【文章內(nèi)容簡(jiǎn)介】 排列，取圖像灰度值居中的像素灰度為窗口中心像素的灰度，便完成了中值的確定。 （ 2）噪聲點(diǎn)的確定 噪聲點(diǎn)的確定主要是判斷該像素點(diǎn)的灰度值是否大于某一個(gè)閾值 ,如果大于則為噪聲 ,反之則為信號(hào)點(diǎn)。關(guān)于此閾值主要 有兩種途徑得到 ,一是根據(jù)長(zhǎng)期處理去噪的經(jīng)驗(yàn)得來(lái) ,二是采用窗口內(nèi)像素點(diǎn)的均值來(lái)粗略估計(jì)。這兩種方法噪聲判斷率不高。本文根據(jù)像素點(diǎn)之間的 統(tǒng)計(jì) 特性 ,采用均值和方差同時(shí)作用來(lái)確定噪聲點(diǎn)。以噪聲圖像的像素Z(i,j)為中心，選取像素為 3 3的窗口，求出該窗口內(nèi)像素的均值 M和方差 2? 1122111 [ ( , ) ]9nm Z i n j m M? ? ? ? ?? ? ? ??? （ 25） 11111 ( , )9nmM Z i n j m? ? ? ?? ? ??? （ 26） 根據(jù)噪聲的特性 ,該像素點(diǎn)值 Z(i,j)，如果滿足： Z(i,j)≥ M+3δ或者 Z(i,j)≤ M3δ，則該像素為噪聲點(diǎn)。 （ 3）濾波處理 根據(jù)上面噪聲點(diǎn)確定的結(jié)果 ,如果為噪聲點(diǎn) ,則用中值取代該像素點(diǎn)灰度值 ,否則 ,該像素點(diǎn)的灰度值不變。此處理過(guò)程有效的降低了去噪過(guò)程對(duì)圖像邊緣細(xì)節(jié)信息的影響 ,提高了圖像的信噪比。 通過(guò)以上研究分析 ,基于 VC++采用了以上算法。對(duì)模擬圖像進(jìn)行了濾波比較 ,并分別用 3 3窗口進(jìn)行實(shí)驗(yàn)，所得到的結(jié)果如 圖 24所示 設(shè)定頁(yè)眉 13 原圖 效果圖 水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影 校正方法 由于攝像機(jī)和車牌之間角度的變化 ,常常使所拍攝的車牌圖像產(chǎn)生傾斜現(xiàn)象 ,給字符分割帶來(lái)不利影響 ,造成誤分割和車牌識(shí)別率的下降。 因此 ,需要在字符分割之前進(jìn)行車牌的傾斜校正。 目前的車牌傾斜校正方法主要有 : (1) Hough 變換法。 通過(guò) Hough 變換求取車牌的邊框 ,進(jìn)而確定車牌的傾斜角；或者由 Hough 變換提取牌照邊框的參數(shù)后 ,再求解牌照區(qū)域四個(gè)頂點(diǎn)的 坐標(biāo) ,然后通過(guò)雙線性空間變換對(duì)畸變圖像進(jìn)行校正。 (2) 通過(guò)模板匹配尋找牌照區(qū)域的四個(gè)頂點(diǎn) ,再通過(guò)雙線性空間變換重建矩形車牌區(qū)域。 (3) 通過(guò)求取車牌字符區(qū)域的局部極小和局部極大特征點(diǎn) ,再進(jìn)行投影確定車牌的傾斜角。 (4) 通過(guò)求取車牌上各字符連通域的中心點(diǎn) ,然后擬合為直線來(lái)確定車牌的傾斜角。 由于圖像中車牌的邊框有時(shí)并不明顯 (如有的白牌白車 ) ,且因噪聲、污跡等干擾的影響 ,造成 Hough 變換后參數(shù)空間中的峰值點(diǎn)很分散 ,這使得方法 (1) 和方法 (2) 效果并不理想 ； 當(dāng)車牌上有污跡和噪聲時(shí) ,方法 (3) 的檢測(cè)精度下降 ； 由于二值化等原設(shè)定頁(yè)眉 14 因 ,車牌上字符會(huì)有粘連和斷裂現(xiàn)象 ,就使得方法 (4) 的效果也不理想 。 而且 ,上述四種方法有一個(gè)共同的缺陷 ,就是當(dāng)圖像對(duì)比度較小、光照不均時(shí) ,檢測(cè)到的傾斜角誤差較大 . 本文提了一種新的車牌傾斜校正方法 ,該方法采用水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影求取車牌的水平和垂直傾斜角度 ,然后進(jìn)行雙線性插值傾斜校正 。 大量實(shí)驗(yàn)表明 , 該方法簡(jiǎn)單實(shí)用 ,對(duì)光照不敏感 ,抗干擾性強(qiáng) 。 設(shè) C（ 00,ij）代表圖像位置（ 00,ij）處的彩色向量， C（ 00,ij） = ( R(00,ij)， G（ 00,ij） ,B( 00,ij)),以 C（ 00,ij）為中心取一（ 2w+1） (2w+1)的窗口，其中， w 為大于等于 1 的整數(shù)。令： 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww ? ? ? ??? ? ? ?? ? ?? (27) 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww? ? ? ?? ? ? ? ?? ? ?? (28) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww? ? ? ?? ? ? ? ?? ? ?? （ 29) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww ? ? ? ??? ? ? ?? ? ?? (210) 則 00( , )ij處的垂直彩色梯度和水平彩色梯度分布定義為 ： 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D V i j V i j V i j???? (211) 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D H i j H i j H i j???? (212) 其中， || * || 代表歐幾里得范數(shù)。 設(shè) V? 和 V? 分別代表 DV的均值和標(biāo)準(zhǔn)方差， H? 和 H? 分別代表 DH的均值和標(biāo)準(zhǔn)方差，則 按下式對(duì)圖像進(jìn)行二值化，獲取圖像的水平彩色邊緣 HE 和垂直 彩色邊緣 VE ： 0000001 , ( , ) 30 , ( , ) 3( , )H HHHHD H i jED H i jij???????????? (213) 0000001 , ( , ) 30 , ( , ) 3( , )V VVVVD V i jD V i jE i j???????????? (214) 設(shè)定頁(yè)眉 15 雙線性插值 在對(duì)車牌圖像進(jìn)行傾斜校正時(shí) ,輸出像素常被映射 到圖像的非整數(shù)位置 , 最典型的是在四個(gè)輸入像素之間 . 因此 , 需進(jìn)行彩色向量插值運(yùn)算 . 插值方 法主要有最近鄰插值、雙線性插值和高階插值等 . 最近鄰插值算法簡(jiǎn)單、運(yùn)算量小 , 但有塊狀效應(yīng) 。高階插值插值效果好 ,但運(yùn)算量大 . 雙線性插值的運(yùn)算量小于高階插值 ,插值效果雖不如高階插值 ,但明顯優(yōu)于最近鄰插值 , 完全能滿足車牌識(shí)別的需要 . 所以 ,本文選擇雙線性插值算法進(jìn)行圖像插值運(yùn)算 . 雙線性插值示意圖如圖 25所示 .像素 C ,)( ji? ? 被 C( , )ij 、C 1( , )ij? 、 C 1( , )ij? 和 C 11( , )ij??四個(gè)像素包圍，則 , ) [( ( 1 , ) ( , ) ] * ( )[ ( , 1 ) ( , ) ] * ( ) ( , )[ ( 1 , 1 ) ( , ) ( , 1 )( 1 , ) ] * ( ) ( )jCC i i j C i j i iC i j C i j j j C i jC i j C i j C i jC i j i i j j? ? ? ?? ? ??? ? ? ? ?? ? ? ? ? ???? ? ? ? （ 215） 圖 25 雙線性插值示意圖 作為一種特殊情況，當(dāng)像素 C（ ,ij? ? ）落在 C 1( , )ij? 和 C 11( , )ij??之間時(shí)，則有： ( , ) ( 1 , 1 ) * ( ) ( 1 , ) * ( 1 )C i j C i j j j C i j j j?? ?? ?? ??? ? ? ? ? ? ? ? （ 216） 車牌傾斜校正算法 由于道路的坡度、車牌的懸掛和攝像機(jī)與車牌之間傾斜角度的影響 , 使得拍攝到的車牌圖像產(chǎn)生了傾斜 ,這實(shí)際上是一種透視失真 . 一般情況下 , 可將傾斜的車牌圖像近似看成一個(gè)平行四邊形 , 可有三種傾斜模式 :水平傾斜、垂直傾斜和水平垂直傾斜 ,分別如圖 26 、圖 27 和圖 28 所示 . 圖 26 為水平傾斜的兩種情況 , 這時(shí)字符基本上無(wú)傾斜 , 車牌的水平 x 軸與圖像的 水平 x 軸有一個(gè)傾斜角度 ? , 只要求取 ? ,將圖像繞 x 設(shè)定頁(yè)眉 16 軸旋轉(zhuǎn) ? 即可 . 圖 27 為垂直傾斜的兩種情況 . 這時(shí)的傾斜實(shí)際上是同一行間像素的錯(cuò)位偏移 . 只要檢測(cè)到垂直傾斜角度 β 進(jìn)行錯(cuò)位偏移校正即可 . 圖 28為水平垂直傾斜的兩種情況 ,既存在水平傾斜又存在垂直傾斜 ,是最一般的情況 . 可先檢測(cè)水平傾斜角度 ? 進(jìn)行水平傾 斜校正 ,然后再求取垂直傾斜角度 ? 進(jìn)行垂直傾斜校正 . 圖 26 水平傾斜 圖 27 垂直傾斜 圖 28 水平垂直傾斜 每章完結(jié)要總結(jié)這一章的工作設(shè)定頁(yè)眉 17 第三章 車牌定位 對(duì)于整個(gè)車牌識(shí)別系統(tǒng)來(lái)說(shuō)，車牌識(shí)別精確度的高低主要取決于車牌定位 精確度的高低，而車牌定位又是車牌識(shí)別中最難解決的一步，迄今為止，仍然 沒 有一個(gè)完全通用的智能化車牌定位的方法 。 當(dāng)前車牌定位的方法主要有利用顏色信息、基于小波和形態(tài)學(xué)相結(jié)合的算法、二值化投影等。這些方法主要存在 :參數(shù)的調(diào)節(jié)受識(shí)別環(huán)境的影響較大 ,在環(huán)境發(fā)生改變時(shí)由于參數(shù)的選擇不當(dāng)往往會(huì)造成誤定位和漏定位 。計(jì)算復(fù)雜度較高 ,定位速度較慢 ,影響車牌識(shí)別的實(shí)時(shí)性能。針對(duì)以上情況 ,本文提出了一種快速且魯棒性強(qiáng)的車牌定位算 法。它主要根據(jù)車牌在水平方向上能量高且集中的特點(diǎn) ,先通過(guò)一種自適應(yīng)的高通能量濾波快速地粗分割出車牌的候選區(qū)域 ,再用車牌較為細(xì)致的 紋理 特征對(duì)候選區(qū)域進(jìn)行校驗(yàn)和修正 ,最后得到車牌的精確位置。 各種車牌定位技術(shù) 基于邊界的車牌定位技術(shù) 圖像邊界是圖像局部特征不連續(xù)性（灰度突變、顏色突變、紋理結(jié)構(gòu) 突變等）的反映，它標(biāo)志著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始，邊界蘊(yùn)含著豐富的內(nèi)在信息（如方向、階躍性質(zhì)、形狀等） ,它是識(shí)別中重要的圖像特征之一。 目前常用的基于邊界的分割技術(shù)包括邊緣算子法（如 一階微分算子、 sobel 算子、 Hough 變換等）、模塊匹配法、邊緣跟蹤法、線擬合法等。 基于特征的車牌車牌定位算法是利用一階微分算子對(duì)原始圖像的邊緣進(jìn)行預(yù)處理，并在基礎(chǔ)上運(yùn)用數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算獲得車牌的獲選區(qū)，然后采用投影的方法剔除假車牌， 定位真車牌，這種方法的算法簡(jiǎn)單，減少了噪聲的干擾，能夠滿足實(shí)時(shí)定位的要求。 基于區(qū)域的車牌定位技術(shù) 車輛圖像像一般是在室外拍攝的，其背景較復(fù)雜，而車輛牌照具有不因外部條件變化而改變的特征，即車牌內(nèi)有多個(gè)基本成水平排列的字符，字符和牌照底面在灰度上存在跳變，呈現(xiàn)出規(guī)則的 紋理特征 ?；趨^(qū)域的車牌識(shí)別技術(shù)就是根據(jù)車牌的 紋理特征 將圖像分成不同的區(qū)域，然后對(duì)目標(biāo)區(qū)域進(jìn)行檢測(cè)。目前基于區(qū)域分割的技術(shù)主要包括閾值化方法、特征空間聚類方法、區(qū)域生長(zhǎng)法、分裂合并法等。 基于字符串形狀特征的車牌分割方法，主要針對(duì)牌照字符串沿水平方向排列的規(guī)則紋理，采用了一種線性濾波器來(lái)初定車牌區(qū)域，采用平均值的辦 法選取閾值而 進(jìn)行二值化，然后利用投影的方法進(jìn)行精確定位。這種方法能夠在對(duì)牌照的字符、牌照位置及其大小、顏色和車牌的背景等做最小限定的條件下，對(duì)牌照中字符串進(jìn)行增強(qiáng)，實(shí)現(xiàn)復(fù)雜背景中車輛牌照的自動(dòng)分割。 基于神經(jīng)元網(wǎng)絡(luò)的車牌定位技術(shù) 人工神經(jīng)元網(wǎng)絡(luò)是進(jìn)行模式識(shí)別的一種重要方法，今年來(lái)，它以其抗噪聲、容錯(cuò)、設(shè)定頁(yè)眉 18 自適應(yīng)等能力強(qiáng)而得到廣泛的應(yīng)用。例如， Thanongsak Sirithnaphong 和 Kosin Chamnongthai 提出的基于 BP 網(wǎng)絡(luò)的牌照定位方法 ， 等人提出的利用DTCNN 和模糊邏輯相結(jié)合的方法。在這些方法中，神經(jīng)元網(wǎng)絡(luò)相當(dāng)于濾波器，這些濾波器通過(guò)分析牌照的顏色、紋理等對(duì)圖像進(jìn)行分類，確定此像素屬于牌照區(qū)域還是屬于背景區(qū)域。 在這類 BP 算法中，使用一個(gè)滑動(dòng)窗口作為采樣窗口，在灰度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，所采用的 BP 網(wǎng)絡(luò)是三層全連接前饋網(wǎng)絡(luò)，其輸入層神經(jīng)元數(shù)目為滑動(dòng)窗口的尺寸，其輸出層神經(jīng)元數(shù)目為 1，當(dāng)輸出接近 12 時(shí)，表示滑動(dòng)窗口下的圖像塊屬于車牌區(qū)域，當(dāng)輸出接近 — 12 時(shí)，表示滑動(dòng)窗口下的圖像屬于背景區(qū)域。 基于小波分析和變化車牌定位技術(shù) 小波變換是分析和處理非平穩(wěn)信號(hào)的一種有力工具，它是以局部化函數(shù)所形成的小波基作為基底而展開，是一種窗口大小固定不定但形狀可改變的時(shí)頻局部化分析方法，小波變換的基本思想是將原始信號(hào)通過(guò)伸縮及平移后，分解為一系列具有不同空間分辨率、 不同頻率 特性和方向特性的子帶信號(hào)，這些子帶信號(hào)有良好的時(shí)域、頻率等局部特性。它在信號(hào)的高頻部分，可以取得較好的時(shí)間分辨率，在信號(hào)的低頻部分，可以取得較好的頻率分辨率，這些特性可用來(lái)表示原始信號(hào)的局部特征，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)時(shí)間、頻率的局部化分析，以克服 Fourier 分析在處理非平穩(wěn)的復(fù)雜圖像時(shí)所存在的局限性。用小波變換可以