【正文】 i,j)為原圖像數(shù)據(jù)， G(i,j)為經(jīng)過線性濾波器運(yùn)算后的圖像數(shù)據(jù)， S、 T為原圖像相關(guān)的參數(shù)， W 作為增大濾波器的響應(yīng)。此方法要求通過多次實(shí)驗(yàn)的方法確定其中的參數(shù)S、 T、 W，但是由于在現(xiàn)實(shí)環(huán)境下面采集到車輛圖像由于光線和環(huán)境變化的緣故，要想確定這樣的參數(shù)并不是一件容易的事情 ，在實(shí)時(shí)的牌照識別系統(tǒng)中這些參數(shù)一般來說都是動態(tài)變化的，確定難度更大。首先采用掃描差分二值化閥值迭代算法，經(jīng)過迭代算法的圖像運(yùn)用數(shù)學(xué)形態(tài)學(xué)的算法，取長度為〔 2a+1〕 的一維結(jié)構(gòu)元素對圖像進(jìn)行膨脹運(yùn)算。此方法雖然可以在一定的條件下定位牌照區(qū)域，但是此方法中評價(jià)函數(shù)的確定比較困難，如何確定魯棒的評價(jià)函數(shù)是一個重要的難題，評價(jià)函數(shù)的好壞直接關(guān)系到車輛牌照定位的結(jié)果。其它還有一些常用的牌照定位方法，如基于邊緣檢測的牌照定位方法、基于小波算法的牌照定位、基于神經(jīng)網(wǎng)絡(luò)的車輛牌照定位方法等等?；谛〔ㄋ惴ê蜕窠?jīng)網(wǎng)絡(luò)的車牌定位方法，應(yīng)用數(shù)學(xué)領(lǐng)域最新的研究成果，對車輛牌照進(jìn)行定位，但是由于車輛圖像本身的極大變化性，上述方法的處理效果，對于某些車輛圖像質(zhì)量比較好，車牌特征比較明顯的圖像效果較好，而對于其它質(zhì)量和牌照特征不好的車輛圖像定位的效果就可能不是很好，甚至定位不出來。充分考慮了上述牌照定位的方法 后，本文提出了自己的牌照定位方法。定位由粗定位和細(xì)定位組成，粗定位完成車輛牌照的初步定位，其中可能存在偽車牌信息，細(xì)定位完成牌照的最終定位，去除可能的偽車牌區(qū)域。牌照定位準(zhǔn)確得話，字符的分割就顯得相對的簡單，但是由于牌照定位時(shí)可能的噪聲以及車輛牌照邊框的影響和字符粘連的原因，使字符的分割變得比較困難。論文采用基于紋理的字符分割閥 值方法，該方法首先對車輛牌照圖像進(jìn)行紋理分析，確定車輛牌照中字符像素點(diǎn)的灰度相對于牌照底色灰度的高或者低，同時(shí)取得字符灰度與牌照底色灰度的近似分布，最后采用模式識別中最大最小準(zhǔn)則獲取灰度分割閥值。 文中對車牌圖像采用全局閥 值進(jìn)行二值化處理，然后根據(jù)處理得到的二值化圖像進(jìn)行投影，然后通過搜索所有峰點(diǎn)的位置和相應(yīng)的高度以及左右谷點(diǎn)的位置及相應(yīng)的高度，保存這些數(shù)據(jù)，然后根據(jù)一定的判定條件合并峰點(diǎn)，最后對規(guī)則變換后投影圖采用掃描線的方法得到字符的基本寬度及字 符個數(shù)。文中首先對于定位好的車牌進(jìn)行二值化操作，根據(jù)以下條件進(jìn)行斷裂點(diǎn)分析 :令字符區(qū)域的排列有一定的規(guī)律令字符與非字符在灰度上面有較大的差異令存在字符區(qū)域?yàn)檫B通區(qū)域然后按照字符出現(xiàn)的規(guī)律，定義出掃描曲線，對于整個 20 圖像進(jìn)行掃描，包含字符區(qū)域較多的區(qū)域?qū)⒊霈F(xiàn)較多的字符區(qū)域與非字符區(qū)域交替的現(xiàn)象，對這些區(qū)域采用 4 連通和 8 連通，最后填充連通的區(qū)域，完成一次 字符的分割，然后根據(jù)已經(jīng)分割的字符利用字符之間的間距關(guān)系以及字符的高度、寬度信息，分割其它的字符，進(jìn)而完成整個字符的分割。 字符識別方案 車輛牌照字符主要是由漢字、字母、數(shù)字組成的，對于車輛牌照字符的識別主要也都是識別上述三種字符。但是牌照字符識別與印刷體字符的識別有所不同，受到圖像噪聲等因素的影響，遠(yuǎn)遠(yuǎn)比單純的印刷體字符識別困難。由于字符的識別實(shí)際上就是個類別數(shù)目較大的分類問題，因此大多數(shù)的字符識別的問題都是基于分類器的設(shè)計(jì)。 (2)外圍輪廓匹配 。 (4)基于 Hausdorff 距離的模板匹 配 。 其中 (1)、 (2)、 (3)、 (5)適合字母和數(shù)字識別， (2)、 (4)適合漢字識別。識別時(shí)將待識別字符的這一數(shù)組與預(yù)先得到模板的外圍輪廓描述數(shù)組比較，兩者差別由歐氏距離衡量?；?Hausdorff 距離的模板匹配方法將字符圖像的邊緣點(diǎn)作為特征點(diǎn)，記錄這些點(diǎn)所在位置的同時(shí)，還記錄了每一點(diǎn) 8 鄰域點(diǎn)的情況，因此每個邊緣點(diǎn)有 9 個特征值。論文根據(jù)圖像放大和縮小原理構(gòu)建多種字符模板，利用圖像上、下矩對字符進(jìn)行粗分類，然后根據(jù)字符圖像 21 自相關(guān)特性，構(gòu)建了失配比例加權(quán)懲罰匹配模型，對車牌字符進(jìn)行精確的識別。該方法集成了模板匹配與神經(jīng)網(wǎng)絡(luò)的方法，增加了字符識別的準(zhǔn)確性，達(dá)到了較高的識別率，但是該方法的運(yùn)算量較大。目前市場上面的很多產(chǎn)品也基于這種方法進(jìn)行字符識別的。 22 4 車輛牌照定位 Visual Studio 軟件開發(fā)環(huán)境 Visual Studio 是微軟公司推出的開發(fā)環(huán)境。目前 已經(jīng)開發(fā)到 版本。改進(jìn)功能包括 Visual C++ 工具和本機(jī)設(shè)備運(yùn)行庫、托管設(shè)計(jì)器（提供改進(jìn)的特定于平臺的 WYSIWYG 和多種 外觀設(shè)置支持）、新的仿真程序、類似于桌面的數(shù)據(jù)處理工具，以及最終用戶部署項(xiàng)目 。 灰度化處理 為了加快圖像處理的速度，首先對于輸入的圖像進(jìn)行灰度化處理?；叶然?理的過程包括兩步 :文件格式的轉(zhuǎn)換和顏色空間數(shù)據(jù)的轉(zhuǎn)換。在文件頭結(jié)構(gòu)中，文件類型字段都是一樣的，不需要轉(zhuǎn)換 。同樣在信息頭結(jié)構(gòu)中，根據(jù)兩種位圖的像素占據(jù)的字節(jié)數(shù)不同，分別按照 1 /3 的比例設(shè)定圖像的寬和高，將結(jié)構(gòu)中的biBitCount=24 改為 biBitCount=8 再計(jì)算位圖數(shù)據(jù)實(shí)際占有的字節(jié)數(shù)。調(diào)色板的創(chuàng)建可由 MFC的 CPalette類的成員函數(shù) CreatePalette負(fù)責(zé)完成。該函數(shù)聲明為 : CPalette* SelectPalette(CPalette*pPalette,BOOL bForceBackground)， 最后一步是轉(zhuǎn)換實(shí)際的圖像存儲數(shù)據(jù)，在實(shí)際的文件轉(zhuǎn)化中，由于存儲的每個像素的字節(jié)數(shù)從原來的 3 個字節(jié)變化為 1 個字節(jié)，所以轉(zhuǎn)換后的數(shù)據(jù)存儲空間和大小將進(jìn)行相應(yīng)的改變，涉及到內(nèi)存管理方面的編程。真彩色圖像中顏色信息有 R,G,B三色組成，每種顏色分量都有 256 個級別，分別占用一個字節(jié)的大小，而灰度圖像只含有亮度信息，不包含彩色信息，只需要將亮度值進(jìn)行量化，一般量化為 256 級灰度， 0 表示最暗， 255 表示最亮。 YIQ 色彩系統(tǒng)通常被北美的電視系統(tǒng)所采用，其中的 Y指顏色的明視度C Luminance )，即亮度 (Brighrness )，也即是圖像的灰度值 (Gray )。 RGB 與 YIQ 之間的對應(yīng)關(guān)系如下 : ??????????????????????????????????BGRQIY 因而可通過 Gre=*R+* G+*B 將彩色圖像轉(zhuǎn)換為灰度圖像。中值濾波是 24 一種典型的低通濾波，使用中值濾波不但可以去除噪聲點(diǎn)，而且還可以保護(hù)車輛牌照邊緣的紋理信息。通常的情況窗口內(nèi)的元素個數(shù)取為奇數(shù)。中值濾波在處理二值噪聲時(shí)效果更好?？紤]到實(shí)際處理的車輛圖像大小為 360*240，而實(shí)際可能存在的噪聲點(diǎn)一般都是比較孤立的點(diǎn)噪聲，偶爾的脈沖亮線噪聲比較少，點(diǎn)噪聲的寬度一般都是集中在幾個像素寬度的大小 (車牌出現(xiàn)大范圍面積內(nèi)連續(xù)的污損除外 )，通過試驗(yàn)對比，本文采用 7*1 的窗口，去噪的效果比較明顯，實(shí)際處理的效果也比 較理想。 車牌定位 在含有汽車牌照 的圖像中，紋理特征是牌照圖像的最基本特征。所有這些紋理特征就成為牌照定位的主要依據(jù)， 因?yàn)榕普諈^(qū)域的明暗紋理特征一般情況下都是比較明顯的，即使受光照變化的影響，車體某些部位的顏色變化可能比較大的情況下，車牌區(qū)域內(nèi)的字符與背景的顏色差異依然存在，紋理特征依然比較明顯。 紋理特征粗定位 牌照粗定位通過掃描線檢測掃描灰度圖像中灰度跳變點(diǎn)，記錄掃描各行中的灰度跳變點(diǎn)的個數(shù)，當(dāng)掃描行跳變點(diǎn)的個數(shù)滿足一定的條件時(shí)，可以判斷為可能的牌照區(qū)域。梯度有兩個重要的性質(zhì) : ● 梯度的方向在函數(shù) f(x,y)最大變化率方向上 。各個部位灰度跳變的 大小可能不同，一般情況下，牌照區(qū)域灰度跳變還是很明顯的，取一個閥 值 可以有效的減少灰度跳變小的點(diǎn)，進(jìn)而突出牌照區(qū)域。圖像轉(zhuǎn)換為二值圖像，即 這樣只要選擇合適的閥值就可以得到相關(guān)紋理邊緣的點(diǎn)，選擇的閥 值應(yīng)該滿足保證處于車輛牌照字符與背景的灰度區(qū)域之間。黃底黑字 26 的閥 值可以在 [0, 240]區(qū)域內(nèi)，黑底白字在 [0, 255]內(nèi)，藍(lán)底白字在 [37, 255]內(nèi)，白底紅字在 [77, 255]內(nèi)，在這些區(qū)域內(nèi)取交集可以得到分割顏色和背景的閥 值，可以求出此時(shí)的交集在 [77,240]之間，為了克服光線變化而造成顏色的 失真，可以把閥 值范圍進(jìn)一步縮小在 [100, 200]之間，這樣仍然有廣闊的閥 值空間可以供選擇。 圖 42 車牌灰度圖像的粗邊緣檢測 經(jīng)過上面的梯度運(yùn)算取閥 值方法處理以后，可以看到上面幾幅圖像的處理效果，前兩 幅由于車輛圖像可能的跳變點(diǎn)比較少，處理過后牌照區(qū)域比較明顯 。 二、突變點(diǎn) 的紋理特征分析 要分析突變離散點(diǎn)的特征，首先要記錄并統(tǒng)計(jì)這些點(diǎn)。也就是說，從文件中最先讀到的是圖像最下面一行的最左邊第一個像素，然后是左邊第二個像素??接下來是倒數(shù)第二行左邊第一個像素，左邊第二個像素??依次類推，最后得到的是最上面一行的最右邊一個像素。記錄各行的突變點(diǎn)的個數(shù)以及每一個跳變點(diǎn)所在的行、列以及附近相關(guān)跳變點(diǎn)相應(yīng)的數(shù)據(jù)信息。 //列號 int distance。 Typedef CListLnode,LnodeNodeList。 行頭節(jié)點(diǎn)鏈表定義如下： typedef struct { int LineNum。 //指向該行行內(nèi)節(jié)點(diǎn)鏈表首節(jié)點(diǎn)的指針 }LineHead； 該數(shù)據(jù)結(jié)構(gòu)可以記錄該行的行號以及該行內(nèi)的所有突變點(diǎn)的數(shù)量。如上面兩幅圖像突變點(diǎn)過多，為了突出牌照區(qū)域的突變點(diǎn)，可以通過行內(nèi)跳變點(diǎn)鏈表結(jié)構(gòu)的 distant。在 360*240 寬度的圖像中，牌照區(qū)域筆畫的寬度基本是一定的 (實(shí)際上以一定角度和高度放置攝像機(jī)拍攝到的車輛圖像也一樣 )，大概在 45 28 個像素之間，所以可以取略小于此值的數(shù)值 3。 引入筆畫的寬度信息后，有效的減少了非牌照區(qū)域跳變點(diǎn)的個數(shù)，增強(qiáng)了牌照區(qū)域的特征信息。第二幅中由于光線反射的作用，車牌的號碼反射到車頭的防撞金屬裝置上面，但是由于筆畫寬度相對于牌照區(qū)域字符的寬度較小，突變點(diǎn)個數(shù)較少，突出了牌 照區(qū)域。牌照區(qū)域內(nèi)的字符一般為 7 個(有些特殊的車輛牌照除外 )，通過車牌區(qū)域字符的行掃描線在字符的左右邊緣都應(yīng)該至少有一個突變點(diǎn)，所以車牌字符區(qū)域內(nèi)的行內(nèi)突變點(diǎn)的個數(shù)至少為 14 個，考慮漢字字符的筆畫數(shù)較多，字母以及數(shù)字有的也不只兩個突變點(diǎn)，所以通常的情況下，實(shí)際行內(nèi)的突變點(diǎn)的個數(shù)往往大于 14 個。 29 圖 43 粗定位算法流程圖 牌照細(xì)定位 圖像數(shù)據(jù)賦為 255 輸入 256 色灰度圖 掃描圖像進(jìn)行水平梯度運(yùn)算 保存原數(shù)據(jù)以及運(yùn)算后圖像數(shù)據(jù) 圖像數(shù)據(jù)＞設(shè)定閥值 遍歷新圖像 圖像數(shù)據(jù)賦為 0 否 是 存儲二值圖像數(shù)據(jù)并且保存原圖像數(shù)據(jù) 記錄突變點(diǎn)的個數(shù)，行列號，以及突變點(diǎn)之間的距離等信息 節(jié)點(diǎn)距離＜設(shè)定值 保留此突變點(diǎn) 否 是 取消此突變點(diǎn) 保存源圖像數(shù)據(jù)以及新圖像數(shù)據(jù) 并且重新記錄突變點(diǎn)信息 30 經(jīng)過上述的牌照粗定位以后，可能的牌照輪廓已經(jīng)比較容易辨識出來了。精確定位可以分為兩個步驟 :牌照水平分割和垂直分割，水平分割截取牌照區(qū)域的所有行，垂直分割在水平分割的基礎(chǔ)上面截取行內(nèi)牌照區(qū)域的所有列，進(jìn)而完成整個牌照的定位分割。如圖中所示的，牌照區(qū)域的字符投影由于其跳變點(diǎn) (白色像素 )個數(shù)較多，行內(nèi)突變點(diǎn)個數(shù)變化不大，反映在水平投影圖中就是圖下部的投影，投影的寬度跟字符的寬度相當(dāng)。為了不至于損壞字符，在水平分割過程中將牌照的上下邊界增加 2 個像素的大小。先對水平分割后的圖像進(jìn)行二值化處理，得到二值化圖像，然后對此二值化圖像進(jìn)行垂直投影，垂直投影就是統(tǒng)計(jì)圖像各列的黑色像素的個數(shù) ，在垂直方向上顯示出來，它反映的是黑色像素點(diǎn)在水平方向上面的分布統(tǒng)計(jì)。因?yàn)榕普諈^(qū)域中字符的寬度一定，而且字符之間的間距也基本一定。在 360*240 的車輛圖像中，我所拍攝的圖像照片中字符的寬度基本一定，一般大概在 12 士 4個像素的大小，檢測投影圖像的最下面一行，如果黑線段的長度在這個范圍內(nèi)則可以判斷為字符的邊界，從左向右開始搜索，對于 7 個字符的牌照可以找到 7 個這樣的連續(xù)黑線段，記下最左邊一 個黑線段的左邊界和最右邊一個的右邊屆。 垂直投影后，牌照區(qū)域的字符垂直投影的寬度跟圖像其它部分的投影的寬度相差很多，通過掃描線掃描字符投影的寬度，濾除投影寬度過大或者過小的區(qū)域，得到牌照區(qū)截取圖像并且保存圖像 水平截取失敗 統(tǒng)計(jì)水平投影中可能的牌照區(qū)域的寬度 保存原圖像和水平投影后的圖像 掃描圖像進(jìn)行水平投影 輸入粗定位的車牌 寬度在設(shè)定的范圍內(nèi) ？ 是 否 32 域。 34 5 字符分割 與字符識別 車牌的字符分割是在車牌定位的基礎(chǔ)上，對找出的牌照區(qū)域做下一步的處理，定出牌照上每個字符的上下左右邊界，將牌照上的字符完整、準(zhǔn)確地分割下來，作為下一步字符識別的數(shù)據(jù)來源。本論文采用的是