【正文】 3基于邊緣檢測(cè)的定位方法 .............................................................................. 17 3． 2． 4基于數(shù)學(xué)形態(tài)學(xué)的定位方法 .......................................................................... 17 3． 2． 5基于遺傳算法的定位方法 .............................................................................. 18 3． 2． 6基于神經(jīng)網(wǎng)絡(luò)的定位方法 .............................................................................. 18 3． 3車牌定位流程及結(jié)果 .......................................................................................... 18 第四章 傾斜校正 ....................................................................................................... 23 4． 1 Hough變換角度檢測(cè)原理 ................................................................................... 23 4． 2 Radon變換角度檢測(cè)原理 ................................................................................... 24 4． 3基于 Radon變換的車牌圖像校正 ......................................................................... 25 第五章 車牌字符分割 ................................................................................................ 27 5． 1車牌區(qū)域的預(yù)處理 .............................................................................................. 27 5． 2字符的分割與歸一化 .......................................................................................... 30 第六章 總結(jié)與展望 .................................................................................................... 33 6． 1 總結(jié) .................................................................................................................. 33 6． 2今后展望 ............................................................................................................ 33 致謝 ........................................................................................................................... 35 參考文獻(xiàn) .................................................................................................................... 36 附錄 ........................................................................................................................... 38 第一章 緒論 1． 1 課題研究背景與意義 近年來，隨著經(jīng)濟(jì)的快速發(fā)展，社會(huì)信息化程度同益提高，智能交通管理系 統(tǒng)已經(jīng) 逐漸成為 21 世紀(jì)道路交通的發(fā)展趨勢(shì)。車牌自動(dòng)識(shí)別 (License Plate Recognition， LPR)系統(tǒng)正是在這種應(yīng)用背景下提出的能夠自動(dòng)、實(shí)時(shí)地檢測(cè)車輛經(jīng)過和識(shí)別汽車牌照的智能交通管理系統(tǒng)的重要組成部分。 車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用于這些地方，可以解決通緝車輛的自動(dòng)稽查問題，可 以解決車輛高峰期因出入車流瓶頸造成的陸橋卡口、停車場(chǎng)交通堵塞問題，可以 解決因工作人員作弊造成的陸橋卡口、高速公路、停車場(chǎng)應(yīng)收款流失的問題，還 可以最簡(jiǎn)單的方式完成交通部門的車輛信息聯(lián)網(wǎng)，解決數(shù)據(jù)統(tǒng)計(jì)自動(dòng)化、模糊查 詢的問題。在車牌識(shí)別的過程中，雖然運(yùn)用了很多的技術(shù)方法，但由于外界環(huán)境光 線變化、光路中有灰塵、季節(jié)環(huán)境變化及車牌本身被污染而模糊等條件的影響， 使得車牌識(shí)別系統(tǒng)一直處于實(shí)驗(yàn)室階段，得不到很好的應(yīng)用；而且，很多的方法 都需要大量的數(shù)值計(jì)算，不能很好地滿足實(shí)時(shí)性要求。雖然提高了識(shí)別率，但是，這同時(shí)也造成了系統(tǒng)的投資成本過大，應(yīng)用領(lǐng)域變窄，不能普遍推廣應(yīng)用。另外日本、加拿大、德國(guó)、意大利、英國(guó)等各個(gè)西方發(fā)達(dá)國(guó)家 都有適合本國(guó)的車牌識(shí)別系統(tǒng)。 國(guó)內(nèi)做得好的產(chǎn)品有中科院自動(dòng)化所漢王公司的“漢王眼”，除此之外國(guó)內(nèi)的亞洲視覺科技有限公司，中科院沈陽自動(dòng)化所的沈陽聚德公司，深圳市吉通電子有限公司，中國(guó)信息產(chǎn)業(yè)部下屬的中智交通電子預(yù)先公司等也都有自己的產(chǎn)品，另外，西安交通大學(xué)的圖像處理與識(shí)別研究所，上海交通大學(xué)的計(jì)算機(jī)科學(xué)與工程系，清華大學(xué)人工智能國(guó)家重點(diǎn)實(shí)驗(yàn)室，浙江大學(xué)的自動(dòng)化系等也都做過類似的研究。上述方法，盡管在一定的條件下能夠定位出車牌，但車牌識(shí)別系統(tǒng)大多是利用攝像機(jī)室外拍攝車牌圖像，存在許多外在的干擾，如天氣、背景因素、車牌磨損、污染、圖像中車牌傾斜等因素，因此定位并不十分理想。它的方法多種多樣，它可以是對(duì)先前方法的改進(jìn)，也可以是獨(dú)辟蹊徑的創(chuàng)新，也可以是新老方法的結(jié)合 。車牌定位是車牌識(shí)別的基礎(chǔ)，車牌定位的結(jié)果直接影響著字符分割和字符識(shí)別的效果，所以有必要對(duì)車牌定位方法進(jìn)行深入的研究。車牌字符分割屬于印刷體字符分割的范疇。對(duì)于字符分割的問題常常不被重視，但是字符的正確分割對(duì)字符的識(shí)別又很關(guān)鍵。目前的字符分割 的算法一直在不斷完善。但是考慮到車牌中字符可能存在的粘連、斷裂情況，字符分割技術(shù)仍然需要進(jìn)一步改進(jìn)。 圖 11系統(tǒng)總流程圖 輸入車牌圖像 車牌圖像預(yù)處理 車牌定位 傾斜校正 字符分割 圖 12 車牌定位的流程圖 圖 13 字符分割與歸一化流程圖 1． 4 論文章節(jié)安排 第一章為緒論。同時(shí)還給出了本文研究的主要內(nèi)容和論文的章節(jié)安排。詳細(xì)地闡述了車牌定位分割過程中涉及到的圖像處理技術(shù)的基本理論 ,并結(jié)合課題程序進(jìn)行探討分析。分析了車牌定位的基本原理和現(xiàn)有的定位方法 ,利用圖像處理的技術(shù) ,提出了基于 數(shù)學(xué)形態(tài)學(xué)與邊緣檢測(cè)以及顏色相結(jié)合的 車牌[m， n]=size（ d），逐排檢查有沒有白色像素點(diǎn)，設(shè)置 1=jn1，若圖像兩邊 s（ j） =0，則切割，去除圖像兩邊多余的部分 切割去圖像上下多余的部分 根據(jù) 圖像的大小，設(shè)置一閾值，檢測(cè)圖像的 X 軸，若寬度等于這一閾值則切割，分離出七個(gè)字符 歸一化切割出來的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配 對(duì)車牌圖像進(jìn)行預(yù)處理， 得到車牌的基本形態(tài) 去除非目標(biāo)區(qū)域 通過計(jì)算尋找 X 和 Y方向車牌的區(qū)域 完成車牌定位 定位方法。 第四章為傾斜校正。 第五章為車牌字符分割。最后對(duì)字符分割實(shí)驗(yàn)結(jié)果進(jìn)行了分析。 附錄為程序代碼。在 RGB 模型中，例如 R=G=B，則顏色表示一種灰度顏色，其中 R=G=B 的值叫做灰度值，我們用 g來表示。由于彩色圖像的存儲(chǔ)大都占用很大的空間，在對(duì)圖像進(jìn)行切割處理時(shí)經(jīng)常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快后續(xù)的處理速度?；叶然奶幚矸椒ㄖ饕腥缦氯N : （ 1）最大值法 :使 g 的值等于三值中的最大的一個(gè)，見式 (21) max( , , )g R G B? （ 21) (2) 平均值法 :使 g 的值等于三值和的平均值，見式 (22) 3R G Bg ??? (22) (3)加權(quán)平均值法 :根據(jù)重要性或其他指標(biāo)給 R， G， B 賦予不同的權(quán)值，并使 g等于它們的值的加權(quán)平均值，見式 (23) 3R G BW R W G W Bg ??? (23) 其中 RW , GW , BW 分別為 R， G， B的權(quán)值。本文根據(jù)加權(quán)平均值法進(jìn)行灰度化。D:\MATLAB7\39。%讀入彩色車牌圖像 figure(1),imshow(I)。原圖 39。%灰度化 figure(2),subplot(1,2,1),imshow(I1)?；叶葓D 39。 figure(2),subplot(1,2,2),imhist(I1)。灰度圖直方圖 39。 圖 21 彩色車牌圖像 圖 22 車牌圖像的灰度圖及其直方圖 下面圖 23到圖 25 是對(duì)其他車牌圖像進(jìn)行灰度化和其直方圖的顯示結(jié)果。 圖 23 車牌圖像的灰度圖及其直方圖 圖 24 車牌圖像的灰度圖及其直方圖 圖 25 車牌圖像的灰度圖及其直方圖 2． 2 圖像增強(qiáng) 圖像在獲取和傳輸過程中通常都會(huì) 混入很多噪聲，導(dǎo)致圖像質(zhì)量的下降，使圖像的細(xì)節(jié)難以辨認(rèn)、模糊、輪廓不清楚甚至畸變，不利于人和機(jī)器對(duì)圖像的理解。圖像增強(qiáng)是使用的比較多的一種方法，增強(qiáng)的目的是增強(qiáng)圖像的視覺效果，提高圖像的清晰度，使其更加便于人或者機(jī)器處理。出于對(duì)實(shí)時(shí)性的考慮，在車牌識(shí)別系統(tǒng)中一般很少使用頻域增強(qiáng)法。 通過直方圖發(fā)現(xiàn)車輛牌照?qǐng)D象的灰度取值范圍大多局限在 r=(50,200)之間，而且總體上灰度偏低，圖象較暗。%非線性變換 figure(3),subplot(1,2,1),imshow(J)?；叶壤旌蟮膱D 39。 figure(3),subplot(1,2,2),imhist(J)?；叶葓D直方圖 39。 圖 27 灰度拉伸后的圖像及其直方圖 程序中使用 imadjust 函數(shù)來實(shí)現(xiàn)圖像的灰度拉伸。 從圖 27中可以看出原始車牌圖像視覺效果一般，經(jīng)過灰度拉伸后，圖像感覺清晰了許多。 2． 3 車牌圖像的二值化 灰度圖像是有 256個(gè)灰度級(jí)的單色圖像，多級(jí)別的圖像能夠呈現(xiàn)出較為豐富的明暗度，但對(duì)于目標(biāo)搜索來說，總是希望盡可能地減少背景像素的干擾，而保存或增強(qiáng)目標(biāo)區(qū)的色素度。這是因?yàn)椋环矫?，有些需要處理的如文字圖像、指紋圖像、工程圖紙等圖像本身是二值的 。這是考慮到在實(shí)際的圖像處理系統(tǒng)中，要求處理的速度高、成本低、信息量大的濃淡圖像處理的花銷太大。 如何將圖像分成兩級(jí)，關(guān)鍵看閾值 的選取，要找到合適的閾值 t 來區(qū)分對(duì)象和背景。 目前二值化有多種閾值選取方法。全局閾值法是指在二值化過程中只使用一個(gè)閾值，典 型的全局閾值方法包括 Ostu 方法、最大熵方法等，優(yōu)點(diǎn)在于算法簡(jiǎn)單，對(duì)于目標(biāo)和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對(duì)輸入圖像量化噪聲或不均勻光照等情況抵抗能力差，應(yīng)用受到極大限制 。動(dòng)態(tài)閾值 法的閾值確定不僅取決于該像素的灰度值及其周圍像素的灰度值，而且 與像素位置信息有關(guān)。缺點(diǎn)是算法復(fù)雜，耗費(fèi)資源較多。藍(lán)白車牌和黑白車牌車牌底色和字符顏色對(duì)比明顯，而黃黑車牌的車牌底色和字符顏色對(duì)比不太明顯。令 T代表一副灰度圖像的閾值， maxG 為圖像中實(shí)際像素的最高灰度值， minG 為相對(duì)最小灰度值，對(duì)于一幅灰度級(jí)為 256 級(jí)的灰度圖像，從第 l 級(jí)開始，每 16 個(gè)灰度級(jí)分為一個(gè)灰度級(jí)組，從而把 256 級(jí)分為 16 組 (分組序號(hào) n=1， 2...， 16)，然后在整幅圖像中逐個(gè)搜索每一個(gè)像素，并根據(jù)該像素的灰度值將其歸入相應(yīng)的灰度級(jí)組，整幅圖像掃描完畢后統(tǒng)計(jì)每個(gè)灰度級(jí)組的像素?cái)?shù)量，記錄像素?cái)?shù)量最多的灰度級(jí)組的分組 序號(hào) n，通過式 (28)可求出 G: m in ( 1) 16Gn