【正文】 足夠的相鄰像素可以利用,所以導致恢復圖像會出現(xiàn)一條條豎條文(振鈴效應)和影像反色現(xiàn)象(鬼影效應)。 這是運動模糊圖像復原過程中不可避免的現(xiàn)象。 只是不同算法在不同的參數(shù)及其條件下對其現(xiàn)象抑制的結果不同而已。通過改進算法，比如改進維納濾波算法，采用最優(yōu)窗口的方法可以減少振鈴和鬼影效應，這里不再深入討論。 本章小結 本章針對發(fā)生運動模糊的圖像，介紹了如何計算運動模糊的模糊方向和尺度。對于原來文獻[28]中提出的方法，針對求取圖像灰度和極值方法較為復雜的缺陷，使得計算速度有了很大的提高。最后介紹了復原的相關原理，并采用通過鑒別模糊方向和尺度的方法得到的參數(shù)，構造了點擴散函數(shù)，從而較好的恢復了圖像。 第三章 車牌定位算法 25第三章 車牌定位算法 車牌定位分割算法介紹 通常拍攝的車輛照片是比較大的，車牌部分只是其中很小的一塊，因此為了準確的識別車牌，首先要進行車牌定位。自動識別系統(tǒng)是智能交通控制系統(tǒng)的一個重要組成部分，車牌定位是車牌自動識別系統(tǒng)中的較為關鍵的步驟之一，設計出對車牌大小自適應性強、速度快、準確率較高的車牌定位方法對于整個自動識別系統(tǒng)性能指標有至關重要的影響。 車牌定位與分割是車牌識別的前提和準備，其分割效果對后面的識別率有較大的影響。車牌定位與分割又是圖像分割中的一個應用。 車牌定位是智能交通車牌識別中的一個很重要的部分，對它的研究一直比較多。 目前已有不少學者在這方面進行了研究， 提出了各自的車牌定位和分割方法，總結起來主要有如下幾類方法[38]：基于顏色的分割方法，這種方法主要利用彩色空間的信息，實現(xiàn)車牌分割；基于紋理的分割方法，這種方法主要利用車牌區(qū)域水平方向的紋理特征進行分割；基于邊緣檢測的分割方法；基于數(shù)學形態(tài)學的分割方法。 李文舉、梁德群、張旗、樊鑫[39]提出的基于邊緣顏色對的車牌定位方法。近年來隨著計算機技術的飛速發(fā)展， 很多學者已開始應用彩色圖像處理技術進行車牌定位這些研究改善了車牌的定位效果，但當車牌底色與其周圍顏色近似、車牌底色褪色或圖像中存在與車牌相似的幾何和紋理特征的偽車牌時， 有效定位率下降。要想提高車牌定位的可靠性，應充分利用車牌提供的信息，突出車牌區(qū)域抑制非車牌區(qū)域。已有的車牌定位方法雖考慮了車牌底色的顏色信息，卻沒有考慮車牌顏色特征的一個重要特點，即車牌背景與字符具有固定的顏色搭配，也就是說車牌字符邊緣兩側像素的顏色具有固定的搭配，而如果抓住了這一重要信息，不僅能剝離不符合車牌底色的非車牌區(qū)域，而且能夠將車牌底色褪色或雖具有和車牌相似的幾何及紋理特征但不符合顏色特征的偽車牌剔除。該文獻[64]分析目前應用彩色圖像處理技術進行定位方法的不足之處， 抓住車牌字符邊緣兩側像素的顏色具有固定搭配的特點， 提出了邊緣顏色對的概念并據(jù)此構造出了新的第三章 車牌定位算法 26車牌定位方法，提高了車牌定位的準確率。 陸鋒、顧新艷[40]提出的基于邊緣檢測和多特征掃描的車牌快速定位方法，該方法的特點是首先對圖像進行邊緣檢測，然后對檢測出來的圖像進行Ostu （最大類間方差）二值化，減少干擾并引入位置信息。隨后先采用粗定位掃描，獲得大致23個候選車牌區(qū)域，最后通過細定位方法，即對各個候選區(qū)域的一系列左右邊界求平均值，再求方差，驗證區(qū)域是否符合矩形區(qū)域這一條件，并加上驗證矩形長寬比是否符合條件得到最終的結果。該算法具有運算兩校、精度較高的優(yōu)點。 合肥工業(yè)大學的后俊[41]提出的基于小波分解和亮度矩的車牌定位方法，小波分解及較好的保留了字符邊緣信息，又加強了字符與其周圍信號的對比度，而亮度矩函數(shù)方法對圖像進行計算可以更加突出字符與背景灰度值之差， 減少誤定位分割的可能。 文獻[42]針對實際應用中具有復雜背景的高分辨率數(shù)碼圖像下車輛牌照定位的問題，提出了一種綜合利用車牌紋理特征、幾何特征以及色彩特征的快速車牌定位方法。該方法通過：對圖像進行水平方向邊緣檢測，提取每行中的所有上升點和下降點；提取滿足距離閥值條件的相鄰上升沿與下降沿的中點作為采樣點；對采樣點判定是否符合灰度閥值條件，即入一個相對應的二位矩陣。上面的灰度篩選再結合區(qū)域顏色篩選，得到若干個候選區(qū)域，在進行聚類與融合；對聚類較多的區(qū)域列為候選區(qū)，若只有一個就認為是車牌區(qū)域，否則再次考察候選區(qū)域內的有效點數(shù)， 以有效點總數(shù)最多的候選區(qū)作為可能得車牌中心區(qū)域。 對于基于紋理或邊緣的算法來說，車牌圖像中很可能不止一個區(qū)域具有車牌區(qū)域的紋理特征，難以準確找到車牌位置，而且這些方法對圖像有各種不同的條件限制,尤其是對車牌傾斜度的要求，一旦條件發(fā)生變化，車牌定位效果明顯下降?；陬伾臻g的分割方法中，彩色邊緣算法實際上也是一種邊緣檢測算法，沒有擺脫其局限性， 而顏色距離和相似度算法中，沒能排除光照強度的干擾。數(shù)學形態(tài)學的方法主要是用來對二值圖像進行一些預處理， 它往往要結合其它方法使用，不能單獨用來分割車牌。針對這種情況中山大學的張樹波,賴劍煌[38]提出了一種基于顏色空間和字頻統(tǒng)計結合的車牌分割方法。該方法是在HSV彩第三章 車牌定位算法 27色空間中，充分利用車牌圖像提供的彩色信息,構造出5級灰度圖，然后采用數(shù)學形態(tài)學、字頻統(tǒng)計方法進行分析和判斷,確定并分割出汽車牌照。該方法不受車牌大小、位置以及車牌的背景和光照條件等方面的限制，適用范圍較廣；文獻[43]提出了基于互相關矢量圖的車牌定位新算法VMLA算法，該算法基于字符筆畫左右邊緣之間的互相關矢量圖的結構特點， 可以從復雜車牌圖像背景中搜索到車牌的正確位置。VMLA算法具有較強的車牌大小自適應性和實時處理能力，不過該算法需要事先將車牌圖像調整到水平位置，而實際中車牌傾斜情況很多，這是一個缺陷。 車輛牌照的特點 現(xiàn)在我國車牌有4種類型[69]：（1）小功率汽車使用的藍底白字牌照；（2）大功率汽車使用的黃底黑字牌照；（3）軍、警用的白底黑字、紅字牌照；（4）國外駐華機構使用黑底白字牌照。這些牌照的長度均為45cm，寬為15cm，共有字符7個。一般民用牌照第一個字符為漢字，且是各省市的簡稱；第二個字符為大寫英文字母，如“E”；第三個字符是英文字母或阿拉伯數(shù)字，第四至第七個字符為阿拉伯數(shù)字，如“滬E 30265”就是最典型的車牌符號。車牌的位置一般在汽車的下方。 車牌的背景比較復雜[44]，因為：1）汽車圖像中除車牌外還有其他字符和景物，如貼在汽車上的廣告、標語、汽車的商標、車身和其它的景物；2）光照不勻形成圖像中有陰影和強光的反射；3）車牌有變形和污染，有的車牌被防護杠部分遮攔。這些因素都會增加車牌提取的難度，但不管怎樣，車牌部分和其它部分有明顯的區(qū)別，并呈現(xiàn)一定的規(guī)律性：（1）如果把彩色汽車圖像變成灰度圖像后， 字符與底色在灰度上有明顯的差異，灰度在兩者的交界處有較大的躍變，并從牌照的邊界開始呈現(xiàn)有規(guī)律的“谷、峰、谷”的分布，字符與底色內部灰度較均勻，無明顯的跳變；（2）車牌的字符基本排成一個矩形區(qū)域，內含豐富的邊緣；（3）由于拍攝距離、角度不同，不同圖像中車牌的位置、大小各有不同，但牌照的橫寬比例在3：1左右。： 第三章 車牌定位算法 28 圖 9 車牌圖像水平/垂直抽樣圖（黑色線為抽樣線） Horizontal /vertical sampling of license plate image 車牌區(qū)域部分 （a） 圖9 車牌橫線處一維灰度分布圖 (a) Onedimensional gray level distribution of horizontal sample line in 第三章 車牌定位算法 29車牌區(qū)域部分 （b） (b) Onedimensional gray level distribution of vertical sample line in 圖 10 車牌圖像的一維灰度分布圖 Onedimensional gray level distribution of license plate image 定位算法 ：由于車牌區(qū)域有豐富的灰度跳躍（也就是有大量的峰、谷現(xiàn)象），而一般背景灰度變化較為平緩，所以通過峰、谷數(shù)量的變化可以判定車牌的位置，對行方向和列方向分別作這樣的判斷，就可以基本確定車牌的位置。 文獻[44]采用上面的利用峰、谷鑒別車牌的方法，不過也存在一些缺陷：由于車牌圖像未必是水平的， 因此該方法得到的所謂車牌的首行和末行通常在真正的車牌圖像內部，上下各有部分車牌圖像會被截掉，導致后面無法處理；未在算法處理過程中對獲得的候選區(qū)域圖像作預處理， 導致可能會出現(xiàn)較多很狹窄的圖像，影響后面的判別工作；通常行方向利用該方法比較好，但列的方向由于車牌圖像信息不多，會導致有時定位不好。針對這幾條原因，對實際可能的車牌情況對算法作了改進,基本算法過程如下圖11： 第三章 車牌定位算法 30讀取原始車輛圖像逐行掃描，計算峰、谷之間的斜率對每行的峰的數(shù)目進行統(tǒng)計，大于閥值的是為可能的車牌區(qū)域所在行根據(jù)候選區(qū)域的首行和末行，對原圖進行行分割對行分割后的圖像同理進行列分割對分割后的圖像進行字符占候選區(qū)域比值判別或位置判別，確定最終的車牌區(qū)域 圖 11 車牌定位基本過程 The process of license plate location 具體計算步驟如下（算法代碼參見附錄2）： 1) 圖像灰度化，由于只要對灰度圖象做峰、谷識別就可以了，所以為了節(jié)約時間，首先對原始圖像作灰度處理。 2) 逐行掃描，計算谷、峰之間的斜率，由于像素靠得太近通?；叶茸兓淮?，太大有會導致可能跨過存在的峰或者谷，從而導致計算出錯，因此文中每兩列計算一次斜率： ( , 2) ( ,)2Ii j Iijk+= 3) 對斜率k的絕對值設置閥值 1 a ，清除一些較小的峰、谷（他們通常是一些噪聲點） ，對剩下的峰、谷，計算它們的寬度。具體算法如下： 第三章 車牌定位算法 31If k0， then 認為是是峰的上升沿，并記該列為up； If k0， then 認為是是峰的下降沿，并記該列為down； 上升沿和下降沿之間的距離為峰的寬度,widthpeak=downup。 下降沿和上升沿之間的距離為谷的寬度,widthvale=updown。 4) 對峰、谷進行過濾。開始定一個數(shù)組numl：其長為圖像的行數(shù)，初始值都置位0。對滿足門限 23 widthpeak aa 且 45 widthvale aa 的峰、谷進行計數(shù)，若峰的數(shù)目nump大于門限 6 a ，則對所在的行置1。舍去不符合以上門限的峰和谷。 5) 確定車牌在汽車圖像中的范圍。由第4步得到的數(shù)組numl可以判斷： 數(shù)組中從0跳變到1的行（就是上升沿）就是車牌候選區(qū)的起始行，計入beline數(shù)組； 數(shù)組中從1跳變到0的行（就是下降沿）就是車牌候選區(qū)的終止行，計入afline數(shù)組； 注意：這里要首先記錄的行數(shù)是beline數(shù)組的，為此設置一個標志，初始為0，當記錄到上升沿時，標志置位1，表示一個候選區(qū)域的起始行已經定位了，其后才開始檢測這一區(qū)域的末行的行數(shù)。隨后依次往下重新檢測新的候選區(qū)域的起始行和末行。 6) 由于滿足條件的候選區(qū)域可能不止一塊，為了減少候選區(qū)域，可以在這一步簡單的對候選區(qū)域的高度作一個如下判別： 我們知道，車牌的區(qū)域在圖像中還是有一定的高度的，若是某個候選區(qū)域的高度值太小（可以設置一個閥值剔除它），我們可以首先排除它，這樣的話，可以方便下面的進一步處理。 7) 由于在實際中，經常有車牌發(fā)生傾斜的圖像，因此由上面給出的方法計算出來的beline可能已經不是字符的第一行，往往會深入到里面的幾行中去，因此分割時會刪除一些車牌部分的圖像。為了避免這一現(xiàn)象，從考慮一定冗余量的角度考慮，我們將beline和afline分別向上和向下拓展一定的行數(shù)（也就是上、下各移幾個像素），*row行（row是原始圖像的行數(shù),col是原始圖形的列數(shù)）。 這樣把坐標從（*row，1）到(afline+*row,col)的圖像切第三章 車牌定位算法 32割下來，這樣就將車牌的位置行的方向定了下來。 8) 同理，對圖像的峰、谷在列的位置上重復上述步驟。 把坐標從（1,*col）到(row,afcol+*col)的圖像切割下來，這樣就將車牌的位置列的方向定了下來。由于在列的方向上車牌區(qū)域呈現(xiàn)的灰度的峰、谷現(xiàn)象不那么明顯，有時候會導致分割略有困難。這個時候需要結合Hough變換來處理，以往Hough變換尋找車牌邊緣較為困難的原因是因為車身其他部分也有著豐富的邊緣，以至于算法本身很難識別哪個是車牌部分的邊框。然而但我們通過上面的方法將車牌所在的行定位好后，就可以縮小搜索邊框的范圍，這個時候采用Hough變換，范圍僅限于在車牌起始行與結束行區(qū)域的水平部分尋找邊緣，這就大大降低了尋找的復雜性，能夠很容易的獲得車牌的垂直邊框邊緣（由于車牌傾斜，可能是近似縱向的兩個邊框邊緣），這樣就能很容易的分割出車牌的位置。經過行、列兩次分割后，一般車牌圖像就能被準確定位了。 有時由于一些車身上別的字符的原因，可能分割的時候后又出現(xiàn)幾個候選區(qū)域的問題發(fā)生，這個時候還要采用別的方法進一步篩選。這里可以使用如下判定方法： 對候選區(qū)域進行字符占所在區(qū)域的比值判別。為了便于說明，這里指出，圖像是灰度圖，字符圖像為偏白色，背景偏黑色，這樣先設定一個閥值（這個閥值的計算可以采用Ostu 法） ，大于該閥值的