【導(dǎo)讀】首先了解各種圖像處理的基本方法，及其優(yōu)缺點(diǎn)，結(jié)合車牌定位技術(shù)，悉單一環(huán)境下的運(yùn)動圖像識別和跟蹤技術(shù)。最后采用粗定位和精細(xì)定位相結(jié)。合的車牌定位方法從運(yùn)動圖像中定位目標(biāo)圖像邊緣，從而獲取有用圖像。隨著我國經(jīng)濟(jì)的快速發(fā)展，智能交通系統(tǒng)將會成為現(xiàn)代交通管理發(fā)展的必然趨勢。車牌識別系統(tǒng)主要由車牌定位、字符分割和字符識別三部分組成?；诨叶葓D像的車牌定位速度較快，但定位精度不高，受環(huán)境、光照等因素影響較大;管理中，都需要對汽車牌照進(jìn)行記錄，而目前這些工作大多數(shù)都是由人工完成的，工作量很大，降低管理人員的工作量，提高服務(wù)的效率與質(zhì)量。圖像進(jìn)行分析，準(zhǔn)確定位分割、提取出圖像中的汽車牌照，并快速自動智能地識別出汽車牌照，還可以全面消除人為因素，因而對車牌識別技術(shù)的研究和應(yīng)用系統(tǒng)開發(fā)具有重要的現(xiàn)實(shí)意義。并進(jìn)行分析統(tǒng)計，綜合利用車牌形狀特征和顏色特征來確定車牌區(qū)域。實(shí)驗結(jié)果表明，該方法

　　

【正文】 影，得到的投影圖如圖 11 所示。 29 圖 11 字符投影圖 圖中有七個比較集中的投影峰值群，且每個峰值之間都有一定的間隔。根據(jù)這一特點(diǎn)，從左往右 依次定位出每個字符的起始和結(jié)束位置，并且進(jìn)行切割。然后對切割出來的每個字符圖像進(jìn)行水平投影。根據(jù)水平投影像素累加值進(jìn)行水平切割，從而得到精確切割后的字符。 車牌字符切分的具體算法為： 對車牌圖像進(jìn)行垂直投影，計算出字符的寬度后，確定字符的中間位置，并計算相鄰兩個字符之間的間距，即中間距離的差值。取其最大值定為第二個字符和第三個字符之間的距離。以此為分界線，分別向前、后兩個方向進(jìn)行切分，從而定位出每個字符的左右邊界，并保存在數(shù)組里。由于 MATLAB 的數(shù)組可以存放不同大小的數(shù)據(jù)，為字符邊界信息的存儲提供了 極大的便利。 2）對每個切分出的字符進(jìn)行水平投影，確定字符的具體的上下邊界，保存到數(shù)組里。 3）由于用于最后識別的字庫中字符模板為 24 48 像素，所以這里對切分出來的字符進(jìn)行歸一化處理，統(tǒng)一為 24 48 像素。 4）將歸一化后的字符的信息保存在數(shù)組里，做為參數(shù)輸入字符識別模塊與模板比較進(jìn)行字符識別。 字符切分后的效果圖 30 圖 13 字符分割與歸一化流程圖 字符分割 在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識別。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。 字符歸一化 一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。 31 第五章：字符識別 字符的識別目前用于車牌字符識別 (OCR)中的算法主要有基于模板匹配的OCR 算法以及基于人工神經(jīng)網(wǎng)絡(luò)的 OCR 算法?；谀０迤ヅ涞?OCR 的基本過程是 :首先對待識別字符進(jìn)行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡單，當(dāng)字符較規(guī)整時 對字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識別率相當(dāng)高。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識別的主要方法。 模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域 f(i,j)中提取的若干特征量與模板 T(i,j)相應(yīng)的特征量逐個進(jìn)行比較，計算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理 和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計模板的時候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計的特征量來構(gòu)建模板，就可以避免上述問題。 模版匹配法原理簡介 要對一個車牌字符進(jìn)行識別，首先是將這個車牌字符的圖片輸入電腦，而要對它進(jìn)行處理，就要將它轉(zhuǎn)化為計算機(jī)可以識別的語言 .由于每一個待識別字符都是以數(shù)字圖像的形式存在的，因此將待識別字符的圖片通過 MATLAB 轉(zhuǎn)化為矩陣，再通過對矩陣進(jìn)行一 系列的數(shù)學(xué)運(yùn)算，從而達(dá)到對圖片進(jìn)行識別的目的 .MATLAB 是處理矩陣運(yùn)算的強(qiáng)大軟件，所以本文的整個識別過程都是通過MATLAB 來實(shí)現(xiàn)的 . 32 首先以二維圖像的處理為例介紹一下傳統(tǒng)的模板匹配算法。算法的基本思想是：將歸一化的字符二值圖像與模板庫中的字符二值化圖像逐個進(jìn)行匹配，采用相似度的方法計算車牌字符與每個模板字符的匹配程度，取最相似的就是匹配。匹配時相似度函數(shù)定義為： 其中， f ij 為待識別車牌字符圖像中像素點(diǎn) (i， j) 的灰度值，這里的取值為 0或 1， t (i， j )為模板字符圖像中像素點(diǎn) (i， j )的灰度值，這里的取值為 0或 1；M 和 N 為模板字符點(diǎn)陣橫向和縱向包含的像素個數(shù)。 本文是將待識別的字符與已經(jīng)存儲在計算機(jī)中的標(biāo)準(zhǔn)模板進(jìn)行邏輯‘與，運(yùn)算，所有標(biāo)準(zhǔn)模板如圖 1 所示 .而將待識別字符與標(biāo)準(zhǔn)字符模板進(jìn)行邏輯與’運(yùn)算之所以能夠達(dá)到識別目的，其原理是 :當(dāng)待識別字符與相應(yīng)的字符模板匹配時結(jié)果較為清晰，與其余模板匹配時會變得很模糊，具體如圖 2所示。 圖 2, 3 和 4 中的 (a)分別表示字符‘ A39。, B，和‘ C39。的標(biāo)準(zhǔn)模板， (b)表示待識別字符‘ A39。,(c)表示待識別字符分別與這三個標(biāo)準(zhǔn)模板進(jìn)行匹配后的結(jié)果 .從上述三幅圖中可以很容易看出，圖 2中的模板‘ A，應(yīng)為待識別字符的識別結(jié)果 . 在實(shí)際的識別過程中，計算機(jī)需要一定的判別規(guī)則才可以將正確的識別結(jié)果自動輸出。 這就需要引入判別函數(shù)，而本文則是選取了兩個判別函數(shù)，分別利用這兩個判別函數(shù)對運(yùn)算 33 圖 16 字符識別流 程圖 34 本文方法具體步驟 步驟 1：利用 MATLAB 將標(biāo)準(zhǔn)字符模板與待識別字符所對應(yīng)的像素矩陣求出來，然后將它們二值化，得到相應(yīng)的二值矩陣，分別記為 B (i=1,2,3， 4)和 D.將數(shù)字圖像進(jìn)行二值化的 MATLAB 命令為 : I=imread(39。39。) level=graythresh(1)。 BW 1=im2bw(I, level) 其中‘ a，表示圖片名稱， `b，表示圖片格式 . 步驟 2：將待識別字符與標(biāo)準(zhǔn)模板逐一進(jìn)行邏輯‘與’運(yùn)算，即將二值矩陣 D分別與二值矩陣 Bi(i=1,2,3 二 34)進(jìn)行邏輯‘與，運(yùn)算，得到相應(yīng)的二值矩陣Xz。 =1,2,3 二 34).邏輯‘與’運(yùn)算對應(yīng)的 MATLAB 命令為 : L=and(a, b) 步驟 3：根據(jù)預(yù)先設(shè)計好的判別函數(shù)，得出最終的識別結(jié)果 .本文采用了兩個判別函數(shù)，分別為 : 上述兩個函數(shù)中， surn (A)表示求矩陣 A 中所有元素的和 .在函數(shù) (1)中，與凡所對應(yīng)的乓代表的標(biāo)準(zhǔn)模板為識別結(jié)果 ，在函數(shù) (2)中，與 X、對應(yīng)的 B、所代表的標(biāo)準(zhǔn)模板為識別結(jié)果 . 步驟 4：通過 MATLAB 將正確的識別結(jié)果輸出 . 識別結(jié)果及對比 此處采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車 35 輛所屬省份，緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約 50 多個，大寫英文字母 26 個，數(shù)字 10 個。為了實(shí)驗方便，結(jié)合本次設(shè)計所選汽車牌照的特點(diǎn)，只建立了 4個數(shù)字 26個字母與 10 個數(shù)字的模板。其他模板設(shè)計 的方法與此相同。 首先取字符模板，接著依次取待識別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的 0 越多那么就越匹配。把每一幅相減后的圖的 0 值個數(shù)保存，即為識別出來的結(jié)果。 對于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動態(tài)范圍擴(kuò)展和對比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照圖象的色彩信息，簡化了算法的實(shí)現(xiàn)，加快了圖象的處理速度，具有較高的檢出正確率，而且整個過程用 MATLAB 語言編程實(shí)現(xiàn)，無時間滯后感，可以滿足實(shí)時檢出的要求。 但是在設(shè)計的過程中發(fā)現(xiàn)，使用另一幅圖像后，識別效果始終沒有那么理想。需要做一定的設(shè)置后才能識別出相應(yīng)的字符。 在車牌字符分割的預(yù)處理中，用到了對分割出的字符車牌進(jìn)行均值濾波，膨脹或腐蝕的處理。這在對于有雜點(diǎn)的車牌是很有用的，因為這樣可以把字符與字符之間的雜色點(diǎn)去除，只有白色的字符和黑色的背景存在，這樣有利于的字符分割進(jìn)行。 字符識別過程使用的是模板匹配的方法，利用兩幅圖片相減的方法，找到相減后值最小的，即為相似程度最大的。模板的制作很重要，必須要用精確的模板，否則就不能正確的識別。 對于識別錯誤情況的分析可 知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識別錯誤；再就是部分字符的形狀相似性，比如， B 和 8； A 和 4 等字符識別結(jié)果可能發(fā)生混淆的情況。 總之，盡管目前牌照字符的識別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識別能力更好的特征值和設(shè)計分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識別率是完全可行的。 第六章 基于 matlab 的程序源代碼 function [d]=main(jpg) I=imread(39。39。)。 figure(1),imshow(I)。title(39。原圖 39。)。 36 I1=rgb2gray(I)。 figure(2),subplot(1,2,1),imshow(I1)。title(39?；叶葓D 39。)。 figure(2),subplot(1,2,2),imhist(I1)。title(39。灰度圖直方圖 39。)。 I2=edge(I1,39。robert39。,39。both39。)。 figure(3),imshow(I2)。title(39。robert 算子邊緣檢測 39。) se=[1。1。1]。 I3=imerode(I2,se)。 figure(4),imshow(I3)。title(39。腐蝕后圖像 39。)。 se=strel(39。rectangle39。,[40,40])。 I4=imclose(I3,se)。 figure(5),imshow(I4)。title(39。平滑圖像的輪廓 39。)。 I5=bwareaopen(I4,2020)。 figure(6),imshow(I5)。title(39。從對象中移除小對象 39。)。 [y,x,z]=size(I5)。 myI=double(I5)。 %begin 橫向掃描 tic Blue_y=zeros(y,1)。 for i=1:y for j=1:x if(myI(i,j,1)==1) %如果 myI(i,j,1)即 myI 圖像中坐標(biāo)為 (i,j)的點(diǎn)為藍(lán)色 %則 Blue_y 的相應(yīng)行的元素 white_y(i,1)值加 1 Blue_y(i,1)= Blue_y(i,1)+1。%藍(lán)色像素點(diǎn)統(tǒng)計 end end end [temp MaxY]=max(Blue_y)。%temp 為向量 white_y 的元素中的最大值， MaxY為該值的索引（ 在向量中的位置） PY1=MaxY。 while ((Blue_y(PY1,1)=120)amp。amp。(PY11)) PY1=PY11。 end PY2=MaxY。 while ((Blue_y(PY2,1)=40)amp。amp。(PY2y)) PY2=PY2+1。 37 end IY=I(PY1:PY2,:,:)。 %IY 為原 始圖像 I中截取的縱坐標(biāo)在 PY1： PY2 之間的部分 %end 橫向掃描 %begin 縱向掃描 Blue_x=zeros(1,x)。%進(jìn)一步確定 x方向的車牌區(qū)域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)==1) Blue_x(1,j)= Blue_x(1,j)+1。 end end end PX1=1。 while ((Blue_x(1,PX1)3)amp。amp。(PX1x)) PX1=PX1+1。 end PX2=x。 while ((Blue_x(1,PX2)3)amp。amp。(PX2PX1)) PX2=PX21。 end %end 縱向掃描 PX1=PX12。%對車牌區(qū)域的校正 PX2=PX2+2。 dw=I(PY1:PY2,:,:)。 t=toc。 figure(7),subplot(1,2,1),imshow(IY),t