【文章內(nèi)容簡介】 籍車牌上的是建交國家的代號，與所在地區(qū)的監(jiān)管機(jī)關(guān)編號無關(guān)。 在這10種汽車中，編號為9和10的臨時入境和臨近行駛汽車以及使領(lǐng)館汽車由于數(shù)量很少、出現(xiàn)的概率極小，為了簡化算法和節(jié)省時間，忽略這幾種車型的特殊性，認(rèn)為它們與其他的7種汽車車型一致，采用相同的方法進(jìn)行識別。由于編號為1的大型汽車，由于系統(tǒng)的CCD攝像頭收集的是汽車頭部的牌照圖像，因此對于大型汽車后車牌的特殊性也可以忽略不計。 本論文中，不考慮車牌在背景色和前景色上的差異，在這些車牌中，大型汽車（前）、小型汽車、使領(lǐng)館汽車、境外汽車、外籍汽車、教練車和試驗汽車的號牌格式完全一樣，同時，由于小型車數(shù)量最多，出現(xiàn)概率最大，牌照規(guī)范與其它幾種車牌很相似，算法的識別對象最終設(shè)定為小型車。 常見車牌顏色特征的信息 對目前8種常見車牌（對大型車輛取前置車牌）的顏色分布和格式分布進(jìn)行分析，可以得出如下結(jié)論：l 工存在5種顏色：黃石、黑色、藍(lán)色、白色和紅色；l 存在5中前景和背景的顏色組合；黃底黑字黑框線、藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線，黑底紅字紅框線；l 字符顏色與背景顏色的亮度相差很大：要么亮度高于背景顏色的亮度（藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線、黑底紅字紅框線；要么字符顏色低于背景顏色亮度（黃底黑字黑框線），對于這種車牌，其二值化結(jié)果顏色相反，前景字符為黑色，背景為白色，需要進(jìn)行處理；l 牌照上的文字由7個字符和一個分隔符橫向水平排列組成，字符高度為90mm，寬度為45mm，分割符的直徑為10mm（實際上，每個字符是劇中分布在一個高位90mm，寬為45mm的矩形區(qū)域。）l 字符和字符之間或字符和分割符之間的距離為12mm；l 使館牌照的間隔符在第4和第5個字符之間，其余的車牌的間隔符在第l 2個和第3個字符之間。由于使館牌照出現(xiàn)的概率很小，將之視為小型車牌照一種變形情況，不單獨處理，后面提出的車牌格式均值后一種格式情況；l 從左到右，車牌中每一位的可能字符如下：第1位，30個省份的簡稱和“使”字，共有31個字符（暫時不考慮軍警車）；第2位，除去字母“I”之外的25個英文大寫字母；第3位，除去字母“I”和字母“O”之外的24個英文大寫字母和10個數(shù)字，共有34個字符；第4~6位，10個數(shù)字字符；第7位，10個數(shù)字字符和“領(lǐng)”“學(xué)”“試”“境”，共有14個字符。字符總數(shù)共有70個。l 觀測和分析車牌外形特點，無論哪種車牌，外輪廓都有一個寬度不大的輪廓線，輪廓線的顏色和字符顏色一致，與背景的亮度差異很大?，F(xiàn)實環(huán)境下，車牌有時安裝后，車輛廠商的商標(biāo)會遮擋牌照外輪廓線，但商標(biāo)本身又是一個輪廓線，其亮度與背景的亮度差異也很大，同樣可以利用之。 車牌特征分析結(jié)論 首先，結(jié)合車牌分析結(jié)論，利用其中的特征6點可以構(gòu)造牌照字符的格式模型，這個模型在其后的用來指導(dǎo)牌照定位后、字符識別前的字符分割。結(jié)合GA3692標(biāo)準(zhǔn)，牌照圖像的實際大小可能隨著CCD攝像頭采集的時機(jī)不同而產(chǎn)生一定的縮放，但是總體比例不會發(fā)生大的變化。設(shè)第1個字符中心和第2個字符的中心間距為一個長度單位，以第1個字符中心為原點，那么非使館車牌的其余字符中心的橫向位置應(yīng)分別為：1，，。 其次，利用分析結(jié)論7，可以利用字符在牌照的排列縮小候選字符的集合規(guī)模，加快識別速度或進(jìn)行識別后結(jié)果的糾正判別。如果不知道字符在牌照中的排列位置，那么每個位置的候選字符可以達(dá)到70個，如果知道了它的位置，那么該位置的候選字符至多有34個，尤其是對牌照的第6位，候選字符只有10個數(shù)字。 車牌號碼初定位牌照的定位[6]和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個圖象中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個牌照字符識別系統(tǒng)的識別率。由于牌照圖象在原始圖象中是很有特征的一個子區(qū)域，確切說是水平度較高的橫向近似的長方形，它在原始圖象中的相對位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過邊緣檢測來對圖象進(jìn)行分割。 圖6 牌照定位與分割流程圖牌照圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。但是車牌邊緣并不是連續(xù)的，不利于根據(jù)其特征進(jìn)行進(jìn)一步的判斷。此時可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)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)。在本程序中用到了膨脹和閉合這兩個基本運算，最后還用了bwareaopen來去除對象中不相干的小對象。 車牌二值化 經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對圖像二值化。圖像中對象物的形狀特征的主要信息，常?？梢詮亩祱D像中得到。二值圖像與灰度圖像相比，信息量大大減少，因而處理二值圖像的速度快，成本低，實用價值高。因此，在車牌字符切分前，首先對圖像進(jìn)行二值化處理。 均值濾波是典型的線性濾波算法，它是指在圖像上對目標(biāo)像素給一個模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來代替原來像素值。 圖像二值化的基本原理 圖像的二值化處理就是將圖像上的點的灰度值置為 0 或255，這樣處理后整個圖像呈現(xiàn)明顯的黑白效果，即將 256 個亮度等級的灰度圖經(jīng)過合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 二值化處理后的圖像，其集合性質(zhì)只與像素值為 0 或255 的點的位置有關(guān)，不再涉及像素的其他級值，處理過程簡單，且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255，否則，灰度值為 0，表示背景或者其他的物體區(qū)域。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個具有其他等級灰度值的均勻背景下，利用閥值法就能得到較好的切分效果。如果物體同背景的差別難以用不同的灰度值表現(xiàn)（比如紋理不同），可以把這些差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值法來切分該圖像。動態(tài)調(diào)節(jié)閥值來實現(xiàn)圖像的二值化可動態(tài)地觀察其切分圖像的具體結(jié)果。 牌照區(qū)域的分割 對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。根據(jù)車牌底色等有關(guān)的先驗知識，采用彩色像素點統(tǒng)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RGB對應(yīng)的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內(nèi)的像素點數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計列方向藍(lán)色像素點的數(shù)量，最終確定完整的車牌區(qū)域。 國內(nèi)汽車牌照種類很多，為研究方便以常見的藍(lán)色車牌為例來說明。2007 年頒布的車牌規(guī)范規(guī)定車牌總長440mm，牌照中的7 個字符的實際總長為409mm左右，寬 140mm，每個字符 45mm 寬，90mm 高，字符間距為 10mm ，其中第二個字符與第三個字符的間距較為特殊，最后一個字符與第一個字符距邊界 25mm 。這樣，如果平均分配每個字符在牌照中占據(jù)的寬度，那么每個字符寬度為：width/7（width為車牌圖像的寬度）。但是，實際上，第二個第三個字符之間存在一個黑點，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個字符的寬度應(yīng)該小于 width/7?？紤]所有的情況，一般情況下最小的寬度為 width/9。因此，字符的寬度可以從 width/9到width/7之間漸進(jìn)的變化得到。 5 牌照字符分割 字符字符切分綜述 在車輛牌照準(zhǔn)確定位后，本章主要是對車輛牌照識別中的字符切分算法進(jìn)行研，車牌字符切分的流程框圖如圖12所示。 圖7 字符分割與歸一化流程圖 字符分割 在汽車牌照自動識別過程中，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)行字符識別[7]。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。 字符歸一化 一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。6 車牌字符的識別 車牌字符識別綜述目前已經(jīng)提出的車牌字符識別的方法[5]有以下幾種： 1) 模板匹配字符識別算法。模板匹配字符識別算法的實現(xiàn)方法是計算輸入模式與樣本之間的相似性，取相似性最大的樣本為輸入模式所屬類別。該方法識別速度快，但是對噪點比較敏感。在實際應(yīng)用中，為了提高正確率往往需要使用大的模板或多個模板進(jìn)行匹配，處理時間則隨著模板的增大以及模板個數(shù)的增加而增加。 2 ）統(tǒng)計特征匹配法。統(tǒng)計特征匹配法的要點是先提取待識別模式的一組統(tǒng)計特征，然后按照一定的準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決。實際應(yīng)用中，當(dāng)字符出現(xiàn)字符模糊、筆畫融合，斷裂、部分缺失時，此方法效果不理想，魯棒性較差。3 ）神經(jīng)網(wǎng)絡(luò)字符識別算法。主要有兩種方法：一種方法是先對待識別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。其中，字符特征的提取是研究的關(guān)鍵，特征參數(shù)過多會增加訓(xùn)練時間，過少會引起判斷上的歧義。另一種方法是充分利用神經(jīng)網(wǎng)絡(luò)的特點，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別。這種網(wǎng)絡(luò)互連較多，待處理信息量大，抗干擾性能好，識別率高。但是產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，輸入模式維數(shù)的增加可能導(dǎo)致網(wǎng)絡(luò)規(guī)模龐大。4）支持向量機(jī)模式識別算法。支持向量機(jī)（Support Vector Machine ，SVM）是Vapnik 及其研究小組針對二類別的分類問題提出的一種分類技術(shù)，其基本思想是在樣本空間或特征空間，構(gòu)造出最優(yōu)平面使超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力。主要有兩種方法應(yīng)用于字符識別：一種是先對待識別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練 SVM分類器。另一種是直接將每個字符的整幅圖像做為一個樣本輸入，不需要進(jìn)行特征提取，節(jié)省了識別時間。 這四種方法中，模板匹配是車牌字符識別最簡單的方法之一，神經(jīng)網(wǎng)絡(luò)字符識別算法是目前比較流行的算法，本章重點研究模版匹配算法。 模版匹配字符識別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(yīng)的特征量逐個進(jìn)行比較，計算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。匹配時相似度函數(shù)定義為： （7）其中， 為待識別車牌字符圖像中像素點 的灰度值，這里的取值為 0或1，為模板字符圖像中像素點的灰度值，這里的取值為 0 或1；M 和N為模板字符點陣橫向和縱向包含的像素個數(shù)。 匹配的步驟為： (1)依次取出模板字符，將模板字符按照上、下、左、右四個方向，在周圍五個像素的范圍內(nèi)滑動，每次分別計算出相似度 S 值，取其中 S 的最大值做為字符與模板字符之間的相似度函數(shù)。 (2)依次從待識別的字符與模板字符的相似度中找出最大相似度所對應(yīng)的模板字符，判斷是否大于該字符的閾值 T，如果 S 大于 T ，那么待識別的字符的匹配結(jié)果就是該模板字符，反之，如果 S 小于 T，表示不匹配，則需要重新檢測。 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(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點的位置發(fā)生改變。在實際設(shè)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(jìn)去，按照一些基于圖象不變特性所設(shè)計的特征量來構(gòu)建模板，就可以避免上述問題。 圖8 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，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。為了實驗方便，結(jié)合本次設(shè)計所選汽車牌照的特點，只建立了4個數(shù)字26個字母與10個數(shù)字的模板。其他模板設(shè)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(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值個數(shù)保存，即為識別出來的結(jié)果。7 車牌號碼識別軟件設(shè)計結(jié)果及分析 車牌識別仿真 采用車牌號碼為魯HC9669的車牌照片進(jìn)行仿真，仿真效果如下： 使用加權(quán)平均值法處理車輛圖像，得到的灰度圖效果如圖10所示。圖9 原始圖像圖10 灰度圖車輛圖像進(jìn)行灰度