【正文】 i jg i j f k i l jL k lg i j f k i l j????? ? ? ?? ? ? ????????? ? ? ? （ 313） 上式對互相關(guān)進行了歸一化，這在多目標(biāo)的檢測中，有利于多個模板互相關(guān)結(jié)果的比較和判斷。 （ 2）匹配模板 由模板匹配的原理知，匹配模 板要根據(jù)待測目標(biāo)的特征來構(gòu)造。如果在空域進行處理，則是根據(jù)目標(biāo)的形狀、灰度、紋理等特征刻畫一個目標(biāo)的樣板，以此為模板在圖像中尋找與其相似甚至相同的部分。如果是在變換域里進行匹配，此時的模板要根據(jù)目標(biāo)的變換域特征來建立，比如在頻率域匹配，建立的模板要具有目標(biāo)的頻域特征，實際就是目標(biāo)所具有的頻譜分布。 模板匹配是 字符 識別方法中最具代表性的基本方法之一， 模板匹配的方法是 從圖像區(qū)域 (, )f i j 或待識別的圖像中提取 出 若干特征量 ，在逐個比較提取出的特征量 與模板(, )Ti j 相應(yīng)的特征量，計算它們之間的互相關(guān)量，其中期間相似程度最高 就是 互相關(guān)量最大的一個， 這樣就可以將圖像分為很多類型 。 模板匹配 也可以計算模板特征量 和 圖像 16 之間的距離， 根據(jù) 最小距離法 來將圖像劃分為某個類型 。 但是一般 情況下用于 模板 匹配的圖像成像條件 都是不一樣的 ， 有些 圖像經(jīng) 過圖像 預(yù)處理后，圖像 中 的像素點或灰度的位置發(fā)生 了 改變 ，有些圖像還會有 較大的噪聲 干擾圖像的質(zhì)量 。在實際 制作 模板 的過程中 ， 因為圖像中的 各 個 區(qū)域形狀 都有 特點， 所以在設(shè)計模板時重點是凸顯 各 相似 區(qū)域之間 的不同的地方 ， 其次，還需 要考慮的問題是位移 和 噪聲（這兩個因素的由圖像經(jīng)過處理時引起的） ， 并且構(gòu)建模板時通過 一些特征量來 建造模板，這些特征量是 基于圖像不變特性所設(shè)計的， 這樣子就不會遇到以上的幾個 問題 了 。 本文采用 基于模板匹配的字符識別 ，它 的基本過程是：首先我們要建立字符識別樣本庫，然后把歸一化的字符圖像與模板中的字符相減， 找到差別點最少的模板為對應(yīng)模板。 由于我國的普通小型汽車車牌第一位字符是漢字，分別代表各個省的簡稱，然后第二位是 A 到 Z 的字母，接下來的后五位則是數(shù)字和字母的混合搭配。所以我們在對比的時候為了提高效率和準(zhǔn)確性，我們分別 對第一位和后六位分別識別。最后識別完成后輸出識別的車牌的結(jié)果，流程圖如圖 33 所示。 圖 33 車牌識別系統(tǒng)字符識別流程圖 識別完成，輸出此模板對應(yīng)值 讀取分割且歸一化的出來的字符 將切割字符與模板庫進行模板匹配 待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的 建立識別樣本庫 17 4 運用 MATLAB 實現(xiàn)車牌識別 本次設(shè)計使用 640*480 的彩色 JPG 格式圖片，以 MATLAB 軟件為平臺，采用編寫代碼程序?qū)崿F(xiàn)車牌定位、車牌字符分割、車牌字符識別。當(dāng)然，在這之前，我們首先要對圖像進行一系列的預(yù)處理， 因為 圖像在形成、傳輸或變換過程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過量、相對運動等，往 往會與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異，這種差異稱為降質(zhì)或退化。由于圖像產(chǎn)生了退化，所以在圖像處理之前必須進行灰度化和預(yù)處理，預(yù)處理包括 邊緣檢測、對邊緣圖像進行腐蝕、再對其進行閉運算、最后濾波移除小對象 等。 車牌圖像灰度化 在車牌識別系統(tǒng)中，將一幅圖像轉(zhuǎn)換為另一種類型是非常有用的，因為如果采用原始采集的彩色圖像，它里面則包含了大量的無用信息，從而對定位、識別的過程中造成干擾，會造成存儲的浪費以及在車牌識別系統(tǒng)中拖慢識別的速度，而且投入使用中將大大的提高硬件的要求，從而造成了經(jīng)濟成本的上 升，所以我們將要對原始采集的對象通過代碼進行灰度化處理，將其變成灰度圖像。 車牌圖像灰度化首先將通過 MATLAB 將原始圖片通過函數(shù) imread 讀入并且輸出如圖 41（ a） 所示 ， 然后對讀入的圖像通過 rgb2gray 進行 灰度處理如圖 41（ b） 所示。 經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細(xì)膩、容易識別。 程序分析 I=imread(39。39。)。 %讀入圖像 figure(1)。 imshow(I), title(39。原始圖像 39。)。 I_gray=rgb2gray(I)。 %對圖像 I 進行灰度處理 figure(2)。 imshow(I_gray),title(39?；叶葓D像 39。)。 18 結(jié)果分析 （ a） 車輛牌照原始圖像 （ b） 車牌灰度圖像 圖 41 車牌圖像灰度化 由圖 41(b)可知， 原始的 彩色圖像已經(jīng)轉(zhuǎn)換成了灰度圖像，灰度圖像的每一個像素的取值就是 256中灰度中的一種（ 0表示黑， 255表示白，從 0到 255亮度逐漸增加），也就是說灰度圖像只有亮度信息而沒有色彩 信息。 通過了圖像灰度化處理，才有利于車牌定位的實現(xiàn)。 19 車牌圖像預(yù)處理 車牌圖像的預(yù)處理包括了邊緣檢測、對邊緣圖像進行腐蝕、再對其進行閉運算、最后濾波移除小對象。在本次設(shè)計中，我利用 Sobel 算子對灰度圖像進行邊緣檢測，然后再對邊緣圖像進行腐蝕，去除掉邊緣圖像細(xì)的、間斷的邊緣，對剩下的區(qū)域進行閉合以填充圖像，此時車牌區(qū)域已經(jīng)形成了一個大的連通域，再調(diào)用 bwareaopen 函數(shù)去掉小的連通域。 程序分析 I_edge=edge(I_gray,39。sobel39。)。 %利 用 Sobel 算子進行邊緣檢測 figure(3)。 imshow(I_edge),title(39。邊緣檢測后圖像 39。)。 se=[1。1。1]。 I_erode=imerode(I_edge,se)。 %對邊緣圖像進行腐蝕 figure(4)。 imshow(I_erode),title(39。腐蝕后邊緣圖像 39。)。 se=strel(39。rectangle39。,[25,25])。 I_close=imclose(I_erode,se)。 %填充圖像 figure(5)。 imshow(I_close),title(39。填充后圖像 39。)。 I_final=bwareaopen(I_close,2021)。 %去除聚團灰度值小于 2021 的部分 figure(6)。 imshow(I_final),title(39。形態(tài)濾波后圖像 39。)。 邊緣檢測是為了對有意義的邊緣點進行分類，與這個點相聯(lián)系的灰度級必須比在這一點的背景上變換更有效，我們通過門限方法來決定一個值是否有效。所以，如果一個點的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據(jù)事先 定好的連接準(zhǔn)則相連的邊緣點就定義為一條邊緣。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個閾值，則確定該點為邊緣點，這樣會導(dǎo)致檢測的邊緣點太多。可以通過求梯度局部最大值對應(yīng)的點，并認(rèn)定為邊緣點，去除非局部最大值，可以檢測出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對應(yīng)二階導(dǎo)數(shù)的零交叉點，這樣通過找圖像強度的二階導(dǎo)數(shù)的零交叉點就能找到精確邊緣點。 20 邊緣檢測選用不同的額算子或者閾值都會對結(jié)果造成很大的影響，經(jīng)過反復(fù)試驗，我選取了 Sobel 算子 進行邊緣檢測，通過代碼 I_edge=edge(I_gray,39。sobel39。)就 能得到邊緣檢測的圖像如圖 42（ a）所示。 結(jié)果分析 （ a） 車牌邊緣檢測圖像 （ b) 腐蝕后邊緣圖像 21 （ c） 填充后圖像 （ d） 形態(tài)濾波后的圖像 圖 42 車牌圖像預(yù)處理 本文通過對圖像進行腐蝕、膨脹如圖 42（ b）， 腐蝕是一種消除邊界點的過程，結(jié)果是使目標(biāo)縮小，孔洞增大，因而可有效的消除孤立噪聲點。經(jīng)過腐蝕過后，圖像中目標(biāo)周圍的邊緣被腐蝕了，大大的縮小目標(biāo)的范圍，為后面提取車牌的進行提供了先決條件。 對其實現(xiàn)閉運算如圖 42（ c）， 先膨脹后腐蝕的過程稱為閉運算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。 最后還用了 bwareaopen 來去除對象中不相干的小對象。由此得到車牌圖像的初步定位，如圖 42（ d）所示。 通過對比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車牌位置了，因此后期處理將通過這張圖來找出車牌位置。 22 牌照定位 觀察經(jīng)過預(yù)處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形圖樣，通過對矩形區(qū)域的定位即可獲得具體的車牌位置。 設(shè)計過程首先將二值圖像中所有為白色的點的坐標(biāo)放入數(shù)組 location_of_1 中，對這些坐標(biāo)進行計算，尋找 x 坐標(biāo)與 y 坐標(biāo)之和最大的 點 a 與最小的點 b，最大點 a 即為車牌的左上角，最小點 b 為車牌的右下角，通過這兩個坐標(biāo)將車牌分割出來 。 程序分析 I_new=zeros(size(I_final,1),size(I_final,2))。 location_of_1=[]。 for i=1:size(I_final,1) %尋找二值圖像中白的點的位置 for j=1:size(I_final,2) if I_final(i,j)==1。 newlocation=[i,j]。 location_of_1=[location_of_1。newlocation]。 end end end mini=inf。maxi=0。 for i=1:size(location_of_1,1) %尋找所有白點中， x 坐標(biāo)與 y 坐標(biāo)的和最大，最小的兩個點的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 if tempmini mini=temp。 a=i。 end if tempmaxi maxi=temp。 b=i。 end end 23 first_point=location_of_1(a,:)。 %和最小的點為車牌的左上角 last_point=location_of_1(b,:)。 %和最大的點為車牌的右下角 x1=first_point(1)+4。 %坐標(biāo)值修正 x2=last_point(1)4。 y1=first_point(2)+4。 y2=last_point(2)4。 I_plate=I(x1:x2,y1:y2)。 g_max=double(max(max(I_plate)))。 g_min=double(min(min(I_plate)))。 T=round(g_max(g_maxg_min)/3)。 % T 為二值化的閾值 I_plate =im2bw (I_plate,T/256)。 subplot(3,2,5),imshow(I_plate)。 I_plate=bwareaopen(I_plate,20)。 figure,imshow(I_plate),title(39。車牌提取 39。) %畫出最終車牌 結(jié)果分析 圖 43 車牌提取圖片 定位后車牌圖像是彩色的，會占用較大的存儲空間，加重計算機負(fù)擔(dān)，所以要對圖像進行二值化以及濾波處理。這樣才有助于字符分割的進行。如圖 43 所示 24 字符分割 此部分是將前面分割出的車牌的 7 個字符分割出來，其過程是 從左向右像按 列 計算每一列之和，沒有白點的列和為 0，有白 點的列和非零，轉(zhuǎn)換為邏輯 1，記錄下所有列和在 0 與 1 轉(zhuǎn)換的列，即為需要切割的列，共有 14 列，可切出 7 個字符。切割出單個字符后，放入 char_(i)中，并切 割 掉每個字符的上下的空白區(qū)域，完成精確切割。 程序分析 X=[]。 %用來存放水平分割線的橫坐標(biāo) flag=0。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。 if logical(sum_y)~=flag %列和有變化時，記錄下此列 X=[X j]。 flag=logical(sum_y)。 end end figure for n=1:7 char=I_plate(:,X(2*n1):X(2*n)1)。 %進行粗分割 for i=1:size(char,1) %這兩個 for 循環(huán)對分割字符的上下進行裁剪 if sum(char(i,:))~