【導讀】智能交通系統(tǒng)是21世紀道路交通管理的發(fā)展趨勢。車輛牌照識別系統(tǒng)的廣泛應用將有助于。加快我國交通管理自動化的進程。作為一個專用的計算機視覺系統(tǒng)，它能夠自動地攝取并識別車。由于多樣化的牌照形式、不一致的戶外光照條件、各種復雜背景的干擾等因素，使得車牌。照識別技術課題極具挑戰(zhàn)性。通系統(tǒng)等不同場合。時對部分關鍵算法進行了設計和改進。本程序包括圖像預處理，車牌定位，字符處理和字符識別四部分。圖像預處理采用灰度變換、圖像二值化、中值濾波、邊緣檢測、去除噪。識別系統(tǒng)中非常重要的一步。本文采取的方法是根據車牌區(qū)域的橫向豎向紋理特征對。車牌進行定位，具有較高的車牌定位準確率。本程序用純軟件的方。法實現(xiàn)了車牌字符的自動識別，達到了較高的識別率。

　　

【正文】 （ iv） ， f（ i1） … f(i)… f(i+1), f(i+v) 其中 f(i) 為窗口的中點值， v = (m1) / 2再將 m個點值按其值大小排序，取中間的那個數為濾波輸出，用數學表示為 )() . . .() . . .((1 vififvifm e dy ??? 其中 Zi? , 2/)1( ?? mv 中值濾波一般采用一個含有奇數個點的滑動窗口，將窗口中各個灰度值得中值替代指定點（一般是窗口的中心點）的灰度值，假設窗口內有５個點，其值依次為 ? ?,4,6,0,71 重新排序后（從小到大）為 ? ?,4,6,71,0 ，則 ? ? 4,4,6,0,71 ?med ，此例若平滑濾波窗口也是?。矗骄鶠V波輸 ? ? ????? 中值濾波具有對尖峰性干擾效果好，即保持邊緣的陡度又去掉干擾，因此在本例中采用中值濾波對圖像進行處理 。 中值濾波 流程圖 如圖 32所示。 圖像的邊緣檢測 從車輛圖像中正確分割出車牌區(qū)域是車牌識別中最為關鍵的步驟之一。所謂圖像 西 南交通大學本科畢業(yè)設計（論文） 第 13 頁 分割就是要根據目標與背景的先驗知 識，對圖像中的目標、背景進行標記、定位，然后將待識別的目標從背景或其它偽目標中分離出來。圖像分割是圖像提取得重要組成部分，只有有效地完成分割，才能進一步提取目標特征并識別目標。 設 置 像 素 指 針B Y T E * p b y R s ci = 0 , j = 0若 i 圖 像 高 度 H I G H若 j 圖 像 寬 度 W E I T H獲 取 當 前 ( i , j ) 像 素 的 灰 度 值獲 取 ( i 1 , j ) ( i + 1 , j ) ( i , j + 1 ) ( i , j 1 ) 的 像 素 值令 當 前 像 素 值 等 于 周圍 像 素 值 的 中 值 （ 平均 值 ）j + +i + +結 束更 新 視 圖開 始NNYY 圖 32 中值濾波 流程圖 為了完成好這關鍵性的一步，有一些必要的前期工作要做 ,其中一個重要的工作就是邊緣檢測。在這里，要分割的目標就是車牌圖像，由于車牌圖像具有一定的特殊性，在進行邊緣檢測之前，要對車牌圖像的特征進行分析，所有的車輛牌照都具有下列一些共同特征： 1. 圖像上有大量 長短不一、類似直線與長方形的區(qū)域，還有一些灰度特 征類似 于文字區(qū)域的汽車廠商標志區(qū)域。 2. 車牌文字周圍有一個類似于長方形的邊框，其厚度不一，而且有斷裂處，有時候彎曲度比較大。 3. 文字大小統(tǒng)一，排列成行，由于拍攝原因有一定程度傾斜，文字與背景之間有明顯灰度對比。 根據以上車牌圖像的特點，利用車牌中字符和車牌背景的相對特性，即字符豎向 西 南交通大學本科畢業(yè)設計（論文） 第 14 頁 紋理的分割方法，能夠對各類車輛圖像實現(xiàn)很好的分割效果。 因此，在對車輛圖像進行邊緣檢測的時候，要經過兩個步驟：初步邊緣檢測和水平梯度方向邊緣檢測。這樣得到的圖像中就留下了大量 的豎向邊緣特征，為后面準確的車牌定位提供了最根本的依據。 圖像分割的一種重要途徑是通過邊緣檢測，即檢測灰度級具有突變的地方。這樣的地方表明一個區(qū)域的終結，也是另一個區(qū)域的開始，這種不連續(xù)性稱為邊緣。邊緣檢測不僅用于圖像分割，也是紋理分析等其它圖像分析的重要信息源和形狀特征基礎。需要說明的是：邊緣與物體間的邊界并不等同，邊緣指的是圖像中像素值有突變的地方，而物體的邊界指的是現(xiàn)實場景中的存在于物體之間的邊界。一幅圖像中，有可能有邊緣的地方并非邊界，也有可能物體的邊界在圖像中不成為邊緣，這是因為現(xiàn)實中的物體是三維 的，而圖像只有二維信息，從三維到二維的投影成像不可避免的會丟失一部分信息；另外成像過程中的光照和噪聲也是不可避免的重要因素。 經典的邊緣提取方法是考察圖像的每個像素點在某個區(qū)域內灰度的變化，利用邊緣鄰近一階或二階方向導數變化規(guī)律檢測邊緣。這種方法為邊緣檢測局部算子法。 邊緣的種類分為兩種：一是階躍邊緣，它兩邊像素的灰度值有著顯著的不同；一是 屋頂邊緣，它位于灰度值從增加到減少（或從減少到增加）的變化的轉折點。 邊緣檢測算子檢查每個像素的領域并對灰度變化率進行量化，通常也包括方向的確定。有若干種方法可以使用，其 中大多數是基于方向導數掩模求卷積的方法。 本文采用的是 Sobel 算子邊緣檢測算法。 Sobel 邊緣檢測要用兩個卷積核作用于同一幅圖像，這兩個卷積核分別用來計算水平和垂直 方向的梯度，它們是： ?????????? ???121000121 ?????????????101202101 設用兩個卷積核分別進行卷積操作的中間圖像為 ]][[ yxGh 和 ]][[ yxGv ，其中 x 取值范圍為 0～ width1， y 的取值范 圍為 0～ height1，則最后的結果圖像 如 36 或 37或 38 所示 ： ]][[]][[]][[ 22 yxGyxGyxM vhs o b e l ?? (36) 或 ]][[]][[]][[ yxGyxGyxM vhs o b e l ?? (37) 或 )]][[,]][[m a x (]][[ yxGyxGyxM vhs o b e l ? (38) 這時檢測的方向為 公式 39 所示 ： 西 南交通大學本科畢業(yè)設計（論文） 第 15 頁 )]][[ ]][[(t a n]][[ 1 yxG yxGyx hvs o b e l ??? (39) 很顯然，上述算法的計算 量相當大：第一，要做兩次卷積操作；第二，要計算范數。下面介紹改進后的 Sobel邊緣檢測算法。假定以當前像素為中心獲取一個 33 鄰域，按行按列依次編號為 a， b， c， d， e， f， g， h， i。這樣，中心像素被編號為 e。在這個鄰域中，過中心像素 e 的直線共有 4 條，它們是 aei， beh， ceg， def。每條分割線均將鄰域剩下的像素分成兩部分。對于每一條分割線，分別計算其兩個子部分的像素平均值之差的絕對值。最后在四個絕對值中選擇最大者作為當前像素的最后值。 實驗證明， Sobel邊緣檢測算法所生成的結果是非 常令人滿意的。 邊緣檢測 流程圖 如圖 33 所示。 設 置 像 素 指 針B Y T E * p b y R s ci = 0 , j = 0若 i 圖 像 高 度H I G H若 j 圖 像 寬 度 W E I T H獲 取 當 前 像 素 值以 及 周 圍 點 的 像 素 值用 邊 緣 檢 測 S O B E L 算 子 檢 測 像 素 點周 圍 像 素 導 數 變 化 ， 并 乘 以 S O B E L算 子 的 橫 向 矩 陣 和 縱 向 矩 陣j + +i + +更 新 當 前 視圖結 束將 原 圖 再 乘 以S O B E L 算 子 的 縱向 矩 陣 系 數 ，得 到 新 的 圖 像用 原 圖 像 與 新 圖像 相 減 ， 得 到 最終 圖 像更 新 當 前 視圖開 始YNYN 圖 33 邊緣檢測流程圖 西 南交通大學本科畢業(yè)設計（論文） 第 16 頁 消弱背景噪聲 對于背景的消弱的好環(huán)也關系到車牌位置的提取準確性。因此在這個環(huán)節(jié)處理也至關重要。該函數用指定的模板（任意大小）來對圖像進行操作，參數 iTempH 指定模板的高度，參數 iTempW 指定模板的寬度，參數 iTempMX 和 iTempMY 指定模板的中心元素坐標，參數 fpArray 指定模板元素， fCoef 指定系數。調用該函數能夠很好的處理背景帶來的干擾 。同樣在主菜單項下建立一個子菜單并標題為消弱背景干擾。其大概過程是這樣的：首先獲取文檔，使指針指向 DIB 對象，并且鎖定對象，調用自定義的模板消弱背景干擾 。最后解除鎖定并更新視圖。 噪聲過濾 流程圖 如圖 34 所示 。 設 置 像 素 指 針i = 1 , j = 1若 i 圖 像 高 度 H I G H若 j 圖 像 寬 度 W E I T H獲 取 當 前 像 素 點 的 值獲 取 當 前 像 素 點 前 一 個像 素 值令 當 前 像 素 點 減 去 前 一個 像 素 點j + +i + +更 新 當 前 視 圖結 束開 始YNNY 圖 34 噪聲過濾 流程圖 西 南交通大學本科畢業(yè)設計（論文） 第 17 頁 車牌捕捉 在上述的圖像預處理工作，無疑是為了給車牌定位做下基礎。車牌的搜索定位有基于紋理特征的車牌定位方法、投影法、基于顏色和紋理車牌定位方法等由于投影法比較容易理解和便于操作因此在本例采用了投影法進行車 牌的地位。 我程序中車牌定位的算法過程是這樣的： 首先把圖片從下往上掃描，并設置一個閥值，當一行的像素點超過這個閥值的時候，便認定這行就是車牌的下邊界，繼續(xù)往上掃描，當一行像素點低于這個閥值，這行便是車牌的上邊界，這時調用 crop（）函數將這段圖片剪切下來。再將剪切好的圖片代替原來的 DIP，從左向右掃描。同時也設定另 一個閥值，還是像上面一樣，當一列的像素點超過這個閥值的時候，便認定這行就是車牌的左邊界，繼續(xù)往上掃描，當一列像素點低于這個閥值，這行便是車牌的右邊界，最后將車牌剪切下來。最后微調一下就好了。 車 牌捕捉 流程圖 如圖 35 所示 。 若 i l H e i g h t * 0 . 8計 算 黑 白 跳變 的 次 數 k若 k t 1當 前 的 i = 車牌 下 邊 界i + +橫 向 截 取圖 像若 j l W i d t h * 0 . 8計 算 黑 白 跳變 的 次 數 k若 k t 2若 k t 1當 前 的 i = 車牌 下 邊 界計 算 黑 白 跳變 的 次 數 k當 前 的 j = 車牌 左 邊 界J + 1 2 0 為 車牌 右 邊 界截 取 車 牌結 束設 置 閥 值 t 1 = 1 2 ， t 2 = 1 0i = l H e i g h t /5 , j = l W i d t h / 5K = 0 ；開 始NYYYNNYNJ + + YN圖 35 車牌捕捉 流程圖 西 南交通大學本科畢業(yè)設計（論文） 第 18 頁 字符處理 車牌反色 經過上面的步驟之后，程序應該把車牌完整的切割了下來，這時切割出來的車牌是一個已經二值化的車牌，這時根據場景的不同，可能會出現(xiàn)兩種情況，一種是黑底白字。一種是白底黑字，而我們需要的則是白底黑字的車牌。因此在字符處理的第一步我們先要將黑底白字的車牌反色，白底黑字的車牌保留。 其算法簡單說就是一行為單位掃描圖片，若前三行黑色像素大于白色，就進行反色，若白色像素多 ，則跳出循環(huán)。 車牌傾斜度調整 因為分割出來的車牌圖像可能存在傾斜，所以必須對它進行調整，使得字符都處于同一水平位置，那樣既有利于字符的分割也可以提高字符識別的準確率。調整的算法主要是根據車牌圖像上左右兩邊的白色像素（前景點）的平均高度來的。一般來說，眾多的字符組成的圖像它的左右兩邊的字符像素的高度應該是處于水平位置附近的，如果兩邊字符像素的平均位置有比較大的起落，那就說明圖像存在傾斜，需要進行調整。 具體來說，首先要分別計算圖像左半邊和右半邊的像素的平均高度，然后求斜率，根據斜率重新組織圖像， 里面包含了一個從新圖像到舊圖像的像素的映射。如果新圖像中的像素映射到舊圖像中時超出了舊圖像的范圍，則把新圖像中的該像素置為黑色點（背景點）。 傾斜度調整 流程圖 如圖 36 所示 。 字符分割 車牌圖像中會含有多個字符，識別的時候只能根據每個字符的特征來進行判斷，所以還要進行字符分割的工作。這一步工作就是把圖像中的字符獨立的分割出來。 具體的算法如下： 1. 先自下向上對圖像進行逐行掃描直至遇到第一個白色的像素點，記錄下來。 然后再由上向下對圖像進行逐行掃描直至找到第一個白色像素點，這樣就找到圖像大致的高度 范圍。 2. 在這個高度范圍之內再自左向右逐列進行掃描，遇到第一個白色像素時認為 是字符分割的起始位置，然后繼續(xù)掃描，直至遇到有一列中沒有白色像素，則認為這個字符分割結束，然后繼續(xù)掃描，按照上述的方法一直掃描直至圖像的最右端。這樣就得到了每個字符比較精確的寬度范圍。 3. 在已知的每個字符比較精確的寬度范圍內，按照第 1 步的方法，分別進 行自 西