【正文】 11 11 11 1121 1 2 1 1 2 12 1 （a）Roberts (b) Prewitt (c) Sobel 圖 31 幾種常見的梯度模板算子通過圖 32 可以看出梯度銳化可以讓模糊的邊緣變的清楚，同時選擇合適的閾值還可以減弱和消除一些細小的噪聲。從處理結果可以看出圖像的邊緣變得清晰而且少了很多細小的雜點，但梯度銳化有其自身的缺陷，當處理的圖像邊緣很細的時候可能造成邊緣信息的損失。 （a）原始圖像 （b）利用 Roberts 算子檢測到的邊緣 （c）利用 Prewitt 算子檢測到的邊緣 （d）利用 Sobel 算子檢測到的邊緣圖 32 梯度算子的檢測效果比較 傾斜調整雖然在拍攝車輛車牌時，可以調整 CCD 攝像機的俯仰角度、攝取方向和水平度，以保持車牌的橫向邊緣的傾斜度盡可能小，并且讓車牌在整幅圖像中處于相對居中的位置，即圖像的視覺中心上。就圖像的旋轉傾斜的問題，更多的情況下，圖像的水平校正是放在車牌的二值化和分割，甚至是在車牌字符切分之后再進行，這樣圖像的運算量大大減少。一般情況下，可將傾斜的車牌圖像近似看成一個平行四邊形，它有三種傾斜模式：水平傾斜見圖 33，垂直傾斜見圖 34 和水平垂直傾斜見圖 35，分別如下所示。xx一個傾斜角度 ，只要求取 ，將圖像繞 軸旋轉 即可。? 西南科技大學本科生畢業(yè)論文 21水平垂直傾斜時，既存在水平傾斜又存在垂直傾斜，是最一般的情況。? ?對車輛牌照做預處理以后就可以進行字符分割的步驟。圖像分割多年來一直得到人們的高度重視，至今已提出各種類型的分割算法 [12]。為了實現更好的分割，有關景物的總體知識和先驗信息是很有用的，根據包含在圖像中的信息，可以定制相應的判決準則和控制策略，使其完成自動分割，比如對多行文本的處理，郵政部門對郵政編碼和地址的識別，金融等部門對支票簽名手寫字跡的分割識別等等，都是針對具體的不同研究對象而采用不同的算法。直接的分割法簡單，但它的局限是分割點的確定需要較高的準確性；基于識別結果的分割是把識別和分割結合起來，但是需要識別的高準確性，它根據分割和識別的耦合程度又有不同的劃分；自適應分割線聚類法是要建立一個分類器，用它來判斷圖像的每一列是否是分割線，但是對于粘連的字符是很難訓練的。利用諸如馬爾可夫數學模型等方法進行處理，這主要是應用于文本識別?？紤]到二值圖像丟失掉了很多信息，而且可能會造成字符粘連、模糊或斷裂的缺陷，對灰度圖像的直接處理已經有人開始研究。其中，識別字符過程中的第一步就是要將獲得的數字灰度圖像轉變?yōu)閿底侄祱D像，這個過程稱為二值化過程，采用的技術，通常稱為閾值化技術。這就是字符文本的行字切分問題，分為行切分和字切分兩個主要步驟，首先由行切分得到一行行文本字行，然后在文本字行中進行列切分得到一個個單獨的字符點陣。牌照切分是在二值圖上進行的。字符切割過程往往容易被人忽視，但是它對于字符識別的重要性是不言而喻的，因為切割錯誤的字符被正確識別的概率基本上等于零。 算法介紹經過處理后的車牌可以進行字符分割，本文的分割算法如下：先自上而下對圖像進行逐行掃描直至遇到第一個黑色象素點。然后在自下而上對圖像進行逐行掃描直至找到第一個黑色象素，記錄下來。在上面得到的高度范圍內對圖像進行自左向右逐列進行掃描，遇到第一個黑色象素時認為是字符分割的起始位置，然后繼續(xù)掃描，直至遇到有一列中沒有黑色象素，則認為是第一個字符分割結束，然后繼續(xù)掃描，按照上面的方法一直掃描到圖像的最右端。在已知的每個字符的比較精確的寬度范圍內，按照第一步的方法，分別進行 西南科技大學本科生畢業(yè)論文 24自上而下和自下而上的逐行掃描來獲取每個字符精確的高度范圍。字符分割以后要做歸一化和緊縮排列，以便做特征提取 [14]。具體算法為：先得到原來字符的高度，并與系統(tǒng)要求的高度作比較，得出要變換的系數，然后根據得到的系數求變換后應有的寬度。圖像標準歸一化的高度和寬度信息可以通過一個對話框輸入，但為了以后特征提取的時候處理方便。經過標準歸一化處理后的各字符在圖像中的位置不定，要對它進行特征提取處理起來比較麻煩，所以要把歸一化處理后的字符進行緊縮排列，以形成新的位圖句柄，以方便下一步的提取工作至此已經基本上完成圖像中字符的分割工作。 算法的實現根據以上算法在 VC++中用 C++語言編程，可以實現字符分割，并實現字符的歸一化和緊縮排列。下面圖 36 顯示了分割算法實現流程： 西南科技大學本科生畢業(yè)論文 25 圖 36 分割算法的實現流程 西南科技大學本科生畢業(yè)論文 26 字符分割實驗結果實驗結果如下面幾幅圖所示，為了便于觀察分割結果，每個被分割后的字符都用方框分割開來。圖 312 中“ 川” 字被分割成了三份，這說明分割算法的正確性，但它對漢字的分割卻是錯誤的。由于漢字結構比較復雜，所以該算法不能對漢字作字符的分割。圖 37 字符分割的結果 圖 38 緊縮排列的結果 圖 39 車牌的字符分割結果 圖 310 車牌的字符緊縮排列結果 西南科技大學本科生畢業(yè)論文 27 西南科技大學本科生畢業(yè)論文 28第 4 章 特征提取與字符識別經過上面的一系列變換，車牌中的字符被分割提取出來。將提取出的訓練樣本中的特征向量代入 BP 網絡之中就可以對網絡進行訓練，提取出待識別樣本的特征向量代入到訓練好的 BP 網絡中，就可以對字符進行識別。逐象素特征提取法這是一種最簡單的特征提取方法，對圖像進行逐行逐列的掃描，當遇到黑色象素時取其特征值為 1，遇到白色象素時取其特征值為 0，這樣當掃描結束以后就形成了一個維數與圖像中象素點的個數相同的特征向量矩陣。利用圖形的骨架作為特征來進行數碼識別，就使得識別有了一定的適應性。對經過細化的圖像利用 EveryPixel 函數進行處理就可以得到細化后圖像的特征向量矩陣。垂直方向數據統(tǒng)計特征提取法這種算法就是自左向右對圖像進行逐列的掃描，統(tǒng)計每列黑色象素的個數，然后自上向下逐行進行掃描，統(tǒng)計每行的黑色象素的個數，將統(tǒng)計結果作為字符的特征向量，如果字符的寬度 w，長度為 h，則特征向量的維數是 w+h。13 點特征點提取法 西南科技大學本科生畢業(yè)論文 29首先把字符平均分成 8 份，統(tǒng)計每一份內黑色象素點的個數作為 8 個特征，分別統(tǒng)計這 8 個區(qū)域黑色象素的數目，可以得到 8 個特征。也就是說，畫 4 道線，統(tǒng)計線穿過的黑色象素的數目。13 特征提取法有著極好的適應性，但是由于特征點的數目太少所以樣本訓練的時候比較難收斂。因為這種方法算法簡單，運算速度快，可以用 BP 網絡很快的收斂，訓練效果好。然而無論采取何種識別方法，其中的關鍵都是特征的選取與提取以及相應的分類算法。結構法結構方法是發(fā)展最早的一種方法，它的基本思想是把字符圖像分割化為若干的基元，例如筆劃、拓撲點、結構突變點等，然后和模板比較進行判別。主要的方法有基于輪廓、骨架和字符鏈碼的方法。但是在實際應用中，面臨的主要問題是抗干擾能力差，因為在實際得到的字符圖像中存在著各種干擾如傾斜、扭曲、斷裂、粘連和對比度差等。統(tǒng)計法統(tǒng)計法依賴于大量的原始樣本和數值計算，它是從車牌字符原始數據中提取與分類最相關的信息，使得類內差距極小化，類間差距極大化，特征對同一個字符類的形變應該盡量保持不變。全局特征主要是對整個字符圖像進行變換，利用變換系數作為特征，常用的變換包括 KL 變換、Fourier 變換、 Gabor 變換、 Hadamard 變換、DCT 變換、Walsh 變換、Rapid 變換、小波變換和矩陣特征變換等多種方法。統(tǒng)計特征的特點是抗干擾性強，匹配與分類的算法簡單，易于實現。字符的結構特征直接反映了字符的屬性，利用了字符自身直觀的特點；用字符的統(tǒng)計特征進行識別則是充分利用了計算機處理數字特征能力強的特點。另外，雖然神經網絡方法中主要采用局部特征，其分類機理也與傳統(tǒng)的統(tǒng)計方法相同，但是由于它具有很大的靈活性，我們下面將它單獨作為一類進行詳細討論。解決這些問題的關鍵是需要進行復雜而龐大的實時數據處理，而現有計算機的存貯容量及計算復雜性的局限，使得實時化的應用受阻。 人工神經網絡簡介人工神經網絡(Artificial Neural Network)簡稱神經網絡是基于目前人們對自然神經系統(tǒng)的認識而提出的一些神經系統(tǒng)的模型，一般是由一系列被稱為神經元的具有某種簡單計算功能的節(jié)點經過廣泛連接構成的一定網絡結構，而其網絡連接的權值根據某種學習規(guī)則在外界輸入的作用下不斷調節(jié)，最后使網絡具有某種期望的輸出特性。人工神經網絡模式識別與傳統(tǒng)模式識別方法相比有以下的特點：a)對復雜的不確定性問題具有適應和自學習能力；b)具有表示任意非線性關系的能力；c)具有網絡的非線性動力學帶來的快速優(yōu)化計算能力；d)對大量定型或定量信息的分布存儲能力，并行處理能力與合成能力；e)由并行分布處理結構帶來的容錯能力。神經網絡可以處理一些環(huán)境信息十分復雜，背景知識不清楚，推理規(guī)則不明確的問題，允許樣品有較大的缺損、畸變，其運行速度快，自適應性能好。因為 BP 算法己經比較成熟，其實現相對來講比較簡單。 BP 神經網絡識別車牌三層的 BP 神經網絡模型結構如圖 41 所示： 為輸入層節(jié)點； 為隱層節(jié)點；ij為輸出層節(jié)點。同一層神經元之間不存在相互連k接。BP 算法由兩部分組成：信息的正向傳遞與誤差的反向傳輸。如果在輸出層沒有得到期望的輸出，則計算輸出層的誤差變化值，然后轉向反向傳播，通過網絡將誤差信號沿原來的連接通路反傳回來修改各層神經元的權值，直至達到期望目標。在學習階段輸入要學習的樣本，按照網絡初始設定的權重、閾值以及傳輸函數進行計算，得出每一層神經元的輸出，這是從底層向上進行的。兩個過程反復進行，直到網絡收斂為止，此為學習階段。設訓練集包含 個樣本，對第 個訓練樣本( )，單元 的實際輸MpMp??2,1j出為 ，它的第 個輸入(也即第 個神經元的輸出)為 ，則：pjOii jO （4piNijpjOWu??01）BP 算法中大多選用 Sigmoid 型函數作為輸出函數，即： 西南科技大學本科生畢業(yè)論文 32 （4)exp(1)(jpjpj uufO???2）定義網絡誤差函數為： （4??pE??22?jpjjpOd3）式（43 ）中， 表示對 個訓練樣本，單元 的期望輸出。圖 41 三層 BP 網絡結構利用梯度最速下降法，使權值沿函數的負梯度方向改變。0?一般地，BP 網絡學習步驟描述如下：設置變量和參數，其中包括訓練樣本，權值矩陣，學習速率。輸入隨機樣本。由實際輸出和期望輸出求得誤差。判斷是否達到了最大迭代次數，若到，轉第 8 步，否則反向計算每層神經元的局部梯度。判斷是否學習完所有的樣本，是則結束，否則轉第 3 步。初始值過大或者過小都會影響學習速率。初始權值不要太大：否則可能會處于誤差平面較平坦的區(qū)域，從而導致算法無法收斂，訓練失敗。雖然 BP 網絡是目前應用最廣泛的神經網絡，但它在實際應用中也存在自身的不足，其主要表現在以下幾個方面：局部極小值問題BP 算法采用的是梯度下降法，它是一種非線性優(yōu)化算法，這就不可避免地存在局部極小值問題。在解決稍復雜問題時，誤差函數可能陷入一個局部極小區(qū)域，使網絡訓練無法跳出這一局部極小值，致使學習過程失敗。標準算法均選用 Sigmoid 非線性函數作為神經元的轉移函數，我們把 S 型函數的值接近 0 或 1 定義域兩端定義為飽和區(qū)，中間為非飽和區(qū)，在飽和區(qū)，函數值對自變量的變化不敏感。 為誤差函數，隨著學習次數的pE增加， 越來越小，使函數逼近速度減慢。經過圖