【正文】 度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，所采用的 BP 網(wǎng)絡(luò)是三層全連接前饋網(wǎng)絡(luò)，其輸入層神經(jīng)元數(shù)目為滑動(dòng)窗口的尺寸，其輸出層神經(jīng)元數(shù)目為 1，當(dāng)輸出接近 12 時(shí)，表示滑動(dòng)窗口下的圖像塊屬于車牌區(qū)域，當(dāng)輸出接近 — 12 時(shí)，表示滑動(dòng)窗口下的圖像屬于背景區(qū)域。 基于區(qū)域的車牌定位技術(shù) 車輛圖像像一般是在室外拍攝的，其背景較復(fù)雜，而車輛牌照具有不因外部條件變化而改變的特征，即車牌內(nèi)有多個(gè)基本成水平排列的字符，字符和牌照底面在灰度上存在跳變，呈現(xiàn)出規(guī)則的 紋理特征 。 當(dāng)前車牌定位的方法主要有利用顏色信息、基于小波和形態(tài)學(xué)相結(jié)合的算法、二值化投影等。 (4) 通過求取車牌上各字符連通域的中心點(diǎn) ,然后擬合為直線來確定車牌的傾斜角。此處理過程有效的降低了去噪過程對圖像邊緣細(xì)節(jié)信息的影響 ,提高了圖像的信噪比。 （ 1）中值的確定 由于較大的窗口會(huì)倍增濾波時(shí)間 ,且窗口越大 ,圖像邊緣細(xì)節(jié)丟失越多，因此，在實(shí)際實(shí)驗(yàn)中采用 3 3窗口進(jìn)行濾波。 中值濾波 中值濾波器是一種非線性濾波器，也是一種典型的低通濾波器，中值濾波是將鄰域中的像素按照灰度大小排序，若像素的數(shù)量為奇數(shù)，則取中間的數(shù)作為待處理像素 的灰度值，若像素的數(shù)量為偶數(shù)，則取中間的兩個(gè)像素灰度的平均值作為待處理像素的灰度值，假設(shè)一組數(shù)據(jù)按原來的位置排序?yàn)? 1，中值濾波的算法是將這組數(shù)排序?yàn)? 7，待處理的數(shù)為 7，則用 5代替 7，處理后的一組數(shù)變?yōu)? 1。 常用濾波方法介紹 均值濾波 均值濾波器適用于去除圖像中的顆粒噪聲。可以利用灰度直方圖， 1x ，、 2 x 分別選取為直方圖的最大波峰兩側(cè)波谷所對應(yīng)的灰度值。不同之拉伸不是完全的線性變換，而是分段進(jìn)行線性變換，它的拉伸范圍和 拓 展程度是可以自由選擇的。 彩色位圖格式 包含圖像的原始信息，所含信息豐富?；叶葓D進(jìn)行算法處理相對簡便，首先 RGB 值一樣，且圖像數(shù)據(jù)就是調(diào)色板索引值，也就是實(shí)際的 RGB 亮度值，又因調(diào)色板是 256 色的，所以圖像數(shù)據(jù)中一個(gè)字節(jié)代表一個(gè)像素。 7 第二章 圖像預(yù)處理 在汽車成像的過程中，受多種因素的影響，圖像質(zhì)量會(huì)有所下降，這種圖像質(zhì)量下降的過程稱為圖像的退化。如車牌懸掛位置不規(guī)范，車牌受到嚴(yán)重污染等也嚴(yán)重影響了車牌的識別率。特別是在車牌定位方面，還沒有一種通用的方法，研究高速、準(zhǔn)確的定位與識別算法依然是當(dāng)前需要解決的一個(gè)研究方向，車牌定位和識別，特別對我國車牌識別技術(shù)，存在以 下的難點(diǎn)： ⑴ 漢字識別率問題。 基于 神經(jīng)元網(wǎng)絡(luò)的方法有基于 BP 網(wǎng)絡(luò)的牌照定位方法，在該算法中，使用一個(gè)滑動(dòng)窗口作為 采樣窗口，在灰度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，當(dāng)輸出接近 時(shí)，表示滑動(dòng)窗口下的圖像 塊屬于車牌區(qū)域，當(dāng)輸出 近 時(shí)，表 示滑動(dòng)窗口下的圖像屬于背景區(qū)域。目前，這一領(lǐng)域的研究很活躍。從 20 世紀(jì) 60 年代起，隨著電子技術(shù)和計(jì)算機(jī)技術(shù)的不斷提高和普及，數(shù)字圖像處理進(jìn)入高速發(fā)展時(shí)期。 圖像處理技術(shù) “圖”是物體透射光或反射光的分布，“像”是人的視覺系統(tǒng)對圖的接收在大腦 中形成的印象或認(rèn)識。車輛牌照識別 (LPR)系統(tǒng)作為智能交通系統(tǒng)的核心，起 著非常關(guān)鍵的作用。目前，圖像處理技術(shù) 在車牌識別中 的應(yīng)用研究已經(jīng)成為科學(xué)界的一個(gè)重要研究領(lǐng)域。前者是客觀存在的，而后者為人的感覺，圖像應(yīng)是兩者的結(jié)合。 數(shù)字圖像處理的英文名稱是“ DigitalImageProeessing”。 基于圖像處理 的車牌識別技術(shù)主要包括車牌定位、車牌分割、字符識別等方面的技術(shù)。人工神經(jīng)網(wǎng)絡(luò)算法抗干擾性好，但是由于圖像中的車牌區(qū)域通常只占 2%~3%的面積，特征值難以提取，算法也比較復(fù)雜。目前無論哪個(gè)車牌識別系統(tǒng)，當(dāng)圖像的分辨率降到一定程度時(shí)，漢字識別率都急劇下降。 本文以車牌照為研究對象，運(yùn)用圖像處理和模式識別技術(shù)來實(shí)現(xiàn)車牌照的 檢測與識別， 其中對車牌照的定位與分割和車牌照字符的分割與識別提取進(jìn)行了深入研究 。由于自然光照度的變化、車輛自身的運(yùn)動(dòng)，采集圖像設(shè)備本身的因素等的影響，會(huì)引起汽車圖像的退化，從而干擾對車牌信息的提取。如果是彩色的 256色，則經(jīng)過圖 像算法處理后，可能產(chǎn)生不屬于這 256 種顏色的新顏色，而真彩色 RGB 圖像必須用三個(gè)與圖像尺寸相同的矩陣來存儲(chǔ)，這樣計(jì)算代價(jià)過大。但是彩色位圖圖像的原始數(shù)據(jù)量龐大，存儲(chǔ)空間大，處理速度慢。灰度拉伸的 9 函數(shù)表達(dá)式如下 : 112111212222( ) ( )255()255yxxyyf x x x yxxyx x yx???? ?? ? ????? ?????? （ 22 ） 式中 (1x ， 1y )和 ( 2x ， 2y )是圖 22 的兩個(gè)轉(zhuǎn)折點(diǎn)的坐標(biāo) 。也可以固定灰度步長進(jìn)行掃描，對步長內(nèi)的像素點(diǎn)個(gè)數(shù)累積求和，找出最大值，x，、 2 x 分別選取為取得最大值的灰度范圍的左右端點(diǎn)。對于給定的圖像 f(i,j)中的每個(gè)像素點(diǎn) (m,n)處的灰度，取其鄰域 S。 事實(shí)上，中值濾波器是用 n n 的濾波器除去那些相對于其鄰域像素更亮或更暗，并且其區(qū)域小于 n2/2（濾波器區(qū)域的一半）的孤立像素集。用一個(gè) 3 3窗口在圖像中掃描，把窗口內(nèi)包含的圖像像素按灰度級升序或降序排列，取圖像灰度值居中的像素灰度為窗口中心像素的灰度，便完成了中值的確定。 通過以上研究分析 ,基于 VC++采用了以上算法。 由于圖像中車牌的邊框有時(shí)并不明顯 (如有的白牌白車 ) ,且因噪聲、污跡等干擾的影響 ,造成 Hough 變換后參數(shù)空間中的峰值點(diǎn)很分散 ,這使得方法 (1) 和方法 (2) 效果并不理想 ； 當(dāng)車牌上有污跡和噪聲時(shí) ,方法 (3) 的檢測精度下降 ； 由于二值化等原設(shè)定頁眉 14 因 ,車牌上字符會(huì)有粘連和斷裂現(xiàn)象 ,就使得方法 (4) 的效果也不理想 。這些方法主要存在 :參數(shù)的調(diào)節(jié)受識別環(huán)境的影響較大 ,在環(huán)境發(fā)生改變時(shí)由于參數(shù)的選擇不當(dāng)往往會(huì)造成誤定位和漏定位 。基于區(qū)域的車牌識別技術(shù)就是根據(jù)車牌的 紋理特征 將圖像分成不同的區(qū)域，然后對目標(biāo)區(qū)域進(jìn)行檢測。 基于小波分析和變化車牌定位技術(shù) 小波變換是分析和處理非平穩(wěn)信號的一種有力工具，它是以局部化函數(shù)所形成的小波基作為基底而展開，是一種窗口大小固定不定但形狀可改變的時(shí)頻局部化分析方法，小波變換的基本思想是將原始信號通過伸縮及平移后，分解為一系列具有不同空間分辨率、 不同頻率 特性和方向特性的子帶信號，這些子帶信號有良好的時(shí)域、頻率等局部特性。 還有一種彩色分割及多級混合集成分類器的車牌自動(dòng)識別技術(shù)，該方法采用多層感知器網(wǎng)絡(luò)對輸入彩色圖像進(jìn)行彩色分割，通過投影法 分割出潛在的車牌區(qū)域并進(jìn)一步瘋出字符，由多級混合集成分類器給出字符識別的初步識別結(jié)果及置信度，經(jīng)過處理后得到最終的結(jié)果。考慮到在實(shí)際捕獲的汽車圖片中 ,車牌往往是水平方向上亮度值跳變劇烈且集中的區(qū)域。 B ( i , j) = 1 表示 ( i , j) 在原圖中對應(yīng) n n 的區(qū)域 ,為車牌候選區(qū)域 。若 Th 過大 ,真正的車牌區(qū)域有可能部分和全部被濾除掉 ,從而出現(xiàn)漏定位 。 算法中，上限 maxTh 的設(shè)置 是為了防止初始的 Th過大 而過多地重復(fù)執(zhí)行第二步；下限 minTh 的設(shè)置是為了避免初始的 Th過小而引入過多的干擾區(qū)域 。根據(jù)我國車牌的特點(diǎn)，一般有 7至 10個(gè)字符。 第四章 車牌字符分割 及識別 車牌字符分割的目的是在正確提取出車牌區(qū)域的基礎(chǔ)上，將車牌區(qū)域圖像分為七 個(gè)(我國的車牌上有 7 個(gè)字符，首位為省名縮寫 (漢字 )，次位為英文字母，第三位為英文字母或阿拉伯?dāng)?shù)字，后四位均為數(shù)字。 常用字符分割方法 常用的字符切分算法可以歸納為以下三類：直接分割法，基于識別基礎(chǔ)的分割法，自適應(yīng)分割線聚類法。通過尋找兩個(gè)波峰之間的谷點(diǎn)，將其作為字符分割的位置，從而完成字符的分割。 考慮到算法適用性，本文選用直接分割法即把垂直投影法作為主要的分割法，同時(shí)對噪聲、鉚釘進(jìn)行特殊處理來完成字符分割。由于是在一幅汽車圖像中分割出牌照，受攝像機(jī)分辨率的限制，字符所占的像素就比較少，大約只有 20 20 個(gè)像素，這樣的分辨率對于英文字母和數(shù)字字符而言還比較容易處理，但對于漢字來說則導(dǎo)致漢字特征信息丟失太多，并造成筆劃的粘連，給識別帶來困難。將待識別字符的二值圖像的尺寸大小縮放為模板大小之后，然后與模板進(jìn)行匹配，距離最小的模板所對應(yīng)的漢字，就判定為輸入的待識別漢字。找到一個(gè)合適的變換來較多地反映字符的主要特征是很關(guān)鍵的；對于由點(diǎn)的統(tǒng)計(jì)分布得到的特征抽取法，包括字符的軌跡、交叉點(diǎn)和距離等，可以接受字體的變化，速度較高，復(fù)雜性比較小。第二階段 —— 工作期：連接權(quán)值不變，由網(wǎng)絡(luò)的輸入得到相應(yīng)的輸出。 作用函數(shù)的基本作用是：①控制輸入對輸出的激活作用；②對輸入、輸出進(jìn)行函數(shù)轉(zhuǎn)換；③將可能無限域的輸入變換成指定的有限范圍內(nèi)的輸出。 ANN中的核心問題就是如何決定網(wǎng)絡(luò)連接的加權(quán)數(shù)，常用的學(xué)習(xí)規(guī)則主要有： ① Hebb 學(xué)習(xí)規(guī)則。 設(shè)任一個(gè)神經(jīng)元 i到 j的權(quán) ijw ， iV 為 i個(gè)神經(jīng)元的輸出，則 ： ()ij i ijw V w?? ? ? （ 47） （ 4） 人工神經(jīng)網(wǎng)絡(luò)的構(gòu)成。( ) ( ( ))j j j jn e f s n? ? 稱為局部梯度， 當(dāng)單元 j 是一個(gè)輸出單元，則有： 39。 （ 2） 隱含層節(jié)點(diǎn)數(shù)的確 定。 ② 提出的隱含層估算式是：如果 T 為模式的訓(xùn)練數(shù)，隱含層的節(jié)點(diǎn)數(shù)是 2logT 。( ) ( ( ) ) ( ) ( )j j j jk kn f s n w n n??? ? （ 416） jkw 為單元 j到后一層單元 k 的連接權(quán)。兩者結(jié)合起來就可以構(gòu)成一個(gè)網(wǎng)絡(luò)的主要特征。用 io 表示神經(jīng)元 i 的激活值， jo 表示神經(jīng)元 j 的激活值， ijw 表示兩個(gè)神經(jīng)元之間的連接權(quán)，則有： ij i jw o o??? （ 45） 其中， ? 表示學(xué)習(xí)速率 。 ① 閾值型。它通過網(wǎng)絡(luò)結(jié)點(diǎn)間的連接來存儲(chǔ)信息并完成分類計(jì)算，是近幾年興起的模式識別領(lǐng)域的一個(gè)重要研究方向。對于幾何和拓?fù)涞姆椒ǎ?這種方法是利用字符的結(jié)構(gòu)，把字符分解成構(gòu)成它的元素，主要是獲取字符的關(guān)鍵形狀特征，這類特征也是允許存在一定的字體變形，這種方法可以較高速地處理字符，但是通常特征提取的過程是復(fù)雜的，并且這些特征的模板也是不容易生成的。所以為了提高準(zhǔn)確率，往往需要使用更多的模板進(jìn)行匹配，處理時(shí)間也會(huì)增加。通常的 OCR 系統(tǒng)的工作環(huán)境一般在室內(nèi)，光照條件較好且穩(wěn)定。 車牌字符識別技術(shù)分析 車牌字符識別實(shí)際上就是對車牌上的漢字、字母、數(shù)字進(jìn)行準(zhǔn)確確認(rèn)的過程。另外，當(dāng)截取的車牌圖像存在鉚釘時(shí)，也會(huì)影響谷底的判斷。 固定邊界法是一種直接分割法。 )獨(dú)立的字符子圖像，即把車牌中 的每個(gè)字符從整個(gè)車牌圖像中切割出來成為單字符圖像。因此選取候選區(qū)域在水平方向的跳變次數(shù)均值和各行跳變次數(shù)方差作為校驗(yàn)車牌的特 征，具體算法為： 1）二值化候選區(qū)域，提取中間行上下各 m行（包括中間行）共 2m+1行（ 2m+1小于候選區(qū)域的垂直高度）作為檢驗(yàn)行。39。因此 , 采取的自適應(yīng)選取 Th 的算法為 : 1) 選取初始的 Th ,且 minTh ≤ Th ≤ maxTh 。然后根據(jù)車牌區(qū)域在水平方向上能量集中的特點(diǎn)和車牌形狀的先驗(yàn)知識 ,在能量數(shù)組 E ( i , j) 中找取 K 個(gè)滿足 B ( i , j) = 1 的連通體 C( k) ( k = 1 , ?, K) , 并得到包圍 C ( k) 的最小矩形框 R ( k) 。則車牌區(qū)域在圖像中表現(xiàn)為水平方向上能量高而集中的區(qū)域。 基于矢量量化的車牌定位方法 矢量量化主要應(yīng) 用在圖像 壓縮、編碼領(lǐng)域，其基本原理就是將圖像分割成基本的塊12( , , )nx x x ，將所有可能出現(xiàn)的塊組成一個(gè)數(shù)據(jù)空間 。用小波變換可以進(jìn)行圖像增強(qiáng)、特征提取、邊緣檢測、圖像分割、紋理分析、圖像壓縮、模式識別等方面的處理。 基于字符串形狀特征的車牌分割方法，主要針對牌照字符串沿水平方向排列的規(guī)則紋理，采用了一種線性濾波器來初定車牌區(qū)域，采用平均值的辦 法選取閾值而 進(jìn)行二值化，然后利用投影的方法進(jìn)行精確定位。針對以上情況 ,本文提出了一種快速且魯棒性強(qiáng)的車牌定位算 法。 大量實(shí)驗(yàn)表明 , 該方法簡單實(shí)用 ,對光照不敏感 ,抗干擾性強(qiáng) 。 因此 ,需要在字符分割之前進(jìn)行車牌的傾斜校正。關(guān)于此閾值主要 有兩種途徑得到 ,一是根據(jù)長期處理去噪的經(jīng)驗(yàn)得來 ,二是采用窗口內(nèi)像素點(diǎn)的均值來粗略估計(jì)。 中值濾波器可以推廣到二維，對二維圖像操 作，二維中值濾波器的窗口形狀和尺寸對濾波效果影響較大，對于不同內(nèi)容不同應(yīng)用要求的圖像，需要采用不同尺寸和形狀的窗口。鄰域 S 的形狀和大小根據(jù)圖像特點(diǎn)確定。 圖 23 灰度拉伸 經(jīng)