【正文】 垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像的字符分割有較好的效果?；谀０迤ヅ渌惴ㄊ紫葘⒎指詈蟮淖址祷?,并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。實(shí)際應(yīng)用中，牌照識(shí)別系統(tǒng)的識(shí)別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。這些影響因素不同程度上降低了牌照識(shí)別的識(shí)別率，也正是牌照識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。 7 3 車牌識(shí)別系統(tǒng)程序設(shè)計(jì) 圖像讀取及車牌區(qū)域提取 圖像讀取及車牌區(qū)域提取主要有：圖像灰度圖轉(zhuǎn)化、圖像邊緣檢測(cè)、灰度圖腐蝕、圖像的平滑處理以及車牌區(qū)域的邊界值計(jì)算。因?yàn)槭褂?*.JPG 圖像時(shí)有 一個(gè)軟件開發(fā)聯(lián)合會(huì)組織制定 、 有損壓縮格式，能夠?qū)D像壓縮在很小的儲(chǔ)存空間 ，而且 廣泛支持 Inter 標(biāo)準(zhǔn) ，是面前使用最廣的圖片保存和傳輸格 式，大多數(shù)攝像設(shè)備都以 *.JPG 格式保存。 即可將圖像讀取出來，這樣讀取得到的是 RGB圖像， RGB 圖像分別用紅、綠、藍(lán)三個(gè)色度值為一組代表每個(gè)像素的顏色，因此 Car_Image_RGB 是一個(gè) 錯(cuò)誤 !未找到引用源。 圖像灰度圖轉(zhuǎn)化 我國(guó)車牌顏色及其 RGB值如下，藍(lán)底 (0,0,255)白字 (255,255,255)、黃底(255,255,0)黑字 (0,0,0)、黑底 (0,0,0)白字 (255,255,255)、紅底 (255,0,0)黑字(0,0,0),由于車牌的底色不同，所以從 RGB 圖像直接進(jìn)行車牌區(qū)域提取存在很大困輸入車牌圖象 灰度校正 平滑處理 提取邊緣 8 難，但不管哪種底色的車牌，其底色與上面的字符顏色的對(duì)比度大，將 RGB 圖像轉(zhuǎn)化成灰度圖像時(shí)，車牌底色跟字符的灰度值會(huì)相差很大。同理對(duì)白底黑字的牌照可用 R 通道，綠底白字的牌照可以用 G 通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。通過程序運(yùn)行其效果圖見圖 ： 圖 原始圖像 9 圖 灰度圖像 由原圖和灰度圖運(yùn)行結(jié)果可知，能清晰地讀出原彩色圖樣，通過圖形的對(duì)比分析，原始圖中車牌區(qū)域的灰度 明顯不同于其他區(qū)域，藍(lán)底部分最為明顯。 圖像的邊緣檢測(cè) 在 Matlab 中利用函數(shù) edge()實(shí)現(xiàn)邊緣檢測(cè)，具體的用法如下所示： Car_Image_Bin=edge(Car_Image_Gray,39。,39。)。檢測(cè)垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感 ,無法抑制噪聲的影響。 由于 Roberts 邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子 , 根據(jù)任一相互垂直方向上的差分都可用來估計(jì)梯度， Robert 算子采用對(duì)角方向相鄰兩像素之差，其計(jì)算公式如下： ? ? ? ?, 1, 1xf f x y f x y? ? ? ? ? （ ） ? ? ? ?1, , 1yf f x y f x y? ? ? ? ? （ ） 其幅值為： 錯(cuò)誤 !未找到引用源。 方向 (相互正交 )的灰度變化。 Roberts邊緣檢測(cè)算子相當(dāng)于用0110??????和 錯(cuò)誤 !未找到引用源。 both表 示雙向 。但是，在車牌附近的其他區(qū)域也由于各種干擾的影響，也存在一些白色區(qū)域。 灰度圖腐蝕 所謂腐蝕即 一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過程。 腐蝕的規(guī)則是輸出圖像的最小值是輸入圖像領(lǐng)域中的 最小值，在一個(gè)二值圖像中，只要有一個(gè)像素值為 0，則相應(yīng)的輸出像素值為 0。 本系統(tǒng)使用 imerode()函數(shù)， Car_Image_Erode=imerode(Car_Image_Bin,Se)。結(jié)構(gòu)元素的大小形狀任意，一般是二維的。結(jié)構(gòu)元素太大，會(huì)造成腐蝕過度，造成信息丟失，太小起不了預(yù)期的效果，這里使用 31? 矩陣的線性結(jié)構(gòu)元素，即 ? ?1。1Se? 。已經(jīng)得到了車牌圖像的輪廓線了，只要再經(jīng)過適當(dāng)?shù)奶?理即可把車牌提出出來。 Car_Image_Perform=imclose(Car_Image_Erode,Se)。rectangle39。 即 Se是一個(gè)一個(gè) 25 25? 的矩形，使用矩形是因?yàn)檐嚺剖且粋€(gè)矩形，這樣，可以是提取的圖像最接近預(yù)期效果。在程序運(yùn)行的圖像平滑后效果如下： 12 圖 平滑處理后效果 從平滑后的效果圖分析，達(dá)到了預(yù)定的目標(biāo)。 移除小對(duì)象 圖像平滑處理了，可能會(huì)有多個(gè)閉合區(qū)域，對(duì)于不是車牌區(qū)域的必須予以刪除，Matlab 提供了一個(gè)函數(shù) bwareaopen()，用于 刪除二值圖像中面積小于 一個(gè)定值 的對(duì)象，默認(rèn)情況下使用 8鄰域 ， Car_Image_Perform2=bwareaopen(Car_Image_Perform,2020)。 小對(duì)象被刪除后的圖像如圖 ： 圖 移除小對(duì)象后效果圖 移除小對(duì)象后的效果圖已經(jīng)非常明顯了，圖像中最后只存在車牌區(qū)域，其他的圖像已經(jīng)完全濾除掉了，包括小物體，車的標(biāo)志等影響已經(jīng)沒有 了。 經(jīng)區(qū)域確定了，即可將車牌的四個(gè)邊界值確定下來。 水平坐標(biāo)的確定，先定義一個(gè) 1x? 的數(shù)組，其中 ? 錯(cuò)誤 !未找到引用源。從直方圖中基本可以看書水平方向上的兩個(gè)分界線，為了便于處理，該課題將像素值臨界值定量化，取值 5個(gè)像素。 坐標(biāo)為水平方向左側(cè)分界線，從右向左尋找到第一個(gè) 1值像素量大于 5的為右側(cè)分界線，程序可以用 for循環(huán)語句。分界線計(jì)算后，即可從原圖像中剪切出只包含車牌的區(qū)域圖像。圖 為二值圖切割的車牌區(qū)域，圖 RGB 圖像切割出來的圖像： 圖 車牌區(qū)域二值圖裁減圖像 圖 原圖中的車牌區(qū)域圖像 對(duì)比原始圖像與二值圖裁減圖可以看出，車牌的四個(gè)邊界值基本上被確定下來了，這樣就可以從原始圖像中直接確定車牌的區(qū)域了。 14 字符切割 字符切割前的圖像去噪處理 由于圖像車牌號(hào)區(qū)域提取后獲得的是從原始圖像中剪切的，是 RGB 圖像 ，分割同樣采取投影法，故同樣需要先將 RGB 圖像轉(zhuǎn)換成灰度值，再將灰度圖轉(zhuǎn)化成二進(jìn)制圖，轉(zhuǎn)化的方法就是限定一個(gè)閥值，如果大于閥值則為 1，小于閥值為 0,閥值采用 全局 閥值 ，全局閥值 是指整幅圖像都采用相同的 閥值 T 處理，適用于背景和前景有明顯對(duì)比的圖像。在 Matlab 實(shí)現(xiàn)方式如下： T=round(License_Image_Gray_max(License_Image_Gray_maxLicense_Image_Gray_min)/3)。這里采用高通濾波算法。 15 字符切割前的圖像膨脹和腐蝕處理 腐蝕已經(jīng)在在上文介紹，膨脹剛好與腐蝕相反，運(yùn)算規(guī)則是輸出圖像的像素值是輸入圖像鄰域中的最大值，在一個(gè)二值圖像中，只要一個(gè)像素值為 1，則相應(yīng)的輸出像 素值為 1。 。字符分割一般采用垂直投影法 。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。這樣，如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，那么每個(gè)字符寬度為： width/7（ width 為車牌圖像的寬度）?？紤]所有的情況，一般情況下最小的寬度為 width/9。 字符切割流程圖如 下圖所示： 按左右寬度切割出字符 17 圖 字符切割流程圖 字符分割一般采用垂直投影法。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 字符識(shí)別 字符識(shí)別方法選擇 目前字符識(shí)別的方案有使用神經(jīng)網(wǎng)絡(luò)和模板匹配法進(jìn)行比對(duì)。模板匹配法雖然識(shí)別率低，但實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，只有矩陣的加減與統(tǒng)計(jì)，而且車牌字符是有阿拉伯?dāng)?shù)字，英文大寫字母，還有部分漢字，雖有字庫(kù)量不大， 字符較規(guī)整時(shí) 對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高，因此 本課題使用這種方法。 字符歸一化 由于圖像采集時(shí)圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會(huì)不一樣，所以在進(jìn)行匹配前必須先進(jìn)行字符圖像歸一化。nearest39。 圖 經(jīng)歸一化后的七個(gè)字符 切割的字符經(jīng)過歸一化之后，每個(gè)字符的大小基本一致，由此便解決了像素值不一致 帶來的問題，并且利于和庫(kù)中的字符進(jìn)行匹配比較。字符識(shí)別步驟如下： 圖 字符匹配框圖 字符匹配的準(zhǔn)確度是車牌識(shí)別中的關(guān)鍵部分，所以首先要簡(jiǎn)歷精準(zhǔn)有效的模板字庫(kù)表，便于切割完的字符與庫(kù)中內(nèi)容相比較，接下來是讀取切割的字 符，從第一個(gè)字符開始一次與庫(kù)中字符相比較匹配，切割后的字符特征值與庫(kù)中模板字符相減，找到值最小的那個(gè)就是匹配得最恰當(dāng)?shù)淖址? end end 最后計(jì)算第三幅二進(jìn)制圖像中像素值為 1的個(gè)數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對(duì)比可得相似度 最高的數(shù)字 建立模板字庫(kù)表 讀取分割出來的字符 第一個(gè)字符與模板中的漢字模板進(jìn)行匹配 第二個(gè)字符與模板中的字母模板進(jìn)行匹配 待識(shí)別字符與模板字符相減，值越小相似度越大，找到最小的一個(gè)即為匹配的最好的 識(shí)別完成，輸出此模板對(duì)應(yīng)值 后 5 個(gè)字 符與模板中的字母與數(shù)字模板進(jìn)行匹配 20 圖 字符相似度比較 如圖 ：第一個(gè)字符在 Lib_Code_No=39處取得最大相似度，查字庫(kù)Lib_Code_No=39的字符為“魯”，則可以確定該字符為“魯”，同理可得出其他 6個(gè)字符。為了去除圖像中的噪聲點(diǎn)必須對(duì)截取的圖像 進(jìn)行濾波處理，經(jīng)濾波后，不僅去除了噪聲，并且使圖像得到了銳化。仿真的結(jié)果也使得車牌部分從原圖被準(zhǔn)確的提取出來了，達(dá)到了 車牌定位及圖像讀取及其圖像處理的目的。由以上結(jié)果圖可 22 以看到 ，車牌被切成只含字符部分，并且七個(gè)字符被切成清晰的七個(gè)字符，實(shí)現(xiàn)了字符切割。 車牌字符識(shí)別及其圖像處理 圖像經(jīng)上述處理后再進(jìn)行識(shí)別，次圖像和原圖有一定的差異，其字符相似度曲線成一定規(guī)律，其曲線圖如下圖所示： 圖 字符識(shí)別結(jié)果圖 結(jié)果分析 :字符識(shí)別是這樣一個(gè)過程，根據(jù)建立的模板字符庫(kù)將分割出來的字符和模板庫(kù)中的字符一一匹配，將切割的字符和模板相減得到一個(gè)差值，差值越小表明字 符匹