【文章內(nèi)容簡(jiǎn)介】 9。rectangle39。,[40,40])。I4=imclose(I3,se)。figure(5),imshow(I4)。title(39。平滑圖像的輪廓39。)。 。 平滑圖像的輪廓I5=bwareaopen(I4,2000)。figure(6),imshow(I5)。title(39。從對(duì)象中移除小對(duì)象39。)。 。 從對(duì)象中移除小對(duì)象后圖像車(chē)牌字符分割是車(chē)牌自動(dòng)識(shí)別系統(tǒng)中的重要步驟，這一模塊的正確性受到很多因素的影響，最大問(wèn)題是二值化不徹底使投影圖像中字符間的波谷不夠分明；其次，車(chē)牌污損、反光、光照不均等原因使車(chē)牌圖像交差，存在大量噪聲；再次，車(chē)牌邊框和鉚釘也會(huì)造成分割不正確；還有車(chē)牌的前兩個(gè)字符和后面五個(gè)字符之間的間隔符（小圓點(diǎn)）對(duì)字符識(shí)別有影響；車(chē)牌旋轉(zhuǎn)對(duì)水平分割有較大影響。本文車(chē)牌部分的分割采用的是利用車(chē)牌彩色信息的彩色分割法。使用統(tǒng)計(jì)彩色像素點(diǎn)的方法分割出車(chē)牌區(qū)域，確定車(chē)牌底色藍(lán)色RGB對(duì)應(yīng)的灰度范圍，然后統(tǒng)計(jì)在行方向的顏色范圍內(nèi)的像素點(diǎn)數(shù)量，確定車(chē)牌在行方向的區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車(chē)牌區(qū)域。 車(chē)牌對(duì)位的圖像定位后車(chē)牌圖像是彩色的，會(huì)占用較大的存儲(chǔ)空間，加重計(jì)算機(jī)負(fù)擔(dān)。且車(chē)輛圖片不可避免存在噪聲，所以要對(duì)圖像進(jìn)行灰度化，二值化以及濾波處理。圖像的二值化處理就是將圖像上的點(diǎn)的灰度置為兩個(gè)數(shù)值，通常為0或255，使整個(gè)圖像呈現(xiàn)出明顯的黑白效果。也就是將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈T(mén)限值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。濾波則是為了除去圖像噪聲。濾波方法有多種，本文采取的濾波方法為均值濾波。均值濾波是典型的線(xiàn)性濾波算法，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?chē)呐R近像素。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。 車(chē)牌的進(jìn)一步處理 。[m，n]=size（d），逐排檢查有沒(méi)有白色像素點(diǎn)，設(shè)置1=jn1，若圖像兩邊s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據(jù)圖像的大小，設(shè)置一閾值，檢測(cè)圖像的X軸，若寬度等于這一閾值則切割，分離出七個(gè)字符歸一化切割出來(lái)的字符圖像的大小為4020，與模板中字符圖像的大小相匹配 字符分割和歸一化流程圖在汽車(chē)牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。將得到的車(chē)牌區(qū)域圖像進(jìn)行二值化處理后，對(duì)圖像進(jìn)行垂直投影，投影圖上有明顯的類(lèi)似于峰谷的波形起伏變化， 通過(guò)對(duì)投影圖上的波形從左向右進(jìn)行掃描，根據(jù)谷和峰的特征就可以判斷出每個(gè)字符的位置；計(jì)算垂直峰，檢測(cè)合理的字符高寬比。在字符切割時(shí),往往由于閾值取得不好，導(dǎo)致字符切割不準(zhǔn)確，針對(duì)這種情況，可以對(duì)切割出的字符寬度進(jìn)行統(tǒng)計(jì)分析，用以指導(dǎo)切割，對(duì)因錯(cuò)誤切割過(guò)寬的字符進(jìn)行分裂處理。 字符分割后的圖像由于數(shù)碼相機(jī)拍攝的汽車(chē)圖像大小不一樣， 所以得到的牌照上的字符大小就不一樣，為了便于字符的識(shí)別，需要對(duì)字符進(jìn)行歸一化處理。歸一化處理的目的就是使車(chē)牌字符同標(biāo)準(zhǔn)模塊里面的字符特征一樣。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。 字符歸一化后的圖像字符的識(shí)別目前用于車(chē)牌字符識(shí)別(OCR)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17]?；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(chē)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(lèi)。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(lèi)。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)處理和規(guī)格化處理后，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(lèi)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。建立自動(dòng)識(shí)別的代碼表讀取分割出來(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(chē)牌照的字符一般有七個(gè)，大部分車(chē)牌第一位是漢字，通常代表車(chē)輛所屬省份，或是軍種、警別等有特定含義的字符簡(jiǎn)稱(chēng)；緊接其后的為字母與數(shù)字。車(chē)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(xiě)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(chē)牌照的特點(diǎn)，只建立了4個(gè)數(shù)字26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。 識(shí)別結(jié)果4 實(shí)驗(yàn)結(jié)果和分析4 實(shí)驗(yàn)結(jié)果和分析，以攝取的彩色車(chē)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(chē)牌圖像進(jìn)行預(yù)處理、車(chē)牌定位、車(chē)牌分割等處理。 由于攝像部分多工作于開(kāi)放的戶(hù)外環(huán)境，加之車(chē)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(chē)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(chē)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(xiāo)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(chē)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。在定位模塊，本文采用的是車(chē)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(chē)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(chē)牌區(qū)域，再確定列方向的區(qū)域，得出最終的車(chē)牌區(qū)域。 車(chē)牌分割即把車(chē)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(chē)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(mǎn)足下一步字符識(shí)別的需要，將分割后的字符歸一化。 西安工業(yè)大學(xué)北方信息工程學(xué)院畢業(yè)設(shè)計(jì)（論文） 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(lèi)識(shí)別能力更好的特征值和設(shè)計(jì)分類(lèi)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。 5 結(jié)論5 結(jié)論本文主要解決了以下幾個(gè)問(wèn)題：第一，在背景的圖象中如何定位分割牌照區(qū)域；第二，對(duì)分割下來(lái)的牌照字符如何提取具有分類(lèi)能力的特征；第三，如何設(shè)計(jì)識(shí)別器。在車(chē)輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理和識(shí)別技術(shù)都無(wú)法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。根據(jù)車(chē)牌特點(diǎn)，一般采用的車(chē)牌定位算法有：邊緣檢測(cè)定位算法；利用哈夫變換進(jìn)行車(chē)牌定位；色彩分割提取車(chē)牌等。這里本人采用的是邊緣檢測(cè)的方法實(shí)現(xiàn)定位的。字符分割的方法也有多種：基于聚類(lèi)分析的字符分割；投影分割的方法；基于模板匹配的字符分割等。最常用的是投影分割，主要是針對(duì)在車(chē)牌定位，圖像預(yù)處理后比較規(guī)則的車(chē)牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn)單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。字符識(shí)別的基本方法通常又三類(lèi)：結(jié)構(gòu)特征分析方法；模板匹配法；神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來(lái)確定最終的識(shí)別結(jié)果。但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距，但本人卻在這次課程設(shè)計(jì)中學(xué)到了很多知識(shí)。