【正文】 空間找出黑色和白色區(qū)域，然后再根據(jù)其它特征信息 在這些區(qū)域 中 確定車牌 區(qū)域的 位置。 本章 中提出了一種利用圖像的邊緣和紋理信息 ， 基于多方向邊緣處理的車牌 區(qū)域定位 方法。而且，一般來說圖像中 車牌區(qū)域與周圍背景之間存在較 明顯的顏色區(qū)別 ，具有一定的 封閉性和獨(dú)立性 。用 區(qū)域生長 方法進(jìn)行 車牌區(qū)域定位困難之處在于首先 需要知道圖像的許多相應(yīng)的先驗(yàn)知識，而且有些參數(shù)對不同類型的圖像比較敏感。 基于紋理檢測和邊緣檢測的車牌區(qū)域定位方法 這一類車牌 區(qū)域定位 方法是目前在工程應(yīng)用和相關(guān) 的 研究中最為普遍采用的，而且也是效果 較 好的 一種 方法。因此，這類 車牌區(qū)域定位 方法在實(shí)際工程中的應(yīng)用 還需要解決上述問題 。由于目前實(shí)際應(yīng)用中采集的 車牌圖像 樣本類型難以窮舉，那些僅 對 少數(shù) 圖像 樣本 的數(shù)據(jù) 進(jìn)行 統(tǒng)計(jì)分析而 得 來 的車牌圖像特征的 規(guī)律性 ，其可靠性還需要在實(shí)際應(yīng)用中檢驗(yàn)。因此，在 車牌區(qū)域定位 時(shí)的應(yīng)用比較少。目前提出的 車牌區(qū)域圖像定位 方法中，絕大多數(shù)都在不同的程度上利用了車牌圖像的 邊緣特征 。比如，圖像對比度的高低，不同灰度區(qū)域的數(shù)量，等等。 18 第三章 車牌區(qū)域 定位 技術(shù) 研究 車牌區(qū)域特征分析 [14] 圖像特征是圖像場中可用作標(biāo)志的屬性， 是對圖像進(jìn)行處理和分類識別的依據(jù)。可從白色像素中選擇若干點(diǎn)以最小二乘法進(jìn)行直線擬合。 依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)是目前較為簡單可靠的方法。 圖像幾何畸變的校正一般分為兩個(gè)步驟： 1 、圖像空間幾何坐標(biāo)變換； 2 、確定校正空間像素點(diǎn)的灰 度值。能否通過改變圖像直方圖的分 布形狀來獲得車牌區(qū)域穩(wěn)定的、具有普遍代表性的特征，是一個(gè)有必要研究的命題。 8 鄰域連通：坐標(biāo)為 (i,j) 的像素，其八個(gè) 8 鄰域像素的坐標(biāo)分別為 (i+1,j)， (i1,j) ， (i,j+1) ， (i,j1) ， (i+1,j1) ， (i1,j1) ， (i1,j+1)， (i+1,j+1) 。 BB ???? )BA(A A 為原始圖像， B 為結(jié)構(gòu)元圖像 。如圖 所示。 同態(tài)濾波處理后的車牌圖像，字符與背景的對比得到增強(qiáng)，邊緣更為突出 ,灰度直方圖分布也發(fā)生較大的變化 。 (a) 車牌 灰度圖 (b) Canny 邊緣 檢測圖 圖 不 同車牌圖 像 Canny 邊 緣檢測 效 果比較 同態(tài)濾波 [8] 同態(tài)濾波 在 實(shí)際采集的 圖像中，車牌區(qū)域 或 字符 在 邊緣 、紋理等 圖像的細(xì)節(jié) 方面 與背景的區(qū)別 是不同圖像中普遍存在、比較穩(wěn)定的一個(gè)特點(diǎn) 。 3 、保證一個(gè)邊緣只得到一次檢測。 Laplacian 算子邊緣檢測 法 Laplacian 算子法是通過尋找灰度圖像 二階導(dǎo)數(shù)的零交叉點(diǎn)來檢測邊緣。 微分算子邊緣檢測法 常用的微分算子有 Roberts 、 Prewitt 和 Sobel 算 子，都是以圖像灰度的兩個(gè)差分來逼近梯度算子。而單個(gè)字符圖像的字符與背景的區(qū)別一般來說較為明顯，判斷決策比較容易，基本可以獲得比較好的二值化效果。 (a) 原圖 (b) Bersen 算法二 值化圖 圖 Bersen 算法 二值化 10 基于 Canny 邊緣檢測的 字符 ( 車牌 區(qū)域 ) 圖像二值化的方法 在車牌圖像識別中，一般是在切分字符時(shí)對車牌區(qū)域圖像進(jìn)行 二值化 ，以及在提取字符分類識別特征時(shí)對字符圖像進(jìn)行二值化。 (a) 原圖 (b) 圖 (a)的 Otsu 算法二值 化圖 圖 Otsu 算 法二值 化 Bernsen 算法 Bernsen算法是一種局部閾值二值化方法，通過定義考察點(diǎn)的鄰域，并由鄰域計(jì)算模板實(shí)現(xiàn)考察點(diǎn)灰度與鄰域點(diǎn)的比較。 Otsu 算法 Otsu算法是一種全局閾值二值化方法， 又稱為最大類間方差法或大津 閾值分割法，是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的。1),( yxb Tyxf Tyxf ??),( ).( ),( yxf 為原圖像 ， ),( yxb 為 二值化 后圖像， T 為 閾值 二值化的 目的是 將 目標(biāo)對象 與背景分離 。比如， 天氣變化因素 ( 雨、霧、溫度、濕度 ) 、光線變化因素 ( 如 陽光直射、反射，黃昏、白天、夜間 ，等 ) 、攝像機(jī)與車牌不同的相對位置、攝像機(jī)的有關(guān)攝像參數(shù)的不同以及圖像采集現(xiàn)場不同的景物背景等因素，使得即使對于同一輛車的同一個(gè)車牌采集的圖像往往也表現(xiàn)出許多不同的特點(diǎn)。 采用這種方法能在一定程度上解決車牌定位依據(jù)的共性特征信息選擇的問題 。 (4) 關(guān)于圖像的數(shù)學(xué)形態(tài)學(xué)處理 數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算和閉運(yùn)算，具有在 基本不改變 目標(biāo)對象 形狀 的情況下對背景像素進(jìn)行處理的優(yōu)點(diǎn)， 在本文的車牌區(qū)域定位和字符切分方法中有較好的應(yīng)用效果。 本 文在參考大量有 關(guān)車牌圖像識別技術(shù)公開資料的基礎(chǔ)上，圍繞著車牌圖像識別技術(shù)實(shí)際應(yīng)用的特點(diǎn)和要求，并通過一定的實(shí)驗(yàn)分析手段，主要進(jìn)行了如下幾方面的工作： 1 、對于車牌圖像識別技術(shù)中常用的一些基本的圖像處理方法，進(jìn)行了分析研究 在這部分工作中，重點(diǎn)分析研究了圖像的二值化、邊緣檢測、同態(tài)濾波、數(shù)學(xué)形態(tài)學(xué)處理、直方圖變換和幾何畸變校正等方法在車牌圖像識別中的作用和應(yīng)用特點(diǎn)。比如，國家車牌標(biāo)準(zhǔn)、車牌圖像采集標(biāo)準(zhǔn) 、 有關(guān)測試規(guī)范的統(tǒng)一以及 有關(guān)的執(zhí)法管理工作 等方面 的因素 ，都直接或間接地影響著車牌 圖像 識別 關(guān)鍵 技術(shù)采用的方案和算法 的選擇和實(shí)際應(yīng)用效果 。 在車牌字符分類識別時(shí)的特征選擇和提取方面， 公開資料中利用的字符分類特征主要有： 以二值圖像 中 字符的筆畫像素分布為基礎(chǔ)的字符特征 ( 主要包括 四周邊特征 、 粗網(wǎng)格特征 、 投影特征 等 ) 、 以二值圖像 字符輪廓、骨架 為基礎(chǔ)的字符特征 ( 包括字符 筆畫 方向線素特征 、 漢字結(jié)構(gòu)特征點(diǎn)特征 等 ) 、 基于灰度圖像 小波變換的 字符 特征 ( 包括 小波 系數(shù)特征、 小波 矩特征和 小波 能量特征 ) 。由此可以推斷，目前的車牌圖像識別 產(chǎn)品 對于不同使用 環(huán)境的適應(yīng)性還不是特別理想， 其原因主要是 關(guān)鍵 技術(shù)對于 不同 背景和不同自然條件下所采集 圖像的適應(yīng)性還不是很好 , 會導(dǎo)致 車牌識別產(chǎn)品軟件的通用性還不 是 太 好，往往 需 要在 現(xiàn)場 采集大量樣本分析測試 ， 并 且要 修改相應(yīng)參數(shù)甚至方法，使得施工周期往往較長，識別結(jié)果的可靠性往往也不能讓人完全放心。 此外，車牌圖像識別技術(shù) 超速抓拍、門禁管理等方 面也有一定的應(yīng)用，但與前述三個(gè)方面的應(yīng)用一樣，還存在著一些問題有待于解決。 城市卡口監(jiān)控：公安部頒布的城市卡口監(jiān)控系統(tǒng)部頒標(biāo)準(zhǔn)明確規(guī)定了車牌識別是城市卡口監(jiān)控系統(tǒng)的一個(gè)重要組成部分，越來越多的城市公安部門正在積極籌建卡口系統(tǒng)。 高速公路收費(fèi)輔助系統(tǒng)：一般是在高速公路入口處進(jìn)行車牌圖像采集、識別，將識別結(jié)果寫入通行卡 ( 票 ) 或者通過網(wǎng)絡(luò)傳送至各出口站，在車輛到達(dá)出口時(shí)，再進(jìn)行一次車牌圖像采集、識別，并將識別結(jié)果與入口識別結(jié)果相比對，以防止或發(fā)現(xiàn)倒卡、換卡、換牌等逃費(fèi)行為。 盡 我所 知 ， 除 文 中 特 別 加 以 標(biāo) 注 和 致 謝 的 地方 外 ， 不 包 含 其 他 人 或 組 織 已 經(jīng) 發(fā) 表 或公 布 過 的 研 究 成 果 ， 也 不 包 含 我 為 獲 得 及 其 它 教 育 機(jī) 構(gòu) 的 學(xué) 位 或 學(xué) 歷 而 使 用 過的 材 料 。主要完成了以下幾 個(gè) 方面的工作： 1 、對于二值化、邊緣檢測、同態(tài)濾波、數(shù)學(xué)形態(tài)學(xué)處理、直方圖變換和幾何畸變校正等圖像處理方法在車牌圖像識別技術(shù)中的應(yīng)用特點(diǎn)進(jìn)行了分析和總結(jié)； 設(shè)計(jì)出 一種基于 Canny 邊緣檢測 尋找目標(biāo)對象特征點(diǎn)，再 對特征 點(diǎn)的灰度像素值 分析判斷 來確定閾值的車牌字符 圖像 二值化方 法 ， 可以滿足本文對車牌字符特征提取 時(shí) 預(yù)處理的要求 。 2 、對于現(xiàn)有的車牌區(qū)域定位方法進(jìn)行了分析研究 ； 在此基礎(chǔ)上 ， 設(shè)計(jì)實(shí)現(xiàn)了一種基于多方向邊緣提取和數(shù)學(xué)形態(tài)學(xué)處理的車牌區(qū)域定位方 法 。 對 本 研 究 提 供 過 幫 助 和 做 出 過貢 獻(xiàn) 的 個(gè) 人 或 集 體 ， 均 已 在 文 中 作 了 明確 的 說 明 并 表 示 了 謝 意 。 目前的高速公路收費(fèi)輔助系統(tǒng)中， 采用 車牌圖像識別技術(shù)在車牌識別速度指標(biāo)基本可以滿足 ， 但 識別結(jié)果正確率指標(biāo) 還不是很理想 。 公安系統(tǒng)設(shè)立城市卡口監(jiān)控點(diǎn)的主要任務(wù)是對車輛進(jìn)行車牌識別，并將識別結(jié)果與被盜搶、肇事、在逃、通緝的車輛牌號黑名單進(jìn)行比對。其中，車牌識別正確率是目前車牌識別產(chǎn)品中存在的最主要的問題，也是國內(nèi)主流廠商最為頭疼的問題。 車牌圖像識別技術(shù)研究現(xiàn)狀 上世紀(jì) 90年代中后期開始，隨著數(shù)字圖像處理基礎(chǔ)理論的不斷發(fā)展和視頻處理技術(shù)、電子技術(shù)及計(jì)算機(jī)信息技術(shù)的迅速進(jìn)步，國內(nèi)從事車牌圖像識別技術(shù)研發(fā)的廠商和研究人員增長迅速，提出了大量的 關(guān)鍵 技術(shù)算法，實(shí)際應(yīng)用 中 3 也取得了一定的成果。 在車牌字符分類器設(shè)計(jì)方面， 公開 資料中提出的分類器主要有： 神經(jīng)網(wǎng)絡(luò)分類器 ( 包括 BP神經(jīng)網(wǎng)絡(luò)、 SOFM網(wǎng)絡(luò)等 ) 、 模板匹配分類器 、 基于 概率統(tǒng)計(jì) 的 Bayes 分類器 、 幾何 分類器 等。 而目前這些方面的研究還 比較困難 ，有待于進(jìn)一步加強(qiáng)。 (1) 關(guān)于圖像的二值化 5 在車牌圖像識別中，圖像 二值化 是一個(gè)非常重要的技術(shù)。 (5) 關(guān)于 圖像的直方圖變換 圖像的直方圖變換在車牌圖像識別中的作用具有兩面性 , 如何有效利用圖像的直方圖變換尚有待于在實(shí)踐中總結(jié)。 3 、分析研究了一些車牌字符切分方法，提出了一種基于 Canny 邊緣檢測的字符切分方法。 因此，相較于 其它一些圖像 采集環(huán)境一般比較穩(wěn)定的 如 指紋圖像識別、人臉圖像識別、機(jī)械零件圖像檢測、水果 缺陷 圖像檢測等 圖像識別技術(shù) 來 說，車牌圖像在內(nèi)容和質(zhì)量的變化上要復(fù)雜得多，從而對為獲得車牌圖像識別對象穩(wěn)定而明確的特征信息所進(jìn)行的有關(guān)圖像處理技術(shù)提出了更高的要求。 圖像 二值化 一般作為 一種 預(yù)處理方法 ，評價(jià)其 效果的優(yōu)劣應(yīng)當(dāng)兼顧下面兩方面的基本要求： 1 、二值圖像 中目標(biāo)對象的完整性 。 其基本思想是：設(shè)閾值 t 將灰度分成了兩 類 ，一 類 對應(yīng)背景部分，一 類 對應(yīng)目標(biāo)對象，則 這兩類 灰度值的 類 內(nèi)方差應(yīng)當(dāng)最小，兩 類 間方差應(yīng)當(dāng)最大。局部閾值二值化方法閾值的選擇依靠考察點(diǎn) 的灰度值及其周圍的局部鄰域的灰度值來決定，它是一種動態(tài)選擇閾值的方法。對車牌區(qū)域圖像 二值化時(shí)的目標(biāo)對象除字符外，還可能是或者包括邊框 ( 一般是在需要對車牌進(jìn)行幾何畸變 校正 時(shí) ) ，而對字符 圖像 進(jìn)行 二 值化 時(shí)的目標(biāo)對象則明確為字符。 因此，在進(jìn)行 車牌 字符切分時(shí) 最好 避免以二值化圖像為基礎(chǔ)。在進(jìn)行邊緣檢測時(shí)，其 基本 過程如下： Step1:獲得各個(gè)像素 點(diǎn) 的逼近梯度算子 f? 2221 )pf()p(ff ????? f 為灰度圖 像 ， 1p 、 2p 為兩個(gè)方向模板， ? 表示卷積。Laplacian 算子用模板表示 為 ： 12 ????????????010141010p 在進(jìn)行邊緣檢測時(shí)，其 基本 過程如下： Step1:獲得灰度圖像 f 的二階差分 f2? ： pff2 ??? Step2:尋找零交叉點(diǎn)。 Canny 算子法檢測邊緣的具體過程如下： Step1:用二維高斯濾波模板與灰度圖像 f(x,y)卷積，以減小噪聲影響； 二維高斯函數(shù)為： )]yx(2 1e x p [2 1)y,x(E 2222 ??? ??? 卷積 ： )y,x(f)y,x(E)y,x(A ?? Step2:利用導(dǎo)數(shù)算子 ( 如 Prewitt 算子、 Sobel 算子 ) 找到圖像灰度沿著兩個(gè)方向的導(dǎo)數(shù) Gx 、 Gy, 并求出梯度的大小 |G| 和方向 θ ： xAGx ??? yAGy ??? 2y2x GG|G| ?? )GG(arctanxy?? Step3:對梯度幅值進(jìn)行 非極大值抑制。因此， 對于 邊緣 、紋理等 圖像細(xì)節(jié)的提取 ， 是車牌區(qū)域 定位和 字符切分的 一個(gè) 關(guān)鍵所在。如圖 所示。 (a) 車牌灰度 圖像 (b)同 態(tài)濾波 前 Canny 邊緣 (c) 同 態(tài)濾波 后 Canny 邊緣 圖 同 態(tài)濾波對 Canny 邊緣 檢測的影響 數(shù)學(xué)形態(tài)學(xué) [9] 數(shù)學(xué)形態(tài)學(xué)理論提出了獨(dú)特的變換和概念用于描述圖像的基本特征，采用 15 了以積分幾何和隨機(jī)集論為基礎(chǔ)的