【正文】 空間域的平滑濾波一般采用簡單平均法進(jìn)行，就是求鄰近像素點的平均亮度值，稱為鄰域平均法。 根據(jù)原圖像的直方圖統(tǒng)計值就可以算出均衡化后各像素的灰度值。 利用對數(shù)函數(shù)進(jìn)行灰度變換在實際應(yīng)用中有重要意義，它能擴展低灰度區(qū)，符合人們在視覺上的主觀感覺。但是這種兩端截取式的變換使小于灰度級a和大于等于灰度級b的像素分別強行變?yōu)閏和d，這將會造成小部分圖像信息的丟失。 灰度變換如果造成對比度不足的原因主要是由于被拍攝目標(biāo)的遠(yuǎn)近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產(chǎn)生圖像灰度失真，或是由于曝光不足或過度而使得圖像的灰度值被限制在一個很小的范圍。非均勻光照條件等情況雖然影響整體圖像的灰度分布，但是對局部圖像的性質(zhì)卻沒有什么影響，從而局部閾值法比全局閾值法有更廣泛的應(yīng)用，比如Bernsen算法[24]就是一種典型的局部閾值法。為此，必須對二值化算法做深入細(xì)致的研究。(a)原彩色圖 (b)轉(zhuǎn)換后的灰度圖圖41 彩色圖像的灰度化處理灰度圖只能表現(xiàn)256種顏色，灰度化處理還有其他方法，如：取3個分量的最大值、最小值、算術(shù)平均值等，目的都是使顏色的R，G，B分量值相等。 車牌圖像的灰度化和二值化 圖像的灰度化 顏色圖像可分為黑白色、灰度色和彩色。而若結(jié)構(gòu)元素過小，則會使車牌區(qū)域無法粘連在一起，就有可能使真正的車牌區(qū)域不包含在可能的車牌區(qū)域集合中。開啟和閉合運算也具對偶性，即： (39) (310)（3）基于數(shù)學(xué)形態(tài)學(xué)的車牌定位 數(shù)學(xué)形態(tài)學(xué)中的開閉運算具有以下特點： (1)開運算可以擦除圖像中的像素。也就是說，用B來膨脹A得到的集合是B的位移與A至少有一個非零元素相交時B的原點的位置的集合。形態(tài)學(xué)的基本思想是使用具有一定形態(tài)的結(jié)構(gòu)元素來量和提取圖像中的對應(yīng)形狀，從而達(dá)到對圖像進(jìn)行分析和識別的目的。只要確定緩沖器的位置，就能得到牌照的大致位置。主要用到車牌以下的先驗知識： (1)攝像機與汽車的距離基本固定，而實際車牌的大小又基本相同，所以在圖像中車牌的大小是一個特征量； (2)車牌有邊界，邊緣檢測時會有邊緣存在； (3)車牌中一般7個字符，筆劃存在邊緣；車牌的搜索方法如下： (1)對圖像作垂直投影，然后從下向上搜索投影值，因為圖像中車牌以下部分的灰度值較低，且灰度分布相對均勻，經(jīng)過圖像增強和邊緣檢測后基本變?yōu)?。從人的視覺特點出發(fā)，車牌目標(biāo)區(qū)域具有如下特點：車牌底色往往與車身顏色、字符顏色有較大差異；車牌有一個連續(xù)或由于磨損而不連續(xù)的邊框，車牌內(nèi)有七個字符，基本成水平排列，所以在牌照的矩形區(qū)內(nèi)存在較豐富的邊緣，呈現(xiàn)出規(guī)則的紋理特征；車牌內(nèi)字符排列均勻，字符和牌照底色在灰度值上存在跳變，且字符本身與牌照底部灰度均勻；車牌內(nèi)字符間的間隔、字符大小和牌照大小有固定的比例；車牌的幾何特征：即車牌的高、寬和高寬比相對固定。 (2)顏色特征：現(xiàn)有的車牌有4種顏色類型：小型汽車的藍(lán)底白字車牌、大型汽車的黃底黑字車牌、白底黑字的軍警車、黑底白字的國外駐華使館用車。圖31常見車牌 車牌字符特征 標(biāo)準(zhǔn)車牌(除軍車、警車、教練車、外交車外)含有七個字符。后220mm長，140mm寬； (6)農(nóng)用運輸車、拖拉機牌照。視頻檢測的主要目的是通過設(shè)計判斷識別算法，正確識別有無來車，將有來車的圖像進(jìn)行抓拍并作進(jìn)一步的處理，對HG于沒有來車的圖像將丟棄。對背景的更新，采用隔時進(jìn)行背景提取和更新的方法。背景圖 當(dāng)前幀 消減結(jié)果 圖21背景消減法效果通過比較分析，采取簡單實用的背景消減法作為車輛檢測的方法較好。采用這種方法時，需要考慮如何選擇合適的時間間隔進(jìn)行差分運算，這一般依賴于所檢測的目標(biāo)的運動速度。因此，光流場攜帶了有關(guān)物體運動和景物二維結(jié)構(gòu)的豐富信息，通過對速度場(光流場)的分析可以判斷在檢測區(qū)域內(nèi)車輛的有無。而基于激光傳感器、紅外傳感器的檢測，人為的干擾則比較大。且有著計算簡單，容易實現(xiàn)，速度快等優(yōu)點。并提出采取簡單實用的背景消減法作為車輛檢測的方法較好。 圖11 邊緣檢測的流程圖 我國汽車牌照識別的難點 雖然，國外汽車牌照識別系統(tǒng)研究工作己有一定進(jìn)展，但并不盡合我國國情，這主要是因為以下五個方面的原因： (1)我國標(biāo)準(zhǔn)汽車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字組成，漢字的識別與字母和數(shù)字的識別有很大的不同，從而增加了識別的難度； (2)國外許多國家汽車牌照的底色和字符顏色通常只有對比度較強的兩種顏色(例如韓國的車牌底色為紅色，車牌上的字符為白色)，而我國汽車牌照僅底色就有藍(lán)、黃、黑、白等多種顏色，字符顏色也有黑、紅、白等幾種顏色； (3)其他國家的汽車牌照格式(如汽車牌照的尺寸大小，牌照上字符的排列等)通常只有一種，而我國則根據(jù)不同車輛、車型、用途，規(guī)定了多種牌照格式(例如分為軍車、警車、普通車等)； (4)我國汽車牌照的規(guī)范懸掛位置不統(tǒng)一； (5)由于環(huán)境、道路或人為因素造成汽車牌照污染嚴(yán)重，這種情況下國外發(fā)達(dá)國家不允許上路，而在我國仍可上路行駛。以上方法是目前研究較多的邊緣檢測方法，其中前兩類方法屬于經(jīng)典邊緣檢測方法，都是依靠對圖像進(jìn)行微分運算求得梯度來進(jìn)行邊緣檢測的，其優(yōu)點是計算簡單，速度快，缺點是僅僅依靠了局部信息，對噪聲較為敏感。多尺度信號處理的目的不僅是為了辨識出信號中的重要特征，而且能以不同細(xì)節(jié)程度來構(gòu)造對信號的描述，在高層次視覺處理的任務(wù)中多尺度方法有著重要的作用，是一種新興的邊緣檢測方法[4]。另外還有基于曲面擬合的各種邊緣檢測算法，它們的基本思想是用一個平滑的曲面和待測點周圍某領(lǐng)域內(nèi)像素的灰度值進(jìn)行擬合，然后計算此曲線的一階或二階導(dǎo)數(shù)[3]。另外西安交通大學(xué)的圖像處理與識別研究室、上海交通大學(xué)的計算機科學(xué)與工程系、清華大學(xué)人工智能國家重點實驗室、浙江大學(xué)的自動化系等也都做過類似的研究。車輛牌照圖像識別也是計算機智能化的關(guān)鍵技術(shù)之一，涉及到模式識別、圖像處理、人工智能、信息論、計算機等多個學(xué)科，同時也與語言文字學(xué)和心理學(xué)等學(xué)科相關(guān)，是一門綜合的技術(shù)，有著重要理論意義和實際應(yīng)用價值。所謂智能交通系統(tǒng)是將先進(jìn)的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子控制技術(shù)及計算機處理技術(shù)等綜合運用于整個交通運輸管理體系，通過對交通信息的實時采集、傳輸和處理，借助各種科技手段和設(shè)備，對各種交通情況進(jìn)行協(xié)調(diào)和處理，建立起一種實時、準(zhǔn)確、高效的綜合運輸管理體系，從而使交通設(shè)施得以充分利用并能夠提高交通效率和安全，最終使交通運輸服務(wù)和管理智能化，實現(xiàn)交通運輸?shù)募s式發(fā)展[1]。本文在簡單介紹車牌識別的四個模塊的基礎(chǔ)上，主要對車牌邊緣檢測進(jìn)行了討論，分析了Roberts算子、Sobel算子、canny算子、拉普拉斯(Laplacian)算子和Marr邊緣檢測算子。但是，Sobel邊緣檢測算子也檢測出了一些偽邊緣，使得邊緣比較粗，降低了檢測定位精度。智能交通系統(tǒng)的發(fā)展趨勢也從單一的運輸模式的智能化向綜合交通的多種運輸模式協(xié)調(diào)配合的智能化方向發(fā)展。為了解決圖像惡化的問題，目前國內(nèi)外的研究機構(gòu)或公司企業(yè)采取的辦法是采用主動紅外照明攝像或使用特殊的傳感器來提高圖像的質(zhì)量，繼而提高識別率。對圖像提取邊緣能極大地降低我們要處理的數(shù)據(jù)量。LOG算子和視覺生理中的數(shù)學(xué)模型相容，從而在計算機視覺和視覺生理研究之間建立了聯(lián)系，在機器視覺研究領(lǐng)域得到了廣泛的應(yīng)用。還有一種方法是選擇具有與中心點灰度值最接近的鄰近點，并利用這些點灰度值的平均值取代中心點值。經(jīng)典邊緣檢測方法在處理簡單的圖像時有著很大的優(yōu)勢，但是由于物理世界和成像過程的復(fù)雜性，以及各種噪聲源的干擾。 課題的主要研究內(nèi)容 本課題所要研究的內(nèi)容是針對通過數(shù)碼相機抓拍到的圖像進(jìn)行基于圖像處理技術(shù)的車牌識別的研究與開發(fā)。再分別介紹直接車牌定位法，多分辨率車牌定位法和基于數(shù)學(xué)形態(tài)學(xué)的車牌定位法。目前大多數(shù)運動目標(biāo)檢測算法研究的都是基于這種情況。目前常用的基于視頻的車輛檢測算法可分為如下幾種[89]：光流場法，幀差法，背景消減法。此外，光流場法的計算復(fù)雜耗時，除非有特殊的硬件支持，否則很難滿足實時運動區(qū)域的檢測。背景消減法可以看作是一種特殊的幀差法。如果當(dāng)前圖像不含車輛，則和背景圖像相同，此時差值為0 。一旦當(dāng)前背景提取結(jié)束，當(dāng)前背景就會自動取代上一次的背景，在下一幀的車輛檢測時就可以使用更新后的背景進(jìn)行來車檢測。HG和JG的值一般根據(jù)實際情況確定。第三個字符可能是英文字母，也可能是阿拉伯?dāng)?shù)字。 車牌比例特征 由規(guī)定的車牌物理尺寸可以得到車牌的一些重要的比例特征：車牌寬高比：Rplate=440 / 140=字符/間距：Rcha/in=45 / 12=字符寬高比：Rchar = 90 / 45 = 2字符區(qū)域?qū)捀弑龋篟are = 409 / 90=這些比例特征對于車牌定位和車牌字符分割都有很重要的意義。 (4)紋理特征：車牌內(nèi)有多個字符，而且大小統(tǒng)一、基本水平排列，一般數(shù)目確定，文字和背景之間有明顯的灰度對比。其中大部分算法是根據(jù)車牌特征而設(shè)計的，目前所利用算法主要有直接法、基于多分辨率、基于顏色信息以及基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法。 實驗中定值T取為13，因為牌照中7個字符(不包括“這樣就把高分辨率圖像變換成為低分辨率子圖像，轉(zhuǎn)換為低分辨率圖像的目的是為了提高處理速度； (2)對低分辨率圖像，將其象素沿水平方向累加，得到一個投影； (3)由于汽車的緩沖器位于車輪上方，由于光線的照射，無論是直射光，還是散射光，緩沖器至車輪底部這部分的平均灰度比緩沖器至緩沖器以上部分的平均灰度要暗一些。 數(shù)學(xué)形態(tài)學(xué)的基礎(chǔ)和使用的語言是集合論，其基本運算的四種：膨脹( Dilaition)、腐蝕(Erosion)、開啟(Open)和閉合(Close)基于這些基本運算還可以推導(dǎo)和組成各種數(shù)學(xué)形態(tài)學(xué)運算方法。膨脹前 膨脹后圖32 圖像膨脹前后比較(2)腐蝕腐蝕的運算符是“” ，圖像集合A用結(jié)構(gòu)元素B來腐蝕記作，其定義為： (34)式(34)表明，A用B來腐蝕的結(jié)果是所有滿足將B平移x后，B仍全部包含在A中的集合，從直觀上看就是B平移后全部包含在A中的原點組成的集合。這一特點可用于填平小湖(即小孔)，彌合小裂縫，而保持總的位置和形狀不變。兩個具有不同灰度值的相鄰區(qū)域之間總存在著邊緣，物體的邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，例如：灰度值的突變，顏色的突變，紋理結(jié)構(gòu)的突變等?；叶然幚砭褪前押辛炼群蜕实牟噬珗D像變換成灰度圖像的過程。 圖像二值化 二值圖像是指整幅圖像內(nèi)僅有黑、白二值的圖像，在他們之間不存在其他灰度層次的變化。圖像二值化的關(guān)鍵在于閾值T的選取，根據(jù)閾值T來區(qū)分圖像中的對象和背景。由于此算法充分考慮了每個像素領(lǐng)域的特征，所以能夠更好的突出背景和目標(biāo)的邊界。用一個線性單值函數(shù)，對圖像內(nèi)的每一個像素作線性擴展，將有效的改善圖像的視覺效果。分成三段進(jìn)行線性變換如圖43所示，變換公式如下： (44)圖中對灰度范圍進(jìn)行了灰度擴展，而對灰度范圍和進(jìn)行了壓縮。盡管灰度直方圖不能表示出具有某些灰度值的像素的具體位置，更不能直接顯示圖像的內(nèi)容，但是具有統(tǒng)計特征的直方圖卻能描述該圖像的灰度分布特征，使人們從中得到諸如總體明亮程度、對比度、灰度分布概貌等信息。噪聲會惡化圖像的質(zhì)量，使圖像模糊，甚至?xí)蜎]和改變圖像本身的特征，給圖像分析和識別帶來困難。最簡單的局部平滑算法稱為非加權(quán)鄰域平均，它均等地對待臨域中的各像素，即把各個像素灰度的平均值作為中心像素的輸出值。鄰域平均法實際上是一種空間域的低通濾波。但是，對圖像進(jìn)行空間域的高通濾波，在增強圖像邊緣的同時孤立的噪聲點也得到了增強。從以往的經(jīng)驗看，方形或圓形窗口適宜于外廓線較長的物體圖像，而十字形窗口對有尖頂角狀的圖像效果好。邊緣檢測可借助空域微分算子卷積完成。Sobel梯度算子實現(xiàn)做加權(quán)平均，然后再微分，即： (417) (418)Sobel算子有一定的噪聲抑制能力，在檢測階躍邊緣是得到的邊緣寬度至少為兩像素。 Marr邊緣檢測方法存在較大噪聲的場合，由于微分運算會起到放大噪聲的作用，因此，梯度算子和拉普拉斯算子對噪聲比較敏感。因此，邊緣檢測的基本方法是設(shè)計一個平滑濾波器，檢測的局部最大值或的過零點。第5章 canny邊緣檢測算法應(yīng)用及仿真坎尼邊緣檢測：坎尼邊緣檢測法是高斯函數(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。然后我們把梯度值小于的像素的灰度設(shè)為0, 得到圖54。(c)我們已經(jīng)結(jié)束了對包含P 的輪廓線的連接, 將這條輪廓標(biāo)記為已訪問過。圖55中，其中(a)為原圖，(b)(d)分別為Roberts算子、Sobel算子、canny算子檢測得到的邊緣圖像。而Laplacian算子是用差分運算代替微分運算，其對灰度突變比較敏感，可以檢測出絕大多數(shù)的邊緣，但是容易丟失一些邊緣。因此這三個模塊是相輔相成的。再比較分析了Roberts算子、Sobel算子、canny算子、拉普拉斯(Laplacian)算子和Marr邊緣檢測算子。因此本文選擇了canny算子對車牌的邊緣進(jìn)行了提取，仿真結(jié)果表明了該算子能較好的檢測出圖片的邊緣信息。經(jīng)典邊緣檢測方法在處理簡單的圖像時有著很大的優(yōu)勢，但是由于物理世界和成像過程的復(fù)雜性，以及各種噪聲源的干擾