【導(dǎo)讀】車牌識(shí)別系統(tǒng)是智能交通系統(tǒng)中不可或缺的核心組成部分。是圖像處理和模式識(shí)別技。術(shù)研究的熱點(diǎn)，應(yīng)用也越來(lái)越普遍。本次畢業(yè)設(shè)計(jì)所研究的車牌識(shí)別系統(tǒng)可廣泛應(yīng)用于交。通監(jiān)控、公路收費(fèi)、停車收費(fèi)、汽車防盜、違章管理中。本文對(duì)這些技術(shù)及所涉及的算法做了詳細(xì)的論述，并對(duì)部分算法做了改進(jìn)。先通過(guò)顏色識(shí)別來(lái)初步確定車牌的所在區(qū)域，再結(jié)合車牌的形狀特。征以及紋理特征精確定位。割，得到單個(gè)的字符。體的大小，將它輸入字符識(shí)別模塊進(jìn)行匹配，從而識(shí)別出車牌中的漢字，字母以及數(shù)字。為此，我國(guó)交管部門對(duì)汽車車牌的管理非常重視，并制定了一套嚴(yán)格。的工作，并將極大地提高汽車的安全管理水平及管理效率。目前，人工智能的技術(shù)水平仍處于實(shí)現(xiàn)近期目標(biāo)的較低階段。工智能與模式識(shí)別技術(shù)領(lǐng)域的一個(gè)典型應(yīng)用研究。這必將有助于推動(dòng)人工智能及模式識(shí)別。這些產(chǎn)品能夠適應(yīng)多個(gè)國(guó)家的車牌，但是由于我國(guó)車牌形狀大小

　　

【正文】 圖像的拓?fù)浣Y(jié)構(gòu)，因而更適合于本文所設(shè)計(jì)的系統(tǒng)。其轉(zhuǎn)換算法如下： (a)用第一組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 20 所示。其中 0 為背景， 1為前景。 1 0 1 1 1 圖 21 模板 1 (b)用第二組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 21 所示。其中 0 為背景， 1為前景。 圖 22 模板 2 (c)用第三組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 22 所示。其中 0 為背景， 1為前景。 圖 23 模板 3 0 0 1 1 1 1 1 1 0 1 1 0 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 29 (d)用第四組模板進(jìn)行形態(tài)學(xué) HIT/MISS 運(yùn)算，模板如圖 23 所示。其中 0 為背景， 1為前景。 圖 24 模板 4 (e)如果上述四組模板有任何一個(gè)滿足，則前景點(diǎn) 1 設(shè)為背景點(diǎn) 0； (f)重復(fù)步驟 (a)~(b)，直到?jīng)]有任何一點(diǎn)滿足任何一個(gè)模板為止。 通 過(guò)兩個(gè)算法的比較，由于基于形態(tài)學(xué)的算法有利于保持字符的拓樸結(jié)構(gòu)，故本文所設(shè)計(jì)的系統(tǒng)選用第二種方法進(jìn)行字符圖像的細(xì)化。細(xì)化結(jié)果圖如圖 24 所示。 圖 25 字符圖像細(xì)化結(jié)果 字符識(shí)別 模板匹配是圖像識(shí)別中最具代表性的方法之一。它是將從待識(shí)別的圖像提取的若干特征量與模板對(duì)應(yīng)的特征量進(jìn)行比較，計(jì)算圖像和模板特征量之間的距離，用最小距離法判定所屬類。模板匹配通常事先建立標(biāo)準(zhǔn)模板庫(kù)，模板庫(kù)中的標(biāo)準(zhǔn)模板通常是二值化的數(shù)字模板，（ 0 表示背景， 1 表示字符）并且圖像模板大小相同。 （ 1） Hausdorff 距離 Hausdorff 是描述兩組點(diǎn)集之間相似程度的一種量度，它是集合與集合之間距離的一種定義形式。假設(shè)有兩組集合 A={ NAaaa , 21 ? }， B={ NBbbb , 21 ? }，則這兩組集合之間的HD 可以定義為： ? ? ? ?? ?ABdBAdM a xd hhH ,? 。式中， ? ? baM inM axBAdBbAah ?? ??,，稱為 A集合和 B 集合之間的直接 Hausdorff 距離， ? 是某種距離范數(shù)。如果定義一個(gè)點(diǎn) a 到一個(gè)點(diǎn)集 B 的距離 ? ?Bad , 為該點(diǎn)到該點(diǎn)集中每一個(gè)點(diǎn)的距離的最小值，即 ? ?Bad , = baMinBb ??。則 ? ?BAdh , 是點(diǎn)集 A 中每個(gè)點(diǎn)到點(diǎn)集 B 中的最小距離集合 ? ?Bad , 中的最大值。 Hausdorff 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 1 0 1 1 1 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 30 距離 Hd 取 ? ?BAdH , 和 ? ?ABdH , 的最大值。從而可以獲得兩個(gè)點(diǎn)集 A 和 B 之間的匹配程度。 為 了 抵 抗 噪 聲 干 擾 ， 對(duì) Hausdorff 距 離 進(jìn) 行 改 進(jìn) ， 把 距 離 公 式 由? ? baM inM axBAd BbAah ?? ??, 變?yōu)?? ? ? ?? ?? baM inBAd BbAah , 。即把求最大最小距離變?yōu)榍笞钚【嚯x的累加和，這樣可以有效地抵抗隨機(jī)噪聲的干擾，增加了兩個(gè)點(diǎn)集之間距離的穩(wěn)定性。 （ 2） 基于改進(jìn) Hausdorff 距離的模板匹配 基于改進(jìn) Hausdorff 距離的模板匹配算法如下。 事先生成各個(gè)字符的模板庫(kù)，然后把待識(shí)別別的字符圖像逐個(gè)與各個(gè)字符的模板庫(kù)之間計(jì)算改進(jìn)的 Hausdorff 距離 ? ?NiDi ,2,1 ?? ， N 為模板個(gè)數(shù)。步驟如下： ① 初試化 ? ?iTXD , ，令 ? ?iTXD , =0。 ② 從上到下，從左到右，逐個(gè)像素掃描待識(shí)別的字符圖像，如果是 1，記錄下該點(diǎn) yxP,的位置，否則繼續(xù)掃描。 ③ 模板圖像上，以 yxP, 點(diǎn)為中心的 55 領(lǐng)域內(nèi)，搜索 1，尋找與 yxP, 最近的點(diǎn)，并計(jì)算 yxP, 和該點(diǎn)之間的距離，此距離是待識(shí)別圖像和模板圖像在該點(diǎn)的最小距離。如果 55領(lǐng)域內(nèi)沒(méi)有找到 1，就認(rèn)為距離為一較大者。 ④ 把所有計(jì)算的距離進(jìn)行累加到字符 到 模板的距離 ? ?iTXD , 中。 ⑤ 判斷是否掃描待識(shí)別圖像結(jié)束，若沒(méi)有結(jié)束，轉(zhuǎn)到步驟 ② ，否則繼續(xù)計(jì)算，直至得到字符到模板的距離 ? ?iTXD , 。 ⑥ 按照同樣的步驟可計(jì)算模板到字符的改進(jìn)的 Hausdorff 距離 ? ?iTXD , 。 ⑦ 取 ? ? ? ?? ?XTDTXDM a xD iii ,? 。當(dāng) iD 最小時(shí)，對(duì)應(yīng)的模板字符就是識(shí)別的結(jié)果。 識(shí)別結(jié)果圖如下圖 25 所示 圖 26 車牌識(shí)別 結(jié)果圖 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 31 6 車牌識(shí)別系統(tǒng)的實(shí)驗(yàn)結(jié)果與分析 實(shí)驗(yàn)環(huán)境 硬件環(huán)境 ： (1) 數(shù)碼相機(jī)一臺(tái) (2) PC 機(jī)一臺(tái)： Pentium4 、 256M 內(nèi)存、 40G 硬盤 軟件環(huán)境： (1) 操作系統(tǒng)： Windows XP professional。 (2) 圖像圖片格式： Windows 下 BMP 格式，圖像尺寸 640480pixel， 24 位真彩色。 (3) 編程環(huán)境： VC++。 實(shí)驗(yàn)結(jié)果及分析 (1)車牌定位的結(jié)果分析 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 32 圖 27 車牌定位成功的實(shí)例 以上 5 幅圖像是成功定位提取的實(shí)例，下面 3 幅圖像是不同情況下未能定位出車牌的結(jié)果。其中，圖 28 是因?yàn)榕臄z距離過(guò)遠(yuǎn)，車牌在圖像中所占比例過(guò)?。粓D 29 是因?yàn)榕臄z角度過(guò)偏，車牌長(zhǎng)寬度特征減弱；圖 30 是因?yàn)閳D像過(guò)于模糊，車牌中 字符特征減弱。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 33 圖 28 拍攝距離過(guò)遠(yuǎn)圖片 圖 29 拍攝角度過(guò)偏圖片 圖 30 拍攝過(guò)于模糊圖片 (2)字符識(shí)別結(jié)果分析 字符識(shí)別方面實(shí)現(xiàn)了字符像素點(diǎn)分布特征的模板匹配算法，運(yùn)算簡(jiǎn)單，計(jì)算量小，具有較好的識(shí)別率。以下 圖 31 是字符成功識(shí)別的實(shí)例。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 34 圖 31 字符成功識(shí)別圖 由于 實(shí)驗(yàn) 樣本的限制和算法上還有 待 改進(jìn)的地方，本 設(shè)計(jì) 在 定位及 漢字識(shí)別的準(zhǔn)確率上 還有待提高 。除此之 外對(duì)于特征相似的字符區(qū)分還需進(jìn)一步提高，如 0， D 和 Q， 1 和 I，8 和 B， 2 和 Z， 5 和 S 等。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 35 7 總結(jié)與展望 車牌識(shí)別系統(tǒng) 通過(guò)引入數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的圖像處理，模式識(shí)別和人工智能技術(shù)，通過(guò)對(duì)圖像的采集和處理，獲得更多的信息，從而達(dá)到更高的智能化管理程度。目前，車牌識(shí)別系統(tǒng)已經(jīng)廣泛運(yùn)用到包括智能交通違章監(jiān)攝管理、高速公路不停車收費(fèi)、車輛檢測(cè)以及停車場(chǎng)監(jiān)控與管理等應(yīng)用中。 通過(guò)閱讀大量的參考文獻(xiàn)，對(duì)大量實(shí)際拍攝的車牌圖像 的反復(fù)研究比較 ， 分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析與研究。 最后對(duì) 汽車牌照自動(dòng) 識(shí)別 的 各個(gè) 環(huán)節(jié) 進(jìn)行綜合，完成了車牌識(shí)別系統(tǒng)的軟件實(shí)現(xiàn)。 不過(guò)， 由于個(gè)人能力 有限 和時(shí)間的限制， 對(duì)系統(tǒng)各個(gè)環(huán)節(jié)的研究還不夠深入徹底，所使用的算法還不夠精確和先進(jìn)或者系統(tǒng) 本身還存在一定的問(wèn)題，在考慮問(wèn)題 時(shí)還不夠 全面 。還 需要在以下方面進(jìn)行改進(jìn) ： (1)本文設(shè)計(jì)的系統(tǒng)只能識(shí)別標(biāo)準(zhǔn)的汽車牌照，而不能識(shí)別一些非標(biāo)準(zhǔn)的車牌。如武警車牌和使館車牌等。并且，在識(shí)別不同顏色車牌時(shí)需要修改顏色定義。 (2)本文設(shè)計(jì)的系統(tǒng)只能 對(duì) 單個(gè)的汽車牌照 圖片進(jìn)行 處理，對(duì)于一幅圖像中有多個(gè)汽車拍照的圖片則不能識(shí)別 。 (3)本文所使用的圖片均是在白天拍攝的，背景也不是很復(fù)雜。而在夜間以及光線不太好的情況下拍攝的圖片識(shí)別效果則有待提高。 (4)本文設(shè)計(jì)的系統(tǒng)只對(duì)靜態(tài)圖像進(jìn)行處理，而實(shí)際多采用視頻拍攝來(lái)采集圖像，因此，對(duì)視頻圖像中的車牌提取有待研究。 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 36 參考文獻(xiàn) [1] 馮偉興，唐墨，賀波編著 . Visual C++數(shù)字圖像模式識(shí)別技術(shù)詳解 .北京：機(jī)械工業(yè)出版社， 2020. [2] 種衍文，謝丹力，鄭翠花 .一種針對(duì)復(fù)雜背景的復(fù)合車牌定位算法 .計(jì)算機(jī)應(yīng)用研究， 2020， 25(6)： 17411743. [3] 張愛(ài)明，許建龍，姜銳 .車牌自動(dòng)識(shí)別系統(tǒng)關(guān)鍵技術(shù)研究 .浙江理工大學(xué)學(xué)報(bào)， 2020，30(1)： 96100. [4] 張永蔥，劉昌平等 .技術(shù)綜合集成在模式識(shí)別中應(yīng)用 .計(jì)算機(jī)學(xué)報(bào)， 1995， 18(9)：678685. [5] 魏武，黃心漢等 .基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識(shí)別方法 .模式識(shí)別與人工智能， 2020， 14(1)： 123126. [6] 郭大波，陳禮民，盧朝陽(yáng)，韓麗萍 .基于車牌底色識(shí)別的車牌定位方法 .計(jì)算機(jī)工程與設(shè)計(jì)， 2020， 4(5)： 8189. [7] 尹令 .車牌自動(dòng)識(shí)別系統(tǒng)的研究及其在 VC++中的實(shí)現(xiàn)： [碩士論文 ]，湘潭：湘潭大學(xué)， 2020. [8] 宋加濤，劉濟(jì)林 .車輛牌照上英文和數(shù)字字符的結(jié)構(gòu)特征分析及提取 .中國(guó)圖像圖形學(xué)報(bào)， 2020， 7A(3)： 945949. [9] 求是科技， 張宏林 ，蔡銳 編著 . Visual C++ 數(shù)字圖像模式識(shí)別技術(shù)及工程實(shí)踐 .北京：人民郵電出版社， 2020. [10] 馮偉興，梁洪，王臣業(yè)編著 . Visual C++數(shù)字圖像模式識(shí)別典型案例詳解 .北京：機(jī)械工業(yè)出版社， 2020. [11] 向世明著 . Visual C++ 數(shù)字圖像與圖形處理 .北京：電子工業(yè)出版社， 2020. [12] 鐘志光，盧君，劉偉榮著 . Visual C++.NET 數(shù)字圖像處理事例與解析 .北京：清華大學(xué)出版社， 2020. [13] 徐慧著 .Visual C++ 數(shù)字圖像實(shí)用工程案例精選 .北京：人民郵電出版社， 2020. [14] 路小波，包明，黃衛(wèi) .基于投影的車牌傾斜檢測(cè)方法 .交通運(yùn)輸工程與信息學(xué)報(bào)，2020， 2(4)： 10－ 15. [15]盧雪松 .車牌照定位和分割算法的研究 ： [碩士論文」，內(nèi)蒙古 ： 內(nèi)蒙古工業(yè)大學(xué)，2020. [16] Swanson M D， Tewfik A H .Fast Progressively Refined Image of Electronic Imaging .1998， 7(3)： 443452. [17] Setchell J .Applications of Computer Vision to RoadTraffic Thesls. University of ， 1997， 6681. [18] Sahoo Survey of Thresholding Vision Graphics and Image . 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 37 [19] .A Threshold Selection Method from Graylevel Trans ，Man Cyber . 1979， SMC9. [20] Brink A B .Gray level Thresholding of images using a correlation Recognition Letters. 1998， 9. [21] Rafael Image . 武漢理工大學(xué)畢業(yè)設(shè)計(jì)（論文） 38 致謝 本此畢業(yè)設(shè)計(jì)是在我的指導(dǎo)老師黃朝兵教授的指導(dǎo)下，歷時(shí)數(shù)月完成的。 隨著本科畢業(yè)設(shè)計(jì)論文的最終完稿，我在 大學(xué)的學(xué) 習(xí) 生涯也即將結(jié)束 。 在 四年的本科 學(xué)習(xí) 期間，學(xué)習(xí)的艱辛、 實(shí)習(xí) 的苦與樂(lè)、 畢業(yè)設(shè)計(jì) 的付出與收獲，這些點(diǎn)點(diǎn)滴滴都將會(huì)成為我 人生中 最美好的回憶，值得我永遠(yuǎn)珍藏