【文章內(nèi)容簡介】 實現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法兩類。 1)直接法。直接分析圖像的特征，如基于線模板的二值化圖像中的角檢測算法，該算法利用車牌的邊框角點，檢測車牌的四個角點，并以此來定位車牌?；谥本€邊緣識別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。利用車牌部分垂直高頻豐富的特點先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對小波分解后的細(xì)節(jié)圖像進行一系列的形態(tài)運算，進一步消除無用的信息和噪聲，以定位車牌。 2)間接法。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進行計算是當(dāng)前研究熱點之一。利用遺傳算法對圖像進行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造的適應(yīng)度函數(shù)，最終尋找到車牌的牌照區(qū)域的最佳定位參量。目前較為常用的方法是先提取車輛圖像的邊緣，然后結(jié)合車輛牌照的幾何特征，分析二值化邊緣圖像像素在水平和垂直方向的投影，判斷出車輛牌照的位置。 對圖像進行腐蝕去除雜質(zhì)通過計算尋找X和Y方向車牌的區(qū)域完成車牌定位對分割出的車牌做進一步處理 圖38 牌照定位于分割流程圖（1）牌照區(qū)域的定位牌照圖像經(jīng)過了以上的處理后，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。此時可進一步確定牌照在整幅圖像中的準(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)的機構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(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基本運算，最后還用了bwareaopen來去除對象中不相干的小對象。 圖 39 腐蝕后圖像，平滑圖像的輪廓以及從對象中移除小對象后圖像（2）牌照區(qū)域的分割對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。根據(jù)車牌底色等有關(guān)的先驗知識，采用彩色像素點統(tǒng)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RGB對應(yīng)的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內(nèi)的像素點數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計列方向藍(lán)色像素點的數(shù)量，最終確定完整的車牌區(qū)域。圖 310 行方向區(qū)域和最終定位出來的車牌（3）車牌進一步處理經(jīng)過上述方法分割出來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，它是指在圖像上對目標(biāo)像素給一個模板，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代替原來像素值。 圖 311 裁剪出來的車牌的進一步處理過程3 字符的分割與歸一化[m，n]=size（d），逐排檢查有沒有白色像素點，設(shè)置1=jn1，若圖像兩邊s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據(jù)圖像的大小，設(shè)置一閾值，檢測圖像的X軸，若寬度等于這一閾值則切割，分離出七個字符歸一化切割出來的字符圖像的大小為40*20，與模板中字符圖像的大小相匹配 圖 312 字符分割與歸一化流程圖（1）字符分割在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進行字符的分割，然后再利用分割的結(jié)果進行字符識別。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(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，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。 圖 313 分割出來的七個字符圖像（2）字符歸一化一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的。在此只進行了歸一化處理，然后進行后期處理。 圖 314 歸一化處理后的七個字符圖像4 字符的識別 目前，字符識別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ紫劝汛R別字符二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結(jié)果。由于這種匹配算法穩(wěn)定性較差、時間花費也較大，因此，在此基礎(chǔ)上提出了基于關(guān)鍵點的匹配算法。此算法先對識別字符進行關(guān)鍵點提取，然后對關(guān)鍵點去噪，最后再確定字符的分類。這種匹配算法只利用了字符的關(guān)鍵點進行匹配，因此，提高了識別速度又具有較高的識別率?；谌斯ど窠?jīng)網(wǎng)絡(luò)的算法主要有兩種：一種是先對待識別字符進行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別出結(jié)果。前一種方法識別結(jié)果與特征提取有關(guān)，而特征提取比較耗時，因此，特征提取是關(guān)鍵。后一種方法無須特征提取和模板匹配，隨著相關(guān)技術(shù)的進步，這種方法更實用。（1）神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò)(ANNs)也稱為神經(jīng)網(wǎng)絡(luò)或連接模型，是對人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。但是人工神經(jīng)網(wǎng)絡(luò)是近現(xiàn)代才提出來的一種新型技術(shù)，所以還有一些缺點，不過它的優(yōu)點卻是非常明顯的：①它可以充分逼近任意復(fù)雜的非線性關(guān)系。②所有定量或定性的信息都等勢分布于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強的魯棒性和容錯性；采用并行分布的處理方法，使得快速地進行大量運算成為可能。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。④能夠同時處理定量、定性知識。⑤具有聯(lián)想和存儲功能。⑥具有高速尋找優(yōu)化解的能力。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問題的情況。（2） BP神經(jīng)網(wǎng)絡(luò)BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Net．work，簡稱BP神經(jīng)網(wǎng)絡(luò))即反向傳輸神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)付各種數(shù)據(jù)和能夠模擬一種復(fù)雜的決定系統(tǒng)。BP神經(jīng)網(wǎng)絡(luò)主要是通過一種模擬的方式對對象進行識別，它可以像人認(rèn)識事物過程一樣，逐漸地認(rèn)清事物從而去模擬實現(xiàn)它。BP神經(jīng)網(wǎng)絡(luò)由1024個輸入節(jié)點、20個隱層節(jié)點、6個輸出節(jié)點組成。每個節(jié)點的激活函數(shù)采用O．1函數(shù)，輸出節(jié)點的輸出值為0，1二值。訓(xùn)練以后，節(jié)點權(quán)值保存在配置文件中。在MATLAB工具箱中已經(jīng)有了BP神經(jīng)識別的函數(shù)，這里使用newlin函數(shù)adapt函數(shù)，使用這些函數(shù)需要輸入預(yù)期的待學(xué)目標(biāo)的輸入范圍，指定一個延遲輸入信號和一個有延遲輸入信號以及學(xué)習(xí)速度的參數(shù)，這樣字符就能很好地在MATLAB中得到識別。BP網(wǎng)絡(luò)結(jié)構(gòu)： 基于BP算法的多層前饋型網(wǎng)絡(luò)將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，負(fù)責(zé)信息變換。根據(jù)需要可設(shè)計為一層或多層；最后一個隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進一步處理后向外界輸出信息處理結(jié)果。同層節(jié)點中沒有任何耦合，每一層節(jié)點的輸出只影響下一層節(jié)點的輸出。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。反向傳播其節(jié)點單元特征通常為Sigmoid型{f(X)=1／[1+exp(一Bx)]，B0}。在網(wǎng)絡(luò)訓(xùn)練階段用準(zhǔn)備好的樣本數(shù)據(jù)依次通過輸入層、隱層和輸出層。比較輸出結(jié)果和期望值，若沒有達(dá)到要求的誤差程度或者訓(xùn)練次數(shù)，即經(jīng)過輸出層、隱層和輸入層，來調(diào)節(jié)權(quán)值，以便使網(wǎng)絡(luò)成為一定適應(yīng)能力的模型。 用matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下：net=newff(pr,[25 1],{39。logsig39。 39。purelin39。}, 39。traingdx39。, 39。learngdm39。)。=3000。=。=10。=。net