【文章內(nèi)容簡(jiǎn)介】 接影響腳點(diǎn)的提取，因此為了抑制噪聲改善圖像質(zhì)量進(jìn)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(guò)調(diào)用imclose函數(shù)對(duì)圖像執(zhí)行形態(tài)學(xué)閉運(yùn)算，即使用同樣的結(jié)構(gòu)元素先對(duì)圖像進(jìn)行腐蝕操作后進(jìn)行膨脹操作。閉運(yùn)算也能平滑圖像的輪廓，但與開(kāi)運(yùn)算相反，它一般融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。閉運(yùn)算的定義為： ? （47）這個(gè)公示表明，使用結(jié)構(gòu)元素B對(duì)集合A的閉運(yùn)算就是用B對(duì)A進(jìn)行膨脹，然后用B對(duì)結(jié)果進(jìn)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(gè)矩形，所以se是一個(gè)2525的矩形。這樣提取到的圖像最接近預(yù)期效果。 平滑圖像效果圖在經(jīng)過(guò)圖像平滑處理之后，可能會(huì)有多個(gè)閉合區(qū)域，而對(duì)于不是車牌區(qū)域的部分必須予以刪除。在matlab中，可以通過(guò)調(diào)用bwareaopen函數(shù)來(lái)從二進(jìn)制圖像中移除所有少于p像素的連接的組件（對(duì)象），產(chǎn)生另一個(gè)二進(jìn)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(duì)象后效果圖五、車牌區(qū)域定位我國(guó)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(lán)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(shè)計(jì)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(shè)計(jì)中，采用的車牌圖片是藍(lán)底白字，所以就用藍(lán)色為例來(lái)分析一下此方法。統(tǒng)計(jì)行方向在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，即該行對(duì)藍(lán)色的投影值，把此區(qū)域的所有像素行的投影值都統(tǒng)計(jì)出來(lái)，得到此區(qū)域?qū)λ{(lán)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(jiǎn)化為X軸和Y軸的兩個(gè)一維函數(shù)。車牌邊緣為白色或者被邊框包圍，在圖像對(duì)藍(lán)色的水平投影上表現(xiàn)為波谷。而要設(shè)定合理的閾值，也就是取兩個(gè)波谷的區(qū)域?yàn)檫吔纾_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(jì)列方向的底色像素點(diǎn)數(shù)量，取圖像對(duì)藍(lán)色的垂直投影的兩個(gè)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(duì)比為此算法提供了基礎(chǔ)，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(wú)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(jìn)一步處理由于定位后的車牌圖像是彩色的，會(huì)占用較大的存儲(chǔ)空間和增加計(jì)算機(jī)的負(fù)擔(dān)，而且在定位的圖片中不可避免的會(huì)存在噪聲，因此在對(duì)車牌字符進(jìn)行分割前必須對(duì)車牌區(qū)域圖像進(jìn)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(gè)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(duì)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(shè)計(jì)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(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素（以目標(biāo)象素為中心的周圍8個(gè)像素，構(gòu)成一個(gè)濾波模板，即去掉目標(biāo)像素本身），再用模板中的全體像素的平均值來(lái)代替原來(lái)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(gè)像素值，即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個(gè)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(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度g（x，y），即 ，m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)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(diǎn)合并到該物體中，使邊界向外部擴(kuò)張的過(guò)程[7]。可以用來(lái)填補(bǔ)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(gè)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(yàn)值，車牌圖像中字符面積與車牌面積之比在(，)之間，因此計(jì)算字符面積與車牌面積比值。在matlab中，通過(guò)調(diào)用imdilate函數(shù)來(lái)實(shí)行圖像的膨脹操作。其調(diào)用格式為： d=imdilate(d,se)。 %實(shí)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(gè)自己定義的表示結(jié)構(gòu)元素鄰域的二進(jìn)制矩陣。 車牌圖像進(jìn)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(wù)是把多行或多字符圖像中的每個(gè)字符從整個(gè)圖像中分割出來(lái)，成為單個(gè)字符[11]。然而對(duì)于字符分割的問(wèn)題往往不被重視，但是字符分割的質(zhì)量直接決定了識(shí)別正確率的高低。我國(guó)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(gè)字符，它們的高、寬和字符間隔在一定的范圍內(nèi)，每個(gè)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(shè)計(jì)采用垂直投影法對(duì)車牌字符進(jìn)行分割。垂直投影法的原理：對(duì)車牌灰度圖像進(jìn)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(gè)區(qū)域，即車牌的7個(gè)字符灰度圖像的垂直投影[12]。通過(guò)垂直投影圖的特征，分割字符就轉(zhuǎn)化為只需要得到每個(gè)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(cè)每一個(gè)坐標(biāo)的投影數(shù)值，將檢測(cè)到的投影數(shù)值出現(xiàn)第一個(gè)不為零時(shí)，那么將這個(gè)投影數(shù)值所屬的像素點(diǎn)即看做是第一個(gè)投影區(qū)域的左邊界線。然后繼續(xù)向右檢測(cè)，將檢測(cè)到的投影數(shù)值出現(xiàn)第一個(gè)為零時(shí)，那么將這個(gè)投影數(shù)值所屬的像素點(diǎn)即看做是第一個(gè)投影區(qū)域的右邊界限。根據(jù)此算法可以得到其他6個(gè)投影區(qū)域的左右界限。依據(jù)算法經(jīng)過(guò)處理得到的字符投影塊數(shù)目等于7，同時(shí)每個(gè)字符投影塊都在標(biāo)準(zhǔn)字符寬度的閾值范圍內(nèi)，那么就可進(jìn)行分割車牌字符；若當(dāng)檢測(cè)到的投影塊數(shù)目小于7，可知車牌的字符有粘連，則需進(jìn)一步分割投影塊，直至投影塊數(shù)目為7，同時(shí)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(jìn)一步對(duì)投影塊進(jìn)行合并處理，直至投影塊數(shù)目為7，同時(shí)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(gè)單獨(dú)字符由于圖像采集時(shí)圖像的像素值不一樣，經(jīng)切割出來(lái)的字符的大小也會(huì)不一樣，所以在進(jìn)行匹配前必須先對(duì)字符圖像進(jìn)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(zhǎng)度和寬度方向上分別乘以一個(gè)比例因子，使其等于標(biāo)準(zhǔn)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(gè)方向上對(duì)字符象素的大小進(jìn)行歸一化處理。在matlab中，通過(guò)調(diào)用imresize函數(shù)來(lái)實(shí)現(xiàn)字符大小的歸一化。其調(diào)用格式為：word1=imresize(word1,[32 16])。 %對(duì)圖像做縮放處理，高32，寬16這里選用‘nearest’最近鄰插值法,這個(gè)參數(shù)也是默認(rèn)的。 歸一化處理后的字符圖第三節(jié) 字牌字符識(shí)別目前用于車牌字符識(shí)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(luò)的OCR算法[13]?；谀０迤ヅ涞腛CR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。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。模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)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(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)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(yù)處理和歸一化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過(guò)程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來(lái)構(gòu)建模板，就可以避免上述問(wèn)題。建立模板字庫(kù)表讀取分割出來(lái)的字符第一個(gè)字符與模板中的漢字模板進(jìn)行匹配第二個(gè)字符與模板中的字母模板進(jìn)行匹配待識(shí)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(gè)即為匹配的最好的識(shí)別完成，輸出此模板對(duì)應(yīng)值后5個(gè)字符與模板中的字母與數(shù)字模板進(jìn)行匹配 字符識(shí)別流程圖此處采用相減的方法來(lái)求得字符與模板中哪一個(gè)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(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。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)，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(gè)漢字24個(gè)字母與10個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。 首先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)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(gè)數(shù)保存，即為識(shí)別出來(lái)的結(jié)果。 字符識(shí)別結(jié)果圖第四節(jié) 實(shí)驗(yàn)結(jié)果分析，以攝取的彩色車牌照片為對(duì)象進(jìn)行實(shí)驗(yàn)。在得到這個(gè)結(jié)果之前，需要對(duì)車牌圖像進(jìn)行預(yù)處理、車牌定位、車牌分割等處理。 由于攝像部分多工作于開(kāi)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(shí)攝像機(jī)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?qǐng)D象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對(duì)原始圖象進(jìn)行識(shí)別前的預(yù)處理。預(yù)處理包括灰度化、車牌校正、平滑處理等。對(duì)于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)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(diǎn)，對(duì)它進(jìn)行了灰度化的處理。因?yàn)椴噬珗D像包含著大量的顏色信息，不但在存儲(chǔ)上開(kāi)銷很大，而且在處理上也會(huì)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?qǐng)D象的這些特點(diǎn)，再經(jīng)過(guò)適當(dāng)?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(duì)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(xué)形態(tài)學(xué)相結(jié)合的定位方法。首先，將預(yù)處理后的圖像用數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行處理。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)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(duì)圖像進(jìn)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(duì)圖像內(nèi)部做濾波處理，平滑是對(duì)噪聲進(jìn)行濾波。這樣可以把字符與字符之間的雜色點(diǎn)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(jìn)行。最后還用了bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。再根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)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(diǎn)在于噪聲合字符粘連，斷裂對(duì)字符的影響，因此必須先將定位后的車牌進(jìn)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(zhǎng)度大于某閾值T，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。為滿足下一步字符識(shí)別的需要，將分割后的字符歸一化。 最后將分割出來(lái)的字符運(yùn)用模板匹配的方法與模板字符進(jìn)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(gè)數(shù)保存，然后找數(shù)值最大的，即為識(shí)別出來(lái)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(shí)別。 對(duì)于識(shí)別錯(cuò)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(dǎo)致的識(shí)別錯(cuò)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(shí)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(shí)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(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。第五節(jié) 本章小結(jié)在本章中，對(duì)整個(gè)系統(tǒng)都進(jìn)行了分析研究，具體到系統(tǒng)的每個(gè)部分所使用的函數(shù)及算法。在其中，講解了每個(gè)算法的定義及原理，也說(shuō)明了每個(gè)函數(shù)的作用及其調(diào)用格式。在最后也對(duì)整個(gè)實(shí)驗(yàn)結(jié)果進(jìn)行了分析，指出了這個(gè)系統(tǒng)的優(yōu)勢(shì)和一些需要在以后的研究中去改進(jìn)的地方。結(jié) 論在本次設(shè)計(jì)中基本上實(shí)現(xiàn)了對(duì)與車牌自動(dòng)識(shí)別系統(tǒng)的Matlab仿真，并且有著不錯(cuò)的效果，但不可忽略的是在這個(gè)程序中有很多地方仍然需要改進(jìn)。首先在車牌定位方面，本文采用的是車牌顏色與數(shù)學(xué)形態(tài)學(xué)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(chǔ)的算法，因此局限性比較大，例如將本設(shè)計(jì)中的采集樣本的攝像機(jī)換一個(gè)高度，可能會(huì)對(duì)定位產(chǎn)生比較大的影響，因?yàn)樵诔绦蛑行螒B(tài)學(xué)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(huì)發(fā)生相應(yīng)改變，因此若仍沿用舊的算子則會(huì)對(duì)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(yīng)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(jìn)行定位，因此這可以作為今后的改進(jìn)方向。在字符識(shí)別方面，采用的是垂直投影法。垂直投影分割法對(duì)變形不是很嚴(yán)重的車牌能很好地分割，但是這