【正文】 提取的若干特征量 與模板 T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類(lèi)。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí) 對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高。 21 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 第五章：字符識(shí)別 字符的識(shí)別目前用于 車(chē)牌字符識(shí)別 (OCR)中的算法主要有基于模板匹配的OCR 算法以及基于人工神經(jīng)網(wǎng)絡(luò)的 OCR 算法。但是對(duì)于車(chē)牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。字符識(shí)別的算法很多，因?yàn)檐?chē)牌字符間間隔較大，不會(huì)出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 字符切分后的效果圖 20 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 圖 13 字符分割與歸一化流程圖 字符分割 在汽車(chē)牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前 啟后的作用。 3）由于用于最后識(shí)別的字庫(kù)中字符模板為 24 48 像素，所以這里對(duì)切分出來(lái)的字符進(jìn)行歸一化處理，統(tǒng)一為 24 48 像素。由于 MATLAB 的數(shù)組可以存放不同大小的數(shù)據(jù)，為字符邊界信息的存儲(chǔ)提供了極大的便利。取其最大值定為第二個(gè)字符和第三個(gè)字符之間的距離。根據(jù)水平投影像素累加值進(jìn)行水平切割，從而得到精確切割后的字符。根據(jù)這一特點(diǎn)，從左往右依次定位出每個(gè)字符的起始和結(jié)束位置，并且進(jìn)行切割。 對(duì)圖像的垂直方向進(jìn)行投影，得到的投影圖如圖 11 所示。投影法切分車(chē)牌字符的思想是根據(jù)車(chē)牌字符的特點(diǎn)，將車(chē)牌圖像進(jìn)行垂直方向的投影，因?yàn)樽址麉^(qū)域的黑色像素點(diǎn)比較多，比較集中，同時(shí)每個(gè)車(chē)牌字符之間有一定的 空隙間隔隔開(kāi)。 圖 9旋轉(zhuǎn)前的圖像 圖 10 hough 變換后的車(chē)牌二值圖像 分割與歸一化 經(jīng)過(guò)車(chē)牌字符圖像的二值化和傾斜校正，得到的是一個(gè)只包含牌照字符的水平條形區(qū)域，為了進(jìn)行字符識(shí)別，需要將牌照字符從圖像中分割出來(lái)。另外還有 Radon 變換方法等，這里主要介紹前面兩種方法。一般情況下，傾斜校正有兩步，第一步是找出傾斜的角度；第二部是進(jìn)行坐標(biāo)變換，得到校正后的圖像。 裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖 18 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 傾斜校正 雖然標(biāo)準(zhǔn)的車(chē)牌字符應(yīng)為水平依次排列，但是由于放置不當(dāng)或車(chē)身前進(jìn)方向與圖像采集設(shè)備不在同一條直線上等原因，會(huì)造成圖像中的車(chē)牌傾斜、扭曲。動(dòng)態(tài)調(diào)節(jié)閥值來(lái)實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)地觀察其切分圖像的具體結(jié)果。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，利用閥值法就能得到較 好的切分效果。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。 17 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 圖像的二值化處理就是將圖像上的點(diǎn)的灰度值置為 0 或 255，這樣處理后整個(gè)圖像呈現(xiàn)明顯的黑白效果，即 將 256 個(gè)亮度等級(jí)的灰度圖經(jīng)過(guò)合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周?chē)呐R近像素。根據(jù)圖像像素的大小，這里選取篩選條件為寬在 50 到 150 之間，高在 20 到 50 之間，同時(shí)寬高比例應(yīng)大于 ，就可以比較準(zhǔn)確的得到車(chē)牌的大致 位置。 對(duì)車(chē)牌的分割可以 2021 年實(shí)施的車(chē)牌標(biāo)準(zhǔn)規(guī)定，車(chē)前車(chē)牌長(zhǎng) 440mm，寬 140mm。對(duì)車(chē)牌的區(qū)域提取可以利用 regionprops 函數(shù)，對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形，面積。進(jìn)行邊緣檢測(cè)，檢測(cè)后的結(jié)果如圖 牌照區(qū)域的分割 候選區(qū)域的提取 提取候選區(qū)域的步驟是：首先對(duì)經(jīng)過(guò)開(kāi)閉運(yùn)算處理的圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)，然后根據(jù)車(chē)牌的先驗(yàn)知識(shí)對(duì)區(qū)域特征參數(shù)進(jìn)行比較，提取車(chē)牌區(qū)域。 采用 matlab 自帶的 edge()函數(shù)對(duì)圖像進(jìn)行邊緣的提取。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。由于牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說(shuō)是水平度較高的橫向近似的長(zhǎng)方形，它在原始圖象中的相對(duì)位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過(guò)邊緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分割。 本次作業(yè)采用 matlab 自帶的中值濾波器函數(shù) medfilt2()，對(duì)灰度圖像進(jìn)行去噪處理。 ④找出排在中間的一個(gè)值 。 ②讀取模板下各對(duì)應(yīng)像素的灰度值 。當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。其主要原理是 :首先確定一個(gè)以某個(gè)像素為中心點(diǎn)的鄰域，一般為方形鄰域 。中值濾波它是一種鄰域運(yùn)算，類(lèi)似于卷積，首先把鄰域中的像素按灰度等級(jí)進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所引用。因此，為了在保證在車(chē)牌圖像邊緣信息不被弱化的情況下除去噪聲，采用中值濾波法來(lái)去除圖像噪聲。由此可見(jiàn)，若采用低通 濾波法去除車(chē)牌圖像中的噪聲，在除去噪聲的同時(shí)也會(huì)使車(chē)牌及字符的邊緣變得模糊，這對(duì)后續(xù)的車(chē)牌定位以及字符識(shí)別非常不利。 使用 matlab 自帶的灰度調(diào)整函數(shù) imadjust().對(duì)灰度圖像進(jìn)行灰度拉伸，結(jié)果如下： 圖 3 灰度拉伸后的圖像 從兩圖的對(duì)比中我們可以看到灰度拉伸后對(duì)比度明顯增強(qiáng)，車(chē)牌區(qū)域更加明顯。 圖 2 灰度圖像 13 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 灰度拉伸 對(duì)車(chē)輛圖像進(jìn)行灰度化處理之后，車(chē)牌部分和非車(chē)牌部分圖像的對(duì)比度并不是很高，此時(shí)如果直接進(jìn)行邊緣提取，由 于車(chē)牌界限較為模糊，難以提取出車(chē)牌邊緣，因而難以準(zhǔn)確定位車(chē)牌。令 g 為轉(zhuǎn)換后灰度圖像在某一點(diǎn)的灰度值， R、 G、 B 分別為轉(zhuǎn)換前該點(diǎn)的 R、 G、 B 分量。由此可見(jiàn)，一幅彩色圖像所包含的信息量遠(yuǎn)遠(yuǎn)大于一幅灰度圖像，它不僅需要大量的存儲(chǔ)空間還需要復(fù)雜的圖像處理算法，這使得整個(gè)車(chē)牌識(shí)別系統(tǒng)操作時(shí)間過(guò)長(zhǎng)，無(wú)法達(dá)到其實(shí)時(shí)性的要求。由 R、 G、 B 三基色不同級(jí)別的組合方式，可以計(jì)算出一幅彩色數(shù)字圖像最多可包含 167772 種顏色。 (3)傾斜矯正。 (2)圖像去噪。對(duì)車(chē)牌圖像的預(yù)處理主要包括以下三個(gè)方面 : (l)圖像對(duì) 比度增強(qiáng)。這勢(shì)必會(huì)影響車(chē)牌區(qū)域分割，降低車(chē)牌字符識(shí)別的準(zhǔn)確度。車(chē)牌的字符部分受到磨損或是被污跡覆蓋等等。例如由于光照度不均勻造成圖像灰度過(guò)于集中 。 整個(gè)軟件系統(tǒng)的設(shè)計(jì)流程圖如圖所示： 10 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 11 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 第三章 車(chē)牌圖像預(yù)處理 為了便于車(chē)牌的分割識(shí)別，攝像機(jī)攝下的原始圖像應(yīng)具有適當(dāng)?shù)牧炼群蛯?duì)比度。 軟件部分在整個(gè)系統(tǒng)中占有很重要的地位，而且軟件的優(yōu)化和升級(jí)能在很大程度上 彌補(bǔ)硬件的不足，因此是本文研究的重點(diǎn)，軟件研究主要是設(shè)計(jì)車(chē)牌識(shí)別系統(tǒng)的主 體，包括基于小波變換的車(chē)牌定位模塊、基于 Otsu 算法的車(chē)牌字符切分模塊的車(chē)牌字符識(shí)別模塊。首先，簡(jiǎn)單介紹了車(chē)牌識(shí)別系 統(tǒng)的組成部分，包括硬件部分和軟件部分。最后搭建了一個(gè)測(cè)試平臺(tái)，將上述三個(gè)部分進(jìn)行了系統(tǒng)化，對(duì)系統(tǒng)的性能進(jìn)行了測(cè)試和分析。最后利用改進(jìn)的BP 網(wǎng)絡(luò)完成了整個(gè)車(chē)牌字符的識(shí)別。然后，通過(guò)對(duì)預(yù)處理后的圖像進(jìn)行小波變換分解提取圖像邊緣，并進(jìn)行形態(tài)學(xué)處理，這時(shí)，車(chē)牌的輪廓已經(jīng)非常清晰，并且可以和非車(chē)牌區(qū)域明顯區(qū)分開(kāi)來(lái)了，接著，根據(jù)車(chē)牌的特點(diǎn)進(jìn)行車(chē)牌初步定位，對(duì)車(chē)牌區(qū)域和偽車(chē)牌區(qū)域進(jìn)行篩選后，采用投影法進(jìn)行車(chē)牌二次定位，提取出車(chē)牌圖像。 整個(gè)軟件系統(tǒng)是一個(gè)具有車(chē)牌識(shí)別功能的圖 像分析和處理軟件。 2）使用 MATLAB 的圖形用戶(hù)界面技術(shù)（ GUI）編寫(xiě)牌照識(shí)別系統(tǒng)面板，可以達(dá)到與牌照定位切分程序及字符識(shí)別程序的無(wú)縫連接。 9 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 3） 較強(qiáng)的圖形控制和處理功能，自帶的 API 使得用戶(hù)可以方便地在 MATLAB 與 C、 C++等其他程序設(shè)計(jì)語(yǔ)言之間建立數(shù)據(jù)通信。 MATLAB 的庫(kù)函數(shù)同用戶(hù)文件在形式上是一樣的，用戶(hù)可以根據(jù)自己的需求方便地建立與擴(kuò)充 新的庫(kù)函數(shù)，擴(kuò)充其功能。其圖像處理工具箱更是大大擴(kuò)展了 MATLAB 解決圖像處理問(wèn)題的能力，其他還有諸如用于神經(jīng)網(wǎng)絡(luò)和小波的工具箱等，對(duì)于算法的分析都有著很大的幫助。 MATLAB 以矩陣作為基本語(yǔ)言要素大大提高了數(shù)值計(jì)算的編程效率。軟件系統(tǒng)的編寫(xiě)大多采用 VC 或者 MATLAB 語(yǔ)言，本課題選用了 MATLAB 語(yǔ)言。 系統(tǒng)軟件設(shè)計(jì) 硬件設(shè)備采集到圖片后首先要考慮圖像的存儲(chǔ)格式。然后將識(shí) 別出的牌照信息儲(chǔ)存到服務(wù)器中，當(dāng)車(chē)輛離開(kāi)時(shí)，同樣的進(jìn)行牌照識(shí)別，將其與前面輸入的牌照信息進(jìn)行對(duì)比，計(jì)算出停車(chē)時(shí)間，然后計(jì)費(fèi)。利用編碼調(diào)制信號(hào)，增強(qiáng)抗干擾的能力，具有較強(qiáng)的可靠性。我國(guó)停車(chē)場(chǎng)應(yīng)用較多的是紅外探測(cè)器和電磁感應(yīng)環(huán)探測(cè)器。首先是探測(cè)車(chē)輛的接近、通過(guò)和停留等。 系統(tǒng)硬件設(shè)計(jì) 一個(gè)車(chē)牌識(shí)別系統(tǒng)的基本硬件配置由攝像機(jī)、主控機(jī)、采集卡和照明裝置組成。 車(chē)牌識(shí)別系統(tǒng)從一幅車(chē)牌圖像中提取車(chē)牌部分圖像，分割字符，進(jìn)一步對(duì)字符進(jìn)行識(shí)別，從而得到車(chē)牌號(hào)碼。該系統(tǒng)可以實(shí)現(xiàn)從一副包含汽車(chē)牌照的圖片中自動(dòng)的確定出車(chē)牌所在的位置，并對(duì)車(chē)牌所在的區(qū)域進(jìn)行字符分割、字符識(shí)別等操作，最終識(shí)別出車(chē)牌的具體內(nèi)容。整個(gè)系統(tǒng)的核心是軟件部分的工作，能否通過(guò)牌 照對(duì)車(chē)輛進(jìn)行有效管理，很大程度上取決于軟件部分識(shí)別車(chē)牌的準(zhǔn)確性。對(duì)二值化中采用的 Otsu 算法進(jìn)行改進(jìn)，重新劃分二維直方圖的區(qū)域，改進(jìn)后的算法運(yùn)行時(shí)間短、二值化效果好。提取的算法，結(jié)合形態(tài)學(xué)處理，采用初步定位去除偽車(chē)牌和精確定 7 畢業(yè)設(shè)計(jì) 專(zhuān)用紙 位相結(jié)合的算法實(shí)現(xiàn)車(chē)牌的準(zhǔn)確定 位。 本課題的研究?jī)?nèi)容 本文就車(chē)輛牌照自動(dòng)識(shí)別技術(shù)進(jìn)行了一系列的研究工作，在研究國(guó)內(nèi)外各種典 型的車(chē)牌識(shí)別方法的基礎(chǔ)上，努力學(xué)習(xí)和創(chuàng)新，結(jié)合中國(guó)車(chē)牌的特點(diǎn)，對(duì)適合中國(guó) 車(chē)牌的識(shí)別系統(tǒng)進(jìn)行了研 究。 第六章 :主要是程序源代碼。 第五章 :研究車(chē)牌字符識(shí)別的問(wèn)題，對(duì)模板匹配的方案進(jìn)行研究、改進(jìn)和試驗(yàn)。分析我國(guó)的車(chē)牌特征，介紹當(dāng)前常用的定位方法，并提出包 含邊緣檢測(cè)、車(chē)牌粗定位、傾斜校正、車(chē)牌細(xì)定位等在內(nèi)的車(chē)牌定位方法。首先介紹了和數(shù)字圖像處理相關(guān)的理論以及計(jì)算原理，其次分別對(duì)圖像預(yù)處理中涉及到的圖像增強(qiáng)和圖像二值化等環(huán)節(jié)進(jìn)行了介紹和實(shí)現(xiàn)。其中，預(yù)處理部分圖像增強(qiáng)和圖像二值化，定位部分包括邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位。 第二章 :車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)。 本論文的章節(jié)安排如下 : 第一章 :緒論。傾斜校正通過(guò)求取車(chē)牌上各字符的中心點(diǎn)，擬合直線來(lái)確定車(chē)牌的傾斜角 。邊緣檢測(cè)階段中，通過(guò)使用不同的算子實(shí)現(xiàn)邊緣檢測(cè)，考慮算法實(shí)現(xiàn)的優(yōu)劣，以及結(jié)合本次車(chē)牌定位的需求，選取 Sobel 算子完成對(duì)二值化圖像的邊緣檢測(cè) 。圖像增強(qiáng)階段中，采用了直方圖均衡化算法實(shí)現(xiàn)了灰度圖的對(duì)比度增強(qiáng)作用 。定位部分被分解為邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位等四個(gè)處理過(guò)程。 本文主要是通過(guò)數(shù)字圖像處理技術(shù)對(duì)由攝像機(jī)獲取到的彩色車(chē)牌的定位技術(shù)進(jìn)行了研究，將整個(gè)車(chē)牌定位的過(guò)程分解為了圖像預(yù)處理和定位兩個(gè)部分。因而如何提高識(shí)別率和識(shí)別處理的實(shí)時(shí)性及實(shí)用性成了一個(gè)緊要的任務(wù)。 ，如拍攝時(shí)的角 度不準(zhǔn)造成車(chē)牌傾斜變形和攝像機(jī)透射畸變，還有車(chē)輛運(yùn)動(dòng)而造成的變形，在很大程度上也影響著車(chē)牌定位。因噪聲或運(yùn)動(dòng)等而使車(chē)牌模糊 。 ，類(lèi)似區(qū)域干擾車(chē)牌識(shí)別系統(tǒng)一般應(yīng)用在交叉路口、車(chē)庫(kù)、小區(qū)入口、高速公路等地，圖像背景復(fù)雜多變，背景中與車(chē)牌區(qū)域特征相似的區(qū)域也是車(chē)牌定位的干擾源，如背景中與車(chē)牌特征相似的廣告語(yǔ)、指示牌等，此外，車(chē)牌附近的障礙物遮攔車(chē)牌，如保險(xiǎn)杠等，這些也影響車(chē)牌的定位。由于在圖像的采集和傳輸過(guò)程中，車(chē)輛圖像不可避免地要受各種因素的影響，如光線和噪聲等影響，使得車(chē)牌難以準(zhǔn)確定位?；跀?shù)學(xué)形態(tài)學(xué)的定位算法等?；谏窠?jīng)網(wǎng)絡(luò)的定位算法 。基于邊緣檢測(cè)的定位算法 。除此之外，上海交通大學(xué)計(jì)算機(jī)科學(xué)和工程系、西安交通大學(xué)的圖像處理和識(shí)別研究室、浙江大學(xué)的自動(dòng)化系、清華大學(xué)人工智能?chē)?guó)家重點(diǎn)實(shí)驗(yàn)室等也都在進(jìn)行類(lèi)似的研究。川大智勝軟件股份有限公司的 zTZ000 車(chē)牌自動(dòng)識(shí)別系統(tǒng)等等。深圳吉通電子有限公司的“車(chē)牌通” 。國(guó)外比較好的車(chē)牌定位算法有 : 等人提出的基于水平線搜索的車(chē)牌定位方法 (81。新加坡 Optasia 公司自行研發(fā)的車(chē)牌識(shí)別系統(tǒng) IMPS，可以在各種天氣條件和光照環(huán)境下準(zhǔn)確定位識(shí)別，給出和車(chē)牌一致的處理結(jié)果?，F(xiàn)如今，國(guó)外在車(chē)牌檢測(cè)、識(shí)別方面的研究已取得一些令人矚目的成績(jī)，開(kāi)發(fā)出了很多技術(shù)成熟的車(chē)牌識(shí)別產(chǎn)品。 近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，新興技術(shù)的出現(xiàn)，很多國(guó)家開(kāi)始探討用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和生物