【正文】 行邊緣提取，再對圖像進(jìn)行形態(tài)學(xué)運(yùn)算或者采用特定的填充算法，直到圖像中只留下待識別的目標(biāo)。這種定位方法屬于經(jīng)典的圖像分割方法。這類方法的缺點(diǎn)在于：由于車頭部分細(xì)節(jié)豐富，尤其是車頭上部，要獲得較好的邊緣圖像比較困難，而且運(yùn)算量大，另外如果車頭上部有與車牌尺寸相仿的干擾區(qū)，很可能產(chǎn)生誤識別：對于污染嚴(yán)重的車牌圖像，識別率不高。另一種思路是在對圖像進(jìn)行了邊緣提取后，考慮到車牌區(qū)域會有直線邊緣，用Hough變換檢測直線，來確定車牌在圖像中的位置。第二類方法主要考慮了車牌圖像中車牌區(qū)域的紋理特征。在數(shù)字圖像處理技術(shù)中，描述圖像紋理的方法有很多?？梢圆捎媚芰炕蚱渌远x的特征量來描述車牌區(qū)域的紋理特征。然后把車牌圖像劃分為若干小塊，計(jì)算出每一小塊特征量的值，判斷哪一些小塊是屬于車牌區(qū)域的。這樣就可以對車牌進(jìn)行初定位。這類方法的優(yōu)點(diǎn)是利用了車牌區(qū)域紋理的二維特征，但同時也使得對車牌圖像的背景干擾更為敏感，所以初定位后要進(jìn)行進(jìn)一步的驗(yàn)證和精定位操作。第三類方法是利用車牌區(qū)的灰度信息，直接對圖像進(jìn)行水平方向的掃描，尋找灰度變化滿足車牌區(qū)灰度變化規(guī)律的區(qū)域，確定其為待識別目標(biāo)，本文稱之為灰度跳變法。這類方法先對灰度圖像進(jìn)行隔行掃描，判斷掃描行是否屬于車牌區(qū)域。對屬于車牌區(qū)的掃描行進(jìn)行分析，確定車牌的左右邊界，由此確定車牌區(qū)域。采用這類方法時，還有另一種思路，首先對灰度圖像進(jìn)行二值化處理，然后對圖像進(jìn)行行掃描。在二值掃描行中根據(jù)黑白明暗級的跳變頻率及間隔長度確定車牌區(qū)域。這種方法的主要缺點(diǎn)是很難找到一種準(zhǔn)確率高的二值化方法。當(dāng)車牌圖像的背景干擾比較小時，例如采集到的車牌圖像中車牌區(qū)域占整幅圖像的l/16以上，這類方法有可能取得較好的效果。但是事實(shí)上車牌圖像中車牌區(qū)域所占圖像的比例往往比較小，車牌的背景又比較復(fù)雜，所以采用這種思路對車牌進(jìn)行定位效果并不好。本文的初定位算法主要采用灰度跳變法來初步確定車牌區(qū)域，而在精定位時，首先對初定位得到的圖像進(jìn)行二值化，然后根據(jù)黑白明暗跳變的頻率精確定位車牌的上下邊界。第四類方法是投影法，這類方法思路比較簡單，首先在原車牌圖像上提取垂直邊緣或其它的特征值，將其投影到垂直軸上，車牌區(qū)域由于垂直邊緣密集，所以在對應(yīng)的位置上會出現(xiàn)一個峰值。設(shè)計(jì)算法搜索投影峰值，就可以定位出車牌區(qū)域的垂直位置。在提取出的帶狀區(qū)域上進(jìn)行水平定位，確定車牌區(qū)域的左右邊界。這類方法的缺點(diǎn)同樣是在圖像背景比較復(fù)雜的情況下，準(zhǔn)確定位車牌比較困難。車牌圖像中車牌區(qū)域的顏色也是一個明顯的特征，我國車牌的底色主要為藍(lán)色和黃色，其它還有白底和黑底的車牌。顏色特征可以用到車牌定位中。對于彩色車牌圖像進(jìn)行定位，一般的看法認(rèn)為用HSI(Hue色調(diào)，Saturation飽和度，Intensity亮度)圖像空間比RGB(Red紅，Green綠，Blue藍(lán))圖像空間更適合于做顏色判定，所以典型的思路是將RGB車牌圖像轉(zhuǎn)化到HSI空間后，送入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，通過神經(jīng)網(wǎng)絡(luò)技術(shù)判斷某點(diǎn)的顏色。在原車牌圖像上標(biāo)記判斷結(jié)果，然后對得到的標(biāo)記圖進(jìn)行水平和垂直兩個方向上的投影，根據(jù)投影得到確定的車牌位置。在車牌顏色相對統(tǒng)一的國家，這種方法可以取得較高的定位率。由于我國車牌的底色不統(tǒng)一，而且即使都是以藍(lán)色為底色的車牌，采集到車牌圖像的藍(lán)色的變化范圍也很大。因此對于我國的車牌圖像，在HSI圖像空間中進(jìn)行直接判斷定位效果不好。目前國內(nèi)對利用彩色信息進(jìn)行車牌定位的研究主要是放在結(jié)合利用一些彩色信息，主要仍采用灰度圖像處理技術(shù)來進(jìn)行車牌定位。例如先對彩色圖像進(jìn)行邊緣提取，然后對邊緣圖像進(jìn)行二值化處理，以后仍然采用圖像的形態(tài)學(xué)處理方法進(jìn)行定位。在這種方法中先對灰度圖像進(jìn)行邊緣提取，后面的處理仍然采用基于灰度圖像處理技術(shù)。在RGB圖像轉(zhuǎn)換為灰度圖像時，可以在轉(zhuǎn)換公式中強(qiáng)調(diào)車牌區(qū)域的顏色特征，然后采用灰度圖像處理技術(shù)進(jìn)行車牌定位。由于我國車牌中字符和底色的色彩種類較多，而且同一種顏色的變化也比較大，所以完全采用顏色信息來進(jìn)行車牌定位是非常困難的。但可以利用車牌的顏色信息來輔助基于灰度圖像處理的車牌定位方法，提高車牌定位的準(zhǔn)確率。 汽車牌照定位基本思路對于車牌處理階段的各個步驟,很多人都進(jìn)行了相關(guān)的研究,提出了許多比較好的算法。由于時間與水平所限，本文只對車牌的定位與提取過程做了一些研究，具體流程如圖41所示。輸入車牌圖 片圖片預(yù)處理邊框切除字符分割讀出識別車牌圖41流程圖更具體的識別流程如圖42所示。圖像采集 形態(tài)處理灰度化二值化濾 波初步定位提取車牌圖42 具體處理流程圖像采集：因?qū)嶒?yàn)條件限制，采用數(shù)碼相機(jī)模擬CCD攝像機(jī)對一定距離的車輛圖像進(jìn)行采集，并將圖像以位圖的格式存放在系統(tǒng)內(nèi)存中。圖像預(yù)處理：由于是對彩色圖像進(jìn)行車牌定位預(yù)處理，因此應(yīng)根據(jù)不同的車牌定位方法，進(jìn)行相應(yīng)的圖像預(yù)處理。將彩色圖像用加權(quán)平均值法轉(zhuǎn)換成灰度圖像。為了減少背景像素的干擾，而保存或增強(qiáng)目標(biāo)區(qū)的像素度必須對圖像二值化處理，本系統(tǒng)采用比較常用的全局閾值判定法，在進(jìn)行閾值選擇時，采用灰度直方圖的方法確定閾值。在定位過程中為了突出汽車牌照的邊緣，采用梯度值的改進(jìn)算法實(shí)現(xiàn)圖像的梯度銳化；并利用中值濾波法去掉圖像噪聲和干擾因素，同時還實(shí)現(xiàn)了圖像的平滑。車牌定位：對圖像預(yù)處理后的彩色圖像，先進(jìn)行初定位分割出車牌區(qū)域，然后再對車牌進(jìn)行精確定位。 汽車牌照定位常用方法根據(jù)車牌的不同特征，可以采用不同的定位方法。目前車牌定位的方法很多，最常見的定位技術(shù)主要有基于邊緣檢測的方法、基于彩色分割的方法、基于小波變換的方法、基于遺傳算法的方法、基于數(shù)學(xué)形態(tài)學(xué)的車牌定位和基于灰度圖像紋理特征分析的方法等，在此對幾種常用的定位算法進(jìn)行簡單的介紹。所謂“邊緣”就是指其周圍像素灰度有階躍變化的那些像素的集合。“邊緣”的兩側(cè)分屬于兩個區(qū)域，每個區(qū)域的灰度均勻一致，而這兩個區(qū)域的灰度在特征上存在一定的差異。邊緣檢測的任務(wù)是精確定位邊緣和抑制噪聲。檢測的方法有多種, 例如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測。這些方法正是利用物體邊緣處灰度變化劇烈這一特點(diǎn)來檢測圖像的邊緣。各算子對不同邊緣類型的敏感程度不同, 產(chǎn)生的效果也不同, 經(jīng)過大量實(shí)驗(yàn)分析可知, Roberts邊緣算子是一種利用局部方差算子尋找邊緣的算子, 定位比較精確。 Prewitt算子和Sobel算子對噪聲有一定的抑制能力, 但不能完全排除偽邊緣。 拉普拉斯算子是二階微分算子, 對圖像中的階躍型邊緣點(diǎn)定位準(zhǔn)確且具有旋轉(zhuǎn)不變性, 但容易丟失一部分邊緣的方向信息, 同時抗噪能力較差。針對不同的環(huán)境和要求, 選擇合適的算子來對圖像進(jìn)行邊緣檢測才能達(dá)到好的效果。具體定位流程如圖43所示。原始圖像u圖像預(yù)處理邊緣算子及其二值車牌定位圖43 基于邊緣檢測的車牌定位流程該方法的定位準(zhǔn)確率較高、 反應(yīng)時間短、 能有效去掉噪聲, 適合于包含多個車牌的圖像, 在多車牌圖像的情況下定位速度也很快。但是對車牌嚴(yán)重褪色的情況, 由于檢測不到字符筆畫的邊緣會導(dǎo)致定位失敗，在有外界干擾以及車牌傾斜時，定位后的區(qū)域比車牌稍大。 基于小波變換的車牌定位方法小波分析是一種應(yīng)用于圖像處理的重要分析工具,具有“顯微鏡”的特性。小波分析的多分辨率特性使得小波分解系數(shù)在不同方向的高頻子波系數(shù)具有不同特性, 因此利用方向小波能夠反映出圖像在不同分辨率上沿任一方向變化的情形。小波分析的多尺度分解特性更加符合人類的視覺機(jī)制。小波變換的基本思想是將原始信號經(jīng)過伸縮、平移等運(yùn)算分解為一系列具有不同空間分辨率、不同頻率特性和方向特性的子帶信號, 這些子帶信號具有良好的時頻特性, 通過利用這些特性可以實(shí)現(xiàn)對信號的時域、頻域的局部分析。目前利用小波分析的車牌定位算法大多是利用小波變換與其他多種方法相結(jié)合來實(shí)現(xiàn)更準(zhǔn)確、快速的定位。例如基于小波分析和數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，該方法通過小波多尺度分解提取出紋理清晰且具有不同空間分辨率、不同方向的邊緣子圖，然后利用車牌目標(biāo)區(qū)域具有水平方向低頻、垂直方向高頻的的特點(diǎn)實(shí)現(xiàn)子圖提取，最后用數(shù)學(xué)形態(tài)學(xué)方法對小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無用信息和噪聲，以確定車牌位置。該方法在噪聲較小的情況下定位效果好，分割精度高；其缺點(diǎn)是速度較慢，且在噪聲較大時誤定位機(jī)率也隨之增大。具體定位流程如圖44所示。原始圖像小波變換形態(tài)運(yùn)算車牌定位圖44 基于小波變換的車牌定位流程 基于遺傳算法的車牌定位方法基于遣傳算法的車牌定位方法利用遺傳算法對圖像進(jìn)行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造適應(yīng)度函數(shù)，最終尋找車牌區(qū)域的最佳定位參量。車牌定位是尋找一個符合“車牌區(qū)域特征”最佳區(qū)域的過程，本質(zhì)上就是從參量空間尋找最優(yōu)定位參量的問題，而尋找參量空間的最優(yōu)解正是遺傳算法所擅長的。但是在實(shí)時系統(tǒng)中，車牌定位速度受遺傳算法中迭代次數(shù)的影響很大。具體定位流程如圖45所示。原始圖像特征提取交叉和變異運(yùn)算車牌定位迭代到收斂 圖45 基于遺傳算法的車牌定位流程 基于數(shù)字形態(tài)學(xué)的分割技術(shù)數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想是利用一個結(jié)構(gòu)元素來探測一個圖像, 看是否能將這個結(jié)構(gòu)元素很好地放在圖像內(nèi)部,同時驗(yàn)證填放元素的方法是否有效。腐蝕、膨脹、開啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算。原始圖像二值化腐蝕去噪標(biāo)記流通域運(yùn)算車牌定位圖46 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位流程基于數(shù)學(xué)形態(tài)學(xué)的車牌區(qū)域定位方法不能精確確定車牌左右邊界的位置,所以必須結(jié)合其他定位方法進(jìn)行精確定位。例如基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位方法, 這種方法先對車牌圖像進(jìn)行預(yù)處理,然后基于垂直方向結(jié)構(gòu)元素的腐蝕運(yùn)算進(jìn)行濾波, 再用閉合運(yùn)算來填補(bǔ)車牌區(qū)域內(nèi)細(xì)小孔洞, 進(jìn)而增強(qiáng)車牌區(qū),使車牌區(qū)成為一個連通區(qū)域,后利用字符邊緣的特征對車牌進(jìn)行準(zhǔn)確的定位。該方法將數(shù)學(xué)形態(tài)學(xué)運(yùn)算與數(shù)字圖像的特征相結(jié)合,有效改進(jìn)了傳統(tǒng)的車牌定位方法, 提高了車牌定位的速度和準(zhǔn)確度。 基于灰度圖像紋理特征分析的車牌定位方法傳統(tǒng)的紋理特征分析定位算法大多基于灰度圖像來分析的,因此該算法需要對圖像進(jìn)行預(yù)處理, 將彩色圖像轉(zhuǎn)換為灰度圖像，然后進(jìn)行行掃描,找出圖像中每一行所含有的車牌線段,記錄下它們的起始坐標(biāo)和長度如果有連續(xù)若干行均存在不少于一個的車牌線段,且行數(shù)大于某一確定的閾值,則認(rèn)為在行的方向上找到了車牌一個候選區(qū)域，并確定了該候選區(qū)域的起始行和高度；在已找到的可能存在車牌的區(qū)域做列掃描,以確定該車牌候選區(qū)域的起始行和高度以及起始列坐標(biāo)和長度由此確定一個車牌區(qū)域繼續(xù)在其他可能存在車牌的區(qū)域?qū)ふ?直至找到所有的車牌候選區(qū)域。原始圖像圖像預(yù)處理行列掃描車牌定位圖47 基于灰度圖像紋理特征分析的車牌定位流程該算法對于牌照傾斜或變形以及光照不均、偏弱或偏強(qiáng)有很好的效果,但對噪聲敏感,對于背景復(fù)雜的圖像可以結(jié)合垂直投影的方法來得到真正的車牌區(qū)域,可以有效地解決背景復(fù)雜的車牌定位。 車牌的區(qū)域分割定位從車輛圖像中正確分割出牌照區(qū)域是牌照識別中最為關(guān)鍵的步驟之一。如果牌照定位的效果不好，后面的數(shù)字以及文字字符的分割和識別根本不可能完成。如果定位的效果足夠好，后面的分割和識別工作就相對容易了。牌照定位率是牌照識別的一項(xiàng)重要指標(biāo)，它直接關(guān)系到整個系統(tǒng)的成敗。目前，人們提出的車輛牌照定位的方法很多，主要分成兩大類：一是利用圖像的灰度信息，參考的是牌照區(qū)域的文字信息比較豐富，造成牌照區(qū)域的紋理變化比較有規(guī)律，利用牌照區(qū)域的紋理變化檢測出幾個候選牌照區(qū)域，然后去除偽牌照區(qū)域，得到真實(shí)的牌照區(qū)域；另一類是利用梯度信息，先對圖像信息進(jìn)行邊緣檢測，再對邊緣圖像進(jìn)行形態(tài)學(xué)運(yùn)算，直到尋找到車牌區(qū)域，完成牌照的粗定位，然后用其它的算法實(shí)現(xiàn)牌照的精確定位。所謂圖像分割就是要根據(jù)目標(biāo)與背景的先驗(yàn)知識，對圖像中的目標(biāo)、背景進(jìn)行標(biāo)記、定位，然后將待識別的目標(biāo)從背景或其它偽目標(biāo)中分離出來。圖像分割是圖像理解的重要組成部分，只有有效地完成分割，才能進(jìn)一步提取目標(biāo)特征并識別目標(biāo)。有關(guān)圖像分割的解釋和表述很多,借助于集合概念對圖像分割可給出如下比較正式的定義:令集合R代表整幅圖像的區(qū)域,對R的分割可看成將R分成N個滿足以下5個條件的非空子集(子區(qū)域)R1,R2,R3……,Rn:(1) i1Ri=R； (2)對所有的i和j，有i≠j，Ri∩Rj=⊕； (3)對i=1,2，……，N，PRi=True；(4)對i≠j，；P(Ri∪Rj)=False； (5)i=1，2，……，N，Ri是連通的區(qū)域。其中P(Ri)是對所有在集合中元素的邏輯謂語，⊕代表空集。條件(1)指出對一幅圖像分割所得到的全部子區(qū)域的總和（并集）應(yīng)能包括圖像中所有的像素（就是原圖像），或者說分割應(yīng)將圖像中的每個像素都分進(jìn)某個子區(qū)域中；　　條件(2)指出在分割結(jié)果中各個子區(qū)域是互不重疊的，或者說在分割結(jié)果中一個像素不能同時屬于兩個區(qū)域； 條件(3)指出在分割結(jié)果中每個子區(qū)域都有獨(dú)特的特性，或者說屬于同一個區(qū)域中的像素應(yīng)該具有某些相同的特性；　　條件(4)指出在分割結(jié)果中，不同的子區(qū)域具有不同的特性，沒有公共元素，或者說屬于不同區(qū)域的像素應(yīng)該具有一些不同的特性；　　條件(5)要求分割結(jié)果中同一個子區(qū)域內(nèi)的像素應(yīng)當(dāng)是連通的，即同一個子區(qū)域內(nèi)的任兩個像素在該子區(qū)域內(nèi)相互連通，或者說分割得到的區(qū)域是一個連通組元。另外，上述這些條件不僅定義了分割，也對進(jìn)行分割有指導(dǎo)作用。對圖像的分割總是根據(jù)一些分割準(zhǔn)則進(jìn)行的。條件(1)與條件(2)說明正確的分割準(zhǔn)則應(yīng)可適用于所有區(qū)域和所有像素,而條件(3)與條件(4)說明合理的分割準(zhǔn)則應(yīng)能幫助確定各區(qū)域像素有代表性的特性,條件(5)說明完整的分割準(zhǔn)則應(yīng)直接或間接地對區(qū)域內(nèi)像