【正文】 阮秋琦等譯，數(shù)字圖像處理 (第二版 )[M].電子工業(yè)出版社， 2020. [2]李樹廣，劉允才 .智能交通的發(fā)展與研究 [D].2020(6):16. [3]張引，潘云鶴，彩色汽車圖像牌照定位新方法 [J].中國圖像圖形學(xué)報 .2020(4):374377. [4]徐建國，賀敬凱 .車 型與車牌自動識 別技術(shù)分析 [J].交 通與計算機 .2020(2):712. [5]戴青云，余英林 .一種基于小波與形態(tài)學(xué)的車牌圖像分析方法 [J].中國圖像圖形學(xué)報 .2020(5):411415. [6]章毓晉 .圖像 處理與分析 [M].清華大學(xué)出版社， . [7]徐飛，施曉紅 .MATLAB 應(yīng)用圖像處理 [M].西安電子科技大學(xué)出版社， . [8]馬永力 .圖像處理在車牌識別系統(tǒng)的應(yīng)用 [D].武漢 :武漢理工大學(xué) ,2020. [9]曾致遠，付祥勝 .基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法 [J].電視技術(shù) ,2020(7):94– 96. [10]Kamat V.,Ganesan efficient implementation of the Hough transform for detecting vehicle license plates using DSP’[J].IEEE RealTime Technology and Applications :58– 59. [11]李文舉 ,梁德群 ,張旗 ,樊鑫 .基于邊緣顏色對的車牌定位新方法 [J].計算機學(xué)報 ,202027(2):204– 208. [12]自潔 .車牌識別關(guān)鍵算法研究 [D].華北電力人學(xué)碩上論文 .2020. [13]周開軍 .復(fù)雜環(huán)境下的車牌識別研究 [D].武漢理工大學(xué)碩士學(xué)位論文， 2020. [14]李波，曾致遠，付樣勝 .基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法 [J].視頻技術(shù)應(yīng)用與工程， 2020， (7):9496. [15]趙雪春，戚飛虎 .基于彩色分割的車牌自動識別技術(shù) [J].上海交通大學(xué)學(xué)報，1998， 32(10):49. [16]李弼程，彭天強 .彭波等著 .智能圖像處理 [M].北京 :電子工業(yè)出版社，. [17]陳永超 .基于數(shù)字圖像處理的。 感謝一如既往地激勵、關(guān)心和支持我的家人和朋友，正是他們，給了我奮斗的力量和信心，并讓我深刻地明白了：“滾滾長江東逝水，浪花淘盡英雄，是非成敗轉(zhuǎn)頭空”，每天都是新的零點，應(yīng)該不斷充滿勇氣和信心去迎接新的挑戰(zhàn)。從選題、研究到撰寫、修改到最后順利完成，整個過程更是凝聚著導(dǎo)師的辛勞和思想。 除了以上需要改進的方向以外，為了從根本上提高車牌定位與字符分割的效 果，還需要有新的理論應(yīng)用到車牌定位與字符分割技術(shù)中。 (2)由于采樣圖片的限制，字符分割 中尚沒有碰到漢字被分為兩部分的情況， 以后要加強對漢字間隔的處理。 6． 2 今后展望 現(xiàn)代交通的飛速發(fā)展和車牌識別技術(shù)應(yīng)用范圍的不斷拓展給車牌識別提出了更高的要求，然而由于客觀條件及時問的限制，對車牌定位和字符分割的研究仍有很多工作需要進行。該程序包含上述的車牌定位、傾斜校正和 字符分割等所有步驟。 （ 3）字符分割中，本文采用了 基于 模板匹配與垂直投影相結(jié)合的字符分割方法 。本文的主要工作總結(jié)如下 : （ 1）在車牌定位中，本文采用 基于 數(shù)學(xué)形態(tài)學(xué)與邊緣檢測以及顏色相結(jié)合的 方法。 第六章 總結(jié)與展望 6． 1 總結(jié) 本文主要對車牌識別系統(tǒng)中車牌定位、校正與字符 分割的算法進行研究。有些車牌字符分割結(jié)果 存在噪聲等，這是由于某些車牌圖像的直方圖存在多峰情況， 給車牌圖像二值化過程中閾值的選擇帶來一定的影響，從而影響字符的分割。 [m， n]=size（ d），逐排檢查有沒有白色像素點，設(shè)置 1=jn1，若圖像兩邊 s（ j） =0，則切割，去除圖像兩邊多余的部分 切割去圖像上下多余的部分 根據(jù)圖像的大小，設(shè)置一閾值，檢測圖像的 X 軸，若寬度等于這一閾值則切割，分離出七個字符 歸一化切割出來的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配 圖 58 歸一化處理后的七個字符圖像 圖 59是對其他一些車牌圖像的字符分割結(jié)果， 從圖中可以看出能夠較好地實現(xiàn)車牌字符的分割 。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達到正確識別的目的。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，則認為該塊有兩個字符組成，需要分割。 (a)車牌 1的預(yù)處理結(jié)果 (b)車牌 2的預(yù)處理結(jié)果 (c)車牌 3的預(yù)處理結(jié)果 圖 55 對分割定位車牌的預(yù)處理結(jié)果 5． 2 字符的分割與歸一化 圖 56 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。 膨脹是將裂縫橋接起來，腐蝕的一種是消除不相關(guān)的細節(jié)。 通過均值濾波可以消除或減少噪聲，改善圖像的質(zhì)量。 圖 51車牌圖像的灰度化 第二 步， 對灰度圖像進行二值化， 減 少背景像素的干擾，增強目標區(qū)的色素度。 第五章 車牌字符分割 5． 1 車牌區(qū)域的預(yù)處理 經(jīng)過上述方法分割定位出來的車牌 圖像 中存在 目標物體、背景還有噪聲，要想從 車牌 圖像中 準確地分割出車牌字符 ， 還需要對 車牌區(qū)域進行 預(yù)處理。 車牌 3和車牌 4不但存在水平邊傾斜角度 ? ，而且存在 垂直邊的傾斜角度 ? ，從圖 42（ f）和圖 42（ h） 中 可以看出車牌 3和車牌 4得到了較好的傾斜校正。 圖 42是對其他一些車牌圖像進行傾斜校正 前后的對比 ，從中可以看出，對于不同類型的車牌圖像采用本文方法都可以得到較好的傾斜校正 。傾斜校正后的車牌 39。 figure(9),imshow(dw1)。crop39。bilinear39。 [I0,J]=find(R=max(max(R)))。 theta=1:180。canny39。) gray=rgb2gray(dw)。 11tanx x yyy ????? ?? （ 43） 實現(xiàn)代碼如下： figure(8),subplot(2,2,4),imshow(dw),title(39。 4． 3 基于 Radon 變換的車牌圖像校正 檢測到了車牌的水平邊傾斜角度 ? 和垂直邊的傾斜角度 ? 之后，我們先對車牌圖像進行水平校正，水平校正采用對車牌圖像旋轉(zhuǎn) ? 即可實現(xiàn)。根據(jù)先驗知識，我們知道拍攝的車牌 圖像中車牌的 2 條豎直邊偏離垂直方向的角度不會超過某個角度，如( 25 )??? ；且 2 條水平邊偏離水平方向的角度也不會超過某個角度，如( 25 )??? 。 Radon 變換后，原圖像中的直線段對應(yīng) Radon 空間中的點，且線段越長，對應(yīng)的點亮度越大。圖像變換前在圖像空間，變換后在參數(shù)空間。在求垂直方向的偏角時，算法同上。? 值的變化步長為 度。 (2)建立一個累加器數(shù)組 countM（ p1， k），并置每個元素為 0。 (1)在 ? 、 ? 的取值范圍內(nèi)建立一 個理想的參數(shù)空間，考慮車牌的傾斜角度小于 10 度，為了減少計算量，取 [0,10]?? ， [ , ]nn? ? ? ? ?。 4． 1 Hough 變換角度檢測原理 Hough 變換是一種變換域提取的方法，它把直線上點的坐標變換到過點的直線的系數(shù)域，巧妙的利用了共線和直線相交的關(guān)系，使直線的提取問題轉(zhuǎn)化為計數(shù)問題。 2. Radon變換法，首先采用 canny 算子對圖像進行邊緣檢測，然后用 Radon變換檢測車牌的傾斜角，對車牌的傾斜校正。該方法過于依賴車牌邊框的清晰度和連貫度。 傾斜校正分兩步 :第一步是求出角度，第二步是進行校正。由于車牌變形一般是線性的，所以可以通過線性變換進行車牌的傾斜校正。 第四章 傾斜校正 由于圖像采集設(shè)備的安裝位置一般在車道旁，在拍攝時不能正對車牌，因此拍攝到的車牌圖像會存在一定的傾斜。 在本文算法中選用的車牌顏色必須要不同于圖像整體背景色，否則將無法提取出車牌區(qū)域。 圖 36 X 方向統(tǒng)計圖 圖 37 Y 方向統(tǒng)計圖 圖 38 Y方向車 牌區(qū)域確定 圖 39 定位剪切后的彩色車牌圖像 圖 310 是對其他一些車牌圖像進行定位的結(jié)果，從中可以看出，對于不同類型的車牌圖像采用本文方法都可以得到較好的定位結(jié)果。統(tǒng)計完成以后，實際上就得到了車牌的大體外圍。具體步驟如下： 首先對 車牌圖像做垂直投影和水平投影，其統(tǒng)計圖 如圖 3圖 37 所示。 圖 34圖像的輪廓 第四步：對閉操作圖像使用 bwareaopen函數(shù)，去除目標中不相干的小對象。 第二步，邊緣檢測結(jié)果進行腐蝕，結(jié)果如圖 33 所示。 圖 32經(jīng)過灰度拉伸的車牌圖像的邊緣檢測 邊緣是指圖像局部亮度變化最顯著的部分。定位效果比較好，但計算量較大。并且通過對傳統(tǒng)的 BP 網(wǎng)絡(luò)的改進。 3． 2． 6 基于神經(jīng)網(wǎng)絡(luò)的定位方法 該方法利用牌照的長寬比、面積、面積與周長比來區(qū)分真正的牌照區(qū)域與類牌 照區(qū)域。但仍然具有進一步算法優(yōu)化的潛力。實際應(yīng)用也表明該方法在圖像質(zhì)量較差時對目標區(qū)域都有很好的目標增強效果。 3． 2． 5 基于遺傳算法的定位方法 傳統(tǒng)算法進行特征提取的時候，當(dāng)目標圖像質(zhì)量較差或者有較大的退化時，不是很有效。 膨脹使圖像擴大，腐蝕使圖像縮小，而開操作與閉操作，同樣是兩個重要的心態(tài)學(xué)操作，開操作一般使對象的輪廓變得光滑，斷開狹窄的間斷和消除細的突出物。腐蝕、膨脹、開操作和關(guān)操作是數(shù)學(xué)形態(tài)學(xué)的基本運算。但是對車牌嚴重褪色的情況 .由于檢測不到字符筆畫的邊緣會導(dǎo)致定位失敗定位后的區(qū)域在外界有干擾以及車牌傾斜時比車牌稍大。通過結(jié)合垂直投影的方法可以彌補紋理分析法的不足。 3． 2． 2 基于紋理的定位方法 利用字符紋理定位車牌 .對于光照偏弱、偏強或不 均勻，牌照傾斜和變形等情況定位較好。但是，該方法在車牌區(qū)域顏色與附近區(qū)域顏色非常相近時。 3． 2 車牌定位中常用方法 3． 2． 1 基于顏色的定位方法 該方法是根據(jù)不同顏色車牌出現(xiàn)的概率，合理利用投影技術(shù)，進行統(tǒng)計分析， 而后定位和分割出車牌。例如：字符“ 1”就沒有充滿這個矩形，字符的寬度沒有達到 45mm)。車牌的第一個字符是漢字，是各省、自治區(qū)，直轄市的簡稱，如“京”、“滬 、“渝”，“湘”，“冀”等；第二個字符是除去“ I 之外的 25 個大寫的英文字母，是發(fā)證機關(guān)代號，如“ A’’、“ B、“ C等；第三個 字符是一個間隔符“． ；第四個字符可能是字母也可能是阿拉伯?dāng)?shù)字；從第五個字符起都是阿拉伯?dāng)?shù)字，表示是車輛的注冊號碼如“冀 A． 53288”，就是典型的車牌號碼。 圖 212 均值濾波后的車牌圖像（模板的大小為 33? ） 圖 213 均值濾波后的車牌圖像（模板的大小為 88? ） 第三章 車牌定位 3． 1 車牌的規(guī)格及特征 我國現(xiàn)有車牌主要有六種類型： 1．小型車使用的藍底白字車牌； 2．大型車使用的黃底黑字車牌； 3．軍用或警用的白底黑字、紅字車牌： 4．國外駐華機構(gòu)使用的黑底白字車牌； 5．摩托車牌； 6．農(nóng)用車、拖拉機車牌。,3)中“ 3”代表模板的大小 ，本文選擇 33? 的 模板進行 均值濾波，效果如圖 212 所示 。 h=fspecial(39。從信號分析的觀點來看，均值濾波的本質(zhì)是低通 濾波，它通過信號的低頻部分，阻截高頻的噪聲信號。 d=im2bw(round(filter2(h,d)))。average39。而窗口大小則以不超過圖像中最小有效的細線 狀物體為宜，如果圖像中點、線、尖角細節(jié)過多，不宜采用中值濾波。常用的窗口形狀有線狀、方形、圓形、十字形以及圓環(huán)形等， 窗口的尺寸一般先用 3再取 5，逐點增大，直到其濾波效果滿意為止。 中值濾波器可以推廣到二維，即對二維圖像操作。當(dāng) n 為偶數(shù)時，位于中間位置的兩個數(shù)值的平均值稱 為這 n 個數(shù)值的中值，記作 med( 12, ,..., na a a )。 中值濾波是一種非線性信號處理方法，它被用來抑制圖像中的噪聲。同時，由公式 210 還可看出，鄰域平均法也平滑了圖像信號，特別是可能使圖像目標區(qū)域的邊界變得模糊。21M??? 。如 S 為 3 3鄰域，點 (i， j)位于中心，則： 11111( , ) ( , )9mnf i j f i m j n?? ? ? ?? ? ??? （ 210） 假設(shè)噪聲 n是加性噪聲，在空間各點互不相關(guān)，且期望為 0，方差為 2? ， g 是未受污染的圖像，含有噪聲的圖像