【正文】 像素平均。圖像中的每個點(diǎn)都用這 8 個掩模進(jìn)行卷積，每 個掩模都對某個特定邊緣方向作出最大的響應(yīng)，所有 8 個方向中的最大值作為邊緣圖像的輸出。但是剩下的信息中仍然存在著 0255共 256 個灰度級分布。當(dāng)某一點(diǎn)的顏色滿足 bC grCf ,1? ，并且 bC 1T 時，即認(rèn)為該點(diǎn)為藍(lán)色點(diǎn)。 記下坐標(biāo)值 x[n]=0,y1[n]=1， j=j+1，轉(zhuǎn)至步驟 4。若不是，重復(fù)本步驟，并記下重復(fù)次數(shù)。 汽車牌照字符區(qū)搜索填充結(jié)果圖如圖 7 所示。換句話說，用 B 來膨脹 A 得到的 集合是 ^B 的位移與 A 中至少有一個非零的元素相交時 B 的原點(diǎn)位置的集合。此時對膨脹運(yùn)算來說，總有 BAA ?? 。閉合運(yùn)算符為 “? ”， A 用 B 來閉合寫作 BA? ，其定義式為： ? ? BBABA ???? 。 先用 S 對 X 進(jìn)行腐蝕 處理 ? ?SX? ，黑武漢理工大學(xué)畢業(yè)設(shè)計（論文） 13 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)。假設(shè)汽車圖像由 M 行 N 列點(diǎn)陣集組成， p(i,j)為點(diǎn)陣集中第 i 行 j 列點(diǎn)值。若 i=0，則未找到 汽車牌照，轉(zhuǎn)至步驟 3，否則重復(fù)本步驟。是則x2=j，若 j=x2，則轉(zhuǎn)至步驟 3，否則重復(fù)本步驟。 汽車牌照區(qū)形狀識別 一般，汽車牌照區(qū)域應(yīng)在汽車圖像的最下方，所以甄別順序是由下而上。 為了提高識別速度，應(yīng)選用黑白二值圖，因?yàn)槠浔?256 階灰度圖或彩色圖進(jìn)行字符紋理識別更合適，為此，本系統(tǒng)選用圖 7 所示的圖像進(jìn)行識別。 Hough 變換是將平面坐標(biāo)用極坐標(biāo)來表示，如直線方程 bmxy ?? 表示為：?? sinco s yxr ?? ，使得 x y 平面的任意一直線的 Hough 變換是 r ? 空間量化成許多小方格，根據(jù)每一個 ( x ,y )點(diǎn)代入 ? 的量化值，算出各個 r 值（經(jīng)量化），落在某個小方格內(nèi)，此小方格計數(shù)加 1，統(tǒng)計所有點(diǎn)后，則有大的計數(shù)值 的小方格對應(yīng)于共線點(diǎn)，其 (r ,? )可作為直線擬合參數(shù)。 可見，汽車牌照內(nèi)字符和汽車牌照發(fā)生了相一致的傾斜。由于汽車牌照內(nèi)字符都是標(biāo)準(zhǔn)字符，因而，在形態(tài)學(xué)變換完畢后，形成的矩形區(qū)比較規(guī)整。 武漢理工大學(xué)畢業(yè)設(shè)計（論文） 18 圖 12 校正后汽車牌照灰度化圖 圖 13 校正后汽車牌照有色點(diǎn)對搜索 對校正后的汽車牌照灰度化圖像（圖 11）和校正后的汽車牌照有色點(diǎn)對搜索圖像（圖12）進(jìn)行 汽車牌照再定位，定位算法如前面粗定位一樣。因此，在分割前，還需對汽車牌照區(qū)進(jìn)行圖像閾值處理。 for(j=0。j。 } } } flag=0。 for(j=0。 flag=0。j++){ curpixels=0。 if(curpixelspixels*curpixels){ xx1=j。 pDocNew1SetModifiedFlag(TRUE)。i++){ for(j=0。 yy2=。i。i++){ if(*(dibNew1m_pImgData+i*lineByte+j)==255) curpixels++。 if(curpixels3){ char_x1[k]=j。 char_xx2[0]=min(char_x2[0]+max(char_gap,char_widthchar_x2[0]+char_x1[0])/21,char_x1[1])。 CDemo1View* pView2=(CDemo1View*)pFrameMDIGetActive()GetActiveView()。 =。amp。i6。 武漢理工大學(xué)畢業(yè)設(shè)計（論文） 25 } 汽車牌照字符分割后的結(jié)果如圖 17 所示。 首先，把分割字符規(guī)格成固定像素大小的點(diǎn) 陣信息。分割字符歸一化結(jié)果圖如圖 18 所示。 4p 3p 2p 5p p 1p 6p 7p 8p 圖 20 細(xì)化點(diǎn)定義 設(shè)集合 I 表示需要細(xì)化的 像素子集；集合 N=﹛ g|gm≦ 0﹜表示背景像素子集，集合R=﹛ m﹜表示在第 m次減薄時， I 中被減掉的像素。 圖 22 模板 2 (c)用第三組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 22 所示。它是將從待識別的圖像提取的若干特征量與模板對應(yīng)的特征量進(jìn)行比較，計算圖像和模板特征量之間的距離，用最小距離法判定所屬類。從而可以獲得兩個點(diǎn)集 A 和 B 之間的匹配程度。如果 55領(lǐng)域內(nèi)沒有找到 1，就認(rèn)為距離為一較大者。 (3) 編程環(huán)境： VC++。目前，車牌識別系統(tǒng)已經(jīng)廣泛運(yùn)用到包括智能交通違章監(jiān)攝管理、高速公路不停車收費(fèi)、車輛檢測以及停車場監(jiān)控與管理等應(yīng)用中。 (3)本文所使用的圖片均是在白天拍攝的，背景也不是很復(fù)雜。 。并且，在識別不同顏色車牌時需要修改顏色定義。除此之 外對于特征相似的字符區(qū)分還需進(jìn)一步提高，如 0， D 和 Q， 1 和 I，8 和 B， 2 和 Z， 5 和 S 等。 識別結(jié)果圖如下圖 25 所示 圖 26 車牌識別 結(jié)果圖 武漢理工大學(xué)畢業(yè)設(shè)計（論文） 31 6 車牌識別系統(tǒng)的實(shí)驗(yàn)結(jié)果與分析 實(shí)驗(yàn)環(huán)境 硬件環(huán)境 ： (1) 數(shù)碼相機(jī)一臺 (2) PC 機(jī)一臺： Pentium4 、 256M 內(nèi)存、 40G 硬盤 軟件環(huán)境： (1) 操作系統(tǒng)： Windows XP professional。 ② 從上到下，從左到右，逐個像素掃描待識別的字符圖像，如果是 1，記錄下該點(diǎn) yxP,的位置，否則繼續(xù)掃描。則 ? ?BAdh , 是點(diǎn)集 A 中每個點(diǎn)到點(diǎn)集 B 中的最小距離集合 ? ?Bad , 中的最大值。細(xì)化結(jié)果圖如圖 24 所示。 1 0 1 1 1 圖 21 模板 1 (b)用第二組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 21 所示。圖像細(xì)化算法很多，最經(jīng)典的有以下兩種。 N 為像素點(diǎn)個數(shù)，這里為 2040=800。預(yù)處理分為規(guī)范化和細(xì)化兩個部分。j。j++){ *(dibNew2m_pImgData+j*lineByte2+char_xx2[0]char_xx1[0])=255。j。 CSize size1。 武漢理工大學(xué)畢業(yè)設(shè)計（論文） 24 char_xx2[6]=char_x2[6]+max(char_gap,char_widthchar_x2[6]+char_x1[6])/21。 } char_width=char_gap+char_x2[0]char_x1[0]+1。 if(k==7) break。 for(i=0。 char_x1[k]=0。字符分割的代碼如下所示： int char_x1[7],char_x2[7],char_xx1[7],char_xx2[7],k=0,char_width,char_gap。 for(i=0。 ImageDib *dibNew1=pDocNew1GetPDib()。 pixels=curpixels。 for(j=1。 } } else{ if(curpixelspixels) pixels=curpixels。i。 if(curpixelspixels*curpixels){ yy1=i。i++){ curpixels=0。 yy1=0。但是，旋轉(zhuǎn)校正后，字符間的距離就很容易確定了。將圖 1 經(jīng)過幾何變換中的旋轉(zhuǎn)后，得到的汽車牌照圖像如圖 10 所示。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 10 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。由此，本文采用一種形態(tài)學(xué)的算法來確定汽車牌照傾斜角度。常用的算法是 Hough 變換算法。另外，考慮汽車圖像中 的汽車牌照可能由于攝取角度不同而發(fā)生形變，故 式 (4)可修正為如下： ? ?12 xx? /? ?12 yy? 4 (5) 形狀識別環(huán)節(jié)通過后，即可進(jìn)行紋理識別環(huán)節(jié)。由此，粗定位后還需要進(jìn)一步精定位。 若 j=x2，則未找到汽車牌照，轉(zhuǎn)至步驟 3，否則重復(fù)本步驟。 縱坐標(biāo)（ y1,y2）定位的過程如下所示： 步驟 1：設(shè) i=M1，計算第 i行 x1x2 間連續(xù)黑色點(diǎn)個數(shù)，并判斷是否超過閾值 2T 。由于汽車牌照一般安裝在汽車車體下部，所以尋找過程在圖像中由下而上進(jìn)行。 運(yùn)算 式中，目標(biāo)為 X，結(jié)構(gòu)元素為 S。前一種 運(yùn)算稱為開啟，后一種運(yùn)算稱為閉合。通過上式可以幫助人們借助相關(guān)概念來理解 腐蝕操作。一般認(rèn)為數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有 4 個：膨脹、腐蝕、開啟和閉合。將起始點(diǎn)與終止點(diǎn)之間用 pixel=0 的黑色點(diǎn)連接起來。 步驟 4： j=j+1，判斷 p(i,j1)是否為白色而 p(i,j+1)是否為藍(lán)色。 有色點(diǎn)對搜索步驟如下： 步驟 1：從 i=0， j=1，開始 搜索，有色點(diǎn)對個數(shù)為 n=0，如圖 6 車牌邊緣二值化圖像中 p(0,1)=1，則分別判斷圖 1 汽車牌照圖像中 p(0,0)和 p(0,2)的顏色。 二值化后的圖像如圖 6 所示。經(jīng)過 Prewitt 邊緣檢測算子后的車牌 圖像如下圖 圖 5 所示。兩個卷積的最大值作為該點(diǎn)的輸出，運(yùn)算結(jié)果也得到一幅邊 緣幅度圖像。 其中比較常用的幾種邊緣檢測算子有如下幾種： ① Roberts 邊緣檢測算子 Roberts 邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子，它由如下計算公式給出： 2])1,1(),({[),( ???? yxfyxfyxg 212 }])1,(),1([ ???? yxfyxf 其中 ),( yxf 是具有整數(shù)像素坐標(biāo) ),( yx 的輸入圖像值，平方根 運(yùn)算使該處理類似于人類視覺系統(tǒng)中發(fā)生的過程。本武漢理工大學(xué)畢業(yè)設(shè)計（論文） 7 次設(shè)計也采用這種方法實(shí)現(xiàn)圖像的灰度化處理。 （ 1） 灰度化 因?yàn)檫吘墮z測算法是基于灰色圖像的，因而需要對彩色圖片進(jìn)行灰度化處理。所以，有色點(diǎn)對 可以定義為 :A 點(diǎn)，其左方為藍(lán)色，右方為白色； B 點(diǎn)，左方為白色，右方為藍(lán)色； A 點(diǎn)距 B 點(diǎn)應(yīng)在一定的范圍之內(nèi)。 本文先實(shí)現(xiàn)了車牌定位，再對車牌中的字符分割和字符識別，因此本系統(tǒng)由四大部分組成，車輛圖像的預(yù)處理、車牌區(qū)域 的定位、車牌字符識別的預(yù)處理、車牌字符的識別，系統(tǒng)詳細(xì)流程圖見圖 1。包括圖像的灰度化，二值化，去噪等。 （ 3） 汽車牌照字符識別的研究 目前常用的對于車牌字符識別的方法有基于神經(jīng)網(wǎng)絡(luò)的方法和基于模板匹配的方法。 （ 1） 汽車牌照定位的研究 國外的汽車牌 照和國內(nèi)的汽車牌照差別很大，因而在這方面的 算法也不盡相同。日本在對車牌圖像的獲取方面也做了不少的研究，并為系統(tǒng)產(chǎn)業(yè)化做了不少貢獻(xiàn)。如為人腦提供智力眼、智力耳等具有分析能力的智力器官。 本次畢業(yè)設(shè)計就是基于此種目的，進(jìn)行汽車牌照自動識別技術(shù)的設(shè)計與實(shí)現(xiàn)。 汽車牌照字符識別：本文通過使用 模板匹配法，將待識別字符經(jīng)分割歸一化成模板字體的大小，將它輸入字符識別模塊進(jìn)行匹配， 從而識別出 車牌中的 漢字，字母以及數(shù)字。武漢理工大學(xué)畢業(yè)設(shè)計（論文） 1 摘要 車牌識別系統(tǒng)是智能交通系統(tǒng)中不可或缺的核心組成部分。 汽車牌照字符分割： 分割算法就是以識別汽車牌照內(nèi)字符間存在的間距為依據(jù)進(jìn)行分割 ，得到單個的字符 。在此基礎(chǔ)上，研制出一種能在公共場合迅速準(zhǔn)確的對車牌進(jìn)行自動 識 別的系統(tǒng)，那將是一件非常有意義的工作，并將極大地提高汽車的安全管理水平及管理效率。遠(yuǎn)期目標(biāo)是人工智能的智力水平得到進(jìn)一步提高，再反過來輔助人腦，或者作為一種工具來延伸并增 強(qiáng)人腦的智力水平。 在 20 世紀(jì) 80 年代，英國就完成了 “實(shí)時車牌檢測系統(tǒng)的 ”研究和開發(fā)。其中技術(shù)難點(diǎn)在于如何從復(fù)雜的背景中塊數(shù)準(zhǔn)確的定位。 （ 2） 汽車牌照字符分割的研究 汽車牌照字符分割的算法比較簡單，其中比較成熟的算法有針對汽車牌照區(qū)域進(jìn)行縱向投影，投影區(qū)將形成明顯的波峰波谷區(qū) ，然后 根據(jù)投影區(qū)的 波峰波谷進(jìn)行汽車牌照內(nèi)字符的準(zhǔn)確分割。 對采集來的車牌圖片進(jìn)行預(yù)處理，提高車牌定位的準(zhǔn)確度。對本次畢業(yè)設(shè)計所做的工作進(jìn)行一個總結(jié)歸納，以及本次設(shè)計還需改進(jìn)的地方。對于藍(lán)底白字的汽車牌照，其顏色特征是夾雜少量白色區(qū)域的藍(lán)色區(qū)域。 這樣，有色點(diǎn)對搜索可以分成兩個階段 :邊緣檢測和點(diǎn)對搜索。實(shí)驗(yàn)證明，當(dāng) RW =， GW =， BW = 時，能得到最合理的灰度圖像。 武漢理工大學(xué)畢業(yè)設(shè)計（論文） 8 比較好的 的邊緣提取方法是考察圖像的每個像素點(diǎn)在某個領(lǐng)域內(nèi)灰度的變化，利用邊緣鄰域的一階或二階方向?qū)?shù)變化規(guī)律檢測邊緣。一個核對垂直的邊緣響應(yīng)最大，另一個對水平邊緣響應(yīng)最大。 經(jīng)過對比，本文所選取的是 Prewitt 邊緣檢測算子。同時，車牌 自動 識別系統(tǒng)要求處理 成本低、 速度高 、信息量大，采用二值圖像進(jìn)行處理，能有效的提高處理效率。而有色點(diǎn)對個數(shù)為 n，各有色點(diǎn)對的坐標(biāo)為 ((x[k