【正文】 ? ? ? (28) 得到 minG 后，則閾值 T可通過(guò)式 (29)計(jì)算得到 : m a x m inm a x 3GGTG ??? (29) 二值化代碼實(shí)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(3,2,2),imshow(d),title(39。) 圖 28車(chē)牌圖像二值化 圖 29車(chē)牌圖像二值化 圖 210車(chē)牌圖像二值化 以上圖片是對(duì)一些車(chē)牌圖像采用全局閾值分割方法的結(jié)果，從中可以看出，經(jīng)過(guò)采用上述方法進(jìn)行閾值分割后，能夠很好的把車(chē)牌字符與背景分割開(kāi)，同時(shí)該方法簡(jiǎn)單快捷，易于理解，實(shí)用性強(qiáng)。 線(xiàn)性濾波可以去除圖像中某些類(lèi)型的噪聲，如采用鄰域平均法的均值濾波器 就非常適合去除用掃描方 式得到的圖像中的顆粒噪聲。用一個(gè)像素鄰域內(nèi)各像素灰度平均值來(lái)代替像素原來(lái)的灰度，即使用了鄰域平均技術(shù)。一般取的形狀是正方形、矩形及十 字形等， S 的形狀和大小可以在全圖處理中保持不變，也可根據(jù)圖像的局部統(tǒng)計(jì) 特性而變化，點(diǎn) (i， j)一般位于 S 的中心。 由公式 211 可知，經(jīng)鄰域平均后，噪聲的均值不變，方差 239。即噪聲方差變小，說(shuō)明噪聲強(qiáng)度減弱了，即抑制了噪聲?？梢宰C明，對(duì)圖像進(jìn)行鄰域平均處理相當(dāng)于使圖像信號(hào)通過(guò)一個(gè)低通濾波器。對(duì)于給 定的 n個(gè)數(shù)值 { 12, ,..., na a a }，將它們按大小有序排列，當(dāng) n 為奇數(shù)時(shí)，位于中間位置的那個(gè)數(shù)值稱(chēng)為這 n 個(gè)數(shù)值的中值 。中值濾波就是這樣的一個(gè)變換，圖像中值濾波后某像素的輸出等于該像素鄰域中各像素灰度的中值。二維中值濾波的窗口形狀 和尺寸對(duì)濾波效果影響較大，不同的圖像內(nèi)容和不同的應(yīng)用要求，往往采用不同 的窗口形狀和尺寸。一般對(duì)于 有緩變的較長(zhǎng)輪廓線(xiàn)物體的圖像，采用方形或圓形窗 口為宜，對(duì)于包含有尖頂角 物體的圖像，適宜用十字形窗口。 在本文算法的實(shí)際應(yīng)用中，對(duì)車(chē)牌圖像采用了均值濾波的方法，圖 211 為采用上述濾波方法的結(jié)果，實(shí)現(xiàn)代碼如下： h=fspecial(39。,3)。 圖 211 均值濾波后的車(chē)牌圖像 利用領(lǐng)域平均法可以消除或減少噪聲，改善圖像的質(zhì)量。但是由于圖像邊緣也處于高頻部分，這樣往往帶來(lái)另外一個(gè)問(wèn)題：在對(duì)圖像進(jìn)行均值濾波操作時(shí)，往往對(duì)圖像的細(xì)節(jié)造成一定的破壞。average39。 如果選用的模板大，去除噪聲的效果會(huì)更明顯，但是計(jì)算復(fù)雜，所涉及的像素多而容易把細(xì)節(jié)抹去，造成模糊 ，如圖 213所示。 第一種車(chē)牌的前車(chē)牌長(zhǎng)度均為 440mm，寬度為 140mm，共有 8 個(gè)字符，本文研究的各種 算法主要使用這種車(chē)牌。車(chē)牌上的字符高度為 90mm，寬度為 45mm，分隔符的直徑為 lOmm(實(shí)際上，每個(gè)字符是居中分布在一個(gè)高度為 90，寬度為 45mm 的 矩形范圍內(nèi)，具體某個(gè)字符并不一定充滿(mǎn)這個(gè)矩形區(qū)域。字符與字符之間 或字符和分隔符之間的距離為12mm。該算法具有速度快、準(zhǔn)確率高、適應(yīng)性強(qiáng)等特點(diǎn)。車(chē)牌的定位誤差會(huì)有所增加。但應(yīng)用于背景復(fù)雜的圖像時(shí)，很容易把一些紋理分布比較豐富的其他非車(chē)牌區(qū)域也定位進(jìn)來(lái) .產(chǎn)生包含真車(chē)牌在內(nèi)的較多的車(chē)牌候選區(qū)域。 3． 2． 3 基于邊緣檢測(cè)的定位方法 該方法的定位準(zhǔn)確率較高，反映時(shí)間快，能有效去掉噪聲，適合于包含多個(gè)車(chē)牌的圖像，并且在多車(chē)牌圖像的情況下定位速度也很快。 3． 2． 4 基于數(shù)學(xué)形態(tài)學(xué)的定位方法 數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想，是利用一個(gè)結(jié)構(gòu)元素來(lái)探測(cè)一個(gè)圖像，看是否能將這個(gè)結(jié)構(gòu)元素很好的填放在圖像內(nèi)部，同時(shí)驗(yàn)證填放元素的方法是否有效。 膨脹最簡(jiǎn)單的應(yīng)用之一就是將裂縫橋接起來(lái)，腐蝕的一種最簡(jiǎn)單的用途就是消除不相關(guān)的細(xì)節(jié)。閉操作同樣使輪廓線(xiàn)更光滑，但與開(kāi)操作相反的是，它通常消彌狹窄的間斷和細(xì)長(zhǎng)的鴻溝，消除小的孔 洞，并填補(bǔ)輪廓線(xiàn)中的斷裂。而遺傳定位算法能夠?qū)θ珗D的待定目標(biāo)區(qū)域圖像進(jìn)行小范圍的圖像增強(qiáng)和提取。對(duì)夜間迎車(chē)頭燈時(shí)抓拍的圖像定位很成功?？梢栽谒惴ㄖ屑尤脒m當(dāng)?shù)木植克阉魉阕觼?lái)進(jìn)一步改善算法的性能。該方法具有較強(qiáng)的自適應(yīng)能力，可以在較復(fù)雜背景中精確定位大小不同的車(chē)牌。一定程度上提高了定位的精度和速度此方法要求圖像中的牌照尺寸基本不變 .一旦圖像中的牌照尺寸發(fā)生了較大的變化 .必須對(duì)神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。 3． 3 車(chē)牌定位流程及結(jié)果 本文采用基于數(shù)學(xué)形態(tài)學(xué)和邊緣檢測(cè)以及顏色相結(jié)合的方法實(shí)現(xiàn)車(chē)牌定位，其流程圖如下： 圖 31 車(chē)牌定位流程圖 對(duì)車(chē)牌圖像進(jìn)行預(yù)處理，得到車(chē)牌的基本形態(tài) 去除非目標(biāo)區(qū)域 通過(guò)計(jì)算尋找 X 和 Y方向車(chē)牌的區(qū)域 完成車(chē)牌定位 第一步，對(duì)經(jīng)過(guò)灰度拉伸的車(chē)牌圖像進(jìn)行邊緣檢測(cè) ，結(jié)果如圖 32所示。邊緣主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域（包括不同色彩）之間，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。 圖 33腐蝕后的車(chē)牌圖像 第三步：對(duì)腐蝕圖像進(jìn)行閉操作， 保持車(chē)牌圖像的基本形態(tài)特征。 圖 35車(chē)牌的輪廓 第五步，通過(guò)對(duì)車(chē)牌圖像的藍(lán)色像素點(diǎn)的統(tǒng)計(jì)找出車(chē)牌的范圍，然后通過(guò)修剪得到最終圖像。統(tǒng)計(jì)的目的主要是找到車(chē)牌圖像 在整個(gè)圖像中的坐標(biāo)范圍。再對(duì)原始圖像進(jìn)行切割，顯示它在 Y方向的圖像范圍，如 圖 38所示，然后找出它在 X方向的圖像范圍，最后對(duì)其進(jìn)行修剪，放大，顯示結(jié)果圖像，如圖 39 所示。 (a) 車(chē)牌 1定位結(jié)果 (b) 車(chē)牌 2定位結(jié)果 (c) 車(chē)牌 3定位結(jié)果 (d) 車(chē)牌 4定位結(jié)果 (e) 車(chē)牌 5定位結(jié)果 圖 310 多幅定位剪切后的彩色車(chē)牌圖像 程序 dw=I(PY1:PY28,PX1:PX2,:)表示截取 PY1和 PY28,PX1和 PX2 之間的像素矩陣 ， 其中 PY28是一個(gè)經(jīng)驗(yàn)值，對(duì)于不同的拍攝角度獲得的圖像也可以選擇 PY23或者 PY21，因此實(shí)際應(yīng)用中需要根據(jù)大量數(shù)據(jù)統(tǒng)計(jì)獲得。這也是本算法的不足之處。車(chē)牌傾斜不但會(huì)給字符切分帶來(lái)困難，而且還會(huì)給漢字和字符識(shí)別帶來(lái)困難，降低 識(shí)別率，所以有必要進(jìn)行傾斜校正。但是車(chē)牌傾斜校正前必須計(jì)算車(chē)牌的傾斜角度。 目前對(duì)車(chē)牌進(jìn)行傾斜校正主要采用以下幾種方法： 1． Hough 變換法，通過(guò) Hough 變換來(lái)求取車(chē)牌的邊框傾斜度。在噪聲、污漬干擾和車(chē)牌邊框不明顯的情況下，就難以準(zhǔn)確地通過(guò) Hough 變換來(lái)求取傾斜度。該方法具有角度估計(jì)精確，速度快，抗干擾能力強(qiáng)等優(yōu)點(diǎn)。 Hough 變換采用的是直線(xiàn)標(biāo)準(zhǔn)式 : cos sinxy? ? ???。 n 為車(chē)牌圖片的 寬度。 . (3)對(duì)邊緣圖上的每一個(gè)邊緣點(diǎn)計(jì)算 Hough 變換值，即計(jì)算出該點(diǎn)在 ??? 坐標(biāo)系中對(duì)應(yīng)的曲線(xiàn)，并在相應(yīng)的累加器加 1: countM (p1, k) = countM (p1, k) +1。 (4)找出對(duì)應(yīng)圖像平面共線(xiàn)的累加器中的最大值，該最大值對(duì)應(yīng)的 ? 為此直線(xiàn)的傾斜角度。 4． 2 Radon 變換角度檢測(cè)原理 Radon 變換的基本思想是點(diǎn)一線(xiàn)的對(duì)偶性。二維空間 (x， y)平面內(nèi)的一條直線(xiàn)可以表示為 (見(jiàn)圖 41)： cos sinxy? ? ??? （ 41） 圖 41直線(xiàn)的極坐標(biāo)表示 將其映射成 Radon 空間的一個(gè)點(diǎn) ( , )?? 具體步驟如下： 1．對(duì)原圖像進(jìn)行二值化； 2．二值圖像邊緣化后進(jìn)行 Radon 變換； 3．找出 Radon 變換矩陣中的局部極大值 11( , )R?? ， 1? 就是車(chē)牌圖像一條邊框的傾斜角度。 有時(shí)邊緣檢測(cè)之后的圖像中，車(chē)牌的邊緣往往還會(huì)有一些干擾的線(xiàn)段，這種情況下如果直接尋找 Radon 空間的 11( , )R?? 的局部極大值可能會(huì)出現(xiàn)誤判，因此需要采取一些措施以防誤判。此外， Radon 變換總能在 1 0?? 或 1 90?? 附近取得局部極大值，這樣我們就可以設(shè)置一個(gè)閾值來(lái)求取 ?? 和 90 ?? 范圍內(nèi)的 Radon變換的局部極大值，所求得的局部極大值就是檢測(cè)的車(chē)牌水平和垂直邊的傾斜角。我們?cè)O(shè)變換前的坐標(biāo)為 (x， y)，變換后的出標(biāo)為 (x1， y1)旋轉(zhuǎn)變換的公式 (42)如下： 11c o s s ins in c o sx x yy x y?????? ? ? ?? （ 42） 垂直校正采用對(duì)圖像按公式（ 43）進(jìn)行坐標(biāo)變換來(lái)實(shí)現(xiàn)。定位剪切后的彩色車(chē)牌圖像 39。 bw=edge(gray,39。)。 [R,xp]=radon(bw,theta)。%J 記錄了傾斜角 qingxiejiao=90J dw1=imrotate(dw,qingxiejiao,39。,39。)。title(39。)。 （ a） 車(chē)牌 1 傾斜校正 前 的 結(jié)果 （ b）車(chē)牌 1 傾斜校正 后 的 結(jié)果 （ c）車(chē)牌 2 傾斜校正前 的 結(jié)果 （ d）車(chē)牌 2 傾斜校正后 的 結(jié)果 （ e）車(chē)牌 3 傾斜校正前 的 結(jié)果 （ f）車(chē)牌 3 傾斜校正后 的 結(jié)果 （ g）車(chē)牌 4 傾斜校正前 的 結(jié)果 （ h）車(chē)牌 4 傾斜校正后 的 結(jié)果 圖 42 多幅 車(chē)牌圖像 進(jìn)行傾斜校正前后的對(duì)比 車(chē)牌 1 和車(chē)牌 2 是存在 水平邊傾斜角度 ? ， 從圖 42（ b）和圖 42（ d）中可以看出車(chē)牌 1和車(chē)牌 2 得到了很好的傾斜校正。車(chē)牌僅僅進(jìn)行了水平校正，并沒(méi)有進(jìn)行垂直校正，這也是算法的不足之處。 車(chē)牌圖像的預(yù)處理過(guò)程如下： 第一步，對(duì)經(jīng)過(guò)傾斜校正后的車(chē)牌圖像進(jìn)行灰度化 。 圖 52車(chē)牌圖像二值化 第三 步，對(duì)二值化圖像進(jìn)行均值濾波。 圖 53均值濾波后的車(chē)牌圖像 第四 步，對(duì)濾波圖像進(jìn)行腐蝕或膨脹。 圖 54膨脹或腐蝕后的車(chē)牌圖像 圖 55是對(duì)其他一些車(chē)牌圖像的預(yù)處理結(jié)果，可以看出 車(chē)牌圖像經(jīng)過(guò)預(yù)處理后，噪聲在不斷減弱 ，為后期字符分割提供基礎(chǔ) 。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 57 分割出來(lái)的七個(gè)字符圖像 字符歸一化 一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿(mǎn)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)行后期字符識(shí)別處理。 (a) 分割出來(lái)的七個(gè)字符圖像 (b) 分割出來(lái)的七個(gè)字符圖像 (c) 分割出來(lái)的七個(gè)字符圖像 (d) 分割出來(lái)的七個(gè)字符圖像 (e) 分割出來(lái)的七個(gè)字符圖像 (f) 分割出來(lái)的七個(gè)字符圖像 圖 59 多幅車(chē)牌的 字符分割結(jié)果 從上述的字符分割結(jié)果中可以看出，本算法能較好地實(shí)現(xiàn)車(chē)牌的字符分割。車(chē)牌圖像 均值濾波 過(guò)程中 模板大小的選取也帶來(lái)一些 誤差。最后編程實(shí)現(xiàn)了車(chē)牌的定位與校正及字符分割，從輸入的車(chē)輛圖像中提取出一個(gè)個(gè)獨(dú)立的字符，為以后把分割出的單個(gè)字符輸入字符識(shí)別模塊并得到車(chē)牌識(shí)別結(jié)果奠定了基礎(chǔ)。 （ 2）在車(chē)牌的水平傾斜校正過(guò)程中，本文采用了 Radon 變換方法。 （ 4）最后使用 MATLAB 語(yǔ)言編寫(xiě)了車(chē)牌定位與字符分割程序。經(jīng)過(guò)大量的試驗(yàn)，該程序在抗干擾能力和分析的實(shí)時(shí)性上都表現(xiàn)良好，為后續(xù)的字符識(shí)別創(chuàng)造了良好的條件。后續(xù)的研究有待于從以下幾個(gè)方面進(jìn)步提高和完善 : (l)車(chē)牌定位對(duì)于字符分割有著重要的影響，本文只是針對(duì)沒(méi)有太多復(fù)雜背景的藍(lán)白車(chē)牌圖片進(jìn)行，有待進(jìn)一步實(shí)現(xiàn)其他具有復(fù)雜背景的車(chē)牌圖片的定位。 (3)另外對(duì)于非標(biāo)準(zhǔn)車(chē)牌，如武警牌、使館牌以及近年出現(xiàn)的個(gè)性化車(chē)牌的識(shí)別，下一步的工作要把這些車(chē)牌都考慮進(jìn)去。 致謝 本論文是在童瑩老師的悉心指導(dǎo)和親切關(guān)懷下完成的。在此，衷心感謝童老師的教誨和 關(guān)懷 !老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、淵博的學(xué)識(shí)、坦誠(chéng)的處世風(fēng)格、開(kāi)拓創(chuàng)新的精神以及特有的人格魅力無(wú)不給我留下了很深的影響，使我受益匪淺。 最后，讓我再一次對(duì)培養(yǎng)我的南京工程學(xué)院，在百忙之中評(píng)閱我的論文和參加答辯的各位老師致以最誠(chéng)摯的謝意！ 參考文獻(xiàn) [1](美 )岡薩雷斯 (Gonzalez， .)等