【文章內(nèi)容簡介】 值，利用該窗 口在汽車圖像上滑動(dòng)，并計(jì)算該窗口所覆蓋的那塊車牌圖像的向量值， 找出最佳的向量值，認(rèn)為是車牌區(qū)域。 (3)直線邊緣檢測 ： 這種方法主要利用 Hough 變化檢測車牌周圍邊框直線。這種方法 的 缺點(diǎn)是 Hough 變換計(jì)算量大，對于邊框不連續(xù)的實(shí)際車牌，需附加大量的運(yùn)算 [6]。 (4)統(tǒng)計(jì)直方圖 及投影方法： 該方法通過對圖像的水平和垂直兩個(gè)方向灰度投影直方圖來 分析推斷出牌照的位置。 該方法的缺點(diǎn)是對噪聲敏感，且牌照圖像存在 傾斜時(shí)，不能達(dá)到預(yù)期的效果。 第 2類 ： 即先對車輛圖像進(jìn)行車牌的粗定位，然后再進(jìn)行精定位。所謂粗定位有 西南科技大學(xué) 本科生 畢業(yè)論文 7 兩種含義 ： 第 1種粗定位的含義就是從車輛圖像中找出車牌的大致位置，它并不要求非常精確的定位出車牌的位 置，只需要給出 包含車牌的相對較小或較大的一塊區(qū)域就達(dá)到目的；第 2種粗定位的含義就是利用粗分割，即給出包含車牌區(qū)域在內(nèi)的若干候選區(qū)域，再從這些區(qū)域中提取車牌區(qū)域 [7]。 這里不再作詳細(xì)的論述。 系統(tǒng)采用的定位方法 在系統(tǒng)中，采用投影法來實(shí)現(xiàn)車輛牌照的定位。利用水平投影來檢測車牌的水平位置，利用垂直投影 和形態(tài)學(xué)的方法 檢測車牌的垂直位置 [8]。 車輛牌照的水平定位 得到二值化圖像以后，首先把二值圖像投影到 y軸。根據(jù)車牌特征，車牌區(qū)域中的垂直邊緣較密集，而且車牌一般懸掛在車身較低的位置其下方?jīng)]有很多的邊緣密集區(qū) 域。因此在車牌對應(yīng)的水平位置上會(huì)出現(xiàn)一個(gè)峰值，如圖 22所示。峰值的兩個(gè)低谷點(diǎn)就是車牌的垂直位置，這樣就得到了包含了車牌的帶狀區(qū)域。 所以問題轉(zhuǎn)成確定低谷點(diǎn)的位置。但是從圖中可以發(fā)現(xiàn)投影圖不是十分的 光滑，會(huì)給精確定位帶來一些困難，所以對投影圖進(jìn)行平滑。窗口尺寸比較關(guān)鍵，選小了不足以平滑，選大了則會(huì)改變投影圖原有的基本變化特性。對于實(shí)際的投影曲線可以通過找差分曲線的過零點(diǎn)來確定低谷點(diǎn)，所以對平滑以后的投影圖 )(nh 求一階差分 ： )1()()(39。 ??? nhnhnh (23) 找出其由正至負(fù)的點(diǎn)，也就是局部最小值。但是并不是所有的局部最小值之間都能稱為峰的，它可能附屬鄰近的一個(gè)峰，因而要確定哪一個(gè)局部最小值是峰谷，哪一個(gè)是毛刺。如何判決峰的獨(dú)立性呢 ？ 本文采取了 3個(gè)判決依據(jù) ： 1. 獨(dú)立峰具有一定峰頂和峰谷的落差， 當(dāng)局部最 大值和鄰近的局部最小值的差大于閾值，則該局部最小值為谷底，反之 則為毛刺。 2．獨(dú)立峰具有一定的寬度， 這是由車牌的寬度信息決定的。 3．獨(dú)立峰具有一定的面積， 這是因?yàn)樵诮?jīng)過邊緣提取，二值化后，在車牌區(qū) 域具有明顯的紋理特征。 在光照均勻和背景不是很復(fù)雜的圖像中 ，車牌的峰值特性十分明顯，很容易就可以定位出車牌區(qū)域的水平位置。 但在光照不均勻或背景復(fù)雜的圖像中峰值特性就不是很明顯了。如何準(zhǔn)確地確定局部最小值是否為谷底，關(guān)鍵在于閾值的選取。 車輛牌照的垂直定位 西南科技大學(xué) 本科生 畢業(yè)論文 8 根據(jù)車牌的特征可以知道，車牌在垂直方向的投影呈現(xiàn)有規(guī)律的 “峰、谷、峰 ”的分布。字符與字符之間的間隔是近似相等的，而且字符的寬度是近似相等的，而車 （ a） 二值化圖像 （ b） 水平 投影圖 圖 22 水平投影 牌具有 7個(gè)字符，所以車牌區(qū)域在垂直方向上的投影應(yīng)該存在 6個(gè)低谷點(diǎn)，而且相鄰低谷點(diǎn)之間的距離是近似相等的，第二和第三字符之間的距離略大于其他字符間的距離。但在現(xiàn)實(shí)中得到二值圖像的 “峰、谷、峰 ”的特點(diǎn)并不十分明顯，采用這種方法對車牌的垂直位置進(jìn)行定位效果不是很好， 本文 考慮使用形態(tài)學(xué) 與投影法相結(jié)合 的方法來對車牌進(jìn)行垂直定位 ，下面簡單介紹圖像形態(tài)學(xué) [9]。 最初形態(tài)學(xué)是生物學(xué)中研究動(dòng)物和植物的一個(gè)分支，后來也用數(shù)學(xué)形 態(tài)學(xué)來表示以形態(tài)學(xué)為基礎(chǔ)的圖像分析數(shù)學(xué)工具。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)元素來度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(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)可以用來簡化圖像數(shù)據(jù)，保持圖像的基本形狀特性，同時(shí)去掉圖像中與研究目的無關(guān)的部分。使用形態(tài)學(xué)操作可以 實(shí)現(xiàn) 增強(qiáng)對比度、消除噪聲、細(xì)化、填充和分割等常用 的 圖像處理任務(wù)。 數(shù)學(xué)形態(tài)學(xué)的數(shù)學(xué)基礎(chǔ)和使用的語言是集合論，其基本運(yùn)算有四種：膨脹(Dilation ) 、 腐蝕 (Erosion )、 開啟 (Open)和閉合 (Close )?；谶@些基本運(yùn)算還可以推導(dǎo) 和組成各種數(shù)學(xué)形態(tài)學(xué)運(yùn)算方法。其運(yùn)算對象是集合，通常給出一個(gè)圖像集合和一個(gè)結(jié)構(gòu)元素集合，利用結(jié)構(gòu)元素對圖像進(jìn)行操作。結(jié)構(gòu)元素是一個(gè)用來定義形態(tài)操作中所用到的鄰域的形 狀和大小的矩陣，可以具有任意的大小和維數(shù)。下面簡單介紹一下以上 4種運(yùn)算。 膨脹 膨脹的運(yùn)算符為 “? ”，圖像集合 A 用結(jié)構(gòu)元素 B 來膨脹，記作 BA? ，其定義見式 （ 24） ，其中 ^B 表示 B 的映像，即與 B 關(guān)于原點(diǎn)對稱的集合。式 （ 24） 表明，用B 對 A 進(jìn)行膨脹的過程是這樣的 ： 首先對 B 作關(guān)于原點(diǎn)的映射，再將其映像平移 x ， 西南科技大學(xué) 本科生 畢業(yè)論文 9 當(dāng) A 與 B 映像的交集不為空集時(shí)， B 的原點(diǎn)就是膨脹集合的像素。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(gè)非零元素相交時(shí) B 的原點(diǎn)的位置的集合。 ?????? ?????? ????????? ?ABxBA x ?^| （ 24） 膨脹的作用效果如圖 23所示。其中白色表示目標(biāo)，背景為黑色，結(jié)構(gòu)元素為一33正方形對象。 （ a）膨脹前 （ b）膨脹后 圖 23 圖像膨脹前后的顯示效果對比 腐蝕 腐蝕的運(yùn)算符是 ? ，圖像集合 A 用結(jié)構(gòu)元素 B 來腐蝕記作 BA? ，其定義為 ： ? ?ABxBA x ?? )(|? （ 25） 式（ 25）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 x 的集合，從直觀上看就是 B 經(jīng)過平移后全部包含在 A 中的原點(diǎn)組成的集合。 腐蝕的操作效果如圖 24所示，其中白色為目標(biāo)，黑色為背景，結(jié)構(gòu)元素為一 33正方形對象。 （ a）腐蝕前 （ b）腐蝕后 圖 24 圖像腐蝕 前后的顯示效果對比 開啟 開啟的運(yùn)算符為 “? ”， A 用 B 來開啟記為 BA? ，其定義如下 ： BBABA ?? )( ?? （ 26） 西南科技大學(xué) 本科生 畢業(yè)論文 10 閉合 閉合的運(yùn)算符為 “? ”， A 用 B 來閉合記為 BA? ，其定義 見式（ 27） ： BBABA ?)( ??? （ 27） 開啟和閉合運(yùn)算不受原點(diǎn)位置的影響，無論原點(diǎn)是否包含在結(jié)構(gòu)元素中，開啟和閉合的結(jié)果都是一樣的。 開啟和閉合操作的效果如圖 25所示，其中白色為目標(biāo)，黑色為背景。 對形態(tài)學(xué)了解后，我們用形態(tài)學(xué)來進(jìn) 行定位，具體算法為： 對得到的帶狀區(qū)域用結(jié)構(gòu)算子先進(jìn)行一次腐蝕運(yùn)算，消除一些獨(dú)立的亮點(diǎn)，但使用的結(jié)構(gòu)算子不能太大，否則會(huì)失去一部分車牌的信息。 （ a）原圖 （ b）對原圖開啟操作后 （ c）對原圖閉合操作后 圖 25 圖像的開啟、閉合操作的顯示效果 再進(jìn)行二次膨脹運(yùn)算，由于膨脹的目的是要把車牌區(qū)域連通，因此使用的結(jié)構(gòu)算子和腐蝕的結(jié)構(gòu)算子不一樣，要略大一些。 最后進(jìn)行一次開運(yùn)算，將車牌區(qū)域平滑一下。可以發(fā)現(xiàn)車牌 在圖像中形成了一個(gè)塊狀區(qū)域。如圖 26所示。 將得到的圖像再投影到垂直方向，再根據(jù)車牌的寬度信息，設(shè)定一個(gè)范圍，可以把這個(gè)范圍設(shè)置大些，這是因?yàn)榻?jīng)過形態(tài)學(xué)變化后，車牌的長度會(huì)變大，而且有可能把附近的一些雜點(diǎn)連在一起了，從而增大了車牌連通區(qū)域的長度，如果范圍定的太小，就有可能檢測不到車牌區(qū)域 [10]。 定位的算法實(shí)現(xiàn) 利用投影法，在 Visual C++中用 C++語言對以上算法進(jìn)行編程，對車輛牌照進(jìn)行定位。實(shí)驗(yàn)中水平方向上的定位函數(shù)為 HprojectDIB()；垂直方向上的定位函數(shù)為VprojectDIB()；定位以后分割過程所用的函數(shù)為 TempSubert()； iTop和 iBottom分別是車牌的上下邊緣， iLeft 和 iRight 為車牌的左右邊緣。 定出車牌的四個(gè)邊緣以后， 西南科技大學(xué) 本科生 畢業(yè)論文 11 就可以通過分割函數(shù) TempSubert()將車牌從源圖像中裁減出來，為了使裁減的準(zhǔn)確，可以設(shè)置邊緣的微量調(diào)整。 圖像定位算法流程圖 如 圖 27所示。 (a) 水平投影分割得到的圖像 (b) 腐蝕運(yùn)算得到的圖像 (c) 第一次膨脹運(yùn)算得到的圖像 (d) 第二次膨脹運(yùn)算得到的圖像 圖 26 形態(tài)學(xué)變化得到的圖像 圖 27 定位流程圖 西南科技大學(xué) 本科生 畢業(yè)論文 12 實(shí)驗(yàn)結(jié)果分析 經(jīng)實(shí)驗(yàn)，大部分圖片中的牌照能夠被正確的定位出來如圖 28，極少部分牌照不能正確定位。實(shí)驗(yàn)表明，投影法基本上實(shí)現(xiàn)了車輛牌照的定位，但同時(shí)不難看出被定位的車牌還包括車牌邊框，與理想要求還有很大差距，如果在這些車牌上進(jìn)行字符分割，將會(huì)有很大的困難。另外在實(shí)驗(yàn)中還發(fā)現(xiàn)該算法對車牌背景環(huán)境要求比較嚴(yán)格，車牌如果比較傾斜或者車牌顏色與汽車顏色相近或者車牌背景中的噪聲較大，則定位起 來比較困難，不能實(shí)現(xiàn)車牌的精確定位，以后需要進(jìn)一步改進(jìn)。 圖 28 定位前后的圖像 西南科技大學(xué) 本科生 畢業(yè)論文 13 第 3 章 車輛牌照的字符分割 在做字符分割以前，必須對定位出來的圖像做進(jìn)一步的處理，要對車牌做去邊框處理、去噪聲處理、梯度銳化、傾斜度調(diào)整等預(yù)處理才能進(jìn)行字符分割。 車牌預(yù)處理 去邊框處理 一般 藍(lán)底白字的車牌都有白色邊框，與字符的顏色相同，它的存在將對后繼的字符識(shí)別造成影響，因此它的濾除十分必要。 濾除上下邊框 將檢測到的二值牌照圖像進(jìn)行水平投影，在 0IHeight的范圍內(nèi)，計(jì) 算各 sum[I]，( sum[I]為從 0到 Width的范圍內(nèi)，二值化牌照圖像的白像素點(diǎn)數(shù) )然后，將所有的 sum[I]累加起來，記為一值，然后將該值除以 2*Height(2/3)*Height，如果 sum[I]小于該商，就令該 sum[I]為 0。這樣 直方圖中必有連零塊和非連零塊，測試每個(gè)非連零塊的寬度，如果它不在車牌高度的范圍內(nèi)，就置其為零，那么就將邊框?yàn)V除了 (其中 Height， Width為牌照圖像的高度和寬度 )。 濾除左右邊框 濾除左右邊框的方法與濾除上下邊框的方法類似， 只是閾值有些不同，不再贅述 。 去噪聲 處理 圖像在掃描或者傳輸過程中夾帶了噪聲，去噪聲是 圖像 處理中常用的手法。通常去噪聲用濾波的方法，比如空間域?yàn)V波和同態(tài)濾波。采用合適的濾 波方法不但可以濾除噪聲還可以對圖像進(jìn)行銳化，增強(qiáng)圖像的邊緣信息。下面介紹幾種常用的濾波方法 。 鄰域平均法 為了消除圖像中的噪聲，可以直接在空間域上對圖像進(jìn)行平滑濾波。它的作用有兩種 ： 一種是模糊 ； 另一種是消除噪聲。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(diǎn)的平均亮度值，稱為鄰域平均法。鄰域的大小與平滑的效果直接相關(guān)，鄰域越大平滑的效果越好，但鄰 域過大，平滑會(huì)使邊緣信息損失的越大，從而使輸出的圖像變得模糊，因此需要合理選擇鄰域的大小。典型的鄰域有兩種 ：