【正文】 (212) 39。 圖 車牌原圖 圖 中值濾波后 灰度化技術及二值化 實現(xiàn) 根據(jù)第三章的原理論述，在圖像識別之前就必須要對目標圖像做一些特定的處理。 圖 去噪彩 色圖 圖 灰度變換后的灰度圖 其實現(xiàn)程序代碼如下： for(i=0。ilength。i++) { for(j=0。 采用 Robert 邊緣檢測算子時得到了圖如 所示。如圖 所示就是每個字符的圖像。 while(data[a]==0) { a++。 break。 } } 歸一化和 字符 特征提取 實現(xiàn) 字符特征提取有許多中方法，在這里采用比較簡單直觀的投影法。j24。 } write_data(b)。i24。 湖南工業(yè)大學本科畢業(yè)設計（論文） 28 2 4 列4 2 行 圖 字符庫圖 對字符庫里面的字符做 特征提取值 ,為保證 BP 網(wǎng)絡輸入數(shù)據(jù)量少比較好收斂，在這里對字符的特征值提取是提取了 4 列 7 行的數(shù)據(jù)作為字符的特征。 write_data(a[j])。 //行 投影 for(j=0。i++) { if(c1[j*42+i] 0) { ssum ++。從表 中也可以看到字符 2 的特征，例如它的第零列只 有三個白像素點，它的第 6 列與第 18 列有一樣多的白像素點。iwidtha。jimgheight。i++) { for(j=0。 Robert 邊 緣提取的時候邊緣比較直，而 Sobel 邊緣檢測的圖像就比較平滑一些， Prewitt 邊緣檢測相比 Sobel邊緣檢測就更要平滑了。 twoValue(imageData, t, imgheight*imgwidth)。由于視頻圖像中的車牌在不同的環(huán)境下拍到的照片其灰度化的圖像不會一直，所以所選的閾值也不會一樣，如果得不到一個適當?shù)拈撝的敲淳蜁沟枚祷膱D像很不理想，所以可以在二值化程序的前面先根據(jù)圖像的灰度信息來求出一個較為理想的閾值 ，求得辦法可以根據(jù)總的灰度值來求平均 。 灰度圖像的灰度數(shù)據(jù)值是又 0~255 范圍，這時采用二值化處理，可以將圖像的數(shù)據(jù)轉(zhuǎn)化成只有兩個 數(shù)值的圖像，這樣使得圖像更為明顯，二值化的閾值可以自己設定，而自己設定的閾值是能隨圖像變化的，根據(jù)不同的閾值得到不同的 效果。 圖 去噪 彩色圖 湖南工業(yè)大學本科畢業(yè)設計（論文） 21 圖 灰度權值變換的灰度圖像 其實現(xiàn)程序代碼如下： for(i=0。為了使學習速度足夠快而不易產(chǎn)生振蕩，往往在式（ 215）的基礎上再加上一個正比與上次調(diào)整的慣性項，即 1( 1 ) ( )Px y p y p x x ypw t O w t? ? ??? ? ? ? ?? （ 226） 式中： ? 稱為平滑因子，取值范圍 01???。( ) ( )(1 ( ))f f f???。它是人工神經(jīng)網(wǎng)絡的基本處理單元。 1985 年發(fā)展了 BP神經(jīng)網(wǎng)絡學習方法，實現(xiàn)了 Minsky的多層網(wǎng)絡設想。這項工作首次把人工神經(jīng)網(wǎng)絡的研究從理論探討付諸工程實踐。 1945 年馮 湖南工業(yè)大學本科畢業(yè)設計（論文） 14 bacdabcd 圖 直線特征值提取法示意圖 如圖所示， a、 b、 c、 d有效的穿過字符圖像，在每條直線上都應該有對應的像素 點，這些像素點就可以表示出字符的特征出來，不同的字符圖像顯然在 a、 b、 c、 d 直線上所得的像素值，有這樣的四條直線來確定字符的特征。 特征值提取 在字符圖像中需要提取出字符的特征來表示這個字符，所以需要設計出一組能代表字符特征的數(shù)據(jù)。, 39。當?shù)谝粋€最低波谷大于了直接分割 的列數(shù)要大，那么就說明可以分割。字符分割時識別的基礎，分割的好壞直接影響到識別的效果。 該分割技術的基本原理是確定一個處于圖像灰度變化范圍內(nèi)的灰度閾值 T，讓后 把圖像中每一個像素的灰度和這個閾值 T 相比較，并且根據(jù)一定規(guī)則將像素分為兩類，例如：把灰度值大于閾值的像素歸為一類；像素值小于閾值的像素歸為另一類。一個核對通常的垂直邊緣響應最大而另一個對水平邊緣響應最大。對這種變化最有用的兩個特征是灰度的變化率和方向，他們分別以梯度向量的幅度和方向來表示。 條件 4）表示不同的子區(qū)域具有不同的特性。近年來出現(xiàn)了一些新的算法和設想。從總體上來說，圖像分割就是 把 圖像分成若干有意義的區(qū)域的處理技術。二值化的關鍵是閾值的選取，選擇恰當?shù)拈撝?，不僅能夠有效去除圖像噪聲的干擾，而且能夠使整個圖像被明顯地劃分成目標和背景兩個部分，進而把圖像特征清晰的突顯出來，以減少信息量，提高處理速度。以常見的24深度彩色 RGB 圖來說，其三個分量各占 1個字節(jié)，這樣每個分量可以取值為 0~255，這樣一個像素點可以有 1600 多萬（ 255*255*255）的顏色的變化范圍。一般來說小于中值濾波器面積一半的亮或暗的物體基本上會被濾掉，而較大的物體則幾乎會原封不動地保存下來。這些濾波方法在文獻 [7]、 [8]、 [9]中有詳細說明 . 中值濾波也稱為中值平滑是一種空間域非線性濾波技術 ，它能夠在濾除噪聲的同時保持邊緣 不被模糊。 我國標準小型車采用藍底白字的車牌，輪廓尺寸為 440mm 140mm，寬和高比例近似為 3:1。 車牌規(guī)律 要對車牌圖像做處理就需要先歸納統(tǒng)計我國的車牌特點和規(guī)律。 BP網(wǎng)絡是一個需要預先學習的網(wǎng)絡，所以需要建立字符庫，這個庫就是要把車牌字符一般性特征給表現(xiàn)出來，把字符庫的特征值送入到 BP 網(wǎng)絡進行學習得到一個具有識別功能的 BP 網(wǎng)絡。車牌字符識別是在車牌準確定位的基礎上，對車牌上的漢字、字母、數(shù)字進行有效確認的過程。 EunRyung 等利用圖像中的顏色分量，對車輛牌照進行定位識別，其中提到了三種方法 :1） 以 Hough 變換為基礎的邊緣檢測定位識別； 2）以灰度值變換為基礎的識別算法； 3） 以 HLS 彩色模式為基礎的車牌識別 系統(tǒng)，識別率分別為 %、 85%、 %。智能化的交通監(jiān)控系統(tǒng)就相當于監(jiān)控區(qū)域內(nèi)站 有交警一樣，能夠即使對一些交通問題進行處 理。 3） 運營車輛高度管理系統(tǒng) 通過 車 輛中的 電腦、高度管理中心計算機與全球定位系統(tǒng)衛(wèi)星聯(lián)網(wǎng)，實現(xiàn)駕駛員與調(diào)度管理中心之間的雙向通訊，來提供商業(yè)車輛、公共汽車和出租汽車的運營效率。大會展示了中國多年來各部門、各湖南工業(yè)大學本科畢業(yè)設計（論文） 3 地區(qū)在 ITS 領域所取得的成就，并加強了中國在 智能交通系統(tǒng) 領域的對外交流。 1999 年 ， 交通部公路科學研究所 組織 全國數(shù)百名專家學者 投入到 “ 九五 ” 國家科技攻關重點項目《中國 智能交 通系統(tǒng)體系框架研究》工作 ， 于 20xx 年 把 課題完成， 并且 順利 通過國家科技部驗收， 20xx 年 發(fā)行 《中國智能交通系統(tǒng)體系框架》一書。而人工神經(jīng)網(wǎng)絡它是具有一定的容錯能力的，所以它相對于模板匹配法精度要求每那么高，但是實現(xiàn)比較復雜。在存儲空間上把車牌字符分割出來就可以大大減小存儲空間，這是由于車牌字符的組成的原因。 智能交通系統(tǒng)中包括了許多部分，而其中最為關鍵的部分就是要能對車輛進行識別。 前面五個過程是為了保證字符信息能更好的體現(xiàn)出來有利于將特征值得提取。 BP 神經(jīng)網(wǎng)絡通過對組建的車牌字符庫的學習后才會具有識別功能，然后將車牌字符圖像提取到的特征值送入到 BP 神經(jīng)網(wǎng)絡中就能識別出來。車輛的信息主要在于它的車牌，車牌就是車輛的身份證，每輛車都有唯一對應的車牌號碼，通過車牌號碼就了解到車輛的信息。對于識別方面分割字符必須比較精準才能使得識別正確，所以對于字符圖像的切割也要選取較為合理。識別方法的好壞在于它們的識別率和識別速度。 20xx 年 ，我國國家 科技部主辦北京第四屆亞太地區(qū)智能交通年會 ， 并且 得到 全國 ITS 協(xié)調(diào)指導小組辦公室協(xié) 助 。 20xx，由北京交通大學主辦，香港交通運輸協(xié)會協(xié)辦的 20xx 年智能交通系統(tǒng)國際研討會在中苑賓館舉行。該系統(tǒng)通訊能力極強，可以對全國乃至更大范圍內(nèi)的車輛實施控制。 智能交通監(jiān)控系統(tǒng)采用識別技術進行監(jiān)控，有異常 發(fā)生時就會自動通知交通人員，交通人員也可以及時得到車輛在監(jiān)控區(qū)域內(nèi)的基本情況，調(diào)整信號燈或者通過其他手段來疏導交通，改變交通流量的分布，已達到緩解交通堵塞的目的。日本對車牌圖像的獲取也做了大量的研究，并為系統(tǒng)產(chǎn)業(yè)化做了大量工作 [4]。目前已有的方法很多，但其效果與實際的要求相差很遠，難以適應現(xiàn)代化交通系統(tǒng)高速度、快節(jié)奏的要求。 由于在實際生活當中公 安部門為了防止車牌偽造，在車牌字符的字體上進行改變，使得目前通用的計算機上都不能輸出這樣的字體，所以在本文中采用的字符庫就沒有用車牌字符的字體。 我國車牌種類比較多，有黃底黑字、藍底白字、黑底白字、白底紅字。車牌中的每個字符居中分布在一個寬度是 45mm，高度是 90mm 的矩形范圍內(nèi)，字符間隔為 12mm，因為第二和第三字符間存在一個 10mm 的間隔符，因此，二、三字符的間隔為 22mm。中值濾波的做法是以處理窗內(nèi)原灰度值得“中值”作為“窗口”中心處的新值。因此中值濾波器的空間尺度必須根據(jù)遇到的問題不同而進行相應的調(diào)整。對這樣一幅彩色圖來說，其對應的灰度圖則是只有 8 位的圖像深度（可認為它是 RGB 三個分量相等），這也說明了灰度圖圖像處理所需的計算量確實要少。 通?？蓪㈤撝档倪x取方法分為全局閾值法和部分閾值法兩種。這些區(qū)域互不相交疊，每一個區(qū)域內(nèi)部 的某種特性或特征相同或接近，而不同區(qū)域間的圖像特征則有明顯差別 ，即同一區(qū)域內(nèi)部特性變化平緩，相對一致，而區(qū)域邊界處則特性變化比較劇烈。如先使用經(jīng)典的邊緣檢測算子對圖像做 初步的邊緣檢測，然后再利用邊緣之間空間結構關系來協(xié)調(diào)，增強初始檢測結果。 根據(jù)像素特性在目標區(qū)域內(nèi)部性質(zhì)一致性和區(qū)域邊界上不連續(xù)性，分割算法可分為基于邊緣的分割算法和基于區(qū)域的分割算法。邊緣檢測算子檢查每個像素的領域并對灰度變化率進行量化，通常也包括方向的確定。兩個卷積的最大值作為該點的輸出值。不同的像素一般屬于圖像中不同的區(qū)域，這樣根據(jù)閾值對像素進行分類即可以達到區(qū)域分割的目的。 而大致的分割方法有如下幾種： 1）直接分割法即基于車牌字符的規(guī)格來分割的，其優(yōu)點是方便簡單，局限在于需要找到精準分割點。這中方法不需要直接分割精確地找到分割點只需要找到一個大約的分割點就可以了，也較好的解決了投影法的由于漢字不連通帶來的問題。)xy 。這里有幾種方法： 1）投影法：根據(jù)字符圖像行列投影的像素累計值來作為字符的特征，根據(jù)對實際字符圖像投影出來的數(shù)據(jù)經(jīng)過 BP 網(wǎng)絡進行識別。 BP 神經(jīng)網(wǎng)絡 神經(jīng)網(wǎng)絡即人工神經(jīng)網(wǎng)絡它是一種模仿動物神經(jīng)網(wǎng)絡行為特征，進行分布式并行信息處 理的算法數(shù)學模型。 諾依曼領導的設計小組試制成功存儲程序式電子計算機，標志著電子計算機時代的開始。當時，世界上許多實驗室仿效制作感知機，分別應用于文字識別、聲音識別、聲納信號識別以及學習記憶問題的研究。 BP 網(wǎng)絡 BP網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡。常用的的人工神經(jīng)元結構模型如圖 所示。 當有 P 個樣本模式時，系統(tǒng)的誤差為 湖南工業(yè)大學本科畢業(yè)設計（論文） 18 21 1 11 ()2 P L Pp k p k pp k pE d O E? ? ?? ? ?? ? ? （ 27） 式中：是第 p個樣本第 k個輸出的期望值；是第 p 個樣本第 k 個輸出的當前值。 湖南工業(yè)大學本科畢業(yè)設計（論文） 20 第 3 章 基于 BP 網(wǎng)絡 的字符 識別 車牌 圖像預處理 實現(xiàn) 車牌圖像濾波實現(xiàn) 在第 2 章介紹了一種中值濾波的方法，它的原理就是取出就是在一個數(shù)組中取到一個中值，利用中值去取代孤立的大值，這樣就使得這個數(shù)組的數(shù)相對要變得均勻一些，這也就實現(xiàn)了圖像平滑。iimgheight*imgwidth。 其效果如下圖、圖 、圖 、圖 。 基于平均的思想湖南工業(yè)大學本科畢業(yè)設計（論文） 23 其程序編寫如下： t=0。 根據(jù)程序運行對兩幅圖像做處理得到圖 所示。對于邊緣檢測算子的運用也根據(jù)實際情況去選用并不是那個就要好于哪個，而是要根據(jù)圖像的實際能容來選取的。jimgheight。j++) { c1[count1] = imageData[j * imgwidth+i]。i++) { for(j=0。這里就是采用對車牌字符行列的白像素點的計算來表示字符特征的。 } } printf(%d,ssum)。j42。 } 字符庫 與 BP 網(wǎng) 絡 的建立 由于 BP 網(wǎng)絡是需要經(jīng)過訓練才能進行工作的，所以 先建立一個標準的字符特征值得數(shù)據(jù)庫，而要得到這樣特征值數(shù)據(jù)得做出一些符合實際情況的字符圖像。 這里就采用其效果圖如下 所示，它們的大小為 24*42。 for(i=0。 write_data(a[j])。 for(j=0。j++) {