【正文】 主要工作車(chē)牌識(shí)別系統(tǒng)中，研究的重點(diǎn)和難點(diǎn)是軟件算法的設(shè)計(jì)，本課題所做主要工作是深入研究了車(chē)牌識(shí)別系統(tǒng)中所需要的圖像處理和模式識(shí)別的關(guān)鍵算法，基于 Visual Studio2022 環(huán)境，運(yùn)用 C語(yǔ)言，設(shè)計(jì)并實(shí)現(xiàn)了一個(gè)完整的車(chē)牌識(shí)別系統(tǒng)。 章節(jié)安排第一章：本章主要介紹了課題的研究背景，國(guó)內(nèi)外研究現(xiàn)狀，闡明了本文所做的工作。第三章：本章主要對(duì)車(chē)牌識(shí)別系統(tǒng)進(jìn)行了系統(tǒng)分析，平臺(tái)技術(shù)簡(jiǎn)介。7 第二章 車(chē)牌識(shí)別算法和技術(shù)簡(jiǎn)介 圖像的灰度化汽車(chē)圖像樣本目前大都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的，因而預(yù)處理前的圖像都是彩色圖像。由彩色轉(zhuǎn)換為灰度的過(guò)程叫做灰度化處理。彩色圖像的像素色為 RGB(R，G，B)，灰度圖像的像素色為 RGB(r，r，r) ，R，G， B 可由彩色圖像的顏色分解獲得。從圖像輸入裝置得到的圖像數(shù)據(jù)，以濃淡表示，各個(gè)像素與某一灰度值相對(duì)應(yīng)。=g（ χ，у） ，則灰度增強(qiáng)可表示為： g（χ，у）=T[?（χ，у）] 或 D180。函數(shù) T（D）稱(chēng)為灰度變換函數(shù)，它描述了輸入灰度值和輸出灰度值之間的轉(zhuǎn)換關(guān)系。圖像中每一點(diǎn)的運(yùn)算就被完全確定下來(lái)。選擇灰度變換函數(shù)應(yīng)該根據(jù)圖像的性質(zhì)和處理目的來(lái)決定。 圖像的二值化和閾值處理二值圖像是指整幅圖像畫(huà)面內(nèi)僅黑、白二值的圖像。在實(shí)際的車(chē)牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閾值，使得字符與背景能夠分割開(kāi)來(lái)，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會(huì)產(chǎn)生額外的空缺等等。二值化的閾值選取有很多方法，主要分為 3類(lèi)：全局閾值法、局部閾值法和動(dòng)態(tài)閾值法。全局閾值方法的優(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 7 閾值法的閾值選擇不僅取決于該象素灰度值以及它周?chē)笏氐幕叶戎?，而且還和該象素的坐標(biāo)位置有關(guān)，由于充分考慮了每個(gè)像素鄰域的特征，能更好的突出背景和目標(biāo)的邊界，使相距很近的兩條線不會(huì)產(chǎn)生粘連現(xiàn)象。閾值化的變換函數(shù)表達(dá)式如下： 公式（22）??????Txxf,25)(式中 T 為指定的閾值，比它大就是白，比它小就是黑。但是若以某個(gè)固定的經(jīng)驗(yàn)值對(duì)所有牌照統(tǒng)一進(jìn)行旋轉(zhuǎn)處理，又會(huì)使原本正常的牌照傾斜，導(dǎo)致新的錯(cuò)誤。如何從牌照中自動(dòng)提取其傾斜度是預(yù)處理過(guò)程中的一個(gè)難點(diǎn)，一般使用 Hough 變換檢測(cè)圖像中的直線來(lái)對(duì)圖像的傾斜進(jìn)行相應(yīng)的矯正。針對(duì)這個(gè)問(wèn)題，Radon 變換可以滿足一定實(shí)時(shí)圖像處理的要求。在智能交通系統(tǒng)中，圖像預(yù)處理技術(shù)，車(chē)牌定位技術(shù)，字符分割技術(shù)都可以認(rèn)為，是字符識(shí)別技術(shù)的前期預(yù)處理技術(shù)，都是為了更好的識(shí)別字符信息進(jìn)行的優(yōu)化處理。字符識(shí)別的基本思想也是匹配判別。 常用字符識(shí)別技術(shù)簡(jiǎn)介交通系統(tǒng)發(fā)展到現(xiàn)在，隨著模式識(shí)別技術(shù)的進(jìn)步也在不斷的發(fā)展和更新，目前字符識(shí)別技術(shù)常用的一些技術(shù)有如下一些：1)利用字符的結(jié)構(gòu)特征和變換(如 Fuorier)進(jìn)行特征提取。2)0cRcIptical Character Recognition)，OcR 發(fā)展初期結(jié)構(gòu)方法得到了廣泛的研究，其基本思想是把字符圖像分割為若干基元，如筆畫(huà)，拓?fù)潼c(diǎn)，結(jié)構(gòu)突變點(diǎn)等，與模板比較，看必要的基元是否存在，不可有的基元是否出現(xiàn)，從而判斷所屬的類(lèi)別。輪廓大致有兩種描述方法，其一如骨架一樣用結(jié)構(gòu)點(diǎn)和弧線構(gòu)成圖的方法來(lái)描述，識(shí)別也與骨架相同；其二則用標(biāo)準(zhǔn)化后的輪廓的最遠(yuǎn)、最近點(diǎn)和最大、最小突變點(diǎn)得到一系列結(jié)構(gòu)特征，構(gòu)成識(shí)別規(guī)律。4)基于局部圖像的結(jié)構(gòu)方法一些研究表明可以直接從圖像中抽取結(jié)構(gòu)特征，標(biāo)準(zhǔn)化后的圖像中抽取具有拓?fù)湟饬x的局部作為特征。用所得的局部圖像與模板的對(duì)應(yīng)像素作比較，根據(jù)匹配程度得到識(shí)別結(jié)果。ANN 分類(lèi)器通過(guò)學(xué)習(xí)，根據(jù)訓(xùn)練樣本集來(lái)調(diào)整連接的權(quán)值，構(gòu)造出相應(yīng)的分類(lèi)曲面。6)模板匹配模板匹配是最為直觀的一種方法，就如字面所理解的，選用一些樣本作為模板，當(dāng)進(jìn)行判斷時(shí)，首先計(jì)算待測(cè)數(shù)據(jù)與模板之間的距離，例如它們之間的直線距離等。模板匹配的最大優(yōu)點(diǎn)就是實(shí)現(xiàn)簡(jiǎn)單而直觀，但是作為實(shí)際應(yīng)用還是有很多不足的，比如很容易過(guò)渡訓(xùn)練，選擇合適的模板非常困難，加入一個(gè)新的模板可能把之前可以正確識(shí)別的樣本誤判；而且計(jì)算時(shí)間長(zhǎng)，隨著訓(xùn)練樣本的增加，模板數(shù)量也會(huì)相應(yīng)地增加到比較大的數(shù)量，而待測(cè)字符都要和每個(gè)模板進(jìn)行比較，這對(duì)時(shí)間的消耗是非常巨大的。此方法是由字符的直觀形象抽取特征，用相關(guān)匹配原理確定的匹配函數(shù)進(jìn)行判決，也就是將輸入字符與標(biāo)準(zhǔn)模板字符在一個(gè)分類(lèi)器中進(jìn)行匹配。隨機(jī)變量用 x1，x2 表示，相關(guān)器輸出為：T(x1 x2，y1 y2)=!!f(x， y)F(x+(x1 x2)，y+(y1 y2))dxdy當(dāng) x1=x2， y1=y2，且 f(x，y)=F(x，y)時(shí)，T(0， 0)=!!f2(x，y)dxdy，即為輸入字符的自相關(guān)函數(shù)，且有 T(0，0)≥T(x ，y)成立。模板匹配法根據(jù)建模時(shí)所取特征的不同，有圖形匹配、筆劃分析、幾何特征抽取等幾種形式。用圖形匹配原理進(jìn)行字符識(shí)別時(shí)，一般都是采用二值化字符：0 表示黑( 背景)，1 表示白(字符)。將未知的模式逐個(gè)與模板匹配，由下式求出相似度 Si： 11 其中， “YTi”是指矩陣中對(duì)應(yīng)象素相乘。若 max Siλ，則判定 Y∈Ti ，否則拒絕識(shí)別。從理論上講，這種判別法在一定條件下，錯(cuò)誤概率和拒識(shí)概率最小。模板T在圖像S上平移，搜索窗口所覆蓋的子圖記作，在這 i與 j為子圖的左上角頂點(diǎn)在圖 S中的坐標(biāo)。2．差方和算法(sum of squared difference，簡(jiǎn)稱(chēng)SSD)計(jì)算模板與搜索子圖灰度值的L2距離： 公式(24), 21(,)[()(,)]NijmnDijsTmn???根據(jù)L2距離進(jìn)行相似度匹配。ijsijs12 第三章 系統(tǒng)分析與設(shè)計(jì)本系統(tǒng)是使用 C語(yǔ)言編寫(xiě)的車(chē)牌識(shí)別系統(tǒng)，基于模版匹配的車(chē)牌字符識(shí)別算法來(lái)解決車(chē)輛牌照識(shí)別問(wèn)題，對(duì)于道路交通管理有著一定的實(shí)用價(jià)值。車(chē)牌識(shí)別系統(tǒng)結(jié)構(gòu)如圖 31 所示：圖 31 車(chē)牌識(shí)別系統(tǒng)結(jié)構(gòu)圖 功能模塊設(shè)計(jì) 圖像預(yù)處理模塊本模塊功能是對(duì)獲取原始圖像經(jīng)過(guò)一系列如：灰度化、灰度均衡、高斯濾波等預(yù)處理，目的是盡可能的改變圖像質(zhì)量，為車(chē)牌區(qū)域定位與車(chē)牌識(shí)別做準(zhǔn)備。 車(chē)牌定位模塊本模塊包含邊緣檢測(cè)和車(chē)牌區(qū)域定位兩個(gè)子功能模塊。 字符分割模塊本模塊功能是根據(jù)水平投影和垂直投影，從車(chē)牌區(qū)域中提取字符，進(jìn)行字符歸一化，統(tǒng)一字符圖像的大小，為字符識(shí)別做好準(zhǔn)備。我們選用基于模板匹配算法首先將分割后的字符二值化，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。根據(jù)系統(tǒng)模塊的劃分，制定系統(tǒng)流程圖如下圖所示：圖 32 系統(tǒng)流程圖原始圖像 ：載入由停車(chē)場(chǎng)數(shù)碼相機(jī)或其它掃描裝置拍攝到的圖像。車(chē)牌定位 ：進(jìn)行邊緣檢測(cè)，計(jì)算邊緣圖像的投影面積，尋找峰谷點(diǎn)，大致確定車(chē)牌位置，再計(jì)算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域，最后得到車(chē)牌區(qū)域。14 字符識(shí)別 ：利用模板匹配的方法與數(shù)據(jù)庫(kù)中的字符進(jìn)行匹配從而確認(rèn)出字符，得到最后的汽車(chē)牌照，包括英文字母和數(shù)字。車(chē)牌定位識(shí)別功能的開(kāi)發(fā)屬于一個(gè)較為復(fù)雜的圖像處理程序，涉及到大量?jī)?nèi)存處理和與圖像處理，因此對(duì)于該功能穩(wěn)定性、可維護(hù)性以及系統(tǒng)開(kāi)銷(xiāo)問(wèn)題要求極為嚴(yán)格。在成熟的算法基礎(chǔ)上迅速開(kāi)展自己的工作，減少編程工作量，有效提高開(kāi)發(fā)效率和程序運(yùn)行的可靠性。Microsoft Visual Studio 2022 是面向 Windows Vista、Office 202Web 的下一代開(kāi)發(fā)工具，代號(hào)“Orcas”，是對(duì) Visual Studio 2022 一次及時(shí)、全面的升級(jí)。使用 Visual Studio 2022 可以高效開(kāi)發(fā) Windows 應(yīng)用。同時(shí)Visual Studio 2022 支持項(xiàng)目模板、調(diào)試器和部署程序。VS2022 主要技術(shù)特點(diǎn)：可視化編程、支持面向?qū)ο蠹夹g(shù)以及支持.NET。VS2022 支持的面向?qū)ο缶幊碳夹g(shù)包裝了 windows 內(nèi)在的復(fù)雜運(yùn)行機(jī)制，使得 Windows 編程更為簡(jiǎn)單易學(xué)。下面將顯示系統(tǒng)的主要功能模塊。 圖像灰度化原理彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開(kāi)銷(xiāo)很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)行識(shí)別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。加權(quán)平均法對(duì)彩色圖像進(jìn)行灰度化： 　　根據(jù)重要性及其它指標(biāo)，將三個(gè)分量以不同的權(quán)值進(jìn)行加權(quán)平均。 f(i,j)=(i,j)+(i,j)+(i,j)) 公式（41）本文對(duì)輸入的圖像進(jìn)行循環(huán)掃描，根據(jù)灰度公式得到圖像灰度，輸出灰度圖像。 y nHeight。 x nWidth。 green = p[1]。 tt = p[0] = p[1] = p[2] = (byte)(.301 * red + .591 * green + .108 * blue)。 gg[green]++。 gray[tt]++。 } }效果圖圖 41 打開(kāi)的原始圖像圖 42 灰度化后的圖像17 結(jié)果分析本文采用加權(quán)平均值法，在公式的使用上對(duì)公式權(quán)值進(jìn)行了精確的改動(dòng)，使灰度化后的圖像更加容易識(shí)別，提高了識(shí)別率。因此對(duì)于這類(lèi)牌照必須進(jìn)行圖像增強(qiáng), 而這種圖像增強(qiáng)處理應(yīng)盡量避免對(duì)正常的牌照產(chǎn)生干擾, 為此可采用基于點(diǎn)運(yùn)算的圖像增強(qiáng)方法, 即對(duì)圖像的灰度級(jí)進(jìn)行變換, 使圖像對(duì)比度得到調(diào)整, 從而達(dá)到圖像增強(qiáng)的目的。直方圖均衡是把已知灰度概率分布的圖像, 經(jīng)過(guò)變換最終演變成具有均勻灰度概率分布的圖像。N, 0 ≤rk ≤1,k = 0, 1, 2…,L – 1 公式（42 ）各灰度直方圖均衡離散變換公式為：Sk = T(rk) = ∑kj= 1Pr(rj) = ∑ kj= 1NjN(1) 公式（43）　　因此可以根據(jù)原圖像的直方圖統(tǒng)計(jì)量, 求得均衡后各象素的灰度變換值。 int nHeight = 。 SumGray[0] = gray[0]。 i 256。 for (int i = 0。 ++i)18 SumGray[i] = (int)(SumGray[i] * 255 / count)。 i 256。 } for (int y = 0。 ++y) { for (int x = 0。 ++x) { tt = p[0] = p[1] = p[2] = (byte)(SumGray[p[0]])。 p += 3。 圖像的高斯濾波原理19 高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過(guò)程。高斯濾波的具體操作是：用一個(gè)模板(或稱(chēng)卷積、掩模)掃描圖像中的每一個(gè)像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點(diǎn)的值。代碼實(shí)現(xiàn) int[,] gaussianMatrix = { { 1, 2, 3, 2, 1 }, { 2, 4, 6, 4, 2 }, { 3, 6, 7, 6, 3 }, { 2, 4, 6, 4, 2 }, { 1, 2, 3, 2, 1 } }。 y nHeight。 x nWidth。 sum = 0。 for (int i = 2。 i++) for (int j = 2。 j++) { pp += (j * 3 + stride * i)。 if (i == 0 amp。 j == 0) {20 if(pp[0]240) { sum += p[0] * 30。 } else if (pp[0] 230) { sum += pp[0] * 20。