【文章內(nèi)容簡介】 相同的二值化狀態(tài)特征矩陣,根據(jù)車牌的色彩特征,調(diào)整狀態(tài)特征矩陣。再用數(shù)學(xué)形態(tài)學(xué)方法對狀態(tài)特征矩陣進(jìn)行填充空洞和濾除噪聲的處理,并根據(jù)車牌的幾何特征除去偽牌照區(qū)[10]。該定位算法正確率較高，當(dāng)區(qū)域顏色與附近顏色相似時，虛警率較高。3)基于小波變換的車牌定位方法。目前利用小波分析的車牌定位算法大多是利用小波變換與其他多種方法相結(jié)合來實現(xiàn)更準(zhǔn)確、快速的定位。例如基于小波分析和數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，該方法通過小波多尺度分解提取出紋理清晰且具有不同空間分辨率、不同方向的邊緣子圖，然后利用車牌目標(biāo)區(qū)域具有水平方向低頻、垂直方向高頻的的特點實現(xiàn)子圖提取，最后用數(shù)學(xué)形態(tài)學(xué)方法對小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運算，進(jìn)一步消除無用信息和噪聲[11]，以確定車牌位置。該方法在噪聲較小的情況下定位效果好，分割精度高；其缺點是速度較慢，且在噪聲較大時誤定位機(jī)率也隨之增大。4)基于顏色組合特性的車牌定位算法。由于在光線的干擾下，所采集到的車牌圖像中的顏色信息很容易發(fā)生變化，大部分車牌定位算法都是基于灰度圖像的。而如果在保證良好的光照條件下，則可以考慮利用車牌的顏色組合特性，畢竟增加了一維信息，從而有利于提高車牌定位的準(zhǔn)確性。Shyang—Lih Chang等人提出了一種基于顏色邊緣特性及模糊操作的車牌定位算法，進(jìn)一步提高了車牌定位的檢測率，但是檢測性能易受環(huán)境的影響，且定位時間也相應(yīng)加長[12]。另外，車牌定位還有基于車牌字符組成特性的車牌定位算法、基于車牌邊角點的車牌定位算法、基于邊框組成特性的車牌定位算法和遺傳學(xué)車牌定位算法[13]等。本文所用的車牌定位方法是基于輪廓檢測和分級判斷的綜合定位方法。在定位步驟可分為車牌輪廓粗定位和分級判斷、車牌精確定位等3個部分。 車牌輪廓粗略定位和分級判斷(1) 對預(yù)處理后的圖像進(jìn)行輪廓檢測， 輪廓檢測法得到的圖像輪廓(2) 并進(jìn)行初步的判斷，除去那些非車牌區(qū)域。 初步判斷后的輪廓(3) 仿射變換并在此檢測得到的車牌區(qū)域圖像 仿射變換得到的最終車牌區(qū)域圖像 基于投影法的精確定位利用輪廓檢測得到的車牌區(qū)域圖像還包含邊框和其他無用區(qū)域，因此需要再用投影法進(jìn)行精確定位，最后對定位好的圖像進(jìn)行歸一化話為400*40大小，方便后續(xù)的切割。 字符切割字符分割的任務(wù)是把多列或多行字符圖像中的每個字符從整個圖像中切割出來成為單個字符[14]。其好壞直接影響著識別可信度。本章先根據(jù)車牌的字符寬度、字符間距和排列規(guī)則等特點，對車牌字符進(jìn)行有效準(zhǔn)確的分割。目前常用的字符分割方法有行程標(biāo)記法、投影法[15]、聚類法和連通域像素標(biāo)記法。其中行程標(biāo)記法的計算復(fù)雜度會隨著圖像幅度和連通域個數(shù)的增加而增長得非?？臁Ｍ队胺ê唵?、易于實現(xiàn),但它對傾斜的字符很敏感,其分割的結(jié)果往往不理想。而聚類法分割效果較好,解決了漢字不連通的問題,但程序設(shè)計復(fù)雜、分割速度慢。傳統(tǒng)的連通域像素標(biāo)記法對像素重復(fù)標(biāo)記和歸并標(biāo)記需大量運算,這影響分割效率,不能滿足實時性要求。針對上述問題,本文提出了基于簡單統(tǒng)計法及投影法相結(jié)合的方法，對于具有復(fù)雜背景的字符圖像進(jìn)行二值化，并在此基礎(chǔ)上進(jìn)行形態(tài)開閉運算、進(jìn)行連通域判斷等方法去除二值圖的噪聲，同時保證字符的完整性，為最終進(jìn)行字符自動識別提供了令人滿意的預(yù)處理效果。該處理算法速度較快，計算量適中，具有較好的實時性。 預(yù)處理分割車牌之前仍然需要對車牌進(jìn)行預(yù)處理，因為，車牌定位和矯正得到只是車牌的準(zhǔn)確位置，要提取字符，必須先確定字符的位置，但是字符的位置是相對車牌底色背景區(qū)域而言的，而且受到光照和車牌污點的干擾，所以必須進(jìn)行預(yù)處理。我們線對定位好的牌照圖像進(jìn)行灰度化，在進(jìn)行圖像濾波去噪點，再進(jìn)行固定閾值化。 切割對預(yù)處理后的圖像采用投影法[16]，通過計算第x列上的白點數(shù)目，就可以得到x位置的垂直投影V(x)。在每個豎直筆畫對應(yīng)的位置，垂直投影都會產(chǎn)生個尖峰，顯然，如果二值化圖像質(zhì)量很好，也就是說，字符不存在枯連和斷裂現(xiàn)象，只需要垂直投影就可以很好地完成字符分割的任務(wù)。雖然大部分圖像都不可能達(dá)到這種質(zhì)量，但垂直投影仍然是字符分割中的一個非常重要的特征。本文利用牌照字符固定的高寬比和間距作為經(jīng)驗知識對牌照圖像進(jìn)行精確的字符定位切分。在分割前先估算出字符寬度、間距，并從圖像豎直方向的黑白跳變數(shù)定出字符的開始位置，再參照估算值逐個定位切分全部字符。具體步驟如下：步驟一：先找到第二個字符的位置。從第20列開始向右掃描，直到遇到出現(xiàn)連續(xù)的8列白點數(shù)小于2時，再向右掃描遇到的白點數(shù)大于2的那列標(biāo)記為第二個字符的開始位置。繼續(xù)向右掃描直到出現(xiàn)白點數(shù)小于2的那列，則標(biāo)記為第二個字符的結(jié)束位置。同理找到第3個字符的起始和結(jié)束位置。步驟二：找到第一個字符位置。以第二個字符的開始位置起點向左掃描，當(dāng)出現(xiàn)連續(xù)的兩列百點數(shù)大于5時，則認(rèn)為該列是第一個字符結(jié)束位置，繼續(xù)向前掃描，知道發(fā)現(xiàn)白點數(shù)小于2的那列，并把該列做為第一個字符的起始點。步驟三：其他字符位置的確定。以前面的到得字符位置可以大概確定單個字符的寬度，再結(jié)合投影掃描法依次確定后續(xù)字符位置[17]。本算法依掘車牌字符參數(shù)估算值加上一合理誤差分割字符，并且充分考慮了“1”、“T”、“L”等特殊字符。實驗結(jié)果表明本文采用的算法能夠較好的實現(xiàn)單字符的分割，受字符粘結(jié)和斷裂影響不大。如果在車牌定位成功，成功率為百分之百。 字符歸一化為了方便后續(xù)的字符識別操作，我們需要對分割好的字符進(jìn)行歸一化處理，我們把單個字符圖像歸一化為20*40大小的圖像。 歸一化后的圖像 字符識別字符識別屬于典型的模式識別。而車牌的字符包含了漢字、字母和數(shù)字,結(jié)構(gòu)比較復(fù)染,相似的字符較多,并且漢字筆畫多,非常復(fù)染,同時字符識別的算法也非常多,能夠清楚的識別每個字符是一個比較難解決的問題[18]。目前，國內(nèi)的車牌漢字識別技術(shù)主要采用模板匹配法和神經(jīng)網(wǎng)絡(luò)法。 識別算法概述(1) 模板匹配法。模板匹配是最為直觀的一種方法[19]，如字面所理解的，選用一些樣本作為模板，當(dāng)進(jìn)行判斷時，首先計算待測數(shù)據(jù)和模板間的相似度，相似度越大的那類模板將被認(rèn)作最終的判決類。(2) BP神經(jīng)網(wǎng)絡(luò)識別算法。BP神經(jīng)是基于誤差方向傳播算法(Backpropagation)的多層前向神經(jīng)網(wǎng)絡(luò)， ，已經(jīng)成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。與感知器和線性神經(jīng)網(wǎng)絡(luò)不同的是，BP網(wǎng)絡(luò)的神經(jīng)元采用的傳遞函數(shù)通常是Sigmoid型可微單調(diào)遞增函數(shù)．可以實現(xiàn)輸入到輸出的高度非線性映射。 彈性模板匹配算法傳統(tǒng)的模板匹配要求待別字符圖像與模板圖像嚴(yán)格對應(yīng)。但是實際的車牌字符一般多少有一些變形和缺損，這就增加了正確識別字符的難度。我們提出一種彈性模板匹配算法實現(xiàn)兩者的匹配識別。彈性模板匹配算法是：先將每一個模板在待識別圖像中的某個小范圍內(nèi)(上下左右)進(jìn)行適當(dāng)?shù)囊苿?約2—3像素)，來找到最大的匹配度。最后當(dāng)所有模塊都按相同的算法與待識別圖像匹配完，具有最大匹配度的匹配則為最佳匹配，視為最終的匹配結(jié)果。 識別結(jié)果 本章小結(jié)本章研究了車牌定位、車牌字符分割和字符識別。車牌定位是利用HSV顏色分割和投影法在車牌區(qū)域從圖像中切割出來。試驗表明，該算法對光照不均勻、字符和底色對比度低以及車輛分布情況的復(fù)雜性等并不敏感，能夠快速準(zhǔn)確的定位出多車牌區(qū)域。字符分割是把多列或多行字符圖像中的每個字符從整個圖像中切割出來成為單個字符，先根據(jù)車牌的字符寬度、字符間距和排列規(guī)則等特點，對車牌字符進(jìn)行有效準(zhǔn)確的分割[20]。在車牌字符識別方面，本文提出一種基于改進(jìn)的彈性模板匹配法對車牌數(shù)字字母進(jìn)行識別。該算法將每一個模板在待識別圖像中的某個小范圍內(nèi)進(jìn)行適當(dāng)?shù)囊苿?，并計算兩者之間的匹配度；當(dāng)所有模塊都按相同的算法與待識別圖像匹配完，具有最大匹配度的匹配則為最佳匹配，視為最終的匹配結(jié)果。該算法能很好解決實際應(yīng)用中的車牌圖像字符變形、缺損等情況帶來的問題。第6章 系統(tǒng)調(diào)試 運行平臺操作系統(tǒng)：Ubuntu、Win 7開發(fā)工具：Qt、OpenCV 系統(tǒng)功能測試(1) 讀取照片。點擊讀取照片下拉框，里面有三個選項：固定路徑、自由選擇和攝像頭導(dǎo)入圖像。其中固定路徑選項的作用是打開一張固定路徑下存儲的圖像，自由選擇的作用是用戶在系統(tǒng)中自由選擇一張圖像進(jìn)行打開，攝像頭導(dǎo)入的作用是把攝像頭讀取的圖像導(dǎo)入到系統(tǒng)中打開。打開的照片會顯示在Label中。 打開圖像并顯示(2) 預(yù)處理。點擊預(yù)處理按鈕，在label中會顯示經(jīng)過HSV分割，濾波，形態(tài)學(xué)處理后的圖像 預(yù)處理界面(3) 定位。點擊定位按鈕時，會在下邊的小label中顯示經(jīng)過定位得到的精確的車牌圖像 定位界面(4) 切割。點擊切割按鈕后，最下面的7個小label會顯示出切割好并歸一化為20*40的車牌字符圖像 切割界面(5) 識別。點擊識別按鈕后，在textEdit中會顯示7個識別號的車牌字符 識別界面 車牌識別結(jié)果展示前小結(jié)已經(jīng)完成了本系統(tǒng)的功能測試，為了分析本系統(tǒng)的識別率和穩(wěn)定性，接下來要對本系統(tǒng)進(jìn)行性能測試，分別在正常、存在傾斜度、陰天、其他復(fù)雜環(huán)境下進(jìn)行性能測試。 正常情況識別結(jié)果 傾斜及陰暗情況識別結(jié)果一 傾斜及陰暗情況識別結(jié)果二 其他情況 其他識別一 其他識別結(jié)果二 其他識別結(jié)果三結(jié)論本文全面地評述了車牌定位與識別技術(shù)的研究現(xiàn)狀和發(fā)展概況。詳細(xì)地介紹了圖象處理技術(shù)在車牌識別[21]領(lǐng)域中的重要應(yīng)用，并介紹了車牌識別相關(guān)技術(shù)。本文所設(shè)計的系統(tǒng)利用目前方興未艾的嵌入式硬件開發(fā)技術(shù)和性能卓越的開源嵌入式Linux操作系統(tǒng)及相關(guān)開發(fā)工具，結(jié)合高效的車輛牌照自動識別核心算法，系統(tǒng)穩(wěn)定快速可靠并具有很高的性能價格比，在ITS領(lǐng)域?qū)⒂兄鴱V泛的應(yīng)用前景。本文工作的主要特色概括如下[22]：(1) 本文采用的是HSV彩色分割、濾波和膨脹的預(yù)處理算法，通過合理的設(shè)置閾值范圍，能很好的去處非車牌區(qū)域的干擾。(2)提出了一種基于輪廓檢測和分級判斷的車牌定位算法。該算法首先用對圖像進(jìn)行輪廓檢測，再通過算法去掉非車牌區(qū)域，之后通過仿射變換得到輪廓圖像，再通過算法對輪廓圖像進(jìn)行檢測，排除非車牌區(qū)域，得到最終的車牌區(qū)域圖像。最后用投影法實現(xiàn)對車牌區(qū)域的精確定位。實驗表明，該算法對光照不均勻、字符和底色對比度低以及車輛分布情況的復(fù)雜性等并不敏感，能夠快速準(zhǔn)確地定位車牌區(qū)域。(3)提出了一種基于改進(jìn)的彈性模板匹配法對車牌字符進(jìn)行識別。該算法將每一個模板在待識別圖像中的某個小范圍內(nèi)(上下左右)進(jìn)行適當(dāng)?shù)囊苿?約2—3像素)，來找到最大的匹配度。最后當(dāng)所有模塊都按相同的算法與待識別圖像匹配完，具有最大匹配度的匹配則為最佳匹配，視為最終的匹配結(jié)果。本系統(tǒng)在原理與方法的探索上作了大量的工作，取得了階段性的成功，但是在某些方面還存在許多的不足，有待于進(jìn)一步的研究和探討，主要有以下幾個方面：(1) 本文采用的是基于HSV顏色分割預(yù)處理算法，由于顏色閾值的設(shè)定原因，對藍(lán)底白字車牌定位效果較佳，而其他類型車牌定位會存在一些問題。(2) 字符識別采用的是模板匹配算法，雖然字符模板都是標(biāo)準(zhǔn)的字符，然而在實際情況下由于各種原因?qū)е挛覀兦懈畹玫降淖址皇悄敲礃?biāo)準(zhǔn)，如字符缺損、傾斜、斷裂、粘璉等情況導(dǎo)致在匹配過程中會出現(xiàn)匹配錯誤，尤其是在數(shù)字和英文字母的匹配識別過程中，例如數(shù)字1不能很好的識別、C和0、M和N，B和D、G和0等之間的混淆。參 考 文 獻(xiàn)[1] 朱光忠，黃云龍，[J].計算機(jī)應(yīng)用與發(fā)展,:161162.[2] [M].北京：人民郵電出版社，2006.[3] [M].北京：北京航天航空出版社，2010[4] 、設(shè)計與應(yīng)用[M].北京：北京機(jī)械出版社，2010.[5] [M].北京：電子工業(yè)出版社，2006.[6] Arthur 2/QT編程寶典[M].北京：電子工業(yè)出版社,2002.[7] [J].機(jī)器視覺,2006,(3):103107.[8] 趙雪春,[J].上海交通大學(xué)學(xué)報,1998,32(10):49.[9]張引，(4):374377.[10] 于萬波，沈連山，[J].遼寧工程技術(shù)大學(xué)學(xué)報(自然科學(xué)版)，2001,20(5):713714[11] 戴青云,[J].控制理論與應(yīng)用,2001,1,18(4):478482.[12]任仙怡,周 曉,張桂林,張?zhí)煨?. .2002,06[13]是湘全，何苑凌，,17(5):3436.[14] 顧弘,趙光宇,齊東蓮,[J].中國圖象圖形學(xué)報,2010,15(5):749756.[15] 全書海,薛志華, 位算法研究與現(xiàn)狀[J].武漢理工大學(xué)學(xué)報(交通科學(xué)與工程版),2005,29(6):879882.[16] 應(yīng)宏徽，姚明海，[J].控制工程，2004,11(05):432436[17] 吳金,張金礦,基于投影坐標(biāo)p次方差及粒子群的車牌傾斜檢測[J].計算機(jī)輔助設(shè)計與圖象圖形學(xué)報,2010,22(1):114120.[18] Due T,Jain A,Taxt extraction methods for character recognition survey [J].Pattern Recognition,1996,29(4):641662[19] 嚴(yán)萍,——模板匹配——特征點匹配相結(jié)合的車牌字符識別法[J].西昌學(xué)院學(xué)報(自然科學(xué)版),2011,25(1):4244.[20] [學(xué)位論文].2010年,西安電子科技大學(xué).[21] 韓立明,[J].計算機(jī)工程與設(shè)計,2010,31(17):39193923.[22]Suresh K V,Kumar G M,Rajagopalan A of license Plates in real traffic videos[J].IEEE Transaction on Intelligent Transportation Systems,2007,8(2):321331.附錄1：英