【文章內(nèi)容簡(jiǎn)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(duì)圖像 進(jìn)行列采樣就是對(duì)填充的車牌來(lái)列投影，經(jīng)過(guò)計(jì)算如果每列的閾值大于所設(shè)定的閾值，則對(duì)該列進(jìn)行保留。最后對(duì)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(duì)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(duì)（ 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(duì)車牌進(jìn)行校正，則可以得到 。 圖 5 圖像的旋轉(zhuǎn)矯正過(guò)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(duì)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(duì)下一個(gè)像素點(diǎn)進(jìn)行掃描。 其次 ,如上文所訴方法對(duì)車牌圖像中的最下進(jìn)行逐點(diǎn)像素掃描 ,并對(duì)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(duì)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(cè)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(guò)，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(méi)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(duì)該掃描的車牌圖像來(lái)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(duì)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(duì)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(kāi)、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(lái)，實(shí)現(xiàn)了分割。 最后，對(duì)車牌字符進(jìn)行分割 ,即把每個(gè)字符分割出來(lái)。對(duì)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(guó)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(jiǎn)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(hào)超過(guò)十萬(wàn)時(shí)，就用最多 3位的大寫英文字母代替。其中牌照長(zhǎng)度為 450mm，寬度為 150mm。而字符部分在總長(zhǎng)度占了 409mm，單個(gè)字符的長(zhǎng)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(shí)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(shí)別算法的研究 14，字符識(shí)別顧名思義就是對(duì)已經(jīng)經(jīng)過(guò)字符分割的車牌中的字符進(jìn)行逐個(gè)識(shí)別的過(guò)程。與其他字符識(shí)別相比，車牌識(shí)別具有其自身識(shí)別的難易性，其主要優(yōu)點(diǎn)體現(xiàn)在 ：在車牌識(shí)別過(guò)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(duì)于一般的漢字或者英文識(shí)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(lái)看，一個(gè)可以實(shí)現(xiàn)實(shí)時(shí)識(shí)別的系統(tǒng)，就要求它具有有較高的識(shí)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(shí)別；與此同時(shí)，由于車牌是車輛身份的代表，這就要求識(shí)別系統(tǒng)要具有很高的準(zhǔn)確度，錯(cuò)誤識(shí)別會(huì)造成很嚴(yán)重的后果。 本章中，由于我國(guó)車牌結(jié)構(gòu)的特殊性（其中包含漢字，一般國(guó)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(shí)別算法來(lái)實(shí)現(xiàn)車牌識(shí)別系統(tǒng)的字符識(shí)別并對(duì)其進(jìn)行了改進(jìn)，旨在提高車牌識(shí)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(shí)別網(wǎng)絡(luò)，對(duì)車牌中的不同字符進(jìn)行各自獨(dú)立的識(shí)別。經(jīng)過(guò)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(shí)別同時(shí)也提高了識(shí)別準(zhǔn)確度，所以值得采用。具體識(shí)別過(guò)程如圖 8所示。 圖 8 字符分類識(shí)別過(guò)程 車牌字符識(shí)別的難點(diǎn)及常用方法 相比我國(guó)關(guān)于車牌字符的研究，國(guó)外在字符識(shí)別研究方面起步相對(duì)要比較早，比如日本、英國(guó)、 德國(guó)等國(guó)家都已經(jīng)經(jīng)擁有了針對(duì)自己本國(guó)的車牌識(shí)別系統(tǒng)，在車牌的字符識(shí)別的準(zhǔn)確率上也較高。但是由于我過(guò)車牌的特征，這些車牌識(shí)別系統(tǒng)不能直接用于我國(guó)的車牌識(shí)別。在我國(guó)主要采用紅外照明攝像或使用特殊的傳感器的方式來(lái)提高拍攝圖像的質(zhì)量，進(jìn)而提高車牌字符識(shí)別的準(zhǔn)確率，但這樣的方法投資成本很大，造成市場(chǎng)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(shí)別算法的研究 15 牌字符識(shí)別的主要技術(shù)有：“圖像處理技術(shù)，射頻識(shí)別技術(shù)、人工神經(jīng)網(wǎng)絡(luò)識(shí)別識(shí)別技術(shù)、向量機(jī)識(shí)別技術(shù)、傳統(tǒng)模式識(shí)別技術(shù)” [10]等。我國(guó)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(shí)別與英文字母、阿 拉伯?dāng)?shù)字的識(shí)別存在著很大的不同，從而增加了我國(guó)車牌的識(shí)別難度，所以，針對(duì)我國(guó)車牌的特殊性，很難采取一種單一的識(shí)別技術(shù)來(lái)實(shí)現(xiàn)車牌識(shí)別。目前，比較車牌的字符識(shí)別領(lǐng)域常用的算法有“基于模板匹配的字符識(shí)別算法” [10]、“基于車牌特征統(tǒng)計(jì)的字符識(shí)別算法” [11]以及“基于分類器的車牌字符識(shí)別算法” [12]等。下面將詳細(xì)的介紹這些常用的字符識(shí)別方法。 基于模板匹配的字符識(shí)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(duì)同一景象獲取的兩幅或者多幅圖像在空間上對(duì)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(duì)同一事物的多光譜圖像按照像點(diǎn)對(duì)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(duì)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(lái)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(duì)同一物體拍攝得到兩幅圖片，找出對(duì)應(yīng)點(diǎn)后可計(jì)算出物體離開(kāi)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(duì)識(shí)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(shí)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(huà)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(guò)統(tǒng)計(jì)從而得到相應(yīng)的特征，接著再與字符庫(kù)中的特征集進(jìn)行匹配，獲取輸入字符的識(shí)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(wú)法正確識(shí)別。 基于分類器的字符識(shí)別 基于分類器的字符識(shí)別，是目前應(yīng)用較廣的一種車牌識(shí)別方式。其主要的思路是通過(guò)對(duì)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(shù)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(guò)某對(duì)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(duì)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(shí)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(duì)象所屬的類。在我們所研究的車牌識(shí)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(shí)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(wú)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(guò)反向傳播來(lái)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(jiǎn)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(guò)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(shí)別、機(jī)器學(xué)習(xí)、信號(hào)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(shí)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(wèn)題， 最終實(shí)現(xiàn)字符識(shí)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(lái) 減小 誤差 。 經(jīng)過(guò)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(guò)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