【文章內(nèi)容簡(jiǎn)介】 斜矯正。攝像機(jī)的位置、車輛的運(yùn)動(dòng)等因素經(jīng)常使拍攝出來(lái)的汽車圖像有一定的傾斜，這就需要對(duì)圖像進(jìn)行傾斜矯正，或在分割出車牌區(qū)域之后對(duì)字符傾斜矯正 12 畢業(yè)設(shè)計(jì) 專用紙 圖像的灰度化 通常情況下，實(shí)際的車牌 識(shí)別系統(tǒng)中由攝像機(jī)采集到的原始圖像是彩色圖像，所有的彩色圖像都是由紅 (R)、綠 (G)、藍(lán) (B)三基色組合而成，在數(shù)字圖像中每一個(gè)基色都被分為 256 個(gè)等級(jí)，即 0~255。由 R、 G、 B 三基色不同級(jí)別的組合方式，可以計(jì)算出一幅彩色數(shù)字圖像最多可包含 167772 種顏色。在灰度圖像中 R=G=B，因此灰度圖像中只有一種灰度顏色，同彩色圖像中的三基色一樣，灰度色也被分成0255，共 256 個(gè)等級(jí)，同理可以計(jì)算出一幅灰度圖像最多只包含 256 種顏色。由此可見，一幅彩色圖像所包含的信息量遠(yuǎn)遠(yuǎn)大于一幅灰度圖像，它不僅需要大量的存儲(chǔ)空間還需要復(fù)雜的圖像處理算法，這使得整個(gè)車牌識(shí)別系統(tǒng)操作時(shí)間過(guò)長(zhǎng)，無(wú)法達(dá)到其實(shí)時(shí)性的要求。所以，首先應(yīng)將采集到的彩色圖像轉(zhuǎn)換成一幅灰度圖像，這個(gè)過(guò)程便是圖像的灰度化。令 g 為轉(zhuǎn)換后灰度圖像在某一點(diǎn)的灰度值， R、 G、 B 分別為轉(zhuǎn)換前該點(diǎn)的 R、 G、 B 分量。 圖 1 彩色原圖 使用 matlab 自帶的灰度變換函數(shù) rgb2gray(),對(duì)彩色圖片進(jìn)行灰度化處理，結(jié)果如下圖。 圖 2 灰度圖像 13 畢業(yè)設(shè)計(jì) 專用紙 灰度拉伸 對(duì)車輛圖像進(jìn)行灰度化處理之后，車牌部分和非車牌部分圖像的對(duì)比度并不是很高，此時(shí)如果直接進(jìn)行邊緣提取，由 于車牌界限較為模糊，難以提取出車牌邊緣，因而難以準(zhǔn)確定位車牌。為了增強(qiáng)牌照部位圖像和其他部位圖像的對(duì)比度，使其明暗鮮明，有利于提高識(shí)別率，需要將車輛圖像進(jìn)行灰度拉伸。 使用 matlab 自帶的灰度調(diào)整函數(shù) imadjust().對(duì)灰度圖像進(jìn)行灰度拉伸，結(jié)果如下： 圖 3 灰度拉伸后的圖像 從兩圖的對(duì)比中我們可以看到灰度拉伸后對(duì)比度明顯增強(qiáng)，車牌區(qū)域更加明顯。 車牌圖像中的邊緣、細(xì)節(jié)、跳躍部分以及噪聲都代表圖像的高頻分量，而大面積的背景區(qū)和緩慢變化部分則代表圖像的低頻分量。由此可見，若采用低通 濾波法去除車牌圖像中的噪聲，在除去噪聲的同時(shí)也會(huì)使車牌及字符的邊緣變得模糊，這對(duì)后續(xù)的車牌定位以及字符識(shí)別非常不利。反之，若采用高通濾波法則在增強(qiáng)邊緣信息的同時(shí)也增了噪聲。因此，為了在保證在車牌圖像邊緣信息不被弱化的情況下除去噪聲，采用中值濾波法來(lái)去除圖像噪聲。中值濾波是一種非線性濾波，由于它在實(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所引用。在一定的條件下，可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及顆粒噪聲最為有效。中值濾波它是一種鄰域運(yùn)算，類似于卷積，首先把鄰域中的像素按灰度等級(jí)進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。它能減弱或消除傅里葉空間的高頻分量，因?yàn)楦哳l分量對(duì)應(yīng)圖像中的邊緣區(qū)域，且其灰度值具有較大較快的變化，該濾波可將這些分量濾除，使圖像平滑。其主要原理是 :首先確定一個(gè)以某個(gè)像素為中心點(diǎn)的鄰域，一般為方形鄰域 。然后將鄰域中的各個(gè)像素的灰度值進(jìn)行排序， 14 畢業(yè)設(shè)計(jì) 專用紙 取其中間值作為中心點(diǎn)像素灰度的新值，這里的鄰域通常被稱為窗口。當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。 具體步 驟如下 : ①將模板在圖像中漫游，并將模板中心與圖像中某個(gè)像素的位置重合 。 ②讀取模板下各對(duì)應(yīng)像素的灰度值 。 ③將這些灰度值從小到大排列成一列 。 ④找出排在中間的一個(gè)值 。 ⑤將這個(gè)中間值賦給對(duì)應(yīng)模板中心位置的像素。 本次作業(yè)采用 matlab 自帶的中值濾波器函數(shù) medfilt2()，對(duì)灰度圖像進(jìn)行去噪處理。 15 畢業(yè)設(shè)計(jì) 專用紙 第四章 車牌定位 牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來(lái)，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。由于牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說(shuō)是水平度較高的橫向近似的長(zhǎng)方形，它在原始圖象中的相對(duì)位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過(guò)邊緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分割。 牌照定位于分割流程圖 牌照區(qū)域的定位 牌照?qǐng)D象經(jīng)過(guò)了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在 本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了 bwareaopen 來(lái)去除對(duì)象中不相干的小對(duì)象。 采用 matlab 自帶的 edge()函數(shù)對(duì)圖像進(jìn)行邊緣的提取。 edge()格式： [g,t]=edge(f,’ method’ ,parameters) 16 畢業(yè)設(shè)計(jì) 專用紙 本次作業(yè)采用 canny 邊緣檢測(cè)器。進(jìn)行邊緣檢測(cè)，檢測(cè)后的結(jié)果如圖 牌照區(qū)域的分割 候選區(qū)域的提取 提取候選區(qū)域的步驟是：首先對(duì)經(jīng)過(guò)開閉運(yùn)算處理的圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)，然后根據(jù)車牌的先驗(yàn)知識(shí)對(duì)區(qū)域特征參數(shù)進(jìn)行比較，提取車牌區(qū)域。本 課題選擇使用車牌的寬高范圍和比例關(guān)系對(duì)車牌進(jìn)行初步定位。對(duì)車牌的區(qū)域提取可以利用 regionprops 函數(shù)，對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形，面積。最后計(jì)算出包含所標(biāo)記區(qū)域的最小矩形的寬和高。 對(duì)車牌的分割可以 2021 年實(shí)施的車牌標(biāo)準(zhǔn)規(guī)定，車前車牌長(zhǎng) 440mm，寬 140mm。其比例為 440 /140 ≈ 。根據(jù)圖像像素的大小，這里選取篩選條件為寬在 50 到 150 之間，高在 20 到 50 之間，同時(shí)寬高比例應(yīng)大于 ，就可以比較準(zhǔn)確的得到車牌的大致 位置。 初步提取的車牌 車牌進(jìn)一步處理 經(jīng)過(guò)上述方法分割出來(lái)的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值 T，用 T將圖像的數(shù)據(jù)分成兩部分：大于 T 的像素群和小于 T 的像素群，即對(duì)圖像二值化。 均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。 17 畢業(yè)設(shè)計(jì) 專用紙 圖像的二值化處理就是將圖像上的點(diǎn)的灰度值置為 0 或 255，這樣處理后整個(gè)圖像呈現(xiàn)明顯的黑白效果，即 將 256 個(gè)亮度等級(jí)的灰度圖經(jīng)過(guò)合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 二值化處理后的圖像，其集合性質(zhì)只與像素值為 0 或 255的點(diǎn)的位置有關(guān)，不再涉及像素的其他級(jí)值，處理過(guò)程簡(jiǎn)單，且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255，否則，灰度值為 0，表示背景或者其他的物體區(qū)域。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，利用閥值法就能得到較 好的切分效果。如果物體同背景的差別難以用不同的灰度值表現(xiàn)（比如紋理不同） ，可以把這些差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值法來(lái)切分該圖像。動(dòng)態(tài)調(diào)節(jié)閥值來(lái)實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)地觀察其切分圖像的具體結(jié)果。 本次作業(yè)采用 matlab 中的 im2bw 函數(shù)對(duì)定位后的車牌進(jìn)行二值化處理。 裁剪出來(lái)的車牌的進(jìn)一步處理過(guò)程圖 18 畢業(yè)設(shè)計(jì) 專用紙 傾斜校正 雖然標(biāo)準(zhǔn)的車牌字符應(yīng)為水平依次排列，但是由于放置不當(dāng)或車身前進(jìn)方向與圖像采集設(shè)備不在同一條直線上等原因，會(huì)造成圖像中的車牌傾斜、扭曲。因?yàn)橐粋€(gè)傾斜的數(shù)字或字母的識(shí)別和一個(gè)很正的數(shù)字或字母的識(shí)別是有很大差別的，所以車牌定位之后要進(jìn)行傾斜校正。一般情況下，傾斜校正有兩步，第一步是找出傾斜的角度；第二部是進(jìn)行坐標(biāo)變換，得到校正后的圖像。 目前常用的計(jì)算傾斜角度的方法有兩種，一種是 Hough 變換來(lái)找出傾斜的角度，一種是利用投影的方法來(lái) 找出傾斜的角度。另外還有 Radon 變換方法等，這里主要介紹前面兩種方法。 本次作業(yè)采用 hough 算法對(duì)圖形進(jìn)行傾斜校正。 圖 9旋轉(zhuǎn)前的圖像 圖 10 hough 變換后的車牌二值圖像 分割與歸一化 經(jīng)過(guò)車牌字符圖像的二值化和傾斜校正，得到的是一個(gè)只包含牌照字符的水平條形區(qū)域，為了進(jìn)行字符識(shí)別，需要將牌照字符從圖像中分割出來(lái)。這里常用投影法，既簡(jiǎn)單又快捷。投影法切分車牌字符的思想是根據(jù)車牌字符的特點(diǎn)，將車牌圖像進(jìn)行垂直方向的投影，因?yàn)樽址麉^(qū)域的黑色像素點(diǎn)比較多，比較集中，同時(shí)每個(gè)車牌字符之間有一定的 空隙間隔隔開。這樣投影下來(lái)得到的投影圖應(yīng)該有多個(gè)相對(duì) 集中的投影峰值群，只要根據(jù)峰值群的特點(diǎn)進(jìn)行分割，就可以得到車牌的字符。 對(duì)圖像的垂直方向進(jìn)行投影，得到的投影圖如圖 11 所示。 19 畢業(yè)設(shè)計(jì) 專用紙 圖 11 字符投影圖 圖中有七個(gè)比較集中的投影峰值群，且每個(gè)峰值之間都有一定的間隔。根據(jù)這一特點(diǎn)，從左往右依次定位出每個(gè)字符的起始和結(jié)束位置，并且進(jìn)行切割。然后對(duì)切割出來(lái)的每個(gè)字符圖像進(jìn)行水平投影。根據(jù)水平投影像素累加值進(jìn)行水平切割，從而得到精確切割后的字符。 車牌字符切分的具體算法為： 對(duì)車牌圖像進(jìn)行垂直投影，計(jì)算出字符 的寬度后，確定字符的中間位置，并計(jì)算相鄰兩個(gè)字符之間的間距，即中間距離的差值。取其最大值定為第二個(gè)字符和第三個(gè)字符之間的距離。以此為分界線，分別向前、后兩個(gè)方向進(jìn)行切分，從而定位出每個(gè)字符的左右邊界，并保存在數(shù)組里。由于 MATLAB 的數(shù)組可以存放不同大小的數(shù)據(jù)，為字符邊界信息的存儲(chǔ)提供了極大的便利。 2）對(duì)每個(gè)切分出的字符進(jìn)行水平投影，確定字符的具體的上下邊界，保存到數(shù)組里。 3）由于用于最后識(shí)別的字庫(kù)中字符模板為 24 48 像素，所以這里對(duì)切分出來(lái)的字符進(jìn)行歸一化處理，統(tǒng)一為 24 48 像素。 4）將歸一化后的字符的信息保存在數(shù)組里，做為參數(shù)輸入字符識(shí)別模塊與模板比較進(jìn)行字符識(shí)別。 字符切分后的效果圖 20 畢業(yè)設(shè)計(jì) 專用紙 圖 13 字符分割與歸一化流程圖 字符分割 在汽車牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前 啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。字符識(shí)別的算法很多，因?yàn)檐嚺谱址g間隔較大，不會(huì)出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 字符歸一化 一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(shí)別的需要。但是對(duì)于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。 21 畢業(yè)設(shè)計(jì) 專用紙 第五章：字符識(shí)別 字符的識(shí)別目前用于 車牌字符識(shí)別 (OCR)中的算法主要有基于模板匹配的OCR 算法以及基于人工神經(jīng)網(wǎng)絡(luò)的 OCR 算法?；谀０迤ヅ涞?OCR 的基本過(guò)程是 :首先對(duì)待識(shí)別字符進(jìn)行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí) 對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識(shí)別的主要方法。 模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域 f(i,j)中提取的若干特征量 與模板 T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的