【正文】 3 、 基于 離散 K — L （卡洛）變換的車牌區(qū)域定位 [25] [26] 。但傅立葉變換不能反映信號的局部的時域和頻域特性，只適宜處理平穩(wěn)信號，不適于非平穩(wěn)信號分析和實時信號處理，在車牌區(qū)域定位時應用較為困難。由于車牌區(qū)域存在豐富的高頻信息，其傅立葉變換頻譜的幅值與低頻區(qū)域存在差別。在車牌定位時，對圖像進行空間變換的目的主要是為了有效地縮減圖像數(shù)據(jù)，以突出車牌區(qū)域特征信息（較為有效的是車牌區(qū)域的邊緣和紋理信息），其中，采用 小波分解 的方法在突 出車牌區(qū)域的邊緣和紋理信息方面獲得了較好的效果。 基于離散圖像空間變換的 車牌區(qū)域定位 方法 [22] 對圖像進行空間變換的目的是為了利用變換空間的特有性質(zhì)以更好地進行圖像增強、圖像恢復、圖像數(shù)據(jù)有效縮減和特征提取等處理。 基于二值圖像的車牌區(qū)域定位方法 在第二章中介紹過圖像的二值化問題，由于現(xiàn)有圖像二值化方法尚不能 較理想 地 處理灰度直方圖分布復雜 的圖像 。其中，基于 矩形檢測 的 車牌區(qū)域圖像定位 方法的判斷決策最為簡單明確，但要求必須能夠從圖像中檢測出 車牌區(qū)域 四個方向邊界上易于判斷、且易于 連接為矩形的邊緣信息，對于背景復雜的圖像還必須要利用其它方面的信息才能正確判斷。因此，利用圖像中車牌區(qū)域 的 幾何形狀特征 進行 車牌區(qū)域圖像定位， 是最容易想到也是最早使用的 方法 。 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近似 矩形 的區(qū)域中，這個特點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，實際應用 中區(qū)域生長法要達到分割目的，需要解決三個基本問題： (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)域生長的準則 ； (3) 制定合適的區(qū)域停止生長的條件或規(guī)則 ； 由于實際應用中車牌圖像的特點，在進行車牌定位時這 三個基本問題 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 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，是因為在車牌分割的工程應用和相關(guān)研究實踐中，這兩種方法往往是相輔相成、互為補充的。 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 實際應用中，待識別圖像一般是在開放或半開放環(huán)境中采集， 一些 情況下會存在比較嚴重的顏色畸變 。 現(xiàn)對彩色空間中 以 顏色分類法進行 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，由于實際應用中圖像采集環(huán)境的復雜性， 使得 訓練樣本的取得也是非常困難的 ；而且，神經(jīng)網(wǎng)絡(luò)的訓練過程耗時較長 ；同時，由于 車牌區(qū)域 定位時要用 移動窗口遍歷要識別的圖像 ，實時性不太好 ，對圖像 中車牌區(qū)域尺寸變化時 的適應性不理想 。 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)點是為了利用神經(jīng)網(wǎng)絡(luò)在分類方面的 優(yōu) 點， 主要是 神經(jīng)網(wǎng)絡(luò) 的泛化能力和對樣本的學習能力。 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)計出適應性較好的 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 進行了一定的 分析 研究。但 由于 實際應用中的 車牌圖像的特點， 目前， 車牌區(qū)域 定位 時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，因此，在車牌定位時自然會想到利用其 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。但由于實際應用中車牌圖像的復雜性，較難提取穩(wěn)定的 線條和角點 特征信息。 6 、線條和角點特征 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，這些 線條和角點 能夠反映出對象的特征信息。圖像分析時經(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)計各像素點的灰度值而獲得的，可用來估計圖像的概率分布，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處或某個區(qū)域內(nèi)進行測量，判斷決策時 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)車牌標準怎樣與車牌圖像 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 嚴重時，因 校正 而產(chǎn)生的新畸變也可能會比較大，會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中白色像素進行連通區(qū)域標記 , 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，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確的車牌邊緣，使用 Hough 變換也存在計算量大的缺點。 傳統(tǒng)的 尋找校正基準點的 方法是采用 Hough 變換方法檢測車牌區(qū)域邊緣。因此，如何獲得基準點的坐標便成為校正能否成功的最關(guān)鍵之處。 圖像空間幾何坐標變換指的是按照一幅標準圖像或一組基準點去校正幾何失真圖像。同時，車牌形狀、字符位置也會因 幾何畸變 發(fā)生變化，也會給車牌區(qū)域的定位和單個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 的原因主要有兩個因素，一個是攝像系統(tǒng)自身因素，另一個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 同態(tài)濾波處理 后進行 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，在實驗中發(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。當像素互為 8 鄰域 時即稱為 8 鄰域連通。當像素互為 4 鄰域時 , 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。通過選擇相應的結(jié)構(gòu)元可實現(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 直接依據(jù)。本方法中利用閉運算的目的 ， 是在基本不改變 目標對象 形狀的基礎(chǔ)上 ， 獲得連通的 目標對象的 外輪廓 或區(qū)域 。 閉運算：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算和閉運算則基本不改變 目標對象的 形狀， 有利于真實信息的利用， 因此本 文 主要采用這兩種運算。 (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)學形態(tài)學 [9] 數(shù)學形態(tài)學理論提出了獨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集論為基礎(chǔ)的數(shù)學工具，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用。但實驗中發(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)運算→ FFT →濾波→ FFT1→指數(shù)運算→ g(i,j) 14 對數(shù)運算 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 分別進行處理， 濾波 器可采用高斯型高通 濾波 器，在壓縮 動態(tài)范圍 的同時增強對比度。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)人工光學成像原理可知，對于灰度圖像 f(x,y), 可以認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 圖像細節(jié)的提取 ， 是車牌區(qū)域 定位和 字符切分的 一個 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 。 在對車牌圖像進行邊緣提取時，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:利用導數(shù)算子 ( 如 Prewitt 算子、 Sobel 算子 ) 找到圖像灰度沿著兩個方向的導數(shù) Gx、 Gy, 并求出梯度的大小 |G| 和方向 θ ： xAGx ??? yAGy ??? 2y2x GG|G| ?? )GG(arctanxy?? Step3:對梯度幅值進行 非極大值抑制。 2 、保證邊緣