【文章內(nèi)容簡介】 性，牌照位置的不確定性，圖像質(zhì)量的不可預知性，給牌照的定位與分割增加了很大的難度。從人的視覺特點出發(fā)，車牌目標區(qū)域具有如下特點：車牌底色往往與車身顏色、字符顏色有較大差異；車牌有一個連續(xù)或由于磨損而不連續(xù)的邊框，車牌內(nèi)有七個字符，基本成水平排列，所以在牌照的矩形區(qū)內(nèi)存在較豐富的邊緣，呈現(xiàn)出規(guī)則的紋理特征；車牌內(nèi)字符排列均勻，字符和牌照底色在灰度值上存在跳變，且字符本身與牌照底部灰度均勻；車牌內(nèi)字符間的間隔、字符大小和牌照大小有固定的比例；車牌的幾何特征：即車牌的高、寬和高寬比相對固定。根據(jù)這些特點，我們就可以更好的定位提取車牌。為了準確、快速地定位車牌，人們提出了許多定位算法。其中大部分算法是根據(jù)車牌特征而設計的，目前所利用算法主要有直接法、基于多分辨率、基于顏色信息以及基于數(shù)學形態(tài)學的車牌定位方法。下面對這些算法逐一介紹。 直接車牌定位法大多是根據(jù)車牌的形狀、灰度分布特性等特點來檢測車牌。其中，頻率法是直接車牌定位法中的一個典型定位算法[19]。頻率法是一種基于字符和背景變化頻率的投影定位方法，它結合車牌的先驗知識，在圖像中定位車牌。主要用到車牌以下的先驗知識： (1)攝像機與汽車的距離基本固定，而實際車牌的大小又基本相同，所以在圖像中車牌的大小是一個特征量； (2)車牌有邊界，邊緣檢測時會有邊緣存在； (3)車牌中一般7個字符，筆劃存在邊緣；車牌的搜索方法如下： (1)對圖像作垂直投影，然后從下向上搜索投影值，因為圖像中車牌以下部分的灰度值較低，且灰度分布相對均勻，經(jīng)過圖像增強和邊緣檢測后基本變?yōu)?。考慮到實時性的要求，搜索是跳躍前進的；(2)當搜索到的0，1變化頻率大于某一定值T，且跳躍距離(即兩個“0”或兩個“1”之間的距離)在規(guī)定的范圍內(nèi)，則可認為可能找到車牌的下沿了，記下第一次搜索到“1”時的橫坐標和該行縱坐標。此時，步進值改為1，以便實現(xiàn)精確搜索； (3)繼續(xù)搜索上邊各行，檢查是否也滿足投影值大于T的條件，直到找不到滿足條件的行，就認為可能是車牌的上邊沿，記下它的下一行的最后搜索到“1”的橫坐標和該行縱坐標； (4)計算該可能車牌的高：，再計算其寬度:，得出其寬高比，若R局限于3的一個領域內(nèi)，則表明找到了車牌，否則繼續(xù)搜索； (5)根據(jù)上述步驟完成定位，分割出車牌。 實驗中定值T取為13，因為牌照中7個字符(不包括“”)，左右邊緣至少應該有7*2=14個，邊緣檢測后每行應該至少有13次“0”到“1”的變化。 頻率提取法簡單實用，在干擾少的情形下車牌定位效果較好，對牌照所占比例較大，背景干擾較小的情況比較合適，一般和其它方法結合使用會更好。 多分辨率車牌定位法所謂多分辨率定位法，就是在低分辨率的圖像上大致確定出牌照的位置，然后在高分辨的圖像上做出精確的定位，這樣可以有效地減少計算量。汽車本身具有一定的特點，在一般情況下，牌照都掛在緩沖器上或附近。只要確定緩沖器的位置，就能得到牌照的大致位置。本算法中輸入圖像為未進行邊緣檢測的灰度圖像[20]。具體的算法如下：(1)將輸入圖像分成一系列大小相同的子圖像，每個子圖像的灰度均值為： (31)其中，為子圖像中心坐標。這樣就把高分辨率圖像變換成為低分辨率子圖像，轉換為低分辨率圖像的目的是為了提高處理速度； (2)對低分辨率圖像，將其象素沿水平方向累加，得到一個投影； (3)由于汽車的緩沖器位于車輪上方，由于光線的照射，無論是直射光，還是散射光，緩沖器至車輪底部這部分的平均灰度比緩沖器至緩沖器以上部分的平均灰度要暗一些。這樣，就會在圖像中呈現(xiàn)出一條明顯的邊界，在投影表中反映為陡變的邊沿。因此，只要能從表中找到這樣一個邊沿，便可定出緩沖器的位置；(4)程序中自下而上檢測投影表的波峰和波谷。當波峰和波谷第一次滿足式(32)時，則認為檢測到了緩沖器的位置，從而可以間接定位車牌。 (32) 最初形態(tài)學是生物學中研究動物和植物的一個分支，后來也用數(shù)學形態(tài)學來表示以形態(tài)為基礎的圖像分析數(shù)學工具。形態(tài)學的基本思想是使用具有一定形態(tài)的結構元素來量和提取圖像中的對應形狀，從而達到對圖像進行分析和識別的目的。數(shù)學形態(tài)學可以用來簡化圖像數(shù)據(jù)，保持圖像的基本形狀特性，同時去掉圖像中與研究目的的無關的部分。使用形態(tài)學操作可以完成增強對比度、消除噪聲、細化、填充和分割等常用圖像處理任務[21]。 數(shù)學形態(tài)學的基礎和使用的語言是集合論，其基本運算的四種：膨脹( Dilaition)、腐蝕(Erosion)、開啟(Open)和閉合(Close)基于這些基本運算還可以推導和組成各種數(shù)學形態(tài)學運算方法。其運算對象是集合，通常給出一個圖像集合和一個結構元素集合，利用結構元素對圖像進行操作。結構元素是一個用來定義形態(tài)操作中所用到的領域的形狀和大小的矩陣，可以具有任意的大小和維數(shù)。 數(shù)學形態(tài)學基本運算(1)膨脹膨脹的運算符為“” ，圖像集合A用結構元素B來膨脹，記作AB，其定義為： (33)其中，表示B的映像，即與B關于原點對稱的集合。式(33)表明，用B對A進行膨脹的過程是這樣的：首先對B作關于原點的映射，再將其映像平移x，當A與B映像的交集不為空集時，B的原點就是膨脹集合的像素。也就是說，用B來膨脹A得到的集合是B的位移與A至少有一個非零元素相交時B的原點的位置的集合。膨脹的作用效果如圖32所示。其中白色表示目標，背景為黑色，結構元素為5X5正方形對象。膨脹前 膨脹后圖32 圖像膨脹前后比較(2)腐蝕腐蝕的運算符是“” ，圖像集合A用結構元素B來腐蝕記作，其定義為： (34)式(34)表明，A用B來腐蝕的結果是所有滿足將B平移x后，B仍全部包含在A中的集合，從直觀上看就是B平移后全部包含在A中的原點組成的集合。 膨脹與腐蝕的結構與原點的位置有關。 膨脹和腐蝕具有對偶關系，即： (35) (36) 其中、分別表示A、B的補集。腐蝕的操作效果如圖33所示，其中白色為目標，黑色為背景，結構元素為5x5正方形對象。腐蝕前 腐蝕后圖33 腐蝕前后比較(3)開啟開啟運算符為“” ，A用B來開啟記為A B，其定義如下： (37)(4)閉合閉合的運算符為“” ，A用B來閉合記為AB，其定義如下： (38)開啟和閉合運算不受原點位置的影響，無論原點是否包含在結構元素中，開啟和閉合的結果都是一樣的。開啟和閉合運算也具對偶性，即： (39) (310)（3）基于數(shù)學形態(tài)學的車牌定位 數(shù)學形態(tài)學中的開閉運算具有以下特點： (1)開運算可以擦除圖像中的像素。從而能夠去除孤立的小點、毛刺和小橋(即連通兩塊域的小點)，而保持總的位置和形狀不變。 (2)閉運算可以使圖像中的像素粘連。這一特點可用于填平小湖(即小孔)，彌合小裂縫，而保持總的位置和形狀不變。 基于數(shù)學形態(tài)學的車牌定位算法就是利用開啟和閉合這兩種運算在圖像中進行定位的。其實現(xiàn)方法即為利用數(shù)學形態(tài)中的開運算與閉運算來對圖像進行處理，得到多個車牌可能區(qū)域，然后在處理后的圖像中用多區(qū)域判別法在圖像的多個車牌可能區(qū)域中找到車牌的正確的位置。 在此算法中結構元素的大小的選取至關重要。結構元素過大，會使非車牌區(qū)域的邊緣點粘連在一起，可能的車牌區(qū)域增多，給隨后的多區(qū)域判別算法帶來困難。而若結構元素過小，則會使車牌區(qū)域無法粘連在一起，就有可能使真正的車牌區(qū)域不包含在可能的車牌區(qū)域集合中。 這種方法最大的優(yōu)點是計算速度快，算法相對簡單，缺點是要求邊緣比較清晰，容易受到那些紋理分布同樣比較豐富的非車牌區(qū)域的影響，定位不夠精確。第4 章 車牌圖像的邊緣檢測邊緣檢測是所有基于邊界的分割方法的第一步。兩個具有不同灰度值的相鄰區(qū)域之間總存在著邊緣，物體的邊緣是以圖像局部特性的不連續(xù)性的形式出現(xiàn)的，例如：灰度值的突變，顏色的突變，紋理結構的突變等。而在景物成像的過程中，受多種因素的影響，圖像質(zhì)量都會有所下降，這種圖像質(zhì)量下降的過程稱為圖像的退化。同樣，在車牌識別系統(tǒng)中，由于自然光照度的變化、車輛自身的運動，采集圖像設備本身的因素等，都會引起牌照圖像的退化，導致對車牌信息的提取干擾很大。所以為了改善退化了的牌照圖像質(zhì)量，必須對圖像進行預處理。對圖像進行預處理，主要包括圖像的灰度化、二值化、圖像的邊緣檢測等。 車牌圖像的灰度化和二值化 圖像的灰度化 顏色圖像可分為黑白色、灰度色和彩色。工程應用中經(jīng)常要遇到需要把彩色圖像向灰度圖像轉化的問題，用數(shù)碼相機采集過來的汽車圖像是彩色圖像，為加快處理速度，需要把彩色圖像轉化為灰度圖像。由彩色圖像轉化為灰度圖像的過程叫灰度化處理，它是使RGB模型中的R=B=G。灰度化處理就是把含有亮度和色彩的彩色圖像變換成灰度圖像的過程。 一般情況下彩色圖像每個像素用3個字節(jié)表示，每個字節(jié)對應著R，G，B分量的亮度(紅、綠、藍)，轉換后的灰度圖像的一個像素用一個字節(jié)來表示該點的灰度值，它的值在0255 之間，數(shù)值越大，該點就越白，即越亮，越小則越黑?？梢?，經(jīng)過這樣轉換減少了計算量。轉換關系是： (41)其中為轉換后的灰度圖像在點的灰度值，該式綠色的比重比較大，所以轉換時可直接用G值作為轉換后的灰度。轉換結果如圖41所示。(a)原彩色圖 (b)轉換后的灰度圖圖41 彩色圖像的灰度化處理灰度圖只能表現(xiàn)256種顏色，灰度化處理還有其他方法，如：取3個分量的最大值、最小值、算術平均值等，目的都是使顏色的R，G，B分量值相等。我們采用經(jīng)驗公式：作為灰度值。灰度處理先讀入圖像的拷貝文件到內(nèi)存中，使顏色的分量值都相等且等于，這樣就可以使圖像變成灰度圖像。 圖像二值化 二值圖像是指整幅圖像內(nèi)僅有黑、白二值的圖像，在他們之間不存在其他灰度層次的變化。在邊緣檢測技術在汽車牌照自動識別監(jiān)控系統(tǒng)的應用的研究過程中，對圖像的二值化是非常關鍵的一步，二值化的效果直接影響到后面的車牌定位以及字符分割，因為車牌定位和字符分割都是基于車牌區(qū)域的二值化結果進行的。二值化算法又稱為閾值算法，其目的就是找出一個合適的閾值，將待研究的車牌區(qū)域劃分為前景和背景兩部分。二值化后的車牌要能再現(xiàn)原字符圖像，基本不出現(xiàn)筆畫斷裂和粘連現(xiàn)象，盡量不丟失原字符的特征。另外二值化算法還可以用于車牌定位過程中精確定位車牌的上下左右邊界。為此，必須對二值化算法做深入細致的研究。 目前，常用的二值化算法主要有基于灰度的二值化和基于彩色的二值化，其中基于灰度的二值化又包括多種算法，主要有全局動態(tài)二值化和局部自適應二值化等；基于彩色的二值化主要有基于HSV空間的彩色二值化。本文首先提取了有關色彩的信息，然后和絕大多數(shù)算法一樣，對灰度圖像進行二值化處理。圖像二值化的關鍵在于閾值T的選取，根據(jù)閾值T來區(qū)分圖像中的對象和背景。設原始灰度圖像為,變換過后的二值圖像為，則二值化的過程表示為： (42)根據(jù)閾值選取情況，又分為全局閾值、局部閾值和動態(tài)閾值[22]。全局閾值法根據(jù)圖像的直方圖或灰度空間分布確定一個閾值，以此實現(xiàn)灰度圖像到二值圖像的轉化。典型的全局閾值法包括Qstu方法[23]，最大熵方法等。全局閾值算法簡單，對于目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對那些由于光照不均勻、噪聲干擾較大等原因使直方圖分布不呈雙峰的圖像，二值化效果明顯變差；局部閾值法通過定義考察點的領域，并由領域計算模板，實現(xiàn)考察點灰度與領域點的比較。非均勻光照條件等情況雖然影響整體圖像的灰度分布，但是對局部圖像的性質(zhì)卻沒有什么影響，從而局部閾值法比全局閾值法有更廣泛的應用，比如Bernsen算法[24]就是一種典型的局部閾值法。根據(jù)上述兩種方法的優(yōu)缺點，把他們有效的結合起來使用是一種不錯的方法。此外，還有一種動態(tài)閾值法，這是一種自適應的二值化方法，它利用的是像素自身及其領域灰度變化的特征。由于此算法充分考慮了每個像素領域的特征，所以能夠更好的突出背景和目標的邊界。 灰度變換增強 由于車牌圖像在拍攝時受各種各樣條件的限制和干擾，圖像的灰度值往往與實際景物不完全匹配。一般成像系統(tǒng)只具有一定的亮度范圍，亮度的最大值和最小值之比稱為對比度。由于成像系統(tǒng)的亮度有限，常出現(xiàn)對比度不足的情況，使人眼觀看圖像時視覺效果很差，這將直接影響到圖像的后續(xù)處理。通過灰度變換可以增強對比度，改善視覺效果。 灰度變換如果造成對比度不足的原因主要是由于被拍攝目標的遠近不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產(chǎn)生圖像灰度失真，或是由于曝光不足或過度而使得圖像的灰度值被限制在一個很小的范圍。這時人們看到的將是一個模糊不清、似乎沒有灰度層次的圖像?？梢?