【正文】 車牌圖像的特點(diǎn)， 目前， 車牌區(qū)域定位 時(shí)利用的相對(duì)比較可靠的大多還是一些比 較直觀、較易提取的 自然特征（如亮度、輪廓、紋理、顏色等） ，或者是在 自然特征 的基礎(chǔ)上 變換或測(cè)量而來 的人為特征。 而如果采用樣本灰度圖像的全部灰度值數(shù)據(jù)作為特征向量，則對(duì)于待識(shí)別圖像中車牌區(qū)域的尺寸有一定的要求，使得其使用場(chǎng)合受到了較大的限制 ； 同時(shí)，由于實(shí)際應(yīng)用中圖像采集環(huán)境的復(fù)雜性， 使得 訓(xùn)練樣本的取得也是非常困難的 ；而且，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程耗時(shí)較長(zhǎng) ；同時(shí)，由于 車牌區(qū)域 定位時(shí)要用 移動(dòng)窗口遍歷要識(shí)別的圖像 ，實(shí)時(shí)性不太好 ，對(duì)圖像 中車牌區(qū)域尺寸變化時(shí) 的適應(yīng)性不理想 。 至于顏色聚類法、顏色模板匹配法，由于 對(duì)車牌區(qū)域定位 所依據(jù)的特征信息與顏色分類法 并 沒有本質(zhì)的不同，也 需要 解決 因圖像 顏色畸變 帶來的 問題。 因此，實(shí)際應(yīng)用中區(qū)域生長(zhǎng)法要達(dá)到分割目的，需要解決三個(gè) 基本問題： (1) 正確確定能滿足分割要求的圖像區(qū)域及其種子像素 ； (2) 制定合適的區(qū)域生長(zhǎng)的準(zhǔn)則 ； (3) 制定合適的區(qū)域停止生長(zhǎng)的條件或規(guī)則 ； 由于實(shí)際應(yīng)用中車牌圖像的特點(diǎn)，在進(jìn)行車牌定位時(shí)這 三個(gè)基本問題 都很 22 難解決。因此，利用圖像中車牌區(qū)域 的 幾何形狀特征 進(jìn)行 車牌區(qū)域圖像定位， 是最容易想到也是最早使用的 方。 基于區(qū)域的車牌區(qū)域定位方法 [ 19] 1 、 區(qū)域生長(zhǎng) [ 20] 區(qū)域生長(zhǎng)的基本思想是將具有相同或相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。 這種方法要求圖像中車牌的顏色必須 比較穩(wěn)定，而在 實(shí)際應(yīng)用中，待識(shí)別圖像一般是在開放或半開放環(huán)境中采集， 一些 情況下會(huì)存在比較嚴(yán)重的顏色畸變 。 由以上過程可以看出，這類車牌 區(qū)域定位 方法的基本出發(fā)點(diǎn)是為了利用神經(jīng)網(wǎng)絡(luò)在分類方面的 優(yōu) 點(diǎn)， 主要是 神經(jīng)網(wǎng)絡(luò) 的泛化能力和對(duì)樣本的學(xué)習(xí)能力。目前， 車牌區(qū)域定位 時(shí)利用的主要是在邊緣檢測(cè)基礎(chǔ)上獲得的一些較簡(jiǎn)單、直觀、易于判斷的相對(duì)比較可靠的 紋理特征 ，在本文后面的內(nèi)容中也有進(jìn)一步的分析。 6 、線條和角點(diǎn)特征 圖像中經(jīng)常出現(xiàn) 線條 以及 線條 與 線條 相交引起的角點(diǎn)，這些 線條和角點(diǎn) 能夠反映出對(duì)象的特征信息。比如，對(duì)車牌圖像進(jìn)行小波變換，可以突出車牌區(qū)域高頻的邊緣和紋理信息。幅值特征容易在特定的像素點(diǎn)處或某個(gè)區(qū)域內(nèi)進(jìn)行測(cè)量，判斷決策時(shí)更易理解。如果圖像的 幾何畸變 嚴(yán)重時(shí)， 因 校正 而產(chǎn)生的新畸變也可能會(huì)比較大，會(huì)給以后字符的分類識(shí)別帶來一定的困難。這個(gè)問題一般能夠通過在圖像采集階段改善技術(shù)手段來解決。 傳統(tǒng)的 尋找校正基準(zhǔn)點(diǎn)的 方法是采用 Hough 變換方法檢測(cè)車牌區(qū)域邊緣。 關(guān)于車牌圖像幾何畸變校正問題 [12] [ 13] 造成 圖像幾何畸變 的原因主要有兩個(gè)因素，一個(gè)是攝像系統(tǒng)自身因素，另一個(gè)是對(duì)象與攝像鏡頭的軸線相對(duì)位置因素。這也是能對(duì)圖像進(jìn)行直方圖變換的基礎(chǔ)。 像素連通性的判斷通常采用 4 鄰域連通與 8 鄰域連通兩種規(guī)則。 BB ??? )BA(A ? A 為原始圖像， B 為結(jié)構(gòu)元 圖像 。如圖 所示，本例原圖與圖 原圖相同。具體到車牌圖像，字符部分主要為高頻成分，而背景主要為低頻成分。 在對(duì)車牌圖像進(jìn)行邊緣提取時(shí)，采用 Canny 算子邊緣 檢測(cè) 法能比較好地提取出字符的輪廓邊緣，同時(shí)對(duì)于噪聲 有很好的抑制。而在此基礎(chǔ)上提出的 LoG 算子 邊緣 檢測(cè) 法 ， 通過 高斯濾波來減少噪聲， 邊緣檢測(cè)效果獲得了一定的提高 。由于 對(duì)噪聲比較敏感， 而且 由于 閾值 固定， 自適應(yīng)性不好。 11 灰度 圖像中 ， 所謂邊緣像素點(diǎn)表現(xiàn)為 該點(diǎn)的 鄰域是一個(gè)灰度級(jí)變化帶，衡量這種變化最有效的兩個(gè)特征值 ， 是灰度的變化率和變化方向。 Canny 算子法 檢測(cè) 出的邊緣定位比較準(zhǔn)確、寬度為一個(gè)像素、孤立點(diǎn)和非邊緣 噪聲 得到了較好的抑制，大大減少了圖像中需要分析判斷的數(shù)據(jù)，一般比較容易判斷出目標(biāo)和背景，從而能夠較好地確定 圖像 二值化的 閾值 。 2 、 Bersen算法二值化容易 產(chǎn)生嚴(yán)重的噪聲 。則： 類 內(nèi)方差 )t()t()t()t( 2222112w ????? ?? 式（ 25 ） 類 間方差 )]t(M)t(M)[t()t()t( 21212B ?? ??? 式（ 26 ） 對(duì)于給定的一幅圖像 ， 2w? + 2B? = 常數(shù)，因而 )t(2B? 最大時(shí) ，則 )t(2w?最小， 此時(shí) t=T 便是 使圖像分為兩類的最佳 閾值。 (a) 原圖 (b) 圖 (a) Otsu 法 二 值化圖 圖 二 值化效 果評(píng)價(jià) 8 二值化實(shí)際上是尋找閾值 T 的過程 ，而 閾值 T 的選擇要以滿足 二值化目的為依據(jù)。 從字面上理解 ，所謂 圖像 二值化 ， 就是將彩色或灰度圖像用兩個(gè)灰度級(jí)別( 一般為 黑、白 ) 來表示 。 方案考慮 了漢字、英文字母和阿拉伯?dāng)?shù)字的不同特點(diǎn)，分別提取字符的分類特征，并選擇不同的分類識(shí)別方法。本文建議最好在圖像采集階段，將幾何畸變控制在一定的范圍內(nèi)。 (2) 關(guān)于圖像的邊緣檢測(cè) 通過分析比較， 本文在車牌區(qū)域定位時(shí)采用了 Sobel 模板進(jìn)行多方向邊緣檢測(cè)， 而 在字符切分時(shí)采用了 Canny 邊緣檢測(cè) 方法，獲得了較好的應(yīng)用效果。從某種程度上講， 意味著要完全可靠。此外， 由于一些客觀因素的影響， 對(duì)于有關(guān)方法實(shí)驗(yàn)驗(yàn)證時(shí)， 難以獲得足夠 數(shù)量 的 具有廣泛代表性圖像樣本，實(shí)驗(yàn)結(jié)果的說服力 還不夠充分 。相關(guān)論文中提出了很多車牌圖像處理、分割、分析、識(shí)別的算法，主要利用較經(jīng)典的圖像空間變換、智能計(jì)算和數(shù)據(jù)挖掘理論，并在一定程度上進(jìn)行了實(shí)驗(yàn)論證。但通過 各個(gè) 廠商在其有關(guān)網(wǎng)站提供的信息和對(duì)兩家廠商提供的測(cè)試軟件進(jìn)行一定數(shù)量樣本的測(cè)試后 ， 可以發(fā)現(xiàn)， 各個(gè) 廠商聲稱的 車牌識(shí)別正確率往往是通過對(duì)特定場(chǎng)所、特定時(shí)間范圍內(nèi)的樣本進(jìn)行測(cè)試而得出的結(jié)論。 3 、車牌圖像識(shí)別技術(shù)在停車場(chǎng)收費(fèi)管理系統(tǒng)中的應(yīng)用 停車場(chǎng)收費(fèi)管理系統(tǒng)：用于對(duì)出入車輛號(hào)牌識(shí)別和匹配，實(shí)現(xiàn)自動(dòng)計(jì)時(shí)、計(jì)費(fèi)管理。因此，城市交通領(lǐng)域迫切需要應(yīng)用一些 較 可靠、有效的智能化技術(shù)手段。 1 、車牌圖像識(shí)別技術(shù)在高速公路領(lǐng)域的應(yīng)用 高速公路是車牌圖像識(shí)別技術(shù)在我國(guó)交通工程中最早應(yīng)用的領(lǐng)域，也是車牌識(shí)別產(chǎn)品應(yīng)用最多的領(lǐng)域。 4 、分析研究了 現(xiàn)有的 車牌字符特征提取和分類識(shí)別的方法， 設(shè)計(jì) 出一種車牌字符分類識(shí)別的方案。 車牌圖像識(shí)別應(yīng)用技術(shù)研究 摘 要 車牌圖像識(shí)別技術(shù)以計(jì)算機(jī)視覺、人工智能和模式識(shí)別理論為基礎(chǔ)，是實(shí)現(xiàn)交通管理智能化的一個(gè)重要組成部分。該方法受噪聲影響小， 對(duì)字符定位準(zhǔn)確，判斷決策方法簡(jiǎn)單 。剛開始主要用于高速公路收費(fèi)輔助系統(tǒng)以降低交通通行征費(fèi)收入的流失，后來逐步發(fā)展到 城市交通 、 停車場(chǎng)管理、門禁管理 等多種應(yīng)用領(lǐng)域。 2 、車牌圖像識(shí)別技術(shù)在 城市交通 領(lǐng)域的應(yīng)用 隨著我國(guó)機(jī)動(dòng)車保有量的迅速增加，以及政府對(duì)公共安全的日益重視，城市交通監(jiān)控和管理工作日趨繁重。目前的車 2 牌圖像識(shí)別產(chǎn)品在這方面尚不夠理想，因此 一般也是 作為一種輔助手段，還不能實(shí)現(xiàn)真 正意義上的智能化。 由于 各個(gè) 廠商對(duì)其使用的車牌圖像識(shí)別技術(shù)都是不公開的，我們很難了解其中采用的三個(gè)方面的 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 ) 中使用的具體方法，因此很難 具體評(píng)價(jià)其方法的優(yōu)劣。 這在一定程度上反映了車牌定位技術(shù)的重要地位，也一定程度上反映出目前這方面尚有不盡人意之處。一些方法中要求的 圖像的 特征 ( 比如，要求圖像中車牌區(qū)域大小一致，或者要求車牌圖像 字符位置固定 等 ) 在 目前的 圖像實(shí)際采集時(shí)可 4 能 還 難以滿足， 方法的實(shí)用性也就 難免存有一定的疑問 。 對(duì)于 92式普通民用 車牌 ， 識(shí)別的基本過程如下： 原始圖像→ 車牌定位 → 字符切分 → 識(shí)別第一個(gè)字符 →?→ 識(shí)別第七個(gè)字符 上述過程可以看作是一個(gè)三個(gè)方面九個(gè)環(huán)節(jié)組成的 鏈?zhǔn)浇Y(jié)構(gòu)，根據(jù)概率論的原理，對(duì)于 三個(gè)關(guān)鍵技術(shù)可靠性的要求極高。在車牌圖像識(shí)別中，本文認(rèn)為最好應(yīng)避免在車牌區(qū)域定位和車牌字符切分階段對(duì)圖像進(jìn)行 二值化 ，并設(shè)計(jì) 出 一種 基于 Canny 邊緣檢測(cè) 尋找目標(biāo)對(duì)象特征點(diǎn) 、再 對(duì)特征 點(diǎn)的灰度像素值 分析判斷 來確定閾值 的車牌字符二值化方法 ，改善了車牌字符圖像二值化處理的質(zhì)量 ，可以滿足本文對(duì)車牌字符特征提取預(yù)處理的要求 。而且 ,對(duì)圖像進(jìn)行幾何畸變 校正 的同時(shí)，會(huì)產(chǎn)生新的畸變，也可能會(huì)給字符的分類識(shí)別帶來不利的影響。 4 、對(duì)一些車牌字符特征提取和分類識(shí)別的方法進(jìn)行了分析研究， 設(shè)計(jì) 出一種 車牌字符分類識(shí)別的方案。因此，在車牌圖像識(shí)別中，圖像 二值化 是一個(gè)非常重要的技術(shù)。以圖 (b)為例，如果以將車牌字符與背景分離為目的，可視為完全失??；而如果以將車牌區(qū)域與背景分離為目的，則可視為效果較好。 M,N 表示圖像大小為 M N? ， ),( yxC 用來統(tǒng)計(jì)各組間像素個(gè)數(shù)。則有： ???? 10),( yxb ),(),( ),(),( yxTyxf yxTyxf ?? 式（ 28 ） Bersen算法存在以下問題和缺點(diǎn)： 1 、 由于 Bersen算法閾值的確定是通過動(dòng)態(tài)計(jì)算每個(gè)考察點(diǎn)鄰域的灰度值來確定，其實(shí)現(xiàn)速度較全局閾值二值化方法要慢 ，而且也 沒有 做到以 二值化 目的作為閾值選擇的依據(jù) 。 這種方法較為簡(jiǎn)單，主要過程如下： Step1 對(duì) 車牌 ( 字符 ) 灰度 圖像 進(jìn)行 Canny 邊緣檢測(cè) , 如圖 (b)所示； Step2 根據(jù) Canny 邊緣檢測(cè) 結(jié)果，在 車牌 ( 字符 ) 灰度 圖像 中找到目標(biāo)對(duì)象的邊緣像素點(diǎn)； Step3 根據(jù)在 車牌 ( 字符 ) 灰度 圖像 中找到的邊緣像素點(diǎn)的灰度值，進(jìn)行具體的分析判斷來確定 閾值 ，進(jìn)行二值化。 因此，在車牌 圖像識(shí)別 中，邊緣檢測(cè) 技術(shù) 十分重要。但如果 thresh選取得不合適，則極易得到 較 強(qiáng)的噪聲或者是提取的邊緣 信息 的完整性 不好 。 在車牌 圖像的分割和 識(shí)別中 ， 同上述 的 微分算子邊緣檢測(cè) 法 一樣，純 Laplacian 算子 邊緣 檢測(cè) 法 也難以獲得理想的實(shí)際應(yīng)用效果 。 根據(jù)梯度幅值 累計(jì)直方圖 獲得高、低 兩個(gè)閾值 ； 灰度值大于高閾值的像素為邊緣，小于低閾值的不是邊緣，介于兩個(gè)閾值之間的，如果其鄰接像素有灰度值大于高閾值的則為邊緣，如沒有則 13 不是。因此，如果要增強(qiáng)圖像細(xì)節(jié)結(jié)構(gòu)，就要加強(qiáng)高頻成分減弱低頻成分。經(jīng)過實(shí)驗(yàn)也可以證實(shí)，對(duì)于車牌圖像進(jìn)行 同態(tài)濾波處理后 再用 Otsu算法進(jìn)行 二值化 一般可以獲得較好的效果。 開運(yùn)算：是先腐蝕再膨脹的過程。本文中， 連通區(qū)域標(biāo)記 和數(shù)學(xué)形態(tài) 學(xué)處理是相伴進(jìn)行的。也就是說，在不丟失灰度 16 級(jí)之間次序的情況下，改變圖像的直方圖形狀一般并不會(huì)影響圖像中重要的因素。但由于圖像直方圖變換所起的作用尚沒有足夠的能令人信服的理論依據(jù)，還必須通過對(duì)大 量樣本的實(shí)驗(yàn)和歸納分析，進(jìn)行進(jìn)一步的研究。由于車牌圖像的復(fù)雜性，尋找校正基準(zhǔn)點(diǎn)是非常困難的。實(shí)際采集車牌圖像時(shí)，在光線很強(qiáng)或很弱（夜晚）的情況下，往往很難從一些圖像中 檢測(cè)出 車牌區(qū)域 邊緣 。由于 校正 后的圖像中 ， 某些像素點(diǎn)可能分布不均勻，沒有落在坐標(biāo)點(diǎn)上，需要采用內(nèi)插法近似求得這些像素點(diǎn)的灰度值，實(shí)際上這也就 是 產(chǎn)生了新的畸變。 根據(jù)其基本的描述方法，圖像 特征可分為 如下幾類 ： 1 、 幅值特征 圖像幅值特征包括像素點(diǎn)的亮度值、灰度值、彩色圖像中的 RGB三刺激值等，還包括利用各種變換（如傅立葉變換、小波變換等）形成的變換系數(shù)的幅值。采用各種變換的目的，一般是為了突出圖像的某些特征信息，以便于尋找其規(guī)律性。在車牌圖像識(shí)別中，矩 特征 在車牌區(qū)域定位和單個(gè)字符區(qū)域切分方面的應(yīng)用比較少，但在字符特征提取時(shí)則較常采用。但是由于車牌圖像的復(fù)雜性，其紋理 特征 并不是很穩(wěn)定。主要步驟如下： Step1 采集或收集具體應(yīng)用場(chǎng)合的各類具有代表性的含車牌圖像 ； Step2 構(gòu)建所使用的神經(jīng)網(wǎng)絡(luò) ； Step3 確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的車牌區(qū)域圖像樣本和非車牌區(qū)域圖像樣本的尺寸，對(duì)樣本圖像進(jìn)行相應(yīng)的預(yù)處理，建立相應(yīng)的特征向量（ 一般利用的是 樣本灰度圖像的灰度值） ； Step4 分別提取 樣本集 中 樣本 的 特征 來 訓(xùn)練神經(jīng)網(wǎng)絡(luò) ，直 至神經(jīng)網(wǎng)絡(luò)能夠區(qū)分 出具有代表性的所有 圖像 訓(xùn)練樣本中的 車牌 區(qū)域 和非車牌 區(qū)域； Step5 用與訓(xùn)練樣本尺寸相同的移動(dòng)窗口遍歷要識(shí)別的圖像，判定含車牌區(qū)域 的子窗口，從而確定車牌 區(qū)域 的位置 。 以 基于 HSV(H表示色度， S 表示飽和度， V表示亮度 ) 顏色空間 的 彩色圖像特征的 車牌 區(qū)域定位 方法為例，其基本過程是：首先根據(jù)我國(guó)車牌底色一般為藍(lán)、黃、黑、白中的一種這一特點(diǎn)，在 H和 S 分量子空間 中 找出藍(lán)色和黃色 21 區(qū)域，在 V分量子