【正文】 區(qū)域中有非零像素 R’存在，則將其包括到圖像 2 中，作為點(diǎn) R。STEP4：對梯度取兩次閾值得到兩個閾值 T1 和 T2=*T2。Canny 邊緣檢測法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測之間取得較好的平衡。如圖：圖 3 13 再次濾波效果圖Fig 3 13 Remap Filtering 邊緣提取邊緣是目標(biāo)和背景的分界線，只有提取出了邊緣才能將目標(biāo)圖像從背景中分離出來。高通濾波通過對圖像中的低頻分量充分限制，可以使圖像的邊緣變得更清晰，我們把這種圖像處理方法叫做銳化。如果有特殊的需要，也可以根據(jù)圖像處理的要求在處理過程中改變大小形狀來滿足處理要求。如圖為目標(biāo)車牌圖像，已經(jīng)經(jīng)過車牌粗定位處理：圖 3 10 粗定位車牌圖像灰度化效果圖Fig 3 10 Rough Location of License Plate Image Grayscale Rendering 圖像濾波平滑線性濾波器是最簡單和最常的圖像濾波器。剪裁后的車牌位置圖如下：圖 3 8 車牌粗定位圖像Fig 3 8 Vehicle License Plate Location Images將車牌粗定位圖像灰度化并保存，作為車牌精確定位的數(shù)據(jù)來源。檢測點(diǎn)矩陣初始化形狀會影響 FIND 的參數(shù)設(shè)置，如設(shè)為 10 和 6，是從本文實(shí)驗角度考慮，經(jīng)過比較驗算后發(fā)現(xiàn)采用此參數(shù)，檢測結(jié)果較為準(zhǔn)確。如果有任何 10 個 CK 大于值 WAVE（取 WAVE 值為 10） ，則進(jìn)入下一步，并將這種比較的過程定義為 FIND。車輛經(jīng)過時車身所在位置檢測點(diǎn)灰度值較背景時變化較大，通過設(shè)置一個閾值，可以將變化值超過閾值的行和列檢測出來，行列所包圍矩陣點(diǎn)區(qū)域為車身形狀區(qū)域。假設(shè)設(shè)定四個定位點(diǎn)坐標(biāo) A（325,655） ，B（525, 655） ，C（700,70） ，D（50,70） ，計算后的矩陣點(diǎn) X 坐標(biāo)數(shù)據(jù)（截圖）如下：圖 3 2 檢測點(diǎn)矩陣 X 坐標(biāo)表Fig 3 2 Detection Dotmatrix Coordinates X計算后的矩陣點(diǎn) Y 坐標(biāo)數(shù)據(jù)（截圖）如下：圖 3 3 檢測點(diǎn)矩陣 X 坐標(biāo)表Fig 3 3 Test Dot Matrix Coordinates X根據(jù) x 坐標(biāo)和 y 坐標(biāo)繪繪制矩陣圖，效果如圖：圖 3 4 檢測點(diǎn)矩陣效果圖Fig 3 4 Detection Point Matrix Effect Chart由于實(shí)驗數(shù)據(jù)來源的不同，檢測點(diǎn)矩陣位置的設(shè)定也可能不同。檢測點(diǎn) 粗定位區(qū)域檢測點(diǎn)檢測到車身時灰度值變化 圖 3 1 檢測點(diǎn)矩陣原理圖Fig 3 1 Test Point Matrix Diagram 檢測點(diǎn)矩陣初始化檢測點(diǎn)矩陣的初始化過程應(yīng)該在攝像機(jī)架設(shè)完畢后進(jìn)行。紋理特征法的計算量較之于其它的車牌精確定位算法較少，在有效利用車牌粗定位算法的前提下，紋理特征法能夠達(dá)到合適的定位成功率。這種方法計算量大，會導(dǎo)致系統(tǒng)計算時間過長。這種算法復(fù)雜度小計算速度快能夠較好地達(dá)到系統(tǒng)實(shí)時性的要求。本章節(jié)僅對各種傳統(tǒng)車牌定位方法的優(yōu)缺點(diǎn)作評述。車牌定位技術(shù)通過對攜帶有車牌號碼信息的靜態(tài)圖像分析處理，尋找車牌區(qū)域圖像特征，通過計算處理，加強(qiáng)并提取這種圖像特征，最后定位分割出車牌區(qū)域圖像。對兩種灰度圖像增強(qiáng)進(jìn)行實(shí)驗，因為從視頻中抽取的幀圖像干擾噪聲太多，第二種方法沒有第一種方法效果好，本文又進(jìn)行分析對比，最終確認(rèn)使用第一種方法進(jìn)行灰度圖像增強(qiáng)，其參數(shù)設(shè)置為：s1=35，s2=210，r1=75，r2=165 。直方圖均化是把灰度值集中的圖像變成灰度均勻概率分布的圖像。我們可以采取計算的方法重新使這些特征以灰度值的方式明顯起來，通過計算加強(qiáng)灰度值特征的做法就叫做灰度圖增強(qiáng)?；叶葓D像數(shù)據(jù)像素點(diǎn)為一個灰度值，該灰度值的大小決定該像素點(diǎn)的亮度。根據(jù)采樣定理，采樣頻率至少要是數(shù)據(jù)頻率的 2 倍，如下式： 02ff??（2 1）本實(shí)驗素材條件如下：視頻區(qū)域道路長度 L：L=10m。每種視頻壓縮格式都有相應(yīng)的壓縮協(xié)議，本文利用 MATLAB 里的讀取視頻函數(shù) mmread 對視頻數(shù)據(jù)進(jìn)行解幀，視頻函數(shù)mmread 集成了大部分視頻格式的壓縮格式，它可以對讀進(jìn)來的視頻數(shù)據(jù)進(jìn)行反解碼后輸出任意一幀視頻圖像，這些解幀出來的視頻圖像就是本文將要處理的有可能帶有車牌信息的靜態(tài)圖像。檢測點(diǎn)矩陣技術(shù)就是基于對這些二維波形圖包含的數(shù)據(jù)信息處理從而檢測出車身形狀進(jìn)而粗定位車牌位置的。，在車牌識別的各環(huán)節(jié)采集相應(yīng)評價參數(shù)，構(gòu)造評價函數(shù)。本文把數(shù)字?jǐn)z像機(jī)拍攝的視頻數(shù)據(jù)作為數(shù)據(jù)來源，通過一系列計算方法檢測車輛運(yùn)動目標(biāo)、定位車牌圖像、分割字符圖像、識別字符圖像最終獲取車牌號碼。檢測點(diǎn)矩陣將可在視頻窗口中選定興趣區(qū)域、有效檢出車輛運(yùn)動目標(biāo)、排除非機(jī)動車目標(biāo)，同時為車牌精確定位環(huán)節(jié)減少了計算量、降低了背景干擾。如設(shè)置多盞照明燈以消除或減弱運(yùn)動目標(biāo)陰影、利用交通卡口或隧道等光源位置較固定且容易控制的地方、背景強(qiáng)化（斑馬線）等方法，可以使采集的圖像背景干擾更小。這些基于視頻的運(yùn)動目標(biāo)檢測技術(shù)在各自適合的領(lǐng)域都取得了不錯的檢測準(zhǔn)確率。但是這種方法計算量大，而且容易受到其它不明運(yùn)動物體、圖像抖動、運(yùn)動模糊等視頻數(shù)據(jù)特點(diǎn)因素的影響，對檢測結(jié)果造成較大影響。2）檢測線方法在視頻窗口中對每個車道上設(shè)置平行于車道的若干根檢測線，檢測線具有固定寬度，車輛經(jīng)過車道時對平行于車道的檢測線產(chǎn)生影響，針對這種車輛造成的影響進(jìn)行分析可以得出運(yùn)動車輛的寬度、速度、運(yùn)動軌跡。車牌識別技術(shù)運(yùn)用視頻設(shè)備之前其運(yùn)動目標(biāo)經(jīng)過狀態(tài)檢測主要是通過硬件傳感器實(shí)現(xiàn)的。3）字符識別字符識別算法中最經(jīng)典的算法是模板匹配算法，其次是字符特征法和神經(jīng)網(wǎng)絡(luò)方法。馮國進(jìn) [21]提出了一種算法，這種算法利用車牌的形狀特征，并且有一定的車牌圖像大小適應(yīng)性。這三種技術(shù)體現(xiàn)在系統(tǒng)中有先后順序，可以將這三個核心技術(shù)視為車牌識別系統(tǒng)的三個技術(shù)環(huán)節(jié)。目前，計算機(jī)視覺系統(tǒng)已經(jīng)開始被應(yīng)用于 ITS 并為其交通信息監(jiān)測服務(wù)。由于本文先提出的車牌粗定位算法為本系統(tǒng)節(jié)省了大量的計算時間，此質(zhì)量反饋模塊的加入不會為整個系統(tǒng)帶來嚴(yán)重的計算速度方面的負(fù)擔(dān)，從而在保證系統(tǒng)實(shí)時性的前提下一定程度上提高系統(tǒng)識別準(zhǔn)確度?；谝曨l的車牌識別技術(shù)研究摘要隨著交通設(shè)施與交通工具之間供求矛盾越來越激化，智能交通系統(tǒng)被認(rèn)為是解決這種矛盾的好方法。在系統(tǒng)中間過程各環(huán)節(jié)設(shè)置多個評價參數(shù)和參因數(shù)并合理設(shè)計評價函數(shù)，在識別結(jié)果出來的同時對其進(jìn)行評價，如果識別結(jié)果滿足評價函數(shù)的要求則被認(rèn)為識別成功，否則將會回到視頻幀圖像選擇環(huán)節(jié)重新進(jìn)行關(guān)鍵幀選擇。智能交通系統(tǒng)以徹底改善交通工具與交通設(shè)施之間矛盾為目的，以現(xiàn)代科學(xué)技術(shù)為手段，將人、車、路看作一個完整的系統(tǒng)，以可選的全局目標(biāo)或局部目標(biāo)使人、車、路達(dá)到和諧統(tǒng)一并最終改善整個交通環(huán)境。車牌識別技術(shù)中核心技術(shù)主要為車牌定位，字符分割與字符識別。國內(nèi)高大山等 [22]提出了一種車牌定位算法，這種算法的抗背景干擾能力較強(qiáng)，可以在復(fù)雜環(huán)境中有效地定位車牌區(qū)域。國內(nèi)陳鍛生等 [12]利用分析快速連通域形狀的方法實(shí)現(xiàn)車牌字符分割，盧達(dá)等 [15]通過分析字符結(jié)構(gòu)特征實(shí)現(xiàn)字符分割算法。本系統(tǒng)在車牌定位環(huán)節(jié)之前還有一個重要的工作就是檢測出運(yùn)動車輛經(jīng)過，如果不能夠準(zhǔn)確地檢測出運(yùn)動車輛經(jīng)過視頻區(qū)域，將無法進(jìn)行車牌定位。提出這種算法的有 等人。這種方法適合于檢測運(yùn)動目標(biāo)形狀，并且相比于其它方法其檢測結(jié)果較準(zhǔn)確，能夠獲取較多運(yùn)動目標(biāo)特征點(diǎn)。提出這種算法的有 、Neil Hoose 、 等人。由于視頻數(shù)據(jù)相比于靜態(tài)圖像數(shù)據(jù)有其自身的優(yōu)、劣勢，本文本著揚(yáng)長避短的原則，決定從視頻數(shù)據(jù)自身優(yōu)勢尋找突破口并采用以下方法消除不利因素：1）優(yōu)化圖像采集方法本系統(tǒng)進(jìn)行圖像采集時對周圍環(huán)境有一定要求。本文認(rèn)為本系統(tǒng)存在以下兩個創(chuàng)新點(diǎn)：1）檢測點(diǎn)矩陣檢測點(diǎn)矩陣以樣本點(diǎn)運(yùn)動目標(biāo)檢測算法為基礎(chǔ)思想，通過人工設(shè)定矩陣形狀，成功檢測出運(yùn)動目標(biāo)以進(jìn)行車牌粗定位，并且為質(zhì)量反饋模塊提供實(shí)施條件。另外本系統(tǒng)對車輛運(yùn)動軌跡有較高的要求，因此其應(yīng)用場合道路路面應(yīng)盡可能平、直，并具有明顯邊界。，首先合理分類樣本集，在每一樣本集內(nèi)進(jìn)行模板比對，要求模板比對效率要高以提高系統(tǒng)實(shí)時性。每一個檢測點(diǎn)獲取的信息都是一個以時間為橫坐標(biāo)以圖像灰度值為縱坐標(biāo)的二維波形圖。視頻信息一般是多幀圖像的壓縮數(shù)據(jù)，需要將視頻數(shù)據(jù)解壓縮后解幀，這涉及到視頻數(shù)據(jù)的壓縮格式。如何設(shè)置適當(dāng)?shù)娜瑫r間間隔，成為本系統(tǒng)研究的一個重要問題。 圖像預(yù)處理 圖像灰度化彩色圖像數(shù)據(jù)的像素點(diǎn)由三個圖像分量 R、G、B 組成，三個圖像分量的不同值組合反映到人的眼睛里呈現(xiàn)了更多的色彩。普遍的做法是?。?， =， =則灰度值為 g = R + +[10]上面視頻檢測窗口彩色圖像灰度化以后如圖：圖 2 3 彩色圖像灰度化Fig 2 3 Color Image Grayscale 灰度圖像增強(qiáng)彩色圖像轉(zhuǎn)灰度圖像后，一些有目的的彩色特征可能由于圖像灰度化變得模糊不清，但是這并不說明這些特征因為灰度化而消失，只是變得不明顯了。對應(yīng)于圖 24 中具體線性分段函數(shù)如下： ???? ???????? 25),(2,]),([2511),(0),(),( yxfrsyxfrs rrffrsyxg（2 2）下圖是經(jīng)過灰度拉伸后的效果圖，如下圖：0 r1 r2s2原灰度(r2,s2)(r1,s1)255255變換后s1圖 2 4 對比度拉伸分段線性函數(shù)Fig 2 4 Contrast Stretching Piecewise Linear Function圖 2 5 灰度拉伸效果圖Fig 2 5 Rendering Gray Stretch 直方圖增強(qiáng)直方圖增強(qiáng)常用技術(shù)為直方圖均化。這種方法也容易受到噪聲干擾。車輛牌照定位技術(shù)，是車牌識別系統(tǒng)中 2 大核心技術(shù)之一，良好的車牌定位算法，將為后續(xù)的車牌字符分割與字符識別提供準(zhǔn)確、有效的數(shù)據(jù)來源。本章節(jié)不再詳細(xì)介紹傳統(tǒng)車牌定位方法的算法，具體內(nèi)容參考文獻(xiàn) 1113。投影法和紋理特征法都是具有代表性的基于紋理特征的車牌定位算法。設(shè)置好的視經(jīng)元需要進(jìn)行訓(xùn)練，對樣本集的選擇也有較高選擇，如果樣本集質(zhì)量、數(shù)量選擇不合適，也會影響車牌定位算法的準(zhǔn)確度。鑒于系統(tǒng)實(shí)時性的要求，在車牌粗定位算法一定程度上增加了車牌識別成功率的基礎(chǔ)之上，利用紋理特征法進(jìn)行車牌區(qū)域的精確定位。\通過檢測點(diǎn)矩陣優(yōu)化原始數(shù)據(jù)，可以使得每幀圖像的處理運(yùn)算量減少 45%，系統(tǒng)代碼全部采用效率較高的 C++代碼，局部采用匯編加大代碼優(yōu)化力度，可以將整個系統(tǒng)運(yùn)算量減少至 50%以上。STEP3：計算其它檢測點(diǎn)坐標(biāo)：假設(shè) I 行 J 列的一點(diǎn)坐標(biāo)為 O（I，J ） ，則有第 I 行 1 列的E（Ex，Ey ）點(diǎn)，第 I 行 40 列的 G（Gx，Gy）點(diǎn)，則： 24)5((Dxx???（3 1） )((IyAy（3 2） 24)5((ICxBGx???（3 3） )((Iyy（3 4） 39)1((???JExGI（3 5） )((yyJ（3 6）STEP4： 計算出所有檢測點(diǎn)坐標(biāo)，將小數(shù)取整后保存。車輛未經(jīng)過時，背景檢測點(diǎn)灰度值不變化或者變化很緩慢。STEP2：在第 i 幀，檢測檢測點(diǎn)矩陣第 25 行的 40 顆檢測點(diǎn)對應(yīng)數(shù)組的元素與 GRDVL 之差CK。車身形狀獲取算法受諸多可變因素影響，如：矩陣設(shè)置形狀、矩陣大小、攝像機(jī)拍攝角度和位置、圖像噪聲等。方法仍然為圖像剪裁，具體算法本文不詳述。依據(jù)這四點(diǎn)車牌區(qū)域圖像的紋理特征，本文決定采用紋理特征法精確定位車牌。在一幅圖像的處理過程中，集合 S 的形狀和大小可以保持不變。高通濾波器可以讓圖像中的高頻分量順利通過，而阻檔圖像中的低頻成分。如圖： 圖 3 12 圖像紋理特征增強(qiáng)效果圖Fig 3 12 Image Texture Enhancement Plans為了去除圖像噪聲，再次使用平滑線性濾波器技術(shù)對圖像去噪，這次使用平滑線性濾波器鄰域窗口為 22。canny 邊緣檢測是一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能，得到越來越廣泛的應(yīng)用。如果不是，就把像素 x 的灰度設(shè)為 0，這個過程稱為“非極大抑制” 。2）考察圖像 1 中與圖像 2 中 Q 點(diǎn)位置對應(yīng)的點(diǎn) Q’的 8鄰近區(qū)域。如圖：圖 3 14 邊緣提取效果圖Fig 3 14 Edge Map Extraction觀察上圖可以發(fā)現(xiàn)車牌