【正文】 屬于背景區(qū)域。 基于神經(jīng)元網(wǎng)絡(luò)的車牌定位技術(shù) 人工神經(jīng)元網(wǎng)絡(luò)是進(jìn)行模式識(shí)別的一種重要方法，今年來(lái)，它以其抗噪聲、容錯(cuò)、設(shè)定頁(yè)眉 18 自適應(yīng)等能力強(qiáng)而得到廣泛的應(yīng)用。 基于字符串形狀特征的車牌分割方法，主要針對(duì)牌照字符串沿水平方向排列的規(guī)則紋理，采用了一種線性濾波器來(lái)初定車牌區(qū)域，采用平均值的辦 法選取閾值而 進(jìn)行二值化，然后利用投影的方法進(jìn)行精確定位?；趨^(qū)域的車牌識(shí)別技術(shù)就是根據(jù)車牌的 紋理特征 將圖像分成不同的區(qū)域，然后對(duì)目標(biāo)區(qū)域進(jìn)行檢測(cè)。 基于特征的車牌車牌定位算法是利用一階微分算子對(duì)原始圖像的邊緣進(jìn)行預(yù)處理，并在基礎(chǔ)上運(yùn)用數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算獲得車牌的獲選區(qū)，然后采用投影的方法剔除假車牌， 定位真車牌，這種方法的算法簡(jiǎn)單，減少了噪聲的干擾，能夠滿足實(shí)時(shí)定位的要求。 各種車牌定位技術(shù) 基于邊界的車牌定位技術(shù) 圖像邊界是圖像局部特征不連續(xù)性（灰度突變、顏色突變、紋理結(jié)構(gòu) 突變等）的反映，它標(biāo)志著一個(gè)區(qū)域的終結(jié)和另一個(gè)區(qū)域的開始，邊界蘊(yùn)含著豐富的內(nèi)在信息（如方向、階躍性質(zhì)、形狀等） ,它是識(shí)別中重要的圖像特征之一。針對(duì)以上情況 ,本文提出了一種快速且魯棒性強(qiáng)的車牌定位算 法。這些方法主要存在 :參數(shù)的調(diào)節(jié)受識(shí)別環(huán)境的影響較大 ,在環(huán)境發(fā)生改變時(shí)由于參數(shù)的選擇不當(dāng)往往會(huì)造成誤定位和漏定位 。高階插值插值效果好 ,但運(yùn)算量大 . 雙線性插值的運(yùn)算量小于高階插值 ,插值效果雖不如高階插值 ,但明顯優(yōu)于最近鄰插值 , 完全能滿足車牌識(shí)別的需要 . 所以 ,本文選擇雙線性插值算法進(jìn)行圖像插值運(yùn)算 . 雙線性插值示意圖如圖 25所示 .像素 C ,)( ji? ? 被 C( , )ij 、C 1( , )ij? 、 C 1( , )ij? 和 C 11( , )ij??四個(gè)像素包圍，則 , ) [( ( 1 , ) ( , ) ] * ( )[ ( , 1 ) ( , ) ] * ( ) ( , )[ ( 1 , 1 ) ( , ) ( , 1 )( 1 , ) ] * ( ) ( )jCC i i j C i j i iC i j C i j j j C i jC i j C i j C i jC i j i i j j? ? ? ?? ? ??? ? ? ? ?? ? ? ? ? ???? ? ? ? （ 215） 圖 25 雙線性插值示意圖 作為一種特殊情況，當(dāng)像素 C（ ,ij? ? ）落在 C 1( , )ij? 和 C 11( , )ij??之間時(shí)，則有： ( , ) ( 1 , 1 ) * ( ) ( 1 , ) * ( 1 )C i j C i j j j C i j j j?? ?? ?? ??? ? ? ? ? ? ? ? （ 216） 車牌傾斜校正算法 由于道路的坡度、車牌的懸掛和攝像機(jī)與車牌之間傾斜角度的影響 , 使得拍攝到的車牌圖像產(chǎn)生了傾斜 ,這實(shí)際上是一種透視失真 . 一般情況下 , 可將傾斜的車牌圖像近似看成一個(gè)平行四邊形 , 可有三種傾斜模式 :水平傾斜、垂直傾斜和水平垂直傾斜 ,分別如圖 26 、圖 27 和圖 28 所示 . 圖 26 為水平傾斜的兩種情況 , 這時(shí)字符基本上無(wú)傾斜 , 車牌的水平 x 軸與圖像的 水平 x 軸有一個(gè)傾斜角度 ? , 只要求取 ? ,將圖像繞 x 設(shè)定頁(yè)眉 16 軸旋轉(zhuǎn) ? 即可 . 圖 27 為垂直傾斜的兩種情況 . 這時(shí)的傾斜實(shí)際上是同一行間像素的錯(cuò)位偏移 . 只要檢測(cè)到垂直傾斜角度 β 進(jìn)行錯(cuò)位偏移校正即可 . 圖 28為水平垂直傾斜的兩種情況 ,既存在水平傾斜又存在垂直傾斜 ,是最一般的情況 . 可先檢測(cè)水平傾斜角度 ? 進(jìn)行水平傾 斜校正 ,然后再求取垂直傾斜角度 ? 進(jìn)行垂直傾斜校正 . 圖 26 水平傾斜 圖 27 垂直傾斜 圖 28 水平垂直傾斜 每章完結(jié)要總結(jié)這一章的工作設(shè)定頁(yè)眉 17 第三章 車牌定位 對(duì)于整個(gè)車牌識(shí)別系統(tǒng)來(lái)說(shuō)，車牌識(shí)別精確度的高低主要取決于車牌定位 精確度的高低，而車牌定位又是車牌識(shí)別中最難解決的一步，迄今為止，仍然 沒 有一個(gè)完全通用的智能化車牌定位的方法 。令： 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww ? ? ? ??? ? ? ?? ? ?? (27) 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww? ? ? ?? ? ? ? ?? ? ?? (28) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww? ? ? ?? ? ? ? ?? ? ?? （ 29) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww ? ? ? ??? ? ? ?? ? ?? (210) 則 00( , )ij處的垂直彩色梯度和水平彩色梯度分布定義為 ： 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D V i j V i j V i j???? (211) 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D H i j H i j H i j???? (212) 其中， || * || 代表歐幾里得范數(shù)。 大量實(shí)驗(yàn)表明 , 該方法簡(jiǎn)單實(shí)用 ,對(duì)光照不敏感 ,抗干擾性強(qiáng) 。 由于圖像中車牌的邊框有時(shí)并不明顯 (如有的白牌白車 ) ,且因噪聲、污跡等干擾的影響 ,造成 Hough 變換后參數(shù)空間中的峰值點(diǎn)很分散 ,這使得方法 (1) 和方法 (2) 效果并不理想 ； 當(dāng)車牌上有污跡和噪聲時(shí) ,方法 (3) 的檢測(cè)精度下降 ； 由于二值化等原設(shè)定頁(yè)眉 14 因 ,車牌上字符會(huì)有粘連和斷裂現(xiàn)象 ,就使得方法 (4) 的效果也不理想 。 (3) 通過(guò)求取車牌字符區(qū)域的局部極小和局部極大特征點(diǎn) ,再進(jìn)行投影確定車牌的傾斜角。 通過(guò) Hough 變換求取車牌的邊框 ,進(jìn)而確定車牌的傾斜角；或者由 Hough 變換提取牌照邊框的參數(shù)后 ,再求解牌照區(qū)域四個(gè)頂點(diǎn)的 坐標(biāo) ,然后通過(guò)雙線性空間變換對(duì)畸變圖像進(jìn)行校正。 因此 ,需要在字符分割之前進(jìn)行車牌的傾斜校正。 通過(guò)以上研究分析 ,基于 VC++采用了以上算法。 （ 3）濾波處理 根據(jù)上面噪聲點(diǎn)確定的結(jié)果 ,如果為噪聲點(diǎn) ,則用中值取代該像素點(diǎn)灰度值 ,否則 ,該像素點(diǎn)的灰度值不變。本文根據(jù)像素點(diǎn)之間的 統(tǒng)計(jì) 特性 ,采用均值和方差同時(shí)作用來(lái)確定噪聲點(diǎn)。關(guān)于此閾值主要 有兩種途徑得到 ,一是根據(jù)長(zhǎng)期處理去噪的經(jīng)驗(yàn)得來(lái) ,二是采用窗口內(nèi)像素點(diǎn)的均值來(lái)粗略估計(jì)。用一個(gè) 3 3窗口在圖像中掃描，把窗口內(nèi)包含的圖像像素按灰度級(jí)升序或降序排列，取圖像灰度值居中的像素灰度為窗口中心像素的灰度，便完成了中值的確定。此改進(jìn)的快速中值濾波算法主要包括 :中值的確定、噪聲點(diǎn)的確定和濾波處理三個(gè)環(huán)節(jié)，下面予以詳述。 改進(jìn)的快速中值濾波算法 12 上述的各種方法 ,在去噪的效果上都取得了一定的效果 ,但是都沒有考慮到濾波的耗時(shí)問(wèn)題。 中值濾波器可以推廣到二維，對(duì)二維圖像操 作，二維中值濾波器的窗口形狀和尺寸對(duì)濾波效果影響較大，對(duì)于不同內(nèi)容不同應(yīng)用要求的圖像，需要采用不同尺寸和形狀的窗口。 事實(shí)上，中值濾波器是用 n n 的濾波器除去那些相對(duì)于其鄰域像素更亮或更暗，并且其區(qū)域小于 n2/2（濾波器區(qū)域的一半）的孤立像素集?？梢宰C明，對(duì)圖像進(jìn)行鄰域平均處理相當(dāng)于圖像信號(hào)通過(guò)低通濾波器。例如 S為 3 3鄰域，點(diǎn) (m,n)位于 S中心，則： 11111( , ) ( , )9ijf m n f m i n j? ? ? ?? ? ??? (23) 假設(shè)噪聲 n 是加性噪聲，空間中各點(diǎn)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 f經(jīng)過(guò)鄰域平均后為： 1 1 1( , ) ( , ) ( , ) ( , )f m n f i j g i j n i jM M M? ? ?? ? ? (24) 由公式（ 24）可知，經(jīng)鄰域平均后，噪聲的均值不變，方差 221a M???，即 噪聲方差變小，說(shuō)明噪聲強(qiáng)度減弱了，抑制了噪聲。鄰域 S 的形狀和大小根據(jù)圖像特點(diǎn)確定。對(duì)于給定的圖像 f(i,j)中的每個(gè)像素點(diǎn) (m,n)處的灰度，取其鄰域 S。對(duì)圖像進(jìn)行 11 處理，通常采用空域?yàn)V波的方法，下面介紹幾種常用的空域?yàn)V波器。采用適當(dāng)?shù)臑V波方法，可以將圖像中感興趣的特征突出，并削弱不需要的特征，以改善圖像的質(zhì)量。 圖 23 灰度拉伸 經(jīng)圖像采集系統(tǒng)獲取的原始圖像，通常都含有各種各樣的噪聲與畸變，這將大大影響系統(tǒng)的識(shí)別精度。也可以固定灰度步長(zhǎng)進(jìn)行掃描，對(duì)步長(zhǎng)內(nèi)的像素點(diǎn)個(gè)數(shù)累積求和，找出最大值，x，、 2 x 分別選取為取得最大值的灰度范圍的左右端點(diǎn)。 1x ，、 2 x 的選取有多種方法，總的原則選取灰度最為集中的一段的左右端點(diǎn)。同樣如果圖像灰度集中在較 亮 的區(qū)域而導(dǎo)致圖像偏亮，也可以用灰度拉伸功能來(lái)壓縮 (斜率 1)物體灰度 區(qū) 間以改善圖像質(zhì)量。 圖22所示的變換函數(shù)的運(yùn)算結(jié)果是將原圖在 1x 和 2x 之間的灰度拉伸到 1y 和 2y 之間?；叶壤斓?9 函數(shù)表達(dá)式如下 : 112111212222( ) ( )255()255yxxyyf x x x yxxyx x yx???? ?? ? ????? ?????? （ 22 ） 式中 (1x ， 1y )和 ( 2x ， 2y )是圖 22 的兩個(gè)轉(zhuǎn)折點(diǎn)的坐標(biāo) ?；叶壤旌突叶鹊木€性變換有點(diǎn)類似，都用到了灰度的線性變換。 如圖 21 所 示為 24 位真彩圖車輛圖像及灰度圖： 8 圖 21 圖像灰度拉伸 許多拍攝的圖像中，灰度級(jí)集中在很小的區(qū)域內(nèi)，對(duì)比度不良，影響人機(jī)器對(duì)圖像的理解。這樣做可以同時(shí)提高處理速度與去掉無(wú)用的信息。但是彩色位圖圖像的原始數(shù)據(jù)量龐大，存儲(chǔ)空間大，處理速度慢。 24位 BMP 格式文件的每個(gè)像素點(diǎn)均用 3 個(gè)字節(jié)（ 24位）來(lái)表示像素值， 3個(gè)字節(jié)分別存儲(chǔ)紅、綠、藍(lán) 3原色的值。文件頭和信息 頭包含文件類型、大小等信息。 本論文 中 用到的圖像，是用攝像機(jī)獲得的 24 位彩色位圖文件格式。如果是彩色的 256色，則經(jīng)過(guò)圖 像算法處理后，可能產(chǎn)生不屬于這 256 種顏色的新顏色，而真彩色 RGB 圖像必須用三個(gè)與圖像尺寸相同的矩陣來(lái)存儲(chǔ)，這樣計(jì)算代價(jià)過(guò)大。灰度圖像是只含亮度信息不含色彩信息的圖像，其中亮度值量化為 256 級(jí)。一般情況下，得到的都是彩色圖像。對(duì)圖像進(jìn)行預(yù)處理，主要包括圖像的二值化、灰度拉伸和增強(qiáng)等方法。由于自然光照度的變化、車輛自身的運(yùn)動(dòng)，采集圖像設(shè)備本身的因素等的影響，會(huì)引起汽車圖像的退化，從而干擾對(duì)車牌信息的提取。 最后，對(duì)本文的工作進(jìn)行了總結(jié)，并對(duì)后續(xù)的研究工作進(jìn)行了一些探討。 車牌識(shí)別精確度的高低主要取決于車牌定位精確度的高低 ，車牌定位在車牌識(shí)別中占據(jù)很重要的地方，本問(wèn)對(duì)現(xiàn)有的定位技術(shù)進(jìn)行簡(jiǎn)單的分析，然后提出一種 快速且魯棒性強(qiáng)的車牌定位算 法 。本文主要工作如下 : 通過(guò)閱讀大量的文獻(xiàn)，對(duì)車牌自動(dòng)識(shí)別技術(shù)的應(yīng)用背景和研究意義、車牌識(shí)別系統(tǒng)的 技術(shù)難點(diǎn)以及車牌自動(dòng)識(shí)別技術(shù)的發(fā)展和研究現(xiàn)狀進(jìn)行了系統(tǒng)的闡述。 本文以車牌照為研究對(duì)象，運(yùn)用圖像處理和模式識(shí)別技術(shù)來(lái)實(shí)現(xiàn)車牌照的 檢測(cè)與識(shí)別， 其中對(duì)車牌照的定位與分割和車牌照字符的分割與識(shí)別提取進(jìn)行了深入研究 。 ⑷ 其他因素。 ⑶ 車牌種類的多樣性問(wèn)題。 ⑵ 自然環(huán)境問(wèn)題。目前無(wú)論哪個(gè)車牌識(shí)別系統(tǒng)，當(dāng)圖像的分辨率降到一定程度時(shí)，漢字識(shí)別率都急劇下降。 從目前一些車牌識(shí)別產(chǎn)品的性能指標(biāo)可以看出， LPR 系統(tǒng)的識(shí)別率和識(shí)別速度有待提高。 5 還有根據(jù)彩色邊緣檢測(cè)算子 ColorPrewitt 和彩色邊緣檢測(cè)與區(qū)域生長(zhǎng)相結(jié) 合的牌照定位算法。這種方法的主要思想是通過(guò)三層 MLPN 網(wǎng)絡(luò)將具體均勻色度的彩色圖像進(jìn)行色彩分割，再利用投影法分割出潛在的各種底色的車牌區(qū)域。人工神經(jīng)網(wǎng)絡(luò)算法抗干擾性好，但是由于圖像中的車牌區(qū)域通常只占 2%~3%的面積，特征值難以提取，算法也比較復(fù)雜。 完全基于形態(tài)學(xué)的算法有運(yùn)用數(shù)學(xué)形態(tài)學(xué)的閉運(yùn)算獲得車牌的候選區(qū)，然后采用投影的方法剔除假車牌，定位針車牌。車輛圖像