【正文】 一定范圍內(nèi)。定義從目標到背景或者從背景到目標為一個跳變。牌照區(qū)域相對于其它非車牌區(qū)域跳變多，而且間距在定范圍內(nèi)和跳變次數(shù)大于一定次數(shù)，并且連續(xù)滿足上述要求的行要達到一定的數(shù)目。按從下到上的順序掃描，對圖像的每一行進行從左向右的掃描，碰到跳變點記錄下當(dāng)前位置，如果某行連續(xù) 20 個跳變點以上，并且前一個跳變點和后一個跳變點的距離在 30 個像素內(nèi)，就記錄下起始點和終止點位置，如果連續(xù)有10 行以上這樣的跳變點，則認為該區(qū)域就是車牌預(yù)選區(qū)域。本文先對圖片從頭掃描到底，對符合規(guī)律跳變的點存入數(shù)組 countMatch，也記入行列數(shù)至數(shù)組 mark；對數(shù)組 countMatch 進行去噪，除去不符合連續(xù)跳變的地方和上半部分面積；對數(shù)組 countMatch 進行 2*6 的粗定位；通過處理定位車牌四邊，并在圖上做出標記，分割出車牌區(qū)域并顯示。代碼實現(xiàn)if (m[y + i, pWH 1] 0 amp。amp。 m[y + i, pWH] = 0)//白－－黑 26 { pWHR = pWH 1。 if (pWL != pWHL) { if ((Wmin = (pWR pWL) amp。amp。 (pWR pWL) = Wmax) || (Bmin = (pWHL pWR 1) amp。amp。 (pWHL pWR 1) = Bmax) || (Wmin = (pWHR pWHL) amp。amp。 (pWHR pWHL) = Wmax)) { if (pWL + pWHR 30) //記錄該點 { double rate1 = Wmax / (((pWR pWL) (Wmax Wmin)) / 2 + 1)。 double rate2 = Wmax / (((pWHR pWHL) (Wmax Wmin)) / 2 + 1)。 double rate3 = Bmax * 3 / (pWHL pWR)。 mark[y / div, pWL + (pWR pWL) / 2] += (int)(rate3 + rate2 + rate2)。 } } if (pWR pWL 2 * lv) { for (int t = pWL + lv / 2。 t pWR lv / 2。 t += lv) //連續(xù)白（或）寬于一個字符寬度 { countMatch[y / div, t / lv] = 1。 } } if (pWHL pWR 1 2 * lv) { for (int t = pWR + lv / 2。 t pWHL lv / 2。 t += lv) { countMatch[y / div, t / lv] = 1。 } } if (pWHR pWHL 2 * lv)27 { for (int t = pWHL + lv / 2。 t pWHR lv / 2。 t += lv) { countMatch[y / div, t / lv] = 1。 } } }效果圖圖 47 標記出車牌區(qū)域的圖像圖 48 分割出來的車牌圖像結(jié)果分析車牌定位采用紋理跳變法實現(xiàn)的，在算法中采用了 2*6 的粗定位，能夠準確地將車牌區(qū)域定位并分割出來。 字符分割模塊完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法，由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件，利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。28 車牌人工矯正原理由于車牌圖像不是水平的，對分割和識別會產(chǎn)生影響，需要人工對其矯正，本文采用 Hough 變換進行圖像矯正。Hough 變換思想為：在原始圖像坐標系下的一個點對應(yīng)了參數(shù)坐標系中的一條直線，同樣參數(shù)坐標系的一條直線對應(yīng)了原始坐標系下的一個點，然后，原始坐標系下呈現(xiàn)直線的所有點，它們的斜率和截距是相同的，所以它們在參數(shù)坐標系下對應(yīng)于同一個點。這樣在將原始坐標系下的各個點投影到參數(shù)坐標系下之后，看參數(shù)坐標系下有沒有聚集點，這樣的聚集點就對應(yīng)了原始坐標系下的直線。對于 Oxy 平面上給定的一條直線 y = ux + v, (其中 u 和 v 分別為直線的斜率和直線的截距), 對應(yīng)于一個數(shù)對(u, v), 反之, 給定一個數(shù)對(u, v) 則對應(yīng)于一條直線 y =ux + v, 即: 如 Oxy 平面上有一條直線 y = ux + v, 那就和 Ouv 平面上的一個點(u, v) 一一對應(yīng) , 同理,Ouv 平面上的一條直線 v= xu+ y 和 Oxy 平面上有一個點(x, y) 也是一一對應(yīng)的。如果 Oxy 平面上有一條直線 y = ux + v, 那上面的每個點都對應(yīng)于 Ouv 平面上的一條直線, 這些直線相交于一點, 利用這個重要性質(zhì)可以檢測共線點。由于直線的斜率可能會接近無窮大, 為了使變換域有意義, 需要采用直線方程的法線式表示 : p = xcos H+ ysin H, 其中, p 為直線到坐標系原點的距離, H 為直線法線與 X 軸的夾角。于是極坐標上的一點對應(yīng)了 Oxy 平面坐標上的一條直線, 而 Oxy 平面坐標上的一點對應(yīng)于極坐標上的一條曲線, 而且易知 Oxy 平面坐標上的共線點所對應(yīng)的極坐標上的所有曲線相交于一點, 且由于 Oxy 平面坐標上的一條直線上的各點都對應(yīng)于極坐標上的一點, 如果對過這一點的曲線進行計數(shù),結(jié)果會是比較大的數(shù)據(jù)。通過這一原理, 可以很方便地提取出圖像上的直線。在提取車牌傾斜度時, 先對所有列進行掃描, 提取出所有第一次從 0→1 的可能邊界點, 再進行 hough 變換, 得到的直線的傾斜度即為所求。本文程序獲取輸入的角度量，根據(jù)原始圖像，循環(huán)逐點獲取變換后的點，輸出變換后的圖片。代碼實現(xiàn)for (int i = 0。 i nHeight。 i++) { for (int j = 0。 j nWidth。 j++) { tempHeight = i halfHeight。29 tempWidth = j halfWidth。 tempX = tempWidth * myCos tempHeight * mySin。 tempY = tempHeight * myCos + tempWidth * mySin。 if (tempWidth 0) { xr = (int)tempX。 } else { xr = (int)(tempX 1)。 } if (tempHeight 0) { yr = (int)tempY。 } else { yr = (int)(tempY 1)。 } p1 = tempX xr。 q1 = tempY yr。 tempWidth = xr + halfWidth。 tempHeight = yr + halfHeight。 if (tempWidth 0 || (tempWidth + 1) = nWidth || tempHeight 0 || (tempHeight + 1) = nHeight) { p[0] = p[1] = p[2] = 0。 } else { byte bian1 = 0, bian2 = 0, bian3 = 0。 pp = pp1。 pp += (tempWidth * 3 + stride * tempHeight)。 bian1 = (byte)(( q1) * ( p1) * pp[0])。 bian2 = (byte)(( q1) * ( p1) * pp[1])。30 bian3 = (byte)(( q1) * ( p1) * pp[2])。 pp = pp1。 pp += ((tempWidth + 1) * 3 + stride * tempHeight)。 bian1 = (byte)(( q1) * p1 * pp[0] + bian1)。 bian2 = (byte)(( q1) * p1 * pp[1] + bian2)。 bian3 = (byte)(( q1) * p1 * pp[2] + bian3)。 pp = pp1。 pp += ((tempWidth + 1) * 3 + stride * (tempHeight + 1))。 bian1 = (byte)(q1 * p1 * pp[0] + bian1)。 bian2 = (byte)(q1 * p1 * pp[1] + bian2)。 bian3 = (byte)(q1 * p1 * pp[2] + bian3)。 pp = pp1。 pp += ((tempWidth) * 3 + stride * (tempHeight + 1))。 p[0] = bian1 = (byte)(q1 * (( p1) * pp[0]) + bian1)。 p[1] = bian2 = (byte)(q1 * (( p1) * pp[1]) + bian2)。 p[2] = bian3 = (byte)(q1 * (( p1) * pp[2]) + bian3)。 } p += 3。 } p += nOffset。 }效果圖圖 49 人工矯正31 圖 410 矯正前的圖像圖 411 矯正后的圖像結(jié)果分析 本文采用人工輸入角度進行矯正，基本實現(xiàn)矯正功能，對后面的分割識別奠定了基礎(chǔ)。 車牌的灰度化和二值化