【導(dǎo)讀】現(xiàn)交通管理智能化的一個重要組成部分。由于在實(shí)際使用場合中，所采集圖像。主要完成了以下幾個方面。種方法能在一定程度上解決車牌定位依據(jù)的共性特征信息選擇的問題。邊緣檢測的車牌字符切分方法，并對其可行性進(jìn)行了實(shí)驗(yàn)驗(yàn)證。影響小，對字符定位準(zhǔn)確，判斷決策方法簡單。方案考慮了漢字、英文字母和阿拉伯?dāng)?shù)字的不同特。點(diǎn)，分別提取漢字、字母和數(shù)字的分類特征，并選擇不同的分類識別方法。下進(jìn)行的研究工作及取得的成果。對本研究提供過幫助和做出過。確的說明并表示了謝意。保存、使用畢業(yè)設(shè)計（論文）的規(guī)定，

　　

【正文】 準(zhǔn)確的車牌邊緣，使用 Hough 變換也存在計算量大的缺點(diǎn)。 依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)是目前較為簡單可靠的方法。也有其它一些方法，比如，根據(jù)字符重心位置、字符中心走向等來確定校正基準(zhǔn)，但這樣則對字符圖像前期處理（如二值化）提出了更高的要求，而且判斷決策相對也更為困難。 17 既然要依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)，就必須要保證在車牌圖像中能檢測出 車牌區(qū)域邊緣 。 檢測出的 車牌區(qū)域邊緣 不一定要求很完整，但必須要能與其它對象邊緣區(qū)分。實(shí)際采集車牌圖像時，在光線很強(qiáng)或很弱（夜晚）的情況下，往往很難從一些圖像中 檢測出 車牌區(qū)域 邊緣 。這個問題一般能夠通過在圖像采集階段改善技術(shù)手段來解決。事實(shí)上，目前越來越多的車牌是鑲嵌在矩形框中的，如果在制定車牌標(biāo)準(zhǔn)時在這方面有一定規(guī)范，那么， 保證車牌圖像中能檢測出 車牌區(qū)域邊 界線在技術(shù)上應(yīng)不難實(shí)現(xiàn)。 下面給出車牌圖像水平傾斜校正的一種簡易方法： Step1:獲得車牌圖像 Canny 邊緣檢測圖 f ，選擇 f 中不包括左右邊框的部分 f1（比如，可選擇 f 中間寬度為圖像寬度約 2/3 部分）； Step2:以 8 鄰域連通法則對 f1中白色像素進(jìn)行連通區(qū)域標(biāo)記 , 并將寬度 不是 最大的白色像素連通區(qū)置 0 ； Step3:經(jīng)上述處理 后，圖像中的白色像素一般就可視為車牌圖像水平邊界的一部分?？蓮陌咨袼刂羞x擇若干點(diǎn)以最小二乘法進(jìn)行直線擬合。這條直線即可作為車牌圖像水平傾斜校正的依據(jù)。 用這種方法對車牌圖像進(jìn)行水平傾斜校正比用 Hough 變換法要簡單，實(shí)驗(yàn)中也取得了較好的結(jié)果。 但需要指出的是，即使通過一定的 方法 可以解決 校正 基準(zhǔn)的問題，車牌 圖像幾何畸變校正 效果也未必盡如人意。由于 校正 后的圖像中 ， 某些像素點(diǎn)可能分布不均勻，沒有落在坐標(biāo)點(diǎn)上，需要采用內(nèi)插法近似求得這些像素點(diǎn)的灰度值，實(shí)際上這也就 是 產(chǎn)生了新的畸變。如果圖像的 幾何畸變 嚴(yán)重時， 因 校正 而產(chǎn)生的新畸變也可能會比較大，會給以后字符的分類識別帶來一定的困難。因此，有必要研究如何在車牌圖像采集的階段將圖像的 幾何畸變 限制在一定的范圍里。比如，有關(guān)車牌標(biāo)準(zhǔn)怎樣與車牌圖像 幾何畸變校正 相協(xié)調(diào)，怎樣通過 改善圖像采集技術(shù)手段獲得滿足 幾何畸變 控制 要求的車牌圖像，等等。 18 第三章 車牌區(qū)域 定位 技術(shù) 研究 車牌區(qū)域特征分析 [14] 圖像特征是圖像場中可用作標(biāo)志的屬性， 是對圖像進(jìn)行處理和分類識別的依據(jù)。按圖像特征與人類視覺的關(guān)系 可分為自然特征與 人 為特征 兩大類 。 自 然特征： 是圖像中人類視覺可以直接感受到的圖像的屬性，如 區(qū)域 的 亮度、輪廓、紋理、顏色等 。 人為特征： 是圖像中人類視覺不能直接感受到的，需要通過變換或測量才可以得到的圖像的屬性，如各種變換的頻譜、直方圖、各階矩等。 根據(jù)其基本的描述方法，圖像 特征可分為 如下幾類 ： 1 、 幅值特征 圖像幅值特征包括像素點(diǎn)的亮度值、灰度值、彩色圖像中的 RGB三刺激值等，還包括利用各種變換（如傅立葉變換、小波變換等）形成的變換系數(shù)的幅值。幅值特征容易在特定的像素點(diǎn)處或某個區(qū)域內(nèi)進(jìn)行測量，判斷決策時更易理解。但由于車牌圖像的復(fù)雜性，有關(guān)的 幅值特征往往是不穩(wěn)定的。 2 、灰度直方圖特征 圖像 灰度直方圖 是通過統(tǒng)計各像素點(diǎn)的灰度值而獲得的，可用來估計圖像的概率分布，其形狀能夠反映出圖像的一些特征信息。比如，圖像對比度的高低，不同灰度區(qū)域的數(shù)量，等等。 一 階 灰度直方圖 的表征參數(shù)主要有 平均值、方差、傾斜度、陡峭度、能量、熵 等， 二 階 灰度直方圖 的表征參數(shù)主要有 自相關(guān)系數(shù)、協(xié)方差、慣性矩、絕對值、能量、熵 等。由于車牌圖像 灰度直方圖 分布十分復(fù)雜，目前對于其 灰度直方圖特征 的規(guī)律性的認(rèn)識還不是很清楚。 3 、變換系數(shù)特征 圖像的 變換系數(shù)特征 包括利用各種變換 ( 如傅立葉變 換、小波變換等 ) 形成的變換系數(shù)的屬性，變換系數(shù)的分布也能夠反映圖像 一些方面 的特征信息。采用各種變換的目的，一般是為了突出圖像的某些特征信息，以便于尋找其規(guī)律性。比如，對車牌圖像進(jìn)行小波變換，可以突出車牌區(qū)域高頻的邊緣和紋理信息。 4 、邊緣特征 圖像的 邊緣特征 包括 灰度邊緣特征 和 彩色邊緣特征 ，反映的是圖像灰度值或顏色的不連續(xù)性，而這種不連續(xù)性又反映出圖像中存在不同屬性的區(qū)域。因此，圖像的 邊緣特征 是區(qū)分圖像中不同對象的重要特征。目前提出的 車牌區(qū)域圖像定位 方法中，絕大多數(shù)都在不同的程度上利用了車牌圖像的 邊緣特征 。在某種程度上，可以說 邊緣特征 是車牌圖像中被經(jīng)常利用的最重要的特征之一。 5 、矩特征 19 圖像矩集的定義為： ? ???? ???? d xd y)y,x(fyxM kjjk j,k 為非負(fù)整數(shù)， j+k 稱為矩的階數(shù)。圖像分析時經(jīng)常利用各階中心矩，其定義為： ? ???? ???? d x d y)y,x(f)y(y)x(xM kjjk 式中 00010010 MMy,MMx ?? 通過重心主軸計算并用面積規(guī)范化的中心矩具有與位置無關(guān)的特性，在物體放大、平移、旋轉(zhuǎn) 時保持不變。在車牌圖像識別中，矩 特征 在車牌區(qū)域定位和單個字符區(qū)域切分方面的應(yīng)用比較少，但在字符特征提取時則較常采用。 6 、線條和角點(diǎn)特征 圖像中經(jīng)常出現(xiàn) 線條 以及 線條 與 線條 相交引起的角點(diǎn)，這些 線條和角點(diǎn) 能夠反映出對象的特征信息。角點(diǎn)特征具有其所代表的局部關(guān)系信息不因視角不同而改變的優(yōu)點(diǎn)，在漢字字符分類識別時有所應(yīng)用。但由于實(shí)際應(yīng)用中車牌圖像的復(fù)雜性，較難提取穩(wěn)定的 線條和角點(diǎn) 特征信息。因此，在 車牌區(qū)域定位 時的應(yīng)用比較少。 7 、紋理特征 圖像紋理是一種反映某一區(qū)域中 像素灰度級變化 的 空間分布的屬性 ，目前對其確切的定 義尚存在不同的觀點(diǎn)。紋理可分為自然紋理和人工紋理兩類，常用結(jié)構(gòu)模型或統(tǒng)計模型兩種方法進(jìn)行分析。 一般來說，由于 車牌區(qū)域圖像 的 像素灰度級變化 較強(qiáng)，因此，在車牌定位時自然會想到利用其 紋理特征 。但是由于車牌圖像的復(fù)雜性，其紋理 特征 并不是很穩(wěn)定。目前， 車牌區(qū)域定位 時利用的主要是在邊緣檢測基礎(chǔ)上獲得的一些較簡單、直觀、易于判斷的相對比較可靠的 紋理特征 ，在本文后面的內(nèi)容中也有進(jìn)一步的分析。 此外，圖像中還存在其它方面的一些特征信息。但 由于 實(shí)際應(yīng)用中的 車牌圖像的特點(diǎn)， 目前， 車牌區(qū)域定位 時利用的相對比較可靠的大多還是一些比 較直觀、較易提取的 自然特征（如亮度、輪廓、紋理、顏色等） ，或者是在 自然特征 的基礎(chǔ)上 變換或測量而來 的人為特征。由于目前實(shí)際應(yīng)用中采集的 車牌圖像 樣本類型難以窮舉，那些僅 對 少數(shù) 圖像 樣本 的數(shù)據(jù) 進(jìn)行 統(tǒng)計分析而 得 來 的車牌圖像特征的 規(guī)律性 ，其可靠性還需要在實(shí)際應(yīng)用中檢驗(yàn)。 現(xiàn)有的一些車牌區(qū)域定位方法簡要分析 20 為了盡可能設(shè)計出適應(yīng)性較好的 車牌區(qū)域定位 方法，對 公開資料中所提出的 較 常用和常提到的 一些 方法 進(jìn)行了一定的 分析 研究。下面提及的一些 車牌區(qū)域定位 方法僅根據(jù)一些資料中的叫法分類，各類方法之間可能有一定的交叉。 基于神經(jīng)網(wǎng)絡(luò)分類器的車牌區(qū)域定位方法 [15][ 16] 在所收集的資料中，基于神經(jīng)網(wǎng)絡(luò)分類器的 車牌區(qū)域定位 方法采用的 神經(jīng)網(wǎng)絡(luò)有 BP 神經(jīng)網(wǎng)絡(luò)、 Elman 遞歸神經(jīng)網(wǎng)絡(luò) 和 SOFM 神經(jīng)網(wǎng)絡(luò)等不同 的 類型，但其過程基本相同。主要步驟如下： Step1 采集或收集具體應(yīng)用場合的各類具有代表性的含車牌圖像 ； Step2 構(gòu)建所使用的神經(jīng)網(wǎng)絡(luò) ； Step3 確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的車牌區(qū)域圖像樣本和非車牌區(qū)域圖像樣本的尺寸，對樣本圖像進(jìn)行相應(yīng)的預(yù)處理，建立相應(yīng)的特征向量（ 一般利用的是 樣本灰度圖像的灰度值） ； Step4 分別提取 樣本集 中 樣本 的 特征 來 訓(xùn)練神經(jīng)網(wǎng)絡(luò) ，直 至神經(jīng)網(wǎng)絡(luò)能夠區(qū)分 出具有代表性的所有 圖像 訓(xùn)練樣本中的 車牌 區(qū)域 和非車牌 區(qū)域； Step5 用與訓(xùn)練樣本尺寸相同的移動窗口遍歷要識別的圖像，判定含車牌區(qū)域 的子窗口，從而確定車牌 區(qū)域 的位置 。 由以上過程可以看出，這類車牌 區(qū)域定位 方法的基本出發(fā)點(diǎn)是為了利用神經(jīng)網(wǎng)絡(luò)在分類方面的 優(yōu) 點(diǎn)， 主要是 神經(jīng)網(wǎng)絡(luò) 的泛化能力和對樣本的學(xué)習(xí)能力。但由于實(shí)際應(yīng)用中采集的車牌 圖像的 特點(diǎn)，較難建立明確穩(wěn)定的特征向量 。 而如果采用樣本灰度圖像的全部灰度值數(shù)據(jù)作為特征向量，則對于待識別圖像中車牌區(qū)域的尺寸有一定的要求，使得其使用場合受到了較大的限制 ； 同時，由于實(shí)際應(yīng)用中圖像采集環(huán)境的復(fù)雜性， 使得 訓(xùn)練樣本的取得也是非常困難的 ；而且，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程耗時較長 ；同時，由于 車牌區(qū)域 定位時要用 移動窗口遍歷要識別的圖像 ，實(shí)時性不太好 ，對圖像 中車牌區(qū)域尺寸變化時 的適應(yīng)性不理想 。因此，這類 車牌區(qū)域定位 方法在實(shí)際工程中的應(yīng)用 還需要解決上述問題 。 基于彩色圖像特征的車牌區(qū)域定位方法 [17][ 18] 該類方法主要是為了充分利用彩色圖像信息，采用顏色分類、顏色聚類、顏色模板匹配等方法 , 或者是在彩 色空間中提取邊緣、紋理等特征信息從彩色圖像中分割出車牌。這里僅對前者進(jìn)行簡要分析，后者則在后面的相應(yīng)方法中加以說明。 現(xiàn)對彩色空間中 以 顏色分類法進(jìn)行 的 車牌 區(qū)域定位 方法 作 簡要分析。 以 基于 HSV(H表示色度， S 表示飽和度， V表示亮度 ) 顏色空間 的 彩色圖像特征的 車牌 區(qū)域定位 方法為例，其基本過程是：首先根據(jù)我國車牌底色一般為藍(lán)、黃、黑、白中的一種這一特點(diǎn)，在 H和 S 分量子空間 中 找出藍(lán)色和黃色 21 區(qū)域，在 V分量子空間找出黑色和白色區(qū)域，然后再根據(jù)其它特征信息 在這些區(qū)域 中 確定車牌 區(qū)域的 位置。 這種方法要求圖像中車牌的顏色必須 比較穩(wěn)定，而在 實(shí)際應(yīng)用中，待識別圖像一般是在開放或半開放環(huán)境中采集， 一些 情況下會存在比較嚴(yán)重的顏色畸變 。 因此， 采用 這種方法 必須首先控制好圖像的 顏色畸變。 至于顏色聚類法、顏色模板匹配法，由于 對車牌區(qū)域定位 所依據(jù)的特征信息與顏色分類法 并 沒有本質(zhì)的不同，也 需要 解決 因圖像 顏色畸變 帶來的 問題。 基于紋理檢測和邊緣檢測的車牌區(qū)域定位方法 這一類車牌 區(qū)域定位 方法是目前在工程應(yīng)用和相關(guān) 的 研究中最為普遍采用的，而且也是效果 較 好的 一種 方法。之所以將紋理檢測與邊緣檢測結(jié)合在一起研究，是因?yàn)樵谲嚺品指畹墓こ虘?yīng)用和相關(guān) 研究實(shí)踐中，這兩種方法往往是相輔相成、互為補(bǔ)充的。圖像的自然紋理信息中往往蘊(yùn)含 著 甚至就直接或間接地來源于圖像的邊緣信息，而圖像的邊緣信息往往也呈現(xiàn)出 一定的 紋理信息的特點(diǎn)。 目前，在 車牌區(qū)域定位 中一般利用的多為人們易于感知的車牌圖像邊緣和紋理的分布規(guī)律（比如，車牌區(qū)域邊界幾何形狀、字符區(qū)域水平方向灰度密度分布等），而對于圖像一些較深層邊緣和紋理的分布（如分布的一致性，致密度等）則 還 未能總結(jié)出適 應(yīng) 范圍較大的規(guī)律。 本章 中提出了一種利用圖像的邊緣和紋理信息 ， 基于多方向邊緣處理的車牌 區(qū)域定位 方法。 基于區(qū)域的車牌區(qū)域定位方法 [ 19] 1 、 區(qū)域生長 [ 20] 區(qū)域生長的基本思想是將具有相同或相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。具體過程是： Step1 ：確定圖像中要分割的區(qū)域及各區(qū)域的一個種子像素 ； Step2 ：以種子像素為生長起點(diǎn)，根據(jù)事先確定的生長或相似準(zhǔn)則，將種子像素周圍領(lǐng)域中與其性質(zhì)相同或相似的像素合并為一個區(qū)域，并以新像素為新種子繼續(xù)上述過程 ； Step3 ：當(dāng)所有區(qū)域都滿足生長停止的條件或規(guī)則時，整幅圖像便被分割為滿足分割條件的不同子區(qū)域 。 因此，實(shí)際應(yīng)用中區(qū)域生長法要達(dá)到分割目的，需要解決三個 基本問題： (1) 正確確定能滿足分割要求的圖像區(qū)域及其種子像素 ； (2) 制定合適的區(qū)域生長的準(zhǔn)則 ； (3) 制定合適的區(qū)域停止生長的條件或規(guī)則 ； 由于實(shí)際應(yīng)用中車牌圖像的特點(diǎn)，在進(jìn)行車牌定位時這 三個基本問題 都很 22 難解決。用 區(qū)域生長 方法進(jìn)行 車牌區(qū)域定位困難之處在于首先 需要知道圖像的許多相應(yīng)的先驗(yàn)知識，而且有些參數(shù)對不同類型的圖像比較敏感。 2 、區(qū)域分裂 — 合并 區(qū)域分裂 — 合并 方法是從整幅圖像開始通過不斷分裂得到各個區(qū)域，一般是先把圖像分成任意大小且不重疊的區(qū)域，然后再 合并 或 分裂 這些 區(qū)域 以滿足分割的要求。與 區(qū) 域生長 類似，應(yīng)用 區(qū)域分裂 — 合并 方法進(jìn)行 車牌區(qū)域定位時也還需要進(jìn)一步解決一些相關(guān)的問題。 基于幾何形狀特征的車牌區(qū)域定位方法 [ 21] 直觀 看來，車牌字符集中分布于一個近似 矩形 的區(qū)域中，這個特點(diǎn)是在所有可識別的車牌圖像中都存在的。而且，一般來說圖像中 車牌區(qū)域與周圍背景之間存在較 明顯的顏色區(qū)別 ，具有一定的 封閉性和獨(dú)立性 。因此，利用圖像中車牌區(qū)域 的 幾何形狀特征 進(jìn)行 車牌區(qū)域圖像定位， 是最容易想到也是最早使用的 方