【文章內(nèi)容簡(jiǎn)介】 lized cross correlation，簡(jiǎn)稱NCC)： 公式(25), ,2, , 2, ,|()()|(,)(|(, )ijijmnijijmnsEsTERij???? E( )與E(T) 分別是搜索子圖 與模板圖T的灰度平均值。ijsijs12 第三章 系統(tǒng)分析與設(shè)計(jì)本系統(tǒng)是使用 C語(yǔ)言編寫的車牌識(shí)別系統(tǒng)，基于模版匹配的車牌字符識(shí)別算法來解決車輛牌照識(shí)別問題，對(duì)于道路交通管理有著一定的實(shí)用價(jià)值。 系統(tǒng)需求及功能分析本車牌識(shí)別系統(tǒng)主要包括四個(gè)模塊：圖像預(yù)處理模塊、車牌定位模塊、字符分割模塊、字符識(shí)別模塊。車牌識(shí)別系統(tǒng)結(jié)構(gòu)如圖 31 所示：圖 31 車牌識(shí)別系統(tǒng)結(jié)構(gòu)圖 功能模塊設(shè)計(jì) 圖像預(yù)處理模塊本模塊功能是對(duì)獲取原始圖像經(jīng)過一系列如：灰度化、灰度均衡、高斯濾波等預(yù)處理，目的是盡可能的改變圖像質(zhì)量，為車牌區(qū)域定位與車牌識(shí)別做準(zhǔn)備。將彩色圖像用加權(quán)平均值法轉(zhuǎn)換成灰度圖像，直方圖均衡增加圖像對(duì)比，高斯濾波去除噪聲干擾，通過以上處理，提高了圖像的質(zhì)量，強(qiáng)化了圖像區(qū)域。 車牌定位模塊本模塊包含邊緣檢測(cè)和車牌區(qū)域定位兩個(gè)子功能模塊。為了突出汽車牌照13 的邊緣，采用 Sobel 算法實(shí)現(xiàn)圖像的邊緣檢測(cè)，尋找圖像灰度值發(fā)生急劇變化的區(qū)域；選擇基于邊緣檢測(cè)和投影法相結(jié)合的定位方法，提取大致的需要的車牌區(qū)域；經(jīng)過邊界調(diào)整和去除邊框等操作，進(jìn)一步的精確車牌區(qū)域。 字符分割模塊本模塊功能是根據(jù)水平投影和垂直投影，從車牌區(qū)域中提取字符，進(jìn)行字符歸一化，統(tǒng)一字符圖像的大小，為字符識(shí)別做好準(zhǔn)備。 字符識(shí)別模塊本模塊功能是對(duì)提取后的字符進(jìn)行編碼后識(shí)別并輸出。我們選用基于模板匹配算法首先將分割后的字符二值化，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。 系統(tǒng)流程設(shè)計(jì)本課題研制的車牌識(shí)別系統(tǒng)軟件主要分為四大塊，即圖像預(yù)處理模塊以及車牌定位、車牌字符分割和字符識(shí)別模塊。根據(jù)系統(tǒng)模塊的劃分，制定系統(tǒng)流程圖如下圖所示：圖 32 系統(tǒng)流程圖原始圖像 ：載入由停車場(chǎng)數(shù)碼相機(jī)或其它掃描裝置拍攝到的圖像。圖像預(yù)處理：對(duì)載入系統(tǒng)的圖像進(jìn)行灰度變換、高斯濾波等預(yù)處理以克服圖像干擾。車牌定位 ：進(jìn)行邊緣檢測(cè)，計(jì)算邊緣圖像的投影面積，尋找峰谷點(diǎn)，大致確定車牌位置，再計(jì)算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域，最后得到車牌區(qū)域。字符分割 ：利用投影檢測(cè)的字符定位分割方法得到單個(gè)的字符。14 字符識(shí)別 ：利用模板匹配的方法與數(shù)據(jù)庫(kù)中的字符進(jìn)行匹配從而確認(rèn)出字符，得到最后的汽車牌照，包括英文字母和數(shù)字。 技術(shù)開發(fā)平臺(tái)合理選取開發(fā)工具，不僅會(huì)對(duì)系統(tǒng)的開發(fā)效率和周期產(chǎn)生重大影響，而且還有可能大幅度降低開發(fā)成本，并提高系統(tǒng)的穩(wěn)定性和可維護(hù)性。車牌定位識(shí)別功能的開發(fā)屬于一個(gè)較為復(fù)雜的圖像處理程序，涉及到大量?jī)?nèi)存處理和與圖像處理，因此對(duì)于該功能穩(wěn)定性、可維護(hù)性以及系統(tǒng)開銷問題要求極為嚴(yán)格。本系統(tǒng)的采用在 VS2022 環(huán)境下基于 C語(yǔ)言的開發(fā)平臺(tái)。在成熟的算法基礎(chǔ)上迅速開展自己的工作，減少編程工作量，有效提高開發(fā)效率和程序運(yùn)行的可靠性。 Microsoft Visual Studio 2022 簡(jiǎn)介Visual Studio 是微軟公司推出的開發(fā)環(huán)境，Visual Studio 可以用來創(chuàng)建 Windows 平臺(tái)下的 Windows 應(yīng)用程序和網(wǎng)絡(luò)應(yīng)用程序，也可以用來創(chuàng)建網(wǎng)絡(luò)服務(wù)、智能設(shè)備應(yīng)用程序和 Office 插件。Microsoft Visual Studio 2022 是面向 Windows Vista、Office 202Web 的下一代開發(fā)工具，代號(hào)“Orcas”，是對(duì) Visual Studio 2022 一次及時(shí)、全面的升級(jí)。 　　VS2022 引入了 250 多個(gè)新特性，整合了對(duì)象、關(guān)系型數(shù)據(jù)、XML 的訪問方式，語(yǔ)言更加簡(jiǎn)潔。使用 Visual Studio 2022 可以高效開發(fā) Windows 應(yīng)用。設(shè)計(jì)器中可以實(shí)時(shí)反映變更，XAML 中智能感知功能可以提高開發(fā)效率。同時(shí)Visual Studio 2022 支持項(xiàng)目模板、調(diào)試器和部署程序。Visual Studio 2022 可以高效開發(fā) Web 應(yīng)用，集成了 AJAX ，包含 AJAX 項(xiàng)目模板，它還可以高效開發(fā) Office 應(yīng)用和 Mobile 應(yīng)用。VS2022 主要技術(shù)特點(diǎn)：可視化編程、支持面向?qū)ο蠹夹g(shù)以及支持.NET。VS2022 提供了一系列可視化開發(fā)工具，如應(yīng)用程序向?qū)?AppWizard、屬性窗口等，通過使用可視化編程技術(shù)使得 Wi ndows 編程更為直觀、方便、快捷。VS2022 支持的面向?qū)ο缶幊碳夹g(shù)包裝了 windows 內(nèi)在的復(fù)雜運(yùn)行機(jī)制，使得 Windows 編程更為簡(jiǎn)單易學(xué)。15 第四章 系統(tǒng)功能與實(shí)現(xiàn)本車牌識(shí)別系統(tǒng)主要包括四個(gè)模塊，即圖像預(yù)處理模塊、車牌定位模塊、字符分割模塊、字符識(shí)別模塊。下面將顯示系統(tǒng)的主要功能模塊。 圖像預(yù)處理模塊攝像時(shí)的光照條件，牌照的整潔程度，攝像機(jī)的狀態(tài)（焦距，角度和鏡頭的光學(xué)畸變），以及車速的不穩(wěn)定等因素都會(huì)不同程度的影響圖像效果，出現(xiàn)圖像模糊，歪斜或缺損，車牌字符邊界模糊不清，細(xì)節(jié)不清，筆畫斷開，粗細(xì)不均等現(xiàn)象，從而影響車牌區(qū)域的分割與字符識(shí)別的工作，所以識(shí)別之前要進(jìn)行預(yù)處理。 圖像灰度化原理彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)行識(shí)別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。在 RGB 模型中，如果 R=G=B 時(shí)，則彩色表示一種灰度顏色，其中R=G=B 的值叫灰度值，因此，灰度圖像每個(gè)像素只需一個(gè)字節(jié)存放灰度值（又稱強(qiáng)度值、亮度值） ，灰度范圍為 0255。加權(quán)平均法對(duì)彩色圖像進(jìn)行灰度化： 　　根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對(duì)綠色的敏感最高，對(duì)藍(lán)色敏感最低，因此，按下式對(duì) RGB 三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。 f(i,j)=(i,j)+(i,j)+(i,j)) 公式（41）本文對(duì)輸入的圖像進(jìn)行循環(huán)掃描，根據(jù)灰度公式得到圖像灰度，輸出灰度圖像。代碼實(shí)現(xiàn)for (int y = 0。 y nHeight。 ++y) { for (int x = 0。 x nWidth。 ++x)16 { blue = p[0]。 green = p[1]。 red = p[2]。 tt = p[0] = p[1] = p[2] = (byte)(.301 * red + .591 * green + .108 * blue)。 rr[red]++。 gg[green]++。 bb[blue]++。 gray[tt]++。 p += 3。 } }效果圖圖 41 打開的原始圖像圖 42 灰度化后的圖像17 結(jié)果分析本文采用加權(quán)平均值法，在公式的使用上對(duì)公式權(quán)值進(jìn)行了精確的改動(dòng)，使灰度化后的圖像更加容易識(shí)別，提高了識(shí)別率。 圖像的灰度均衡原理由于白天和夜晚、晴天和陰天的光線強(qiáng)度有很大差異, 在某些情況下拍攝的牌照出現(xiàn)對(duì)比度不足的現(xiàn)象, 使圖像的細(xì)節(jié)分辨不清, 嚴(yán)重干擾字符的識(shí)別。因此對(duì)于這類牌照必須進(jìn)行圖像增強(qiáng), 而這種圖像增強(qiáng)處理應(yīng)盡量避免對(duì)正常的牌照產(chǎn)生干擾, 為此可采用基于點(diǎn)運(yùn)算的圖像增強(qiáng)方法, 即對(duì)圖像的灰度級(jí)進(jìn)行變換, 使圖像對(duì)比度得到調(diào)整, 從而達(dá)到圖像增強(qiáng)的目的。其中 , 以直方圖均衡法的實(shí)驗(yàn)效果最為理想, 他不僅使光照不均的牌照變得較為清晰, 而且對(duì)正常牌照進(jìn)行同樣的處理后也能得到較清晰的結(jié)果。直方圖均衡是把已知灰度概率分布的圖像, 經(jīng)過變換最終演變成具有均勻灰度概率分布的圖像。設(shè)一幅圖像的象素總數(shù)為 N, 分為 L 個(gè)灰度級(jí), 用 NK 代表灰度級(jí) rk 出現(xiàn)的頻數(shù), 于是第 k 個(gè)灰度級(jí)出現(xiàn)的頻率為：Pr(rk) = NK246。N, 0 ≤rk ≤1,k = 0, 1, 2…,L – 1 公式（42 ）各灰度直方圖均衡離散變換公式為：Sk = T(rk) = ∑kj= 1Pr(rj) = ∑ kj= 1NjN(1) 公式（43）　　因此可以根據(jù)原圖像的直方圖統(tǒng)計(jì)量, 求得均衡后各象素的灰度變換值。代碼實(shí)現(xiàn)unsafe { byte* p = (byte*)(void*)Scan0。 int nHeight = 。 int nWidth = 。 SumGray[0] = gray[0]。//灰度均衡化 for (int i = 1。 i 256。 ++i)//灰度級(jí)頻度數(shù)累加 SumGray[i] = SumGray[i 1] + gray[i]。 for (int i = 0。 i 256。 ++i)18 SumGray[i] = (int)(SumGray[i] * 255 / count)。 for (int i = 0。 i 256。 i++) { gray[i] = 0。 } for (int y = 0。 y nHeight。 ++y) { for (int x = 0。 x nWidth。 ++x) { tt = p[0] = p[1] = p[2] = (byte)(SumGray[p[0]])。 gray[tt]++。 p += 3。 } } }效果圖圖 43 灰度均衡后的圖像結(jié)果分析本文采用直方圖均衡化，把原始圖像的灰度直方圖從比較集中的某個(gè)灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分布，對(duì)圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素?cái)?shù)量大致相同，把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。 圖像的高斯濾波原理19 高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。通俗的講，高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作是：用一個(gè)模板(或稱卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。一般的模板為 3*3 或 5*5 大小，其權(quán)值分布如下圖：圖 44 高斯濾波模板圖本文采用 5*5 的高斯濾波模板對(duì)圖像進(jìn)行去噪處理。代碼實(shí)現(xiàn) int[,] gaussianMatrix = { { 1, 2, 3, 2, 1 }, { 2, 4, 6, 4, 2 }, { 3, 6, 7, 6, 3 }, { 2, 4, 6, 4, 2 }, { 1, 2, 3, 2, 1 } }。//高斯濾波器所選的 n=5 模板 for (int y = 0。 y nHeight。 ++y) { for (int x = 0。 x nWidth。 ++x) { if (!(x = 1 || x = nWidth 2 || y = 1 || y = nHeight 2)) { pp = p。 sum = 0。 int dividend = 79。 for (int i = 2。 i = 2。 i++) for (int j = 2。 j = 2。 j++) { pp += (j * 3 + stride * i)。 sum += pp[0] * gaussianMatrix[i + 2, j + 2]。 if (i == 0