【正文】 列、新加坡等國(guó)家，現(xiàn)在都 已經(jīng)有比較成熟的產(chǎn)品投入使用，比如美國(guó)的（ AUTOSCOF）2020系統(tǒng) 、 以色列的 HiTech公司研制的 See/Car System、德國(guó)西門(mén)子公司的 ARTEM7SXI系統(tǒng)、新加坡的 Optasia 公司研制的 VLPRS 等車(chē)牌識(shí)別系統(tǒng)，但因?yàn)槲覈?guó)車(chē)牌樣式的多樣性、車(chē)牌顏色的多樣性以及包含漢字等特點(diǎn)，這些車(chē)牌識(shí)別系統(tǒng)部適合我國(guó)國(guó)情。目前，這一領(lǐng)域的研究很活躍。 關(guān)于車(chē)牌定位方面，主要理由車(chē)牌的邊緣、形狀、顏色等特征，再結(jié)合數(shù)字圖像處理、形態(tài)學(xué)、小波變換、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)對(duì)車(chē)牌進(jìn)行定位。 提出一種基于迭代閾值的車(chē)牌定位方法，根據(jù)車(chē)牌上文字變化特點(diǎn)快速、準(zhǔn)確地從復(fù)雜背景 中分割車(chē)牌。這種方法迭代閾值的時(shí)間長(zhǎng)，而且對(duì)噪聲比較敏感，需要大量的去噪計(jì)算工作。 基于 神經(jīng)元網(wǎng)絡(luò)的方法有基于 BP 網(wǎng)絡(luò)的牌照定位方法，在該算法中，使用一個(gè)滑動(dòng)窗口作為 采樣窗口，在灰度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，當(dāng)輸出接近 時(shí)，表示滑動(dòng)窗口下的圖像 塊屬于車(chē)牌區(qū)域，當(dāng)輸出 近 時(shí)，表 示滑動(dòng)窗口下的圖像屬于背景區(qū)域。 基于彩色的車(chē)牌定位方法有采用多層感知器網(wǎng)絡(luò)對(duì)輸入彩色圖像進(jìn)行彩色分割及多級(jí)混合集成分類(lèi)器的車(chē)牌自動(dòng)識(shí)別方法。該方法識(shí)別正確率高、魯棒性好，車(chē)牌定位正確率達(dá)到 %。這種方法的主要思想是通過(guò)邊緣檢測(cè)算子 ColorPrewitt 和彩色邊緣檢測(cè)，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實(shí)現(xiàn)區(qū)域的連通，采用區(qū)域生長(zhǎng)方法標(biāo)記候選區(qū)域，最后利用車(chē)牌的先驗(yàn)知識(shí)，剔除虛假車(chē)牌區(qū)域，確定真正的車(chē)牌區(qū)域。特別是在車(chē)牌定位方面，還沒(méi)有一種通用的方法，研究高速、準(zhǔn)確的定位與識(shí)別算法依然是當(dāng)前需要解決的一個(gè)研究方向，車(chē)牌定位和識(shí)別，特別對(duì)我國(guó)車(chē)牌識(shí)別技術(shù)，存在以 下的難點(diǎn)： ⑴ 漢字識(shí)別率問(wèn)題。如何抽取漢字的有效特征使識(shí)別率提高，是目前研究的主要問(wèn)題之一。監(jiān)控系統(tǒng)攝取的車(chē)牌圖像含有豐富的自然背景及車(chē)身背景信息，易受照明條件、天氣因素及運(yùn)動(dòng)失真和模糊的影響，因此所獲取的圖像質(zhì)量一般都不高。國(guó)外許多國(guó)家汽車(chē) 牌照的底色和字符通常只有對(duì)比度較強(qiáng)的兩種顏色，而我國(guó)汽車(chē)牌照僅底色就有藍(lán)、黃、黑、白等多中顏色，字符也有黑、紅、白等若干種顏色；同時(shí)根據(jù)不同車(chē) 輛、車(chē)型、用途，規(guī)定了多種牌照格式（例如分為軍車(chē)、警車(chē)、普通車(chē)等）。如車(chē)牌懸掛位置不規(guī)范，車(chē)牌受到嚴(yán)重污染等也嚴(yán)重影響了車(chē)牌的識(shí)別率。主要研究了如何通過(guò)圖像的預(yù)處理、車(chē)牌的定位、車(chē)牌字符切分和字符識(shí)別等一系列過(guò)程完成汽車(chē)牌照的識(shí)別。 針對(duì)采集得來(lái)的車(chē)牌圖像質(zhì)量低、噪聲大等缺點(diǎn)，在對(duì)車(chē)牌識(shí)別前得進(jìn)行一系列的預(yù)處理，如灰度化、灰度拉伸、二值化、濾波等操作，并在此基礎(chǔ)上提出 一些 改進(jìn)的 方法和技術(shù)。 車(chē)牌字符分割和識(shí)別同樣是車(chē)牌識(shí)別的關(guān)鍵，文章對(duì)多中分割技術(shù)進(jìn)行分析 的 6 同時(shí)指出其優(yōu)點(diǎn)和缺點(diǎn)；采用神經(jīng)元網(wǎng)絡(luò) 識(shí)別技術(shù)對(duì)車(chē)牌的字符進(jìn)行識(shí)別，詳盡介紹了BP 網(wǎng)絡(luò)實(shí)現(xiàn)識(shí)別的步驟和原理。 7 第二章 圖像預(yù)處理 在汽車(chē)成像的過(guò)程中，受多種因素的影響，圖像質(zhì)量會(huì)有所下降，這種圖像質(zhì)量下降的過(guò)程稱(chēng)為圖像的退化。為了改善退化的牌照?qǐng)D像，必須對(duì)圖像進(jìn)行預(yù)處理。 目前，采 集到的車(chē)牌原始圖像大都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等設(shè)備來(lái)拍攝獲取的。彩色圖像包含大量的顏色信息，它的每個(gè)像素都具有三個(gè)不同的顏色分量 R、 G、 B，其需要占用的存儲(chǔ)空間很大，對(duì)其進(jìn)行處理時(shí)會(huì)浪費(fèi)較多的系統(tǒng)資源，降低系統(tǒng)的執(zhí)行速度。灰度圖進(jìn)行算法處理相對(duì)簡(jiǎn)便，首先 RGB 值一樣，且圖像數(shù)據(jù)就是調(diào)色板索引值，也就是實(shí)際的 RGB 亮度值，又因調(diào)色板是 256 色的，所以圖像數(shù)據(jù)中一個(gè)字節(jié)代表一個(gè)像素。所以，在實(shí)驗(yàn)室中一般采用 256 級(jí)灰度圖來(lái)進(jìn)行處理。位圖格式 （ BMP格式）的圖像由文件頭、位圖信息頭、圖像數(shù)據(jù)等部分組成。 BMP圖像以像素為單位記錄圖像數(shù)據(jù)。 彩色位圖格式 包含圖像的原始信息，所含信息豐富。文中的車(chē)牌算法是基于灰度圖像實(shí)現(xiàn)的，因此需要先對(duì)整個(gè)圖像灰度化。顏色的三個(gè)分量分別用 R， G， B表示，像素點(diǎn)的灰度值為 Grey，圖像灰度化可采用下面方法實(shí)現(xiàn)： Gray (x ,y )=R (x ,y )+G (x, y )+B( x ,y) (21) Gray (x, y)是轉(zhuǎn)換后灰度圖像在點(diǎn) (x,y)的灰度值， R (x ,y)、 G (x, y)、 B( x, y) 分別為轉(zhuǎn)換前點(diǎn) (x,y)的 R、 G、 B 分量。此時(shí)可以利用灰度的線(xiàn)性拉伸將灰度范圍拓展到 0 255 的度范圍。不同之拉伸不是完全的線(xiàn)性變換，而是分段進(jìn)行線(xiàn)性變換，它的拉伸范圍和 拓 展程度是可以自由選擇的。 灰度拉伸可以更加靈活的控制輸出灰度直方圖的分布，它可以有改善輸 出 圖像。 圖 22 如果一幅圖像灰度集中在較暗的區(qū)域而導(dǎo)致圖像偏暗，可以用灰度拉伸 功 能來(lái)拓展(斜率 1)物體灰度區(qū)間以改善圖像 。 現(xiàn)在關(guān)鍵的問(wèn)題是如何選取適當(dāng)?shù)?1x 、 2x 和 1y 、 2y ，使得對(duì)比度增強(qiáng)明 顯， 拉伸 10 效果更理想?？梢岳没叶戎狈綀D， 1x ，、 2 x 分別選取為直方圖的最大波峰兩側(cè)波谷所對(duì)應(yīng)的灰度值。在我們的系統(tǒng)中， 1x ，、 2 x 選取為兩大谷底對(duì)應(yīng)的灰度值， 11/2yx? ； 223 / 2yx? ， 這樣就可以把高灰度區(qū)和低灰度區(qū)壓縮，中間灰度區(qū)域拉伸，取得了很好的效果，其處理效果 如圖 23 所示。因此，在進(jìn)一步處理之前，必須對(duì)圖像進(jìn)行濾波。圖像增強(qiáng)的方法分為空域法和頻域法兩類(lèi)，空域法主要是對(duì)圖像中的各個(gè)像素點(diǎn)進(jìn)行操作；而頻域法是在圖像的某個(gè)變換域?qū)φ麄€(gè)圖像進(jìn)行操作，并修改變換后的系數(shù)，如傅立葉變換、 DCT 變換等的系數(shù)，然后再進(jìn)行反變換 ,便可得到處理后的圖像。 常用濾波方法介紹 均值濾波 均值濾波器適用于去除圖像中的顆粒噪聲。設(shè) S含有 M個(gè)像素，取其平均值作為處理后所得圖像點(diǎn)(m,n)處的灰度。一般取的形狀是正方形、矩形和 十字形等， S 的形狀和大小可以在全圖處理過(guò)程中保持不變，也可根據(jù)圖像的局部統(tǒng)計(jì) 特性而變化，類(lèi)似點(diǎn) (m,n)一般位于 S的中心。而且鄰域平均法也平滑了圖像信號(hào)，特別是可能使圖像目標(biāo)區(qū)域的邊界變得模糊。 中值濾波 中值濾波器是一種非線(xiàn)性濾波器，也是一種典型的低通濾波器，中值濾波是將鄰域中的像素按照灰度大小排序，若像素的數(shù)量為奇數(shù)，則取中間的數(shù)作為待處理像素 的灰度值，若像素的數(shù)量為偶數(shù)，則取中間的兩個(gè)像素灰度的平均值作為待處理像素的灰度值，假設(shè)一組數(shù)據(jù)按原來(lái)的位置排序?yàn)? 1，中值濾波的算法是將這組數(shù)排序?yàn)? 7，待處理的數(shù)為 7，則用 5代替 7，處理后的一組數(shù)變?yōu)? 1。中值濾波器能夠在抑制噪聲的同時(shí)不使邊緣模糊，而且方法簡(jiǎn)單、易實(shí)現(xiàn)，但有時(shí)會(huì)丟失圖像的細(xì)節(jié)。窗口的形狀可以是矩形、圓形和十字形等，窗口的尺寸一般先用 3 點(diǎn)，再取 5點(diǎn)然后逐點(diǎn)增大，直到達(dá)到滿(mǎn)意的效果。本文針對(duì)標(biāo)準(zhǔn)濾波的排序方法 ,根據(jù)窗口在移動(dòng)過(guò)程中前后窗口之間的相關(guān)性，同時(shí)根據(jù)窗口內(nèi)像素間的 統(tǒng)計(jì) 特性 ,采用方差和均值對(duì)像素點(diǎn)進(jìn)行噪聲判斷，來(lái)降低對(duì)邊緣細(xì)節(jié)信息的影響，提高濾波 效果和濾波的自適應(yīng)性。 （ 1）中值的確定 由于較大的窗口會(huì)倍增濾波時(shí)間 ,且窗口越大 ,圖像邊緣細(xì)節(jié)丟失越多，因此，在實(shí)際實(shí)驗(yàn)中采用 3 3窗口進(jìn)行濾波。 （ 2）噪聲點(diǎn)的確定 噪聲點(diǎn)的確定主要是判斷該像素點(diǎn)的灰度值是否大于某一個(gè)閾值 ,如果大于則為噪聲 ,反之則為信號(hào)點(diǎn)。這兩種方法噪聲判斷率不高。以噪聲圖像的像素Z(i,j)為中心，選取像素為 3 3的窗口，求出該窗口內(nèi)像素的均值 M和方差 2? 1122111 [ ( , ) ]9nm Z i n j m M? ? ? ? ?? ? ? ??? （ 25） 11111 ( , )9nmM Z i n j m? ? ? ?? ? ??? （ 26） 根據(jù)噪聲的特性 ,該像素點(diǎn)值 Z(i,j)，如果滿(mǎn)足： Z(i,j)≥ M+3δ或者 Z(i,j)≤ M3δ，則該像素為噪聲點(diǎn)。此處理過(guò)程有效的降低了去噪過(guò)程對(duì)圖像邊緣細(xì)節(jié)信息的影響 ,提高了圖像的信噪比。對(duì)模擬圖像進(jìn)行了濾波比較 ,并分別用 3 3窗口進(jìn)行實(shí)驗(yàn)，所得到的結(jié)果如 圖 24所示 設(shè)定頁(yè)眉 13 原圖 效果圖 水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影 校正方法 由于攝像機(jī)和車(chē)牌之間角度的變化 ,常常使所拍攝的車(chē)牌圖像產(chǎn)生傾斜現(xiàn)象 ,給字符分割帶來(lái)不利影響 ,造成誤分割和車(chē)牌識(shí)別率的下降。 目前的車(chē)牌傾斜校正方法主要有 : (1) Hough 變換法。 (2) 通過(guò)模板匹配尋找牌照區(qū)域的四個(gè)頂點(diǎn) ,再通過(guò)雙線(xiàn)性空間變換重建矩形車(chē)牌區(qū)域。 (4) 通過(guò)求取車(chē)牌上各字符連通域的中心點(diǎn) ,然后擬合為直線(xiàn)來(lái)確定車(chē)牌的傾斜角。 而且 ,上述四種方法有一個(gè)共同的缺陷 ,就是當(dāng)圖像對(duì)比度較小、光照不均時(shí) ,檢測(cè)到的傾斜角誤差較大 . 本文提了一種新的車(chē)牌傾斜校正方法 ,該方法采用水平和垂直彩色邊緣檢測(cè)結(jié)合旋轉(zhuǎn)投影求取車(chē)牌的水平和垂直傾斜角度 ,然后進(jìn)行雙線(xiàn)性插值傾斜校正 。 設(shè) C（ 00,ij）代表圖像位置（ 00,ij）處的彩色向量， C（ 00,ij） = ( R(00,ij)， G（ 00,ij） ,B( 00,ij)),以 C（ 00,ij）為中心取一（ 2w+1） (2w+1)的窗口，其中， w 為大于等于 1 的整數(shù)。 設(shè) V? 和 V? 分別代表 DV的均值和標(biāo)準(zhǔn)方差， H? 和 H? 分別代表 DH的均值和標(biāo)準(zhǔn)方差，則 按下式對(duì)圖像進(jìn)行二值化，獲取圖像的水平彩色邊緣 HE 和垂直 彩色邊緣 VE ： 0000001 , ( , ) 30 , ( , ) 3( , )H HHHHD H i jED H i jij???????????? (213) 0000001 , ( , ) 30 , ( , ) 3( , )V VVVVD V i jD V i jE i j???????????? (214) 設(shè)定頁(yè)眉 15 雙線(xiàn)性插值 在對(duì)車(chē)牌圖像進(jìn)行傾斜校正時(shí) ,輸出像素常被映射 到圖像的非整數(shù)位置 , 最典型的是在四個(gè)輸入像素之間 . 因此 , 需進(jìn)行彩色向量插值運(yùn)算 . 插值方 法主要有最近鄰插值、雙線(xiàn)性插值和高階插值等 . 最近鄰插值算法簡(jiǎn)單、運(yùn)算量小 , 但有塊狀效應(yīng) 。 當(dāng)前車(chē)牌定位的方法主要有利用顏色信息、基于小波和形態(tài)學(xué)相結(jié)合的算法、二值化投影等。計(jì)算復(fù)雜度較高 ,定位速度較慢 ,影響車(chē)牌識(shí)別的實(shí)時(shí)性能。它主要根據(jù)車(chē)牌在水平方向上能量高且集中的特點(diǎn) ,先通過(guò)一種自適應(yīng)的高通能量濾波快速地粗分割出車(chē)牌的候選區(qū)域 ,再用車(chē)牌較為細(xì)致的 紋理 特征對(duì)候選區(qū)域進(jìn)行校驗(yàn)和修正 ,最后得到車(chē)牌的精確位置。 目前常用的基于邊界的分割技術(shù)包括邊緣算子法（如 一階微分算子、 sobel 算子、 Hough 變換等）、模塊匹配法、邊緣跟蹤法、線(xiàn)擬合法等。 基于區(qū)域的車(chē)牌定位技術(shù) 車(chē)輛圖像像一般是在室外拍攝的，其背景較復(fù)雜，而車(chē)輛牌照具有不因外部條件變化而改變的特征，即車(chē)牌內(nèi)有多個(gè)基本成水平排列的字符，字符和牌照底面在灰度上存在跳變，呈現(xiàn)出規(guī)則的 紋理特征 。目前基于區(qū)域分割的技術(shù)主要包括閾值化方法、特征空間聚類(lèi)方法、區(qū)域生長(zhǎng)法、分裂合并法等。這種方法能夠在對(duì)牌照的字符、牌照位置及其大小、顏色和車(chē)牌的背景等做最小限定的條件下，對(duì)牌照中字符串進(jìn)行增強(qiáng)，實(shí)現(xiàn)復(fù)雜背景中車(chē)輛牌照的自動(dòng)分割。例如， Thanongsak Sirithnaphong 和 Kosin Chamnongthai 提出的基于 BP 網(wǎng)絡(luò)的牌照定位方法 ， 等人提出的利用DTCNN 和模糊邏輯相結(jié)合的方法。 在這類(lèi) BP 算法中，使用一個(gè)滑動(dòng)窗口作為采樣窗口，在灰度圖像上依次移動(dòng)，將窗口覆蓋下的圖像塊作為神經(jīng)網(wǎng)絡(luò)的輸入，所采用的 BP 網(wǎng)絡(luò)是三層全連接前饋網(wǎng)絡(luò)，其輸入層神經(jīng)元數(shù)目為滑動(dòng)窗口的尺寸，其輸出層神經(jīng)元數(shù)目為 1，當(dāng)輸出接近 12 時(shí)，表示滑動(dòng)窗口下的圖像塊屬于車(chē)牌區(qū)域，當(dāng)輸出接近 — 12 時(shí)，表示滑動(dòng)窗口下的圖像屬于背景區(qū)域。它在信號(hào)的高頻部分，可以取得較好的時(shí)間分辨率，在信號(hào)的低頻部分，可以取得較好的頻率分辨率，這些特性可用來(lái)表示原始信號(hào)的局部特征，進(jìn)而實(shí)現(xiàn)對(duì)信號(hào)時(shí)間、頻率的局部化分析，以克服 Fourier 分析在處理非平穩(wěn)的復(fù)雜圖像時(shí)所存在的局限性。 邊緣是圖像分析對(duì)象中的重要特征之一，而邊緣檢測(cè)又是圖像處理中一個(gè)困難的問(wèn)題，這是因?yàn)閷?shí)際景物圖像中的邊緣往往是各 種類(lèi)型的邊緣以及它們模糊化后結(jié)果的 組合，對(duì)邊緣的確認(rèn)有時(shí)甚至涉及心理學(xué)的因素，且實(shí)際圖像信號(hào)存在著噪聲，噪聲和邊緣一樣都屬于高頻信號(hào)，很難用頻帶作取舍。 利用小波檢測(cè)邊緣的一般方法就是先將圖像進(jìn)行多尺度小波變換，然后在各尺度下求梯度方向和梯度矢量模，根據(jù)矢量模塊在各尺度下求邊緣提取及鏈化，然后根據(jù)設(shè)定的規(guī)則進(jìn)行多尺度匹配，符合多尺度邊緣鏈，重構(gòu)圖像邊緣模型，最后對(duì)取得的邊緣信息進(jìn)行投影