【文章內(nèi)容簡介】 像與未旋轉(zhuǎn)的車牌圖 像進(jìn)行疊加，形成新的車牌圖像 M，這樣就可以將因?yàn)檐嚺谱址匦钠贫斐傻恼`差避免。然后，再將車牌 M進(jìn)行空洞填充，這樣了為了減小因?yàn)樽址麉^(qū)域間斷造成的誤差（圖 ）。然后對圖像 進(jìn)行列采樣就是對填充的車牌來列投影，經(jīng)過計(jì)算如果每列的閾值大于所設(shè)定的閾值，則對該列進(jìn)行保留。最后對采樣圖像的每塊區(qū)域左右邊界進(jìn)行閉運(yùn)算，即可得到新的采樣圖像 。之后，對采樣后的車牌圖像 。 其步驟如下：設(shè)圖像 i列中像素 1的個(gè)數(shù)為 iM ，該列中的分段數(shù)為 in ，其中每段中像素 1的個(gè)數(shù)為 im ，若其中每段是 sU ；由此可知第 i列中當(dāng)前點(diǎn) a的密度如下： )(,0,)( 公式其他 sii UaMmjP ??????? ； 大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第三章 關(guān)于已定位車牌的字符分割 12 我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只 是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù)而已我只是想湊字?jǐn)?shù) 則其列中重心位置可以表示為： ）（公式 )()(11?????? LjLjjjPjiW 最后，對（ 6）中重心采用最小二乘方法進(jìn)行直線擬合，就可以得到車牌的傾斜角度，之后利用雙線性差值的方法對車牌進(jìn)行校正，則可以得到 。 圖 5 圖像的旋轉(zhuǎn)矯正過程 字符分割方法 本文使用的分割方法具體步驟： 首先 ,在圖 6中對最下行與最左列的相交的像素點(diǎn)掃描，如果此像素點(diǎn)灰度值為 0暨黑色，我們就把它的標(biāo)記值記為 1，如果它的灰度值為 255暨白色，那么就對下一個(gè)像素點(diǎn)進(jìn)行掃描。 其次 ,如上文所訴方法對車牌圖像中的最下進(jìn)行逐點(diǎn)像素掃描 ,并對滿足條件的像素點(diǎn)做標(biāo)記。當(dāng)該掃描像素點(diǎn)的值為 255時(shí)，就繼續(xù)掃描它后面的像素點(diǎn)。當(dāng)掃描出該點(diǎn)像素值為 0 時(shí)，就掃描它右邊與它相鄰像素點(diǎn)的值是否為 0，如果是 0，則該點(diǎn)的標(biāo)記值等于它右相鄰的點(diǎn)的標(biāo)記值；反之，如果是 255，那么，這個(gè)像素點(diǎn)的標(biāo)記值與該像素點(diǎn)的前一個(gè)標(biāo)記值加 1相等。 第一步，我們對圖像的最右列的像素點(diǎn)進(jìn)行再次處理。處理圖像中每一行中的第一個(gè)像素點(diǎn)，如果該像素點(diǎn)為背景像素，則賦其灰度值為 255，則繼續(xù)掃描本行下一個(gè)像素；如果該像素 點(diǎn)為目標(biāo)像素，則賦其灰度值為 0，之后就繼續(xù)檢測該像素所在列中的下邊與它相鄰像素點(diǎn)的標(biāo)記值。如果下方相鄰像素已被標(biāo)記過，則之前掃描的像素點(diǎn)的標(biāo)記值就等于下邊與它相鄰點(diǎn)的標(biāo)記值；如果它的下邊相鄰點(diǎn)沒有被標(biāo)記，則當(dāng)前掃描像素的標(biāo)記值就等于上一個(gè)標(biāo)記值加 1。如果發(fā)現(xiàn)被掃描的 2 個(gè)相鄰像素點(diǎn)，它們的標(biāo)記值的值剛好相等，就把該標(biāo)記值再賦給當(dāng)前正在掃描的像素點(diǎn)；反之，如果這 2 個(gè)相鄰像素點(diǎn)被掃描發(fā)現(xiàn)它們的標(biāo)記值的值不相同，則把它們其中一個(gè)值小的標(biāo)記值賦給當(dāng)前像素點(diǎn)，并把標(biāo)記值較小的像素點(diǎn)的標(biāo)記值等價(jià)給值較大的標(biāo)記值。依 次進(jìn)行該工作，之后對該掃描的車牌圖像來進(jìn)行投影，大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第三章 關(guān)于已定位車牌的字符分割 13 投影之后記錄下該圖像中所有連通域的（即車牌中有字符的部分）高度和寬度，再對其中個(gè)個(gè)連通區(qū)域的高寬進(jìn)行比較，即可確定車牌中每個(gè)字符的中字符的高度和寬度 (車牌除 1 外的其它字符的高度、寬度分別相等 )。再對與車牌字符高寬不相等的區(qū)域進(jìn)行垂直方向的掃描 ,并把寬度小于車牌字符寬度的相鄰區(qū)域 (除 1外 ,車牌中有的漢字本身是分開、不連續(xù)的 )進(jìn)行合并，形成一個(gè)區(qū)域，這樣就可以把每個(gè)字符獨(dú)立的掃描出來，實(shí)現(xiàn)了分割。 最后，對車牌字符進(jìn)行分割 ,即把每個(gè)字符分割出來。對于粘 連字符，根據(jù)字符等寬的特點(diǎn)，采用等間距分割法將其分割成幾個(gè)單字符區(qū)域 ,最終的分割結(jié)果如圖 7。 圖 6 二值化車牌圖像 圖 7 車牌分割圖像 由于我國車牌已經(jīng)實(shí)現(xiàn)比較好的統(tǒng)一化，其中主要是民用車牌。民用汽車牌照上有兩部分，前面一部分是省、直轄市、自治區(qū)的簡稱以及用大寫英文字母代表的城市或車輛用途類別，后邊一部分是車牌的主體部分，一般為 5位數(shù)字，即從 0000199999，編號超過十萬時(shí)，就用最多 3位的大寫英文字母代替。其中牌照長度為 450mm，寬度為 150mm。而字符部分在總長度占了 409mm，單個(gè)字符的長度為 90mm，寬度為 45mm。第二、三字符（如圖 5 所示 A與 2 之間）的間距為 34mm。其他字符的間距均為 12mm。牌照上所有的字符均為規(guī)則的印刷體。這給我們進(jìn)行車牌識別提供了許多方便，充分利用這些便利有助于我們實(shí)現(xiàn)單個(gè)字符邊框的精確切分。 大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第四章 車牌字符識別算法的研究 14，字符識別顧名思義就是對已經(jīng)經(jīng)過字符分割的車牌中的字符進(jìn)行逐個(gè)識別的過程。與其他字符識別相比，車牌識別具有其自身識別的難易性，其主要優(yōu)點(diǎn)體現(xiàn)在 ：在車牌識別過程中目標(biāo)車牌中所含的字符的字量少（包括：英文、數(shù)字和一個(gè)漢字）而且車牌中字符字形基本統(tǒng)一，相對于一般的漢字或者英文識別的難度較低。而其難點(diǎn)是：從該系統(tǒng)的適應(yīng)范圍與使用環(huán)境來看，一個(gè)可以實(shí)現(xiàn)實(shí)時(shí)識別的系統(tǒng)，就要求它具有有較高的識別速度，這就決定了該系統(tǒng)必須實(shí)時(shí)高效的實(shí)現(xiàn)車牌識別；與此同時(shí)，由于車牌是車輛身份的代表，這就要求識別系統(tǒng)要具有很高的準(zhǔn)確度，錯(cuò)誤識別會(huì)造成很嚴(yán)重的后果。 本章中，由于我國車牌結(jié)構(gòu)的特殊性（其中包含漢字，一般國家只包含字母與數(shù)字），于是，我們提出了一種基于 BP 神經(jīng)網(wǎng) 絡(luò)車牌字符識別算法來實(shí)現(xiàn)車牌識別系統(tǒng)的字符識別并對其進(jìn)行了改進(jìn)，旨在提高車牌識別的效率。我們采用了多網(wǎng)絡(luò)分類器的方式，方法如下所述：分別建立漢字、字母和字母數(shù)字識別網(wǎng)絡(luò)，對車牌中的不同字符進(jìn)行各自獨(dú)立的識別。經(jīng)過多次試驗(yàn)證明使用該方法較原方法速度得到了很大的提升，且由于分別進(jìn)行獨(dú)立識別同時(shí)也提高了識別準(zhǔn)確度，所以值得采用。具體識別過程如圖 8所示。 圖 8 字符分類識別過程 車牌字符識別的難點(diǎn)及常用方法 相比我國關(guān)于車牌字符的研究，國外在字符識別研究方面起步相對要比較早，比如日本、英國、 德國等國家都已經(jīng)經(jīng)擁有了針對自己本國的車牌識別系統(tǒng)，在車牌的字符識別的準(zhǔn)確率上也較高。但是由于我過車牌的特征，這些車牌識別系統(tǒng)不能直接用于我國的車牌識別。在我國主要采用紅外照明攝像或使用特殊的傳感器的方式來提高拍攝圖像的質(zhì)量，進(jìn)而提高車牌字符識別的準(zhǔn)確率，但這樣的方法投資成本很大，造成市場推廣難度較大。目前用于車大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第四章 車牌字符識別算法的研究 15 牌字符識別的主要技術(shù)有：“圖像處理技術(shù)，射頻識別技術(shù)、人工神經(jīng)網(wǎng)絡(luò)識別識別技術(shù)、向量機(jī)識別技術(shù)、傳統(tǒng)模式識別技術(shù)” [10]等。我國現(xiàn)行的車牌由漢字、英文字母和阿拉伯?dāng)?shù)字組成，漢字的識別與英文字母、阿 拉伯?dāng)?shù)字的識別存在著很大的不同，從而增加了我國車牌的識別難度，所以，針對我國車牌的特殊性，很難采取一種單一的識別技術(shù)來實(shí)現(xiàn)車牌識別。目前，比較車牌的字符識別領(lǐng)域常用的算法有“基于模板匹配的字符識別算法” [10]、“基于車牌特征統(tǒng)計(jì)的字符識別算法” [11]以及“基于分類器的車牌字符識別算法” [12]等。下面將詳細(xì)的介紹這些常用的字符識別方法。 基于模板匹配的字符識別算法 匹配就是將不同傳感器或同一傳感器在不同時(shí)間、不同成像條件下對同一景象獲取的兩幅或者多幅圖像在空間上對準(zhǔn)，或者根據(jù)已有模式 在另一幅圖像中尋找相應(yīng)的模式。在遙感圖像的處理時(shí)需要把不同波段傳感器對同一事物的多光譜圖像按照像點(diǎn)對應(yīng)套準(zhǔn)，然后根據(jù)像點(diǎn)的性質(zhì)進(jìn)行分類。如果在不同時(shí)間內(nèi)對同一地面拍攝的兩幅圖像，經(jīng)套準(zhǔn)后找到其中特征有了變化的像點(diǎn)，就可以用來分析圖中那些部分發(fā)生了變化 ,而利用放在一定間距處的兩只傳感器對同一物體拍攝得到兩幅圖片，找出對應(yīng)點(diǎn)后可計(jì)算出物體離開攝像機(jī)的距離，即深度信息 [13]。一般的圖像匹配技術(shù)是利用已知的模板和某種算法對識別圖像進(jìn)行匹配計(jì)算，從而判斷圖像中是否含有該模板的信息和獲取坐標(biāo)，車牌的字符匹配就是這種匹 配技術(shù)。即車牌字符匹配的實(shí)現(xiàn)方式是計(jì)算輸入模式的車牌字符與樣本之間的相似性，取相似性最大的樣本為輸入樣本所屬的類別。 基于特征統(tǒng)計(jì)匹配算法 基于特征統(tǒng)計(jì)匹配算法主要原理是先提取輸入模式的車牌字符統(tǒng)計(jì)特征，再按照一定的規(guī)則與所確定的決策函數(shù)進(jìn)行分類判斷。字符的統(tǒng)計(jì)特征包括像素塊數(shù)、字符的輪廓數(shù)、輪廓的形狀等。像素塊是指二值化圖像中上、下、左、右四個(gè)方向上相互連通的所有白素區(qū)域所組成的一個(gè)連通區(qū)域的像素塊，由此可知，漢字字符的像素塊大于 1，英文字母和數(shù)字的像素塊數(shù)是 1。漢字的識別是將字符點(diǎn)矩 陣看作是一個(gè)整體，根據(jù)每個(gè)字符的筆畫特征點(diǎn)不同，將字符分解為橫、豎、撇、捺等一種或幾種的組合，經(jīng)過統(tǒng)計(jì)從而得到相應(yīng)的特征，接著再與字符庫中的特征集進(jìn)行匹配，獲取輸入字符的識別結(jié)果。在實(shí)際的應(yīng)用中，由于外部原因造成了字符常常會(huì)出現(xiàn)模糊、傾斜等情況，導(dǎo)致了部分字符無法正確識別。 基于分類器的字符識別 基于分類器的字符識別，是目前應(yīng)用較廣的一種車牌識別方式。其主要的思路是通過對樣本數(shù)據(jù)的學(xué)習(xí)，達(dá)到自動(dòng)將數(shù)據(jù)分類到已知類型 [14]。分類器其實(shí)是一種數(shù)學(xué)模型，目前有很多類型的分類器，包括 Bayes 分類器、決策樹模型、 BP 神經(jīng)網(wǎng)絡(luò)分類器等。貝葉斯分類器的分類原理是通過某對象的先驗(yàn)概率，利用貝葉斯公式計(jì)算出其后驗(yàn)概率，即該對象屬大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第四章 車牌字符識別算法的研究 16 于某一類的概率，選擇具有最大后驗(yàn)概率的類作為該對象所屬的類。在我們所研究的車牌識別系統(tǒng)中，選擇改進(jìn)的 BP神經(jīng)網(wǎng)絡(luò)進(jìn)行車牌字符識別。 BP 神經(jīng)網(wǎng)絡(luò)原理介紹 BP（ Back Propagation）網(wǎng)絡(luò)是 1986年由 Rumelhart和 McCelland為首的 科學(xué)家 小組提出，是一種按 誤差 逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，是目前應(yīng)用最廣泛的 神經(jīng)網(wǎng)絡(luò)模型 之一 [15]。 BP網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入 輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的 數(shù)學(xué) 方程 。它的 學(xué)習(xí) 規(guī)則是使用最速下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的 誤差平方和 最小。 BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層（ input）、隱層(hide layer)和輸出層 (output layer)[16]。 BP 神經(jīng)網(wǎng)絡(luò)是一種基于誤差反向傳播算法(Back Propagation,簡稱 BP算法 )的多層前向網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個(gè)過程組成，是現(xiàn)在應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。該網(wǎng)絡(luò)具有良好的抗噪性、容錯(cuò)性、自適應(yīng)性以及自學(xué)習(xí)能力強(qiáng)等優(yōu)點(diǎn)。這些優(yōu)點(diǎn)使得 BP神經(jīng)網(wǎng)絡(luò)在諸如計(jì)算機(jī)網(wǎng)絡(luò)、模式識別、機(jī)器學(xué)習(xí)、信號處理等領(lǐng)域均取得了成功的應(yīng)用 [17][18][19]。 BP算法的流程圖如圖 9所示 ： 大連海洋大學(xué)本科畢業(yè)論文（設(shè)計(jì)） 第四章 車牌字符識別算法的研究 17 圖 9 BP算法的流程圖 結(jié)合 BP算法的流程圖 （圖 9）和 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)圖， 本文的 BP神經(jīng)網(wǎng)絡(luò)模型 可以將 一組 字符 信息轉(zhuǎn)化為了一個(gè)非線性優(yōu)化的問題， 最終實(shí)現(xiàn)字符識別 ； 如圖所示在 正向傳播時(shí)，輸入樣本傳入 后 ，經(jīng)各 個(gè) 隱層 依次 處理， 傳給 輸出層， 傳給輸出層之后如果發(fā)現(xiàn) 輸出 的值和期望 值相比較 不符， 則反向傳回之前步驟 ， 在進(jìn)行之前步驟來 減小 誤差 。 經(jīng)過多次 學(xué)習(xí)， 最終使得輸出值與期望值相符 。 在 BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程中， 本文做出假設(shè) ： BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)輸入層具有 n個(gè)神經(jīng)元， BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)隱含層具有 p 個(gè)神經(jīng)元， BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸出層