【正文】 度，最后，將相似度大的字符輸出，完成字符識別。 5．4 實(shí)驗(yàn)分析本章是在車牌已分割好的字符的基礎(chǔ)上，采用模板匹配法進(jìn)行字符識別。AD算法[21]通過計算尺寸為的待搜索灰度圖像S和尺寸為的模板T（）之間的L1距離的絕對差值來確定S和T之間的相似程度，并最終確定S的分類。其計算公式如下： （） NCC算法[20]即歸一化交叉相關(guān)算法，它是SSD算法的變形。計算模板匹配法中相似度算法有AD算法、差方和算法（SSD算法）以及NCC算法等。5．3 基于模板匹配的字符識別算法模板匹配法[17]是模式識別領(lǐng)域最典型的算法之一，它先在待測圖像中提取出若干特征，再用這些特征與標(biāo)準(zhǔn)模板中的相應(yīng)特征進(jìn)行比對，利用一定的判決規(guī)則判定待測模板的分類。系統(tǒng)的應(yīng)用場合要求它必須能及時的對車輛進(jìn)行圖像采集、處理，以及牌照識別等工作。（4）實(shí)時性隨著需求的提升，單一的車票識別系統(tǒng)已經(jīng)不能滿足實(shí)際的需求。晝夜交替、雨雪天氣、車輛行駛速度過快等都會對圖像采集造成干擾，導(dǎo)致提取的字符模板（模式樣本）出現(xiàn)字符模糊、變形、斷裂等情形，進(jìn)而影響最終的識別率。因此，整體字符集又可以細(xì)化為漢字集、字母集和字母數(shù)字集。（2）字符集可以進(jìn)一步細(xì)分車牌區(qū)域可以分為三個部分：地區(qū)簡稱部分、發(fā)牌機(jī)關(guān)代號部分以及牌照編碼部分。5．2 車牌字符識別的特點(diǎn) 同一般意義上的字符相比，車牌字符識別有其獨(dú)有的特點(diǎn)[18]：（1）字符集小各種車輛牌照中包含的字符有各?。ㄊ?、自治區(qū)）簡稱、軍用車輛簡稱、使領(lǐng)館車輛以及教練車輛等漢字字符，以及26各英文字母和10個數(shù)字，字符的類別不超過100類，其分類規(guī)模要遠(yuǎn)遠(yuǎn)小于一般的車牌自動識別系統(tǒng)。字符識別的關(guān)鍵是分類器的選擇與組織。其基本思想是：從包含字符的模式樣本的點(diǎn)陣圖形中提取出描述該字符的特征，然后根據(jù)一定的判決規(guī)則，判定該樣本所屬的模式類別。它包括局部網(wǎng)格特征、投影特征等等。全局特征包括Fourier變換、余弦變換、小波變換、矩特征以及筆畫的密度特征等。統(tǒng)計特征又可分為全局特征和局部特征。在字符識別中，骨架特征在字符的結(jié)構(gòu)特征中占有重要地位，它還可以進(jìn)一步分為字符的特征點(diǎn)、端點(diǎn)、交叉點(diǎn)、轉(zhuǎn)折點(diǎn)等。字符識別的本質(zhì)是對字符的特征進(jìn)行提取，它通過分析字符的拓?fù)浣Y(jié)構(gòu)或統(tǒng)計信息，提取字符的某些特征，根據(jù)這些特征對字符進(jìn)行分類。由此，車牌識別系統(tǒng)進(jìn)入了最后一個環(huán)節(jié)：字符識別。該方法較好地解決了漢字的不連通、字符的粘連、噪聲的干擾以及車牌的第2個字符和第3個字符之間存在小圓點(diǎn)的問題，實(shí)踐證明此方法是行之有效的。、。利用相同的方法，可以分割出其他的字符。其分割方法較第一個漢字字符簡單。第一個字符分割結(jié)束。若大于閾值，則說明第一個字符分割結(jié)束。首先對車牌圖像自左向右逐列掃描，將各列包含的白色像素點(diǎn)的數(shù)目與某一固定閾值（本文設(shè)定的閾值為2）進(jìn)行比較，當(dāng)遇到第一個大于固定閾值的列時，則該列即被認(rèn)為是字符分割的起始位置，然后繼續(xù)掃描下一列，直至遇到小于固定閾值的列時停止。步驟如下：（1）對預(yù)處理后的車牌圖像，自左向右逐列統(tǒng)計各列所包含的白色像素點(diǎn)（本文中車牌字符為白色像素點(diǎn)），將統(tǒng)計后的結(jié)果存儲到一個矩陣中（n的大小與車牌圖像的寬度相同）。（4）光照不均容易引起分割錯誤。（2）邊框和鉚釘容易造成分割不準(zhǔn)確。由于分割本身是圖像處理的一個難題，而實(shí)際拍攝的車牌圖像因?yàn)椴煌潭鹊卮嬖谝韵聠栴}而影響字符分割的準(zhǔn)確性。4 字符切割圖像切割是指按一定的規(guī)則，將圖像與背景分成不同的部分或子集的過程。然后介紹了幾種典型的車牌識別算法。車輛牌照的自動定位是車牌識別系統(tǒng)中的關(guān)鍵環(huán)節(jié)，車牌定位的成功與否直接決定了車輛牌照能否實(shí)現(xiàn)。應(yīng)用開閉運(yùn)算對數(shù)字圖像進(jìn)行處理，可以得到多個可能的車牌區(qū)域，然后再根據(jù)一定的判別法從確定的待選車牌區(qū)域中確定真正的車牌位置。閉運(yùn)算具有過濾功能，它可以填充圖像內(nèi)部的微小空洞以及裂隙等。開運(yùn)算對圖像具有平滑效果，它能消除圖像的邊緣毛刺以及孤立斑點(diǎn)等等。(3) 開運(yùn)算和閉運(yùn)算 此外，數(shù)學(xué)形態(tài)學(xué)中還有開運(yùn)算和閉運(yùn)算，這兩種運(yùn)算實(shí)際上是膨脹和腐蝕的組合運(yùn)算。經(jīng)過腐蝕運(yùn)算后，圖像的面積會減小。(2) 腐蝕運(yùn)算腐蝕是膨脹的逆運(yùn)算，它縮減物體的邊界，將物體的邊界歸入背景點(diǎn)，使得物體的邊界縮小。膨脹能消除圖像中的空洞，經(jīng)過膨脹運(yùn)算后，圖像的面積會增大。在二值化圖像分析中，數(shù)學(xué)形態(tài)學(xué)方法具有明顯的優(yōu)勢。形態(tài)學(xué)是一種非線性濾波方法，它可以用來解決圖像濾波、邊緣檢測、圖像分割、形狀識別、紋理分析、圖像壓縮、圖像恢復(fù)與重建等圖像處理問題。經(jīng)過上述過程就完成了基于統(tǒng)計直方圖投影的車牌精確定位。只不過此時得到的直方圖上會有一系列的峰值，而不是一個峰值，直方圖呈現(xiàn)出峰—谷—峰的結(jié)構(gòu)。然后，對在水平方向上做直方圖投影，一般情況下在直方圖中會有一個被兩個波谷包圍的一個波峰區(qū)域，此區(qū)域擁有直方圖上的最大峰值且占據(jù)了直方圖的大部分寬度，判定此波峰區(qū)域?yàn)檐嚺频乃骄ㄎ粎^(qū)域?？紤]粗定位區(qū)域在水平方向上的一階差分運(yùn)算，通過一節(jié)差分運(yùn)算，可以有效的突出粗定位區(qū)域中灰度變換頻繁的區(qū)域。(2) 車牌的精定位在車牌區(qū)域中，其紋理結(jié)構(gòu)和背景有很大的差別，車牌區(qū)域具有更多更密集的縱向邊界，而且車牌字符和背景的對比度比較大，在車牌區(qū)域上的表現(xiàn)就是車牌區(qū)域水平方向上的灰度變化頻度很高。需要注意的是，經(jīng)過粗定位后，可能會得到得到多個車牌粗定位的候選區(qū)域。然后，再對得到的行區(qū)域進(jìn)行列掃描，同樣可以大致確定車牌的開始列和結(jié)束列。這種方法又分為行定位和列定位兩步。由于車牌區(qū)域中包含有大量的邊緣信息，因此對該行（列）進(jìn)行掃描時，其灰度跳變的次數(shù)將明顯有別于其它非車牌區(qū)域的行（列）。使用此方法進(jìn)行車牌定位分為兩步：首先對車牌進(jìn)行粗定位，然后在粗定位圖像的基礎(chǔ)上對車牌進(jìn)行精確定位。其跳變特征在很大程度上標(biāo)示了車牌的位置信息。相對于其它非車牌區(qū)域來說，車牌區(qū)域包含有字符的變化特征，即含有豐富的邊緣信息（細(xì)節(jié)信息）。下面對幾種主要的車牌定位算法進(jìn)行簡單的分析介紹。因此，尋求魯棒性更高并且同時兼具實(shí)時性和適應(yīng)性的定位算法一直都是人們不懈追求的目標(biāo)。3．1 常用的車牌定位算法車輛牌照的定位問題是在復(fù)雜背景下的圖像分割和目標(biāo)提取問題。另外，車牌定位的速度也會對車牌識別系統(tǒng)的性能以及實(shí)際應(yīng)用產(chǎn)生重大的影響。3 車牌定位車牌定位就是將車牌區(qū)域從整個車牌圖像中尋找出來。圖像預(yù)處理效果的好壞，將對車牌識別的后續(xù)處理過程（如車牌定位，字符分割等）產(chǎn)生直接的影響。 reborts算子的邊緣檢測2．5 本章小結(jié)本章主要介紹了車牌識別系統(tǒng)中所要用到的相關(guān)的圖像預(yù)處理技術(shù)。Roberts模板使用斜向上的4個像素的交叉差分定義的，即： （）一般情況下，可以將上式簡化為如下兩種形式： （） （）公式（）和（）表示稱模板的形式如下：Roberts算子采用對角線方向上相鄰兩個像素之差近似梯度幅值檢測邊緣。假設(shè)灰度圖像是具有整數(shù)像素坐標(biāo)的輸入。用一維高斯函數(shù)： ()構(gòu)造高斯濾波器，分別按行和列對原始圖像進(jìn)行卷積操作，得到平滑圖像。 Canny算子Canny[9]算子是于1986年由Canny提出的基于最優(yōu)化算法的邊緣檢測算子，它把邊緣檢測問題轉(zhuǎn)換為檢測單元函數(shù)極大值的問題，具有很好的信噪比和檢測精度。圖像區(qū)域的邊緣可以分為兩種：一種是階躍邊緣，它的兩邊的像素的灰度值有著明顯的不同；還有一種是屋頂邊緣，它位于灰度值從增加到減少（或者從減少到增加）的變化的轉(zhuǎn)折點(diǎn)上[8]。圖像的邊緣檢測是圖像分割、紋理特征提取以及形狀特征提取等圖像后續(xù)處理的前提。邊緣檢測是數(shù)字圖像處理和計算機(jī)視覺中的基本問題，其目的是標(biāo)識數(shù)字圖像中亮度變化明顯的點(diǎn)。二值化的原理[6]就是利用圖像中目標(biāo)圖像與背景圖像直接灰度值上的差異，從而取得一個閾值或者閾值范圍，再用這個結(jié)果將圖像轉(zhuǎn)換為只有目標(biāo)圖像和背景圖像的二值化圖像。在二值圖像中，黑色用0表示，白色用1表示，二者之間沒有灰度層次的變化。彩色圖像的灰度化方法主要有如下三種（g代表灰度化后像素點(diǎn)的亮度值）：（1） 取平均值法，取彩色圖像中像素點(diǎn)三個分量的平均值，即： （）（2） 取最大值法，取彩色圖像中像素點(diǎn)R、G、B三個分量的最大值，即： （）（3） 加權(quán)平均值法，根據(jù)彩色圖像像素點(diǎn)R、G、B三個分量的重要性或者其他指標(biāo)賦予三個分量不同的加權(quán)值、再使g等于R、G、B三個分量的加權(quán)平均值，即： （）。如在一幅RGB圖像中，如果圖像中每一個像素的R、G、B分量都相等，即R=G=B，則該圖像將會表現(xiàn)出灰度圖像的特征。由此我們可以很容易發(fā)現(xiàn)，處理灰度圖像時程序的執(zhí)行效率將遠(yuǎn)遠(yuǎn)高于執(zhí)行同樣的彩色圖像時程序的執(zhí)行效率?；叶葓D像的亮度信息為256級[4]，即每一個灰度圖像的像素點(diǎn)的取值為0~255之間的整數(shù)值。因此，在進(jìn)行車牌識別過程時，有必要將彩色圖像轉(zhuǎn)換為灰度圖像。這就導(dǎo)致在對彩色圖像進(jìn)行圖像處理時，會占用更多的存儲空間，并且會極大的降低系統(tǒng)的處理速度。也就是說，RGB空間下一幅圖像的存儲矩陣大小為，這樣就使得在RGB空間下彩色圖像所占用的存儲空間很大[3]。在彩色顏色空間下，彩色圖像包含了大量的顏色信息。2．2 圖像的灰度化現(xiàn)如今，在智能交通系統(tǒng)中拍攝到的車牌圖像基本上都是真彩色圖像。上述所說的這些在展開識別過程以前，為了弱化、甚至消除對識別結(jié)果不利的因素，而采取的對車牌圖像的前期處理工作，被稱之為車牌圖像的預(yù)處理過程。對于實(shí)際拍攝到的圖片，由于天氣、光照以及速度等外部因素的影響，往往使得這些圖像并不能直接應(yīng)用到車牌識別過程中，而必須先對圖像進(jìn)行前期的處理，以增強(qiáng)圖像的質(zhì)量。2 車牌圖像的預(yù)處理2．1 預(yù)處理技術(shù)概述 在數(shù)字圖像處理中，圖像的預(yù)處理過程是數(shù)字圖像處理的重要組成部分。第一章為引言，介紹了課題研究背景，國內(nèi)外研究現(xiàn)狀，車牌識別系統(tǒng)的結(jié)構(gòu)圖以及本文的工作安排；第二章為車牌圖像的預(yù)處理，介紹了圖像處理相關(guān)知識，并對車牌進(jìn)行灰度化、二值化以及邊緣檢測；第三章為車牌定位，簡要介紹了基于紋理特征和數(shù)學(xué)形態(tài)特征的車牌定位方法，并給出定位結(jié)果；第四章為字符切割，根據(jù)車牌自身特征，采用一種對水平投影法進(jìn)行改進(jìn)的車牌字符分割的方法對車牌進(jìn)行分割；第五章為字符識別，詳細(xì)介紹了模板匹配的方法，建立了字符模板，以及用AD算法檢測待測字符和模板字符中的相似程度，最終通過MATLAB實(shí)現(xiàn)了車牌數(shù)字與字母的識別；第六章為結(jié)論，總結(jié)了本文所做的主要工作，并分析了其中的不足之處，以待今后改進(jìn)。整個車牌識別系統(tǒng)的關(guān)鍵技術(shù)是[3]一是車牌的定位；二是車牌字符的識別。用來確定車牌在整個圖像中的相對位置，其輸入是整個原始圖像，輸出是長方形車牌圖像；第三步車牌字符的分割。1．4　車牌識別系統(tǒng)的構(gòu)成一個完整的汽車車牌識別系統(tǒng)的工作過程主要分為四個步驟：第一步預(yù)處理，由于攝像條件和客觀因素的限制，如車輛牌照不整潔，光照條件不好，角度不適合，車速較快等原因，很容易對車牌識別系統(tǒng)的準(zhǔn)確性造成干擾。因而進(jìn)一步加深車牌定位的研究是非常必要的。為此，近年來不少學(xué)者針對車牌本身的特點(diǎn)，車輛拍攝的不良現(xiàn)象及背景的復(fù)雜狀況，先后提出了許多有針對性的定位方法，使車牌定位在技術(shù)和方法上都有了很大的改善。目前國外的相關(guān)研究有： （1） Barros提出的基于掃描行高頻分析的方法； （2） Lancaster提出的類字符分析方法等，為了解決圖像惡化的問題； （3） Kat提出的基于顏色的提取方法。在一定情況下，還必須快速實(shí)時地完成。由于背景的復(fù)雜性，背景紋理及顏色的復(fù)雜不確定性，這些問題給提取字符區(qū)域帶來較大困難。在各種應(yīng)用中，有使用模糊數(shù)學(xué)理論也有用神經(jīng)元網(wǎng)絡(luò)的算法來識別車牌中的字符，但由于外界環(huán)境光線變化、光路中有灰塵、季節(jié)環(huán)境變化及車牌本身比較模糊等條件的影響，給車牌的識別帶來較大的困難。由于在實(shí)際中存在光照、污損、缺損、無牌、格式多樣等各種技術(shù)難題，這一技術(shù)一直都停留在實(shí)驗(yàn)室階段，無法在實(shí)際工程中得到廣泛應(yīng)用。汽車識別技術(shù)在牌識別技術(shù)在車輛過路、過橋全自動不停車收費(fèi)，交通流量控制指標(biāo)的測量，車輛自動識別，高速公路上的事故自動測報，不停車檢查，車輛定位，汽車防盜，稽查和追蹤車輛違規(guī)、違法行為，維護(hù)交通安全和城市治安，防止交通堵塞，提高收費(fèi)路橋的服務(wù)速度，緩解交通緊張狀況等方面顯出了強(qiáng)勁的生命力。關(guān)鍵詞：汽車牌照，圖像處理 ，字符識別，模板匹配Number and Charact