【正文】 牌識別技術(shù)在車輛過路、過橋全自動不停車收費，交通流量控制指標的測 量，車輛自動識別，高速公路上的事故自動測報，不停車檢查，車輛定位，汽車防盜，稽查和追蹤車輛違規(guī)、違法行為，維護交通安全和城市治安，防止交通堵塞，提高收費路橋的服務速度，緩解交通緊 張狀況等方面顯出了強勁的生命力。在一定情況下，還必須快 速實時地完成。 1． 4 車牌識別系統(tǒng)的構(gòu)成 一個完整的汽車車牌識別系統(tǒng)的工作過程主要分為四個步驟： 第一步預處理， 由于攝像條件和客觀因素的限制，如車輛牌照不整潔，光照條件不好，角度不適合，車速較快等原因，很容易對車牌識別系統(tǒng)的準確性造成干擾。 在本文的安排 過程中，第二章圖像的預處理主要是介紹有關(guān)圖像處理的相關(guān)知識，第三章車牌定位，第四章字符切割，主要是為第五章字符識別做前期準備。真彩色圖像可以使用很多種顏色空間來進行表示，實際應用中使用最廣泛的顏色空間是 RGB 顏色空間?；叶葓D像是只包含了圖像的亮度信息而不包含圖像的色彩信息的圖像。 圖 車牌原始圖像 17 圖 車牌灰度圖像 2． 3 圖像的二值化 二值圖像是指圖像中只有黑、白兩種像素值的圖像。圖像的邊緣檢測是圖像分割、紋理特征提取以及形狀特征提取等圖像后續(xù)處理的前提。假設(shè)灰度圖像),( yxf 是具有整數(shù)像素坐標的輸入。本文對圖像的灰度化、圖像增強、二值化、邊緣檢測等預處理技術(shù)進行了介紹，并簡要分析了各種預處理方法的優(yōu)缺點。為了達到快速準確的從車牌圖像中分離出車牌區(qū)域的目的，國內(nèi)外的研究者們提出了諸多車牌定位的方法，這些方 法大部分都是基于上述所說的車牌的紋理特征、灰度特征、幾何特征以及顏色特征等等。 (1) 車牌粗定位 粗定位即從車牌的邊緣圖像中尋找并提取出包含有車牌圖像的區(qū)域的過程。此時，需要結(jié)合車輛牌照在圖像中的位置信息、幾何特征、寬高比等先驗知識對候選區(qū)域進行進一步的判定，確定真正的車牌區(qū)域。此時直方圖上會有一個波峰密集的區(qū)域，并且此區(qū)域的寬度滿足牌照寬高比的 先驗知識，由此我們也可以確定車牌在垂直方向上的精確位置。設(shè) A 為二值化圖像， B 為結(jié)構(gòu)元素，則 A 被 B 膨脹記為 BA? ,其定義是： ? ?????? AByxBA xy),( （ ） 上式可以解釋為： A 被 B 膨脹所得到的集合為，當 B 的原點平移到 ),( yx 時，B 與 A 的交集非空。同樣， B 對 A的閉運算可記為 BA? ,其定義是： BBABA ???? )( （ ） 由公式可以看出，閉運算是開運算的對偶運算，即對 A 進行先膨脹后腐蝕的運算。然后介紹了幾種典型的車牌識別算法。 （ 4）光照不均容易引起分割錯誤。第一個字符分割結(jié)束。該方法較好地解決了漢字的不連通、字符的粘連、噪聲的干 擾以及車牌的第 2個字符和第 3個字符之間存在小圓點的問題，實踐證明此方法是行之有效的。統(tǒng)計特征又可分為全局特征和局部特征。字符識別的關(guān)鍵是分類器的選擇與組織。晝夜交替、雨雪天氣、車輛行駛速度過快等都會對圖像采集造成干擾，導致提取的字符模板（模式樣本）出現(xiàn)字符模糊、變形、斷裂等情形，進而影響最終的識別率。 計算模板匹配法中相似度算法有 AD 算法、差方和算法（ SSD 算法）以及NCC 算法等。其次，將已分割好的字符作為待測字符，通過 AD 算法逐一計算出的待測字符與字符庫中相似度，最后，將相似度大的字符輸出，完成字符識別。在第二章圖像預處理階段，對車牌識別前需要進行的圖像灰度化、二值化以及邊緣檢測等工作進行了介紹，在第三章車牌定位階段，通過常用的定位方法，基于紋理特征和數(shù)學形態(tài)的方法進行定位。title(39。title(39。 figure(3),imshow(I2)。title(39。title(39。 [y,x,z]=size(I5)。(PY11)) PY1=PY11。 end end end PX1=1。 end PX1=PX11。定位剪切后的彩色車牌圖像 39。)。)。 d=(double(b)=T)。 39。 figure(8),subplot(3,2,4),imshow(d),title(39。diamond39。 .jpg39。s=sum(d)。 if k2k1=round(n/) [val,num]=min(sum(d(:,[k1+5:k25])))。 left=1。 two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)))。 % 分割出第五個字符 [word5,d]=getword(d)。)。539。 [m,n]=size(word1)。 subplot(5,7,15),imshow(word1),title(39。)。639。 imwrite(word2,39。)。39。:39。 t=imread([ii,39。 elseif l==2 %第二位 A~Z 字母識別 kmin=11。)。 findc=find(Error1==MinError)。Color39。 while flag==0 [m,n]=size(d)。amp。 d=qiege(d)。right=n。amp。 參考文獻 [1] 萬國紅，王敏 . 基于神經(jīng)網(wǎng)絡(luò)的汽車牌照自動識別技術(shù)研究 [J]. 計算機工程與應用 ， 20xx,38(6):204205,226. [2] 廖翔云，徐錦標 . 車牌識別技術(shù)研 究 [J]. 微機發(fā)現(xiàn)， 20xx,13(2):3135. [3] 周科偉 . Matlab 環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的車牌識別 [D]. 西安 ： 西安電子科技大學 ， 20xx. [4] 龔小兵 . 基于 BP 神經(jīng)網(wǎng)絡(luò)的車輛牌照自動識別系統(tǒng)的研究 [D]. 武漢 ： 武漢理工大學 ， 20xx. [5] 吳冰 ， 。 end while sum(d(:,right))==0 amp。amp。 else d=[]。 if sum(sum(d))~=0 d=qiege(d)。 while sum(d(:,wide+1))~=0 amp。b39。 45 Code(l*2)=39。 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)SamBw2(i,j)。 else l=3 %第三位以后 是字母或數(shù)字識別 kmin=1。])。 39。 liccode=char([39。39。)。 subplot(5,7,21),imshow(word7),title(39。439。)。 word2=imresize(word2,[40 20])。 subplot(5,7,6),imshow(word6),title(39。339。 % 分割出第七個字符 [word7,d]=getword(d)。word1=temp。 while sum(d(:,wide+1))~=0 wide=wide+1。 % 分割 end end 40 % 再切割 d=qiege(d)。 while j~=n while s(j)==0 j=j+1。 39 figure(8),subplot(3,2,5),imshow(d),title(39。ball39。) % 某些圖像進行操作 % 膨脹或腐蝕 % se=strel(39。average39。 .jpg39。subplot(3,2,1),imshow(b),title(39。 a=imread(39。39。 dw=I(PY1:PY28,PX1:PX2,:)。amp。 while ((Blue_y(PY2,1)=5)amp。 tic Blue_y=zeros(y,1)。)。)。robert 算子邊緣檢測 39。)。) I1=rgb2gray(I)。 本文算 法的識別率還有待進一步提高，還遠遠達不到實際應用的要求，希望在以后的學習和工作中，不斷改進。以下列出 3 組數(shù)據(jù)，給出了原始圖像及識別結(jié)果 ， 如圖 所示。其計算公式如下： ? ?? ?? ? ??NmNnji nmTnmSjiD1 12, ),(),(),( （ ） NCC 算法 [20]即歸一化交叉相關(guān)算法，它是 SSD 算法的變形。 （ 4）實時性 隨著需求的提升，單一的車票識別系統(tǒng)已經(jīng)不能滿足實際的需求。 30 5． 2 車牌字符識別的特點 同一般意義上 的字符相比，車牌字符識別有其獨有的特點 [18]： （ 1）字符集小 各種車輛牌照中包含的字符有各?。ㄊ?、自治區(qū)）簡稱、軍用車輛簡稱、使領(lǐng)館車輛以及教練車輛等漢字字符，以及 26 各英文字母和 10 個數(shù)字，字符的類別不超過 100 類，其分類規(guī)模要遠遠小于一般的 車牌自動識別 系統(tǒng)。全局特征包括 Fourier 變換、余弦變換、小波變換、矩特征以及筆畫的密度特征等。由此，車牌識別系統(tǒng)進入了最后一個環(huán)節(jié) ：字符識別。其分割方法較第一個漢字字符簡單。 步驟如下： （ 1）對預處理后的車牌圖像，自左向右逐列統(tǒng)計各列所包含的白色像素點（本文中車牌字符為白色像素點），將統(tǒng)計后的結(jié)果存儲到一個 n?1 矩陣中（ n的大小與車牌圖像的寬度相同）。 4 字符切割 圖像切割是指按一定的規(guī)則，將圖像與背景分成不同的部分或子集的過程。 形態(tài)學的車牌定位方法主要是基于上述四 種形態(tài)學基本運算，尤其是形態(tài)學的開閉運算。 腐蝕會去除圖像中的離散點，實際達到了去除圖像噪聲的作用。 基于數(shù)學形態(tài)學的車牌定位 數(shù)學形態(tài)學 [12]誕生于 20 世紀 60 年代中葉，它基于集合論，具有完備的數(shù)學基礎(chǔ)，其基本思想是使用具有一定形態(tài)的結(jié)構(gòu)元素取量度和提取圖像中的對應形狀以達到分析、識別圖像的目的。根據(jù)這些特征和一些必要的先驗知識，就可以對粗定位區(qū)域進行更精確的定位。我們可以利用這一特征實現(xiàn)車牌的粗定位。 基于紋理特征分析的車牌定位 基于車牌統(tǒng)計直方圖的定位方法綜合使用了車牌的結(jié)構(gòu)特征和紋理特征 [11]來對車牌區(qū)域?qū)嵤┒ㄎ?。車牌定位在車牌識別系統(tǒng)中占有舉足輕重的地位，車牌定位的精確程度將對系統(tǒng)后續(xù)的字符分割和字符識別連個部分產(chǎn)生直接的影響。 Roberts 模板使用斜向上的 4 個像素的交叉差分定義的，即： 22 ))1,(),1(())1,1(),((),( ????????? yxfyxfyxfyxfyxf （ ） 一般情況下，可以將上式簡化為如下兩種形式： 20 )1,(),1()1,1(),(),( ????????? yxfyxfyxfyxfyxf （ ） ))1,(),1(,)1,1(),(m a x (),( ???????? yxfyxfyxfyxfyxf （ ） 公式（ ）和（ ）表示稱模板的形式如下： ?????????????? ?? 01 1010 01 21 RR Roberts 算子采用對角線方向上相鄰兩個像素之差近似梯度幅值檢測邊緣。 圖像區(qū)域的邊緣可以分為兩種：一種是階躍邊緣，它的兩邊的像素的灰度值有著明顯的不同；還有一種是屋頂邊緣，它位于灰度值從增加到減少（或者從減少到增加）的變化的轉(zhuǎn)折點上 [8]。車牌圖像的二值化 [5]就是將圖 像中感興趣的目標特征進一步的提取出來，這些特征包括目標區(qū)域的灰度值、輪廓、紋理特征、頻譜特征以及直方圖特征?；叶葓D像的存儲矩陣大小為 nm? ，其中矩陣中的每一個元素代表灰度圖像中相應點的像素的亮度。例如，在 RGB 顏色空間下，彩色圖像的每一個像素點均由 R（紅）、 G（綠）、 B（藍）三個顏色分量組成。而對于車牌定位環(huán)節(jié)來說，車牌圖像的預處理更是發(fā)揮著相當重要的作用。用來確定車牌在整個圖像中的相對位置，其輸入是整個原始圖像，輸出是長方形車牌圖像；第三步車牌字符的分割。 目前國外的相關(guān)研究有： （ 1） Barros 提出的基于掃描行高頻分析的方法； （ 2） Lancaster 提出的類字符分析方法等，為了解決圖像惡化的問題； （ 3） Kat 提出的基于顏色的提取方法。由于在實際中存在光照、污損、缺損、無牌、格式多樣等各種技術(shù)難題，這一技術(shù)一直都停留在實驗室階段，無法在實際工程中得到廣泛應用。 10 基于部分圖像處理的車牌數(shù)字和字母的識別 摘 要 汽車車牌的識別在智能交通系統(tǒng)中占據(jù)重要地位，有著廣闊的發(fā)展前景，基于圖像處理的車牌識別是智能交通領(lǐng)域應用的重要課題之一，是實現(xiàn)交通管理智能化的重要環(huán)節(jié)。)。 實驗結(jié)果與分析： 7