【正文】 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，這樣就便于通過邊緣檢測來對圖象進行分割。 由上圖可以歸納起來以下方面:原始圖像清晰度比較高，從而簡化了預(yù)處理，結(jié)合MATLAB實驗過程，得出不是每一種圖像處理之初都適合濾波和邊界增強。圖9 原始圖像圖10 灰度圖車輛圖像進行灰度拉伸后的效果對比如圖11所示，從圖中可以看出，灰度拉伸后，對比度明顯增強，車牌區(qū)域更加明顯。把每一幅相減后的圖的0值個數(shù)保存，即為識別出來的結(jié)果。其他模板設(shè)計的方法與此相同。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個，大寫英文字母26個，數(shù)字10個。 圖8 字符識別流程圖 此處采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點的位置發(fā)生改變。 (2)依次從待識別的字符與模板字符的相似度中找出最大相似度所對應(yīng)的模板字符，判斷是否大于該字符的閾值 T，如果 S 大于 T ，那么待識別的字符的匹配結(jié)果就是該模板字符，反之，如果 S 小于 T，表示不匹配，則需要重新檢測。匹配時相似度函數(shù)定義為： （7）其中， 為待識別車牌字符圖像中像素點 的灰度值，這里的取值為 0或1，為模板字符圖像中像素點的灰度值，這里的取值為 0 或1；M 和N為模板字符點陣橫向和縱向包含的像素個數(shù)。 這四種方法中，模板匹配是車牌字符識別最簡單的方法之一，神經(jīng)網(wǎng)絡(luò)字符識別算法是目前比較流行的算法，本章重點研究模版匹配算法。主要有兩種方法應(yīng)用于字符識別：一種是先對待識別字符進行特征提取，然后用所獲得的特征來訓(xùn)練 SVM分類器。4）支持向量機模式識別算法。這種網(wǎng)絡(luò)互連較多，待處理信息量大，抗干擾性能好，識別率高。其中，字符特征的提取是研究的關(guān)鍵，特征參數(shù)過多會增加訓(xùn)練時間，過少會引起判斷上的歧義。3 ）神經(jīng)網(wǎng)絡(luò)字符識別算法。統(tǒng)計特征匹配法的要點是先提取待識別模式的一組統(tǒng)計特征，然后按照一定的準(zhǔn)則所確定的決策函數(shù)進行分類判決。在實際應(yīng)用中，為了提高正確率往往需要使用大的模板或多個模板進行匹配，處理時間則隨著模板的增大以及模板個數(shù)的增加而增加。模板匹配字符識別算法的實現(xiàn)方法是計算輸入模式與樣本之間的相似性，取相似性最大的樣本為輸入模式所屬類別。在此只進行了歸一化處理，然后進行后期處理。 字符歸一化 一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要。它在前期牌照定位的基礎(chǔ)上進行字符的分割，然后再利用分割的結(jié)果進行字符識別[7]。 5 牌照字符分割 字符字符切分綜述 在車輛牌照準(zhǔn)確定位后，本章主要是對車輛牌照識別中的字符切分算法進行研，車牌字符切分的流程框圖如圖12所示?？紤]所有的情況，一般情況下最小的寬度為 width/9。這樣，如果平均分配每個字符在牌照中占據(jù)的寬度，那么每個字符寬度為：width/7（width為車牌圖像的寬度）。 國內(nèi)汽車牌照種類很多，為研究方便以常見的藍色車牌為例來說明。根據(jù)車牌底色等有關(guān)的先驗知識，采用彩色像素點統(tǒng)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍色RGB對應(yīng)的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內(nèi)的像素點數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。動態(tài)調(diào)節(jié)閥值來實現(xiàn)圖像的二值化可動態(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，并且處在一個具有其他等級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。 圖像二值化的基本原理 圖像的二值化處理就是將圖像上的點的灰度值置為 0 或255，這樣處理后整個圖像呈現(xiàn)明顯的黑白效果，即將 256 個亮度等級的灰度圖經(jīng)過合適的閾值選取，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，它是指在圖像上對目標(biāo)像素給一個模板，該模板包括了其周圍的臨近像素。二值圖像與灰度圖像相比，信息量大大減少，因而處理二值圖像的速度快，成本低，實用價值高。 車牌二值化 經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對圖像二值化。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(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)。此時可進一步確定牌照在整幅圖象中的準(zhǔn)確位置。 圖6 牌照定位與分割流程圖牌照圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強。 車牌號碼初定位牌照的定位[6]和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個圖象中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個牌照字符識別系統(tǒng)的識別率。 其次，利用分析結(jié)論7，可以利用字符在牌照的排列縮小候選字符的集合規(guī)模，加快識別速度或進行識別后結(jié)果的糾正判別。結(jié)合GA3692標(biāo)準(zhǔn)，牌照圖像的實際大小可能隨著CCD攝像頭采集的時機不同而產(chǎn)生一定的縮放，但是總體比例不會發(fā)生大的變化。現(xiàn)實環(huán)境下，車牌有時安裝后，車輛廠商的商標(biāo)會遮擋牌照外輪廓線，但商標(biāo)本身又是一個輪廓線，其亮度與背景的亮度差異也很大，同樣可以利用之。字符總數(shù)共有70個。）l 字符和字符之間或字符和分割符之間的距離為12mm；l 使館牌照的間隔符在第4和第5個字符之間，其余的車牌的間隔符在第l 2個和第3個字符之間。 本論文中，不考慮車牌在背景色和前景色上的差異，在這些車牌中，大型汽車（前）、小型汽車、使領(lǐng)館汽車、境外汽車、外籍汽車、教練車和試驗汽車的號牌格式完全一樣，同時，由于小型車數(shù)量最多，出現(xiàn)概率最大，牌照規(guī)范與其它幾種車牌很相似，算法的識別對象最終設(shè)定為小型車。 在這10種汽車中，編號為9和10的臨時入境和臨近行駛汽車以及使領(lǐng)館汽車由于數(shù)量很少、出現(xiàn)的概率極小，為了簡化算法和節(jié)省時間，忽略這幾種車型的特殊性，認(rèn)為它們與其他的7種汽車車型一致，采用相同的方法進行識別。英文字母中的I和O不用，避免和數(shù)字中的1和0沖突。后面的編號一般5位編號，從0000199999，編號超過10萬就由A，B，C等字母代替。這10種汽車車牌的幾何外形大小和顏色信息如下表所示（均、警車牌這里暫時不考慮）。 車牌特征的信息分析 車牌特征的信息分析機動車牌照作為機動車的“身份證”，制造和使用都有嚴(yán)格的規(guī)范加以明確規(guī)定。在粗定位階段中采用了基于數(shù)學(xué)形態(tài)學(xué)的定位方法，在得到定位圖像后進行細(xì)定位，在細(xì)定位中采用車牌顏色特征的方法以獲得最后定位圖像。本文結(jié)合車牌紋顏色與數(shù)學(xué)形態(tài)學(xué)兩方面的特征對車牌進行定位，對于提高車牌定位準(zhǔn)確率提供更有利的保障。腐蝕、膨脹、開啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運算。目前已有不少學(xué)者在這方面進行了研究。LOG濾波器中的a正比于低通濾波器的寬度，a越大，平滑作用越顯著，去除噪聲越好，但圖像的細(xì)節(jié)也損失越大，邊緣精度也就越低。這兩者對灰度漸變低噪聲的圖像有較好的檢測效果，但是對于混合多復(fù)雜噪聲的圖像，處理效果就不理想了。邊緣提取是較經(jīng)典的算法，能夠進行檢測的方法有多種，如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測；Robert算子定位比較精確，但由于不包括平滑，所以對于噪聲比較敏感。 圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。為了克服這種平均化引起的圖象模糊現(xiàn)象，我們給中心點象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點才能替換為鄰域平均值，而差值不大于閾值時，仍保留原來的值，從而減少由于平均化引起的圖象模糊。例如，某一象素點的鄰域S 有兩種表示方法：8鄰域和4鄰域分別對應(yīng)的鄰域平均值為： 表2 8領(lǐng)域 表3 4領(lǐng)域23i,j144325i,j1678 （6） 其中，M 為鄰域中除中心象素點f(i,j) 之外包括的其它象素總數(shù)，對于4鄰域M=4，8 鄰域M=8。中值濾波的主要原理是：首先確定一個以某個像素為中心點的鄰域，一般為方形鄰域；然后將鄰域中的各個像素的灰度值進行排序，取其中間值作為中心點像素灰度的新值，這里的鄰域通常被稱為窗口；當(dāng)窗口在圖像中上下左右進行移動后，利用中值濾波算法可以很好地對圖像進行平滑處理。圖像平滑包括空域濾波和頻域濾波。在汽車牌照圖像處理初期，若不能有效抑制或者去除這些噪點，將影響車牌定位的準(zhǔn)確性或者造成無法定位。它將輸入圖像中某點的灰度，通過映射函數(shù)T，映射成輸出圖像中的灰度，即： ( （4） 假定原圖像的灰度范圍為[s1,s2] 希望變換后圖像的灰度范圍擴展至[t1,t2] ，可采用下述線性變換來實現(xiàn)。 所謂灰度拉伸，是指根據(jù)灰度直方圖的分布有選擇地對灰度區(qū)間進行分段拉伸以增強對比度。 . 灰度拉伸 對車輛圖像進行灰度化處理之后，車牌部分和非車牌部分圖像的對比度并不是很高，此時如果直接進行邊緣提取，由于車牌界限較為模糊，難以提取出車牌邊緣，因而難以準(zhǔn)確定位車牌。由于人眼對綠色最為敏感，紅色次之，對藍色的敏感性最低，因此使 將得到較易識別的灰度圖像。 (3)加權(quán)平均值法：按照一定的權(quán)值，對R、G、B 的值加權(quán)平均，即： （3） 其中， 、 、分別為R、G、B 的權(quán)值。 圖像灰度化的算法[4]主要有以下3 種： (1)最大值法：使轉(zhuǎn)化后R、G、B 的值等于轉(zhuǎn)化前3 個值中最大的一個，即： （1）這種方法轉(zhuǎn)換的灰度圖亮度很高。彩色圖像分為 R、G、B 三個分量，分別顯示出紅、綠、藍等各種顏色，灰度化就是使彩色的R 、G、B 分量相等的過程。[3]其流程圖為： 圖5 預(yù)處理及邊緣提取流程圖 圖像灰度化 灰度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時看到的亮度連續(xù)變化的黑白照片就是一幅灰度圖。 利用攝像頭拍攝到的車輛圖像往往存在很多噪點，因此在進行識別前要進行車輛圖像的預(yù)處理。軟件部分在整個系統(tǒng)中占有很重要的地位，而且軟件的優(yōu)化和升級能在很大程度上彌補硬件的不足，因此是本文研究的重點，軟件研究主要是設(shè)計車牌識別系統(tǒng)的主體，包括基于小波變換的車牌定位模塊、基于Otsu 算法的車牌字符切分模塊以及基于改進的BP神經(jīng)網(wǎng)絡(luò)算法的車牌字符識別模塊。首先，簡單介紹了車牌識別系統(tǒng)的組成部分，包括硬件部分和軟件部分。為了提高識別率，除了不斷的完善識別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識別。牌照質(zhì)量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實際拍攝過程也會受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種：一種是先對待識別字符進行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別出結(jié)果。 圖3 牌照字符分割流程圖 牌照字符識別字符識別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。圖2 牌照定位流程圖 牌照字符分割完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進行識別。 車牌定位自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。 圖像預(yù)處理 由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準(zhǔn)確性。采用25X25的結(jié)構(gòu)元素，對圖像進行閉合應(yīng)算使車牌所在的區(qū)域形成連通。對圖像進行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對車牌進行定位。，使得研究人員不必過于關(guān)心程序的細(xì)節(jié)問題，可以將主要的精力放在算法的研究、設(shè)計方面，極大地減少了工作量，為算法的研究改進提供了先決條件。 本文設(shè)計的系統(tǒng)采用MATLAB搭建車輛牌照識別系統(tǒng)，具有非常明顯的優(yōu)勢： Acquisition Toolbox 、Image Processing Toolbox 以及Neural Network Toolbo