【正文】 律性，抽出反應(yīng)圖像本質(zhì)特點(diǎn)進(jìn)行識(shí)別 [8]。 (4) 基于模板匹配的字符識(shí)別； 模板匹配是數(shù)字圖像處理的重要組成部分之一。 基于模板匹配的字符識(shí)別 如果已知圖像中目標(biāo)的特征，或者要檢測(cè)圖像中是否包含特定目標(biāo)，則可根據(jù)對(duì)目標(biāo)的了解建立相應(yīng)的模板，進(jìn)而來(lái)考察模板和原圖像中的各個(gè)尺寸相同子區(qū)域的相似性。遍歷整幅圖像即可完成對(duì)所有目標(biāo)的識(shí)別與分割，這種方法稱(chēng)為模板匹配技術(shù)。 在該類(lèi)方法中，關(guān)鍵問(wèn)題是如何建立匹配模板以及采用何種相似性的度量。 設(shè)目標(biāo)圖像為 ( , )gxy ，圖像中相同大小的子區(qū)域 D 上的圖像為 ( , )f xy 。差值測(cè)度法計(jì)算簡(jiǎn)單，對(duì)于簡(jiǎn)單區(qū)域的匹配是可行的，但對(duì)于復(fù) 雜區(qū)域的匹配準(zhǔn)確度不高。 模板圖像通常要比待測(cè)圖像小，設(shè)模板圖像大小為，待測(cè)圖像大小，在匹配操作時(shí)，模板在待測(cè)圖像上滑動(dòng)，并在每一個(gè)可能的位置與其做相關(guān)運(yùn)算。 （ 2）匹配模板 由模板匹配的原理知，匹配模 板要根據(jù)待測(cè)目標(biāo)的特征來(lái)構(gòu)造。如果是在變換域里進(jìn)行匹配，此時(shí)的模板要根據(jù)目標(biāo)的變換域特征來(lái)建立，比如在頻率域匹配，建立的模板要具有目標(biāo)的頻域特征，實(shí)際就是目標(biāo)所具有的頻譜分布。 模板匹配 也可以計(jì)算模板特征量 和 圖像 16 之間的距離， 根據(jù) 最小距離法 來(lái)將圖像劃分為某個(gè)類(lèi)型 。在實(shí)際 制作 模板 的過(guò)程中 ， 因?yàn)閳D像中的 各 個(gè) 區(qū)域形狀 都有 特點(diǎn)， 所以在設(shè)計(jì)模板時(shí)重點(diǎn)是凸顯 各 相似 區(qū)域之間 的不同的地方 ， 其次，還需 要考慮的問(wèn)題是位移 和 噪聲（這兩個(gè)因素的由圖像經(jīng)過(guò)處理時(shí)引起的） ， 并且構(gòu)建模板時(shí)通過(guò) 一些特征量來(lái) 建造模板，這些特征量是 基于圖像不變特性所設(shè)計(jì)的， 這樣子就不會(huì)遇到以上的幾個(gè) 問(wèn)題 了 。 由于我國(guó)的普通小型汽車(chē)車(chē)牌第一位字符是漢字，分別代表各個(gè)省的簡(jiǎn)稱(chēng)，然后第二位是 A 到 Z 的字母，接下來(lái)的后五位則是數(shù)字和字母的混合搭配。最后識(shí)別完成后輸出識(shí)別的車(chē)牌的結(jié)果，流程圖如圖 33 所示。當(dāng)然，在這之前，我們首先要對(duì)圖像進(jìn)行一系列的預(yù)處理， 因?yàn)?圖像在形成、傳輸或變換過(guò)程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過(guò)量、相對(duì)運(yùn)動(dòng)等，往 往會(huì)與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異，這種差異稱(chēng)為降質(zhì)或退化。 車(chē)牌圖像灰度化 在車(chē)牌識(shí)別系統(tǒng)中，將一幅圖像轉(zhuǎn)換為另一種類(lèi)型是非常有用的，因?yàn)槿绻捎迷疾杉牟噬珗D像，它里面則包含了大量的無(wú)用信息，從而對(duì)定位、識(shí)別的過(guò)程中造成干擾，會(huì)造成存儲(chǔ)的浪費(fèi)以及在車(chē)牌識(shí)別系統(tǒng)中拖慢識(shí)別的速度，而且投入使用中將大大的提高硬件的要求，從而造成了經(jīng)濟(jì)成本的上 升，所以我們將要對(duì)原始采集的對(duì)象通過(guò)代碼進(jìn)行灰度化處理，將其變成灰度圖像。 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。39。 %讀入圖像 figure(1)。原始圖像 39。 I_gray=rgb2gray(I)。 imshow(I_gray),title(39。)。 通過(guò)了圖像灰度化處理，才有利于車(chē)牌定位的實(shí)現(xiàn)。在本次設(shè)計(jì)中，我利用 Sobel 算子對(duì)灰度圖像進(jìn)行邊緣檢測(cè)，然后再對(duì)邊緣圖像進(jìn)行腐蝕，去除掉邊緣圖像細(xì)的、間斷的邊緣，對(duì)剩下的區(qū)域進(jìn)行閉合以填充圖像，此時(shí)車(chē)牌區(qū)域已經(jīng)形成了一個(gè)大的連通域，再調(diào)用 bwareaopen 函數(shù)去掉小的連通域。sobel39。 %利 用 Sobel 算子進(jìn)行邊緣檢測(cè) figure(3)。邊緣檢測(cè)后圖像 39。 se=[1。1]。 %對(duì)邊緣圖像進(jìn)行腐蝕 figure(4)。腐蝕后邊緣圖像 39。 se=strel(39。,[25,25])。 %填充圖像 figure(5)。填充后圖像 39。 I_final=bwareaopen(I_close,2021)。 imshow(I_final),title(39。)。所以，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門(mén)限大，我們就定義圖像中的次點(diǎn)是一個(gè)邊緣點(diǎn)，一組這樣的依據(jù)事先 定好的連接準(zhǔn)則相連的邊緣點(diǎn)就定義為一條邊緣?？梢酝ㄟ^(guò)求梯度局部最大值對(duì)應(yīng)的點(diǎn)，并認(rèn)定為邊緣點(diǎn)，去除非局部最大值，可以檢測(cè)出精確的邊緣。 20 邊緣檢測(cè)選用不同的額算子或者閾值都會(huì)對(duì)結(jié)果造成很大的影響，經(jīng)過(guò)反復(fù)試驗(yàn)，我選取了 Sobel 算子 進(jìn)行邊緣檢測(cè)，通過(guò)代碼 I_edge=edge(I_gray,39。)就 能得到邊緣檢測(cè)的圖像如圖 42（ a）所示。經(jīng)過(guò)腐蝕過(guò)后，圖像中目標(biāo)周?chē)倪吘壉桓g了，大大的縮小目標(biāo)的范圍，為后面提取車(chē)牌的進(jìn)行提供了先決條件。 最后還用了 bwareaopen 來(lái)去除對(duì)象中不相干的小對(duì)象。 通過(guò)對(duì)比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車(chē)牌位置了，因此后期處理將通過(guò)這張圖來(lái)找出車(chē)牌位置。 設(shè)計(jì)過(guò)程首先將二值圖像中所有為白色的點(diǎn)的坐標(biāo)放入數(shù)組 location_of_1 中，對(duì)這些坐標(biāo)進(jìn)行計(jì)算，尋找 x 坐標(biāo)與 y 坐標(biāo)之和最大的 點(diǎn) a 與最小的點(diǎn) b，最大點(diǎn) a 即為車(chē)牌的左上角，最小點(diǎn) b 為車(chē)牌的右下角，通過(guò)這兩個(gè)坐標(biāo)將車(chē)牌分割出來(lái) 。 location_of_1=[]。 newlocation=[i,j]。newlocation]。maxi=0。 if tempmini mini=temp。 end if tempmaxi maxi=temp。 end end 23 first_point=location_of_1(a,:)。 %和最大的點(diǎn)為車(chē)牌的右下角 x1=first_point(1)+4。 y1=first_point(2)+4。 I_plate=I(x1:x2,y1:y2)。 g_min=double(min(min(I_plate)))。 % T 為二值化的閾值 I_plate =im2bw (I_plate,T/256)。 I_plate=bwareaopen(I_plate,20)。車(chē)牌提取 39。這樣才有助于字符分割的進(jìn)行。切割出單個(gè)字符后，放入 char_(i)中，并切 割 掉每個(gè)字符的上下的空白區(qū)域，完成精確切割。 %用來(lái)存放水平分割線的橫坐標(biāo) flag=0。 if logical(sum_y)~=flag %列和有變化時(shí)，記錄下此列 X=[X j]。 end end figure for n=1:7 char=I_plate(:,X(2*n1):X(2*n)1)。 break end end for i=1:size(char,1) if sum(char(size(char,1)i,:))~=0 bottom=size(char,1)i。 subplot(2,4,n)。 char=imresize(char,[32,16],39。)。Char_39。=char。))。一般分割出來(lái)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 ，但是對(duì)于車(chē)牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的，在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。 字符識(shí)別 模板庫(kù)的合理建造是字符識(shí)別準(zhǔn)確的關(guān)鍵之一，所以在字符識(shí)別之前必須把模板庫(kù) 26 設(shè)置好。車(chē)牌字符識(shí)別與一般 文字識(shí)別在于它的字符數(shù)有限， 十個(gè)阿拉伯?dāng)?shù)字 0～ 9， 24 個(gè)大寫(xiě)英文字母 A～ Z 以及相關(guān)的車(chē)牌用漢字：京、滬、蘇、臺(tái)、港、澳、甲、乙、丙、使、領(lǐng)、學(xué)、試、境、消、邊、警等，以及新式軍牌中的漢字南、蘭、廣、北、沈、濟(jì)、空、海等。 建立模板數(shù)據(jù)庫(kù)時(shí)要作為模板的圖片進(jìn)行統(tǒng)一處理，所以將這些圖片歸一化為大小 32*16 像素點(diǎn)的規(guī)格 。num 的文件夾中 接下來(lái)是對(duì)前面分割出的字符進(jìn)行識(shí)別，運(yùn)用的是模板匹 配字符識(shí)別算法，過(guò)程是把切割出的字符與庫(kù)里的漢字和字符的模板做減法運(yùn)算，找到差別點(diǎn)最少的模板為對(duì)應(yīng)模板，輸出該模板對(duì)應(yīng)的字符，最后識(shí)別出車(chē)牌 。 store1=strcat(39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。)。 Template=imread(strcat(39。,num2str(j),39。))。 Differ=ImTemplate。 end index=find(Compare==(min(Compare)))。 store2=strcat(39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。... ,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。,39。)。Char_39。 27 Template=imread(strcat(39。num\39。.jpg39。 Template=im2bw(Template)。 Compare(j)=sum(sum(abs(Differ)))。 char=[char store2(index)]。車(chē)牌為 :39。 結(jié)果分析 圖 45 字符識(shí)別結(jié)果圖像 本文以 MATLAB R2021a 為實(shí)驗(yàn)平臺(tái)， 在得到這個(gè)結(jié)果之前，需要對(duì)車(chē)牌圖像進(jìn)行預(yù)處理、車(chē)牌定位、車(chē)牌分割等處理 。對(duì)于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正 28 確率。圖像中車(chē)輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的 ；在整體圖象中的位置較為固定。隨之進(jìn)行定位及分割還有識(shí)別。 盡管目前牌照字符的識(shí)別率還不是很完美，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類(lèi)識(shí) 別能力更好的特征值和設(shè)計(jì)分類(lèi)器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。 而車(chē)牌識(shí)別技術(shù)恰好能滿足這一需求，通過(guò)車(chē)牌識(shí)別我們可以解決被納入“黑名單”的通緝車(chē)輛，可以統(tǒng)計(jì)一定時(shí)間范圍內(nèi)進(jìn)出各省的車(chē)輛，還能有效的對(duì)該車(chē)輛進(jìn)行定位，對(duì)公安機(jī)關(guān)等相關(guān)部門(mén)有著很重要的作用 通過(guò)智能的車(chē)牌定位及識(shí)別技術(shù)將 對(duì)于維護(hù) 交通安全 和城市治安，防止交通堵塞，實(shí)現(xiàn)交通 自動(dòng)化 管理有著現(xiàn)實(shí)的意義 。 讓我不僅僅是在學(xué)習(xí)知識(shí)上，還有對(duì)科學(xué)實(shí)驗(yàn)的嚴(yán)謹(jǐn)態(tài)度上都有了很大提升。本次設(shè)計(jì)主要解決了一下幾個(gè)問(wèn)題： (1)對(duì)彩色圖像進(jìn)行灰度化處理的方法： (2)選取合適的邊緣檢測(cè)算子及對(duì)灰度圖像進(jìn)行邊緣檢測(cè)的方法； (3)如何在圖像中定位出車(chē)牌位置并從定位好的車(chē)牌圖像中提取出車(chē)牌； (4)如何對(duì)車(chē)牌字符進(jìn)行分割和字符識(shí)別。二是車(chē)牌識(shí)別逐漸走上智能化的過(guò)程，通過(guò)智能系統(tǒng)選取不同的算法進(jìn)行自動(dòng)的分析才能更準(zhǔn)確的應(yīng)對(duì)各個(gè)角度及位置的車(chē)牌信息識(shí)別。 30 附錄 設(shè)計(jì)代碼 I=imread(39。)。imshow(I), title(39。)。 subplot(3,2,2),imshow(I_gray),title(39。)。sobel39。 subplot(3,2,3),imshow(I_edge),title(39。)。1。 I_erode=imerode(I_edge,se)。腐蝕后邊緣圖像 39。 se=strel(39。,[25,25])。 %圖像閉合、填充圖像 subplot(3,2,5),imshow(I_close),title(39。)。 %去除聚團(tuán)灰度值小于 2021 的部分 subplot(3,2,6),imshow(I_final),title(39。)。 location_of_1=[]。 newlocation=[i,j]。newlocation]。maxi=0。 31 if tempmini mini=temp。 end if tempmaxi maxi=temp。 end end first_point=location_of_1(a,:)。 %和最大的點(diǎn)為車(chē)牌的右下角 x1=first_point(1)+4。 y1=first_point(2)+4。 I_plate=I(x1:x2,y1:y2)。 g_min=double(min(min(I_plate)))。 % T 為二值化的閾值 I_plate =im2bw (I_plate,T/256)。 I_plate=bwareaopen(I_plate,20)。車(chē)牌提取 39。 %用來(lái)存放水平分割線的橫坐標(biāo) flag=0。 if logical(sum_y)~=flag %列和有變化時(shí)，記錄下此列 X=[X j]。