【正文】 而且，一般來說圖像中 車牌區(qū)域與周圍背景之間存在較 明顯的顏色區(qū)別 ，具有一定的 封閉性和獨(dú)立性 。用 區(qū)域生長 方法進(jìn)行 車牌區(qū)域定位困難之處在于首先 需要知道圖像的許多相應(yīng)的先驗(yàn)知識，而且有些參數(shù)對不同類型的圖像比較敏感。 本章 中提出了一種利用圖像的邊緣和紋理信息 ， 基于多方向邊緣處理的車牌 區(qū)域定位 方法。 基于紋理檢測和邊緣檢測的車牌區(qū)域定位方法 這一類車牌 區(qū)域定位 方法是目前在工程應(yīng)用和相關(guān) 的 研究中最為普遍采用的，而且也是效果 較 好的 一種 方法。 以 基于 HSV(H表示色度， S 表示飽和度， V表示亮度 ) 顏色空間 的 彩色圖像特征的 車牌 區(qū)域定位 方法為例，其基本過程是：首先根據(jù)我國車牌底色一般為藍(lán)、黃、黑、白中的一種這一特點(diǎn)，在 H和 S 分量子空間 中 找出藍(lán)色和黃色 21 區(qū)域，在 V分量子空間找出黑色和白色區(qū)域，然后再根據(jù)其它特征信息 在這些區(qū)域 中 確定車牌 區(qū)域的 位置。因此，這類 車牌區(qū)域定位 方法在實(shí)際工程中的應(yīng)用 還需要解決上述問題 。主要步驟如下： Step1 采集或收集具體應(yīng)用場合的各類具有代表性的含車牌圖像 ； Step2 構(gòu)建所使用的神經(jīng)網(wǎng)絡(luò) ； Step3 確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的車牌區(qū)域圖像樣本和非車牌區(qū)域圖像樣本的尺寸，對樣本圖像進(jìn)行相應(yīng)的預(yù)處理，建立相應(yīng)的特征向量（ 一般利用的是 樣本灰度圖像的灰度值） ； Step4 分別提取 樣本集 中 樣本 的 特征 來 訓(xùn)練神經(jīng)網(wǎng)絡(luò) ，直 至神經(jīng)網(wǎng)絡(luò)能夠區(qū)分 出具有代表性的所有 圖像 訓(xùn)練樣本中的 車牌 區(qū)域 和非車牌 區(qū)域； Step5 用與訓(xùn)練樣本尺寸相同的移動窗口遍歷要識別的圖像，判定含車牌區(qū)域 的子窗口，從而確定車牌 區(qū)域 的位置 。由于目前實(shí)際應(yīng)用中采集的 車牌圖像 樣本類型難以窮舉，那些僅 對 少數(shù) 圖像 樣本 的數(shù)據(jù) 進(jìn)行 統(tǒng)計(jì)分析而 得 來 的車牌圖像特征的 規(guī)律性 ，其可靠性還需要在實(shí)際應(yīng)用中檢驗(yàn)。但是由于車牌圖像的復(fù)雜性，其紋理 特征 并不是很穩(wěn)定。因此，在 車牌區(qū)域定位 時(shí)的應(yīng)用比較少。在車牌圖像識別中，矩 特征 在車牌區(qū)域定位和單個(gè)字符區(qū)域切分方面的應(yīng)用比較少，但在字符特征提取時(shí)則較常采用。目前提出的 車牌區(qū)域圖像定位 方法中，絕大多數(shù)都在不同的程度上利用了車牌圖像的 邊緣特征 。采用各種變換的目的，一般是為了突出圖像的某些特征信息，以便于尋找其規(guī)律性。比如，圖像對比度的高低，不同灰度區(qū)域的數(shù)量，等等。 根據(jù)其基本的描述方法，圖像 特征可分為 如下幾類 ： 1 、 幅值特征 圖像幅值特征包括像素點(diǎn)的亮度值、灰度值、彩色圖像中的 RGB三刺激值等，還包括利用各種變換（如傅立葉變換、小波變換等）形成的變換系數(shù)的幅值。 18 第三章 車牌區(qū)域 定位 技術(shù) 研究 車牌區(qū)域特征分析 [14] 圖像特征是圖像場中可用作標(biāo)志的屬性， 是對圖像進(jìn)行處理和分類識別的依據(jù)。由于 校正 后的圖像中 ， 某些像素點(diǎn)可能分布不均勻，沒有落在坐標(biāo)點(diǎn)上，需要采用內(nèi)插法近似求得這些像素點(diǎn)的灰度值，實(shí)際上這也就 是 產(chǎn)生了新的畸變。可從白色像素中選擇若干點(diǎn)以最小二乘法進(jìn)行直線擬合。實(shí)際采集車牌圖像時(shí)，在光線很強(qiáng)或很弱（夜晚）的情況下，往往很難從一些圖像中 檢測出 車牌區(qū)域 邊緣 。 依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)是目前較為簡單可靠的方法。由于車牌圖像的復(fù)雜性，尋找校正基準(zhǔn)點(diǎn)是非常困難的。 圖像幾何畸變的校正一般分為兩個(gè)步驟： 1 、圖像空間幾何坐標(biāo)變換； 2 、確定校正空間像素點(diǎn)的灰 度值。但由于圖像直方圖變換所起的作用尚沒有足夠的能令人信服的理論依據(jù)，還必須通過對大 量樣本的實(shí)驗(yàn)和歸納分析，進(jìn)行進(jìn)一步的研究。能否通過改變圖像直方圖的分 布形狀來獲得車牌區(qū)域穩(wěn)定的、具有普遍代表性的特征，是一個(gè)有必要研究的命題。也就是說，在不丟失灰度 16 級之間次序的情況下，改變圖像的直方圖形狀一般并不會影響圖像中重要的因素。 8 鄰域連通：坐標(biāo)為 (i,j) 的像素，其八個(gè) 8 鄰域像素的坐標(biāo)分別為 (i+1,j)， (i1,j) ， (i,j+1) ， (i,j1) ， (i+1,j1) ， (i1,j1) ， (i1,j+1)， (i+1,j+1) 。本文中， 連通區(qū)域標(biāo)記 和數(shù)學(xué)形態(tài) 學(xué)處理是相伴進(jìn)行的。 BB ???? )BA(A A 為原始圖像， B 為結(jié)構(gòu)元圖像 。 開運(yùn)算：是先腐蝕再膨脹的過程。如圖 所示。經(jīng)過實(shí)驗(yàn)也可以證實(shí)，對于車牌圖像進(jìn)行 同態(tài)濾波處理后 再用 Otsu算法進(jìn)行 二值化 一般可以獲得較好的效果。 同態(tài)濾波處理后的車牌圖像，字符與背景的對比得到增強(qiáng)，邊緣更為突出 ,灰度直方圖分布也發(fā)生較大的變化 。因此，如果要增強(qiáng)圖像細(xì)節(jié)結(jié)構(gòu)，就要加強(qiáng)高頻成分減弱低頻成分。 (a) 車牌 灰度圖 (b) Canny 邊緣 檢測圖 圖 不 同車牌圖 像 Canny 邊 緣檢測 效 果比較 同態(tài)濾波 [8] 同態(tài)濾波 在 實(shí)際采集的 圖像中，車牌區(qū)域 或 字符 在 邊緣 、紋理等 圖像的細(xì)節(jié) 方面 與背景的區(qū)別 是不同圖像中普遍存在、比較穩(wěn)定的一個(gè)特點(diǎn) 。 根據(jù)梯度幅值 累計(jì)直方圖 獲得高、低 兩個(gè)閾值 ； 灰度值大于高閾值的像素為邊緣，小于低閾值的不是邊緣，介于兩個(gè)閾值之間的，如果其鄰接像素有灰度值大于高閾值的則為邊緣，如沒有則 13 不是。 3 、保證一個(gè)邊緣只得到一次檢測。 在車牌 圖像的分割和 識別中 ， 同上述 的 微分算子邊緣檢測 法 一樣，純 Laplacian 算子 邊緣 檢測 法 也難以獲得理想的實(shí)際應(yīng)用效果 。 Laplacian 算子邊緣檢測 法 Laplacian 算子法是通過尋找灰度圖像 二階導(dǎo)數(shù)的零交叉點(diǎn)來檢測邊緣。但如果 thresh選取得不合適，則極易得到 較 強(qiáng)的噪聲或者是提取的邊緣 信息 的完整性 不好 。 微分算子邊緣檢測法 常用的微分算子有 Roberts 、 Prewitt 和 Sobel 算 子，都是以圖像灰度的兩個(gè)差分來逼近梯度算子。 因此，在車牌 圖像識別 中，邊緣檢測 技術(shù) 十分重要。而單個(gè)字符圖像的字符與背景的區(qū)別一般來說較為明顯，判斷決策比較容易，基本可以獲得比較好的二值化效果。 這種方法較為簡單，主要過程如下： Step1 對 車牌 ( 字符 ) 灰度 圖像 進(jìn)行 Canny 邊緣檢測 , 如圖 (b)所示； Step2 根據(jù) Canny 邊緣檢測 結(jié)果，在 車牌 ( 字符 ) 灰度 圖像 中找到目標(biāo)對象的邊緣像素點(diǎn)； Step3 根據(jù)在 車牌 ( 字符 ) 灰度 圖像 中找到的邊緣像素點(diǎn)的灰度值，進(jìn)行具體的分析判斷來確定 閾值 ，進(jìn)行二值化。 (a) 原圖 (b) Bersen 算法二 值化圖 圖 Bersen 算法 二值化 10 基于 Canny 邊緣檢測的 字符 ( 車牌 區(qū)域 ) 圖像二值化的方法 在車牌圖像識別中，一般是在切分字符時(shí)對車牌區(qū)域圖像進(jìn)行 二值化 ，以及在提取字符分類識別特征時(shí)對字符圖像進(jìn)行二值化。則有： ???? 10),( yxb ),(),( ),(),( yxTyxf yxTyxf ?? 式（ 28 ） Bersen算法存在以下問題和缺點(diǎn)： 1 、 由于 Bersen算法閾值的確定是通過動態(tài)計(jì)算每個(gè)考察點(diǎn)鄰域的灰度值來確定，其實(shí)現(xiàn)速度較全局閾值二值化方法要慢 ，而且也 沒有 做到以 二值化 目的作為閾值選擇的依據(jù) 。 (a) 原圖 (b) 圖 (a)的 Otsu 算法二值 化圖 圖 Otsu 算 法二值 化 Bernsen 算法 Bernsen算法是一種局部閾值二值化方法，通過定義考察點(diǎn)的鄰域，并由鄰域計(jì)算模板實(shí)現(xiàn)考察點(diǎn)灰度與鄰域點(diǎn)的比較。 M,N 表示圖像大小為 M N? ， ),( yxC 用來統(tǒng)計(jì)各組間像素個(gè)數(shù)。 Otsu 算法 Otsu算法是一種全局閾值二值化方法， 又稱為最大類間方差法或大津 閾值分割法，是在判決分析最小二乘法原理的基礎(chǔ)上推導(dǎo)得出的。以圖 (b)為例，如果以將車牌字符與背景分離為目的，可視為完全失??；而如果以將車牌區(qū)域與背景分離為目的，則可視為效果較好。1),( yxb Tyxf Tyxf ??),( ).( ),( yxf 為原圖像 ， ),( yxb 為 二值化 后圖像， T 為 閾值 二值化的 目的是 將 目標(biāo)對象 與背景分離 。因此，在車牌圖像識別中，圖像 二值化 是一個(gè)非常重要的技術(shù)。比如， 天氣變化因素 ( 雨、霧、溫度、濕度 ) 、光線變化因素 ( 如 陽光直射、反射，黃昏、白天、夜間 ，等 ) 、攝像機(jī)與車牌不同的相對位置、攝像機(jī)的有關(guān)攝像參數(shù)的不同以及圖像采集現(xiàn)場不同的景物背景等因素，使得即使對于同一輛車的同一個(gè)車牌采集的圖像往往也表現(xiàn)出許多不同的特點(diǎn)。 4 、對一些車牌字符特征提取和分類識別的方法進(jìn)行了分析研究， 設(shè)計(jì) 出一種 車牌字符分類識別的方案。 采用這種方法能在一定程度上解決車牌定位依據(jù)的共性特征信息選擇的問題 。而且 ,對圖像進(jìn)行幾何畸變 校正 的同時(shí)，會產(chǎn)生新的畸變，也可能會給字符的分類識別帶來不利的影響。 (4) 關(guān)于圖像的數(shù)學(xué)形態(tài)學(xué)處理 數(shù)學(xué)形態(tài)學(xué)中的開運(yùn)算和閉運(yùn)算，具有在 基本不改變 目標(biāo)對象 形狀 的情況下對背景像素進(jìn)行處理的優(yōu)點(diǎn)， 在本文的車牌區(qū)域定位和字符切分方法中有較好的應(yīng)用效果。在車牌圖像識別中，本文認(rèn)為最好應(yīng)避免在車牌區(qū)域定位和車牌字符切分階段對圖像進(jìn)行 二值化 ，并設(shè)計(jì) 出 一種 基于 Canny 邊緣檢測 尋找目標(biāo)對象特征點(diǎn) 、再 對特征 點(diǎn)的灰度像素值 分析判斷 來確定閾值 的車牌字符二值化方法 ，改善了車牌字符圖像二值化處理的質(zhì)量 ，可以滿足本文對車牌字符特征提取預(yù)處理的要求 。 本 文在參考大量有 關(guān)車牌圖像識別技術(shù)公開資料的基礎(chǔ)上，圍繞著車牌圖像識別技術(shù)實(shí)際應(yīng)用的特點(diǎn)和要求，并通過一定的實(shí)驗(yàn)分析手段，主要進(jìn)行了如下幾方面的工作： 1 、對于車牌圖像識別技術(shù)中常用的一些基本的圖像處理方法，進(jìn)行了分析研究 在這部分工作中，重點(diǎn)分析研究了圖像的二值化、邊緣檢測、同態(tài)濾波、數(shù)學(xué)形態(tài)學(xué)處理、直方圖變換和幾何畸變校正等方法在車牌圖像識別中的作用和應(yīng)用特點(diǎn)。 對于 92式普通民用 車牌 ， 識別的基本過程如下： 原始圖像→ 車牌定位 → 字符切分 → 識別第一個(gè)字符 →?→ 識別第七個(gè)字符 上述過程可以看作是一個(gè)三個(gè)方面九個(gè)環(huán)節(jié)組成的 鏈?zhǔn)浇Y(jié)構(gòu)，根據(jù)概率論的原理，對于 三個(gè)關(guān)鍵技術(shù)可靠性的要求極高。比如，國家車牌標(biāo)準(zhǔn)、車牌圖像采集標(biāo)準(zhǔn) 、 有關(guān)測試規(guī)范的統(tǒng)一以及 有關(guān)的執(zhí)法管理工作 等方面 的因素 ，都直接或間接地影響著車牌 圖像 識別 關(guān)鍵 技術(shù)采用的方案和算法 的選擇和實(shí)際應(yīng)用效果 。一些方法中要求的 圖像的 特征 ( 比如，要求圖像中車牌區(qū)域大小一致，或者要求車牌圖像 字符位置固定 等 ) 在 目前的 圖像實(shí)際采集時(shí)可 4 能 還 難以滿足， 方法的實(shí)用性也就 難免存有一定的疑問 。 在車牌字符分類識別時(shí)的特征選擇和提取方面， 公開資料中利用的字符分類特征主要有： 以二值圖像 中 字符的筆畫像素分布為基礎(chǔ)的字符特征 ( 主要包括 四周邊特征 、 粗網(wǎng)格特征 、 投影特征 等 ) 、 以二值圖像 字符輪廓、骨架 為基礎(chǔ)的字符特征 ( 包括字符 筆畫 方向線素特征 、 漢字結(jié)構(gòu)特征點(diǎn)特征 等 ) 、 基于灰度圖像 小波變換的 字符 特征 ( 包括 小波 系數(shù)特征、 小波 矩特征和 小波 能量特征 ) 。 這在一定程度上反映了車牌定位技術(shù)的重要地位，也一定程度上反映出目前這方面尚有不盡人意之處。由此可以推斷，目前的車牌圖像識別 產(chǎn)品 對于不同使用 環(huán)境的適應(yīng)性還不是特別理想， 其原因主要是 關(guān)鍵 技術(shù)對于 不同 背景和不同自然條件下所采集 圖像的適應(yīng)性還不是很好 , 會導(dǎo)致 車牌識別產(chǎn)品軟件的通用性還不 是 太 好，往往 需 要在 現(xiàn)場 采集大量樣本分析測試 ， 并 且要 修改相應(yīng)參數(shù)甚至方法，使得施工周期往往較長，識別結(jié)果的可靠性往往也不能讓人完全放心。 由于 各個(gè) 廠商對其使用的車牌圖像識別技術(shù)都是不公開的，我們很難了解其中采用的三個(gè)方面的 關(guān)鍵 技術(shù) ( 車牌區(qū)域定位、單個(gè)字符區(qū)域切分、字符分類識別 ) 中使用的具體方法，因此很難 具體評價(jià)其方法的優(yōu)劣。 此外，車牌圖像識別技術(shù) 超速抓拍、門禁管理等方 面也有一定的應(yīng)用，但與前述三個(gè)方面的應(yīng)用一樣，還存在著一些問題有待于解決。目前的車 2 牌圖像識別產(chǎn)品在這方面尚不夠理想，因此 一般也是 作為一種輔助手段，還不能實(shí)現(xiàn)真 正意義上的智能化。 城市卡口監(jiān)控：公安部頒布的城市卡口監(jiān)控系統(tǒng)部頒標(biāo)準(zhǔn)明確規(guī)定了車牌識別是城市卡口監(jiān)控系統(tǒng)的一個(gè)重要組成部分，越來越多的城市公安部門正在積極