【正文】 論和孟德爾遺傳變異理論基礎(chǔ)上發(fā)展起來的一種隨機搜索尋優(yōu)算法，它通過模擬生物進化的四種基本形式：繁殖、變異、競爭和選擇完成對某個目標函數(shù)的全局優(yōu)化，具有隱含并行性和全局優(yōu)化能力。遺傳算法處理過程一般為：Step1 將待求解問題的解進行參數(shù)編碼，并給出針對該參數(shù)編碼的適度函數(shù)。要求解空間中的可能解越滿足待求解問題，則其對應(yīng)的適度函數(shù)值越大，適度函數(shù)值的全局最大值對應(yīng)問題的全局最優(yōu)解；Step2 生成初始種群，一般為一組隨機生成的可能解；Step3 計算種群個體適度值，并判斷是否滿足算法停止條件，是則退出并輸出當前最優(yōu)解；Step4 根據(jù)適度函數(shù)進行選擇操作，從種群中選擇進入下一代的個體，被選擇的概率正比于個體的適度函數(shù)值；Step5 對選擇后的個體以重組概率P兩兩進行重組生成新個體；Step6 對新個體以變異概率進行變異操作；Step7 轉(zhuǎn)Step3繼續(xù)執(zhí)行。使用遺傳算法進行車牌區(qū)域定位，主要需要解決搜索空間編碼、適度函數(shù)的確定和終止條件設(shè)定等問題。而由于車牌圖像的復(fù)雜性，這些問題的解決都比較困難。而且，采用遺傳算法，實時性一般不太好。因此，在車牌區(qū)域定位實際應(yīng)用中還需要解決相關(guān)的一些問題。 除上述車牌區(qū)域定位方法外，還有其它一些方法提出，比如基于分形盒子維數(shù)的車牌區(qū)域定位方法、基于模糊邊緣檢測的車牌區(qū)域定位方法、基于隱馬爾科夫模型樹的車牌定位方法等，但這些方法在實際應(yīng)用中也還分別存在著一些較難解決的問題。車牌區(qū)域的定位技術(shù)是車牌圖像識別產(chǎn)品的較基礎(chǔ)、關(guān)鍵、核心的技術(shù)，因為它是后續(xù)的圖像處理和分類識別的前提；同時由于在這個階段需要處理的圖像數(shù)據(jù)量最大，它又直接關(guān)系到車牌圖像識別實時性的好壞。目前的車牌識別軟件對于不同場景圖像適應(yīng)性不是太理想的原因，也主要體現(xiàn)在這個環(huán)節(jié)。車牌區(qū)域定位技術(shù)的困難之處在于車牌圖像的采集幾乎都是在開放或半開放的環(huán)境、在不同的時空中進行，使得即使對于同一輛車的同一個車牌，采集的圖像往往也表現(xiàn)出許多不同的特點。因而圖像中車牌區(qū)域的有關(guān)特征一般來說不太穩(wěn)定、表現(xiàn)復(fù)雜，尤其是在大視景監(jiān)控和移動追蹤監(jiān)控時更是如此。因此，首先應(yīng)考慮的是如何獲得內(nèi)容和質(zhì)量較為穩(wěn)定的車牌圖像。如果能夠獲得穩(wěn)定的車牌圖像，則現(xiàn)有的車牌圖像處理和識別技術(shù)就基本可以獲得較理想的應(yīng)用效果。但目前在車牌圖像采集方面，無論是在硬件設(shè)備，還是在采集方案等方面都不足以保證獲得穩(wěn)定的車牌圖像。甚至我們連應(yīng)該獲得什么樣的車牌圖像都還沒有一個明確的結(jié)論。在不能夠獲得較為穩(wěn)定的車牌圖像的條件下，為提高車牌區(qū)域定位的正確性，就需要根據(jù)通常的車牌圖像中普遍具有的車牌區(qū)域特征，來設(shè)計車牌區(qū)域圖像定位方法，才能夠具有較好的適應(yīng)性。在此，提出一種利用車牌區(qū)域中較直觀的自然特征，基于多方向邊緣處理的車牌區(qū)域定位方法。采用該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，對于定點圖像的車牌區(qū)域定位具有較好的使用效果，同時對于圖像采集方面的要求也較為寬泛，且決策判斷方法比較簡單。 車牌區(qū)域特征的選取車牌區(qū)域特征選取的恰當與否是能否正確進行車牌區(qū)域定位的前提條件，也是評價車牌區(qū)域定位方法優(yōu)劣的關(guān)鍵。通過對一些在不同時間和空間獲得的車牌圖像分析發(fā)現(xiàn)，各類圖像中的車牌區(qū)域共同具有的較為穩(wěn)定的特征信息還是很有限的。盡管人們用各種方法來試圖獲得穩(wěn)定、明確的車牌區(qū)域的特征信息，但由于車牌圖像采集和使用環(huán)境的極其復(fù)雜性，目前在車牌區(qū)域定位時利用的相對比較可靠的特征，主要還是一些比較容易提取的、直觀的自然特征，或是在自然特征的基礎(chǔ)上變換或測量而來的人為特征。其中公認的相對比較穩(wěn)定可靠的是車牌區(qū)域在邊緣和紋理方面的特征信息，而一些人為規(guī)定或者是僅對少數(shù)樣本圖像的數(shù)據(jù)進行統(tǒng)計分析而來的車牌圖像的特征的規(guī)律性在實際應(yīng)用中還需要進一步的檢驗。想找到足以使車牌區(qū)域與背景圖像區(qū)分的、具有唯一性的單一特征極為困難，只能通過對一些特征信息的組合和相互補充利用來滿足或者基本滿足車牌區(qū)域定位的要求。下述的車牌區(qū)域定位方法主要綜合利用車牌區(qū)域如下三個方面的較直觀的自然特征信息：(1) 圖像中車牌區(qū)域一般與周圍背景之間存在較明顯的顏色區(qū)別。也就是說，車牌區(qū)域相對于區(qū)域外的背景具有較好的封閉性和獨立性。這一點在圖像采集時采取一定的措施一般可以保證，特別是在現(xiàn)在越來越多的車牌是鑲嵌在矩形框中的，如果在制定車牌標準時在這方面有一定規(guī)范的情況下更是如此。(2) 圖像中車牌區(qū)域的牌底顏色與字符顏色對照比較大，可提取出豐富的邊緣信息，且標準的英文字母與阿拉伯數(shù)字的輪廓都是上下連通的。這一點在圖像采集時同樣比較容易保證。(3) 圖像中車牌區(qū)域一般在車身的下部，其下方主要是車輪和車外背景圖像，通常情況下邊緣信息比較少。如果在制定車牌標準時在車牌的懸掛位置方面有一定的規(guī)范，這方面也可以基本得到保證。 基本思路及實現(xiàn)的方法步驟基本思路：利用上述車牌區(qū)域的三個方面的特征信息，采用多方向邊緣處理和數(shù)學(xué)形態(tài)學(xué)運算等方法，以得到覆蓋車牌區(qū)域或者比車牌區(qū)域稍大些的連通區(qū)，從而對車牌區(qū)域進行定位。(。)過程1 ：車牌區(qū)域的粗定位通過實驗發(fā)現(xiàn)，對于背景比較復(fù)雜的圖像直接進行處理,會得到許多不含車牌的較大的連通區(qū)或者是雖含有車牌但連通區(qū)過大，使得對車牌難以甚至不能定位。而且如果對整幅圖像進行過于復(fù)雜的運算和判斷，也難以滿足實時性的要求。因此，應(yīng)該先對圖像背景進行較大程度的縮減，也就是先對車牌進行粗定位。粗定位時，由于允許圖像中存在較多的背景，相對較簡單。本方法主要利用了上述車牌區(qū)域(2)、(3)兩個方面的特征信息。由于車牌區(qū)域邊緣豐富，英文字母與阿拉伯數(shù)字的輪廓上下連通，利用數(shù)學(xué)形態(tài)學(xué)處理的方法可獲得車牌區(qū)域內(nèi)或者其稍下方的較大的連通區(qū)，而車牌下方其它地方的連通區(qū)往往很小，從而能判斷車牌垂直方向所在的大致位置。多方向邊緣增強及提取在彩色車牌圖像中，存在著比較豐富的邊緣信息。這些邊緣信息中又蘊含了車牌區(qū)域紋理以及幾何形狀等方面的特征。因此，目前實際應(yīng)用的車牌圖像的計算機識別方法中，對于邊緣信息的處理在車牌區(qū)域分割、字符的分割和字符特征提取中起著非常重要的作用。在基于邊緣檢測的車牌區(qū)域定位方法中，圖像豐富的邊緣信息給車牌區(qū)域的定位提供了依據(jù)。但也正由于圖像邊緣信息的豐富性，以及不同場景圖像邊緣信息的不確定性，又給車牌區(qū)域定位時的判斷、決策帶來了很大的困難。所以，如何合理地提取和利用圖像的邊緣信息，成為了車牌區(qū)域能否正確定位的關(guān)鍵所在。一些基于邊緣檢測的車牌區(qū)域定位方法，雖然采用了較復(fù)雜的判斷決策方法，但對于背景復(fù)雜圖像的分割效果仍然并不理想。經(jīng)過分析發(fā)現(xiàn)，這些方法適應(yīng)性不好的主要原因就是該方法對于圖像邊緣信息的處理不夠合理，造成車牌定位時依據(jù)的邊緣信息不足或者是過多，使得難以進行正確的決策判斷。圖像在不同方向的邊緣蘊含的信息也有所不同，對圖像不同方向的邊緣信息進行提取并且進行相應(yīng)的處理，有利于更充分合理地利用邊緣信息。本方法在車牌區(qū)域的粗定位和精確定位時均進行了多方向的邊緣提取及相應(yīng)的處理。粗定位時進行這種處理的目的主要在于要利用車牌區(qū)域(2)、(3) 兩個方面的特征信息，在利用車牌區(qū)域邊緣信息的同時減少車牌下方背景圖像邊緣信息的影響，以利于判斷垂直方向上車牌所在的大致位置。而在精確定位時進行這種處理的目的則主要在于獲得車牌區(qū)域充分的邊緣信息。粗分割時采用了四個方向的 Sobel 模板[3]進行多個方向的邊緣增強。本實驗中發(fā)現(xiàn)采用正西、西北、西南和東南這四個方向的 Sobel 模板(分別以ggg3和g4表示)進行處理效果較好(也可以采用其它模板)。然后對增強后的邊緣進行提取，二值輸出。 具體過程如下： Step1: 用加權(quán)平均值法將彩色圖像灰度化；Step2: 灰度圖象f(m,n)分別與四個方向Sobel模板進行卷積運算； k=1,2,3,4Step3: 分別提取四個方向邊緣，二值輸出。t為閾值，為獲得足夠的邊緣信息的同時減少圖像非車牌部分的影響，二值提取時閾值的選取應(yīng)合適，一般可選hk(i,j)平均值的2－3倍。 數(shù)學(xué)形態(tài)學(xué)濾波去除小像素噪聲用上述方法提取的邊緣圖像往往存在大量的小像素噪聲，為減少噪聲的影響，應(yīng)進行濾波處理。但有些情況下，提取的車牌區(qū)域邊緣也是由一些不連續(xù)的小像素組成的，如果對車牌區(qū)域的邊緣信息削弱過多將不利于后面的處理，所以在這里只要去除大小為12個像素的噪聲即可。分別對四個方向的邊緣圖進行開運算：B為結(jié)構(gòu)元素，可選擇半徑為1的圓結(jié)構(gòu)元素。 —。圖像合成將經(jīng)過上面處理后的四個方向邊緣圖像進行合成，目的是在車牌區(qū)域內(nèi)得到一定的連通區(qū)或者封閉孔洞。由于車牌區(qū)域邊緣信息的豐富性，實驗中只進行簡單的加運算，即能達到這個目的()。加合成： 然后將p(i,j)中大于255的值歸一化為255。數(shù)學(xué)形態(tài)學(xué)操作，以獲取車牌區(qū)域的連通區(qū)首先，對上面得到的合成圖像進行閉運算，以加強連通區(qū)和封閉孔洞。閉運算時選用的結(jié)構(gòu)元素應(yīng)合適，以避免噪聲影響過大，一般選用半徑為12個像素的圓形結(jié)構(gòu)元素即可。然后，對孔洞進行填充操作，獲得連通區(qū)。最后對圖像進行開運算，以去除小的連通區(qū)，主要目的是去除車牌下方的連通區(qū)()。具體過程如下：Step1: 對邊緣合成圖進行閉運算： B為結(jié)構(gòu)元；Step2: 以4鄰域連通方式對f(i,j)進行孔洞填充操作；Step3: 開運算去除小像素，結(jié)構(gòu)元一般選用1010以下的矩形結(jié)構(gòu)。 去除小連通區(qū)后圖對車牌區(qū)域進行粗定位一般情況下，通過上述一系列處理后，獲得的圖像g(i,j)最下方的連通區(qū)就是車牌內(nèi)或者其稍下方區(qū)域，可以據(jù)此確定一個含車牌的區(qū)域。當然，此時還應(yīng)該根據(jù)下面精確定位時所用方法(見本文30頁)獲得的車牌區(qū)域垂直邊緣特征信息來進行判斷確認，如果判定不含車牌區(qū)域，則向上繼續(xù)搜索連通區(qū)。由于本方法定位時可利用的信息較少，所以僅適合車牌區(qū)域的粗定位，但也能在垂直方向去除較多的背景。如果對于某一個固定場所采集的圖像，利用經(jīng)驗知識，也可以得到較高精度的車牌區(qū)域定位效果(，考慮到一些極端情況，選取了整個圖像寬度)。 過程2：車牌區(qū)域的進一步定位經(jīng)過上述處理，可以獲得包含車牌的一個相對較小區(qū)域圖像，但車牌的定位還比較粗，須進行進一步處理，以對車牌區(qū)域進行較精確的定位。精確定位主要是利用車牌區(qū)域的特征(1)，獲得車牌區(qū)域的完整的連通區(qū)來進行。同態(tài)濾波為獲得車牌區(qū)域完整的連通區(qū),對車牌區(qū)域進行較為精確的定位,需要進一步突出車牌區(qū)域的邊緣。對圖像進行同態(tài)濾波處理，可以在壓縮圖像光照強度動態(tài)范圍的情況下，濾除一些低頻信號，突出高頻的車牌區(qū)域，使得后續(xù)處理更易于進行。同態(tài)濾波處理過程如下：g(i,j)→對數(shù)運算→FFT→濾波→FFT1→指數(shù)運算同態(tài)濾波計算量較大，從時效性考慮，車牌區(qū)域粗定位時一般不進行同態(tài)濾波。 多方向邊緣提取及處理所用基本算法與車牌區(qū)域粗定位時類似，但在處理的細節(jié)上有所不同。在這里仍然采用Sobel方向模板，但與粗定位時有所不同。粗定位時僅需獲得車牌區(qū)域的能與車牌區(qū)域下方背景區(qū)分的較大連通區(qū)，而精確定位時不僅要獲得車牌區(qū)域完整的連通區(qū)，而且要使得車牌區(qū)域的連通區(qū)與車牌區(qū)域之外背景的連通區(qū)能夠區(qū)隔，或者粘連盡可能少以便于精確定位。由于車牌區(qū)域為矩形，因而采用了正西、正東、正南和正北四個方向的Sobel模板(分別以ggg3和g4表示)進行邊緣提取，二值輸出。 具體過程如下：Step1: 對車牌粗定位后的灰度圖像進行多方向邊緣增強提?。籗tep2: 分別對正西和正東方向的邊緣提取圖，選取直線結(jié)構(gòu)元素進行垂直方向開運算，對正南和正北方向的邊緣提取圖，選取直線結(jié)構(gòu)元素進行水平方向開運算。Step2中，垂直方向開運算和水平方向開運算的結(jié)構(gòu)元素一般不相同，長度均在20以下。經(jīng)過上述處理后，突出了車牌區(qū)域水平方向和垂直方向邊緣信息，同時減小了其它方向車牌區(qū)域外的邊緣信息的影響。文中僅給出了開運算后的正西和正北方向的邊緣圖像(、)。，具體可以根據(jù)水平方向跳變點的數(shù)量來判斷。 開運算后正西方向邊緣圖 圖像合成與車牌區(qū)域粗定位時相同，將經(jīng)過上面處理后的四個方向的邊緣圖像進行加運算合成()。 四個方向邊緣合成圖4 、數(shù)學(xué)形態(tài)學(xué)操作，以獲取覆蓋車牌的連通區(qū)所用基本算法與粗分割時類似，細節(jié)上有所不同。具體過程如下：Step1: 分別選用合適的直線結(jié)構(gòu)元對上面得到的合成圖像進行水平方向和垂直方向的閉運算使車牌區(qū)域的邊緣封閉；Step2: 以4鄰域連通方式對孔洞進行填充操作，獲得覆蓋車牌區(qū)域的連通區(qū)。Step3: 最后對圖像進行開運算，以去除車牌區(qū)域下方的較小的連通區(qū)。 在Step1中，垂直方向開運算和水平方向閉運算所用的結(jié)構(gòu)元素一般不相同。Step3中結(jié)構(gòu)元