【正文】 在Step1中，垂直方向開運(yùn)算和水平方向閉運(yùn)算所用的結(jié)構(gòu)元素一般不相同。具體過程如下：Step1: 分別選用合適的直線結(jié)構(gòu)元對上面得到的合成圖像進(jìn)行水平方向和垂直方向的閉運(yùn)算使車牌區(qū)域的邊緣封閉；Step2: 以4鄰域連通方式對孔洞進(jìn)行填充操作，獲得覆蓋車牌區(qū)域的連通區(qū)。 開運(yùn)算后正西方向邊緣圖 圖像合成與車牌區(qū)域粗定位時(shí)相同，將經(jīng)過上面處理后的四個(gè)方向的邊緣圖像進(jìn)行加運(yùn)算合成()。文中僅給出了開運(yùn)算后的正西和正北方向的邊緣圖像(、)。Step2中，垂直方向開運(yùn)算和水平方向開運(yùn)算的結(jié)構(gòu)元素一般不相同，長度均在20以下。由于車牌區(qū)域?yàn)榫匦?，因而采用了正西、正東、正南和正北四個(gè)方向的Sobel模板(分別以ggg3和g4表示)進(jìn)行邊緣提取，二值輸出。在這里仍然采用Sobel方向模板，但與粗定位時(shí)有所不同。同態(tài)濾波處理過程如下：g(i,j)→對數(shù)運(yùn)算→FFT→濾波→FFT1→指數(shù)運(yùn)算同態(tài)濾波計(jì)算量較大，從時(shí)效性考慮，車牌區(qū)域粗定位時(shí)一般不進(jìn)行同態(tài)濾波。同態(tài)濾波為獲得車牌區(qū)域完整的連通區(qū),對車牌區(qū)域進(jìn)行較為精確的定位,需要進(jìn)一步突出車牌區(qū)域的邊緣。 過程2：車牌區(qū)域的進(jìn)一步定位經(jīng)過上述處理，可以獲得包含車牌的一個(gè)相對較小區(qū)域圖像，但車牌的定位還比較粗，須進(jìn)行進(jìn)一步處理，以對車牌區(qū)域進(jìn)行較精確的定位。由于本方法定位時(shí)可利用的信息較少，所以僅適合車牌區(qū)域的粗定位，但也能在垂直方向去除較多的背景。 去除小連通區(qū)后圖對車牌區(qū)域進(jìn)行粗定位一般情況下，通過上述一系列處理后，獲得的圖像g(i,j)最下方的連通區(qū)就是車牌內(nèi)或者其稍下方區(qū)域，可以據(jù)此確定一個(gè)含車牌的區(qū)域。最后對圖像進(jìn)行開運(yùn)算，以去除小的連通區(qū)，主要目的是去除車牌下方的連通區(qū)()。閉運(yùn)算時(shí)選用的結(jié)構(gòu)元素應(yīng)合適，以避免噪聲影響過大，一般選用半徑為12個(gè)像素的圓形結(jié)構(gòu)元素即可。加合成： 然后將p(i,j)中大于255的值歸一化為255。圖像合成將經(jīng)過上面處理后的四個(gè)方向邊緣圖像進(jìn)行合成，目的是在車牌區(qū)域內(nèi)得到一定的連通區(qū)或者封閉孔洞。分別對四個(gè)方向的邊緣圖進(jìn)行開運(yùn)算：B為結(jié)構(gòu)元素，可選擇半徑為1的圓結(jié)構(gòu)元素。 數(shù)學(xué)形態(tài)學(xué)濾波去除小像素噪聲用上述方法提取的邊緣圖像往往存在大量的小像素噪聲，為減少噪聲的影響，應(yīng)進(jìn)行濾波處理。 具體過程如下： Step1: 用加權(quán)平均值法將彩色圖像灰度化；Step2: 灰度圖象f(m,n)分別與四個(gè)方向Sobel模板進(jìn)行卷積運(yùn)算； k=1,2,3,4Step3: 分別提取四個(gè)方向邊緣，二值輸出。本實(shí)驗(yàn)中發(fā)現(xiàn)采用正西、西北、西南和東南這四個(gè)方向的 Sobel 模板(分別以ggg3和g4表示)進(jìn)行處理效果較好(也可以采用其它模板)。而在精確定位時(shí)進(jìn)行這種處理的目的則主要在于獲得車牌區(qū)域充分的邊緣信息。本方法在車牌區(qū)域的粗定位和精確定位時(shí)均進(jìn)行了多方向的邊緣提取及相應(yīng)的處理。經(jīng)過分析發(fā)現(xiàn)，這些方法適應(yīng)性不好的主要原因就是該方法對于圖像邊緣信息的處理不夠合理，造成車牌定位時(shí)依據(jù)的邊緣信息不足或者是過多，使得難以進(jìn)行正確的決策判斷。所以，如何合理地提取和利用圖像的邊緣信息，成為了車牌區(qū)域能否正確定位的關(guān)鍵所在。在基于邊緣檢測的車牌區(qū)域定位方法中，圖像豐富的邊緣信息給車牌區(qū)域的定位提供了依據(jù)。這些邊緣信息中又蘊(yùn)含了車牌區(qū)域紋理以及幾何形狀等方面的特征。由于車牌區(qū)域邊緣豐富，英文字母與阿拉伯?dāng)?shù)字的輪廓上下連通，利用數(shù)學(xué)形態(tài)學(xué)處理的方法可獲得車牌區(qū)域內(nèi)或者其稍下方的較大的連通區(qū)，而車牌下方其它地方的連通區(qū)往往很小，從而能判斷車牌垂直方向所在的大致位置。粗定位時(shí)，由于允許圖像中存在較多的背景，相對較簡單。而且如果對整幅圖像進(jìn)行過于復(fù)雜的運(yùn)算和判斷，也難以滿足實(shí)時(shí)性的要求。(。如果在制定車牌標(biāo)準(zhǔn)時(shí)在車牌的懸掛位置方面有一定的規(guī)范，這方面也可以基本得到保證。這一點(diǎn)在圖像采集時(shí)同樣比較容易保證。這一點(diǎn)在圖像采集時(shí)采取一定的措施一般可以保證，特別是在現(xiàn)在越來越多的車牌是鑲嵌在矩形框中的，如果在制定車牌標(biāo)準(zhǔn)時(shí)在這方面有一定規(guī)范的情況下更是如此。下述的車牌區(qū)域定位方法主要綜合利用車牌區(qū)域如下三個(gè)方面的較直觀的自然特征信息：(1) 圖像中車牌區(qū)域一般與周圍背景之間存在較明顯的顏色區(qū)別。其中公認(rèn)的相對比較穩(wěn)定可靠的是車牌區(qū)域在邊緣和紋理方面的特征信息，而一些人為規(guī)定或者是僅對少數(shù)樣本圖像的數(shù)據(jù)進(jìn)行統(tǒng)計(jì)分析而來的車牌圖像的特征的規(guī)律性在實(shí)際應(yīng)用中還需要進(jìn)一步的檢驗(yàn)。通過對一些在不同時(shí)間和空間獲得的車牌圖像分析發(fā)現(xiàn)，各類圖像中的車牌區(qū)域共同具有的較為穩(wěn)定的特征信息還是很有限的。采用該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，對于定點(diǎn)圖像的車牌區(qū)域定位具有較好的使用效果，同時(shí)對于圖像采集方面的要求也較為寬泛，且決策判斷方法比較簡單。在不能夠獲得較為穩(wěn)定的車牌圖像的條件下，為提高車牌區(qū)域定位的正確性，就需要根據(jù)通常的車牌圖像中普遍具有的車牌區(qū)域特征，來設(shè)計(jì)車牌區(qū)域圖像定位方法，才能夠具有較好的適應(yīng)性。但目前在車牌圖像采集方面，無論是在硬件設(shè)備，還是在采集方案等方面都不足以保證獲得穩(wěn)定的車牌圖像。因此，首先應(yīng)考慮的是如何獲得內(nèi)容和質(zhì)量較為穩(wěn)定的車牌圖像。車牌區(qū)域定位技術(shù)的困難之處在于車牌圖像的采集幾乎都是在開放或半開放的環(huán)境、在不同的時(shí)空中進(jìn)行，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)。車牌區(qū)域的定位技術(shù)是車牌圖像識別產(chǎn)品的較基礎(chǔ)、關(guān)鍵、核心的技術(shù)，因?yàn)樗呛罄m(xù)的圖像處理和分類識別的前提；同時(shí)由于在這個(gè)階段需要處理的圖像數(shù)據(jù)量最大，它又直接關(guān)系到車牌圖像識別實(shí)時(shí)性的好壞。因此，在車牌區(qū)域定位實(shí)際應(yīng)用中還需要解決相關(guān)的一些問題。而由于車牌圖像的復(fù)雜性，這些問題的解決都比較困難。要求解空間中的可能解越滿足待求解問題，則其對應(yīng)的適度函數(shù)值越大，適度函數(shù)值的全局最大值對應(yīng)問題的全局最優(yōu)解；Step2 生成初始種群，一般為一組隨機(jī)生成的可能解；Step3 計(jì)算種群個(gè)體適度值，并判斷是否滿足算法停止條件，是則退出并輸出當(dāng)前最優(yōu)解；Step4 根據(jù)適度函數(shù)進(jìn)行選擇操作，從種群中選擇進(jìn)入下一代的個(gè)體，被選擇的概率正比于個(gè)體的適度函數(shù)值；Step5 對選擇后的個(gè)體以重組概率P兩兩進(jìn)行重組生成新個(gè)體；Step6 對新個(gè)體以變異概率進(jìn)行變異操作；Step7 轉(zhuǎn)Step3繼續(xù)執(zhí)行。 基于遺傳算法的車牌區(qū)域定位方法[28]遺傳算法是在達(dá)爾文進(jìn)化論和孟德爾遺傳變異理論基礎(chǔ)上發(fā)展起來的一種隨機(jī)搜索尋優(yōu)算法，它通過模擬生物進(jìn)化的四種基本形式：繁殖、變異、競爭和選擇完成對某個(gè)目標(biāo)函數(shù)的全局優(yōu)化，具有隱含并行性和全局優(yōu)化能力。在進(jìn)行車牌區(qū)域定位時(shí)，通常采用塔式算法對圖像進(jìn)行小波分解，獲得圖像對應(yīng)于不同空間頻率的不同圖層，主要目的是獲得圖像的水平和垂直方向的高頻細(xì)節(jié)信息（邊緣、紋理信息），從而利于對車牌區(qū)域圖像的分析和定位。小波變換可分析信號中的平穩(wěn)和非平穩(wěn)成分，在圖像分析中有廣泛的應(yīng)用?；谛〔ǚ纸獾能嚺茀^(qū)域定位[27]小波變換是傅立葉變換的繼承和發(fā)展，其突出特點(diǎn)是時(shí)頻分辨率可相互轉(zhuǎn)換。對圖像進(jìn)行K—L變換可以將圖像分解為不同層次的特征圖像，從而有可能將對象從圖像中分離出來。基于離散K—L（卡洛）變換的車牌區(qū)域定位[25] [26]K—L變換也稱霍特林（Hotelling）變換或主分量分析，圖像的K—L變換給定如下： 其中，是一個(gè)N21的向量，向量的每一個(gè)元素等于圖像的平均灰度值，A是圖像g的自相關(guān)矩陣的特征向量構(gòu)成的矩陣，將圖像g的自相關(guān)矩陣的特征值按降序排列，A中的行是特征值對應(yīng)的特征向量。但傅立葉變換不能反映信號的局部的時(shí)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(shí)時(shí)信號處理，在車牌區(qū)域定位時(shí)應(yīng)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(shí)，對圖像進(jìn)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(jìn)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(jìn)行圖像增強(qiáng)、圖像恢復(fù)、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(fù)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(gè)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(fù)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(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(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。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)基本問題都很難解決。 基于區(qū)域的車牌區(qū)域定位方法[19] 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?，F(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 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。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。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： 式中 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。變換系數(shù)特征圖像的變換系數(shù)特征包