.卓均飛，[J].科技通報(bào)，2010，26(03): 438441.附　　　　錄程序主要代碼：I=imread(39。%灰度化E=edge(gp,39。[R,xp]=radon(E,theta)。amp。bilinear39。figure(1),imshow(I),title(39。y=edge(gp,39。rectangle39。,[4,24]))。%開運(yùn)算IM2=bwareaopen(IM2,1210)。endendend%定位上下邊界[temp MaxY]=max(Y1)。(PY11))PY1=PY11。(PY2y)) PY2=PY2+1。amp。amp。 c=(PX2PX1)/(PY2PY1)。amp。amp。figure(2),imshow(dw)。STATS=regionprops(L,39。BoundingBox=[]。amp。yb=BoundingBox(i1)。定位結(jié)果39。%二值化[y,x,z]=size(I1)。y=fix(x*90/409)。endPx1=Px0。(Px1x))||((Px1x)amp。endZ3=Z2(:,Px0:Px1,:)