【正文】 ................................................................ 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 變換角度檢測原理 ................................................................................................ 23 4．2 Radon 變換角度檢測原理 ................................................................................................ 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 ..................................................................................................................................... 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)濟的快速發(fā)展，社會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 世紀道路交通的發(fā)展趨勢。車牌自動識別(License Plate Recognition，LPR)系統(tǒng)正是在這種應用背景下提出的能夠自動、實時地檢測車輛經(jīng)過和識別汽車牌照的智能交通管理系統(tǒng)的重要組成部分。車牌自動識別系統(tǒng)應用于這些地方，可以解決通緝車輛的自動稽查問題，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、停車場應收款流失的問題，還可以最簡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)計自動化、模糊查詢的問題。在車牌識別的過程中，雖然運用了很多的技術(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，使得車牌識別系統(tǒng)一直處于實驗室階段，得不到很好的應用；而且，很多的方法都需要大量的數(shù)值計算，不能很好地滿足實時性要求。雖然提高了識別率，但是，這同時也造成了系統(tǒng)的投資成本過大，應用領域變窄，不能普遍推廣應用。另外日本、加拿大、德國、意大利、英國等各個西方發(fā)達國家都有適合本國的車牌識別系統(tǒng)。國內(nèi)做得好的產(chǎn)品有中科院自動化所漢王公司的“漢王眼” ，除此之外國內(nèi)的亞洲視覺科技有限公司，中科院沈陽自動化所的沈陽聚德公司，深圳市吉通電子有限公司，中國信息產(chǎn)業(yè)部下屬的中智交通電子預先公司等也都有自己的產(chǎn)品，另外，西安交通大學的圖像處理與識別研究所，上海交通大學的計算機科學與工程系，清華大學人工智能國家重點實驗室，浙江大學的自動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，但車牌識別系統(tǒng)大多是利用攝像機室外拍攝車牌圖像，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，它可以是對先前方法的改進，也可以是獨辟蹊徑的創(chuàng)新，也可以是新老方法的結(jié)合。車牌定位是車牌識別的基礎，車牌定位的結(jié)果直接影響著字符分割和字符識別的效果，所以有必要對車牌定位方法進行深入的研究。車牌字符分割屬于印刷體字符分割的范疇。對于字符分割的問題常常不被重視，但是字符的正確分割對字符的識別又很關鍵。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)仍然需要進一步改進。輸入車牌圖像 車牌圖像預處理 車牌定位傾斜校正字符分割圖 11 系統(tǒng)總流程圖 對車牌圖像進行預處理，得到車牌的基本形態(tài)去除非目標區(qū)域通過計算尋找 X 和Y 方向車牌的區(qū)域完成車牌定位 圖 12 車牌定位的流程圖 [m，n]=size（d） ，逐排檢查有沒有白色像素點，設置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，設置一閾值，檢測圖像的 X軸，若寬度等于這一閾值則切割，分離出七個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 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)學形態(tài)學與邊緣檢測以及顏色相結(jié)合的車牌定位方法。第四章為傾斜校正。第五章為車牌字符分割。最后對字符分割實驗結(jié)果進行了分析。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大都占用很大的空間，在對圖像進行切割處理時經(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，見式(21) （21)max(,)RGB? (2) 平均值法:使 g 的值等于三值和的平均值，見式(22) (22)3? (3)加權(quán)平均值法:根據(jù)重要性或其他指標給 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) (23)3RBWg??其中 , , 分別為 R，G，B 的權(quán)值。??本文根據(jù)加權(quán)平均值法進行灰度化。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)。灰度圖39。figure(2),subplot(1,2,2),imhist(I1)?；叶葓D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 是對其他車牌圖像進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 圖像增強圖像在獲取和傳輸過程中通常都會混入很多噪聲，導致圖像質(zhì)量的下降，使圖像的細節(jié)難以辨認、模糊、輪廓不清楚甚至畸變，不利于人和機器對圖像的理解。圖像增強是使用的比較多的一種方法，增強的目的是增強圖像的視覺效果，提高圖像的清晰度，使其更加便于人或者機器處理。出于對實時性的考慮，在車牌識別系統(tǒng)中一般很少使用頻域增強法。通過直方圖發(fā)現(xiàn)車輛牌照圖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)。灰度拉伸后的圖39。figure(3),subplot(1,2,2),imhist(J)。灰度圖直方圖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 個灰度級的單色圖像，多級別的圖像能夠呈現(xiàn)出較為豐富的明暗度，但對于目標搜索來說，總是希望盡可能地減少背景像素的干擾，而保存或增強目標區(qū)的色素度。這是因為，一方面，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，關鍵看閾值的選取，要找到合適的閾值 t 來區(qū)分對象和背景。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)點在于算法簡單，對于目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對輸入圖像量化噪聲或不均勻光照等情況抵抗能力差，應用受到極大限制。動態(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。缺點是算法復雜，耗費資源較多。藍白車牌和黑白車牌車牌底色和字符顏色對比明顯，而黃黑車牌的車牌底色和字符顏色對比不太明顯。令 T 代表一副灰度圖像的閾值， 為圖像中實際像素的最高灰度值， 為相對最maxGminG小灰度值，對于一幅灰度級為 256 級的灰度圖像，從第 l 級開始，每 16 個灰度級分為一個灰度級組，從而把 256 級分為 16 組(分組序號 n=1，2...，16)，然后在整幅圖像中逐個搜索每一個像素，并根據(jù)該像素的灰度值將其歸入相應的灰度級組，整幅圖像掃描完畢后統(tǒng)計每個灰度級組的像素數(shù)量，記錄像素數(shù)量最多的灰度級組的分組序號 n，通過式(28)可求出 G: (28)mi(1)6G???得到 后，則閾值 T 可通過式(29)計算得到:minG (29)axminma3二值化代碼實現(xiàn)如下：figure(10)。39。g_min=double(min(min(b)))。 % T 為二值化的閾值（四舍五入）[m,n]=size(b)。 % d:二值圖像imwrite(d,39。)。subplot(3,