【正文】 因此，利用圖像中車牌區(qū)域 的 幾何形狀特征 進(jìn)行 車牌區(qū)域圖像定位， 是最容易想到也是最早使用的 方。 基于幾何形狀特征的車牌區(qū)域定位方法 [ 21] 直觀 看來，車牌字符集中分布于一個(gè)近似 矩形 的區(qū)域中，這個(gè)特點(diǎn)是在所有可識別的車牌圖像中都存在的。 2 、區(qū)域分裂 — 合并 區(qū)域分裂 — 合并 方法是從整幅圖像開始通過不斷分裂得到各個(gè)區(qū)域，一般是先把圖像分成任意大小且不重疊的區(qū)域，然后再 合并 或 分裂 這些 區(qū)域 以滿足分割的要求。 因此，實(shí)際應(yīng)用中區(qū)域生長法要達(dá)到分割目的，需要解決三個(gè) 基本問題： (1) 正確確定能滿足分割要求的圖像區(qū)域及其種子像素 ； (2) 制定合適的區(qū)域生長的準(zhǔn)則 ； (3) 制定合適的區(qū)域停止生長的條件或規(guī)則 ； 由于實(shí)際應(yīng)用中車牌圖像的特點(diǎn)，在進(jìn)行車牌定位時(shí)這 三個(gè)基本問題 都很 22 難解決。 基于區(qū)域的車牌區(qū)域定位方法 [ 19] 1 、 區(qū)域生長 [ 20] 區(qū)域生長的基本思想是將具有相同或相似性質(zhì)的像素集合起來構(gòu)成區(qū)域。 目前，在 車牌區(qū)域定位 中一般利用的多為人們易于感知的車牌圖像邊緣和紋理的分布規(guī)律（比如，車牌區(qū)域邊界幾何形狀、字符區(qū)域水平方向灰度密度分布等），而對于圖像一些較深層邊緣和紋理的分布（如分布的一致性，致密度等）則 還 未能總結(jié)出適 應(yīng) 范圍較大的規(guī)律。之所以將紋理檢測與邊緣檢測結(jié)合在一起研究，是因?yàn)樵谲嚺品指畹墓こ虘?yīng)用和相關(guān) 研究實(shí)踐中，這兩種方法往往是相輔相成、互為補(bǔ)充的。 至于顏色聚類法、顏色模板匹配法，由于 對車牌區(qū)域定位 所依據(jù)的特征信息與顏色分類法 并 沒有本質(zhì)的不同，也 需要 解決 因圖像 顏色畸變 帶來的 問題。 這種方法要求圖像中車牌的顏色必須 比較穩(wěn)定，而在 實(shí)際應(yīng)用中，待識別圖像一般是在開放或半開放環(huán)境中采集， 一些 情況下會(huì)存在比較嚴(yán)重的顏色畸變 。 現(xiàn)對彩色空間中 以 顏色分類法進(jìn)行 的 車牌 區(qū)域定位 方法 作 簡要分析。 基于彩色圖像特征的車牌區(qū)域定位方法 [17][ 18] 該類方法主要是為了充分利用彩色圖像信息，采用顏色分類、顏色聚類、顏色模板匹配等方法 , 或者是在彩 色空間中提取邊緣、紋理等特征信息從彩色圖像中分割出車牌。 而如果采用樣本灰度圖像的全部灰度值數(shù)據(jù)作為特征向量，則對于待識別圖像中車牌區(qū)域的尺寸有一定的要求，使得其使用場合受到了較大的限制 ； 同時(shí)，由于實(shí)際應(yīng)用中圖像采集環(huán)境的復(fù)雜性， 使得 訓(xùn)練樣本的取得也是非常困難的 ；而且，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程耗時(shí)較長 ；同時(shí)，由于 車牌區(qū)域 定位時(shí)要用 移動(dòng)窗口遍歷要識別的圖像 ，實(shí)時(shí)性不太好 ，對圖像 中車牌區(qū)域尺寸變化時(shí) 的適應(yīng)性不理想 。 由以上過程可以看出，這類車牌 區(qū)域定位 方法的基本出發(fā)點(diǎn)是為了利用神經(jīng)網(wǎng)絡(luò)在分類方面的 優(yōu) 點(diǎn)， 主要是 神經(jīng)網(wǎng)絡(luò) 的泛化能力和對樣本的學(xué)習(xí)能力。 基于神經(jīng)網(wǎng)絡(luò)分類器的車牌區(qū)域定位方法 [15][ 16] 在所收集的資料中，基于神經(jīng)網(wǎng)絡(luò)分類器的 車牌區(qū)域定位 方法采用的 神經(jīng)網(wǎng)絡(luò)有 BP 神經(jīng)網(wǎng)絡(luò)、 Elman 遞歸神經(jīng)網(wǎng)絡(luò) 和 SOFM 神經(jīng)網(wǎng)絡(luò)等不同 的 類型，但其過程基本相同。 現(xiàn)有的一些車牌區(qū)域定位方法簡要分析 20 為了盡可能設(shè)計(jì)出適應(yīng)性較好的 車牌區(qū)域定位 方法，對 公開資料中所提出的 較 常用和常提到的 一些 方法 進(jìn)行了一定的 分析 研究。但 由于 實(shí)際應(yīng)用中的 車牌圖像的特點(diǎn)， 目前， 車牌區(qū)域定位 時(shí)利用的相對比較可靠的大多還是一些比 較直觀、較易提取的 自然特征（如亮度、輪廓、紋理、顏色等） ，或者是在 自然特征 的基礎(chǔ)上 變換或測量而來 的人為特征。目前， 車牌區(qū)域定位 時(shí)利用的主要是在邊緣檢測基礎(chǔ)上獲得的一些較簡單、直觀、易于判斷的相對比較可靠的 紋理特征 ，在本文后面的內(nèi)容中也有進(jìn)一步的分析。 一般來說，由于 車牌區(qū)域圖像 的 像素灰度級變化 較強(qiáng)，因此，在車牌定位時(shí)自然會(huì)想到利用其 紋理特征 。 7 、紋理特征 圖像紋理是一種反映某一區(qū)域中 像素灰度級變化 的 空間分布的屬性 ，目前對其確切的定 義尚存在不同的觀點(diǎn)。但由于實(shí)際應(yīng)用中車牌圖像的復(fù)雜性，較難提取穩(wěn)定的 線條和角點(diǎn) 特征信息。 6 、線條和角點(diǎn)特征 圖像中經(jīng)常出現(xiàn) 線條 以及 線條 與 線條 相交引起的角點(diǎn)，這些 線條和角點(diǎn) 能夠反映出對象的特征信息。圖像分析時(shí)經(jīng)常利用各階中心矩，其定義為： ? ???? ???? d x d y)y,x(f)y(y)x(xM kjjk 式中 00010010 MMy,MMx ?? 通過重心主軸計(jì)算并用面積規(guī)范化的中心矩具有與位置無關(guān)的特性，在物體放大、平移、旋轉(zhuǎn) 時(shí)保持不變。在某種程度上，可以說 邊緣特征 是車牌圖像中被經(jīng)常利用的最重要的特征之一。因此，圖像的 邊緣特征 是區(qū)分圖像中不同對象的重要特征。比如，對車牌圖像進(jìn)行小波變換，可以突出車牌區(qū)域高頻的邊緣和紋理信息。 3 、變換系數(shù)特征 圖像的 變換系數(shù)特征 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)的屬性，變換系數(shù)的分布也能夠反映圖像 一些方面 的特征信息。 一 階 灰度直方圖 的表征參數(shù)主要有 平均值、方差、傾斜度、陡峭度、能量、熵 等， 二 階 灰度直方圖 的表征參數(shù)主要有 自相關(guān)系數(shù)、協(xié)方差、慣性矩、絕對值、能量、熵 等。 2 、灰度直方圖特征 圖像 灰度直方圖 是通過統(tǒng)計(jì)各像素點(diǎn)的灰度值而獲得的，可用來估計(jì)圖像的概率分布，其形狀能夠反映出圖像的一些特征信息。幅值特征容易在特定的像素點(diǎn)處或某個(gè)區(qū)域內(nèi)進(jìn)行測量，判斷決策時(shí)更易理解。 人為特征： 是圖像中人類視覺不能直接感受到的，需要通過變換或測量才可以得到的圖像的屬性，如各種變換的頻譜、直方圖、各階矩等。按圖像特征與人類視覺的關(guān)系 可分為自然特征與 人 為特征 兩大類 。比如，有關(guān)車牌標(biāo)準(zhǔn)怎樣與車牌圖像 幾何畸變校正 相協(xié)調(diào)，怎樣通過 改善圖像采集技術(shù)手段獲得滿足 幾何畸變 控制 要求的車牌圖像，等等。如果圖像的 幾何畸變 嚴(yán)重時(shí)， 因 校正 而產(chǎn)生的新畸變也可能會(huì)比較大，會(huì)給以后字符的分類識別帶來一定的困難。 但需要指出的是，即使通過一定的 方法 可以解決 校正 基準(zhǔn)的問題，車牌 圖像幾何畸變校正 效果也未必盡如人意。這條直線即可作為車牌圖像水平傾斜校正的依據(jù)。 下面給出車牌圖像水平傾斜校正的一種簡易方法： Step1:獲得車牌圖像 Canny 邊緣檢測圖 f ，選擇 f 中不包括左右邊框的部分 f1（比如，可選擇 f 中間寬度為圖像寬度約 2/3 部分）； Step2:以 8 鄰域連通法則對 f1中白色像素進(jìn)行連通區(qū)域標(biāo)記 , 并將寬度 不是 最大的白色像素連通區(qū)置 0 ； Step3:經(jīng)上述處理 后，圖像中的白色像素一般就可視為車牌圖像水平邊界的一部分。這個(gè)問題一般能夠通過在圖像采集階段改善技術(shù)手段來解決。 檢測出的 車牌區(qū)域邊緣 不一定要求很完整，但必須要能與其它對象邊緣區(qū)分。也有其它一些方法，比如，根據(jù)字符重心位置、字符中心走向等來確定校正基準(zhǔn)，但這樣則對字符圖像前期處理（如二值化）提出了更高的要求，而且判斷決策相對也更為困難。此外，即使能夠得到 比較準(zhǔn)確的車牌邊緣，使用 Hough 變換也存在計(jì)算量大的缺點(diǎn)。 傳統(tǒng)的 尋找校正基準(zhǔn)點(diǎn)的 方法是采用 Hough 變換方法檢測車牌區(qū)域邊緣。因此，如何獲得基準(zhǔn)點(diǎn)的坐標(biāo)便成為校正能否成功的最關(guān)鍵之處。 圖像空間幾何坐標(biāo)變換指的是按照一幅標(biāo)準(zhǔn)圖像或一組基準(zhǔn)點(diǎn)去校正幾何失真圖像。同時(shí)，車牌形狀、字符位置也會(huì)因 幾何畸變 發(fā)生變化，也會(huì)給車牌區(qū)域的定位和單個(gè)字符的切分造成困難。 關(guān)于車牌圖像幾何畸變校正問題 [12] [ 13] 造成 圖像幾何畸變 的原因主要有兩個(gè)因素，一個(gè)是攝像系統(tǒng)自身因素，另一個(gè)是對象與攝像鏡頭的軸線相對位置因素。這就使我們想到：能否通過將車牌圖像直方圖形狀規(guī)定化為 合適的 雙峰分布 ( 如雙正態(tài)分布、雙三角分布等 ) 來獲得較理想的 Otsu算法二值化的處理效果。 在 本章 中，有一個(gè) 同態(tài)濾波處理 后進(jìn)行 車牌圖像 二值化 的例子。對于車牌圖像處理來說，由于采集環(huán)境的復(fù)雜性，車牌區(qū)域的特征很不穩(wěn)定，給識別帶來了很大的困難。這也是能對圖像進(jìn)行直方圖變換的基礎(chǔ)。 圖像灰度直方圖變換 [11] 法國人 Estournt在研究圖像與其直方圖的關(guān)系時(shí)，在實(shí)驗(yàn)中發(fā)現(xiàn) , 一般圖像的外觀甚至內(nèi)容與其直方圖之間沒有直接的關(guān)系。當(dāng)像素互為 8 鄰域時(shí)即稱為 8 鄰域連通。當(dāng)像素互為 4 鄰域時(shí) , 即稱為 4 鄰域連通。 像素連通性的判斷通常采用 4 鄰域連通與 8 鄰域連通兩種規(guī)則。通過選擇相應(yīng)的結(jié)構(gòu)元可實(shí)現(xiàn)對相關(guān)像素族的整體處理，而相關(guān)像素族的幾何形狀特征，又是選擇結(jié)構(gòu)元的一個(gè)直接依據(jù)。本方法中利用閉運(yùn)算的目的 ， 是在基本不改變 目標(biāo)對象 形狀的基礎(chǔ)上 ， 獲得連通的 目標(biāo)對象的 外輪廓 或區(qū)域 。 閉運(yùn)算 ：是先膨脹再腐蝕的過程。 BB ??? )BA(A ? A 為原始圖像， B 為結(jié)構(gòu)元 圖像 。將腐蝕和膨脹組合的開運(yùn)算和閉運(yùn)算則基本不改變 目標(biāo)對象的 形狀， 有利于真實(shí)信息的利用， 因此本 文 主要采用這兩種運(yùn)算。 (a) 車牌灰度 圖像 (b)同 態(tài)濾波 前 Canny 邊緣 (c) 同 態(tài)濾波 后 Canny 邊緣 圖 同 態(tài)濾波對 Canny 邊緣 檢測的影響 數(shù)學(xué)形態(tài)學(xué) [9] 數(shù)學(xué)形態(tài)學(xué)理論提出了獨(dú)特的變換和概念用于描述圖像的基本特征，采用 15 了以積分幾何和隨機(jī)集論為基礎(chǔ)的數(shù)學(xué)工具，可以得到幾何常數(shù)的測量和反映圖像的體視性質(zhì)，在圖像處理和分析方面有著較廣泛的應(yīng)用。但實(shí)驗(yàn)中發(fā)現(xiàn)， 同態(tài)濾波 對 Canny 邊緣檢測結(jié)果的影響不是很大，這也從另一側(cè)面反映了 Canny 邊緣檢測方法效果是比較穩(wěn)定的。如圖 所示，本例原圖與圖 原圖相同。與處理前相比，直方圖更接近于雙峰分布，字符與背景的分離相對更容易些。如圖 所示。 同態(tài)濾波處理 基本 過程如下： f(i,j)→對數(shù)運(yùn)算→ FFT →濾波→ FFT1→指數(shù)運(yùn)算→ g(i,j) 14 對數(shù)運(yùn)算 是為了使 照射分量 i(x,y)和反射分量 r(x,y)的傅立葉變換可分以便于 分別進(jìn)行處理， 濾波 器可采用高 斯型高通 濾波 器，在壓縮 動(dòng)態(tài)范圍 的同時(shí)增強(qiáng)對比度。具體到車牌圖像，字符部分主要為高頻成分，而背景主要為低頻成分。 根據(jù)人工光學(xué)成像原理可知，對于灰度圖像 f(x,y), 可以認(rèn)為圖像的灰度是由照射分量 i(x,y)和反射分量 r(x,y)相乘所得，即有 f(x,y)= i(x,y)* r(x,y) 反射分量反映圖像的細(xì)節(jié)內(nèi)容，其頻譜處于高頻區(qū)域；照 射分量在空間上變化緩慢，其頻譜處于低頻區(qū)域。因此， 對于 邊緣 、紋理等 圖像細(xì)節(jié)的提取 ， 是車牌區(qū)域 定位和 字符切分的 一個(gè) 關(guān)鍵所在。如圖 所示 ，采用 Canny 算子法對于不同場景的車牌圖像一般都可以得到 較 穩(wěn)定的邊緣提取結(jié)果 。 在對車牌圖像進(jìn)行邊緣提取時(shí)，采用 Canny 算子邊緣 檢測 法能比較好地提取出字符的輪廓邊緣，同時(shí)對于噪聲 有很好的抑制。 Step4:用雙閾值算法檢測和連接邊緣 。 Canny 算子法檢測邊緣的具體過程如下： Step1:用二維高斯濾波模板與灰度圖像 f(x,y)卷積，以減小噪聲影響； 二維高斯函數(shù)為： )]yx(2 1e x p [2 1)y,x(E 2222 ??? ??? 卷積 ： )y,x(f)y,x(E)y,x(A ?? Step2:利用導(dǎo)數(shù)算子 ( 如 Prewitt 算子、 Sobel 算子 ) 找到圖像灰度沿著兩個(gè)方向的導(dǎo)數(shù) Gx 、 Gy, 并求出梯度的大小 |G| 和方向 θ ： xAGx ??? yAGy ??? 2y2x GG|G| ?? )GG(arctanxy?? Step3:對梯度幅值進(jìn)行 非極大值抑制。 2 、保證邊緣良好定位。而在此基礎(chǔ)上提出的 LoG 算子 邊緣 檢測 法 ， 通過 高斯濾波來減少噪聲， 邊緣檢測效果獲得了一定的提高 。 上述 純 Laplacian 算子法檢測邊緣， 對于噪聲 更 敏感，而且 也有由于 閾值固定， 自 適應(yīng)性不好的問題。Laplacian 算子用模板表示 為 ： 12 ????????????010141010p 在進(jìn)行邊緣檢測時(shí)，其 基本 過程如下： Step1:獲得灰度圖像 f 的二階差分 f2? ： pff2 ??? Step2:尋找零交叉點(diǎn)。 本文在車牌區(qū)域定位時(shí)采用了 Sobel 模板進(jìn)行多個(gè)方向的邊緣檢測。由于 對噪聲比較敏感， 而且 由于 閾值 固定， 自適應(yīng)性不好。如果 thresh選取得好，可以獲得比較完整的邊緣，同時(shí)使得噪聲不至于過大。在進(jìn)行邊緣檢測時(shí)，其 基本 過程如下： Step1:獲得各個(gè)像素 點(diǎn) 的逼近梯度算子 f? 2221 )pf()p(ff ????? f 為灰度圖 像 ， 1p 、 2p 為兩個(gè)方向模板， ? 表示卷積。根據(jù)對這兩個(gè)特征值的處理方法的不同，基本的邊緣檢測方法 主要 有