【正文】 骨架特征提取法 兩幅圖像由于它們的線 條的粗細不同，使得兩幅圖像的差別很大，但將它們的線條細化后，統(tǒng)一到相同的高度，這時兩幅圖像的差距就不那么明顯。然后統(tǒng)計水平方向中間兩列和豎直方向中間兩列的黑色象素點的個數(shù)作為 4個特征，最后統(tǒng)計所有黑色象素點的個數(shù)作為第 13 個特征。 與兩種識別方法相對應，特征也大體上分為統(tǒng)計特征和結構特征兩類。統(tǒng)計特征又可以分為全局特征和局部特征。 系統(tǒng)采用的識別方法 目前，隨著計算機的迅速發(fā)展，模式識別技術己經(jīng)從理論探討為主發(fā)展到大量的實際應用，人們將更多的注意力開始轉向那些用于語音、圖像、機器人以及人工智能等的模式識別實際問題。 系統(tǒng)中采用 BP(BackPropagation)神經(jīng)網(wǎng)絡來實現(xiàn)車牌字符的識別。在正向傳輸中，輸入信息從輸入經(jīng)隱含層逐層計算傳向輸出層，每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。訓練網(wǎng)絡的目的是找到一組權重，使誤差函數(shù)極小化。權重的學習就是不斷的調整各個神經(jīng)元的連接強度，使其能在最小二乘的意義上逼近所對應的輸出。網(wǎng)絡的每一個輸入節(jié)點表示字符圖像提取特征后特征向量的一個分量數(shù)據(jù)，輸出節(jié)點表示分類序號，分類判決可以采用輸出最大值法。 神經(jīng)網(wǎng)絡模式識別的基本方法是： 首先用已知樣本訓練神經(jīng)網(wǎng)絡，使之對不同類 西南科技大學 本科生 畢業(yè)論文 25 別的已知樣本給出所希望的 不同輸出，然后用該網(wǎng)絡識別 未知的樣本，根據(jù)各樣本所對應的網(wǎng)絡輸出情況來劃分未知樣本的類別。 兩種特征各有利弊，一般需要結合使用。這些因素直接影響到結構基元的提取，此外結構方法的描述比較復雜，匹配過程的復雜度因而也較高。 字符的識別方法簡介 同模式識別中的其它問題一樣，字符識別方法基本上也分成統(tǒng)計決策識別和句法結構識別兩大類，而每一類中又包含有許多具體的方法。 該提取方法的缺點 是適應性不強，當字符存在傾斜和偏移時都會對識別產(chǎn)生誤差。 字符的特征提取 特征提取的方法多種多樣，有逐象素特征提取法，骨架特征提取法，垂直方向數(shù)據(jù)統(tǒng)計特征提取法 ， 13 點特征點提取法 ，弧度梯度特征提取法等很多種方法，根據(jù)具體情況的不同我們可以選擇不同的方法。從實驗可以得出，該字符分割模塊基本上可以完成大部分的數(shù)字字符分割。在得到寬度高度之后，把新圖像里面的點按照插值的方法映射到原圖像中。這樣就可以找到圖像的大致高度范圍。 車牌的字符切分是在車牌定位的基礎上，對取出的牌照圖像區(qū)域進行下一步處理，定出牌照上每一個字符的上下左右邊界，從而將牌照上的字符完整準確地切割下 西南科技大學 本科生 畢業(yè)論文 19 來，作為下 一步字符識別的數(shù)據(jù)源。因為分割不可能做到完全正確，現(xiàn)在有的算法已經(jīng)把字符的分割作為不必要的步驟，而是直接把字符組成的單詞當作一個整體來識別?？上葯z測水平傾斜角度 ? ，進行水平傾斜校正，然后再求取垂直傾斜角度 ? 進行垂直傾斜校正。但是，實際上 CCD 攝像機通常安裝在路邊或頂部，這將造成車輛車牌與 CCD 攝像頭成像平面不平行，產(chǎn)生不同程度的車牌圖像的傾斜與變形，影響車牌的檢測和分割。 在 這三個算子中，最簡單的算子是 Roberts 算子， Roberts 算子是效果比較好的一種，我們采用的就是這個算子，效果如圖 32所示。 在考察相連的黑色點的時候用的是遞歸 的方法。中值濾波的突出優(yōu)點是在消除噪聲的同時，還能防止邊緣模糊。 這種算法簡單，處理速度快，但它的主要缺點是在降低噪聲的同時使圖像產(chǎn)生模糊，特別在邊緣和細節(jié)處。采用合適的濾 波方法不但可以濾除噪聲還可以對圖像進行銳化，增強圖像的邊緣信息。另外在實驗中還發(fā)現(xiàn)該算法對車牌背景環(huán)境要求比較嚴格，車牌如果比較傾斜或者車牌顏色與汽車顏色相近或者車牌背景中的噪聲較大，則定位起 來比較困難，不能實現(xiàn)車牌的精確定位，以后需要進一步改進。如圖 26所示。 （ a）膨脹前 （ b）膨脹后 圖 23 圖像膨脹前后的顯示效果對比 腐蝕 腐蝕的運算符是 ? ，圖像集合 A 用結構元素 B 來腐蝕記作 BA? ，其定義為 ： ? ?ABxBA x ?? )(|? （ 25） 式（ 25）表明， A 用 B 來腐蝕的結果是所有滿足將 B 平移 x 后， B 仍全部包含在 A 中的 x 的集合，從直觀上看就是 B 經(jīng)過平移后全部包含在 A 中的原點組成的集合。其運算對象是集合，通常給出一個圖像集合和一個結構元素集合，利用結構元素對圖像進行操作。字符與字符之間的間隔是近似相等的，而且字符的寬度是近似相等的，而車 （ a） 二值化圖像 （ b） 水平 投影圖 圖 22 水平投影 牌具有 7個字符，所以車牌區(qū)域在垂直方向上的投影應該存在 6個低谷點，而且相鄰低谷點之間的距離是近似相等的，第二和第三字符之間的距離略大于其他字符間的距離。但是并不是所有的局部最小值之間都能稱為峰的，它可能附屬鄰近的一個峰，因而要確定哪一個局部最小值是峰谷，哪一個是毛刺。根據(jù)車牌特征，車牌區(qū)域中的垂直邊緣較密集，而且車牌一般懸掛在車身較低的位置其下方?jīng)]有很多的邊緣密集區(qū) 域。 (4)統(tǒng)計直方圖 及投影方法： 該方法通過對圖像的水平和垂直兩個方向灰度投影直方圖來 分析推斷出牌照的位置。這些特征包括車牌的顏色特征、幾何特征、紋理特征 和 經(jīng)過處理運算后得到的車牌區(qū)域固有的特征 (異于背景區(qū)域特征 )等 。 在本系統(tǒng)中考慮到所要進行處理的圖像大多是噪聲比較少的灰度車牌，系統(tǒng)中采用全局閾值分割的方法進行處理，初始閾值 T 的確定方法是由式 (22)完成： ? ? 3/m i nm a xm a x GGGT ??? (22) maxG 和 minG 分別是最高和最低灰度值。 閾值 分割法可以分為全局閾值法和局部閾值分割法。 這樣可以使得到的灰度圖像在視覺上更接近人的主觀感覺。 256 色位圖灰度化 由于 256色的位圖的調色板內容比較復雜，使得 圖像 處理的許多算法都沒有辦法 西南科技大學 本科生 畢業(yè)論文 5 展開，因此有必要對它進行灰度處理。從自然背景中準確可靠地分割出車牌區(qū)域是提高系統(tǒng)識別率的關鍵，但是由于車牌圖像攝于背景復雜且光照不均勻的自然場景，因而會出現(xiàn)顏色失真或低對比度的圖像，這給車輛牌照的定位帶來了很大的困難。 西南科技大學 本科生 畢業(yè)論文 3 因此，我國車輛牌照識別技術的提高 和廣泛應用 還需廣大科研工作者和相關交通部門的共同努力。 C C D 攝 像 機圖 像 輸 入 接 口預 處 理字 符 識 別顯 示字 符 分 割牌 照 與 背 景 分割 圖 11 車輛牌照識別系統(tǒng)原理框圖 車輛牌照識別在國內外研究現(xiàn)狀 自 1988 年以來，人們就對 車輛牌照識別系統(tǒng) 進行了廣泛的研究，目前國內外已經(jīng)有眾多的算法，一些實用的 LPR 技術也開始用于車流監(jiān)控、出入控制、電子收費等場合。 車輛牌照識別系統(tǒng)原理 一個典型的車輛牌照識別系統(tǒng) (LPR)是由圖像采集系統(tǒng)和 圖像識別系統(tǒng)組成 的，如圖 11[3]。車牌自動識別技術是計算機視覺、圖像處理技術與模式識別 等 技術的融合，是智能交通系統(tǒng)中一項非常重要的技術。本文對車牌識別系統(tǒng)中的車牌定位、字符分割和字符識別進行了初步研究。實現(xiàn)了對車牌的定位和車牌中數(shù)字字符的識別。 由于車牌自動識別技術在智能化交通控制管理中發(fā)揮的重要作用，吸引了各國的科研工作者對其進行廣泛的研究，目前已有眾多的算法，有些已應用于交叉路口、車庫管理、路口收費、高速公路等場合。在預處理的基礎上把圖像中的車牌從背景中分割出來。 我國在 90 年代初期開始了車輛牌照識別技術的研究。 文章在接下來的第二章介紹了車輛牌照的定位方法 ； 第三章介紹了車輛牌照的字符分割算法；第四章介紹了車輛牌照 數(shù)字 字符的識別。車牌的定位算法分為預處理、水平定位、垂直定位?；叶葓D像沒有這些顏色差異，有的只是亮度上的不同。它的大小決定了象素的亮暗程度。局部閾值法常用的方法有灰度差直方圖法、微分直方圖法。 西南科技大學 本科生 畢業(yè)論文 6 消除背景干擾去除噪聲 對 二值化后的圖像進行相鄰象素灰度值相減，得到新的圖像 ， 左邊緣可以直接賦值，不會影響整體效果。其主要的算法介紹如下 ： (1)基于神經(jīng)網(wǎng)絡的車牌定位方法 ： 該方法首先是用神經(jīng)網(wǎng)絡對大量的樣本圖像進行訓練，然后再進行圖像預處理，最后用訓練的神經(jīng)網(wǎng)絡提取真正的車牌區(qū)域。所謂粗定位有 西南科技大學 本科生 畢業(yè)論文 7 兩種含義 ： 第 1種粗定位的含義就是從車輛圖像中找出車牌的大致位置，它并不要求非常精確的定位出車牌的位 置，只需要給出 包含車牌的相對較小或較大的一塊區(qū)域就達到目的；第 2種粗定位的含義就是利用粗分割，即給出包含車牌區(qū)域在內的若干候選區(qū)域，再從這些區(qū)域中提取車牌區(qū)域 [7]。 所以問題轉成確定低谷點的位置。 3．獨立峰具有一定的面積， 這是因為在經(jīng)過邊緣提取，二值化后，在車牌區(qū) 域具有明顯的紋理特征。形態(tài)學的基本思想是使用具有一定形態(tài)的結構元素來度量和提取圖像中的對應形狀，從而達到對圖像進行分析和識別的目的。 膨脹 膨脹的運算符為 “? ”，圖像集合 A 用結構元素 B 來膨脹，記作 BA? ，其定義見式 （ 24） ，其中 ^B 表示 B 的映像，即與 B 關于原點對稱的集合。 開啟和閉合操作的效果如圖 25所示，其中白色為目標，黑色為背景。實驗中水平方向上的定位函數(shù)為 HprojectDIB()；垂直方向上的定位函數(shù)為VprojectDIB()；定位以后分割過程所用的函數(shù)為 TempSubert()； iTop和 iBottom分別是車牌的上下邊緣， iLeft 和 iRight 為車牌的左右邊緣。 濾除上下邊框 將檢測到的二值牌照圖像進行水平投影，在 0IHeight的范圍內，計 算各 sum[I]，( sum[I]為從 0到 Width的范圍內，二值化牌照圖像的白像素點數(shù) )然后，將所有的 sum[I]累加起來，記為一值，然后將該值除以 2*Height(2/3)*Height，如果 sum[I]小于該商，就令該 sum[I]為 0。它的作用有兩種 ： 一種是模糊 ； 另一種是消除噪聲。同樣的，可以采用在空間域對圖像進行濾波的方法，只不過這時采用的沖激響應陣列與空間域低通濾波時所采用的完全不同。同態(tài)濾波以圖像的照明反射模型作為頻域處理的基礎，它在數(shù)字圖像處理中有著十分重要的應用。 梯度對應一階導數(shù)，梯度算子是一階導數(shù)算子。 1111 1 11 11 111 11 11 1121 1 2 1 1 2 12 1 （ a） Roberts (b) Prewitt (c) Sobel 圖 31 幾種常見的梯度模板算子 通過圖 32可以看出梯度銳化可以讓模糊的邊緣變的清楚，同時選擇合適的閾值還可以減弱和消除一些細小的噪聲。 一般情況下，可將傾斜的車牌圖像近似看成一個平行四邊形，它有三種傾斜模式：水平傾斜見圖 33，垂直傾斜見圖 34和水平垂直傾斜見圖 35，分別如下所示。圖像分割多年來一直得到人們的高度重視，至今已提出各種類型的分割算法 [12]?？紤]到二值圖像丟失掉 了 很多信息，而且可能會造成字符粘連 、 模糊或斷裂的缺陷，對灰度圖像的直接處理已經(jīng)有人開始研究。字符切割過程往往容易被人忽視，但是它對于字符識別的重要性是不言而喻的， 因為 切割錯誤的字符被正確識別的概率基本上等于零。 在已知的每個字符的比較精確的寬度范圍內，按照第一步的方法，分別進行自上而下和自下而上的逐行掃描來獲取每個字符精確的高度范圍。 經(jīng)過標準歸一化處理后的各字符在圖像中的位置不定，要對它進行特征提取處理 西南科技大學 本科生 畢業(yè)論文 20 起來比較麻煩，所以要把歸一化處理后的字符進行緊縮排列，以形成新的位圖句柄，以方便下一步的提取工作