【正文】 (212) 39。 圖 車牌原圖 圖 中值濾波后 灰度化技術(shù)及二值化 實(shí)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(biāo)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(shí)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(shí)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(xué)本科畢業(yè)設(shè)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(luò)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(diǎn)，它的第 6 列與第 18 列有一樣多的白像素點(diǎn)。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(dāng)?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(shè)定，而自己設(shè)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(xué)本科畢業(yè)設(shè)計（論文） 21 圖 灰度權(quán)值變換的灰度圖像 其實(shí)現(xiàn)程序代碼如下： for(i=0。為了使學(xué)習(xí)速度足夠快而不易產(chǎn)生振蕩，往往在式（ 215）的基礎(chǔ)上再加上一個正比與上次調(diào)整的慣性項(xiàng)，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(luò)的基本處理單元。 1985 年發(fā)展了 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法，實(shí)現(xiàn)了 Minsky的多層網(wǎng)絡(luò)設(shè)想。這項(xiàng)工作首次把人工神經(jīng)網(wǎng)絡(luò)的研究從理論探討付諸工程實(shí)踐。 1945 年馮 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)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(yīng)該有對應(yīng)的像素 點(diǎn)，這些像素點(diǎn)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(shè)計出一組能代表字符特征的數(shù)據(jù)。, 39。當(dāng)?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(chǔ)，分割的好壞直接影響到識別的效果。 該分割技術(shù)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(yīng)最大而另一個對水平邊緣響應(yīng)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(shè)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(shù)。二值化的關(guān)鍵是閾值的選取，選擇恰當(dāng)?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(biāo)和背景兩個部分，進(jìn)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(diǎn)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(xiàn) [7]、 [8]、 [9]中有詳細(xì)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(shù) ，它能夠在濾除噪聲的同時保持邊緣 不被模糊。 我國標(biāo)準(zhǔn)小型車采用藍(lán)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(diǎn)和規(guī)律。 BP網(wǎng)絡(luò)是一個需要預(yù)先學(xué)習(xí)的網(wǎng)絡(luò)，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(luò)進(jìn)行學(xué)習(xí)得到一個具有識別功能的 BP 網(wǎng)絡(luò)。車牌字符識別是在車牌準(zhǔn)確定位的基礎(chǔ)上，對車牌上的漢字、字母、數(shù)字進(jìn)行有效確認(rèn)的過程。 EunRyung 等利用圖像中的顏色分量，對車輛牌照進(jìn)行定位識別，其中提到了三種方法 :1） 以 Hough 變換為基礎(chǔ)的邊緣檢測定位識別； 2）以灰度值變換為基礎(chǔ)的識別算法； 3） 以 HLS 彩色模式為基礎(chǔ)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(dāng)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(jìn)行處 理。 3） 運(yùn)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(jī)與全球定位系統(tǒng)衛(wèi)星聯(lián)網(wǎng)，實(shí)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(yùn)營效率。大會展示了中國多年來各部門、各湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文） 3 地區(qū)在 ITS 領(lǐng)域所取得的成就，并加強(qiáng)了中國在 智能交通系統(tǒng) 領(lǐng)域的對外交流。 1999 年 ， 交通部公路科學(xué)研究所 組織 全國數(shù)百名專家學(xué)者 投入到 “ 九五 ” 國家科技攻關(guān)重點(diǎn)項(xiàng)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(yàn)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(luò)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(shí)現(xiàn)比較復(fù)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(guān)鍵的部分就是要能對車輛進(jìn)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(luò)通過對組建的車牌字符庫的學(xué)習(xí)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(luò)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(yīng)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(zhǔn)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(dǎo)小組辦公室協(xié) 助 。 20xx，由北京交通大學(xué)主辦，香港交通運(yùn)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(qiáng)，可以對全國乃至更大范圍內(nèi)的車輛實(shí)施控制。 智能交通監(jiān)控系統(tǒng)采用識別技術(shù)進(jìn)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(dǎo)交通，改變交通流量的分布，已達(dá)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(shí)際的要求相差很遠(yuǎn)，難以適應(yīng)現(xiàn)代化交通系統(tǒng)高速度、快節(jié)奏的要求。 由于在實(shí)際生活當(dāng)中公 安部門為了防止車牌偽造，在車牌字符的字體上進(jìn)行改變，使得目前通用的計算機(jī)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(lán)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?yàn)榈诙偷谌址g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(jìn)行相應(yīng)的調(diào)整。對這樣一幅彩色圖來說，其對應(yīng)的灰度圖則是只有 8 位的圖像深度（可認(rèn)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(shí)要少。 通常可將閾值的選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(jié)構(gòu)關(guān)系來協(xié)調(diào)，增強(qiáng)初始檢測結(jié)果。 根據(jù)像素特性在目標(biāo)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(lǐng)域并對灰度變化率進(jìn)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(diǎn)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(jìn)行分類即可以達(dá)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(diǎn)是方便簡單，局限在于需要找到精準(zhǔn)分割點(diǎn)。這中方法不需要直接分割精確地找到分割點(diǎn)只需要找到一個大約的分割點(diǎn)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(shí)際字符圖像投影出來的數(shù)據(jù)經(jīng)過 BP 網(wǎng)絡(luò)進(jìn)行識別。 BP 神經(jīng)網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)即人工神經(jīng)網(wǎng)絡(luò)它是一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處 理的算法數(shù)學(xué)模型。 諾依曼領(lǐng)導(dǎo)的設(shè)計小組試制成功存儲程序式電子計算機(jī)，標(biāo)志著電子計算機(jī)時代的開始。當(dāng)時，世界上許多實(shí)驗(yàn)室仿效制作感知機(jī)，分別應(yīng)用于文字識別、聲音識別、聲納信號識別以及學(xué)習(xí)記憶問題的研究。 BP 網(wǎng)絡(luò) BP網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。常用的的人工神經(jīng)元結(jié)構(gòu)模型如圖 所示。 當(dāng)有 P 個樣本模式時，系統(tǒng)的誤差為 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)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(dāng)前值。 湖南工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文） 20 第 3 章 基于 BP 網(wǎng)絡(luò) 的字符 識別 車牌 圖像預(yù)處理 實(shí)現(xiàn) 車牌圖像濾波實(shí)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(shí)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(xué)本科畢業(yè)設(shè)計（論文） 23 其程序編寫如下： t=0。 根據(jù)程序運(yùn)行對兩幅圖像做處理得到圖 所示。對于邊緣檢測算子的運(yùn)用也根據(jù)實(shí)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(shí)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(diǎn)的計算來表示字符特征的。 } } printf(%d,ssum)。j42。 } 字符庫 與 BP 網(wǎng) 絡(luò) 的建立 由于 BP 網(wǎng)絡(luò)是需要經(jīng)過訓(xùn)練才能進(jìn)行工作的，所以 先建立一個標(biāo)準(zhǔn)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(shí)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++) {