【正文】 輸入計(jì)算機(jī)進(jìn)行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強(qiáng)、濾波和水平 矯正 等； （ 3）由檢索模塊進(jìn)行牌照搜索與檢測(cè)，定位并分割出包含牌照字符號(hào)碼的矩形區(qū)域； （ 4）對(duì)牌照字符進(jìn)行二值化并分割出單個(gè)字符，經(jīng)歸一化后輸入字符識(shí)別系統(tǒng)進(jìn)行識(shí)別。 為了用于牌照的分割和牌照字符的識(shí)別，原始圖 像 應(yīng)具有適當(dāng)?shù)牧炼龋^大的對(duì)比度和清晰可辯的牌照?qǐng)D 像 。 牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖 像 預(yù)處理后的原始灰度圖 像 中確定牌照的具體位置，并將包含牌照 字符的一塊子圖 像 從整個(gè)圖 像 中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。因此，需要對(duì)字符在識(shí)別之前再進(jìn)行一次針對(duì)性的處理。主要應(yīng)用的為模板匹配方法。系統(tǒng)可以運(yùn)行于 Windows9Windows2021或者 Windows XP操作系統(tǒng)下，程序調(diào)試時(shí)使用 matlab。圖像預(yù)處理技術(shù)可最大限度提高車牌正確識(shí)別率，這些圖像預(yù)處理包括圖像灰度化、平滑、傾斜校正、灰度修正等。因?yàn)樗{(lán)色（ 255， 0， 0）與白色（ 255， 255， 255）在通道中并無區(qū)分，而在 G、 R 通道或是灰度圖 像 中并無此便利。原圖、灰度圖及其直方圖見圖 2 與圖 3。所以在此我們要對(duì)圖像進(jìn)行邊緣檢測(cè)。增強(qiáng)圖象對(duì)比度度的方法有：灰度線性變換、圖象平滑處理等。如果造成這種影響的原因主要是由于被攝物體的遠(yuǎn)近不同，使得圖 像 中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時(shí)各點(diǎn)的靈敏度有較大的差異而產(chǎn)生圖 像 灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。我們發(fā)現(xiàn)車輛牌照?qǐng)D 像 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。例如，某一象素點(diǎn)的鄰域 S有兩種表示方法： 8鄰域和 4鄰域分別對(duì)應(yīng)的鄰域平均值為 ??? sji jifMjig ),( ),(1),( (36) 圖 35 鄰域 及其 鄰域模板 （ 5） 其中， M 為鄰域中除中心象素點(diǎn) f(i,j) 之外包括的其它象素總數(shù)，對(duì)于 4鄰域 M=4， 8 鄰域 M=8。為了克服這種平均化引起的圖 像 模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來的值，從而減 少由于平均化引起的圖 像 模糊。正是由于牌照?qǐng)D 像 的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。 圖 37 未濾波直接提取出的邊緣 ， 經(jīng)灰度校正后提取的邊緣 以及 經(jīng)平滑處理后提取的邊緣 對(duì)比以上幾幅圖片，圖 8 的邊緣已經(jīng)模糊掉了。分析這種情況產(chǎn)生的原因，歸納起來主要有以下方面 : 原始圖像清晰度比較高，從而簡(jiǎn)化了預(yù)處理 圖像的平滑處理會(huì)使圖像的邊緣信息受到損失，圖像變得模糊 圖像的銳化可以增強(qiáng)圖像中物體的邊緣輪廓 ，但同時(shí)也使一些噪聲得到了增強(qiáng) 綜上所述，結(jié)合 MATLAB 實(shí)驗(yàn)過程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。 2 車牌的定位與分割 車牌定位對(duì)車牌識(shí)別系統(tǒng)來說至關(guān)重要，目前已經(jīng)提出了很多車牌定位的方法，這些方法都具有一個(gè)共同的出發(fā)點(diǎn)，即通過牌照區(qū)域的特征來判斷牌照。 1)直接法?；谥本€邊緣識(shí)別的圖像區(qū)域定位算法，并且利用該算法定位車牌的邊框線，以此定位車牌。利用車牌部分垂直高頻豐富的特點(diǎn)先利用小波提取圖像的垂直高頻信息，然后利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)小波分解后的細(xì)節(jié)圖像進(jìn)行一系列的形態(tài)運(yùn)算，進(jìn)一步消除無用的信息和噪聲，以定位車牌。主要是指利用神經(jīng)網(wǎng)絡(luò)法或者遺傳算法定位車牌的方法。利 用遺傳算法對(duì)圖像進(jìn)行優(yōu)化搜索，結(jié)合區(qū)域特征矢量構(gòu)造的適應(yīng)度函數(shù)，最終尋找到車牌的 牌照 區(qū)域的最佳定位參量。 圖 38 牌照定位于分割流程圖 （ 1） 牌照區(qū)域的定位 牌照?qǐng)D 像 經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而 且其邊緣得到了勾勒和加強(qiáng)。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了 bwareaopen來去除對(duì)象中不相干的小對(duì)象。根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色 RGB對(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。 圖 310 行方向區(qū)域和最終定位出來的車牌 （ 3）車牌進(jìn)一步處理 經(jīng)過上述方法分割出來的車牌 圖像 中存在 目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的 方法就是設(shè)定一個(gè)閾值 T，用 T將圖像的數(shù)據(jù)分成兩部分：大于 T的像素群和小于 T的像素群 ，即對(duì)圖像二值化。再用模板中的全體像素的平均值來代替原來像素值。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。 圖 313 分割出來的七個(gè)字符圖像 （ 2）字符歸一化 一般分割出來的字符要進(jìn)行進(jìn)一步的處 理，以滿足下一步字符識(shí)別的需要。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理?；谀０迤ヅ渌惴ㄊ紫劝汛R(shí)別字符二 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。此算法先對(duì)識(shí)別字符進(jìn)行關(guān)鍵點(diǎn)提取，然后對(duì)關(guān)鍵點(diǎn)去噪，最后再確定字符的分類?；谌斯ど窠?jīng)網(wǎng)絡(luò)的算法主要有 兩 種：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。后一種方法無須特征提取和模板匹配，隨著相關(guān)技術(shù)的進(jìn)步，這種方法更實(shí)用。但是人工神經(jīng)網(wǎng)絡(luò)是近現(xiàn)代才提出來的一種新型技術(shù)，所以還有一些缺點(diǎn)，不過它的優(yōu)點(diǎn)卻是非常明 顯的：①它可以充分逼近任意復(fù)雜的非線性關(guān)系。③可學(xué)習(xí)和自適應(yīng)不知道或不確定的系統(tǒng)。⑤具有聯(lián)想和存儲(chǔ)功能。它能夠處理一些環(huán)境信息十分復(fù)雜、背景不清晰、有磨損、殘缺等方面的問題的情況。 BP神經(jīng)網(wǎng)絡(luò)可以應(yīng)付各種數(shù)據(jù)和能夠模擬一種復(fù)雜的決定系統(tǒng)。 BP神經(jīng)網(wǎng)絡(luò)由 1024個(gè)輸入節(jié)點(diǎn)、 20個(gè)隱層節(jié)點(diǎn)、 6個(gè)輸出節(jié)點(diǎn)組成。訓(xùn)練以后，節(jié)點(diǎn)權(quán)值保存在配置文件中。 BP網(wǎng)絡(luò)結(jié)構(gòu) ： 基于 BP 算法的多層前饋型網(wǎng)絡(luò) 將神經(jīng)元按功能和順序的不同分為輸出層、中間層（隱層）、輸出層。根據(jù)需要可設(shè)計(jì)為一層或多層；最后一個(gè)隱層將信息傳遞給輸出層神經(jīng)元經(jīng)進(jìn)一步處理后向外界輸出信息處理結(jié)果 。網(wǎng)絡(luò)的學(xué)習(xí)過程由正向和反向傳播兩部分組成。在網(wǎng)絡(luò)訓(xùn)練階段用準(zhǔn)備好的樣本數(shù)據(jù)依次通過輸入層、隱層和輸出層。 用 matlab 神經(jīng)網(wǎng)絡(luò)工具箱，用 BP神經(jīng)網(wǎng)絡(luò)生成網(wǎng)絡(luò)函數(shù)，部分程序如下： =newff(pr,[25 1],{39。 39。}, 39。, 39。)。 =。 =。其中權(quán)值函數(shù)為“ logsig” ,學(xué)習(xí)函數(shù)為：“ purelin” .運(yùn)行后，可在 matlab上得到： LOADING...... ans = LOAD OK. TRAINGDX, Epoch 0/3000, MSE , Gradient TRAINGDX, Epoch 10/3000, MSE , Gradient TRAINGDX, Epoch 20/3000, MSE , Gradient TRAINGDX, Epoch 30/3000, MSE , Gradient TRAINGDX, Epoch 40/3000, MSE , Gradient TRAINGDX, Epoch 50/3000, MSE , Gradient TRAINGDX, Epoch 60/3000, MSE , Gradient TRAINGDX, Epoch 70/3000, MSE , Gradient TRAINGDX, Epoch 80/3000, MSE , Gradient TRAINGDX, Epoch 90/3000, MSE , Gradient TRAINGDX, Epoch 100/3000, MSE , Gradient TRAINGDX, Epoch 110/3000, MSE , Gradient TRAINGDX, Epoch 120/3000,