【正文】 本文所采用邊緣提取算法為 canny 算子法。重復(fù)步驟 3，直到圖像 2 中找不到新輪廓線(xiàn)為止。3）當(dāng)完成對(duì)包含 P 的輪廓線(xiàn)的連接之后，將這條輪廓線(xiàn)標(biāo)記為已訪(fǎng)問(wèn)。如果在 Q’點(diǎn)的8鄰近區(qū)域中有非零像素 R’存在，則將其包括到圖像 2 中，作為點(diǎn) R。STEP5：連接邊緣的具體步驟如下：1）對(duì)圖像 2 進(jìn)行掃描，當(dāng)遇到一個(gè)非零灰度的像素 P 時(shí)，跟蹤 P 為開(kāi)始點(diǎn)的輪廓線(xiàn)，直到該輪廓線(xiàn)的終點(diǎn) O。而圖像 1 的閾值較低，保留了較多的信息。然后把梯度值小于 T2 的像素的灰度設(shè)為 0，得到圖像 2。STEP4：對(duì)梯度取兩次閾值得到兩個(gè)閾值 T1 和 T2=*T2。這 4 個(gè)區(qū)及其相應(yīng)的比較方向如表 如示：表 3 3 4 個(gè)區(qū)及其相應(yīng)的比較方向Tab 3 3 4 Direction Areas and Their Corresponding Comparison4 3 21 x 12 3 4例如如果中心像素 x 的梯度方向?qū)儆诘?4 區(qū)，則把 x 的梯度值與它的左上和右下相鄰像素的梯度值比較，看 x 的梯度值是否是局部極大值。STEP3：對(duì)梯度進(jìn)行“非極大抑制” 。STEP2：用高斯算子的一階微分對(duì)圖像進(jìn)行濾波，得到每個(gè)像素梯度的大小|G|和方向 。Canny 邊緣檢測(cè)法利用高斯函數(shù)的一階微分，它能在噪聲抑制和邊緣檢測(cè)之間取得較好的平衡。本文重點(diǎn)介紹 canny 算子法。常用的邊緣提取算法有微分算子法、拉普拉斯高斯算子法、canny 算子法。在圖像的邊緣處代表了一個(gè)特征區(qū)域的終結(jié)和另一個(gè)特征區(qū)域的開(kāi)始，在邊緣的兩側(cè)不同特征區(qū)域中，其主要特征和屬性是不同的，而在邊緣一側(cè)的特征區(qū)域中，其特征和屬性是基本相同的。如圖：圖 3 13 再次濾波效果圖Fig 3 13 Remap Filtering 邊緣提取邊緣是目標(biāo)和背景的分界線(xiàn)，只有提取出了邊緣才能將目標(biāo)圖像從背景中分離出來(lái)。本文采用原灰度圖像減濾波后圖像的技術(shù)，使得車(chē)牌區(qū)域與背影區(qū)域灰度值相同，為車(chē)牌二值化以后提取圖像邊緣特征打下基礎(chǔ)。觀察粗定位車(chē)牌灰度圖像后發(fā)現(xiàn)在紋理特征處灰度值變化特征并不明顯，并且在不存在紋理特征的地方存在著噪聲，采用平滑線(xiàn)性濾波器技術(shù)對(duì)圖 43 進(jìn)行濾波，平滑線(xiàn)性濾波器鄰域窗口設(shè)為 1616，濾波后效果如圖：圖 3 11 平滑線(xiàn)性濾波效果圖Fig 3 11 Smooth Linear Filtering Effect Chart灰度圖像增強(qiáng)常用的方法如章節(jié) 中所述，但是本文所采用的紋理特征技術(shù)需要突出圖片的紋理特征，需要一種特殊的圖像增強(qiáng)技術(shù)。中值濾波是抑制噪聲的非線(xiàn)性辦法，其運(yùn)算簡(jiǎn)單，便于處理，可以較好地保護(hù)圖像邊界特征，但是這種方法有可能丟失目標(biāo)圖像中的細(xì)線(xiàn)和較小的塊狀目標(biāo)區(qū)域。高通濾波通過(guò)對(duì)圖像中的低頻分量充分限制，可以使圖像的邊緣變得更清晰，我們把這種圖像處理方法叫做銳化。線(xiàn)性濾波器可以很好地消除圖像中的顆粒噪聲，但是同時(shí)也平滑了圖像信號(hào)，有可能是目標(biāo)圖像的邊界信號(hào)變得模糊。因此應(yīng)該合理確定 S 的大小，以達(dá)到不同的圖像處理效果。集合 S 越大，圖像平滑處理效果越好，處理后的圖像變得越模糊，從而更好的消除圖像噪聲。如果有特殊的需要，也可以根據(jù)圖像處理的要求在處理過(guò)程中改變大小形狀來(lái)滿(mǎn)足處理要求。這若干像素組成的集合 S 的大小和形狀根據(jù)圖像像素點(diǎn)統(tǒng)計(jì)特征而定，常用的形狀有矩形、正方形、十字形等。這種方法對(duì)于給定的圖像 f (i, j)中的每個(gè)像素點(diǎn)(m ,n)，在其周?chē)」潭▍^(qū)域的若干像素集合 S，集合 S 稱(chēng)為鄰域。利用平滑線(xiàn)性濾波器可以很好減弱噪聲，還原目標(biāo)區(qū)域結(jié)構(gòu)特征。如圖為目標(biāo)車(chē)牌圖像，已經(jīng)經(jīng)過(guò)車(chē)牌粗定位處理：圖 3 10 粗定位車(chē)牌圖像灰度化效果圖Fig 3 10 Rough Location of License Plate Image Grayscale Rendering 圖像濾波平滑線(xiàn)性濾波器是最簡(jiǎn)單和最常的圖像濾波器。4）車(chē)牌區(qū)域圖像在水平水向紋理變化明顯。2）背景圖像灰度平均值與車(chē)牌灰度平均值不同。車(chē)牌粗定位算法流程如圖： 利用紋理特征法精確定位車(chē)牌將車(chē)牌圖像從背景中準(zhǔn)確定位出來(lái)，需要對(duì)車(chē)牌圖像區(qū)域的特點(diǎn)進(jìn)行分析。剪裁后的車(chē)牌位置圖如下：圖 3 8 車(chē)牌粗定位圖像Fig 3 8 Vehicle License Plate Location Images將車(chē)牌粗定位圖像灰度化并保存，作為車(chē)牌精確定位的數(shù)據(jù)來(lái)源?？紤]到一些特殊情況，本文確定在車(chē)身所在區(qū)域內(nèi)檢測(cè)點(diǎn)矩陣的前部 2 行、位于中間長(zhǎng)度為 7 列的長(zhǎng)方形區(qū)域內(nèi)為車(chē)牌位置。 車(chē)牌粗定位通過(guò)觀察所有經(jīng)過(guò)視頻區(qū)域內(nèi)的車(chē)輛，其車(chē)牌位置相對(duì)于車(chē)身形狀來(lái)說(shuō)較為統(tǒng)一。如果拍攝角度俯角較大，則車(chē)輛形狀反映到攝錄窗口中長(zhǎng)、寬比例變化則較大，否則較小。檢測(cè)點(diǎn)矩陣初始化形狀會(huì)影響 FIND 的參數(shù)設(shè)置，如設(shè)為 10 和 6，是從本文實(shí)驗(yàn)角度考慮，經(jīng)過(guò)比較驗(yàn)算后發(fā)現(xiàn)采用此參數(shù)，檢測(cè)結(jié)果較為準(zhǔn)確。剪裁后的車(chē)身圖像如下：圖 3 7 車(chē)身定位圖Fig 3 7 Body Positioning Map由于實(shí)驗(yàn)材料條件有限，檢測(cè)點(diǎn)矩陣設(shè)置較為扁平，因此只定位到車(chē)身前半部分。STEP4：將第 i1 幀圖像中，F(xiàn)RONT、LEFT、BACK、RIGHT 所圍區(qū)域裁出，灰度化以后保存。STEP3：在第 i1 幀，F(xiàn)IND 第 24 行每個(gè)檢測(cè)點(diǎn)的 CK，如果不符合，則在前一行內(nèi)尋找，直到符合這種情況為止，記為第 FRONT（本文所涉及到所有有關(guān)方向的參數(shù)，均基于觀眾面對(duì)視頻時(shí)的上、下、左、右而定）行。如果有任何 10 個(gè) CK 大于值 WAVE（取 WAVE 值為 10） ，則進(jìn)入下一步，并將這種比較的過(guò)程定義為 FIND。注意：這一步并不是將所有幀圖片全部灰度化以后再進(jìn)行檢測(cè)點(diǎn)位置像素灰度值儲(chǔ)存，而是先獲取檢測(cè)點(diǎn)位置像素點(diǎn) RPG 值然后再進(jìn)行灰度化，這樣做所帶來(lái)的減少系統(tǒng)計(jì)算量的效果是很明顯的。將視頻流按照 章節(jié)設(shè)定的采樣頻率解幀，在對(duì)應(yīng)每個(gè)檢測(cè)點(diǎn)的坐標(biāo)上，按照章節(jié) 將所有檢測(cè)點(diǎn)位置像素RGB 值灰度化。由于車(chē)身形狀的獲取在車(chē)牌粗定位算法中起輔助作用，因此不需要太精確，只需要大致獲取車(chē)身左右邊緣、精確獲取車(chē)身的前邊緣、獲取車(chē)身后邊緣是否在檢測(cè)點(diǎn)矩陣區(qū)域內(nèi)的信息。車(chē)輛經(jīng)過(guò)時(shí)車(chē)身所在位置檢測(cè)點(diǎn)灰度值較背景時(shí)變化較大，通過(guò)設(shè)置一個(gè)閾值，可以將變化值超過(guò)閾值的行和列檢測(cè)出來(lái)，行列所包圍矩陣點(diǎn)區(qū)域?yàn)檐?chē)身形狀區(qū)域。 車(chē)身形狀獲取車(chē)身形狀獲取主要依靠檢測(cè)點(diǎn)矩陣中檢測(cè)點(diǎn)在實(shí)時(shí)視頻流中所獲得的數(shù)據(jù)變化來(lái)確定。將 A，B 兩點(diǎn)橫坐標(biāo)互換，如圖：圖 3 6 適應(yīng)后檢測(cè)點(diǎn)矩陣效果圖Fig 3 6 After the Detection of Dot Matrix Adaptation Effect Chart觀察上圖可以發(fā)現(xiàn)，檢測(cè)點(diǎn)矩陣成功覆蓋車(chē)輛經(jīng)過(guò)視頻區(qū)域范圍，且檢測(cè)點(diǎn)矩陣行基本垂直于車(chē)輛行駛方向，檢測(cè)點(diǎn)矩陣列基本平行于車(chē)輛行駛方向。在視頻素材中先取出一幀圖像，在 MATLAB 環(huán)境中設(shè)定矩陣四角定位點(diǎn)坐標(biāo)，設(shè)定方法為讀取幀圖，然后獲取四角定位點(diǎn)坐標(biāo)如圖：圖 3 5 矩陣四角定位點(diǎn)坐標(biāo)獲取圖Fig 3 5 Square Matrix of Coordinates of Anchor Points for Map從圖中可知 A、B、C 、D 四角坐標(biāo)分別為：（185，29） 、 （973，25） 、 （995，939） 、（16，935） 。假設(shè)設(shè)定四個(gè)定位點(diǎn)坐標(biāo) A（325,655） ，B（525, 655） ，C（700,70） ，D（50,70） ，計(jì)算后的矩陣點(diǎn) X 坐標(biāo)數(shù)據(jù)（截圖）如下：圖 3 2 檢測(cè)點(diǎn)矩陣 X 坐標(biāo)表Fig 3 2 Detection Dotmatrix Coordinates X計(jì)算后的矩陣點(diǎn) Y 坐標(biāo)數(shù)據(jù)（截圖）如下：圖 3 3 檢測(cè)點(diǎn)矩陣 X 坐標(biāo)表Fig 3 3 Test Dot Matrix Coordinates X根據(jù) x 坐標(biāo)和 y 坐標(biāo)繪繪制矩陣圖，效果如圖：圖 3 4 檢測(cè)點(diǎn)矩陣效果圖Fig 3 4 Detection Point Matrix Effect Chart由于實(shí)驗(yàn)數(shù)據(jù)來(lái)源的不同，檢測(cè)點(diǎn)矩陣位置的設(shè)定也可能不同。STEP2：獲取四個(gè)定位點(diǎn)坐標(biāo)：A（Ax,Ay） ，B（B x, B y） ，C（Cx,Cy） ，D（Dx,Dy） ?？紤]到手工設(shè)置 1000 個(gè)檢測(cè)點(diǎn)在現(xiàn)實(shí)應(yīng)用中極為不便，本文設(shè)計(jì)了一種四角定位自動(dòng)化建造檢測(cè)點(diǎn)矩陣的算法，其原理是利用了矩陣點(diǎn)行平均分布、列平均分布。矩陣的最后一行與第一行映射到實(shí)際道路上距離應(yīng)該不小于 10 米。檢測(cè)點(diǎn) 粗定位區(qū)域檢測(cè)點(diǎn)檢測(cè)到車(chē)身時(shí)灰度值變化 圖 3 1 檢測(cè)點(diǎn)矩陣原理圖Fig 3 1 Test Point Matrix Diagram 檢測(cè)點(diǎn)矩陣初始化檢測(cè)點(diǎn)矩陣的初始化過(guò)程應(yīng)該在攝像機(jī)架設(shè)完畢后進(jìn)行。這樣處理后，每幀圖像的運(yùn)算量大大減小，但是卻沒(méi)有影響到有效數(shù)據(jù)的采集。為了減少算法運(yùn)算量，減少不必要的圖像處理與明顯的噪聲，本文仔細(xì)研究了整個(gè)視頻流過(guò)程后，根據(jù)視頻焦點(diǎn)與視頻信息獲取區(qū)域，在視頻抽幀后運(yùn)用一種檢測(cè)點(diǎn)矩陣技術(shù)來(lái)進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)和車(chē)牌粗定位。作者利用一種檢測(cè)點(diǎn)矩陣的技術(shù)，在實(shí)驗(yàn)中成功獲取視頻中的車(chē)身形狀信息。紋理特征法的計(jì)算量較之于其它的車(chē)牌精確定位算法較少，在有效利用車(chē)牌粗定位算法的前提下，紋理特征法能夠達(dá)到合適的定位成功率。 本文提出的基于視頻的車(chē)牌定位算法本文介紹了一種檢測(cè)點(diǎn)矩陣算法來(lái)進(jìn)行車(chē)牌粗定位，車(chē)牌粗定位算法大大減少了圖像精確定位算法的計(jì)算量，并且非常好地排除了車(chē)牌區(qū)域以外的背景干擾，增加了車(chē)牌識(shí)別成功率。這種方法計(jì)算復(fù)雜度高，不滿(mǎn)足系統(tǒng)實(shí)時(shí)性。趙雪春等利用色彩分割器及多級(jí)混合繼承分類(lèi)器分割色彩圖像，將色彩圖像分離成單色圖像，然后將圖像灰度后進(jìn)行形態(tài)學(xué)處理，再進(jìn)行連通區(qū)域比對(duì)，最后定位車(chē)牌，這種方法降低了背景對(duì)車(chē)牌區(qū)域定位的干擾，但是計(jì)算量較大，不滿(mǎn)足系統(tǒng)實(shí)時(shí)性要求。這種方法計(jì)算量大，會(huì)導(dǎo)致系統(tǒng)計(jì)算時(shí)間過(guò)長(zhǎng)。（4）神經(jīng)網(wǎng)絡(luò)定位方法基于神經(jīng)網(wǎng)絡(luò)的車(chē)牌定位算法需要對(duì)神經(jīng)元的數(shù)量和參數(shù)進(jìn)行設(shè)置，如果神經(jīng)元數(shù)量太大，參數(shù)設(shè)置過(guò)高則會(huì)影響車(chē)牌定位算法的計(jì)算效率，如果數(shù)量設(shè)置太少，參數(shù)設(shè)置較低，又會(huì)降低車(chē)牌定位的準(zhǔn)確率。此方法定位后的車(chē)牌區(qū)域通常具有較大邊框，存留較多干擾噪聲，對(duì)后續(xù)的車(chē)牌字符分割要求較高。（3）形態(tài)學(xué)理論定位方法基于形態(tài)學(xué)的車(chē)牌定位方法利用圖像形態(tài)學(xué)算法處理形成連通區(qū)域，然后針對(duì)車(chē)牌結(jié)構(gòu)特征對(duì)連通區(qū)域結(jié)構(gòu)特征進(jìn)行比對(duì)篩選，最終選定符合特征的連通區(qū)域，并最終定位車(chē)牌區(qū)域。這種算法復(fù)雜度小計(jì)算速度快能夠較好地達(dá)到系統(tǒng)實(shí)時(shí)性的要求。這種方法特別適于車(chē)牌區(qū)域圖像規(guī)則、無(wú)明顯背景干擾的靜態(tài)圖片。這種定位方法計(jì)算復(fù)雜度較高，而且其抗干擾能力也不強(qiáng)。比較成熟的邊緣提取算法包括 Roberts 算子、Sobel 邊緣檢測(cè)算子、Krisch 算子、Prewitt 算子。本章節(jié)僅對(duì)各種傳統(tǒng)車(chē)牌定位方法的優(yōu)缺點(diǎn)作評(píng)述?；叶葓D像獲取容易，彩色圖像包含信息量大，根據(jù)系統(tǒng)條件兩種方法都有著各自的應(yīng)用范疇。根據(jù)圖像采集相機(jī)的不同，常用的車(chē)牌定位技術(shù)分為兩個(gè)方向：基于灰度圖像的車(chē)牌定位方法和基于彩色圖像的車(chē)牌定位方法。2．以紋理特征為基礎(chǔ)的車(chē)牌精確定位算法。車(chē)牌定位技術(shù)通過(guò)對(duì)攜帶有車(chē)牌號(hào)碼信息的靜態(tài)圖像分析處理，尋找車(chē)牌區(qū)域圖像特征，通過(guò)計(jì)算處理，加強(qiáng)并提取這種圖像特征，最后定位分割出車(chē)牌區(qū)域圖像。可以說(shuō)，車(chē)牌定位準(zhǔn)確與否是車(chē)牌號(hào)碼識(shí)別準(zhǔn)確與否的根本前提。車(chē)牌號(hào)碼識(shí)別的準(zhǔn)確度和計(jì)算速度是判斷車(chē)牌識(shí)別系統(tǒng)效率高低最重要的指標(biāo)。通過(guò)介紹基礎(chǔ)圖像處理方法并分析其優(yōu)點(diǎn)與缺點(diǎn)，作為本系統(tǒng)選擇這些圖像處理方法的依據(jù)。對(duì)兩種灰度圖像增強(qiáng)進(jìn)行實(shí)驗(yàn)，因?yàn)閺囊曨l中抽取的幀圖像干擾噪聲太多，第二種方法沒(méi)有第一種方法效果好，本文又進(jìn)行分析對(duì)比，最終確認(rèn)使用第一種方法進(jìn)行灰度圖像增強(qiáng)，其參數(shù)設(shè)置為：s1=35，s2=210，r1=75，r2=165 。直方圖均衡化的方法優(yōu)點(diǎn)是不需要指定灰度變換區(qū)間，它能夠自動(dòng)增加對(duì)比度。用圖像 f (x, y)的直方圖代替灰度的分布密度函數(shù) Pr(ω)，則直方圖均化后的圖像 g 為： ??rgdpTs?)((（2 3）下圖是經(jīng)過(guò)直方圖均衡化后的結(jié)果分析，如下圖：圖 2 6 直方圖均化效果對(duì)比圖Fig 2 6 Comparison Chart Effect of Histogram Equalization可以發(fā)現(xiàn)，原圖片灰度值集中在 70～150 之間，經(jīng)過(guò)灰度均衡后，灰度值映射到整個(gè)灰度范圍內(nèi)。利用計(jì)算公式將灰度直方圖上聚集的灰度概率均勻分布，可以增強(qiáng)圖像的灰度值特征。直方圖均化是把灰度值集中的圖像變成灰度均勻概率分布的圖像。這樣變換的結(jié)果是在灰度值 r1 附近的灰度值被明顯地區(qū)分開(kāi)來(lái)，小的更小，大的更大，以 r1 灰度值為邊界的邊緣就得得明顯起來(lái)，同樣 r2也是。在 r1r2 中，線(xiàn)段斜率大于 1，說(shuō)明灰度值變換后變大。 對(duì)比度增強(qiáng)對(duì)比度增強(qiáng)常用的技術(shù)是對(duì)比度拉伸。我們可以采取計(jì)算的方法重新使這些特征以灰度值的方式明顯起來(lái)，通過(guò)計(jì)算加強(qiáng)灰度值特征的做法就叫做灰度圖增強(qiáng)。對(duì)于圖像灰度化我們采用了加權(quán)平均值法：由于人眼對(duì)三種顏色有不同的敏感率，我們進(jìn)行圖像灰度化時(shí)應(yīng)該考慮到這種情況。而且由于