【文章內(nèi)容簡介】 色對特征點連接起來，再使用一個更大的形態(tài)學算了進行去噪，在得到的車牌區(qū)域中根據(jù)車牌的先驗知識分析去除偽車牌區(qū)域。 圖像增強 由于拍攝時光照強度的不同，會造成圖片亮度不均。為了不影響車牌定位的準確性，我們需要對圖片進行圖像增強。直方圖是多種空間域 處理技術的基礎，其可以有效地用于圖像增強。在較暗的圖像中，直方圖的組成成分集中在灰度較低的一側；而明亮圖像的直方圖則傾向于灰度級較高的一側；對于低對比度的圖像直方圖 則集中于一段較窄的灰度級中。通過直方圖均衡化可以將圖像調(diào)整為灰度級豐富且 動態(tài)范圍大的圖像。對車牌圖像進行直方圖均衡后可以提高其對比度，有利于提高車牌定位的準確性。這里介紹將圖像轉換到HSI模型的方法，這樣只需要對亮度分量I進行直方圖均衡化即可以達到圖像增強的效果。圖 2 RGB分量均衡化 Fig 2 RGB ponent equalization 圖 3 HSI分量均衡化 Fig 3 HSI ponent equalization 以上為彩色圖像均衡化步驟。一般RGB直方圖均衡化后的圖像相比原始圖像，圖像的細節(jié)更加清楚了但是單獨對各RGB分量進行均衡化將產(chǎn)生不正確的顏色，而對HSI顏色空間的亮度分量直方圖均衡化后的圖像，雖然會影響到整體圖像的彩色感觀，但沒有改變圖像的色調(diào)和飽和度值，因此本文采用的是對HSI中的亮度分量進行直方圖均衡化的方法。人類的視網(wǎng)膜南感光細胞覆蓋。這些細胞類似于CCD芯片上的感受基(像素)。顏色豐要是由視網(wǎng)膜上稱為錐狀體的三種不同的感光細胞感知不同波長的光而形成的。這三剩t錐狀體分別感知紅色(R)、綠色(G)和藍色(B)的光，所有其它顏色都是這三種顏色的不同混合效果。因此，紅、綠、藍這三個顏色被稱為人類視覺的三原色，由此形成的一套理論稱為三原色原理，R、G、B分別表示構成顏色的一個分量。 顏色空間也叫顏色模型，它指的是通過基本顏色分量來定義其他各種顏色的模型結構。之所以將顏色模型稱為顏色空間，是因為人們發(fā)現(xiàn)用笛卡爾空間坐標的形式來映射顏色模型往往顯得更加直觀、有效。常用的顏色宅間有RGB顏色空間，CMY顏色空間和HSI顏色空間等。圖 4 RGB顏色空間 Fig 4 RGB color space如圖4所示，RGB顏色空間將所有的顏色值映射到一個立方體中。這樣，任意顏色值都可以由3個取值在0到l之間的顏色分量來表示。取值為0表示最小的顏色分量，而l表示最大的顏色分量。比如，(0，0，0)表示黑色，(1，l，1)表示白色。 在RGB顏色空間中，黑色(無光)點為坐標原點，以(0，0，0)為起點，其他顏色都可以看作足在原點即黑色的基礎上疊加三種顏色分量形成的。這種形成顏色的方法稱 為疊加原色法，相應的RGB三原色稱為疊加三原色。用RGB顏色空間來描述色彩雖然方便，但不符合人眼的視覺原理。在顏色相同 的情況下，明晴的細微變化會引起RGB值的較大跳躍，不利于顏色的檢測。為了定 量地描述顏色對人眼的視覺作用，可以選用色調(diào)(hue)、飽和度(saturation)、亮度 (intensity)這三個與視覺特征有關的量。HSI彩色模型就是按照色調(diào)、飽和度和亮度值建立起來的。色調(diào)是由物體反射光線中占優(yōu)勢的波長來決定的，不同的波長產(chǎn)生不同的顏色感覺，如紅、橙、黃、綠、青、藍、紫等。色調(diào)是彩色的最重要的屬性，是決定顏色本質(zhì)的基本特性。顏色的飽和度是指一個顏色的鮮明程度，飽和度越高，顏色越深，如深紅，深綠。在物體反射光的組成中，白色光愈少，則其飽和度愈大。在顏色中加上白色或灰色愈多，其飽和度就愈小。亮度是指刺激物的強度作用于感受器所發(fā)生的效應，其大小是由物體反射系數(shù)來決定，反射系數(shù)越大，物 體的亮度愈大，反之愈小。圖 5 HSI顏色空間Fig 5 HSI color space為了準確迅速地檢測顏色，需要將圖像由RGB顏色空間轉換至HSI顏色空間?，F(xiàn)有的HSI空間模型有四面體、圓柱體、圓錐體等多種定義公式，本文采用圓柱體的HSI坐標系進行顏色空間轉換的實現(xiàn)，示意圖如圖5所示。3．3．2提取顏色對特征點 我國車牌顏色的重要特點是車牌背景與字符具有固定的顏色搭配，即白底黑字(白牌)、藍底白字(藍牌)、黑底白字(黑牌)和黃底黑字(黃牌)。因此可以根據(jù)這一特點，把顏色信息和邊緣信息融合起來，盡量排除干擾以精確保留車牌特征。 HSI顏色空間模型中的i分量與圖像的彩色信息無關，h分量抽出了色度而忽略了亮度信息，可以減少光照影響。對于具有某種目標色的像素，可以直接通過對h、J和i三個分量設定一個閾值范圍來把它們提取出來，無需進行比較復雜的色彩距離計算，這樣可以在色彩分割的時候節(jié)省大量的時間，這種方法對藍色和黃色尤其有 效。但是，白色的色度沒有意義，黑色的色度和飽和度也沒有意義，也就是說這些分量取值不規(guī)律。所以白色像素只能利用飽和度和亮度兩個分量來提取，黑色像素只能根據(jù)亮度分量來提取。在實際中的各種車牌顏色的閾值范圍通過收集的樣本車牌的顏色值統(tǒng)計得到。并且，為了適應車牌褪色、光線、灰塵等的影響，適當放寬了各種顏色的閾值范圍，綜合以后，得到彩色判斷條件如下： 按照公式把彩色像素點從RGB空問轉化到HSI空問，得到h、s和，三個分量的值：如果s0 1且iO 5，則該像素點為白色； 如果iO 35，則該像素點為黑色： 如果220h250，j01和i0．1同時成立，則該像素點為藍色： 如果20h50，s0．1和iO .35同時成立，則該像素點為黃色； 如果350h360，s0 l和i)0．35同時成立，則該像素點為紅色： 不符合以上條件的像素點視為無效點。 在以上的判斷條件里面，藍色和黑色的取值范圍有重臺的部分，這是因為存光線較晴的條件下，藍色和黑色的亮度分量比較接近：考慮到四種底色的車牌顏色搭配中，沒有藍色和黑色的搭配，所以這兩種顏色取值范圍可以有重合的部分。在這里對紅色點也進行判斷，是因為在白底黑字的車牌中，前兩個字符是紅色的，不能忽略。通過上面的分析可以得到車牌及其背景的顏色邊緣點。但是，在車牌外區(qū)域也有很多其他像素點的顏色和紋理符合車牌的四種顏色邊緣點。由于有車牌區(qū)域顏色固定搭配的先決條件．因此，下面還可以繼續(xù)根據(jù)顏色邊緣點的配對規(guī)律來繼續(xù)排除多余的非車牌干擾點。這個過程也就是提取顏色對特征點的過程。4 車牌字符分割算法與實現(xiàn)4．1常見字符分割方法 車牌字符分割技術是指將定位后的車牌區(qū)域分割成單個字符區(qū)域。字符區(qū)域分割的準確與否將直接影響到下一步的字符識別，因此許多學者也對此進行了研究，提出了很多關于車牌字符分割的方法。遲曉君等提出了基于投影特征值的車牌字符分割算法。根據(jù)車牌預處理圖像垂直投影圖的特點，提出一個特征值，并由車牌圖像的先驗知識和此特征值相結合來進行字符分割。吳進軍等提出了車牌字符分割新方法。通過在車牌定位圖像上定位出車牌的第三個字符，再進行字符區(qū)域的分裂和合并，并針對字符缺損情況，進行字符區(qū)域擴展，而且對字符區(qū)域高度進行調(diào)整，從而最終實現(xiàn)車牌字符的分割。王興玲提出了基于類間方差車牌字符分割的模板匹配算法。根據(jù)字符串的結構和 尺寸特征，設計車牌字符串模板，通過該模板在車牌區(qū)域滑動匹配進行分類，并結合最大類間方差判決準則，確定最佳匹配位置，分割出車牌字符。趙海燕等提出了基于最小面積法進行的車牌字符分割。依據(jù)車牌橫平時所形成的連通域面積最小的特點提出最小面積法計算旋轉角度，然后進行灰度均值化處理，并通過水平投影去除邊界，最后根據(jù)實際車牌信息做垂直投影進行有效分割。陳黎等提出基于聚類分析的車牌字符分割方法。按照屬于同一個字符的像素構成一個連通域的原則，結合牌照字符的同定高度、間距的同定比例關系等先驗知識，來對車牌字符進行分割。北京理工大學的吳大勇、魏平等提出了基于區(qū)域最小值判斷分割點的算法引。根據(jù)車牌字符垂直投影的信息，區(qū)域最小值的定義是以當前像素位置為中心，指定區(qū)域寬度內(nèi)的投影信息最小值。在確定具體分割點時，先找投影信息的波谷橫坐標x，接著利用以x為中心的區(qū)域最小值與圖像在x處的垂直投影進行比較，如果相等，則 判斷x才是真正的分割點坐標。陳寅鵬等提出了復雜車輛圖像中的車牌定位與字符分割方法。該方法利用車牌字符等寬，排列規(guī)則的特點，引入模板，并使用該模板與豎直積分投影曲線匹配，計算最佳匹配位置，從而得到字符分割的準確結果。李文舉等提出了質(zhì)量退化的車牌字符分割方法。首先對字符外輪廓垂直距離采用尺度自適應三次B樣條小波變換進行字符的粗分割：然后應用基于目標占有率模板匹配的字符識別反饋進行字符的精分割，使字符分割效果好。劉弈 等提出了一種利用顏色信息的車牌字符分割新算法?？紤]到一般字符分割采用灰度處理方法丟失了很多顏色信息，而采用一種基于模糊神經(jīng)網(wǎng)絡的算法，充分利用車牌的顏色信息，根據(jù)車牌底色對不同分量進行加強，并將顏色信息作為模糊神經(jīng)網(wǎng)絡的輸入量，最后進行字符分割。 以上的算法在特定的情況下是可以較好的將車牌寧符分割出來，但我國由于環(huán)境，道路或人為因素使得車牌污染嚴重，使得在車牌存預處理后，會出現(xiàn)不同程度的噪聲，嚴重影響到車牌字符的正確分割。另外在國外許多國家車牌的底色和字符顏色通常只有對比度較強的兩種顏色(例如韓國，其車牌底色為紅色，車牌的字符為白色)，我國汽車牌照僅底色就有藍、黃、黑、白等多種顏色，字符顏色也有黑、紅、白等若干種顏色。而且，很多其他國家的汽車牌照格式通常只有一種，而我國則根據(jù)不同車輛、車型、用途，規(guī)定了多種牌照格式。這都在很大程度上加大了車牌字符分割的難度。因此尋求一個更具有適用性、魯棒性的字符分割方法，還需要探索和完善。 以上種種分割方法實現(xiàn)方式雖然各式各樣，但歸結起來總是基于幾個基本點： (1)車牌區(qū)域的垂直投影呈現(xiàn)明顯的波峰和波谷，波峰即為字符區(qū)域，波谷基本上都是字符間的間隙。 (2)第一個字符為漢字由于左右偏旁漢字中會出現(xiàn)間隙，而第二個字符和第三個字符間隔較大，所以可由 此做分界線，分段分割。 (3)字符比例固定。車牌字符總長度為409mm，其中單個字符寬度為45mm高度為90mm，第二和三字符間間距為34mm，其中中間小圓點寬度為lOmm，與第二和三字符間間距為12mm，其余字符間間距為12mm；字符“l(fā)”的寬度約為13．5mm，與其它字符間間距約為22．5mm，連續(xù)兩個字符“l(fā)”間間距約為38．5mm，第三字符為字符1時，與第二字符問問距約為44．5mm。標準字符不包含字符“I”，故可以不考慮這種情況。 (4)字符顏色與車牌底色具有固定的顏色搭配。如果單純地使用顏色對特征點進行投影以精確定位車牌邊界時，由于顏色判斷的精確度的誤差和顏色對干擾點的存在，本應連續(xù)的字符邊緣可能會有斷裂，而不應是字符邊緣的卻有可能存在干擾點。這時就會對分析造成很大的影響。而將車牌區(qū)域二值化后，由于字符顏色與車牌底色的強烈色彩反差，字符與底色呈現(xiàn)兩極化。但是此時仍不適合于做投影分析，因為車牌區(qū)域圖像內(nèi)仍可能有干擾像素，如白色車輛的藍白車牌(如圖29(b))，此時如果得到的車牌區(qū)域包含了車身部分，則二值化后車身區(qū)域與字符屬于同一顏色。對這樣的圖像進行投影得不到精確定位需要的信息。 應該注意到，車牌字符區(qū)域的紋理特征，這些特征是旁邊干擾區(qū)域所不具有的特征，所以對二值化的圖像進行邊緣化處理，通過字符的紋理特征、邊緣的跳躍性來判斷車牌字符區(qū)域。 通過以上的分析，最終結合以上所有特點，本文提出了幾種算法。4．2車牌字符分割算法 MATLAB車牌字符分割這是一個簡單的車牌字符分割程序，程序大概分為三步： 灰度化/二值化/直方圖均衡化/歸一化大小； 去噪 ； 分割；由于使用MATLAB作為平臺，第一步幾乎可以以一句話完成。而對于去噪一步，需要花一點心思。不要以為去噪就是傳統(tǒng)的高斯、中值濾波之類的東西，在自然環(huán)境中，干擾是無窮無盡的。對于我們的車牌識別程序，干擾我們的通常會有光照、車牌上的污點等等，這些干擾通常會使用普通圖像處理手段來解決，比如用高斯等平滑濾波，用直方圖均衡化等。然而，還有另外一些干擾也要引起我們的注意的問題，因此解決這種問題更顯得程序的通用性。就是車牌的邊沿、螺絲等等，這些是幾乎每個車都有給出一個網(wǎng)上摘錄下來的車牌！圖 6 標準的車牌Fig 6 Standard plate我們可以看到，盡管車牌已經(jīng)比較完美地定位（切割）了出來，但是對于提取純字符任務來說，我們還面臨著邊沿、螺絲、空隙等挑戰(zhàn)。在這里嘗試采用比較常見的統(tǒng)計手段來解決這個問題：在得到二值化圖像之后，我們可以得到一個二值矩陣，當某位置的值等于0的時候，表示該像素點為全黑，反之，則該像素點為純白。然后我們可以對此二值矩陣分別對行、列進行求和統(tǒng)計。圖 7 經(jīng)二值、平度化、平滑后的車牌圖像 Fig 7 The binary, pingdu change, smooth the vehicle images after圖 8 圖 6是二值、灰度化并平滑后的結果，效果還是不錯的。我們分別對二值化結果分別做一個行、列的求和統(tǒng)計，并疊加得出圖 8的結果：紅色代表對各行數(shù)值求和結果、藍色代表對各列求和結。大家已經(jīng)可以看出些什么名堂來了吧？當值高的時候，代表白色的像素（‘痕跡’）在這里多。通過紅色曲線，我們已經(jīng)可以輕易地去掉上下區(qū)域的直線。對于水平切割，這里采用了最落后的閥值法，對水平總和數(shù)據(jù)求數(shù)學平均，然后低于數(shù)學平均值的那一整行像素將被刪除。而對于藍色曲線，不能盲目地copy水平切割的方法。仔細觀察‘M’、‘0’這兩字母與其他字母的曲線。經(jīng)比較后不難發(fā)現(xiàn)，因為M與0這兩個字母中間是空心的，所以曲線波動較大。真正應該分割點的是最低的波谷處。以下是代碼摘要：seg_target=sum_cols = (sum(sum_cols)/length(sum_cols))。for i=1:length(seg_target) if ~seg_target(i) preseg_bgs_img = [preseg_bgs_img。bgs_img(i,:)]。 endendseg_target = sum_rows = (floor(min(sum_rows)/10)+1)*