【正文】 thresh 為閾值 采用 上述方法 對(duì)車牌圖像進(jìn)行邊緣檢測時(shí)，閾值 thresh的選擇對(duì)邊緣提取的效果至關(guān)重要。但如果 thresh選取得不合適，則極易得到 較 強(qiáng)的噪聲或者是提取的邊緣 信息 的完整性 不好 。在 車牌 圖像的分割和 識(shí)別中， 一般不采用上述的 純微分算子邊緣檢測法。 Laplacian 算子邊緣檢測 法 Laplacian 算子法是通過尋找灰度圖像二階導(dǎo)數(shù)的零交叉點(diǎn)來檢測邊緣。如果 f2? 的一個(gè)像素值小于給定閾值 T，而其周圍鄰接的 8 個(gè)像素值都大于 T,則此像素即為零交叉點(diǎn)，對(duì)應(yīng)著圖像的邊緣。 在車牌 圖像的分割和 識(shí)別中 ， 同上述 的 微分算子邊緣檢測 法 一樣，純 Laplacian 算子 邊緣 檢測 法 也難以獲得理想的實(shí)際應(yīng)用效果 。 Canny算子邊緣檢測 法 [7] Canny 算子邊緣 檢測法 遵循的三個(gè)準(zhǔn)則為： 1 、保證成功檢測出邊緣，對(duì)于弱邊緣也應(yīng)有強(qiáng)響應(yīng)。 3 、保證一個(gè)邊緣只得到一次檢測。遍歷圖像，如果某個(gè)像素的灰度值與其梯度方向上前后兩個(gè)像素的灰度值相比不是最大的，則將該像素值置 0 ，即不是邊緣。 根據(jù)梯度幅值 累計(jì)直方圖 獲得高、低 兩個(gè)閾值 ； 灰度值大于高閾值的像素為邊緣，小于低閾值的不是邊緣，介于兩個(gè)閾值之間的，如果其鄰接像素有灰度值大于高閾值的則為邊緣，如沒有則 13 不是。更為重要的一點(diǎn)是根據(jù) Canny 原則進(jìn)行 邊緣檢測 , 易于實(shí)現(xiàn)有關(guān)閾值的自適應(yīng)判斷 ， 符合車牌圖像處理的特點(diǎn)要求。 (a) 車 牌灰 度 圖 (b) Canny 邊 緣 檢測 圖 圖 不 同車 牌 圖像 Canny 邊 緣檢 測 效 果 比較 同態(tài)濾波 [8] 同態(tài)濾波 在 實(shí)際采集的 圖像中，車牌區(qū)域 或 字符 在 邊緣 、紋理等 圖像的細(xì)節(jié) 方面 與背景的區(qū)別 是不同圖像中普遍存在、比較穩(wěn)定的一個(gè)特點(diǎn) 。同態(tài)濾波 就是一種有利于 圖像細(xì)節(jié) 信息 提取 的處理方法。因此，如果要增強(qiáng)圖像細(xì)節(jié)結(jié)構(gòu)，就要加強(qiáng)高頻成分減弱低頻成分。對(duì)車牌圖像采用同態(tài)濾波即可濾除一些低頻非字符信號(hào)突出高頻的字符信號(hào)，同時(shí)減少光照強(qiáng)度的動(dòng)態(tài)范圍，以利于字符邊緣 、紋理等 圖像細(xì)節(jié)的提取。 同態(tài)濾波處理后的車牌圖像，字符與背景的對(duì)比得到增強(qiáng)，邊緣更為突出 ,灰度直方圖分布也發(fā)生較大的變化 。 (a) 車牌 灰 度 圖 像 (b) 同 態(tài)濾 波 處 理 后圖 像 (c) 原 灰 度 直 方圖 (d)同 態(tài) 濾波 處 理 后 灰度 直 方 圖 圖 同 態(tài) 濾 波 處理 同態(tài)濾波對(duì)車牌圖像邊緣檢測和二值化的影響 從 圖 可以看出， 同態(tài)濾波處理后 ，圖像的灰度動(dòng)態(tài) 范圍 有一定程度的壓縮。經(jīng)過實(shí)驗(yàn)也可以證實(shí)，對(duì)于車牌圖像進(jìn)行 同態(tài)濾波處理后 再用 Otsu算法進(jìn)行 二值化 一般可以獲得較好的效果。 (a) 車牌灰度圖像 (b) 同態(tài) 濾 波 后 Otsu 法 二 值 化圖 像 圖 同 態(tài) 濾波 對(duì) 二 值 化的 影 響 對(duì) 車牌圖像同態(tài)濾波處理后，增強(qiáng) 了 字符與背景的對(duì)比，突出 了 邊緣 , 使邊緣檢測也更易于進(jìn)行。如圖 所示。 開運(yùn)算和閉運(yùn)算 腐蝕和膨脹是兩種基本的數(shù)學(xué)形態(tài)學(xué)運(yùn)算方法， 但 單獨(dú)采用腐蝕或膨脹運(yùn)算往往會(huì)使 圖像中目標(biāo)對(duì)象（如車牌 字符 ）的 形狀改變較大，從而可能歪曲 其有關(guān) 的信息。 開運(yùn)算：是先腐蝕再膨脹的過程。本 文 中利用開運(yùn)算的目的 ，主要 是在基本不改變 目標(biāo)對(duì)象 形狀的基礎(chǔ)上 ，減少或 消除 目標(biāo)對(duì)象 外小像 素對(duì)象和 目標(biāo)對(duì)象 外 有關(guān) 背景像素。 BB ???? )BA(A A 為原始圖像， B 為結(jié)構(gòu)元圖像 。 連通區(qū)域標(biāo)記 [10] 在 本文中，主要是針對(duì)目標(biāo)對(duì)象在二值圖像中表現(xiàn)較為穩(wěn)定的幾何形狀等方面的特征信息進(jìn)行有關(guān)的數(shù)學(xué)形態(tài)學(xué)處理，以濾除影響目標(biāo)判斷的一些 噪聲像素。本文中， 連通區(qū)域標(biāo)記 和數(shù)學(xué)形態(tài)學(xué)處理是相伴進(jìn)行的。 4 鄰域連通：坐標(biāo)為 (i,j) 的像素，其四個(gè) 4 鄰域像素的坐標(biāo)分別為 (i+1,j)， (i1,j) ， (i,j+1) ， (i,j1) 。 8 鄰域連通：坐標(biāo)為 (i,j) 的像素，其八個(gè) 8 鄰域像素的坐標(biāo)分別為 (i+1,j)， (i1,j) ， (i,j+1) ， (i,j1) ， (i+1,j1) ， (i1,j1) ， (i1,j+1)， (i+1,j+1) 。 本文中全部采用 8 鄰域連通規(guī)則。也就是說，在不丟失灰度 16 級(jí)之間次序的情況下，改變圖像的直方圖形狀一般并不會(huì)影響圖像中重要的因素。 改變圖像的直方圖形狀的一個(gè)目的，是希望能夠穩(wěn)定和突出圖像中目標(biāo)對(duì)象的特征信息，以有利于識(shí)別。能否通過改變圖像直方圖的分布形狀來獲得車牌區(qū)域穩(wěn)定的、具有普遍代表性的特征，是一個(gè)有必要研究的命題。經(jīng)分析，發(fā)現(xiàn)在 同態(tài)濾波處理 后，使得圖像直方圖的分布形狀更接近于雙峰分布，以 車牌字符為對(duì)象時(shí)， 字符與背景 的 灰度差別更明顯， 有利于改善 Otsu算法二值化 的效果。但由于圖像直方圖變換所起的作用尚沒有足 夠的能令人信服的理論依據(jù)，還必須通過對(duì)大量樣本的實(shí)驗(yàn)和歸納分析，進(jìn)行進(jìn)一步的研究。對(duì)于車牌圖像來說，由于 幾何畸變 ，會(huì)使得車牌字符的結(jié)構(gòu)和筆畫形狀發(fā)生變化，可能增加樣本的類型，從而給字符的分類識(shí)別帶來困難。 圖像幾何畸變的校正一般分為兩個(gè)步驟： 1 、圖像空間 幾何坐標(biāo)變換； 2 、確定校正空間像素點(diǎn)的灰度值。目前，對(duì)于車牌 圖像幾何畸變校正 一般只能夠按照一組基準(zhǔn)點(diǎn)去校正。由于車牌圖像的復(fù)雜性，尋找校正基準(zhǔn)點(diǎn)是非常困難的。在車牌區(qū)域較大、車牌附近 的 干擾比較少、車牌邊緣清晰的情況下一般可以較好地檢測出車牌邊緣 直線 ；而當(dāng)車牌較小、車牌附近干擾較多、車牌邊緣不清晰等情況下， 則 很 難檢測出車牌邊緣 直線 。 依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)是目前較為簡單可靠的方法。 17 既然要依托 車牌區(qū)域邊緣 尋找校正基準(zhǔn)，就必須要保證在車牌圖像中能檢測出 車牌區(qū)域邊緣 。實(shí)際采集車牌圖像時(shí)，在光線很強(qiáng)或很弱（夜晚）的情 況下，往往很難從一些圖像中 檢測出 車牌區(qū)域邊緣 。事實(shí)上，目前越來越多的車牌是鑲嵌在矩形框中的，如果在制定車牌標(biāo)準(zhǔn)時(shí)在這方面有一定規(guī)范，那么， 保證車牌圖像中能檢測出 車牌區(qū)域邊 界線在技術(shù)上應(yīng)不難實(shí)現(xiàn)?？蓮陌咨袼刂羞x擇若干點(diǎn)以最小二乘法進(jìn)行直線擬合。 用這種方法對(duì)車牌圖像進(jìn)行水平傾斜校正比用 Hough 變換法要簡單，實(shí)驗(yàn)中也取得了較好的結(jié)果。由于 校正 后的圖像中 ， 某些像素點(diǎn)可能分布不均勻，沒有落在坐標(biāo)點(diǎn)上，需要采用內(nèi)插法近似求得這些像素點(diǎn)的灰度值，實(shí)際上這也就 是 產(chǎn) 生了新的畸變。因此，有必要研究如何在車牌圖像采集的階段將圖像的 幾何畸變 限制在一定的范圍里。 18 第三章 車牌區(qū)域 定位 技術(shù) 研究 車牌區(qū)域特征分析 [14] 圖像特征是圖像場中可用作標(biāo)志的屬性， 是對(duì)圖像進(jìn)行處理和分類識(shí)別的依據(jù)。 自然特征： 是圖像中人類視覺可以直接感受到的圖像的屬性，如 區(qū)域 的 亮度、輪廓、紋理、顏色等 。 根據(jù)其基本的描述方法，圖像 特征可分為 如下幾類 ： 1 、 幅值特征 圖像幅值特征包括像素點(diǎn)的亮度值、灰度值、彩色圖像中的 RGB三刺激值等，還包括利用各種變換（如傅立葉變換、小波變換等）形成的變換系數(shù)的幅值。但由于車牌圖像的復(fù)雜性，有關(guān)的幅值特征往往是不穩(wěn)定的。比如，圖像對(duì)比度的高低，不同灰度區(qū)域的數(shù)量，等等。由于車牌圖像 灰度直方圖 分布十分復(fù)雜，目前對(duì)于其 灰度直方圖特征 的規(guī)律性的認(rèn)識(shí)還不是很清楚。采用各種變換的目的，一般是為了突出圖像的某些特征信息，以便于尋找其規(guī)律性。 4 、邊緣特征 圖像的 邊緣特征 包括 灰度邊緣特征 和 彩色邊緣特征 ，反映的是圖像灰度值或顏色的不連續(xù)性，而這種不連續(xù)性又反映出圖像中存在不同屬性的區(qū)域。目前提出的 車牌區(qū)域圖像定位 方法中，絕大多數(shù)都在 不同的程度上利用了車牌圖像的 邊緣特征 。 5 、矩特征 19 圖像矩集的定義為： ? ???? ???? d x d y)y,x(fyxM kjjk j,k 為非負(fù)整數(shù)， j+k 稱為矩的階數(shù)。在車牌圖像識(shí)別中，矩 特征 在車牌區(qū)域定位和單個(gè)字符區(qū)域切分方面的應(yīng)用比較少，但在字符特征提取時(shí)則較常采用。角點(diǎn)特征具有其所代表的局部關(guān)系信息不因視角不同而改變的優(yōu)點(diǎn)，在漢字字符分類識(shí)別時(shí)有所應(yīng)用。因此，在 車牌區(qū)域定位 時(shí)的應(yīng)用比較少。紋理可分為自然紋理和人工紋理兩類，常用結(jié)構(gòu)模型或統(tǒng)計(jì)模型兩種方法進(jìn)行分析。但是由于車牌圖像的復(fù)雜性，其紋理 特征 并不是很穩(wěn)定。 此外，圖像中還存在其它方面的一些特征信息。由于目前實(shí)際應(yīng)用中采集的 車牌圖像 樣本類型難以窮舉，那些僅 對(duì) 少數(shù) 圖像 樣本 的數(shù)據(jù) 進(jìn)行 統(tǒng)計(jì)分析而 得 來 的車牌圖像特征的 規(guī)律性 ，其可靠性還需要在實(shí)際應(yīng)用中檢驗(yàn)。下面提及的一些 車牌區(qū)域定位 方法僅根據(jù)一些資料中的叫 法分類，各類方法之間可能有一定的交叉。主要步驟如下： Step1 采集或收集具體應(yīng)用場合的各類具有代表性的含車牌圖像 ； Step2 構(gòu)建所使用的神經(jīng)網(wǎng)絡(luò) ； Step3 確定訓(xùn)練神經(jīng)網(wǎng)絡(luò)所需要的車牌區(qū)域圖像樣本和非車牌區(qū)域圖像樣本的尺寸，對(duì)樣本圖像進(jìn)行相應(yīng)的預(yù)處理，建立相應(yīng)的特征向量（ 一般 利用的是 樣本灰度圖像的灰度值） ； Step4 分別提取 樣本集 中 樣本 的 特征 來 訓(xùn)練神經(jīng)網(wǎng)絡(luò) ，直 至神經(jīng)網(wǎng)絡(luò)能夠區(qū)分 出具有代表性的所有 圖像 訓(xùn)練樣本中的 車牌 區(qū)域 和非車牌 區(qū)域； Step5 用與訓(xùn)練樣本尺寸相同的移動(dòng)窗口遍歷要識(shí)別的圖像，判定含車牌區(qū)域 的子窗口，從而確定車牌 區(qū)域 的位置 。但由于實(shí)際應(yīng)用中采集的車牌 圖像的 特點(diǎn)，較難建立明確穩(wěn)定的特征向量 。因此，這類 車牌區(qū)域定位 方法在實(shí)際工程中的應(yīng)用 還需要解決上述問題 。這里僅對(duì)前者進(jìn)行簡要分析，后者則在后面的相應(yīng)方法中加以說明。 以 基于 HSV(H表示色度， S 表示飽和度， V 表示亮度 ) 顏色空間 的 彩色圖像特征的 車牌 區(qū)域定位 方法為例，其基本過程是：首先根據(jù)我國車牌底色一般為藍(lán)、黃、黑、白中的一種這一特點(diǎn)，在 H 和 S 分量子空間 中 找出藍(lán)色和黃色 21 區(qū)域，在 V 分量子空間找出黑色和白色區(qū)域，然后再根據(jù)其它特征信息 在這些區(qū)域 中 確定車牌 區(qū)域的 位置。 因此， 采用 這種方法 必須首先控制好圖像的 顏色畸變。 基于紋理檢測和邊緣檢測的車牌區(qū)域定位方法 這一類車牌 區(qū)域定位 方法是目前在工程應(yīng)用和相關(guān) 的 研究中最為普遍采用的，而且也是效果 較 好的 一種 方法。圖像的自然紋理信息中往往蘊(yùn)含 著 甚至就直接或間接地來源于圖像的邊緣信息，而圖像的邊緣信息往往也呈現(xiàn)出 一定的 紋理信息的特點(diǎn)。 本章 中提出了一種利用圖像的邊緣和紋理信息 ， 基于多方向 邊緣處理的車牌 區(qū)域定位 方法。具體過程是： Step1 ：確定圖像中要分割的區(qū)域及各區(qū)域的一個(gè)種子像素 ； Step2 ：以種子像素為生長起點(diǎn)，根據(jù)事先確定的生長或相似準(zhǔn)則，將種子像素周圍領(lǐng)域中與其性質(zhì)相同或相似的像素合并為一個(gè)區(qū)域，并以新像素為新種子繼續(xù)上述過程 ； Step3 ：當(dāng)所有區(qū)域都滿足生長停止的條件或規(guī)則時(shí)，整幅圖像便被分割為滿足分割條件的不同子區(qū)域 。用 區(qū)域生長 方法進(jìn)行 車牌區(qū)域定位困難之處在于首先 需要知道圖像的許多相應(yīng)的先驗(yàn)知識(shí)，而且有些參數(shù)對(duì)不同類型的圖像比較敏感。與 區(qū)域生長 類似，應(yīng)用 區(qū)域分裂 — 合并 方法進(jìn)行 車牌區(qū)域定位時(shí)也還需要進(jìn)一步解決一些相關(guān)的問題。而且，一般來說圖像中 車牌區(qū)域與周圍背景之間存在較 明顯的顏色區(qū)別 ，具有一定的 封閉性和獨(dú)立性 。 基于幾何形狀特征的 車牌區(qū)域定位 方法 的核心，主要是對(duì) 圖像進(jìn)行 矩形檢測、角點(diǎn)檢測 或者直線檢測，一般要以圖像二值化或邊緣檢測為基礎(chǔ)。至于 基于 角點(diǎn)檢測 和直線檢測的 車牌區(qū)域圖像定位 方法的判斷決策更為復(fù)雜，可靠性也相對(duì)要低些。 因此，在此基礎(chǔ)上提出的 車牌區(qū)域定位 方法 首先要解決如何保證圖像二值化的質(zhì)量問題 。常用的圖像空間變換方法有離散傅立葉變換、離散 余弦變換 、 離散 K — L 變換 、 離散 小波 變換等。 1 、基于離散傅立葉變換的車牌區(qū)域定位 [23] 傅立葉分析的核心是將一個(gè)函數(shù)分為不同頻率函數(shù)的疊加，從而可以通過 23 對(duì)不同組成頻率的函數(shù)進(jìn)行運(yùn)算來對(duì)圖像進(jìn)行處理。因此，可以據(jù)此突出車牌區(qū)域信息。 2 、基于離散 余弦變換 的車牌區(qū)域定位 [24] 同離散傅立葉變換一 樣，離散 余弦變換 也可以突出圖像高頻區(qū)域與低頻區(qū)域的差別，但也像離散傅立葉變換一樣存在同樣的不足之處，在車牌區(qū)域定位時(shí)應(yīng)用也較為困難