【正文】 符是劇 中分布在一個(gè)高位 90陽(yáng) ， 寬 為 45陽(yáng)的矩形區(qū)域。 ? 使館牌照的問(wèn)隔符在第 4 和第 5 個(gè) 字符之 間 ， 其余的車(chē)牌的問(wèn)隔符在 第 ? 2 個(gè)和第 3 個(gè)字符之間。第 2 位 ， 除去字 母 1 之 外的 25 個(gè)英文大 寫(xiě) 字 母 : 第 3 位 ， 除去字母 1 和字母 0 13 之外的 24 個(gè)英文大寫(xiě)字母和 10 個(gè)數(shù) 字 ， 共有 34 個(gè)字 符 。字符總數(shù)共有 70 個(gè)。 現(xiàn)實(shí)環(huán)境下，車(chē)牌有時(shí)安裝 后 ， 車(chē)輛廠商的商標(biāo)會(huì)遮擋牌照外輪廓 線 ， 但商標(biāo)本身又是一個(gè)輪廓線 ， 其亮度與背 景 的 亮 度差異也很大，同樣 可以利用之。結(jié) 合 GA3692 標(biāo)準(zhǔn)，牌照?qǐng)D像的實(shí)際大小可能隨著 CCD 攝像頭采集的時(shí)機(jī)不同而 產(chǎn)生一定的縮 放 ， 但是總體比例不會(huì)發(fā)生大 的 變 化。如果不知道字符在牌照中的排 列位 置 ， 那么每個(gè)位置的候選字符可以達(dá)到 70 個(gè) ， 如果知道了它的 位 置 ， 那么 該位置的候選字符至多有 34 個(gè) ， 尤其是對(duì)牌照的第 6 位 ， 候選字符只有 10個(gè) 數(shù)字。 由 于 牌照?qǐng)D象 在 原始圖象中是很 有特征的一個(gè)子區(qū) 域 ， 確切說(shuō)是水平度較高的橫向近似的長(zhǎng)方形，它在原始圖 象中的相對(duì)位置比較集 中 ， 而且其灰度值與周邊區(qū)域有明顯的不同，因而在其 邊緣形成了灰度突變的邊 界 ， 這樣就 便 于 通過(guò)邊緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分割。但是車(chē)牌邊緣并不是連續(xù) 的 ， 不 利 于 根據(jù)其特征進(jìn)行進(jìn)一步的判斷。這里邊用的是數(shù)學(xué)形態(tài)學(xué)的方 法 ， 其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以 達(dá)到對(duì)圖像分析和識(shí)別的目的。在本程序中用到了膨脹和閉合這兩個(gè)基 本運(yùn) 算 ， 最后還用了 bwareaopen 來(lái)去除對(duì)象中不相干的小對(duì)象。圖像中對(duì)象 物的形狀特征的主要信息，常?？梢詮亩祱D像中得到。因 此 ， 在車(chē)牌字符切分 前 ， 首先對(duì)圖像進(jìn)行二值化處理。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。 [m， n]=size喲( ，逐排 檢 查 有沒(méi)有白色像素 點(diǎn) ， 設(shè) 置 1斗 nl， 若圖像兩 邊 s(j)=O，則切 割 ， 去除圖像兩邊多余的部分 切割去圖像上下 多余的部分 根據(jù)圖像的大 小 ， 設(shè)置一閥值，檢測(cè)圖像 的 X軸 ， 若寬帶等于這一閥 值 則 切 割 ， 分離出七 個(gè) 字 符 歸一化切割出來(lái) 的 字 符圖像的大小為 40*20， 與模板中字符圖像的大小相匹配 圖 7 字符 分 割 與歸一 化 流 程圖 字符 分 割 在汽車(chē)牌 照 自 動(dòng) 識(shí)別過(guò)程 中 ， 字 符分割有承前啟后的作用。 字 符識(shí)別 的算法很 多 ， 因?yàn)檐?chē)牌字符間間隔較 大 ， 不會(huì)出 現(xiàn) 字 符粘連情 況 ， 所以此處采用 的方法為尋找連續(xù)有文字的 塊 ， 若長(zhǎng)度大 于某閥 值 ， 則認(rèn)為該塊有兩 個(gè) 字 符組成 ， 需要分割。 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。 17 6 車(chē)牌字符的識(shí)別 車(chē)牌字符識(shí)別綜述 目前已經(jīng)提出的車(chē)牌字符識(shí)別的方 法 (5)有以下幾 種 : 1) 模板匹配字符 識(shí) 別算法 。該方法識(shí)別 速度快，但是對(duì)噪點(diǎn)比較敏感。 2 )統(tǒng)計(jì)特征匹配法。實(shí)際應(yīng)用中，當(dāng)字 符出現(xiàn)字符模糊、筆畫(huà)融合，斷裂、部分缺失時(shí)，此方法效果不理想，魯棒性較 差。主要有兩種方法 :一種方法是先對(duì)待識(shí)別字 符進(jìn) 行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器。 另 一種方法是充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng) 實(shí)現(xiàn)特征提取直至 識(shí) 別 。但是產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù) 雜 ， 輸入模式維數(shù)的增加可 能 導(dǎo) 致網(wǎng)絡(luò)規(guī) 模龐大。支持向量機(jī) (Support Vector Machine ， SVM) 是 Vapnik 及其研究小組針對(duì)二 類(lèi)別的分類(lèi)問(wèn)題提出的一種分類(lèi)技術(shù)，其基本思 想是在樣本空間或特征空間，構(gòu)造出最優(yōu)平面使超平面與不同類(lèi)樣本集之間的距 離最大，從而達(dá)到最大的泛化能力。 另 一種 是直接將每個(gè)字符的整幅圖像做為一個(gè)樣本輸入，不需要進(jìn)行特征提取，節(jié)省了 識(shí)別時(shí)間。 模版匹配字符識(shí)別 模板匹 配是圖象識(shí)別方法中最具代表性的基本方法之 一 ， 它是將從待識(shí)別的 18 圖象或圖象區(qū) 域 f (i， j) 中提取的若干特征量與模 板 T (i， j) 相應(yīng) 的 特征量 逐 個(gè)進(jìn) 行比較，計(jì) 算 它 們之間規(guī)格化的互相關(guān)量 ， 其中 互 相關(guān)量最大的一個(gè)就 表 示 期 間 相似程度 最 高 ，可將圖象 歸 于 相應(yīng)的類(lèi)。 或 1，巾 t(οi， jρ) 為模 板 字 符圖像中像素 點(diǎn) (οi， jρ) 的灰度值， 這 里 的取值為 0 或 1。 匹配的步驟為 : (1) 依次取出模 板 字 符 ， 將 模板字符按照 上 、 下 、 左、右四個(gè)方 向 ， 在 周?chē)? 個(gè) 像素的范圍內(nèi)滑 動(dòng) ， 每次分別計(jì)算出相似度 S 值 ， 取 其中 S 的最大值做 為 字 符與 模板字符之間的相似度函數(shù)。 也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類(lèi)。在實(shí) 際設(shè)計(jì)模板的時(shí) 候 ，是 根 據(jù)各區(qū)域形狀固有的特 點(diǎn) ， 突 出各類(lèi)似區(qū)域之間 的 差 別， 并將容易由處理過(guò)程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些 基 于 圖象不 變特性所設(shè)計(jì)的特征量來(lái)構(gòu)建模 板 ， 就可以避免上述問(wèn)題。汽車(chē)牌照的字符一般有七個(gè)，大部分車(chē)牌第一位是漢字，通常代 表車(chē)輛所屬省 份 ， 緊接其后的為字母與數(shù)字。為了實(shí) 驗(yàn)方 便 ， 結(jié)合本次設(shè)計(jì)所選汽車(chē)牌照的特 點(diǎn) ， 只 建立了 4 個(gè)數(shù)字 26 個(gè)字母與 10 個(gè) 數(shù) 字的模板。 首先取字符模 板 ， 接著依次取待識(shí)別字符與模板進(jìn)行匹 配 ， 將其與模板字符 相 減 ， 得到 的 0越多那么就越匹配。 20 7 車(chē)牌號(hào)碼識(shí)別軟件設(shè)計(jì)結(jié)果及分析 車(chē)牌識(shí)別 仿 真 采用車(chē)牌號(hào)碼為 魯 HC9 669的車(chē)牌照片進(jìn)行仿 真 ， 仿真效果 如 下 : 使用加 權(quán) 平 均值法處理車(chē)輛圖 像 ， 得到的灰度圖效果如 圖 10所示。t l 嘰 旦 二 .o ， ，1二 主 土 39。巴 39。.100晶 0 139。 哩 D amp。 100 200 圖 10 灰度圖 車(chē)輛圖像進(jìn)行灰度拉伸后的效果對(duì)比如圖 11 所 示 ， 從圖中可 以 看 出 ， 灰度拉伸 21 后 ， 對(duì)比度明顯增 強(qiáng) ， 車(chē)牌區(qū)域更加明顯。cw n 盹 rt !ool$ Qe沈 陽(yáng) p n242。 amp。 由上圖可以歸納起來(lái)以下方 面 :原始圖像清晰 度 比 較 高 ， 從而簡(jiǎn) 化 了 預(yù)處 理 ， 結(jié)合 MATLAB 實(shí)驗(yàn)過(guò)程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。 22 由 于 牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū) 域 ， 確切說(shuō)是水平 度較高 的橫向近似的長(zhǎng)方 形 ， 它在原始圖象中的相對(duì)位置比較集 中 ， 而 且 其灰度值與周 邊區(qū)域有明顯的不 同 ， 因而在其邊緣形成了灰 度 突 變 的邊 界 ， 這樣就 便 于 通過(guò)邊 緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分割。liI 234。dit ::_i 陽(yáng) !MCf39。t叩 ::!39。P [)f4i。 烏龜咱們 I 需 口 IJ ?ldI l::d且 豆墨昌 39。9IIre 6 39。i!!獸 !!II E_i!.. !.t) !:39。nurt I$ Q.. . .... 脅 )， (J。r。J I IQ 從 習(xí) :It申 f。到 fV !::!elp D 困 I ..E 注 I 需 口 因 |畫(huà)國(guó) 回 E眩段 回 l 2 豐 蟬 二 值 圖 像 罔 E跚 跚 l 陽(yáng)跚 跚 1 回配 圖 17 裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖 2 3 4 5 6 7 3 39。 Uop 堅(jiān) l39。 白 面 目 8 tl C?{E39。進(jìn)行了仿 真 ， 結(jié)果如圖 25 20一 26 所示。 國(guó) Figure 1 一 t 日 國(guó) 晶 胃| File Edit 立 i ew Inse此 Iools Qesktop Window !::!el p 咀 D I 1 Et fll \ 胃口回 國(guó) 國(guó) 原圖 I IlFigu陀 3 圖 20 原 圖 file Ed比 立 iew Insert ]:ools 堅(jiān) i ndow !::!el p D 畫(huà)畫(huà) I !￥ I E禮 I 口 回 國(guó) 目 robert草子邊緣檢測(cè) 圖 21 r obert 算 子 邊緣檢測(cè) 26 回 Figure 7 File Edit 藝 iew Insert Tools 旦 esktop indow !::!el p D 國(guó) 畫(huà) I t￥ . )I 需 口 回 |圄 口 l。 。 l [￥ I . E戈 哥 39。 回擅 自 1:路回 回 lEt|Z路回 回 IMI:隨餌 S， 膨脹或照蝕處理后 町 39。d r 自 lPl Fi9u時(shí) File Ed性 主 iew!nsert Iools Qesktop indow 旦 el p 39。 2 3 4 5 6 7 rn ， 凰| 白 ，.. ... . .J ， .. t 斗 FltEdi metY Sm嘈 ， I1QI Qekt(咀 indQ 旦 eh 事 I) Ci吾 國(guó) 畫(huà)問(wèn)錢(qián) e. I ) 圖 26 識(shí)別結(jié)果 結(jié)果分析 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 分割的正確率。但是在設(shè) 計(jì)的過(guò)程中發(fā) 現(xiàn) ， 使 用 另 一幅圖像 后 ， 識(shí)別效果始終沒(méi)有那么理想。 在車(chē) 牌 字 符分割的預(yù)處理 中 ， 用到了對(duì)分割出 的 字 符車(chē)牌進(jìn)行均值濾 波 ， 膨 28 脹或腐蝕的處理。 字 符 識(shí)別過(guò)程使用的是模板匹配 的方法，利用兩 幅 圖 片 相減的方法，找到相 減后值最小的，即為相似程度最大的。 對(duì) 于 識(shí)別 錯(cuò) 誤情況 的 分析可知， 主 要原 因 :一是牌 照 自 身的污 潰 等 影響了圖 象的質(zhì) 量 :二 是牌 照 字 符的分割失 敗 導(dǎo) 致的識(shí)別錯(cuò) 誤 。 A 和 4 等 字 符識(shí)別結(jié)果可能發(fā)生混淆的情況。 29 結(jié)束語(yǔ) 本文主要解決了以下幾個(gè)問(wèn) 題 : 域 : 2. 對(duì)分割下來(lái)的牌照字符如何提取具有分類(lèi)能力的特 征 。在 車(chē)輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng) 域 ， 近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方 法 ， 從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨 勢(shì) :一是單一的預(yù)處理和 識(shí) 別 技術(shù)都無(wú)法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提 高。 根據(jù)車(chē)牌特 點(diǎn) ， 一般采用的車(chē)牌定位算法 有 : 法 。3. 色彩分割提取車(chē)牌等。 字符分割的方法也有多 種 : 于 聚類(lèi)分析的字符分 割 。3. 基 于 模板匹配的字符分 割 等 。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn) 單 ， 循環(huán)執(zhí) 行功 能單 一 ， 便 于 設(shè)計(jì)和操 作 ， 程序執(zhí)行時(shí)間短。2. 模板匹配 法 。此處采用的是模板匹配的方 法 ， 即是將要識(shí)別的字符與事先構(gòu)造好 的模板進(jìn)行比 對(duì) ， 根據(jù)與模板的相似度的大小來(lái)確定最終的識(shí)別結(jié)果。 30 致謝 對(duì)現(xiàn)實(shí)事物的設(shè)計(jì)不僅是對(duì)前面所學(xué)知識(shí)的一種檢驗(yàn)，而且也是對(duì)自己能力 的一種提高。這個(gè)設(shè)計(jì) 讓我學(xué)到了很多東 西 ， 涉及到方方面面的知識(shí)，在這整個(gè)過(guò)程中我們查閱了大量 的資 料 ， 得 到了何淑珍老師和同學(xué)的幫 助 ， 我在此對(duì)他們表示謝意。上學(xué)期我們學(xué)習(xí)了數(shù)字圖像處理這門(mén)課程，在這個(gè)課程設(shè)計(jì)中應(yīng)用到了很 多其中的知識(shí)。 學(xué) 習(xí)是一個(gè)長(zhǎng)期積累 的過(guò) 程 ， 在后 的 工 作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識(shí)和綜合素質(zhì)。在整個(gè)設(shè)計(jì)中我懂得了許多東 西 ， 也培養(yǎng)了我獨(dú) 立 工 作的能力，以 及團(tuán)隊(duì)協(xié)作的能 力 ， 樹(shù)立了信 心 ， 相信會(huì)對(duì)今后的學(xué) 習(xí) 工 作生活有非常重要的影 響。雖然這個(gè)設(shè)計(jì)做的并非對(duì)所以車(chē)牌都合 適 ， 但是在設(shè) 計(jì)過(guò)程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái) 富 ， 相 信定會(huì)使我受益