【文章內(nèi)容簡介】 接影響腳點的提取，因此為了抑制噪聲改善圖像質(zhì)量進行的處理稱為圖像平滑或去噪[8]。常用的平滑處理操作有均值濾波、中值濾波和高斯濾波。在matlab中，通過調(diào)用imclose函數(shù)對圖像執(zhí)行形態(tài)學閉運算，即使用同樣的結(jié)構(gòu)元素先對圖像進行腐蝕操作后進行膨脹操作。閉運算也能平滑圖像的輪廓，但與開運算相反，它一般融合窄的缺口和細長的彎口，去掉小洞，填補輪廓上的縫隙。閉運算的定義為： ? （47）這個公示表明，使用結(jié)構(gòu)元素B對集合A的閉運算就是用B對A進行膨脹，然后用B對結(jié)果進行腐蝕。其在matlab中的調(diào)用格式為：I4=imclose(I3,se)。結(jié)構(gòu)元素se的生成方式為：se=strel(39。rectangle39。,[25,25])，由于車牌是一個矩形，所以se是一個2525的矩形。這樣提取到的圖像最接近預期效果。 平滑圖像效果圖在經(jīng)過圖像平滑處理之后，可能會有多個閉合區(qū)域，而對于不是車牌區(qū)域的部分必須予以刪除。在matlab中，可以通過調(diào)用bwareaopen函數(shù)來從二進制圖像中移除所有少于p像素的連接的組件（對象），產(chǎn)生另一個二進制圖像。其在matlab中的調(diào)用格式為：I5=bwareaopen(I4,2000)。這樣，I4中像素小于2000的部分都被刪除了。 移除小對象后效果圖五、車牌區(qū)域定位我國的車牌按照字符顏色和底色的搭配不同，可以分為以下4類：藍底白字、黃底黑字、黑底白字和白底黑字。其中，底色占車牌區(qū)域70%左右，故車牌區(qū)域顏色特征以底色為主。在本設計中，車牌區(qū)域的定位采用的就是基于車牌顏色的彩色定位法[9]。由于在本設計中，采用的車牌圖片是藍底白字，所以就用藍色為例來分析一下此方法。統(tǒng)計行方向在此顏色范圍內(nèi)的像素點數(shù)量，即該行對藍色的投影值，把此區(qū)域的所有像素行的投影值都統(tǒng)計出來，得到此區(qū)域?qū)λ{色的水平投影。水平投影操作是把二維圖像的像素分布特征簡化為X軸和Y軸的兩個一維函數(shù)。車牌邊緣為白色或者被邊框包圍，在圖像對藍色的水平投影上表現(xiàn)為波谷。而要設定合理的閾值，也就是取兩個波谷的區(qū)域為邊界，確定車牌在行方向的區(qū)域。在分割出的行區(qū)域內(nèi)，用相同的方法統(tǒng)計列方向的底色像素點數(shù)量，取圖像對藍色的垂直投影的兩個波谷為左右邊界，最終確定完整的車牌區(qū)域。車體和車牌顏色的明顯對比為此算法提供了基礎，而此算法的缺陷在于：車牌顏色必須不同于圖像整體背景色，否則無法提取出 車牌區(qū)域。 車牌區(qū)域定位圖第二節(jié) 車牌字符分割一、字符切割前彩色車牌圖像的進一步處理由于定位后的車牌圖像是彩色的，會占用較大的存儲空間和增加計算機的負擔，而且在定位的圖片中不可避免的會存在噪聲，因此在對車牌字符進行分割前必須對車牌區(qū)域圖像進行灰度化、二值化、濾波處理和膨脹或腐蝕處理。圖像的二值化就是限定一個閾值，如果大于閾值則為1，小于閾值為0，閾值采用全局閾值，全局閾值是指整幅圖像都采用相同的閾值T處理，適用于背景和前景有明顯對比的圖像。在matlab中的調(diào)用格式為：T=round(g_max(g_maxg_min)/3)。 % T 為二值化的閾值濾波則是為了消除圖像的噪聲，而本設計采用的是均值濾波。均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素（以目標象素為中心的周圍8個像素，構(gòu)成一個濾波模板，即去掉目標像素本身），再用模板中的全體像素的平均值來代替原來像素值[10]。其采用的主要方法為鄰域平均法，線性濾波的基本原理是用均值代替原圖像中的各個像素值，即對待處理的當前像素點（x，y），選擇一個模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當前像素點（x，y），作為處理后圖像在該點上的灰度g（x，y），即 ，m為該模板中包含當前像素在內(nèi)的像素總個數(shù)。膨脹和腐蝕剛好相反，膨脹是將與物體接觸的所有背景點合并到該物體中，使邊界向外部擴張的過程[7]。可以用來填補物體中的空洞。其定義是： （48）其算法是用33的結(jié)構(gòu)元素掃描圖像的每一個元素，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“或”操作，如果都為0，結(jié)果圖像的該像素為0，否則為1。根據(jù)經(jīng)驗值，車牌圖像中字符面積與車牌面積之比在(，)之間，因此計算字符面積與車牌面積比值。在matlab中，通過調(diào)用imdilate函數(shù)來實行圖像的膨脹操作。其調(diào)用格式為： d=imdilate(d,se)。 %實現(xiàn)膨脹操作其中，d為待處理的圖像，se為結(jié)構(gòu)元素，這里的結(jié)構(gòu)元素是一個自己定義的表示結(jié)構(gòu)元素鄰域的二進制矩陣。 車牌圖像進一步處理后的效果圖二、字符分割和歸一化處理1. 字符分割字符分割的任務是把多行或多字符圖像中的每個字符從整個圖像中分割出來，成為單個字符[11]。然而對于字符分割的問題往往不被重視，但是字符分割的質(zhì)量直接決定了識別正確率的高低。我國車牌的主要信息除了邊框，就剩下數(shù)字、漢子和字母共同組成的7個字符，它們的高、寬和字符間隔在一定的范圍內(nèi)，每個字符寬45mm，字符高90mm，字符間隔寬10mm。根據(jù)以上車牌的固有特征，本設計采用垂直投影法對車牌字符進行分割。垂直投影法的原理：對車牌灰度圖像進行灰度垂直投影，可知車牌區(qū)域的垂直投影可以清晰地看出7個區(qū)域，即車牌的7個字符灰度圖像的垂直投影[12]。通過垂直投影圖的特征，分割字符就轉(zhuǎn)化為只需要得到每個區(qū)域的左右邊界即可。垂直投影的具體算法是在車牌字符的垂直投影圖上的橫向從左側(cè)到右側(cè)依次檢測每一個坐標的投影數(shù)值，將檢測到的投影數(shù)值出現(xiàn)第一個不為零時，那么將這個投影數(shù)值所屬的像素點即看做是第一個投影區(qū)域的左邊界線。然后繼續(xù)向右檢測，將檢測到的投影數(shù)值出現(xiàn)第一個為零時，那么將這個投影數(shù)值所屬的像素點即看做是第一個投影區(qū)域的右邊界限。根據(jù)此算法可以得到其他6個投影區(qū)域的左右界限。依據(jù)算法經(jīng)過處理得到的字符投影塊數(shù)目等于7，同時每個字符投影塊都在標準字符寬度的閾值范圍內(nèi)，那么就可進行分割車牌字符；若當檢測到的投影塊數(shù)目小于7，可知車牌的字符有粘連，則需進一步分割投影塊，直至投影塊數(shù)目為7，同時滿足字符寬度的閾值范圍；如果投影塊數(shù)目大于7，可知車牌字符有斷裂，則需進一步對投影塊進行合并處理，直至投影塊數(shù)目為7，同時滿足字符寬度的閾值范圍。 垂直投影算法流程圖。 分割之后的7個單獨字符由于圖像采集時圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會不一樣，所以在進行匹配前必須先對字符圖像進行歸一化處理，使圖像大小跟模板圖像大小一致。而大小歸一是指在長度和寬度方向上分別乘以一個比例因子，使其等于標準模塊的字符大小，本文采用的大小歸一的方法是分別從水平投影和垂直投影兩個方向上對字符象素的大小進行歸一化處理。在matlab中，通過調(diào)用imresize函數(shù)來實現(xiàn)字符大小的歸一化。其調(diào)用格式為：word1=imresize(word1,[32 16])。 %對圖像做縮放處理，高32，寬16這里選用‘nearest’最近鄰插值法,這個參數(shù)也是默認的。 歸一化處理后的字符圖第三節(jié) 字牌字符識別目前用于車牌字符識別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)絡的OCR算法[13]?；谀０迤ヅ涞腛CR的基本過程是:首先對待識別字符進行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。模板匹配的主要特點是實現(xiàn)簡單，當字符較規(guī)整時對字符圖像的缺損、污跡干擾適應力強且識別率相當高。綜合模板匹配的這些優(yōu)點我們將其用為車牌字符識別的主要方法。模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應的特征量逐個進行比較，計算它們之間規(guī)格化的互相關量，其中互相關量最大的一個就表示期間相似程度最高，可將圖象歸于相應的類。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預處理和歸一化處理后，使得圖象的灰度或像素點的位置發(fā)生改變。在實際設計模板的時候，是根據(jù)各區(qū)域形狀固有的特點，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設計的特征量來構(gòu)建模板，就可以避免上述問題。建立模板字庫表讀取分割出來的字符第一個字符與模板中的漢字模板進行匹配第二個字符與模板中的字母模板進行匹配待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的識別完成，輸出此模板對應值后5個字符與模板中的字母與數(shù)字模板進行匹配 字符識別流程圖此處采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個，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稱；緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個，大寫英文字母26個，數(shù)字10個。所以建立字符模板庫也極為方便。為了實驗方便，結(jié)合本次設計所選汽車牌照的特點，且考慮到字符O與0，字符I與1比較相似，所以只建立了32個漢字24個字母與10個數(shù)字的模板。其他模板設計的方法與此相同。 首先取字符模板，接著依次取待識別字符與模板進行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個數(shù)保存，即為識別出來的結(jié)果。 字符識別結(jié)果圖第四節(jié) 實驗結(jié)果分析，以攝取的彩色車牌照片為對象進行實驗。在得到這個結(jié)果之前，需要對車牌圖像進行預處理、車牌定位、車牌分割等處理。 由于攝像部分多工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖象可能出現(xiàn)模糊、歪斜和缺損等嚴重缺陷，因此需要對原始圖象進行識別前的預處理。預處理包括灰度化、車牌校正、平滑處理等。對于光照條件不理想的圖象，可先進行一次圖象增強處理，使得圖象灰度動態(tài)范圍擴展和對比度增強，再進行定位和分割，這樣可以提高分割的正確率。在本文中根據(jù)采集到的圖像本身的特點，對它進行了灰度化的處理。因為彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此將彩色圖像轉(zhuǎn)化為灰度圖像，以縮短處理速度。圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點，再經(jīng)過適當?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣，于是對其邊緣提取，此處邊緣的提取采用的是Roberts算子。在定位方面。本文采用的是車牌顏色與數(shù)學形態(tài)學相結(jié)合的定位方法。首先，將預處理后的圖像用數(shù)學形態(tài)學的方法進行處理。數(shù)學形態(tài)學的應用可以簡化圖像數(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)。本文中對圖像進行了腐蝕、平滑處理，腐蝕和平滑都具有濾波的作用，腐蝕是對圖像內(nèi)部做濾波處理，平滑是對噪聲進行濾波。這樣可以把字符與字符之間的雜色點去除，只有白色的字符和黑色的背景存在，這樣有利于的字符分割進行。最后還用了bwareaopen來去除對象中不相干的小對象。再根據(jù)車牌底色等有關的先驗知識，采用彩色像素點統(tǒng)計的方法，先確定行方向的車牌區(qū)域，再確定列方向的區(qū)域，得出最終的車牌區(qū)域。 車牌分割即把車牌的整體區(qū)域分割成單字符區(qū)域，具有承上啟下的作用。其難點在于噪聲合字符粘連，斷裂對字符的影響，因此必須先將定位后的車牌進一步處理。包括灰度化、二值化、均值濾波、膨脹或腐蝕處理。分割采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值T，則認為該塊有兩個字符組成，需要分割。為滿足下一步字符識別的需要，將分割后的字符歸一化。 最后將分割出來的字符運用模板匹配的方法與模板字符進行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個數(shù)保存，然后找數(shù)值最大的，即為識別出來的結(jié)果。模板的制作很重要，必須要用精確的模板，否則就不能正確的識別。 對于識別錯誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二是牌照字符的分割失敗導致的識別錯誤；再就是部分字符的形狀相似性，比如B 和8；A 和4 等字符識別結(jié)果可能發(fā)生混淆的情況。 總之，盡管目前牌照字符的識別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識別能力更好的特征值和設計分類器等環(huán)節(jié)上再完善，進一步提高識別率是完全可行的。第五節(jié) 本章小結(jié)在本章中，對整個系統(tǒng)都進行了分析研究，具體到系統(tǒng)的每個部分所使用的函數(shù)及算法。在其中，講解了每個算法的定義及原理，也說明了每個函數(shù)的作用及其調(diào)用格式。在最后也對整個實驗結(jié)果進行了分析，指出了這個系統(tǒng)的優(yōu)勢和一些需要在以后的研究中去改進的地方。結(jié) 論在本次設計中基本上實現(xiàn)了對與車牌自動識別系統(tǒng)的Matlab仿真，并且有著不錯的效果，但不可忽略的是在這個程序中有很多地方仍然需要改進。首先在車牌定位方面，本文采用的是車牌顏色與數(shù)學形態(tài)學相結(jié)合的定位方法，這些在數(shù)字圖像處理中屬于比較基礎的算法，因此局限性比較大，例如將本設計中的采集樣本的攝像機換一個高度，可能會對定位產(chǎn)生比較大的影響，因為在程序中形態(tài)學算子是固定的，若高度發(fā)生變化，車牌在圖像中的比率也會發(fā)生相應改變，因此若仍沿用舊的算子則會對定位產(chǎn)生較大的影響，因此可以看出這種算法雖然穩(wěn)定性較高，但是其適應性卻略低。而且若是車牌顏色與背景整體顏色相近的話，很難正確定位出車牌區(qū)域。在最近的研究中比較廣泛的是根據(jù)車牌區(qū)域存在豐富的紋理，從而可以利用小波分析的方法進行定位，因此這可以作為今后的改進方向。在字符識別方面，采用的是垂直投影法。垂直投影分割法對變形不是很嚴重的車牌能很好地分割，但是這