【文章內(nèi)容簡(jiǎn)介】 具有一個(gè)共同的出發(fā)點(diǎn)，即通過(guò)牌照區(qū)域的特征來(lái)判斷牌照。根據(jù)不同的實(shí)現(xiàn)方法，大致可以把現(xiàn)有的定位方法分為直接法和間接法 兩 類。 1)直接法。直接分析圖像的特征，如基于線模板的二值化圖像中的角檢 測(cè)算法，該算法利用車牌的邊框角點(diǎn)，檢測(cè)車牌的四個(gè)角點(diǎn)，并以此來(lái)定位車牌?；谥本€邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。利用車牌的尺寸、字符間距、字符特征等紋理特征定位車牌。利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無(wú)用的信息和噪聲，以定位車牌。 2)間接法。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利用神經(jīng)網(wǎng)絡(luò)和遺傳算法等柔性方法進(jìn)行計(jì)算是當(dāng)前研究熱點(diǎn)之一。利 用遺傳算法對(duì)圖像進(jìn)行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造的適應(yīng)度函數(shù)，最終尋找到車牌的 牌照 區(qū)域的最佳定位參量。 目前較為常用的方法是先提取車輛圖像的邊緣，然后結(jié)合車輛牌照的幾何特征，分析二值化邊緣圖像像素在水平和垂直方向的投影，判斷出車輛牌照的位置。 圖 38 牌照定位于分割流程圖 （ 1） 牌照區(qū)域的定位 牌照?qǐng)D 像 經(jīng)過(guò)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)。此時(shí)可進(jìn)一步確定牌照在整幅圖 像 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(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)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(gè)基本運(yùn)算，最后還用了 bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。 圖 39 腐蝕后圖像 ， 平滑圖像的輪廓 以及 從對(duì)象中移除小對(duì)象后圖像 對(duì)圖像進(jìn)行腐蝕 去除雜質(zhì) 通過(guò)計(jì)算尋找 X 和 Y方向車牌的區(qū)域 完成車牌定位 對(duì)分割出的車牌做進(jìn)一步處理 （ 2）牌照區(qū)域的分割 對(duì)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(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)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(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)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(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。 圖 310 行方向區(qū)域和最終定位出來(lái)的車牌 （ 3）車牌進(jìn)一步處理 經(jīng)過(guò)上述方法分割出來(lái)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(gè)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(duì)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(duì)目標(biāo)像素給一個(gè)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(lái)代替原來(lái)像素值。 圖 311 裁剪出來(lái)的車牌的進(jìn)一步處理過(guò)程 3 字符的分割與歸一化 圖 312 字符分割與歸一化流程圖 （ 1）字符分割 在汽車牌照自動(dòng)識(shí)別過(guò)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(shí)別。字符識(shí)別的算法很多，因?yàn)檐嚺谱址g間隔較大，不會(huì)出[m， n]=size（ d），逐排檢查有沒(méi)有白色像素點(diǎn)，設(shè)置 1=jn1，若圖像兩邊 s（ j） =0，則切割，去除圖像兩邊多余的部分 切割去圖像上下多余的部分 根據(jù)圖像的大小，設(shè)置一閾值，檢測(cè)圖像的 X 軸，若寬度等于這一閾值則切割，分離出七個(gè)字符 歸一化切割出來(lái)的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配 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(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 圖 313 分割出來(lái)的七個(gè)字符圖像 （ 2）字符歸一化 一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處 理，以滿足下一步字符識(shí)別的需要。但是對(duì)于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)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。 圖 314 歸一化處理后的七個(gè)字符圖像 4 字符的識(shí)別 目前，字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ紫劝汛R(shí)別字符二 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。由于這種匹配算法穩(wěn)定性較差、時(shí)間花費(fèi)也較大，因此，在此基礎(chǔ)上提出了基于關(guān)鍵點(diǎn)的匹配算法。此算法先對(duì)識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類。這種匹配算法只利用了字符的關(guān)鍵點(diǎn)進(jìn)行匹配，因此，提高了識(shí)別速度又具有較高的識(shí)別率?；谌斯ど窠?jīng)網(wǎng)絡(luò)的算法主要有 兩 種：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。前一種方法識(shí)別結(jié)果與特征提取有關(guān)，而特征提取比較耗時(shí)，因此，特征提取是關(guān)鍵。后一種方法無(wú)須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用。 （ 1）神經(jīng)網(wǎng)絡(luò) 人工神經(jīng)網(wǎng)絡(luò) (ANNs)也稱為神經(jīng)網(wǎng)絡(luò)或連接模型，是對(duì)人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬。但是人工神經(jīng)網(wǎng)絡(luò)是近現(xiàn)代才提出來(lái)的一種新型技術(shù)，所以還有一些缺點(diǎn)，不過(guò)它的優(yōu)點(diǎn)卻是非常明 顯的：①它可以充分逼近任意復(fù)雜的非線性關(guān)系。②所有定量或定性的信息都等勢(shì)分布于網(wǎng)絡(luò)內(nèi)的各神經(jīng)元，故有很強(qiáng)的魯棒性和容錯(cuò)性；采用并行分布的處理方法，使得快速地進(jìn)行大量運(yùn)算成為可能。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。④能夠同 時(shí) 處理定量、定性知識(shí)。⑤具有聯(lián)想和存儲(chǔ)功能。⑥具有高速尋找優(yōu)化解的能力。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問(wèn)題的情況。 （ 2） BP神經(jīng)網(wǎng)絡(luò) BP神經(jīng)網(wǎng)絡(luò) (Back Propagation Neural Net． work，簡(jiǎn)稱 BP神經(jīng)網(wǎng)絡(luò) )即反向傳輸神經(jīng)網(wǎng)絡(luò) 。 BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)付各種數(shù)據(jù)和能夠模擬一種復(fù)雜的決定系統(tǒng)。 BP神經(jīng)網(wǎng)絡(luò)主要是通過(guò)一種模擬的方式對(duì)對(duì)象進(jìn)行識(shí)別，它可以像人認(rèn)識(shí)事物過(guò)程一樣，逐漸地認(rèn)清事物從而去模擬實(shí)現(xiàn)它。 BP神經(jīng)網(wǎng)絡(luò)由 1024個(gè)輸入節(jié)點(diǎn)、 20個(gè)隱層節(jié)點(diǎn)、 6個(gè)輸出節(jié)點(diǎn)組成。每個(gè)節(jié)點(diǎn)的激活函數(shù)采用 O． 1函數(shù)，輸出節(jié)點(diǎn)的輸出值為 0， 1二值。訓(xùn)練以后，節(jié)點(diǎn)權(quán)值保存在配置文件中。在 MATLAB工具箱中已經(jīng)有了BP神經(jīng)識(shí)別的函數(shù)，這里使用 newlin函數(shù) adapt函數(shù)，使用這些函數(shù)需要輸入預(yù)期的待學(xué)目標(biāo)的輸入范圍，指定一個(gè)延遲輸入信號(hào)和一個(gè)有延遲輸 入信號(hào)以及學(xué)習(xí)速度的參數(shù)，這樣字符就能很好地在 MATLAB中得到識(shí)別。 BP網(wǎng)絡(luò)結(jié)構(gòu) ： 基于 BP 算法的多層前饋型網(wǎng)絡(luò) 將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。輸 入 層各神經(jīng)元負(fù)責(zé)接收來(lái)自外界的輸入信息，并傳給中間各隱層神經(jīng)元；隱層是神經(jīng)網(wǎng)絡(luò)的內(nèi)部信息處理層，負(fù)責(zé)信息變換。根據(jù)需要可設(shè)計(jì)為一層或多層；最后一個(gè)隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進(jìn)一步處理后向外界輸出信息處理結(jié)果 。 同層節(jié)點(diǎn)中沒(méi)有任何耦合，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。網(wǎng)絡(luò)的學(xué)習(xí)過(guò)程由正向和反向傳播兩部分組成。反向傳 播其節(jié)點(diǎn)單元特征通常為 Sigmoid型 {f(X)=1／ [1+exp(一 Bx)]，B0}。在網(wǎng)絡(luò)訓(xùn)練階段用準(zhǔn)備好的樣本數(shù)據(jù)依次通過(guò)輸入層、隱層和輸出層。比較輸出結(jié)果和期望值，若沒(méi)有達(dá)到要求的誤差程度或者訓(xùn)練次數(shù)，即經(jīng)過(guò)輸出層、隱層和輸入層，來(lái)調(diào)節(jié)權(quán)值，以便使網(wǎng)絡(luò)成為一定適應(yīng)能力的模型。 用 matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用 BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下： =newff(pr,[25 1],{39。logsig39。 39。purelin39。}, 39。traingdx39。, 39。learngdm39。)。 =3000。 =。 =10。 =。 =train(,p,t) 即創(chuàng)建和訓(xùn)練神經(jīng)網(wǎng)絡(luò)。其中權(quán)值函數(shù)為“ logsig” ,