【正文】 2）考察圖像 1 中與圖像 2 中 Q 點(diǎn)位置對(duì)應(yīng)的點(diǎn) Q’的 8鄰近區(qū)域。canny 邊緣檢測(cè)是一種比較新的邊緣檢測(cè)算子，具有很好的邊緣檢測(cè)性能，得到越來越廣泛的應(yīng)用。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。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。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。車輛未經(jīng)過時(shí)，背景檢測(cè)點(diǎn)灰度值不變化或者變化很緩慢。\通過檢測(cè)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(gè)系統(tǒng)運(yùn)算量減少至 50%以上。設(shè)置好的視經(jīng)元需要進(jìn)行訓(xùn)練，對(duì)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(huì)影響車牌定位算法的準(zhǔn)確度。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。這種方法也容易受到噪聲干擾。普遍的做法是?。?， =， =則灰度值為 g = R + +[10]上面視頻檢測(cè)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?yàn)榛叶然В皇亲兊貌幻黠@了。如何設(shè)置適當(dāng)?shù)娜瑫r(shí)間間隔，成為本系統(tǒng)研究的一個(gè)重要問題。每一個(gè)檢測(cè)點(diǎn)獲取的信息都是一個(gè)以時(shí)間為橫坐標(biāo)以圖像灰度值為縱坐標(biāo)的二維波形圖。另外本系統(tǒng)對(duì)車輛運(yùn)動(dòng)軌跡有較高的要求，因此其應(yīng)用場(chǎng)合道路路面應(yīng)盡可能平、直，并具有明顯邊界。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(shì)，本文本著揚(yáng)長(zhǎng)避短的原則，決定從視頻數(shù)據(jù)自身優(yōu)勢(shì)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(shí)對(duì)周圍環(huán)境有一定要求。這種方法適合于檢測(cè)運(yùn)動(dòng)目標(biāo)形狀，并且相比于其它方法其檢測(cè)結(jié)果較準(zhǔn)確，能夠獲取較多運(yùn)動(dòng)目標(biāo)特征點(diǎn)。本系統(tǒng)在車牌定位環(huán)節(jié)之前還有一個(gè)重要的工作就是檢測(cè)出運(yùn)動(dòng)車輛經(jīng)過，如果不能夠準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)車輛經(jīng)過視頻區(qū)域，將無法進(jìn)行車牌定位。國(guó)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。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(gè)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(gè)交通環(huán)境?；谝曨l的車牌識(shí)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。目前，計(jì)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(cè)服務(wù)。馮國(guó)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。車牌識(shí)別技術(shù)運(yùn)用視頻設(shè)備之前其運(yùn)動(dòng)目標(biāo)經(jīng)過狀態(tài)檢測(cè)主要是通過硬件傳感器實(shí)現(xiàn)的。但是這種方法計(jì)算量大，而且容易受到其它不明運(yùn)動(dòng)物體、圖像抖動(dòng)、運(yùn)動(dòng)模糊等視頻數(shù)據(jù)特點(diǎn)因素的影響，對(duì)檢測(cè)結(jié)果造成較大影響。如設(shè)置多盞照明燈以消除或減弱運(yùn)動(dòng)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。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(jì)算方法檢測(cè)車輛運(yùn)動(dòng)目標(biāo)、定位車牌圖像、分割字符圖像、識(shí)別字符圖像最終獲取車牌號(hào)碼。檢測(cè)點(diǎn)矩陣技術(shù)就是基于對(duì)這些二維波形圖包含的數(shù)據(jù)信息處理從而檢測(cè)出車身形狀進(jìn)而粗定位車牌位置的。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(yàn)素材條件如下：視頻區(qū)域道路長(zhǎng)度 L：L=10m。我們可以采取計(jì)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(jì)算加強(qiáng)灰度值特征的做法就叫做灰度圖增強(qiáng)。對(duì)兩種灰度圖像增強(qiáng)進(jìn)行實(shí)驗(yàn)，因?yàn)閺囊曨l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(duì)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 。本章節(jié)僅對(duì)各種傳統(tǒng)車牌定位方法的優(yōu)缺點(diǎn)作評(píng)述。這種方法計(jì)算量大，會(huì)導(dǎo)致系統(tǒng)計(jì)算時(shí)間過長(zhǎng)。檢測(cè)點(diǎn) 粗定位區(qū)域檢測(cè)點(diǎn)檢測(cè)到車身時(shí)灰度值變化 圖 3 1 檢測(cè)點(diǎn)矩陣原理圖Fig 3 1 Test Point Matrix Diagram 檢測(cè)點(diǎn)矩陣初始化檢測(cè)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。車輛經(jīng)過時(shí)車身所在位置檢測(cè)點(diǎn)灰度值較背景時(shí)變化較大，通過設(shè)置一個(gè)閾值，可以將變化值超過閾值的行和列檢測(cè)出來，行列所包圍矩陣點(diǎn)區(qū)域?yàn)檐嚿硇螤顓^(qū)域。檢測(cè)點(diǎn)矩陣初始化形狀會(huì)影響 FIND 的參數(shù)設(shè)置，如設(shè)為 10 和 6，是從本文實(shí)驗(yàn)角度考慮，經(jīng)過比較驗(yàn)算后發(fā)現(xiàn)采用此參數(shù)，檢測(cè)結(jié)果較為準(zhǔn)確。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(jiǎn)單和最常的圖像濾波器。高通濾波通過對(duì)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。Canny 邊緣檢測(cè)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(cè)之間取得較好的平衡。如果在 Q’點(diǎn)的8鄰近區(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。STEP5：連接邊緣的具體步驟如下：1）對(duì)圖像 2 進(jìn)行掃描，當(dāng)遇到一個(gè)非零灰度的像素 P 時(shí)，跟蹤 P 為開始點(diǎn)的輪廓線，直到該輪廓線的終點(diǎn) O。本文重點(diǎn)介紹 canny 算子法。線性濾波器可以很好地消除圖像中的顆粒噪聲，但是同時(shí)也平滑了圖像信號(hào)，有可能是目標(biāo)圖像的邊界信號(hào)變得模糊。4）車牌區(qū)域圖像在水平水向紋理變化明顯。剪裁后的車身圖像如下：圖 3 7 車身定位圖Fig 3 7 Body Positioning Map由于實(shí)驗(yàn)材料條件有限，檢測(cè)點(diǎn)矩陣設(shè)置較為扁平，因此只定位到車身前半部分。 車身形狀獲取車身形狀獲取主要依靠檢測(cè)點(diǎn)矩陣中檢測(cè)點(diǎn)在實(shí)時(shí)視頻流中所獲得的數(shù)據(jù)變化來確定。這樣處理后，每幀圖像的運(yùn)算量大大減小，但是卻沒有影響到有效數(shù)據(jù)的采集。（4）神經(jīng)網(wǎng)絡(luò)定位方法基于神經(jīng)網(wǎng)絡(luò)的車牌定位算法需要對(duì)神經(jīng)元的數(shù)量和參數(shù)進(jìn)行設(shè)置，如果神經(jīng)元數(shù)量太大，參數(shù)設(shè)置過高則會(huì)影響車牌定位算法的計(jì)算效率，如果數(shù)量設(shè)置太少，參數(shù)設(shè)置較低，又會(huì)降低車牌定位的準(zhǔn)確率?；叶葓D像獲取容易，彩色圖像包含信息量大，根據(jù)系統(tǒng)條件兩種方法都有著各自的應(yīng)用范疇。直方圖均衡化的方法優(yōu)點(diǎn)是不需要指定灰度變換區(qū)間，它能夠自動(dòng)增加對(duì)比度。對(duì)于圖像灰度化我們采用了加權(quán)平均值法：由于人眼對(duì)三種顏色有不同的敏感率，我們進(jìn)行圖像灰度化時(shí)應(yīng)該考慮到這種情況。如果取幀間隔時(shí)間太長(zhǎng)，則有可能丟失車輛經(jīng)過時(shí)的幀圖片，造成系統(tǒng)漏檢，最終影響車牌識(shí)別準(zhǔn)確率。 圖像采集 背景加強(qiáng)技術(shù)本文所提出的視頻運(yùn)動(dòng)目標(biāo)檢測(cè)優(yōu)化技術(shù)最重要的理論基礎(chǔ)是利用檢測(cè)點(diǎn)矩陣中的檢測(cè)點(diǎn)獲取道路上車輛的運(yùn)動(dòng)信息。該技術(shù)不需要硬件檢測(cè)車輛經(jīng)過狀態(tài)，因此不需要破壞路面安裝硬件檢測(cè)器，保護(hù)了交通道路設(shè)施。同樣的，基于視頻的車牌識(shí)別系統(tǒng)相比于傳統(tǒng)的車牌識(shí)別系統(tǒng)也有其自身的一些技術(shù)難點(diǎn)，比如數(shù)據(jù)量大、運(yùn)動(dòng)車輛經(jīng)過狀態(tài)檢測(cè)的準(zhǔn)確性容易受到干擾，尤其是在復(fù)雜的道路交通環(huán)境下更難以分辨出運(yùn)動(dòng)目標(biāo)體與干擾體，而且視頻數(shù)據(jù)本身較靜態(tài)圖像數(shù)據(jù)又具有噪聲大、圖像抖動(dòng)、運(yùn)動(dòng)模糊等缺點(diǎn)，其單幀圖像質(zhì)量與靜態(tài)圖像數(shù)據(jù)質(zhì)量差很多，如何利用質(zhì)量較差的視頻單幀圖像進(jìn)行車牌定位成為影響本系統(tǒng)識(shí)別準(zhǔn)確率的最重要的問題。對(duì)連通區(qū)域進(jìn)行監(jiān)視，可以獲得車輛運(yùn)動(dòng)速度信息。準(zhǔn)確的車牌定位將為后續(xù)的很多圖像處理和分析提供準(zhǔn)確的數(shù)據(jù)來源，車牌定位技術(shù)，就是根據(jù)獲取的圖像數(shù)據(jù)，在充分進(jìn)行圖像預(yù)處理的基礎(chǔ)上，進(jìn)行圖像分析和運(yùn)算，利用特征識(shí)別或者模式匹配等技術(shù)，準(zhǔn)確快速的定位出車輛車牌在圖像中存在的具體坐標(biāo)，并從整幅圖像數(shù)據(jù)中獲取該車牌圖像數(shù)據(jù)，為后續(xù)的字符分割和字符識(shí)別做準(zhǔn)備。Masataka [4]提出了利用車牌邊角特征進(jìn)行車牌定位的算法。智能交通系統(tǒng) ITS（Intelligent Transportation System）將信息通信技術(shù)、計(jì)算機(jī)技術(shù)、控制技術(shù)綜合在一起，對(duì)道路、行人系統(tǒng)管理，合理監(jiān)測(cè)道路交通信息，并將信息存儲(chǔ)于數(shù)據(jù)庫，運(yùn)用先進(jìn)算法進(jìn)行數(shù)據(jù)分析并最終制定、執(zhí)行合理的、高效的交通策略。車牌識(shí)別技術(shù)作為智能交通系統(tǒng)基礎(chǔ)信息獲取的重要手段，其性能提升成為眾多科研機(jī)構(gòu)的科研目標(biāo)。車牌識(shí)別系統(tǒng)是 ITS 的核心子系統(tǒng)之一，車牌識(shí)別系統(tǒng)是計(jì)算機(jī)視覺系統(tǒng)之一，對(duì)所獲取的交通工具圖像進(jìn)行車牌號(hào)碼識(shí)別，為 ITS 提供基礎(chǔ)數(shù)據(jù)，對(duì) ITS 交通策略的制定具有非常重要的意義。晏建華、趙正校 [20] 等利用形態(tài)學(xué)運(yùn)算進(jìn)行車牌位置定位，這種算法可以根據(jù)需要自調(diào)節(jié)車牌圖像邊緣大小?，F(xiàn)在運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)已經(jīng)大量運(yùn)用視頻設(shè)備，基于視頻的運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)已經(jīng)獲得了較高的檢測(cè)準(zhǔn)確率。提出這種算法的有、 等人。2）合理設(shè)置視頻取幀頻率由于視頻由多幀圖像序列而成，其幀數(shù)較大，若全部計(jì)算操作則對(duì)計(jì)算系統(tǒng)要求很高，因此有必要優(yōu)化視頻取幀頻率，以在保證不漏檢的情況下最大限度減小系統(tǒng)計(jì)算量。本文所進(jìn)行的主要研究工作如下： 。在對(duì)這些二維波形圖處理的過程中發(fā)現(xiàn)其波形幅值變化愈快、愈大，就越對(duì)提取車身形狀有利，因此本文提出在視頻范圍的路面上加上“斑馬線”的背景加強(qiáng)方法。視頻區(qū)域車輛速度 V：40Km/h ≤V ≤120Km/h視頻區(qū)域車輛通過時(shí)間 T：300ms ≤T ≤900ms根據(jù)式（21 ） ，取幀間隔時(shí)間 t 應(yīng)該滿足：tT/2 ，即 t150ms通過式（21 ）計(jì)算出的取幀間隔時(shí)間 t 應(yīng)該能滿足要求：在車輛運(yùn)行速度低于120Km/h 時(shí)，始終會(huì)有攜帶車牌信息圖片被取幀出來參加車牌識(shí)別處理，這保障了車牌識(shí)別的準(zhǔn)確率。常用的灰度圖像增強(qiáng)技術(shù)有對(duì)比度增強(qiáng)和直方圖增強(qiáng)。 本章小結(jié)本章介紹了系統(tǒng)的圖像采集過程，提出了一種圖像背景加強(qiáng)的方法，并且利用采樣定理分析視頻數(shù)據(jù)取幀間隔時(shí)間，取幀間隔時(shí)間的正確設(shè)定是車牌識(shí)別系統(tǒng)準(zhǔn)確檢測(cè)識(shí)別每個(gè)車牌的基礎(chǔ)。 灰度圖像車牌定位方法（1）邊緣檢測(cè)定位方法利用車牌區(qū)域在水平方向具有豐富的邊緣，而背景在水平方向較少具有邊緣，利用這種邊緣豐富性差異確定車牌位置的算法比較陳舊，其關(guān)鍵是提取圖像邊緣，如何準(zhǔn)確的提取出圖像中灰度值變化明顯的部分是這個(gè)算法的重中之重。 彩色圖像的車牌定位方法隨著高性能圖像計(jì)算設(shè)備的出現(xiàn)，基于彩色圖像的車牌定位方法也出現(xiàn)了。在攝像機(jī)獲取的圖像中，沿車道位置布置 25 行 40 列的檢測(cè)點(diǎn)矩陣（簡(jiǎn)稱矩陣） 。作者對(duì)視頻中的車輛信息進(jìn)行統(tǒng)計(jì)，并計(jì)算其平均信息，如下表（本文所有表格如未特殊說明，數(shù)據(jù)均來自于本文實(shí)驗(yàn)）：表 3 1 車身形狀觀察表Tab 3 1 Body Shape Watchlist車型 車型前后大?。ň仃囆袛?shù)） 車型左右大?。ň仃嚵袛?shù)）小車 10 23公交車 22 30貨車 20 29從表中可以得出所有車輛形狀反應(yīng)到視頻窗口中的檢測(cè)點(diǎn)矩陣中，長(zhǎng)均大于 6 行，寬均大于 10 列。如果這些可變因素在別的實(shí)驗(yàn)中發(fā)生變化后，則不宜直接用這些參數(shù)作為FIND 的參數(shù)，其參數(shù)大小設(shè)置應(yīng)根據(jù)實(shí)際情況。由于圖像存在噪聲，噪聲表現(xiàn)為圖像局部區(qū)域發(fā)生變異，影響目標(biāo)區(qū)域定位或者結(jié)構(gòu)特征提取。圖像銳化不僅不會(huì)消除圖像中的噪聲，還會(huì)因?yàn)樵鰪?qiáng)圖像的邊緣使得孤立的噪聲點(diǎn)獲得增強(qiáng)。具體步驟如下：STEP1：用高斯濾波器來對(duì)圖像濾波，可以去除圖像中的噪聲。從 R 開始，重復(fù)第 1 步，直到我們?cè)趫D像 1 和圖像 2 中都無法繼續(xù)為止。我們可以圖像 2 為基礎(chǔ)，以圖像 1 為補(bǔ)充來連接圖像的邊緣。其中微分算子法和拉普拉斯高斯算子法計(jì)算方法參考文獻(xiàn) [53,55]。其它圖像濾波方法還有高通濾波、中值濾波，其具體算法參考文獻(xiàn) [53]。3）車牌是一個(gè)矩形，由于國(guó)家規(guī)定車輛牌照的具體形制，因此其長(zhǎng)寬比是固定的，視頻解幀檢測(cè)點(diǎn)矩陣設(shè)置幀圖像采樣關(guān)鍵幀確定車身形狀確定車牌粗定位圖 3 9 車牌粗定位算法流程圖Fig 3 9 Vehicle License Plate Location Algorithm Flow Chart這是最重要的形態(tài)學(xué)特征。篇幅所限兼且剪裁算法較簡(jiǎn)單，本文不介紹剪裁過程算法。檢測(cè)點(diǎn)矩陣設(shè)置滿足本實(shí)驗(yàn)要求。此技術(shù)能夠在車輛通過視頻區(qū)域時(shí)準(zhǔn)確檢測(cè)出車身大小并根據(jù)車牌與車輛的位置關(guān)系，在檢測(cè)出整個(gè)車身區(qū)域的前提下準(zhǔn)確定位一個(gè)車牌區(qū)域，在此區(qū)域內(nèi)能保證該車輛的車牌必然在此區(qū)域內(nèi)。此方法通常與其它方法配合使用，以提高準(zhǔn)確率?；诨叶葓D像的車牌定位方法通過對(duì)圖像中灰度值變化檢測(cè)分析獲取車牌區(qū)域特征，基于彩色圖像的車牌定位方法通過車牌底色與背景色的不同提取車牌區(qū)域。經(jīng)過直方圖均化處理后的圖像紋理特征更加明顯，能夠觀察到一些較低灰度值的變化細(xì)節(jié)。由于采用了設(shè)置視頻檢測(cè)點(diǎn)矩陣進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)和車牌粗定位，這種方法雖然為后期的圖像處理減小了數(shù)據(jù)處理量并提高實(shí)時(shí)性和準(zhǔn)確性，但是在其本身計(jì)算的過程需要大量的圖片讀取、釋放操作