【正文】 地方，在灰度突變 處進(jìn)行微分，將產(chǎn)生高值，因此在數(shù)學(xué)上可用灰度的導(dǎo)數(shù)來(lái)表示變化。鄰域可以選擇不同大小和形狀的窗口，如：線狀、方形、十字形、圓形、菱形等。同樣的，可以采用在空間域?qū)D像進(jìn)行濾波的方法，只不過(guò)這時(shí)采用的沖激響應(yīng)陣列與空間域低通濾波時(shí)所采用的完全不同。 鄰域加權(quán)平均法是對(duì)非加權(quán)鄰域平均法的一種改進(jìn)。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但領(lǐng)域過(guò)大，平滑會(huì)使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需要合理選擇鄰域的大小，實(shí)際中我們一般采用的鄰域窗口大小為 33? 。按上述步驟對(duì)圖像進(jìn)行均衡化處理時(shí)，直方圖上灰度分布較密的部分被拉伸，灰度分布稀疏的部分被壓縮，從而使一幅圖像的 對(duì)比度在總體上得到很大的增強(qiáng)。 直方圖均衡化 一般情況下，在一幅有限行和有限列的數(shù)字圖像中取不同灰度值像素的數(shù)目是不同的。 圖 42 線性灰度變換 圖 43 分段線性灰度變換 0 mdcban? ?yxf ,? ?yxg , 0dcba ? ?yxf ,? ?yxg ,第 4 章 車牌圖像的邊緣檢測(cè) 24 同理，可以采取分段線性灰度變換，將圖像灰度區(qū)間分成兩段或多段分別做線性變換。這時(shí)人們看到的將是一個(gè)模糊不清、似乎沒有灰度層次的圖像。根據(jù)上述兩種方法的優(yōu)缺點(diǎn)，把他們有效的結(jié)合起來(lái)使用是一種不錯(cuò)的方法。 目前，常用的二值化算法 主要有基于灰度的二值化和基于彩色的二值化，其中基于灰度的二值化又包括多種算法，主要有全局動(dòng)態(tài)二值化和局部自適應(yīng)二值化等；基于彩色的二值化主要有基于 HSV空間的彩色二值化。我們采用經(jīng)驗(yàn)公式 ： ? ? ? ? ? ? ? ?jiBjiGjiRjiG r a y , ??? 作為灰度值。工程應(yīng)用中經(jīng)常要遇到需要把彩色圖像向灰度圖像轉(zhuǎn)化的問(wèn)題，用數(shù)碼相機(jī)采集過(guò)來(lái)的汽車圖像是彩色圖像，為加快處理速度，需要把彩色圖像轉(zhuǎn)化為灰度圖像。 這種方法最大的優(yōu)點(diǎn)是計(jì)算速度快，算法相對(duì)簡(jiǎn)單，缺點(diǎn)是要求邊緣比較清晰，容易受到那些紋理分布同樣比較豐富的非車牌區(qū)域的影響，定位不夠精確。從而能夠去除孤立的小點(diǎn)、毛刺和小橋 (即連通兩塊域的小點(diǎn) )，而保持總的位置和形狀不變。 膨脹的作用效果如圖 32 所示。數(shù)學(xué)形態(tài)學(xué)可以用來(lái)簡(jiǎn)化圖像數(shù)據(jù)，保持圖像的基本形狀特性，同時(shí)去掉圖像中與研究目的的 無(wú)關(guān)的部分。本算法中輸入圖像為未進(jìn)行邊緣檢測(cè)的灰度圖像 [20]?？紤]到實(shí)時(shí)性的要求，搜索是跳躍前進(jìn)的 ； (2)當(dāng)搜索到的 0， 1變化頻率大于某一定值 T，且跳躍距離 (即兩個(gè)“ 0”或兩個(gè)“ 1”之間的距離 )在規(guī)定的范圍內(nèi)，則可認(rèn)為可能找到車牌的下沿了，記下第一次搜索到“ 1”時(shí)的橫坐標(biāo) 1X 和該行縱 坐標(biāo) 1Y 。根據(jù)這些特點(diǎn)，我們就可以更好的定位提取車牌。 (3)灰度跳變特征 ： 車牌的底色、邊緣顏色和車身的顏色各不相同，表現(xiàn)在圖像中即灰度 級(jí)互不相同，這樣在車牌邊緣形成灰度突變邊界。它們基本呈水平排列。 前四種車牌的前牌長(zhǎng)度均為 440mm，寬度為 140mm，共有字符 7個(gè)我們識(shí)別主要針對(duì)這四種車牌，一般民用牌照第一個(gè)字符是漢字，且是各省、自治區(qū)、直轄市的簡(jiǎn)稱，如 “川”、 “桂”、“京”、等。 首先將一幅沒有車輛經(jīng)過(guò)的圖像作為背景模板。在程序中設(shè)置一個(gè)定時(shí)器，每隔一段時(shí)間，程序就自動(dòng)進(jìn)行一次背景提取。首先提取無(wú)車輛狀態(tài)下的背景圖像，通過(guò)將當(dāng)前圖像與背景圖像做差分找到作為前景的運(yùn)動(dòng)物體。對(duì)快速運(yùn)動(dòng)的物體，需要選擇較小的時(shí)間間隔，因?yàn)槿绻麜r(shí)間間隔過(guò)大，在最壞情況下物體在前后兩幀中沒有重疊，就會(huì)造成被檢測(cè)物體為兩個(gè)分開的目標(biāo) ；而 對(duì)慢速運(yùn)動(dòng)的物體，應(yīng)該選擇較大的時(shí)間差，如果時(shí)間間隔過(guò)小，在最壞情況下，車輛在前后兩幀中幾乎完全重疊，導(dǎo)致根本無(wú)法檢測(cè)到物體。 光流計(jì)算法的優(yōu)點(diǎn)在于 光流不僅攜帶了運(yùn)動(dòng)區(qū)域的運(yùn)動(dòng)信息， 而且 還攜帶了有關(guān)景物二維結(jié)構(gòu)的豐富信息，它能夠檢測(cè)獨(dú)立運(yùn)動(dòng)的對(duì)象，不需要預(yù)先知道場(chǎng)景的任何信息，并 且能夠適用于 靜止背景和運(yùn)動(dòng)背景兩種環(huán)境，具有較好的適應(yīng)性。 相對(duì) 而言，基于 視頻的道路交通監(jiān)測(cè)系統(tǒng)具有不破壞路面，檢測(cè)范圍大，安裝使用靈活，維護(hù)費(fèi)用低的特點(diǎn)，具有廣闊的應(yīng)用前景 [7]。 故本文采用 canny 算子對(duì)車牌的邊緣進(jìn)行了提取，仿真結(jié)果表明了該算子能較好的檢測(cè)出圖片的邊緣信息。 (2)車牌定位 。 由于 我國(guó)汽車車牌識(shí)別的特殊性，采用任何一 種單一識(shí)別技術(shù)均難于 奏效。這些方 法大都采用了平滑運(yùn)算，但平滑運(yùn)算和微分運(yùn)算是一對(duì)矛盾 ，平滑降低了噪聲的影響同時(shí)也會(huì)使邊緣模糊。 (4)基于 自適應(yīng)平滑濾波的邊緣檢測(cè)方法 ： 基于 自適應(yīng)平滑濾波的邊緣檢測(cè)方法的基本思想是利用一個(gè)通用算子對(duì)信號(hào)進(jìn)行平滑，該算子能使其本身與信號(hào)的局部結(jié)構(gòu)相適應(yīng)。 (2)最優(yōu)算子法 ： 這類方法的目的是根據(jù)信噪比求得檢測(cè)邊緣的最優(yōu)濾波器。通常處理時(shí)為了提高系統(tǒng)的識(shí)別率， 都采用了一些硬件的探測(cè)器和其它的輔助設(shè)備如紅外照明等，其中“漢王 眼”就是采用主動(dòng)紅外照明和光學(xué)濾波器來(lái)減弱可見光的不可控制的影響，減小惡劣氣候和汽車大小燈光的影響。 國(guó)內(nèi)外研究現(xiàn)狀 汽車牌照識(shí)別國(guó)內(nèi)外研究現(xiàn)狀 從 20 世紀(jì) 90 年代初 (1988 年 )，國(guó)外的研究人員就己經(jīng)開始了對(duì)車牌自動(dòng)識(shí)別的研究，其主要途徑就是對(duì)車牌的圖像進(jìn)行分析，自動(dòng)提取車牌信息，確定汽車牌號(hào)。 我國(guó)從 70 年代開始在傳統(tǒng)的交通運(yùn)輸和管理中應(yīng)用了電子信息技術(shù)，隨著社會(huì)的發(fā)展與進(jìn)步，我國(guó)道路在未來(lái) 20 年內(nèi)仍然處于 建設(shè)階段，這期間正是智能交通系統(tǒng)在全世界進(jìn)入全面實(shí)施的階段，因此我國(guó)需要根據(jù)公路交通的實(shí)際需要探討在我國(guó)公路網(wǎng)中應(yīng)用智能交通系統(tǒng)來(lái)提高交通效率，保障安全和保護(hù)環(huán)境。 Roberts 算子檢測(cè)定位精度比較高，但對(duì)噪聲敏感。 Sobel算子可以產(chǎn)生較好的邊緣效果，但是對(duì)噪聲具有平滑作用，減小了對(duì)噪聲的敏感性。 隨著社會(huì)的發(fā)展，多學(xué)科多領(lǐng)域的融合發(fā)展成為技術(shù)發(fā)展的新趨勢(shì)。在車牌識(shí)別過(guò)程 中，也出現(xiàn)了很多的技術(shù)方法，有人使用模糊數(shù)學(xué)理論，也有人用神經(jīng)元 網(wǎng)絡(luò)的算法 來(lái)識(shí)別車牌中的字符，但由于 外界環(huán)境光線變化、光路中有灰塵、季節(jié)環(huán)境變化，以及車牌本身比較模糊等條件的限制和影響，使得 LPR 系統(tǒng)一直以 來(lái)都是一個(gè)不能很好解決的問(wèn)題， 而且 很多的方法都需要大量的數(shù)值計(jì)算，并沒有考慮到實(shí)時(shí)處理的環(huán)境。 邊緣檢測(cè)算法國(guó)內(nèi)外研究現(xiàn)狀 由于邊緣是圖像最基本的特征，邊緣信息是一種圖像的緊描述，所包含的往往是圖像中最重要的信息。Marr_Hildreth 算子是 Marr 和 Hildreth 應(yīng)用 Gauss 函數(shù)先對(duì) 圖 像進(jìn)行平滑，然后采用拉普拉斯算子根據(jù)二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)檢測(cè)邊緣，也被稱之為 LOG 算子。利維等人提出的一種加權(quán)模板，其系數(shù)是根據(jù)窗口的中心點(diǎn)及其相鄰點(diǎn)的灰度平均值來(lái)確定。這些方法中使用的平滑濾波器的參數(shù)都要人為設(shè) 定，由于 沒有對(duì)圖像中的噪聲以及邊緣的尺度進(jìn)行估計(jì)，因此不合適的濾波可能會(huì)濾掉一些邊緣細(xì)節(jié)信息，造成微分操作無(wú)法準(zhǔn)確得到邊緣細(xì)節(jié)。使得車牌定位識(shí)別的難度大大增加。首先介紹了汽車牌照的 類型、字符特征和先驗(yàn)知識(shí)。 四川理工學(xué)院本科畢業(yè)（設(shè)計(jì)）論文 7 第 2 章 汽車 圖像 的采集 運(yùn)動(dòng)目標(biāo)的檢測(cè)與跟蹤研究一般分為兩類 ： (1)攝像頭是固定的，只對(duì)視場(chǎng)內(nèi)的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)。 可見視頻檢測(cè)同其他方法相比具有很大的優(yōu)越性，盡管在應(yīng)用過(guò)程中還存在著易受外界環(huán)境干擾的影響、檢測(cè)準(zhǔn)確率較低等缺點(diǎn)，然 而 隨著計(jì)算機(jī)硬件與軟件技術(shù)的不斷發(fā)展，已逐漸成為交通參數(shù)檢測(cè)中的一種新興技術(shù)。但是當(dāng)運(yùn)動(dòng)區(qū)域與背景圖像的對(duì)比度太小，或圖像存在噪音時(shí)，單純的從圖像灰度強(qiáng)度出發(fā)來(lái)探測(cè)運(yùn)動(dòng)區(qū)域的光流場(chǎng)方法將會(huì)導(dǎo)致很高的虛警率。 背景消減法 背景消減法 [13]是目前基于 視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)算法中最常用的一種方法。如公式 (21)所示，變量 C 為視頻卡采集的當(dāng)前幀圖像，變量 BG為背 景幀圖像。在背景提取過(guò)程中，程序仍進(jìn)行車輛的檢測(cè)，不過(guò)本次檢測(cè)所用的背景為上一次提取的背景。將待處理的當(dāng)前灰度圖像的對(duì)應(yīng)像素值與模板圖像的灰度值相減 ； 再根據(jù)設(shè)定的灰度門限進(jìn)行標(biāo)記，差值大于 HG 的像素標(biāo)記為“ 1，其個(gè)數(shù)記為 n，然后記整幅圖像像素個(gè)數(shù)為 N，當(dāng) n/N大于 門限值 JG 時(shí) ，判定有來(lái)車，否則無(wú)車。第二個(gè)字母是大寫英文字母，是發(fā)證機(jī)關(guān)代號(hào)，如“ A、 B、 C”等。字符 (除去邊框 )的總長(zhǎng)度為 409mm，其中單個(gè)字符的統(tǒng)一寬度為 45mm，高度為 90mm，在第二和 第三 個(gè)字符之間間隔為 34mm，其余的字符間距都為12mm。在車牌區(qū)域內(nèi)部，由于 字符本身和牌照底色的灰度是均勻的，所以穿過(guò)車牌的水平直線呈連續(xù)的峰、谷、峰的分布。為了準(zhǔn)確、快速地定位車牌，人們提出了許多定位算法。此時(shí)，步進(jìn)值改為 1，以便實(shí)現(xiàn)精確搜索 ； 四川理工學(xué)院本科畢業(yè)（設(shè)計(jì)）論文 15 (3)繼續(xù)搜索上邊各行，檢查是否也滿足投影值大于 T 的條件，直到找不到滿足條件的行，就認(rèn)為可能是車牌的上邊沿，記下它的下一行的最后搜索到“ 1”的橫坐標(biāo)2X和該行縱坐標(biāo) 2Y ； (4)計(jì)算該可能車牌的高 ： 12 YYH ?? ，再計(jì)算其寬度 : 12 XXW ?? ，得出其寬高比 HWR? ，若 R局限于 3 的一個(gè)領(lǐng)域內(nèi)，則表明找到了車牌，否則繼續(xù)搜索 ； (5)根據(jù)上述步驟完成定位，分割出車牌。 具體的算法如下 ： (1)將輸入圖像分成一系列大小相同的子圖像 ? ?21 KK? ，每個(gè)子圖像的灰度均值為 ： ? ? ? ?? ?? ??1 21 121 ,1, kikj jifkkyxg (31) 其中， ? ?yx, 為子圖像中心坐標(biāo)。使用形態(tài)學(xué)操作 可以完成增強(qiáng)對(duì)比度、消除噪聲、細(xì)化、 填充和分割等常用圖像處理任務(wù) [21]。其中白色表示目標(biāo)，背景為黑色，結(jié)構(gòu)元素為 5X5 正方形對(duì)象。 (2)閉運(yùn)算可以使圖像中的像素粘連。 第 4 章 車牌圖像的邊緣檢測(cè) 20 第 4 章 車 牌 圖像的邊緣檢測(cè) 邊緣檢測(cè)是所有基于邊界的分割方法的第一步。由彩色圖像轉(zhuǎn)化為灰度圖像的過(guò)程叫灰度化處理，它是使 RGB 模型中的 R=B=G?；叶忍幚硐茸x入圖像的拷貝文件到內(nèi)存中， 使顏色的分量值都相等且等 于 ? ?jiGray , ，這樣就可以使圖像變成灰度圖像。本文首先提取了有關(guān)色彩的信息，然后和絕大多數(shù)算法一樣，對(duì)灰度圖像進(jìn)行二值化處理。此外，還有一種動(dòng)態(tài)閾值法，這是一種自適應(yīng)的二值化方法，它利用的是像素自身及其領(lǐng)域灰度變化的特征。可以采用灰度變換的方法來(lái)處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，達(dá)到增強(qiáng)圖像對(duì)比度的目的。分段線性變換的優(yōu)點(diǎn)是可以根據(jù)需要，拉伸感興趣的灰度 范圍，相對(duì)抑制不感興趣的灰度范圍。直方圖是用于表達(dá)圖像灰度分布情況的統(tǒng)計(jì)圖表，其橫坐標(biāo)是灰度值，縱坐標(biāo)是出現(xiàn)這個(gè)灰度值的概率值。 空間域?yàn)V波 圖像的實(shí)質(zhì)是光電信息，因此圖像噪聲的主要來(lái)源有以下幾個(gè) ： 在光電、電磁轉(zhuǎn)換過(guò)程中引入的噪聲 ； 大氣電磁暴、閃電、電壓和浪涌等引起的強(qiáng)脈沖的干擾；由不連續(xù)性或粒子性所引起的自然起伏性噪聲。 一幅有意義的圖像一般是由許多灰度值相近的小塊組成，相鄰像素間存在很高的空間相關(guān)性，而噪聲則是獨(dú)立的，則我們用像素預(yù)定鄰域內(nèi)的各像素的灰度平均值代替該 像素原來(lái)的灰度值，就可以實(shí)現(xiàn)圖像的去噪。鄰域加權(quán)平均的基本思想是 ： 離中心點(diǎn)越近的點(diǎn)對(duì)該中心點(diǎn)的影響越大，因此在求平均值時(shí)應(yīng)賦予較大的權(quán)重，它用窗口內(nèi)像素灰度級(jí)加權(quán)均值來(lái)取代窗口中心像素原有灰度級(jí)，公式如下 ： ? ? ? ? ? ?yxfjiwyxgxji , , ?? ?? (48) ? ?jiw, 為加權(quán)系數(shù)矩陣。因?yàn)閳D像中的邊緣與頻域中的高頻分量相對(duì)應(yīng)，所以可以采用高通濾波器讓高頻分量順利通過(guò)，而對(duì)低頻分量則充分限制，使圖像的邊緣變得清晰，實(shí)現(xiàn)圖像的銳化。不同形狀的窗口產(chǎn)生不同的濾波效果，使用中必須根據(jù)圖形的內(nèi)容和不同的要求加以選擇。最早的邊緣檢測(cè)方法都是基于像素的數(shù)值導(dǎo)數(shù)的，在數(shù)字圖像中應(yīng)用差分代替導(dǎo)數(shù)。 ? ? ? ? ? ?jifjifjifx ,1, ???? (49) ? ? ? ? ? ?1, ???? jifjifjify (410) ? ? ? ? ? ? ??? s in,c o s, jifjifjif yx ????? (411) 上式可見，導(dǎo)數(shù)運(yùn)算簡(jiǎn)單易行，但有方向性，只適用于某一種方向上的邊緣。使用中值濾波器去除噪聲的方法多種多樣，且十分靈活。常用于空間域高通濾波的沖激響應(yīng)陣列有以下幾種 ： (a) (b) (c) 圖 45 常用空間域高通濾波的沖激響應(yīng)陣列 高通濾波的效果也可以用原始圖像減去低通圖像得到。由信號(hào)