【正文】 處理，就是可以得到車牌所在的確定位置 。 基于顏色空間的車牌定位方法 由于車輛牌照具有與車牌號、車身、背景不同的底色，顏色反差較大，而且車牌的設(shè)定頁眉 19 底色也比較固定，可以在此基礎(chǔ)上過濾一些背景信息和噪聲干擾，再結(jié)合神經(jīng)元網(wǎng)絡(luò)、形態(tài)學(xué)、邊緣算子、投影法等技術(shù)精確地分割出車牌。 這種方法的典型代表是彩色邊緣檢測算子 ColorPrewitt 和彩色邊緣檢測與區(qū)域生長相結(jié)合的牌照定位算法 ColorPrewitt和彩色邊緣檢測，增強(qiáng)牌照區(qū)域，并借助數(shù)學(xué)形態(tài)學(xué)膨脹技術(shù)實現(xiàn)區(qū)域的連通，采用區(qū)域生長法標(biāo)記候選區(qū)域，最后利用車牌的先驗知識，剔除虛假車牌區(qū)域，確定真正的車牌區(qū)域。在這個數(shù)據(jù)空間中，一些特定的塊被選作參考矢量，又叫碼字 12( , , )nw w w ， 全部碼字的集合構(gòu)為碼字。由于碼書中碼字的數(shù)量總是少于所有可能出現(xiàn)的塊的數(shù)量，矢量量化是一種有損壓縮，采用矢量量化進(jìn)行牌照定位的出發(fā)點在于圖像的矢量量化編碼過程隱含了對圖像紋理的分析過程。 本 章 提出的車牌定位方法 基于能量濾波的車牌粗定位 在數(shù)字圖像處理中 ,能量是一種描述 紋理特征 的 統(tǒng)計 參數(shù) ,其一般表達(dá)式為 ： 2( , )xyE P x y??? （ 31） 式中 p ( x , y) 為坐標(biāo) ( x , y) 的特征值。因此 ,選取 p ( x , y) 為水平方 向上的亮度差分值 ,即 ( , ) 2 ( , ) ( 1 , ) ( 1 , )P x y I x y I x y I x y? ? ? ? ? （ 32） 式中 I ( x , y) 為坐標(biāo) ( x , y) 的亮度值。所以 ,基于能 量濾波的車牌定位的主要思想是先通過一種高通能量濾波快速地將圖片中絕大部分平滑區(qū)域 (即能量低的區(qū)域 ) 濾除掉 ,再在剩余區(qū)域根據(jù)車牌形狀的先驗知識粗分割出車牌的候選區(qū)域 ,最后對候選區(qū)域進(jìn)行校驗和修正。 圖 31 是將各小方塊內(nèi)的能量量化到 (0 ,255) 區(qū)間后得到的直方圖。 因此 ， 若選取合適的閾值 ,可以快速地粗分割出車牌候選區(qū)域 ,即 1 ( , )( , ) 0 ( , )E i j T hB i j E i j T h??? ? ?? （ 34） 0 ≤ i ≤ M’ ,0 ≤ j ≤ N’ 式中 Th 為選取的閾值。反之 ,為其他區(qū)域而被濾除掉。再由 R ( k) 的水平寬度可進(jìn)一步去掉部分非車牌區(qū)域 ,即若 設(shè)定頁眉 21 ? ?()W idth R k l? （ 35） 則 R ( k) 為非車牌區(qū)域被濾除掉。 l 為寬度閾值且與圖像中車牌的實 際寬度成正比。 在上面的處理中 ,式 (34)中的 Th 取值至關(guān)重要。若 Th 過小 ,會出現(xiàn)大量的干擾區(qū)域 ,不僅會大幅度增加檢驗的時間 , 還會導(dǎo)致錯定位。 2) 由式 (34) 得到 B(i,j) ,并檢查有無 滿足式 (35)的 R ( k) 。 3) 若 Th ω ≥ minTh (ω 為步長 ) ,則 Th = Th ω 重新執(zhí)行 2）； 若 T h – ω minTh , 則判斷無車牌退出。若有真車牌 ,則輸出車牌的粗分割位置進(jìn)行進(jìn)一步修正；若無，真車牌則執(zhí)行 3）。為了進(jìn)一步增加算法的魯棒性， maxTh 和 minTh 也需通過輸入圖像的能量數(shù)組自適應(yīng)地調(diào)節(jié)，即 39。1139。 001 ( , )MNijE E i jMN ????? ? ?? （ 36） maxTh E?? ， minTh E?? 車牌的檢驗非常重要，他直接影響到能量濾波閾值的選擇和去除干擾的能力。而車牌的檢驗則利用車牌較為細(xì)致的 紋理特征 進(jìn)一步剔除那些干擾區(qū)域并將真正的車牌區(qū)域分割出來。將車牌區(qū)域二值化并進(jìn)行水平掃描后，一般可得到 18至 30次的跳變次數(shù)，且在垂直方向上各行的跳變次數(shù)相差較小。 2）水平掃描各行檢驗行，計算各行的跳變次數(shù) ch（ i） （ i=1， 2?? 2m+1） 。 1）中，取候選區(qū)域中間部分作為檢驗行，是為了避免因車牌上下邊定位的不準(zhǔn)確和車牌傾斜帶來的負(fù)面影響。所以，還需要進(jìn)一步進(jìn)行修改，以便車牌識別時字符的分割和識別。字符總長 409mm，其中單個字符統(tǒng)一寬度為 45 mm，高為 90 mm；第二、第三字符間間隔為 34 mm(中間小圓點的寬度為 10 mm，它與第二、第三個字符間的距離分別為 12mm)，其余字符間隔均為 12mm。 正確的車牌字符分割時特征提取和模式匹配的前提并且關(guān)系到后繼車牌識別能否順利進(jìn)行。車牌字符分割可以說是車牌識別中比較簡單的 的一環(huán)?，F(xiàn)在車牌的精確字符分割主要是因為實際拍攝的車牌圖像不同程度地存在噪聲干擾的問題。 直接分 割法 直接分割法較為簡單，但它的局限是分割點的準(zhǔn)確性受噪聲干擾較大。在車牌識別中，由于車牌尺寸大小和長寬比都是確定的，車牌中的字符大小、字體、個數(shù)也是確定的，字符分布也是有規(guī)律的，因此，在車牌定位準(zhǔn)確、車牌圖像截取完整的情況下，可以直接根據(jù)車牌字符在圖像中的位置進(jìn)行切割。 垂直投影分割也是一種直接分割法，廣泛應(yīng)用于固定間隙和固定字符寬度的字符分設(shè)定頁眉 23 割中，針對字符間距、字符 數(shù)、字體等 紋理特征 的統(tǒng)一性，設(shè)計一系列的特征函數(shù)和判決函數(shù)以突出其紋理特點，從而進(jìn)行字符的分割。由于車牌中字符之間的灰度值通常為 0，因此，投影圖將會在字符之間形成谷底，或者說在字符處形成波峰。但是通常情況下，由于車牌圖像會有噪聲，因此，在投影時會造成谷底不明顯，甚至消失，使字符分割產(chǎn)生誤差甚至錯 誤，最終影響字符的識別。因此，在投影前還需去除掉車牌鉚釘，以保證字符分割效果。 例如，針對高性能的印刷體文字識別系統(tǒng)，采用多知識綜合判決的字符切分算法，字符分割看作是對字符邊界正確切分位置的一個決策過程，該決策需要同時考慮字符局部識別情況和全局的上下文關(guān)系。 還有些算法考慮到二值圖像丟失掉很多信息，而且可能會造成字符粘連模糊或斷裂的缺陷，所以開始對灰度圖像進(jìn)行直接處理，但它的分割路徑是非線性的，算法較為復(fù)雜。 車牌字符識別 字符識別是對車牌上分割出來的漢字、字母和數(shù)字進(jìn)行確認(rèn)的過程， 是整個車牌識別系統(tǒng)的核心，字符識別的準(zhǔn)確率直接影響整個系統(tǒng)的最終識別結(jié)果。能否準(zhǔn)確識別車牌字符，文字識別技術(shù)是一個重要因素。車牌字符識別實際上是依附在車牌上的印刷體文字的識別，能否正確識別不僅是文字識別技術(shù)的問題，還要考慮車牌區(qū)域的影響。車牌中的字符與其他字符相比有其特殊性，主要體現(xiàn)在以下幾點 : 設(shè)定頁眉 24 （ 1）字符點陣分辨率低。 （ 2）環(huán)境影響大。而車牌識別系統(tǒng)需要在室外全天候工作，光照條件經(jīng)常變化，并且受天氣狀況等的影響，各種 干擾也不可預(yù)測，導(dǎo)致實際取到的牌照的圖像由于光照度、觸發(fā)位置的不同，使得字符的大小、粗細(xì)、位置及傾斜度都不一樣。鑒于牌照自動識別系統(tǒng)的應(yīng)用場合是智能交通管理，它要求能對駛過的車輛進(jìn)行及時地采集圖像、處理圖像、牌照識別和自動數(shù)據(jù)庫登錄等一系列操作，實時性的要求高于其它 OCR 系統(tǒng)。其工作原理是：每一個 漢字就有一個模板。此種方法最大的缺陷就是容易受到環(huán)境的影響。因此對其進(jìn)行改進(jìn)，即先對待識別字符進(jìn)行拓?fù)浞治龅玫阶址吘壍年P(guān)鍵點，然后對關(guān)鍵點進(jìn)行拓?fù)浞治?，最后確定字符的分類。 （ 2） 特征分析匹配法 這類方法是基于特征層面來 進(jìn)行匹配的，是使用率較高的一類方法，相比較于模板匹配而言，它能更好地獲得字符的特征，有的特征對噪聲是不明顯的。對于整體變換分析法，這些特征的提取是相對容易的，但是通常都需要較大的計算量。但是通常這類特征的模型的生成比較困難 。 （ 3）神經(jīng)網(wǎng)絡(luò)識別法 人工神經(jīng)元網(wǎng)絡(luò)是由大量簡單的基本單元相互連接而成的非線性動態(tài)系統(tǒng)，每個神經(jīng)元的結(jié)構(gòu)和功能都比較簡單，但由其組成的系統(tǒng) 卻可能非常復(fù)雜，它具有人腦的某設(shè)定頁眉 25 些特征，能用于聯(lián)想、識別和決策。這種大規(guī)模并行結(jié)構(gòu)具有很高的計 算速度，完全不同于傳統(tǒng)機(jī)器。神經(jīng)網(wǎng)絡(luò)的工作方式由兩個階段組成：第一階段 —— 學(xué)習(xí)期：神經(jīng)元之間的連接權(quán)值可由學(xué)習(xí)規(guī)則進(jìn)行修改，以使目標(biāo)函數(shù)達(dá)到最小。 基于神經(jīng)元網(wǎng)絡(luò) 神經(jīng)網(wǎng)絡(luò)模式識別是神經(jīng) 網(wǎng)絡(luò)技術(shù)在模式識別中的應(yīng)用，是仿生學(xué)的產(chǎn)物。由于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)、自組織和并行分布處理等特征符合人類視覺系統(tǒng)的基本工作原則，基于神經(jīng)網(wǎng)絡(luò)的識別系統(tǒng)和傳統(tǒng)的識別系統(tǒng)相比較具有以下明顯特點：具有很強(qiáng)的自適應(yīng)學(xué)習(xí)能力；具有很強(qiáng)的容錯性、魯棒性；具有執(zhí)行非線性認(rèn)為和去除噪聲的能力；提供了并行處理和并行分布 信息的能力；具有聯(lián)想記憶功能和推理意識功能。 神經(jīng)元模型 神經(jīng)元是人工神經(jīng)網(wǎng)絡(luò)的基本處理單元，它一般是一個多輸入 /多輸出的非線性元件 ，神經(jīng)元輸出除受輸入信號的影響之外，同時也受到神經(jīng)元內(nèi)部其他因素的影響。 （ 1） 基本神經(jīng)元模型的數(shù)學(xué)表達(dá)式如下： 1niiiSx?????? (41) ()y f s? 其中 i? 為權(quán)值（ Weights） , ? 為 閾值（ threshold）， ()fs 為作用函數(shù)。 （ 2） 常用的作用函數(shù)有閾值型、線性型、 S 型函數(shù)。 設(shè)定頁眉 26 10()00WXy f W XWX??????? ? ? ???? （ 42） ② 線性型。 ③ S 型函數(shù)。 （ 3） 人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)法則。它是一類相關(guān) 學(xué)習(xí)，即如果兩個神經(jīng)元同時興奮，則它們之間的突觸連接加強(qiáng)。 ② ? 學(xué)習(xí)規(guī)則。()jjjF y y? ?? 其中 ? 為步長， 39。 ③ 相近學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的性質(zhì)主要決定于兩個因素：一個是網(wǎng)絡(luò)的設(shè)定頁眉 27 拓?fù)浣Y(jié)構(gòu)，另一個是網(wǎng)絡(luò)的學(xué)習(xí) 、工作規(guī)則。 BP網(wǎng)絡(luò)的學(xué)習(xí)算法 BP 誤差反向傳播的算法步驟可歸納如下： （ 1） 初始化。 （ 2） 對每一個樣本作如下計算： ① 向前計算：設(shè) n次迭代中第 j個單元的輸 出為 ()jyn，輸入為 ()ixn ，單元 j的凈 輸入 js 為： 0( ) ( )pj ij iis w n x n?? ? （ 48） 其中 p 為加到單元 j 上輸入的個數(shù)， ijw 為前一層單元 i 到單元 j 的連接權(quán)，則有輸出： ( ) ( ( ))j j jy n f s n? （ 49） 其中 ()jfs為作用函數(shù)，如單元 j 的作用函數(shù)為 Sigmoid 函數(shù)，則有： 1()1 e x p ( ( ) )j jyn sn? ?? （ 410） 39。設(shè)期望輸出為 ()jdn , 則誤差信號 ()jen 為( ) ( ) ( )j j je n d n y n?? ， 輸出端總的平方誤差 ()n? 為 ： 211( ) ( )2qjjn e n? ?? ? （ 412） 其中 q 為輸出端的個數(shù)，設(shè)訓(xùn)練集中樣本總數(shù)為 N 個，則平方誤差的均值 ()AV n?為： 11( ) ( )NAV nnnN???? ? （ 413） 設(shè)定頁眉 28 權(quán)值 ijw 的修正量為： () ( ) ( )ij j iijnw n x nw?? ? ??? ? ? ? ?? （ 414） 負(fù)號表示修正量按梯度下降方向，其中 39。( ) ( ( ) ( ) ) ( ( ) )j j j j jn d n y n f s n? ?? (415) 當(dāng)單元 j是隱單元時，則有： 39。 ④ 按下式修改權(quán)值： ( 1 ) ( ) ( ) ( )ij ij j iw n w n n x n??? ? ? (417) (3) n=n+1,輸入新的樣本直至 AV? 達(dá)到預(yù)定要求 。一般來說 ，具有偏差和至少一個 S 型隱含層加上一個線性輸入層的網(wǎng)絡(luò)，能夠逼近任何有理函數(shù)?；谝陨系目紤]， BP網(wǎng)絡(luò)只使用一個 S型的隱含層，即一個三層的 BP 網(wǎng)絡(luò)。隱含層節(jié)點數(shù)的選擇對網(wǎng)絡(luò)性能影響很大，一般是由網(wǎng)絡(luò)的具體用途來確定，不同的網(wǎng)絡(luò)有不同的要求，所以確定隱含層的節(jié)點是復(fù)雜的，常用的方法有： ① Kolmogorow 定理指出：對 N個輸入節(jié)點的單隱含層的神經(jīng)網(wǎng)絡(luò)，隱含層的節(jié)點數(shù)為 2N+1。 在實踐過程中，以上的估算式只能作為一個參考，實際的節(jié)點數(shù)是通過一系列比較并經(jīng)過試湊的方法得出