【文章內(nèi)容簡(jiǎn)介】 微分，這也就產(chǎn)生了新的邊緣檢測(cè)方法 —— LOG 邊緣檢測(cè)。這種檢測(cè)方法需要用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理后，再用拉普拉斯算子計(jì)算 [09]。 車(chē)牌分割 車(chē)牌定位 車(chē)牌定位的本質(zhì)是把車(chē)牌圖像從含有汽車(chē)和背景的圖像中提取出來(lái)，即輸入車(chē)牌原始圖像輸出車(chē)牌圖像。在自然環(huán)境下，原始圖像采集背景復(fù)雜，光照不均，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整 個(gè)牌照是別的關(guān)鍵。經(jīng)過(guò)圖像于處理后所得到的圖像，在垂直方向上的面積投影出現(xiàn)了峰 谷 峰的特性。根據(jù)這種特性，可以檢測(cè)到車(chē)牌的區(qū)域，即車(chē)牌區(qū)域定位法，這種初步定位后的車(chē)牌還需要進(jìn)一步微定位。對(duì)初步確定出來(lái)的車(chē)牌進(jìn)行微定位，而所謂的微定位法即對(duì)基本定位后的車(chē)牌圖像進(jìn)行局部分析，以便進(jìn)一 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 8 步確定字符范圍，縮減車(chē)牌的左右、上下邊界，這有利于后續(xù)的車(chē)牌處理，確定車(chē)牌的具體位置后再提取車(chē)牌 [12]。微定位技術(shù)包括三部分 :(1)橫向定位；（ 2）縱向定位；（ 3）微定位。 需要在大范圍的原始圖像中找到車(chē)牌的區(qū)域，需要對(duì)原始圖像 進(jìn)行搜索，找到符合車(chē)牌特征的部分區(qū)域作為車(chē)牌候選區(qū)域，在對(duì)其進(jìn)行深層次的分析、評(píng)判，計(jì)算，最終找到真正的車(chē)牌區(qū)域，并將該區(qū)域從圖像中分割出來(lái)。 偽目標(biāo) 偽目標(biāo) 車(chē)牌 區(qū)域 圖 目前，國(guó)內(nèi)外車(chē)牌定位的主要方法有：特征定位法，邊緣檢測(cè)定位 法 ， 數(shù)學(xué)形態(tài) 定位法 ，小波變換法，開(kāi)運(yùn)算定位法等。本文中所采用的是 開(kāi)運(yùn)算定位法 。 幾何校正 在實(shí)際的車(chē)牌獲取過(guò)程中，通常是由道路某側(cè)或上方的攝像機(jī)拍攝所得。因此，所得到的原始圖像車(chē)牌區(qū)域角度、距離 有一定的差距，也就是說(shuō)原始圖像中的車(chē)牌存在一定的傾斜度。主要的三種傾斜方式是： 水平上的傾斜、垂直上的傾斜、水平和垂直上的傾斜。 車(chē)牌的傾斜度校正前，需要先對(duì)車(chē)牌的傾斜進(jìn)行檢測(cè)。其檢測(cè)公式如下： ?????????，車(chē)牌傾斜，車(chē)牌水平22331iikkinn （ 27） 其中， in 表示第 i 行的 0、 255 的跳躍次數(shù)。 常見(jiàn)的幾種傾斜校正的方法為：（ 1）基于霍夫變換的校正算法，（ 2）基于車(chē)牌投影變換的校正算法 [1314]，（ 3）基于直 線擬合的校正算法 [15]。本文所采用的方法是基于車(chē)牌投影變換的傾斜校正算法。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 9 基于車(chē)牌投影的傾斜校正算法實(shí)質(zhì)上是一種基于 Radon 變換的校正算法。用二維函數(shù) ),( yxG 表示原始圖像坐標(biāo)為（ x,y）的像素值，某方向上的投影可用該方向上的積分表示。積分公式如（ 28）所示： 39。)s i n39。c o s39。,s i n39。c o s39。()39。,( dyxyyxGxR l? ??? ????? （ 28） 其中 )39。,( xR? 為 ? 的周期函數(shù)， T=180176。，且 ? ? [0176。， 180176。 ]。坐標(biāo)變換的公式如（ 29）所示： ??? ??? ?? ?? ?? c o ss in39。 s inc o s39。 yxy yxx （ 29） Radon 變化所檢測(cè)的直線是 )39。,( xR? 在坐標(biāo) )39。,( x? 的峰值，可根據(jù)橫坐標(biāo)和縱坐標(biāo)確定一條直線。 分割算法 字符分割實(shí)質(zhì)上是把車(chē)牌上的字符分割成一個(gè)個(gè)單個(gè)的字符，傳統(tǒng)的字符分割方法有投影法 [1618]、模板匹配法、聚類(lèi)分析法 [1920]。由于投影法比較準(zhǔn)確、編程較簡(jiǎn)單，且易于實(shí)際操作，能滿足在復(fù)雜環(huán)境下，所以本文采用的是投影法分割車(chē)牌字符。 投影法的具體操作如下： （ 1）對(duì)灰度化的車(chē)牌圖像從下向上逐行掃描，逐行統(tǒng)計(jì)出像素值為 255 的像素的個(gè)數(shù)，當(dāng)其個(gè)數(shù)大于 7 時(shí)（車(chē)牌有 7 個(gè)字符），認(rèn)為尋找到車(chē)牌字符的下邊界，同理，找到車(chē)牌的上邊界。去除車(chē)牌字符上下邊界以外的區(qū)域，之后設(shè)車(chē)牌的高度為 height，寬度為 width。 （ 2） 對(duì)車(chē)牌圖像從左向右逐列掃描，逐列統(tǒng)計(jì)像素值為 255 的像 素的個(gè)數(shù)，并將結(jié)果保存在一位數(shù)組 count[width+1]中，其中 count[i]用于存儲(chǔ)第 i 列像素值為 255 的像素的個(gè)數(shù)。 （ 3）根據(jù)漢字特征，需要設(shè)置兩個(gè)閾值來(lái)分割一個(gè)漢字字符。設(shè)兩個(gè)閾值分別為 threshold 1， threshold 2。從左向右掃描經(jīng)過(guò)預(yù)處理后的車(chē)牌圖像，記第一個(gè)大于閾值 threshold 1 的列為漢字的開(kāi)始位置 S，記第一個(gè)小于閾值 threshold 1 的列為 H ，比較這兩列的寬度 HS 與 threshold 2 的大小直到找到與 S 列相差的寬度大于 threshold 2 且滿足像素值為 255 的像素的個(gè)數(shù)小于閾值的列，設(shè)為車(chē)牌的漢字字符的結(jié)束列。在分割不連通的漢字的時(shí)候，這種改進(jìn)的方法起到作用是顯著的。 （ 4）之后的英文字母和阿拉伯?dāng)?shù)字不存在不連通性的問(wèn)題，所以只要利用第一個(gè)閾值 threshold 1 就可以分割出車(chē)牌剩下的字符。 （ 5）若出現(xiàn)像素值為 255 的像素個(gè)數(shù)大于閾值 threshold 1 時(shí)記為車(chē)牌字符開(kāi)始的位置，小于閾值 threshold 1 時(shí)記為車(chē)牌字符的結(jié)束位置。如此重復(fù)的下去，直到字符全 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 10 部分割出來(lái)為止。流程圖如圖 21 所示： 求 垂 直 投 影 的 平 均 值求 垂 直 投 影 的 最 小 值取 閾 值計(jì) 算 字 符 上 升 點(diǎn)計(jì) 算 谷 寬 度計(jì) 算 字 符 距 離找 到 字 符 中 心 位 置 圖 歸一化處理 由于原始圖像采集的時(shí)候，圖像像素值不一致，所以經(jīng)過(guò)字符切割后所得到的字符大小也不一致，因此需要在進(jìn)行字符匹配之前需要對(duì)字符圖像進(jìn)行歸一化處理。不言而喻，歸一化處理的目的是使得車(chē)牌字符與標(biāo)準(zhǔn)模塊中的字符特征一致。歸一化處理可以分為傾斜度校正和大小歸一化兩個(gè)主要部分，其中傾斜度校正部分使用的是 MATLAB工具箱中的 Imrote 函數(shù)。由于大小歸一化值得是長(zhǎng)度和寬度上分別乘以某個(gè)比例因子，使其大小與模塊中的字符大小一致，大 小歸一化最為常用的方法是將整個(gè)牌照?qǐng)D像按線性比例放大或縮小到標(biāo)準(zhǔn)?？斓拇笮?。 歸一化流程圖如 所示： [ m ， n ] = s i z e （ d ） ， 逐 排 檢 查 有 沒(méi) 有 白 色 像 素 點(diǎn) ， 設(shè) 置 1 = j n 1 ，若 圖 像 兩 邊 s （ j ） = 0 ， 則 切 割 ， 去 除 圖 像 兩 邊 多 余 的 部 分切 割 去 圖 像 上 下 多 余 的 部 分根 據(jù) 圖 像 的 大 小 ， 設(shè) 置 一 閾 值 ， 檢 測(cè) 圖 像 的 X 軸 ，若 寬 度 等 于 這 一 閾 值 則 切 割 ， 分 離 出 七 個(gè) 字 符歸 一 化 切 割 出 來(lái) 的 字 符 圖 像 的 大 小 為 4 0 * 2 0 ，與 模 板 中 字 符 圖 像 的 大 小 相 匹 配 圖 歸一化流程圖 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 11 3 車(chē)牌數(shù)字識(shí)別方法 數(shù)字識(shí)別概述 早期，約在 1870 年時(shí)字符識(shí)別作為視力障礙人的輔助工具。隨著計(jì)算機(jī)的日益發(fā)展，約在 29 世紀(jì) 40 年代， OCR(字符識(shí)別 Optical Character Recognition,簡(jiǎn)稱(chēng) OCR)系統(tǒng)問(wèn)世，但在當(dāng)時(shí)也只是商業(yè)界的數(shù)據(jù)處理手段。 20 世紀(jì) 50 年代中期以后，商業(yè) OCR機(jī)并正式 開(kāi)始投入市場(chǎng)。自 50 年代后，人們開(kāi)始研究印刷體字符，隨著算法的日益完善，到 80 年代末 90 年代初字符識(shí)別已經(jīng)發(fā)展到可以識(shí)別出手寫(xiě)字體。在當(dāng)時(shí)看來(lái)，手寫(xiě)漢字的識(shí)別成為字符識(shí)別的最終目標(biāo)之一。到 1992 年時(shí)，單個(gè)字符的手寫(xiě)體達(dá)到較高的識(shí)別率，特別是數(shù)字的識(shí)別率接近 95%，于是識(shí)別系統(tǒng)開(kāi)始步入市場(chǎng)。 雖然國(guó)內(nèi)對(duì)車(chē)牌字符研究起步較晚，但國(guó)外在字符研究方面早已有所成就，如英國(guó)、日本、德國(guó)、加拿大等不少?lài)?guó)家已經(jīng)研究出適合本國(guó)的車(chē)牌識(shí)別系統(tǒng)，并且擁有比較高的字符識(shí)別率和比較少的識(shí)別時(shí)間。由前文可知，車(chē)牌識(shí)別系統(tǒng)中最為關(guān)鍵的 技術(shù)是字符識(shí)別，字符識(shí)別中的主要指標(biāo)是識(shí)別率和識(shí)別時(shí)間。目前，國(guó)內(nèi)外的車(chē)牌字符識(shí)別的方法 [21]主要有模板匹配字符識(shí)別算法、神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法 [22]、統(tǒng)計(jì)特征匹配法、支持向量機(jī)模式識(shí)別算法等幾種方法，其中最早使用于車(chē)牌識(shí)別的是模版匹配字符識(shí)別算法，然而目前最受研究者和學(xué)者們青睞的時(shí)神經(jīng)網(wǎng)絡(luò)識(shí)別算法。 隨著我國(guó)的數(shù)字圖像處理技術(shù)的發(fā)展以及實(shí)際應(yīng)用，我國(guó)利用數(shù)字圖像處理技術(shù)對(duì)字符進(jìn)行處理識(shí)別的技術(shù)也有所進(jìn)展，目前國(guó)內(nèi)比較具有代表性的研究院、高校有清華大學(xué)、北京信息工程學(xué)院、中字漢王、北京郵電大學(xué)、沈陽(yáng)自動(dòng)化 等。 車(chē)牌數(shù)字特點(diǎn) 目前，我國(guó)的車(chē)牌主要分為藍(lán)底白字和黃底黑字兩種 [23]。一般情況下，國(guó)內(nèi)輕型車(chē)所使用的是藍(lán)底白字車(chē)牌，常常用于一些中小型 的民用汽車(chē)，也是目前國(guó)內(nèi)最為常見(jiàn)的車(chē)牌。大 型車(chē)輛一般所采用的是黃底黑字車(chē)牌，通常是大型民用汽車(chē) 、重型載重車(chē)輛 ，這種車(chē)牌與藍(lán)底白字的車(chē)牌相比較少，但也是我國(guó)常用車(chē)牌。 除此以外 ， 我國(guó) 還存在一些比較特殊的車(chē)牌，例如使館車(chē)牌、領(lǐng)館車(chē)牌、軍車(chē)車(chē)牌等。 目前，我國(guó)車(chē)牌的具體規(guī)格 ，如表 31 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 12 表 21 車(chē)牌格式 分類(lèi) 外廓尺寸（ mm） 顏色 面數(shù) 大型民用汽車(chē) 440*140/440*220 黃底黑字 2 小型民用汽車(chē) 440*140 藍(lán)底白字 2 公安專(zhuān)用汽車(chē) 440*140 白底紅“ GA”、黑字 2 武警專(zhuān)用汽車(chē) 440*140 白底紅“ WJ”、黑字 2 大使館外籍汽車(chē) 440*140 黑底白字及空心“使”字 2 領(lǐng)事館外籍汽車(chē) 440*140 黑底白字及空心“領(lǐng)”字 2 外籍汽車(chē) 440*140 黑底白字 2 實(shí)驗(yàn)汽車(chē) 440*140 白底紅字，數(shù)字前有“試”字 2 學(xué)習(xí)汽車(chē) 440*140 白底紅字，數(shù)字前有“學(xué)”字 2 臨時(shí)牌照 白 底紅字，數(shù)前有“臨時(shí)”字 2 汽車(chē)補(bǔ)用牌照 白底黑字 2 車(chē)輛移動(dòng)證 白底紅字 2 本文 主要 分析藍(lán)底白字和黃底黑字的車(chē)牌，具有以下幾個(gè)特點(diǎn)： （ 1）車(chē)牌拍照一共七位，第一個(gè)為漢字，一般為各個(gè)省級(jí)行政區(qū)的簡(jiǎn)稱(chēng)； （ 2）第二個(gè)字符一般為英文字符，作為地市一級(jí)代號(hào)，后五位是數(shù)字和字母的排列組合； （ 3）車(chē)牌大小尺寸高度統(tǒng)一為 140mm 左右，寬度統(tǒng)一為均為 440mm，字體規(guī)范、科學(xué)、容易辨認(rèn)； （ 4）字符總長(zhǎng)度 409mm，單個(gè)字符寬度 45mm，高度為 90mm，第二三個(gè)字符之間的間隔是 34mm. 這也就是 說(shuō)標(biāo)準(zhǔn)的車(chē)牌字符識(shí)別可以分為三部份，按照車(chē)牌上的七個(gè)字符的排列原則可知，首位是省名縮寫(xiě)的漢字，接下來(lái)是因?yàn)樽帜?，接下?lái)的一位可能是數(shù)字也可能是字母，末四位是數(shù)字。所以車(chē)牌的額構(gòu)造大體為“ 65432 11 XXXXXXS ”的車(chē)牌中，其中 1S 代表著省級(jí)行政區(qū)（漢字）的集合，可能出現(xiàn)的漢字集合為 {湘，蘇，皖，京 … }；1X 為車(chē)牌所在地的英文字母代碼的集合，構(gòu)成的集合時(shí)出 I 以外的 25 個(gè)字母 {A， B，C… }； 32XX 可能是數(shù)字也可能是字母，所以有 34 個(gè)字符構(gòu)成 {0， 1， … ， 9， A， B， … Z}；654 XXX 只可能是數(shù)字，所以可能的集合時(shí) {0， 1， 2， … ， 9}。 基于神經(jīng)網(wǎng)路的車(chē)牌數(shù)字識(shí)別 由于字符識(shí)別率是車(chē)牌識(shí)別研發(fā)成功與否的關(guān)鍵指標(biāo)，可知字符識(shí)別在車(chē)牌識(shí)別系 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 13 統(tǒng)中的作用是極其重要的，字符識(shí)別的主要涉及到特征提取和識(shí)別方法兩方面，并且兩者是繼承互補(bǔ)的關(guān)系。經(jīng)過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)不僅可以有效地提取信號(hào)、圖像等感知模式的特征，還可以調(diào)試現(xiàn)有的啟發(fā)模式識(shí)別系統(tǒng)，使其更好的解決不變量探測(cè)、自適應(yīng)、抽象或者概括等一些常見(jiàn)問(wèn)題，也就是說(shuō)神經(jīng)網(wǎng)路可以很好的應(yīng)用于數(shù)組識(shí)別系統(tǒng)算法的設(shè)計(jì)之中。 預(yù)處理好以后的餓圖片，需要使用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，本文中所使用的是前饋后向傳播網(wǎng)絡(luò)（ BP 網(wǎng)絡(luò)） [2022]。 BP 網(wǎng) 絡(luò)的設(shè)計(jì)主要包括了輸入層、隱層、輸出層以及各層之間的傳輸函數(shù)的設(shè)計(jì)。 BP 網(wǎng)絡(luò)用于模式分類(lèi)是基于以下原理，首先，隱層將輸入模式空間的樣本映射到隱層模式空間；其次輸入層將隱層模式空間的輸出模式樣本映射到輸出模式空間；最后，根據(jù)判斷依據(jù)判決規(guī)則決定決策空間，進(jìn)行模式分類(lèi)。結(jié)構(gòu)示意圖如圖 所示： 圖 BP網(wǎng)絡(luò)結(jié)構(gòu)圖 其中單個(gè)的神經(jīng)元結(jié)構(gòu)如圖 所示： 圖 單個(gè)神經(jīng)元結(jié)構(gòu)圖 nj? 1? 1x ix nx ij? j1? ? ()f ? jy 2x ix nx 2y ky my lh 1h … … …jh … lh 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 14 設(shè)第 k1 層 中第 i 個(gè)神經(jīng)元的輸入為 )1( ?kiy ，輸出為 )(kjy ，則輸入與輸出的關(guān)系 如公式 31 所示 ： )1kN 1i