【文章內容簡介】 均值，即 R=G=B= () (3)加權平均值法:根據(jù)重要性或其它指標給R, G, B賦予不同的權值，并使R, G, B等于它們的值的加權和平均，即 R=G=B= ()其中Wr Wc,Wa，分別為R, G, B的權值。由于人眼對綠色的敏感度最高，對紅色的敏感度次之，對藍色的敏感度最低，當Wr=, Wa=, Wc=，能得到最合理的灰度圖像。 原圖像 灰度化后的圖像 二值化圖像二值化是指整幅圖像畫面內僅黑、白二值的圖像。在數(shù)字圖像處理中二值圖像占有很重要的地位。這是因為，一方面，有些需要處理的如文字圖像、指紋圖像、工程圖紙等圖像本身是二值的；另一方面，在某些情況下即使圖像本身是有灰度的，我們也設法使它變成二值圖像再進行處理（即灰度圖像的二值化）。這是考慮到在實用系統(tǒng)中，要求處理的速度高、成本低、信息量大的濃淡圖像處理的花銷大。此外二值化的圖像能夠用幾何學中的概念進行分析和特征描述，比灰度圖像優(yōu)勢大得多。 在實際的車牌處理系統(tǒng)中，進行圖像二值化的關鍵使確定合適的閾值，使得字符與背景能夠分割開來，而且二值變換的結果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等。同時車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大提高處理效率[1]。二值化的關鍵是找到合適的閾值t來區(qū)分對象和背景。設原灰度圖像為f(x,y)，二值化后的圖像為g(x,y),二值化的過程表示如下： 0 f(x,y)t g(x,y)= () 255 f(x,y)t二值化，基于實時性的要求，我力求尋找一種快速而且效果較好的方法，能夠更有針對性的解決在不同條件下牌照圖像的二值化問題。求解閾值的方法很多，微分直方圖法、最大方差法、基于灰度的數(shù)學期望的方法、可變閾值法等。我們采用最簡單的方法，當象素灰度級低于常數(shù)C時，[0C]象素灰度為0，[C255]象素灰度為255。 車牌定位車牌圖像往往是在復雜的環(huán)境中拍攝得到的，車牌由于與復雜的車身背景融為一體，由于車牌在使用中磨損與灰塵及拍攝儀器的影響以及由于拍攝角度的不同，車牌在圖像中往往有很大的形變，如何在復雜背景中準確、快速找出車牌的位置成為車牌識別中的難點[2]。目前已有不少學者在這方面進行了研究?？偨Y起來主要有如下幾類方法：(1) 基于水平灰度變化特征的方法，這種方法主要在車牌定位以前， 需要對圖像進行預處理，將彩色圖像轉換為灰度圖像，利用車牌區(qū)域水平方向的紋理特征進行車牌定位；(2) 基于邊緣檢測的定位方法，這種方法是利用車牌區(qū)域豐富的邊緣特征進行車牌定位[3]，能夠進行檢測的方法有多種，如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測；(3) 基于車牌顏色特征的定位方法，這種方法主要是應用車牌的紋理特征、形狀特征和顏色特征即利用車牌字符和車牌底色具有明顯的反差特征來排除干擾進行車牌的定位；(4) 基于Hough 變換的車牌定位方法，這種方法是利用車牌邊框的幾何特征，采取尋找車牌邊框直線的方法進行車牌定位；(5) 基于變換域的車牌定位方法，這種方法是將圖像從空域變換到頻域進行分析，例如采用小波變換等；(6) 基于數(shù)學形態(tài)學的車牌定位方法，這種方法是利用數(shù)學形態(tài)學圖像處理的基本思想，利用一個結構元素來探測一個圖像， 看是否能將這個結構元素很好的填放在圖像內部，同時驗證填放元素的方法是否有效。腐蝕、膨脹、開啟和關閉是數(shù)學形態(tài)學的基本運算。這些方法各有優(yōu)缺點，要實現(xiàn)快速、準確地定位車牌，應該綜合利用車牌的各種特征，僅靠單一特征很難奏效。本文結合車牌紋顏色與數(shù)學形態(tài)學兩方面的特征對車牌進行定位，對于提高車牌定位準確率提供更有利的保障。該方法包括牌照區(qū)域的粗定位和細定位兩個步驟。在粗定位階段中采用了基于數(shù)學形態(tài)學的定位方法，在得到定位圖像后進行細定位，在細定位中采用車牌顏色特征的方法以獲得最后定位圖像。本方法對在多種光照條件下采集的車輛牌照圖像、車牌本身不潔、或者牌照存在傾斜和扭曲等情形，均能取得較好的定位效果。 車牌粗定位由攝像機采集的彩色車輛圖像首先轉化為灰度圖像，經(jīng)過灰度均衡變換、Sobe1邊緣強化，其邊緣得到了勾勒和加強。這里選用的是數(shù)學形態(tài)學的方法，其基本思想是用具有一定形態(tài)的機構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識別的目的。數(shù)學形態(tài)學的應用可以簡化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結構。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。 對車牌位置粗定位 車牌細定位在獲得車牌粗定位后，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，確定車牌底色藍色RGB對應的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內的像素點數(shù)量，設定合理的閾值，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，統(tǒng)計列方向藍色像素點的數(shù)量，最終確定完整的車牌區(qū)域。 定位后的車牌 車牌分割車牌圖像的分割即把車牌的整體區(qū)域分割成單字符區(qū)域，以便后續(xù)進行識別。車牌分割的難點在于噪聲合字符粘連，斷裂對字符的影響。要想從圖像中直接提取出目標物體，最常用的方法就是設定一個閾值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。均值濾波是典型的線性濾波算法，它是指在圖像上對目標像素給一個模板，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。 對定位后的車牌進一步處理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上進行字符的分割，然后再利用分割的結果進行字符識別。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，則認為該塊有兩個字符組成，需要分割。 分割出來的7個字符一般分割出來的字符要進行進一步的處理，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)可以達到正確識別的目的[4]。在此只進行了歸一化處理，然后進行后期處理。 歸一化處理后的7個字符 字符識別車牌字符識別方法基于模式識別理論，主要有：(1) 統(tǒng)計識別；(2) 結構識別；(3) 基于神經(jīng)網(wǎng)絡的字符識別；(4) 基于模板匹配的字符識別。由于汽車車牌圖像所處成像環(huán)境復雜多變很難采集到一個完整的有代表性原始圖像集作為統(tǒng)計分析的基礎，因此統(tǒng)計方法難于實現(xiàn)。另外車牌字符常發(fā)生變形、斷缺等情況，使字符結構受損，則依賴于字體結構完整性的結構識別方法所提取的特征會不準確，識別結果的誤識率也高。因此實際用于車牌識別的方法主要是后兩類?；谏窠?jīng)網(wǎng)絡的字符識別方法，具有良好的容錯能力，分類能力和并行處理能力及自我學習能力，應用神經(jīng)網(wǎng)絡實現(xiàn)模式識別，運行速度快，自適應好，分辨率高。對信息復雜、背景不清楚、推理不明確的問題尤為有利。但人工神經(jīng)網(wǎng)絡為了保證系統(tǒng)高識別率也需要大量樣本，通過學習獲取知識并改進自身性能。當學習系統(tǒng)所處環(huán)境平穩(wěn)時(統(tǒng)計特性不隨時間變化)，神經(jīng)網(wǎng)絡可以學到這些環(huán)境統(tǒng)計特性，作為經(jīng)驗記住?；谀０迤ヅ涞淖址R別方法，相對算法簡單，速度較快，得到了廣泛應用?；谀０迤ヅ涞淖址R別方法主要有：簡單模板匹配，外圍輪廓匹配，投影序列特征匹配，外圍輪廓投影匹配，基于Hausdorff距離的模板匹配等等[5]。本文采用了基于模板匹配的字符識別方法?；谀０迤ヅ涞腛CR的基本過程是：首先對待識別字符進行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進行匹配，最后選最佳匹配作為結果。建立自動識別的代碼表讀取分割出來的字符第一個字符與模板中的漢字模板進行匹配第二個字符與模板中的字母模板進行匹配待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的識別完成，輸出此模板對應值后5個字符與模板中的字母與數(shù)字模板進行匹配 字符識別流程圖模板匹配的主要特點是實現(xiàn)簡單，當字符較規(guī)整時對字符圖像的缺損、污跡干擾適應力強且識別率相當高。綜合模板匹配的這些優(yōu)點我們將其用為車牌字符識別的主要方法。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)相應的特征量逐個進行比較，計算它們之間規(guī)格化的互相關量，其中互相關量最大的一個就表示期間相似程度最高，可將圖象歸于相應的類。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去，按照一些基于圖象不變特性所設計的特征量來構建模板，就可以避免上述問題。本文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，或是軍種、警別等有特定含義的字符簡稱；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。所以建立字符模板庫也極為方便。為了實驗方便，結合本次設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，然后找數(shù)值最大的，即為識別出來的結果。 字符識別效果圖 實驗結果分析，以攝取的彩色車牌照片為對象進行實驗。在得到這個結果之前，需要對車牌圖像進行預處理、車牌定位、車牌分割等處理。由于攝像部分多工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖象可能出現(xiàn)模糊、歪斜和缺損等嚴重缺陷，因此需要對原始圖象進行識別前的預處理。預處理包括灰度化、車牌校正、平滑處理等。對于光照條件不理想的圖象，可先進行一次圖象增強處理，使得圖象灰度動態(tài)范圍擴展和對比度增強，再進行定位和分割，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，對它進行了灰度化的處理。因為彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此將彩色圖像轉化為灰度圖像，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