【正文】 平臺搭建 根據(jù)上文研究的算法，利用 MATLAB 的 M 語言分別實現(xiàn)了車牌識別系統(tǒng)的定位、 字符切分和字符識別功能模塊，利用 MATLAB 的 GUI 工具箱開發(fā)了測試系統(tǒng)，驗證上面設(shè)計的算法在車牌識別系統(tǒng)中的應(yīng)用效果，利用 MATLAB 的圖形用戶開發(fā)環(huán)境（ GUIDE）設(shè)計了本測試平臺，流程如下： 圖 輸入圖像 *.jpg 車牌定位模塊 控件 2： 輸入?yún)?shù) 控件 3： 輸出結(jié)果 車牌字符切分模塊 車牌字符識別模 塊 控件 1： 讀入圖像數(shù)據(jù) 輸出識別結(jié)果 29 啟動測試界面時，將會先導(dǎo)入識別參數(shù)設(shè)置值，當(dāng)改變參數(shù)設(shè)置后，更新識別參數(shù)設(shè)置值，使之與當(dāng)前設(shè)置一致。 實驗環(huán)境 硬件環(huán)境： 數(shù)碼相機一臺（用于采集圖片）， PC 機一臺。改進的方法采用了細化的方法提取了字符的骨架，減少了冗余信息，使其在復(fù)雜的應(yīng)用環(huán)境中仍 然能夠準確27 的識別出字符，通過粗比對和細比對兩次匹配方法，提高了識別的魯棒性和準確性，并且是運算速度得到了提高。 同樣，采用相同的方法，我們也一樣可以識別出其他的字符。這次比較，我們選用的閾值是 ，通過比較，發(fā)現(xiàn)兩者的相似度為 左右，所以我們也不認識該字符圖像是‘ G’。 圖 字符 Q與 O的區(qū)別 26 接下來，我們將待識別圖像與字母‘ D’標準模板來進行細比對，通過對比，我們注意到數(shù)字‘ 0’與字母‘ D’最大的區(qū)別是圖像的上 1/3部，如圖 所示，所以這次我們需要選取待識別圖像的上 1/3 部，拿它來與字母‘ D’ 的標準模板的上 1/3 部比較，這次，我們選定閾值為 ，通過比較，發(fā)現(xiàn)兩者的相似度遠遠低于 ，所以，我們同樣也不認為是字母‘ D’。例如某個待識別字符如圖 （圖像為標準化的 40 20的圖像），它與‘ 0’，‘ Q’，‘ D’，‘ G’標準字符模板的相似度均大于我們預(yù)定的閾值λ 0，并且根據(jù)它所處的位置來進行判斷，假設(shè)它處在最后一個位置，那么它就應(yīng)該是數(shù)字，所以不用進行細比對，我們就可以確定它是數(shù)字‘ 0’，但是如 果它處在第三個位置，它就有可能是數(shù)字也有可能是字母，這是我們就無法簡單的確定它是‘ 0’，‘ Q’，‘ D’還是‘ G’，我們就需要對它進行細比對。 最后一步，就是對待識別圖像與標準模板進行細節(jié)比對，也就 是我們所說的字符細比對。 接下來進行第二步，模板匹配的粗比對。這樣，剛好剝掉了一圈，這也正是我們細化所要做的事。 我們判斷用的表如下： Staticinttable [256]={ 0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1, 1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,10,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0}；通過這張判斷表，我們就可以很簡單的判斷該點是否應(yīng)該刪除，整個算法也就非常簡單了。我們根據(jù)被處理點的八個相鄰點的情況來查表，若表中 (2) (4) (3) (6) (1) (5) 24 的元素是 1，則表示該點應(yīng)該刪除，否則保留。那么，如果去除那些骨架以外的點呢？顯然，是要根據(jù)它的八個相鄰點的情況來判斷，以下就是幾個例子，如圖所示： 圖 細化示意圖 上圖中的中心點就是我們所要處理的像素點，下面就來討論像素點可不可以刪除，圖（ 1）的像素點不可以刪除，因為它是個內(nèi)部點，我們要求的是骨架，如果連內(nèi)部點也刪除了，那么骨架就會被掏空的，所以不能刪除，圖（ 2）中的像素點也不可以刪除，因為它也是內(nèi)部點，和圖（ 1）一樣，圖（ 3）中的像素點可以刪除，因為該點不是骨架，圖（ 4）也不能刪除，因為刪除后，原來相連的部分就斷開了，圖（ 5）的可以刪除，因為不是骨架，圖（ 6）不能刪除，因為它是直線的端點，如果這樣的點刪除了，那么整 個直線也被刪了，圖（ 7）也不能刪，因為它是孤立點，由此可以看出，有這樣幾條判斷依據(jù)： 內(nèi)部點不能刪除； 孤立點不能刪除； 直線端點不能刪除； 如果 P是邊界點，去掉 P后，如果連通分量不增加，則 P可以刪除。 我們采用的是一種簡單而且效果很好的算法，能夠?qū)崿F(xiàn)抽取骨架的功能。 由于細化處理在圖像處理中的重要性，所以細化算法一直是人們比較關(guān)注的問題，人們也提出了許多的細化算法，這些算法的處理方法和結(jié)果也都不一樣，但是不論其目的，用途怎樣，細化過程都不能改變原圖的拓撲連續(xù)性，也不能有顯 著的端點縮短和叉點分離的畸變情況。細化，又稱為骨架化，即在不影響原圖的拓撲連接關(guān)系的條件下，將寬度大于一個 像素的圖形線條轉(zhuǎn)變?yōu)橹挥幸粋€像素寬度的處理過程，也就是抽取圖像的骨架，由于細化能很好地展現(xiàn)圖像的形狀，并且，細化還有一個優(yōu)點就是可以減少所需用到的內(nèi)存空間，這樣就可以在進行圖像處理時簡化23 一些操作，加快處理速度。 22 圖 車牌中的字符 圖 模板字符 本文字符識別流程 模板匹配是車牌字符識別最早使用的方法之一，本文也主要是研究基于模板匹配的系統(tǒng)，所以本章重點研究這種算法。對這三個字符做這樣的完全識別后，可以得到一些非常有用的信息，這些信息可以返回到字符分割模塊，可以指導(dǎo)字符分割調(diào)整字符分割的策略。 識別 車牌的第 7 個字符（若分割結(jié)果正確的話應(yīng)該是數(shù)字）：調(diào)用數(shù)字模板進行識別，若為數(shù)字，則最終結(jié)果為一個數(shù)字，識別結(jié)束；若為空字符，則最終識別結(jié)果為空字符，識別結(jié)束。 （ 2）調(diào)用數(shù)字模板進行識別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識別結(jié)束；若為空字符，則表示不是數(shù)字，進行第三步。 （ 3）調(diào)用漢字模板進行識別，若識別結(jié)果為漢字，則最終結(jié)果為 一漢字，識別結(jié)束；若識別結(jié)果為空字符，則最終識別結(jié)果為空字符，識別結(jié)束。 識別車牌的第 2個字符（若分割正確的話應(yīng)該是字母）： （ 1）調(diào)用字母模板庫進行識別，若為字母，則最終結(jié)果為一個字母，識別結(jié)束；若識別結(jié)果為空字符，則表示不是字母，進行第二步。 （ 2）調(diào)用字母模板庫進行識別，若為字母，則最終結(jié)果為一個字母，識別結(jié)束 ；若識別結(jié)果為空字符，則表示不是字母，進行第三步。找出距離最短的那個模板這個模板的輸出值就可以作為該數(shù)據(jù)對應(yīng)的輸出值。分割步驟： 圖 車牌分割步驟 圖 分割后的車牌 字符識別 本文的字符識別采用的是基于模板匹配的識別方法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字 符書寫格式、字符、尺寸限制和一些其他條件。具體就是采用投影法先將字符粗分割，然后根據(jù)單個字符的寬度進行分類，將粘連字符再分割，斷裂字符合并。它根據(jù)分 割和識別結(jié)果的耦合程度又有不同的劃分；自適應(yīng)分割線聚類法是一個分類器，用它來判斷圖像的每一列是否是分割線，它是根據(jù)訓(xùn)練樣本來進行自適應(yīng)的神經(jīng)網(wǎng)絡(luò)，但是對于粘連的字符很難訓(xùn)練。 傳統(tǒng)的字符分割算法可以歸納為以下三類：直接分割法、基于識別基礎(chǔ)上的分割法和自適應(yīng)分割線聚類法。 字符分割的算法有很多，通常是根據(jù)處理對象的不同有許多相應(yīng)的方法。只要檢測出車牌的兩條平行直線即可，符合變換的要求。 Hough 變換只能對己知形狀參數(shù)的曲線方程如二次曲線、直線來進行描述，不能對未知曲線來進行檢測，這是此變換的缺點。平面內(nèi)的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點，都集中到變換空間上，形成峰點。其 中 Hough 變換的方法比較常用。求取車牌字符區(qū)域的極小特征點和極大特征點的方法 。Hough 變換法 。 目前，車牌的傾斜校正方法主要有：通過垂直和水平邊緣檢測相結(jié)合的方法 。傾斜的牌照不利于后續(xù)的字符分割與識別，嚴重的還可能引起牌照內(nèi)容的丟失，直接導(dǎo)致字符識別的失敗。 卷積能量公式如下： （式 ） 其中 h(n)為長度為 L 的卷積核。又由實驗可知，對圖像求卷積能量時，卷積長度越接近車牌的寬度，定位就越準確。其次，由于車牌區(qū)域與車 身相比，車牌區(qū)域的對比度特別大，灰度變化具有一定頻度，所以我們先對圖像的每一行相鄰像素做求極值處理，再求相鄰點間的差，從而減少由車身帶來的誤差?；谇笕【矸e能量極值區(qū)域進行車牌定位的實驗步驟基本如下：首先，為了提高定位準確率，我們通過連續(xù)的兩幀圖像定出車輛大概位置，再在車輛的位置上搜索車牌，這樣不僅提高了準確率，還提高了整個程序的運行效率。 流程圖 如下 ： 圖 車牌定位流程圖 本文采用車牌定位 方法是一種基于灰度圖像，求取圖像能量極值區(qū)域的車牌定位方法，刻意避開二值化中閩值的確定問題。 自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。車牌牌照的提取是一個尋找最符合牌照特征區(qū)域的過程。 車牌定位 從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標區(qū)域的特點，在灰度圖像的基礎(chǔ)上提取相應(yīng)的特征。同時為了減少圖像中的孤立干擾點，保留車牌字符邊緣，讓車牌字符的圖像灰度水平投影更有的連續(xù)性。本文對圖像中特亮和特暗的地方進行灰度拉伸，有效增強圖像對比度，提高車牌定位準確率。 16 圖 二值化的圖像 圖 采集的車輛圖像為彩色圖像，應(yīng)將彩色圖像轉(zhuǎn)化為灰度圖像。 本設(shè)計中所用到圖片是用數(shù)碼相機拍的，模型如下圖： 圖 照片模型 圖像預(yù)處理 圖像預(yù)處理部分需要對采集到的圖像進行圖像加強、平滑濾波等操作，目的是突出車牌的主要特征，以便更好地提取車牌。 14 圖 系統(tǒng)識別流程圖 開始 輸入汽車圖像 提取車牌 邊緣 形態(tài)學(xué)處理 一次定位 是否有車牌 進行二值化 根據(jù)投影和坐標變 換進行傾斜矯正 根據(jù)垂直投影 進行字符切分 進行字符識別 結(jié)果輸出 二次定位 結(jié)束 NO YES 15 第 4 章 基于模板匹配的車牌識別詳細設(shè)計 本設(shè)計處理的流程包括：圖像采集 圖像預(yù)處理 車牌定位 傾斜校正 字符分割 字符識別六個部分。最后完成了整個車牌字符的識別。然后，通過對預(yù)處理后的圖像 進行小波變換分解提取圖像邊緣，并進行形態(tài)學(xué)處理，這時，車牌的輪廓已經(jīng)非常清晰，并且可以和非車牌區(qū)域明顯區(qū)分開來了，接著，根據(jù)車牌的特點進行車牌初步定位，對車牌區(qū)域和偽車牌區(qū)域進行篩選后，采用投影法進行車牌二次定位，提取出車牌圖像。至于軟件系統(tǒng)的選擇，因為軟件系統(tǒng)的編寫大多采用 VC 或者 MATLAB 語言，本課題選用了 MATLAB 語言。 算法實現(xiàn)總體設(shè)計方案中首先是要采集圖片，而硬件設(shè)備采集到的圖片要考慮其圖像的存儲格式。模板匹配方法最大的優(yōu)點是識別率很高，但是因為要逐點操作，所以效率比較低下。整個過程最重要的一步是模板的設(shè)計，它是后iijj xwx ??jxjj exfx ????? 11)(2)(21 keE ?? ?? j jjn xwky 2)(jjnjjxkewykewEw??????????????)()(222????13 續(xù)工作的基礎(chǔ)。其大體步驟是 :首先， 制作模板并要求模板的大小必須統(tǒng)一 。難以確定隱層和隱層節(jié)點的數(shù)目的缺點，所以在用于字符識別的過