【正文】 .............................................................................245 總結(jié)與展望..........................................................................................................................31 總結(jié) ...............................................................................................................................31 展望 ...............................................................................................................................31參考文獻(xiàn)..................................................................................................................................32致 謝....................................................................................................................................34 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）11 緒論 引言 近年來(lái)，由于國(guó)內(nèi)外的交通迅速發(fā)展，車牌識(shí)別系統(tǒng)作為數(shù)字?jǐn)z像、計(jì)算機(jī)信息管理、圖像分割和圖形識(shí)別技術(shù)在智能交通領(lǐng)域得到廣泛的應(yīng)用，該項(xiàng)技術(shù)成為了智能交通管理系統(tǒng)中不可或缺的重要組成部分，例如道路交通監(jiān)控、交通事故現(xiàn)場(chǎng)勘察、交通違章自動(dòng)記錄、高速公路超速管理系統(tǒng)、小區(qū)智能化管理等各方面，是智能交通管理系統(tǒng)中高效、時(shí)效的最重要手段之一 [12]。由于引進(jìn)這些系統(tǒng)成本極高，而且引進(jìn)的技術(shù)也不一定適用于我國(guó)的車牌以及實(shí)際的交通環(huán)境，所引進(jìn)的系統(tǒng)往往并不能滿足我國(guó)需求，盡管國(guó)內(nèi)市場(chǎng)上已有不少投入生產(chǎn)并使用的產(chǎn)品，但是這些產(chǎn)品的后續(xù)處理仍然需要大量的人工識(shí)別，所以車牌識(shí)別技術(shù)的研究依然是我國(guó)目前高科技領(lǐng)域的熱門(mén)課題之一。該系統(tǒng)軟件處理具有兩大主要模塊：圖像處理模塊和字符識(shí)別模塊。所以本文介紹的是利用 MATLAB 對(duì)圖像處理模塊和字符識(shí)別模的設(shè)計(jì)和研究。智能車牌識(shí)別系統(tǒng)以及工作原理實(shí)質(zhì)上就是融合數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的數(shù)字圖像處理工具、數(shù)字識(shí)別以及人工智能技術(shù)，通過(guò)對(duì)原始圖像的采集、預(yù)處理、分割、識(shí)別等相應(yīng)的措施，獲得我們想要的圖像信息，進(jìn)而實(shí)現(xiàn)對(duì)車牌字符自動(dòng)識(shí)別的系統(tǒng)，該系統(tǒng)是數(shù)字識(shí)別技術(shù)在現(xiàn)實(shí)生活中實(shí)際應(yīng)用中的實(shí)踐之一。其中硬件包括系統(tǒng)觸發(fā)、圖像采集兩個(gè)主要組成部分，軟件則包含了圖像預(yù)處理、車牌獲取、字符分割以及字符識(shí)別四個(gè)主要模塊。原始的圖像采集，由于受到外界環(huán)境中光線差異、光路中灰塵密度差異、季節(jié)環(huán)境變化的影響，以及車牌本身比較模糊等諸多客觀因素影響，使得 LPR 技術(shù)的發(fā)展受到一定的限制。國(guó)外己有不少關(guān)于車牌數(shù)字識(shí)別的文章發(fā)表，有相當(dāng)一部分比較成熟，并已經(jīng)投入實(shí)際生產(chǎn)使用中。 在車牌識(shí)別發(fā)展的過(guò)程中，也出現(xiàn)了許多不同的技術(shù)方法，例如英國(guó) IPI 公司研發(fā)了 RTVNPR 系統(tǒng)，新加坡 Optasia 公司的 VLPRS 產(chǎn)品，以色列 HiTech 公司的 See Car System 系列產(chǎn)品，HSTOL 公司開(kāi)發(fā)的 LPR 系統(tǒng)，以及中國(guó)香港 Asia VisionTechnology 公司的 VECON 產(chǎn)品等較為實(shí)用 [3]。目前，比較適合我 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）3國(guó)的產(chǎn)品主要有中科院自動(dòng)化研究所漢王公司的“漢王眼” 、川大智勝軟件的 ZT2022車牌自動(dòng)別系統(tǒng)等。 車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用車牌識(shí)別系統(tǒng)的核心是微處理器，它基于圖像處理、數(shù)字識(shí)別等技術(shù)的高智能電子系統(tǒng)，該系統(tǒng)主要由攝像頭、視頻采集接口、輔助照明裝置、計(jì)算機(jī)以及識(shí)別軟件等組成。因此，在車牌識(shí)別中，車牌分割和數(shù)字識(shí)別占有主要的作用。在正式識(shí)別前，我們要做的僅僅是字符的分割，字符分割的好壞，直接影響著字符識(shí)別的準(zhǔn)確率。經(jīng)過(guò)圖像預(yù)處理、車牌定位、字符分割并校正后，才可以進(jìn)行字符識(shí)別。字符識(shí)別模塊是目前最難處理的部分，卻也是車牌識(shí)別技術(shù)中最關(guān)鍵的部分?？焖?、準(zhǔn)確以及具備較強(qiáng)的魯棒性是字符識(shí)別的目標(biāo)。由此可知，車牌分割和數(shù)字識(shí)別是車牌識(shí)別技術(shù)中的兩大主要技術(shù)指標(biāo)。 本文的主要內(nèi)容與結(jié)構(gòu)安排 本文研究的內(nèi)容包括了車牌識(shí)別系統(tǒng)的五個(gè)主要組成部分的算法，提出了有效的解決策略，進(jìn)行了測(cè)試，并完成了車牌識(shí)別系統(tǒng)的開(kāi)發(fā)。第三節(jié)車牌數(shù)字識(shí)別方法的研究，概述了數(shù)字識(shí)別的現(xiàn)狀，簡(jiǎn)述了車牌數(shù)字特點(diǎn)，最后介紹了基于 BP 神經(jīng)網(wǎng)絡(luò)的車牌數(shù)字識(shí)別的算法。最后一部分是結(jié)論，總結(jié)了本文的研究成果，并做出了分析和評(píng)價(jià)，同時(shí)對(duì)未來(lái)提出了展望。車輛檢測(cè)即使用傳感器技術(shù)，檢測(cè)目標(biāo)區(qū)域有無(wú)車輛。其中車牌獲取流程圖如圖 所示電子眼圖像采集圖像預(yù)處理數(shù)字圖像圖 車牌獲取流程圖實(shí)質(zhì)上，車牌獲取就是指在實(shí)際拍攝的圖像中確定車牌區(qū)域、位置，以便提取、分割車牌區(qū)域。車牌識(shí)別主要包括三個(gè)步驟：（1）對(duì)拍攝的圖片進(jìn)行格式識(shí)別、灰度化、二值化、濾波、邊緣檢測(cè)等圖片預(yù)處理；（2）利用各種算法將已通過(guò)預(yù)處理的圖片準(zhǔn)確定位其車牌的位置，并將車牌所處的位置分割出來(lái)，為接下來(lái)的字符切割做好相關(guān)準(zhǔn)備；（3）對(duì)切割出來(lái)的字符進(jìn)行歸一化和識(shí)別。 這也就是為什么要對(duì)原始圖像進(jìn)行灰度化、二值化、濾波等預(yù)處理的原因 [4]。由于彩色圖像包含著大量的顏色信息，且每個(gè)像素都具有 R、G、B 三種不同顏色分量，所以在對(duì)其進(jìn)行處理時(shí)，浪費(fèi)許多系統(tǒng)資源的同時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度。最基本的灰度化是直接取彩色圖像 R、G、B 三個(gè)分量中最大值或平均值代替各分量。灰度圖像存在 256 個(gè)亮度級(jí)，其中白色的灰度值為255，黑色的亮度級(jí)為 0[5]。 增強(qiáng)拍攝車牌圖像時(shí)往往受到許多條件的限制和干擾，這使得圖像的灰度值與實(shí)際景物不完全相同。因?yàn)槌上裣到y(tǒng)的有限亮度，常使得對(duì)比度不足，導(dǎo)致圖像視覺(jué)效果很差，這也就直接影響了圖像的后續(xù)處理。造成對(duì)比度不足的原因主要有：（1）目標(biāo)的遠(yuǎn)近不同導(dǎo)致的圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡；（2）攝像頭掃描時(shí)各點(diǎn)的靈敏度差異產(chǎn)生的灰度失真；（3）曝光不足或過(guò)度而導(dǎo)致灰度值限定在較小的范圍。用線性單值函數(shù)，對(duì)圖像內(nèi)各像素點(diǎn)作線性擴(kuò)充，從而有效的改善圖像的視覺(jué)效果。設(shè)用 h 表示 tophat 變換后的結(jié)果，則 tophat 變換可定義為： （22）)(bfh???其中， 表示原灰度圖， 表示使用結(jié)構(gòu)元素 對(duì)集合 進(jìn)行開(kāi)操作 [6]。 二值化灰度圖像一般有 256 個(gè)灰度級(jí)的單色圖像，能表現(xiàn)出比較豐富的明暗度。為了減少背景像素的干擾，保留并增強(qiáng)目標(biāo)區(qū)域的信息，通常將圖像分為目標(biāo)和背景兩部分。用數(shù)學(xué)式可以表示為： （23）??????TjigBW),(其中，BW 為二值圖像某像素的像素值， 為該像素在灰度圖像中對(duì)應(yīng)的灰度值。T圖像的二值化處理即將灰度圖像中除了灰度值為 0 的像素點(diǎn)外，其余的像素點(diǎn)均設(shè)為 。二值化算法一般分為全局閾值算法和局部閾值算法或稱為自適應(yīng)閾值算法 [78]。與灰度化后的圖像相比，二值化后的圖像具有以下幾個(gè)特點(diǎn)：大量減小了信息量，加快了處理速度，降低了成本，實(shí)用價(jià)值更高。 濾波圖像的本質(zhì)其實(shí)就是光電信息，圖像噪聲主要有以下三個(gè)來(lái)源：圖像在信號(hào)的轉(zhuǎn)換過(guò)程中所引入的噪聲；大氣層中的浪涌等引起的脈沖干擾；粒子性或不連續(xù)性所引起的自然起伏性噪聲 [10]。為了消除圖像的噪聲，常常采取濾波措施，且合適的濾波還可以銳化圖像與增強(qiáng)圖像的邊緣信息。其中，平滑濾波主要的作用是模糊和消除噪聲，常用的方法是領(lǐng)域平均法，即求鄰近像素點(diǎn)的平均亮度。中值濾波是非線性濾波，也是領(lǐng)域算法，類似卷積。為了銳化圖像突出圖像邊緣，常對(duì)圖像采用了高通濾波，在增強(qiáng)圖像邊緣的同時(shí)孤立的噪聲點(diǎn)也得到了增強(qiáng)。比較常見(jiàn)的高通濾波的沖激響應(yīng)陣列有 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）8以下三種： （26）0151??H192??H1253??H 邊緣檢測(cè)邊緣是圖像的重要特征，圖像理解、分析的第一步通常是邊緣檢測(cè)。此外，比較常見(jiàn)的圖像邊緣提取算子有 Robert 梯度算子、濾波算子、Canny 算子 、拉斯算子等。而拉斯算子是二階導(dǎo)數(shù)段子，再找出梯度局部最大值對(duì)應(yīng)點(diǎn)后才確定其為真正的邊緣點(diǎn)。因此，通常在處理含有比較大的噪聲圖像時(shí)，需要先對(duì)圖像進(jìn)行平滑操作，然后再進(jìn)行微分，這也就產(chǎn)生了新的邊緣檢測(cè)方法——LOG 邊緣檢測(cè)。 車牌分割 車牌定位車牌定位的本質(zhì)是把車牌圖像從含有汽車和背景的圖像中提取出來(lái)，即輸入車牌原始圖像輸出車牌圖像。經(jīng)過(guò)圖像于處理后所得到的圖像，在垂直方向上的面積投影出現(xiàn)了峰谷峰的特性。對(duì)初步確定出來(lái)的車牌進(jìn)行微定位，而所謂的微定位法即對(duì)基本定位后的車牌圖像進(jìn)行局部分析，以便進(jìn)一步確定字符范圍，縮減車牌的左右、上下邊界，這有利于后續(xù)的車牌處理，確定車牌的具體位置后再提取車牌 [12]。需要在大范圍的原始圖像中找到車牌的區(qū)域，需要對(duì)原始圖像進(jìn)行搜索，找到符合車牌特征的部分區(qū)域作為車牌候選區(qū)域，在對(duì)其進(jìn)行深層次的分析、評(píng)判，計(jì)算，最終找到真正的車牌區(qū)域，并將該區(qū)域從圖像中分割出來(lái)。本文中所采用的是開(kāi)運(yùn)算定位法。因此，所得到的原始圖像車牌區(qū)域角度、距離有一定的差距，也就是說(shuō)原始圖像中的車牌存在一定的傾斜度。車牌的傾斜度校正前，需要先對(duì)車牌的傾斜進(jìn)行檢測(cè)。in常見(jiàn)的幾種傾斜校正的方法為：（1）基于霍夫變換的校正算法， （2）基于車牌投 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）10影變換的校正算法 [1314]， （3）基于直線擬合的校正算法 [15]?；谲嚺仆队暗膬A斜校正算法實(shí)質(zhì)上是一種基于 Radon 變換的校正算法。積分公式如（28）所示： （28）39。co39。co39。,( dyxyxGRl???????其中 為 的周期函數(shù)，T=180 176。180176。坐標(biāo)變換的公式如)39。 iyxyRadon 變化所檢測(cè)的直線是 在坐標(biāo) 的峰值，可根據(jù)橫坐標(biāo)和縱坐標(biāo)),(R?)39。 分割算法字符分割實(shí)質(zhì)上是把車牌上的字符分割成一個(gè)個(gè)單個(gè)的字符，傳統(tǒng)的字符分割方法有投影法 [1618]、模板匹配法、聚類分析法 [1920]。 投影法的具體操作如下：（1）對(duì)灰度化的車牌圖像從下向上逐行掃描，逐行統(tǒng)計(jì)出像素值為 255 的像素的個(gè)數(shù)，當(dāng)其個(gè)數(shù)大于 7 時(shí)（車牌有 7 個(gè)字符） ，認(rèn)為尋找到車牌字符的下邊界，同理，找到車牌的上邊界。（2） 對(duì)車牌圖像從左向右逐列掃描，逐列統(tǒng)計(jì)像素值為 255 的像素的個(gè)數(shù)，并將結(jié)果保存在一位數(shù)組 count[width+1]中，其中 count[i]用于存儲(chǔ)第 i 列像素值為 255 的像素的個(gè)數(shù)。設(shè)兩個(gè)閾值分別為 threshold 1， threshold 2。在分割不連通的漢字的時(shí)候，這種改進(jìn)的方法起到作用是顯著的。 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）11（5）若出現(xiàn)像素值為 255 的像素個(gè)數(shù)大于閾值 threshold 1 時(shí)記為車牌字符開(kāi)始的位置，小于閾值 threshold 1 時(shí)記為車牌字符的結(jié)束位置。流程圖如圖 21 所示：求垂直投影的平均值求垂直投影的最小值取閾值計(jì)算字符上升點(diǎn)計(jì)算谷寬度計(jì)算字符距離找到字符中心位置圖 車牌圖像定位示意圖 歸一化處理由于原始圖像采集的時(shí)候，圖像像素值不一致，所以經(jīng)過(guò)字符切割后所得到的字符大小也不一致，因此需要在進(jìn)行字符匹配之前需要對(duì)字符圖像進(jìn)行歸一化處理。歸一化處理可以分為傾斜度校正和大小歸一化兩個(gè)主要部分，其中傾斜度校正部分使用的是MATLAB 工具箱中的 Imrote 函數(shù)。 歸一化流程圖如 所示： 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）12[ m ， n ] = s i z e （ d ）， 逐排檢查有沒(méi)有白色像素點(diǎn) ， 設(shè)置 1 = j n 1 ，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(lái)的字符圖像的大小為 4 0 * 2 0 ，與模板中字符圖像的大小相匹配圖 歸一化流程圖 南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）133 車牌數(shù)字識(shí)別方法 數(shù)字識(shí)別概述早期，約在 1870 年時(shí)字符識(shí)別作為視力障礙人的輔助工具。20 世紀(jì)