【文章內(nèi)容簡介】 城市交通管理中一個嚴(yán)重問題，人們對停車管理的智能化呼聲日漸高漲，通過車牌識別系統(tǒng)可以構(gòu)建一個智能的停車管理系統(tǒng)，因此，在大中城市的商場、寫字樓有很大的市場潛力。 停車場收費管理系統(tǒng)對車牌圖像識別技術(shù)在車牌識別結(jié)果的正確率指標(biāo)的要求也非常高，目前的車牌圖像識別產(chǎn)品在這方面也不夠理想，一般也需要人工干預(yù)。 此外，車牌圖像識別技術(shù)超速抓拍、門禁管理等方面也有一定的應(yīng)用，但與前述三個方面的應(yīng)用一樣，還存在著一些問題有待于解決。其中，車牌識別正確率是目前車牌識別產(chǎn)品中存在的最主要的問題，也是國內(nèi)主流廠商最為頭疼的問題，各個廠商所聲稱的識別正確率一般在95%左右，與真正智能化的要求還有一定的距離。而且由于并沒有建立一個標(biāo)準(zhǔn)規(guī)范的測試體系，因此有關(guān)數(shù)據(jù)的客觀公正性、可比性和可靠性等方面尚值得商榷。由于各個廠商對其使用的車牌圖像識別技術(shù)都是不公開的，我們很難了解其中采用的三個方面的關(guān)鍵技術(shù)(車牌區(qū)域定位、單個字符區(qū)域切分、字符分類識別)中使用的具體方法，因此很難具體評價其方法的優(yōu)劣。但通過各個廠商在其有關(guān)網(wǎng)站提供的信息和對兩家廠商提供的測試軟件進行一定數(shù)量樣本的測試后，可以發(fā)現(xiàn)，各個廠商聲稱的車牌識別正確率往往是通過對特定場所、特定時間范圍內(nèi)的樣本進行測試而得出的結(jié)論。也就是說，所采用的車牌圖像識別技術(shù)往往還在一定程度上要依賴待識別圖像具體的采集環(huán)境和采集方式等因素。如果這些因素變動時，就可能要根據(jù)具體的樣本、通過一定的分析學(xué)習(xí)過程以確定和修改使用的有關(guān)參數(shù)，才可能獲得較好的識別效果，否則其識別正確率可能不會很理想。由此可以推斷，目前的車牌圖像識別產(chǎn)品對于不同使用環(huán)境的適應(yīng)性還不是特別理想，其原因主要是關(guān)鍵技術(shù)對于不同背景和不同自然條件下所采集圖像的適應(yīng)性還不是很好，會導(dǎo)致車牌識別產(chǎn)品軟件的通用性還不是太好，往往需要在現(xiàn)場采集大量樣本分析測試，并且要修改相應(yīng)參數(shù)甚至方法，使得施工周期往往較長，識別結(jié)果的可靠性往往也不能讓人完全放心。 車牌圖像識別技術(shù)研究現(xiàn)狀上世紀(jì)90年代中后期開始，隨著數(shù)字圖像處理基礎(chǔ)理論的不斷發(fā)展和視頻處理技術(shù)、電子技術(shù)及計算機信息技術(shù)的迅速進步，國內(nèi)從事車牌圖像識別技術(shù)研發(fā)的廠商和研究人員增長迅速，提出了大量的關(guān)鍵技術(shù)算法，實際應(yīng)用中也取得了一定的成果。 有關(guān)研究大多圍繞車牌圖像識別的三大關(guān)鍵技術(shù)(車牌區(qū)域定位、單個字符區(qū)域切分、字符分類識別)進行。通過對有關(guān)資源數(shù)據(jù)庫中1998年－2006年在各類期刊上公開發(fā)表的約380篇相關(guān)論文的統(tǒng)計，發(fā)現(xiàn)有關(guān)車牌區(qū)域定位的內(nèi)容占50%以上。這在一定程度上反映了車牌定位技術(shù)的重要地位，也一定程度上反映出目前這方面尚有不盡人意之處。相關(guān)論文中提出了很多車牌圖像處理、分割、分析、識別的算法，主要利用較經(jīng)典的圖像空間變換、智能計算和數(shù)據(jù)挖掘理論，并在一定程度上進行了實驗論證。 在車牌區(qū)域定位方面，公開資料中提出的方法主要有：基于神經(jīng)網(wǎng)絡(luò)分類器的車牌區(qū)域定位方法、基于彩色圖像特征的車牌區(qū)域定位方法、基于紋理檢測和邊緣檢測的車牌區(qū)域定位方法、基于區(qū)域的車牌區(qū)域定位方法、基于幾何形狀特征的車牌區(qū)域定位方法、基于離散圖像空間變換的車牌區(qū)域定位方法、基于離散圖像空間變換的車牌區(qū)域定位方法、基于遺傳算法的車牌區(qū)域定位方法等。 在車牌字符切分方面，公開資料中提出的方法主要有：基于二值(灰度)圖像水平(垂直)投影分布的車牌字符的切分方法、基于二值圖像字符區(qū)域上下輪廓分布的車牌字符切分方法、基于模板匹配的車牌字符切分方法、基于聚類分析的車牌字符切分方法、基于車牌二值圖像字符連通性的字符切分方法、基于顏色分類的車牌字符切分方法等。 在車牌字符分類識別時的特征選擇和提取方面，公開資料中利用的字符分類特征主要有：以二值圖像中字符的筆畫像素分布為基礎(chǔ)的字符特征(主要包括四周邊特征、粗網(wǎng)格特征、投影特征等)、以二值圖像字符輪廓、骨架為基礎(chǔ)的字符特征(包括字符筆畫方向線素特征、漢字結(jié)構(gòu)特征點特征等)、基于灰度圖像小波變換的字符特征(包括小波系數(shù)特征、小波矩特征和小波能量特征)。 在車牌字符分類器設(shè)計方面，公開資料中提出的分類器主要有： 神經(jīng)網(wǎng)絡(luò)分類器、模板匹配分類器、基于概率統(tǒng)計的Bayes分類器、幾何分類器等。 上述方法的提出，為本文的有關(guān)研究提供了重要的參考和對照，在本文的第三章中進行了相應(yīng)的分析[4] [5]。 設(shè)計的研究內(nèi)容和方法 研究內(nèi)容車牌照識別是智能交通系統(tǒng)的一個重要課題，在車輛管理、不停車收費等系統(tǒng)中有廣泛應(yīng)用。基于中國車牌照的特點，我們需要設(shè)計一種能識別漢字的車牌照識別系統(tǒng)，使得這樣的車牌照識別系統(tǒng)更優(yōu)于其他只能識別數(shù)字和字母的系統(tǒng)，具有更廣的適應(yīng)性。車牌區(qū)域定位、單個字符區(qū)域切分和字符分類識別作為車牌圖像識別系統(tǒng)的三個關(guān)鍵技術(shù)，同時又是一個有機的整體。關(guān)鍵技術(shù)水平的高低，決定了一個車牌圖像識別產(chǎn)品性能的優(yōu)劣，在某種程度上也決定著車牌識別技術(shù)的應(yīng)用前景。對于92式普通民用車牌，識別的基本過程如圖11所示。原始圖像 → 車牌定位 → 字符分割 → 識別第一個字符 →…→ 識別第七個字符圖11 92式普通民用車牌識別過程上述過程可以看作是一個三個方面九個環(huán)節(jié)組成的鏈?zhǔn)浇Y(jié)構(gòu)，而本課題主要研究的是其第三方面第一個環(huán)節(jié)的“識別第一個字符”，即漢字識別的方法。所以不考慮車牌定位及字符分割對識別的影響。采用的漢字庫為已經(jīng)分割好的灰度圖像。 研究方法本文在參考大量有關(guān)車牌圖像識別技術(shù)公開資料的基礎(chǔ)上，圍繞著車牌漢字識別技術(shù)實際應(yīng)用的特點和要求，并通過一定的實驗分析手段，主要進行了如下幾方面的工作：1．對輸入的車牌漢字字符圖像進行預(yù)處理 在這部分工作中，重點分析研究了不同圖像的規(guī)格化，灰度圖像的二值化、反色、二值化圖像的細(xì)化等方法在車牌圖像識別中的作用和應(yīng)用特點。（1） 關(guān)于圖像的規(guī)格化 在實際車牌采集時，由于拍攝角度、攝像頭與車牌的距離等原因，照成采集到的車牌大小不同。給漢字特征提取造成計算量的不確定性。所以我們想法將輸入的圖像轉(zhuǎn)化為某一固定尺寸大小的圖像。圖像的規(guī)格化就是將輸入的任意尺寸（大?。┑淖址麍D像都處理成統(tǒng)一尺寸的標(biāo)準(zhǔn)漢字圖像。在這里，我們所說的規(guī)格化不是簡單的寬和高的同比例縮放，還要求保持拓?fù)洳蛔?。在改變原字符圖像寬高比例的同時，盡可能的突出所提取特征。降低漢字圖像特征提取的計算的復(fù)雜度。（2） 關(guān)于圖像的二值化 在車牌圖像識別中，圖像二值化是一個非常重要的技術(shù)。目前提出的車牌字符切分和字符分類特征提取的方法，很多是以二值圖像為基礎(chǔ)的。二值化閾值的確定應(yīng)該以對圖像進行二值化時期望達(dá)到的目的為依據(jù)。通過閾值的正確選擇可以使?jié)h字圖像的灰度圖像中的部分干擾噪聲取出。在車牌圖像識別中，對車牌漢字圖像進行二值化可以大大的提升圖像處理速度，而且降低對計算機硬件的要求，減少硬件方面的開支。在實際應(yīng)用和產(chǎn)品推廣方面有巨大的優(yōu)勢。（3） 關(guān)于圖像的反色 在所提供的漢字庫中，車牌漢字圖像為白底黑字。由于MATLAB所提供的很多圖像處理函數(shù)是對黑底白字的圖像進行處理。如果自負(fù)圖像為白底黑字，MATLAB會默認(rèn)為漢字圖像的背景為待識別圖像。所以我們對二值化后的圖像進行取反，將原二值化后的二值化圖像轉(zhuǎn)化為黑底白字的漢字圖像，以供后面進一步進行處理。（4） 關(guān)于圖像的細(xì)化 二值圖像的細(xì)化處理是本課題中起著非常重要的作用。其主要目的是提取出漢字圖像的骨架，使得在識別過程中不會因為筆畫本身的寬度，如使得三像素寬的豎當(dāng)成寬來提取，影響到漢字結(jié)構(gòu)特征提取的準(zhǔn)確度。所以我們使用細(xì)化處理，將圖像漢字細(xì)化為一個單像素寬的漢字圖像。這樣就可以大大增加各筆畫提取的準(zhǔn)確度。2．對輸入的車牌漢字字符圖像進行字符特征提取 特征空間的設(shè)計是模式識別系統(tǒng)的基礎(chǔ)。所選用的特征空間應(yīng)使各類樣品能夠分布在該特征空間中彼此分開的區(qū)域內(nèi)，分類識別才有可能。如果不同類別樣品在該特征空間中混雜在一起，則一般不可能進行正確的分類識別。常選取的字符特征主要有以二值圖像字符的筆畫像素分布為基礎(chǔ)的字符特征及提取方法，以二值圖像字符輪廓、骨架為基礎(chǔ)的字符特征及提取方法，基于灰度圖像小波變換的字符特征等。本課題所用的特征提取方法在二值圖像字符輪廓、骨架為基礎(chǔ)的字符特征及提取方法的基礎(chǔ)上改進而來的。我們稱為漢字結(jié)構(gòu)筆畫特征提取法。 3．基于車牌漢字的特點，建立一個車牌漢字字符標(biāo)準(zhǔn)識別樣本字庫 車牌漢字字符標(biāo)準(zhǔn)識別樣本庫的建立要根據(jù)第二步所提取的字符特征的提取來建立。在第二步中，我們提取的字符特征為漢字的不相連獨立結(jié)構(gòu)、漢字筆畫橫、豎及撇、捺、點的個數(shù)。所以建立的車牌漢字字符標(biāo)準(zhǔn)識別樣本庫實際就是樣本車牌漢字圖像的四維特征向量庫。 4．通過訓(xùn)練統(tǒng)計或模式識別法來識別漢字并給出結(jié)果 在漢字識別系統(tǒng)中，現(xiàn)有的識別方法有神經(jīng)網(wǎng)絡(luò)分類器、模板匹配分類器、基于二值數(shù)據(jù)的Bayes分類器、幾何分類器等等。對于車牌漢字來說可以采用模板匹配分類器來進行識別。因為車牌漢字只有50個，所以存儲量不大。而且，每個待測樣品與每個標(biāo)準(zhǔn)模板進行相似度判斷的計算量也不大，根據(jù)對10個車牌漢字圖像的識別用時的統(tǒng)計。識別速度比較快,低于實驗任務(wù)書要求。所以本課題中選用該識別方法。本課題總體流程圖如圖12所示。開始打開并讀取圖像文件圖像規(guī)格化處理漢字識別結(jié)束漢字特征向量匹配輸出識別結(jié)果漢字結(jié)構(gòu)特征提取圖像二值化處理圖像反色及細(xì)化處理圖12 系統(tǒng)流程圖 本文結(jié)構(gòu)安排在基于靜止圖像的車牌照漢字識別系統(tǒng)中，最主要的核心就是漢字圖像的預(yù)處理及字符特征提取，因此本文在第二章主要給出了漢字圖像預(yù)處理及特征提取的詳細(xì)步驟和方法；第三章則給出漢字識別系統(tǒng)的識別方法及過程；第四章主要針對本系統(tǒng)軟件設(shè)計中流程圖及界面設(shè)計，同時針對本系統(tǒng)作了一個快速性和精確度的性能分析，最終實現(xiàn)比較完備的車牌漢字識別系統(tǒng)。 本章小結(jié)本章由現(xiàn)在道路交通中所遇到的問題，提出了本課題研究的意義。然后介紹了國內(nèi)外的研究現(xiàn)狀及本設(shè)計所用到得車牌漢字識別的方法。使讀者可以大概了解到本課題所使用的各種處理方法和步驟。通過本文結(jié)構(gòu)安排，讀者可以對全文的結(jié)構(gòu)有一個宏觀上的了解。第2章 漢字圖像的處理技術(shù)在進行車牌圖像采集時，由于天氣變化、光照不均、攝像頭拍攝角度不同、車牌的新舊及其清潔度的原因照成了采集到的車牌圖像質(zhì)量下降，對我們后面的識別的準(zhǔn)確率帶來了很大的負(fù)面影響。所以在識別前，我們要對采集到的圖片進行必要的預(yù)處理操作，以改善圖像質(zhì)量，提高識別率。本課題主要研究車牌灰度化漢字圖像的識別，所以我們用到的預(yù)處理包括圖像尺寸規(guī)格化(標(biāo)準(zhǔn)化) 、二值化、反色、細(xì)化等。預(yù)處理效果的好壞與漢字圖像的特征提取有密切的關(guān)系，良好的預(yù)處理可以有效的保持圖像的有效信息，減少各種外部客觀因素對特征提取的干擾。是整個設(shè)計中比較重要的部分。 漢字圖像的預(yù)處理 不同尺寸漢字圖像的規(guī)格化圖像的規(guī)格化就是將輸入的任意尺寸（大?。┑臐h字圖像都處理成統(tǒng)一尺寸的標(biāo)準(zhǔn)漢字圖像。在這里，我們所說的規(guī)格化不是簡單的寬和高的同比例縮放，還要求保持拓?fù)洳蛔?。在改變原漢字圖像寬高比例的同時，盡可能的突出所提取特征。我們采用分裂合并的規(guī)格化方法。具體方法如下：設(shè)原始圖像的大小為MN，規(guī)格化后的圖像為PQ（在本課題中我們才用2323）。此方法分為兩個階段，即分裂（split）和合并（merge）。在分裂階段，將原圖像的每一點放大PQ倍，即將該點的像素值復(fù)制到PQ的陣列中，則MN的陣列變成一個MPNQ大小的陣列；接下來是合并階段，將MPNQ陣列劃分成陣列大小為MN的PQ個區(qū)域，對MN區(qū)域的所有像素取平均，使陣列MN收縮成一個像素點。經(jīng)以上操作，MN尺寸的原始圖像就可以歸一化為PQ大小的新圖像。如圖221所示。圖21（a）與圖21（c）為2346大小的圖，經(jīng)過規(guī)格化后其大小變?yōu)?323。除了上面介紹的分裂合并的規(guī)格化方法以外，還有插值變換的規(guī)格化方法。該方法是通過歸一化圖像中象素對應(yīng)在原圖像中的點的位置來決定歸一化圖像中象素點的灰度值。設(shè)f(x,y)為原圖像，g(x,y)為歸一化后的圖像，g(x,y)中的任意一點(x ,y )，對應(yīng)于f(x,y)中的點(a,b)，根據(jù)(a,b)的具體情況來確定g(x,y)中象素點(x ,y )的值。歸一化圖像中象素點和原圖像中象素點的映射關(guān)系見公式（21）。 a）規(guī)格化前 b）規(guī)格化后 c）規(guī)格化前 d）規(guī)格化后圖21 圖像的規(guī)格化除了上面介紹的分裂合并的規(guī)格化方法以外，還有插值變換的規(guī)格化方法。該方法是通過歸一化圖像中象素對應(yīng)在原圖像中的點的位置來決定歸一化圖像中象素點的灰度值。設(shè)f(x,y)為原圖