【正文】 系默認左上角為原點，我們還需要對已經(jīng)獲取的四角坐標進行轉換，以使檢測點矩陣四角定位算法計算出的矩陣點坐標能夠適應幀圖片坐標系。將 A，B 兩點橫坐標互換，如圖：圖 3 6 適應后檢測點矩陣效果圖Fig 3 6 After the Detection of Dot Matrix Adaptation Effect Chart觀察上圖可以發(fā)現(xiàn)，檢測點矩陣成功覆蓋車輛經(jīng)過視頻區(qū)域范圍，且檢測點矩陣行基本垂直于車輛行駛方向，檢測點矩陣列基本平行于車輛行駛方向。檢測點矩陣設置滿足本實驗要求。 車身形狀獲取車身形狀獲取主要依靠檢測點矩陣中檢測點在實時視頻流中所獲得的數(shù)據(jù)變化來確定。車輛未經(jīng)過時，背景檢測點灰度值不變化或者變化很緩慢。車輛經(jīng)過時車身所在位置檢測點灰度值較背景時變化較大，通過設置一個閾值，可以將變化值超過閾值的行和列檢測出來，行列所包圍矩陣點區(qū)域為車身形狀區(qū)域。作者對視頻中的車輛信息進行統(tǒng)計，并計算其平均信息，如下表（本文所有表格如未特殊說明，數(shù)據(jù)均來自于本文實驗）：表 3 1 車身形狀觀察表Tab 3 1 Body Shape Watchlist車型 車型前后大?。ň仃囆袛?shù)） 車型左右大?。ň仃嚵袛?shù)）小車 10 23公交車 22 30貨車 20 29從表中可以得出所有車輛形狀反應到視頻窗口中的檢測點矩陣中，長均大于 6 行，寬均大于 10 列。由于車身形狀的獲取在車牌粗定位算法中起輔助作用，因此不需要太精確，只需要大致獲取車身左右邊緣、精確獲取車身的前邊緣、獲取車身后邊緣是否在檢測點矩陣區(qū)域內的信息。其步驟如下：STEP1：建立 1000 個 3 維數(shù)組，對應于 1000 個檢測點。將視頻流按照 章節(jié)設定的采樣頻率解幀，在對應每個檢測點的坐標上，按照章節(jié) 將所有檢測點位置像素RGB 值灰度化。保存每一幀的每一個檢測點位置像素灰度值入對應數(shù)組。注意：這一步并不是將所有幀圖片全部灰度化以后再進行檢測點位置像素灰度值儲存，而是先獲取檢測點位置像素點 RPG 值然后再進行灰度化，這樣做所帶來的減少系統(tǒng)計算量的效果是很明顯的。STEP2：在第 i 幀，檢測檢測點矩陣第 25 行的 40 顆檢測點對應數(shù)組的元素與 GRDVL 之差CK。如果有任何 10 個 CK 大于值 WAVE（取 WAVE 值為 10） ，則進入下一步，并將這種比較的過程定義為 FIND。 （如果不存在這種情況連續(xù) 50 幀 ，則取這 5 幀對應數(shù)組元素的平均值記為 GRDVL） 。STEP3：在第 i1 幀，F(xiàn)IND 第 24 行每個檢測點的 CK，如果不符合，則在前一行內尋找，直到符合這種情況為止，記為第 FRONT（本文所涉及到所有有關方向的參數(shù)，均基于觀眾面對視頻時的上、下、左、右而定）行。同時，從第 1 行開始往下 FIND，符合情況的第一行記為 BACK；從第 1 列開始往右 FIND（6 個 CK） ，符合情況的第一列記為LEFT；從第 40 列往左 FIND（6 個 CK） ，符合情況的第一列記為 RIGHT。STEP4：將第 i1 幀圖像中，F(xiàn)RONT、LEFT、BACK、RIGHT 所圍區(qū)域裁出，灰度化以后保存。篇幅所限兼且剪裁算法較簡單，本文不介紹剪裁過程算法。剪裁后的車身圖像如下：圖 3 7 車身定位圖Fig 3 7 Body Positioning Map由于實驗材料條件有限，檢測點矩陣設置較為扁平，因此只定位到車身前半部分。車身形狀獲取算法受諸多可變因素影響，如：矩陣設置形狀、矩陣大小、攝像機拍攝角度和位置、圖像噪聲等。檢測點矩陣初始化形狀會影響 FIND 的參數(shù)設置，如設為 10 和 6，是從本文實驗角度考慮，經(jīng)過比較驗算后發(fā)現(xiàn)采用此參數(shù)，檢測結果較為準確。如果這些可變因素在別的實驗中發(fā)生變化后，則不宜直接用這些參數(shù)作為FIND 的參數(shù)，其參數(shù)大小設置應根據(jù)實際情況。如果拍攝角度俯角較大，則車輛形狀反映到攝錄窗口中長、寬比例變化則較大，否則較小。涉及到一些參數(shù)設置，本文有可能不會考慮到所有情況，但這些參數(shù)在實驗中均取得了較好的效果。 車牌粗定位通過觀察所有經(jīng)過視頻區(qū)域內的車輛，其車牌位置相對于車身形狀來說較為統(tǒng)一。本文就所觀察到的車輛作了統(tǒng)計，計算其平均值如下表：表 3 2 車牌較車身位置觀察表Tab 3 2 Vehicle License Plate Location Than the Observed Table車型 車牌位置（較前方、矩陣行數(shù)） 車牌位置（較右方、矩陣列數(shù)）小車 12 1014公交車 12 1318貨車 12 1317從表中可以看出，車牌相對于車身的位置是非常固定的，表中所有的車輛的車牌都在車身所在區(qū)域內檢測點矩陣的前部 1 至 2 行、位于中間長度為 5 至 6 列的長方形區(qū)域內，由此，構成了本文車牌粗定位算法的理論基礎?？紤]到一些特殊情況，本文確定在車身所在區(qū)域內檢測點矩陣的前部 2 行、位于中間長度為 7 列的長方形區(qū)域內為車牌位置。方法仍然為圖像剪裁，具體算法本文不詳述。剪裁后的車牌位置圖如下：圖 3 8 車牌粗定位圖像Fig 3 8 Vehicle License Plate Location Images將車牌粗定位圖像灰度化并保存，作為車牌精確定位的數(shù)據(jù)來源?；跈z測點矩陣的車牌粗定位算法為整個系統(tǒng)節(jié)省了大量的計算資源，并且為后續(xù)圖像處理和信息識別有效排除了背景干擾。車牌粗定位算法流程如圖： 利用紋理特征法精確定位車牌將車牌圖像從背景中準確定位出來，需要對車牌圖像區(qū)域的特點進行分析。分析車牌圖像區(qū)域相對于前景圖像的特點如下：1）車牌圖像區(qū)域由于包含車牌邊框、字符等復雜的紋理結構，并且這些紋理結構分布比較均均。2）背景圖像灰度平均值與車牌灰度平均值不同。3）車牌是一個矩形，由于國家規(guī)定車輛牌照的具體形制，因此其長寬比是固定的，視頻解幀檢測點矩陣設置幀圖像采樣關鍵幀確定車身形狀確定車牌粗定位圖 3 9 車牌粗定位算法流程圖Fig 3 9 Vehicle License Plate Location Algorithm Flow Chart這是最重要的形態(tài)學特征。4）車牌區(qū)域圖像在水平水向紋理變化明顯。依據(jù)這四點車牌區(qū)域圖像的紋理特征，本文決定采用紋理特征法精確定位車牌。如圖為目標車牌圖像，已經(jīng)經(jīng)過車牌粗定位處理：圖 3 10 粗定位車牌圖像灰度化效果圖Fig 3 10 Rough Location of License Plate Image Grayscale Rendering 圖像濾波平滑線性濾波器是最簡單和最常的圖像濾波器。由于圖像存在噪聲，噪聲表現(xiàn)為圖像局部區(qū)域發(fā)生變異，影響目標區(qū)域定位或者結構特征提取。利用平滑線性濾波器可以很好減弱噪聲，還原目標區(qū)域結構特征。它通常采用一種鄰域平均法來達到減弱噪聲的目的。這種方法對于給定的圖像 f (i, j)中的每個像素點(m ,n)，在其周圍取固定區(qū)域的若干像素集合 S，集合 S 稱為鄰域。假設集合 S 中含有 M 個像素，求取這 M 個像素的灰度值均值代替像素點（m,n）的像素值。這若干像素組成的集合 S 的大小和形狀根據(jù)圖像像素點統(tǒng)計特征而定，常用的形狀有矩形、正方形、十字形等。在一幅圖像的處理過程中，集合 S 的形狀和大小可以保持不變。如果有特殊的需要，也可以根據(jù)圖像處理的要求在處理過程中改變大小形狀來滿足處理要求。如 S 為 33 鄰域，點(m ,n)位于 S 中心，則： ????1),(9),(ij jnimfnf（3 7）圖像平滑效果與集合 S 的大小有關。集合 S 越大，圖像平滑處理效果越好，處理后的圖像變得越模糊，從而更好的消除圖像噪聲。但是如果 S 過大，則造成圖像過度模糊從而導致丟失信息。因此應該合理確定 S 的大小，以達到不同的圖像處理效果。其它圖像濾波方法還有高通濾波、中值濾波，其具體算法參考文獻 [53]。線性濾波器可以很好地消除圖像中的顆粒噪聲，但是同時也平滑了圖像信號，有可能是目標圖像的邊界信號變得模糊。高通濾波器可以讓圖像中的高頻分量順利通過，而阻檔圖像中的低頻成分。高通濾波通過對圖像中的低頻分量充分限制，可以使圖像的邊緣變得更清晰，我們把這種圖像處理方法叫做銳化。圖像銳化不僅不會消除圖像中的噪聲，還會因為增強圖像的邊緣使得孤立的噪聲點獲得增強。中值濾波是抑制噪聲的非線性辦法，其運算簡單，便于處理，可以較好地保護圖像邊界特征，但是這種方法有可能丟失目標圖像中的細線和較小的塊狀目標區(qū)域。中值濾波對平滑圖像中的椒鹽噪聲過濾效果較好。觀察粗定位車牌灰度圖像后發(fā)現(xiàn)在紋理特征處灰度值變化特征并不明顯，并且在不存在紋理特征的地方存在著噪聲，采用平滑線性濾波器技術對圖 43 進行濾波，平滑線性濾波器鄰域窗口設為 1616，濾波后效果如圖：圖 3 11 平滑線性濾波效果圖Fig 3 11 Smooth Linear Filtering Effect Chart灰度圖像增強常用的方法如章節(jié) 中所述，但是本文所采用的紋理特征技術需要突出圖片的紋理特征，需要一種特殊的圖像增強技術。觀察上圖可以發(fā)現(xiàn)車牌區(qū)域與背景區(qū)域的灰度平均值不同，這不利于圖像二值化以后提取圖像邊緣特征。本文采用原灰度圖像減濾波后圖像的技術，使得車牌區(qū)域與背影區(qū)域灰度值相同，為車牌二值化以后提取圖像邊緣特征打下基礎。如圖： 圖 3 12 圖像紋理特征增強效果圖Fig 3 12 Image Texture Enhancement Plans為了去除圖像噪聲，再次使用平滑線性濾波器技術對圖像去噪，這次使用平滑線性濾波器鄰域窗口為 22。如圖：圖 3 13 再次濾波效果圖Fig 3 13 Remap Filtering 邊緣提取邊緣是目標和背景的分界線，只有提取出了邊緣才能將目標圖像從背景中分離出來。在圖像處理中，邊緣提取是一種很重要的圖像處理方法。在圖像的邊緣處代表了一個特征區(qū)域的終結和另一個特征區(qū)域的開始，在邊緣的兩側不同特征區(qū)域中，其主要特征和屬性是不同的，而在邊緣一側的特征區(qū)域中，其特征和屬性是基本相同的。邊緣檢測方法正是利用了這種邊緣兩側特征區(qū)域的差異化，通過計算和分析，突出發(fā)生這種變化的線狀區(qū)域，將之提取出來就是圖像邊緣。常用的邊緣提取算法有微分算子法、拉普拉斯高斯算子法、canny 算子法。其中微分算子法和拉普拉斯高斯算子法計算方法參考文獻 [53,55]。本文重點介紹 canny 算子法。canny 邊緣檢測是一種比較新的邊緣檢測算子，具有很好的邊緣檢測性能，得到越來越廣泛的應用。Canny 邊緣檢測法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測之間取得較好的平衡。具體步驟如下：STEP1：用高斯濾波器來對圖像濾波，可以去除圖像中的噪聲。STEP2：用高斯算子的一階微分對圖像進行濾波，得到每個像素梯度的大小|G|和方向 。? 212???????????????yfxfG（3 8） ???????xfy/tan1?（3 9）f 為濾波后的圖像。STEP3：對梯度進行“非極大抑制” 。梯度方向可以定義為屬于 4 個區(qū)之一，各個區(qū)用不同的鄰近像素用來進行比較，以決定局部極大值。這 4 個區(qū)及其相應的比較方向如表 如示：表 3 3 4 個區(qū)及其相應的比較方向Tab 3 3 4 Direction Areas and Their Corresponding Comparison4 3 21 x 12 3 4例如如果中心像素 x 的梯度方向屬于第 4 區(qū)，則把 x 的梯度值與它的左上和右下相鄰像素的梯度值比較，看 x 的梯度值是否是局部極大值。如果不是，就把像素 x 的灰度設為 0，這個過程稱為“非極大抑制” 。STEP4：對梯度取兩次閾值得到兩個閾值 T1 和 T2=*T2。我們把梯度值小于 T1 的像素的灰度設為 0，得到圖像 1。然后把梯度值小于 T2 的像素的灰度設為 0，得到圖像 2。由于圖像 2 的閾值較高，去除了大部分的噪聲，但同時也損失了有用的邊緣信息。而圖像 1 的閾值較低，保留了較多的信息。我們可以圖像 2 為基礎，以圖像 1 為補充來連接圖像的邊緣。STEP5：連接邊緣的具體步驟如下：1）對圖像 2 進行掃描，當遇到一個非零灰度的像素 P 時，跟蹤 P 為開始點的輪廓線，直到該輪廓線的終點 O。2）考察圖像 1 中與圖像 2 中 Q 點位置對應的點 Q’的 8鄰近區(qū)域。如果在 Q’點的8鄰近區(qū)域中有非零像素 R’存在，則將其包括到圖像 2 中，作為點 R。從 R 開始，重復第 1 步，直到我們在圖像 1 和圖像 2 中都無法繼續(xù)為止。3）當完成對包含 P 的輪廓線的連接之后，將這條輪廓線標記為已訪問?；氐降?1步，尋找下一條輪廓線。重復步驟 3，直到圖像 2 中找不到新輪廓線為止。觀察上圖可以發(fā)現(xiàn)，車牌區(qū)域與背景灰度平均值基本相同。本文所采用邊緣提取算法為 canny 算子法。如圖：圖 3 14 邊緣提取效果圖Fig 3 14 Edge Map Extraction觀察上圖可以發(fā)