【文章內(nèi)容簡(jiǎn)介】 傳輸或變換過(guò)程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、暴光不足或過(guò)量、相對(duì)運(yùn)動(dòng)等，往往會(huì)與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異，這種差異稱為降質(zhì)或退化。這種降質(zhì)或退化對(duì)我們的處理往往會(huì)造成影響。因此在圖像處理之前必須進(jìn)行預(yù)處理，包括去除噪音，邊界增強(qiáng)，增加亮度等等。因?yàn)樵肼曋饕且恍┖哳l的突變成分，因此可以通過(guò)一個(gè)低通濾波器來(lái)消除圖像中包含的噪聲，并使低頻成分得到增強(qiáng)。濾波的方式有兩種，一種是空間域?yàn)V波，一種是頻率域?yàn)V波。在空間域，常見(jiàn)的濾波方式有兩種方式，均值濾波和中值濾波?？臻g域?yàn)V波主要有巴特沃斯濾波器。在車牌邊緣提取之前，兩種濾波方式均采用了。并與未進(jìn)行濾波的邊緣進(jìn)行比較。以下是經(jīng)處理后的一些圖片。圖2 經(jīng)均值濾波后提取的邊緣圖像圖3 經(jīng)巴特沃斯低通濾波后提取的邊緣圖像圖4 未濾波直接提取出的邊緣信息 圖5 經(jīng)高通濾波器增強(qiáng)后得到的邊緣圖像 對(duì)比以上幾幅圖片，圖2的邊緣太粗，而圖3的邊緣已經(jīng)模糊掉了。圖5中包含的噪聲太多，圖4未經(jīng)濾波直接提取出的邊緣圖像最清晰，所包含的有用信息最多。分析這種情況產(chǎn)生的原因，歸納起來(lái)主要有以下方面: a、原始圖像清晰度比較高，從而簡(jiǎn)化了預(yù)處理 b、圖像的平滑處理會(huì)使圖像的邊緣信息受到損失，圖像變得模糊c、圖像的銳化可以增強(qiáng)圖像中物體的邊緣輪廓，但同時(shí)也使一些噪聲得到了增強(qiáng) 綜上所述，結(jié)合MATLAB實(shí)驗(yàn)過(guò)程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。本次汽車車牌的識(shí)別，為了保存更多的有用信息，經(jīng)過(guò)多次比較，選擇圖4作為后期處理的依據(jù)。邊緣的提取采用的是梯度算子，因?yàn)槠鋵?shí)現(xiàn)過(guò)程比較簡(jiǎn)單，所以在此不多加贅述了。提取出的邊緣含有多個(gè)灰度值，要進(jìn)行二值化處理，選擇一個(gè)合適的域值。經(jīng)多次比較，選取域值T=70，對(duì)于灰度值大于T的賦值為255，小于T的賦值為0。經(jīng)過(guò)處理后的圖像如下所示:圖6 二值化后的邊緣圖像結(jié)合后期分割得到的車牌圖7，二值化后的圖像在后期的識(shí)別中并不會(huì)提高車牌的識(shí)別率，因此不采用二值化的圖像來(lái)進(jìn)行識(shí)別，因此后面的處理依然使用圖4。車牌提取經(jīng)過(guò)邊緣提取得到的圖像，車牌區(qū)域在水平方向灰度面積值具有明顯頻繁的跳變，在垂直方向上的面積投影則出現(xiàn)峰谷峰的特性。根據(jù)這種峰谷特點(diǎn)，自動(dòng)檢測(cè)車牌位置峰點(diǎn)檢測(cè)的車牌區(qū)域定位方法， 并對(duì)初步定位后的車牌進(jìn)一步使用微定位技術(shù)。該方法包括三部分: (1) 車牌的橫向定位； (2)車牌的縱向定位； (3) 車牌的微定位。 汽車本身具有一定的特點(diǎn)，一般情況下，牌照都掛在緩沖器上或附近，處于車牌照?qǐng)D像的下半部分，本次分割的主要意圖是縮小牌照搜索范圍，大致確定出牌照的位置。對(duì)如圖4所示的汽車邊緣圖像f ( x ， y) ，我們首先進(jìn)行水平方向一階差分運(yùn)算，即g ( i ， j) = | f ( i ， j) f ( i ， j + 1) |其中i = 1 ，2 ，3 ， ?，xw 1 ，j = 0 ，1 ，2 ，3 ， ?yw 1 ，其中xw，yw分別為圖像的行數(shù)和列數(shù)。然后對(duì)水平差分圖像的像素沿水平方向累加產(chǎn)生一個(gè)投影表T( i) ，如圖7所示。圖7 汽車邊緣圖像的水平面積投影圖一般對(duì)應(yīng)于車牌位置的投影值T( i) 較大，而在車牌上，下行附近的投影值較小，均有谷點(diǎn)存在。只要能找到這兩個(gè)谷點(diǎn)，就能大致確定出車牌照的位置，縮小車牌搜索范圍。由圖4可以看出，車牌下方的橫欄處的T(i)值應(yīng)該是最大的，而車牌位置就在其附近。根據(jù)這些特定，可定出車牌位置大概在320~350行之間。 類似的方法得出汽車邊緣圖像的垂直面積投影圖 圖8 汽車邊緣圖像的垂直面積投影圖同上可初步得到汽車牌照的列位置在120~210之間。大致確定的牌照位置如下圖。 圖9 粗略定位出的汽車牌照對(duì)初步確定出來(lái)的牌照進(jìn)行微定位，所謂微定位法， 就是對(duì)基本定位后的車牌圖像進(jìn)行局部分析， 以進(jìn)一步確定字符范圍， 縮減車牌的左、右和上、下邊界， 這有利于后續(xù)的牌照字符處理。具體實(shí)現(xiàn)如下: (1) 由于車牌近似為一個(gè)矩形， 上下邊緣近似為一條直線， 通過(guò)簡(jiǎn)單的灰度變化分析就可以再次定位車牌圖像的上下邊界， 這種情況適合于傾斜度較小的車牌； 對(duì)于傾斜程度較大的牌照來(lái)說(shuō)， 在其橫向定位之前就應(yīng)該利用相關(guān)的技術(shù)進(jìn)行車牌的矯正(例如Hough 變換技術(shù)) 。(2)確定左邊界: 從左向右掃描 ，當(dāng)遇到灰度值大于設(shè)定值60之后，停止掃描。上邊界也是利用這種方式得到。這樣就得到首字符的起始位置。再利用牌照的大小，寬高比一般都是固定的這些先驗(yàn)知識(shí)，就可以確定出牌照的具體位置。本設(shè)計(jì)中采用的車牌，其寬高比為1:3。從而確定出汽車牌照的具體位置。最后提取出的汽車牌照如下圖: 圖10 二值化的汽車牌照 圖11 未進(jìn)行二值化的汽車牌照數(shù)字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，常采用垂直面積投影法來(lái)實(shí)現(xiàn)。面積投影法的公式如下: 由于字符塊在豎直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值，并且這個(gè)位置應(yīng)滿足車牌的字符書寫格式、字符尺寸和其他一些條件的限制。下圖是圖10在垂直方向上的面積投影圖。從圖形中我們很直觀的看出投影值中出現(xiàn)了8條間隙， 6個(gè)字母中間的間隙只有5個(gè)，還有三個(gè)間隙是字符間的。有字符的列其灰度值比較高，無(wú)字符的則相對(duì)比較低。依據(jù)這一點(diǎn)，再結(jié)合圖10的特征，很容易得到每個(gè)字符的起始終止位置。第一個(gè)字符:110 第二個(gè)字符：1018 第三個(gè)字符：2841 第四個(gè)字符：4248第五個(gè)字符：6068 第六個(gè)字符：6878 圖12 車牌垂直方向上的面積投影圖 將圖10按照上面的分析行數(shù)不變，列數(shù)分為六組，分別影射到六個(gè)不同的數(shù)組中。又因?yàn)樵谧址哪Ｊ阶R(shí)別中，其模板大小統(tǒng)一，因此得到的六個(gè)數(shù)組必須變換其大小，均統(tǒng)一成2614的形式。分割出來(lái)的六個(gè)字符如下所示，，，M6jpg并用imwrite函數(shù)寫入圖像文件夾中，以便在后期處理中可以直接進(jìn)行調(diào)用。 圖12 分割出來(lái)的六個(gè)字符圖像一般分割出來(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。因?yàn)閳D像中含有許多燥聲，這在預(yù)處理的圖像中已經(jīng)看出來(lái)了。因此必須進(jìn)行濾波，然后歸一化，二值處理。使其最后得到的圖像與標(biāo)準(zhǔn)模板一樣。只含有兩種灰度值,黑與白。但是對(duì)于車牌的識(shí)別，并不需要這么多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此簡(jiǎn)化了處理過(guò)程，未經(jīng)濾波歸一化，直接進(jìn)行后期處理。數(shù)字識(shí)別數(shù)字的識(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。基于模板匹配的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。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別主要有兩種方法:一種方法是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。識(shí)別效果與字符特征的提取有關(guān)，而字符特征提取往往比較耗時(shí)。因此，字符特征的提取就成為研究的關(guān)鍵。另一種方法則充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別。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。 字符識(shí)別的算法如下: 因此在字符識(shí)別之前必須把模板庫(kù)設(shè)置好。汽車拍照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡(jiǎn)稱；緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。所以建立字符模板庫(kù)也極為方便。本次設(shè)計(jì)所識(shí)別的車牌只有字母與數(shù)字。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)，只建立了3個(gè)字母與3個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。，模板設(shè)計(jì)分析數(shù)字分割得到的圖像以及其他車牌圖像中字符的特點(diǎn)，將模板大小定為2614；背景為黑色，代表灰度值 0，字符邊緣為白色。代表灰度值255。設(shè)計(jì)過(guò)程如下：a. 用畫圖工具先畫出P、F、M、0、3等幾個(gè)字符的圖像。，，。根據(jù)畫圖的經(jīng)驗(yàn)其大小應(yīng)略大于2614，以利于后面的處理。所得到的字符均為黑字白底。字體為方正姚體，大小16號(hào)。所畫出的圖形如下: b. 對(duì)1中獲得的粗略圖像用MATLAB