【文章內(nèi)容簡介】 字符圖像不適用。車牌字符本身所占象素點較少，常常會出現(xiàn)筆劃斷裂輪廓不封閉。Spline曲線是在輪廓上找到曲率大的折點，利用Spline曲線來近似相鄰折點之間的輪廓線，該方法的缺點在于對旋轉(zhuǎn)現(xiàn)象比較敏感。（4）特征點方法。它的主要思想是利用字符點陣中一些有代表性的點作為特征來區(qū)分不同的字符。這些點包括端點、折點以及交叉點等等，獲得了比較好的效果。其特點是對于內(nèi)部筆劃粘連的字符識別的適應性較強，直觀性好，但是不易表示為矢量形式，不適合作為粗分類的特征，匹配難度大。（5）基于微結(jié)構(gòu)特征的方法。字符是由筆劃組成的，筆劃是由一定方向，一定位置關(guān)系和長寬比的矩形線段組成的。這些矩形則稱為微結(jié)構(gòu)。利用微結(jié)構(gòu)及微結(jié)構(gòu)之間的關(guān)系組成的特征對字符進行識別。其不足之處正好和特征點的方法相反，在內(nèi)部筆劃粘連時，微結(jié)構(gòu)的提取會遇到困難。統(tǒng)計模式識別認為圖像可能包含一個或多個物體，并且每個物體屬于若干事先定義的類型、范疇或模式之一。雖然模式識別可以用多種方法實現(xiàn)，但我們只關(guān)心用數(shù)字圖像處理技術(shù)對它的實現(xiàn)。字符統(tǒng)計模式是把字符的點陣看成一個整體，通過做大量的統(tǒng)計得到所需要的特征。最常用的字符統(tǒng)計模式方法是模板匹配的字符識別方法。模板匹配的字符識別方法是通過一定準則確定決策函數(shù)，并進行分類判斷的方法。模板匹配的字符識別方法是指度量輸入模式與樣本之間的某種相似性，取最相似者為輸入模式所屬類別。它根據(jù)字符的直觀形象抽取特征，用相關(guān)匹配原理進行識別。這個方法不需要特征提取這個過程，字符圖像直接作為特征與模板進行比較，相似度最高的模板即定為識別結(jié)果。它優(yōu)點是可以并行處理，簡單易行。缺點是如果進行簡單的模板匹配，只能夠識別同種字體、同樣大小的字符，對于筆劃變粗、變細、傾斜的字符適應能力比較差，特別是模板與字符筆劃的匹配失誤時，會有很大的誤差。3．人工神經(jīng)網(wǎng)絡(luò)識別人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維方式的數(shù)學模型。神經(jīng)網(wǎng)絡(luò)是現(xiàn)代生物學研究人腦的組織成果基礎(chǔ)上提出的，用來模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為，它從微觀結(jié)構(gòu)和功能上對人腦進行抽象和簡化。人工神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點和缺點主要表現(xiàn)在如下的幾個方面：神經(jīng)網(wǎng)絡(luò)的優(yōu)點：1,能逼近任意線性函數(shù)2,信息的并行分布式處理和存儲3,可以多輸入多輸出4,便于用超大規(guī)模的集成電路或光學集成電路系統(tǒng)實現(xiàn)5,具有自學習的能力；6,具有聯(lián)想存儲功能；7,具有高速尋找優(yōu)化解的能力.雖然人工神經(jīng)網(wǎng)絡(luò)有上述的優(yōu)點，并且在OCR中也取得了一些成果，但是在車牌字符的識別中仍然存在很大的缺陷：l，車牌字符象素點陣小，筆劃常常出現(xiàn)斷裂，通過學習規(guī)則，誤差系數(shù)相差很小，容易出現(xiàn)誤識；2，神經(jīng)網(wǎng)絡(luò)在進行學習時，每次迭代的梯度值都受樣本中噪聲干擾，影響較大，整個系統(tǒng)收斂速度較慢，不適合實時識別的要求。用于字符識別最常用的神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)，所謂BP神經(jīng)網(wǎng)絡(luò)是指誤差反向傳播神經(jīng)網(wǎng)絡(luò)，核心方法是梯度下降法，它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實際輸值與期望的均方差為最小。BP神經(jīng)網(wǎng)絡(luò)主要有兩種形態(tài)：(l)前向傳播：計算網(wǎng)絡(luò)的輸出。隱層神經(jīng)元的輸入為所有輸入的加權(quán)之和，即 （） 隱層神經(jīng)元的輸出井采用S函數(shù)激發(fā)x，得 （） 輸出層神經(jīng)元的輸出為 （）誤差性能指標函數(shù)為 （）(2)反向傳播：采用占學習方法，調(diào)整各層間的權(quán)值根據(jù)梯度下降法，權(quán)值學習方法如下：輸出層即隱層的連接權(quán)值W學習算法為 （） 式中 為學習速率。BP網(wǎng)絡(luò)有以下優(yōu)點：只要能保證有足夠的隱層和隱層節(jié)點，就可以逼近任意的非線性映射關(guān)系。由于其學習方法屬于全局逼近算法，具有較強的泛化能力。神經(jīng)網(wǎng)絡(luò)有較強的容錯性。雖然BP神經(jīng)網(wǎng)絡(luò)有以上的優(yōu)點，但因為其有收斂的速度比較慢。當按梯度下降學習法進行學習的時候很容易陷入局部的最小值。難以確定隱層和隱層節(jié)點的數(shù)目的缺點，所以在用于字符識別的過程中，還需要做大量的修改。本文采用的識別算法是基于模板匹配的車牌識別方案，模板匹配法就是將待識別字符與模板字符進行比對，從而確定字符內(nèi)容。其大體步驟是:首先，制作模板并要求模板的大小必須統(tǒng)一。然后，對待識別字符進行圖像的歸一化操作，最后將字符與模板的每個像素點進行一一的對照，與所有模板比對完成之后，選取其中相似結(jié)果最高的，作為最終的識別結(jié)果。整個過程最重要的一步是模板的設(shè)計，它是后續(xù)工作的基礎(chǔ)。模板的建立要針對字符的特征來進行，通常可以取筆畫特征、幾何特征還有圖形的特征。模板匹配方法最大的優(yōu)點是識別率很高，但是因為要逐點操作，所以效率比較低下?？紤]到LRS對識別效果準確率要求比較高，此種方法比較合適，但是怎么樣能提高效率，這還是一個墮待解決的問題。算法實現(xiàn)總體設(shè)計方案中首先是要采集圖片，而硬件設(shè)備采集到的圖片要考慮其圖像的存儲格式。目前比較常用的圖像格式有*.BMP、*.JPG、*.GIF、*.PCX等，本課題采集到的圖片是*.JPG的格式。至于軟件系統(tǒng)的選擇，因為軟件系統(tǒng)的編寫大多采用VC或者MATLAB語言，本課題選用了MATLAB語言。整個牌照識別的設(shè)計流程圖如下圖所示：識別的整個流程就是：首先將采集到的汽車圖像進行灰度化、灰度拉伸和濾波處理，以降低噪點、增加車牌部分的對比度。然后，通過對預處理后的圖像進行小波變換分解提取圖像邊緣，并進行形態(tài)學處理，這時，車牌的輪廓已經(jīng)非常清晰，并且可以和非車牌區(qū)域明顯區(qū)分開來了，接著，根據(jù)車牌的特點進行車牌初步定位，對車牌區(qū)域和偽車牌區(qū)域進行篩選后，采用投影法進行車牌二次定位，提取出車牌圖像。將提取出的車牌圖像進行二值化處理，根據(jù)投影圖的特點查找傾斜的角度，采用坐標變換的方法進行車牌傾斜校正，并利用其垂直投影圖中字符顯示出的峰群的特點進行字符切分。最后完成了整個車牌字符的識別。最后搭建了一個測試平臺，將上述三個部分進行了系統(tǒng)化，對系統(tǒng)的性能進行了測試和分析。開始輸入汽車圖像提取車牌邊緣形態(tài)學處理一次定位是否有車牌進行二值化根據(jù)投影和坐標變換進行傾斜矯正根據(jù)垂直投影進行字符切分進行字符識別結(jié)果輸出二次定位結(jié)束NOYES 系統(tǒng)識別流程圖第4章 基于模板匹配的車牌識別詳細設(shè)計本設(shè)計處理的流程包括：圖像采集圖像預處理車牌定位傾斜校正字符分割字符識別六個部分。圖像采集部分所采集的圖像一般是采用CCD攝像機攝取的車牌前視圖或后視圖，這些通過由光照檢測裝置控制現(xiàn)場的光照，位置檢測裝置控制攝像機的拍攝角度而得到的。本設(shè)計中所用到圖片是用數(shù)碼相機拍的，模型如下圖： 照片模型圖像預處理部分需要對采集到的圖像進行圖像加強、平滑濾波等操作，目的是突出車牌的主要特征，以便更好地提取車牌。圖像預處理一般包括以下步驟：對圖像的灰度進行處理、圖像平滑、圖像增強、圖像二值化、圖像銳化、邊緣檢測。 二值化的圖像 采集的車輛圖像為彩色圖像，應將彩色圖像轉(zhuǎn)化為灰度圖像。由于光線不足或者反光等諸多因素，又可能造成車牌對比度較差，對接下來的紋理分析產(chǎn)生影響，所以有必要進行圖像增強。本文對圖像中特亮和特暗的地方進行灰度拉伸，有效增強圖像對比度，提高車牌定位準確率。為了進一步提高定位準確率，我們通過連續(xù)的兩幀圖像定出車大概位置，再在車的位置上搜索車牌，這樣不僅提高了準確率，還提高了整個程序的運行效率。同時為了減少圖像中的孤立干擾點，保留車牌字符邊緣，讓車牌字符的圖像灰度水平投影更有的連續(xù)性。選用 MXl的模板對灰度拉伸后的圖像進行中值濾波。從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標區(qū)域的特點，在灰度圖像的基礎(chǔ)上提取相應的特征。車牌定位是車牌識別系統(tǒng)中的關(guān)鍵和難點，實際圖像中的噪聲、復雜背景等干擾都會使定位十分困難。車牌牌照的提取是一個尋找最符合牌照特征區(qū)域的過程。從本質(zhì)上講，就是一個在參量空間尋找最優(yōu)定位參量的問題。自然環(huán)境下，汽車圖像背景復雜、光照不均勻，如何在自然背景中準確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。首先對采集到的視頻圖像進行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。流程圖如下：導入原始圖像圖像預處理增強效果圖像邊緣提取車牌定位 對圖像開閉運算 車牌定位流程圖本文采用車牌定位方法是一種基于灰度圖像，求取圖像能量極值區(qū)域的車牌定位方法，刻意避開二值化中閩值的確定問題。該方法充分利用車牌紋理復雜、對比度鮮明、外型規(guī)則等特征構(gòu)造車輛圖像的對比度能量圖，然后通過選取極值區(qū)域來定位車牌?；谇笕【矸e能量極值區(qū)域進行車牌定位的實驗步驟基本如下：首先，為了提高定位準確率，我們通過連續(xù)的兩幀圖像定出車輛大概位置，再在車輛的位置上搜索車牌，這樣不僅提高了準確率，還提高了整個程序的運行效率。同時減少圖像中的孤立干擾點，保留車牌字符邊緣，讓車牌字符圖像的灰度水平投影更有連續(xù)性。其次，由于車牌區(qū)域與車身相比，車牌區(qū)域的對比度特別大，灰度變化具有一定頻度，所以我們先對圖像的每一行相鄰像素做求極值處理，再求相鄰點間的差，從而減少由車身帶來的誤差。求極值處理公式如下： （）求相鄰點間的差公式如下： （）最后，由于車牌區(qū)域的變化頻度較大，在一般情況下，車牌區(qū)域的卷積能量都是最大的，特殊情況下也是第二大。又由實驗可知，對圖像求卷積能量時，卷積長度越接近車牌的寬度，定位就越準確。再由先驗知識可知車牌的寬度與車寬成一定的比例，所以車牌寬度可由車寬求出，因此對每幀圖像求卷積能量時，卷積長度采用自適應的方法，進一步提高車牌定位的準確率。卷積能量公式如下： （）其中h(n)為長度為L的卷積核。 定位到的車牌圖片由于CCD攝像機采集車牌圖像時，有時候會出現(xiàn)采集到的車牌圖像里牌照區(qū)域是傾斜的。傾斜的牌照不利于后續(xù)的字符分割與識別，嚴重的還可能引起牌照內(nèi)容的丟失，直接導致字符識別的失敗。因此，在進行字符分割與識別之前，有必要對牌照進行傾斜校正。目前，車牌的傾斜校正方法主要有：通過垂直和水平邊緣檢測相結(jié)合的方法。進行水平邊緣檢測，并進行垂直投影的方法。Hough變換法。求得車牌上字符連通域的中心點，然后擬成直線的方法。求取車牌字符區(qū)域的極小特征點和極大特征點的方法。.通過模板匹配的方法。其中Hough變換的方法比較常用。Hough變換運用兩個坐標之間的變換來進行檢測。平面內(nèi)的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點，都集中到變換空間上，形成峰點。這樣就把原始圖像中的曲線或直線的檢測問題，轉(zhuǎn)化為尋找變換空間的峰值問題。Hough變換只能對己知形狀參數(shù)的曲線方程如二次曲線、直線來進行描述，不能對未知曲線來進行檢測，這是此變換的缺點。但是變換的最大優(yōu)點是抗干擾性強。只要檢測出車牌的兩條平行直線即可，符合變換的要求。 校正前的圖片 校正后的圖片字符分割即是對獲得的牌照分離出單個字符(包括漢字、字母和數(shù)字等)，以便于字符識別。字符分割的算法有很多，通常是根據(jù)處理對象的不同有許多相應的方法。為了實現(xiàn)更好的分割，有關(guān)的總體知識和先驗信息是很有用的，根據(jù)包含在圖像中的信息，可以制定相應的判決準則和控制策略，使其完成自動分割。傳統(tǒng)的字符分割算法可以歸納為以下三類：直接分割法、基于識別基礎(chǔ)上的分割法和自適應分割線聚類法。直接分割法簡單，但它的局限是分割點的確定需要較高的準確性；基于識別結(jié)果的分割是把識別結(jié)果和分割結(jié)合起來，但是需要高準確的識別結(jié)果。它根據(jù)分割和識別結(jié)果的耦合程度又有不同的劃分；自適應分割線聚類法是一個分類器，用它來判斷圖像的每一列是否是分割線，它是根據(jù)訓練樣本來進行自適應的神經(jīng)網(wǎng)絡(luò)，但是對于粘連的字符很難訓練。由于本文處理的對象是相對類型較少，變化較小的車牌，因此采用直接分割法。具體就是采用投影法先將字符粗分割，然后根據(jù)單個字符的寬度進行分類，將粘連字符再分割，斷裂字符合并。完