【正文】 的位置對應(yīng)著圖像中沒有字符的地方，投影圖中還可以看出每個字符的投影都是連續(xù)的，各字符的投影之間都有一定的間隙，這是因?yàn)樵诖怪蓖队斑^程中，如果在某一列投影上沒有目標(biāo)像素，那么這一列一定是處于牌照上沒有字符的空隙處，所以我們在分割字符串的時候，就可以直接利用投影圖中空白處的位置信息在原二值化圖像的相應(yīng)位置，用白線來表示字符間的空隙，得到的分割字符串后圖像， 從上圖可以看出，通過簡單的確定分割點(diǎn)的位置，然后進(jìn)行分割，已經(jīng)基本完成了分割的任務(wù)，這樣的分割結(jié)果還是比較滿意的。在得到分割結(jié)果的同時，我們還要記錄下來黑線也就是分割線的位置，以便進(jìn)行后續(xù)的處理。 當(dāng)字符切分出來后，因?yàn)榇笮〔煌?，這就需要進(jìn)行歸一化處理，目的就是可以在統(tǒng)一的標(biāo)準(zhǔn)下進(jìn)行識別，目前常見的歸一化方法有基十質(zhì)心的歸一化，還有就是基十外框的歸一化。最近鄰插值法 最近鄰插值法中歸一化的圖像g(xo,yo)的灰度值是用(a,b)臨界的四個網(wǎng)格點(diǎn)(i,j)(i+1,j),(i,j+1) ,(i+l,.j+1)之中最接近于它的點(diǎn)的灰度值來近似表示，即: ，其中(a`,b`)為(a,b)(a,b)與(i, j+1)的幾何距離即最小，所以(i, j+1)就是(a,b)的最近鄰點(diǎn)(a`,b`)。 最近鄰插值法計算非常簡單，并且，在許多的情況下，其結(jié)果也是可以令人接受的，不過，當(dāng)圖像中包含像素之間灰度級有變化的細(xì)微結(jié)構(gòu)時，最近鄰插值法會在圖像中產(chǎn)生人工的痕跡(如帶有鋸齒形的邊)。于是采用近鄰插值法將大小統(tǒng)一規(guī)格化為40x20的圖像，： 第五章字符識別字符的識別目前用于車牌字符識別(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法?；谀０迤ヅ涞腛CR的基本過程是:首先對待識別字符進(jìn)行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識別主要有兩種方法:一種方法是先對待識別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。識別效果與字符特征的提取有關(guān)，而字符特征提取往往比較耗時。因此，字符特征的提取就成為研究的關(guān)鍵。另一種方法則充分利用神經(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)自動實(shí)現(xiàn)特征提取直至識別。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡單，當(dāng)字符較規(guī)整時對字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識別率相當(dāng)高。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識別的主要方法。模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個進(jìn)行比較，計算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計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。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計模板的時候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過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)計的特征量來構(gòu)建模板，就可以避免上述問題。建立自動識別的代碼表讀取分割出來的字符第一個字符與模板中的漢字模板進(jìn)行匹配第二個字符與模板中的字母模板進(jìn)行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識別完成，輸出此模板對應(yīng)值后5個字符與模板中的字母與數(shù)字模板進(jìn)行匹配圖20 字符識別流程圖此處采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡稱；緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個，大寫英文字母26個，數(shù)字10個。所以建立字符模板庫也極為方便。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計所選汽車牌照的特點(diǎn)，只建立了4個數(shù)字26個字母與10個數(shù)字的模板。其他模板設(shè)計的方法與此相同。首先取字符模板，接著依次取待識別字符與模板進(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。把每一幅相減后的圖的0值個數(shù)保存，然后找數(shù)值最大的，即為識別出來的結(jié)果。第六章車牌識別系統(tǒng)實(shí)現(xiàn) 通過對原始待識別圖像的一系列預(yù)處理，然后進(jìn)行圖像矯正，將圖像分割成單個字符圖像，:由于在實(shí)際中，我們通過數(shù)碼相機(jī)采集的車牌圖像數(shù)量有限，并且遇到的車牌圖像多半比較清楚，所以我們認(rèn)為這個數(shù)據(jù)并不能完全反映出整個識別系統(tǒng)的性能，不過，系統(tǒng)的性能穩(wěn)定，識別率比較高，還是滿足了我們的需要，具有實(shí)用性強(qiáng)的特點(diǎn)。第七章結(jié)論 隨著汽車數(shù)量的增加，城市交通狀況口益惡化，如何能夠智能有效地進(jìn)行交通管理，已經(jīng)成為了各國政府和相關(guān)部門所關(guān)注的焦點(diǎn)，而汽車牌照識別系統(tǒng)(LPRS)在智能交通系統(tǒng)(ITS)中占有非常重要的地位，如何實(shí)現(xiàn)汽車牌照的自動識別已成為現(xiàn)代交通工程領(lǐng)域中研究的重點(diǎn)和熱點(diǎn)問題之一。本文采用傳統(tǒng)的圖像處理技術(shù)和模式識別技術(shù)，在總結(jié)前人研究的基礎(chǔ)上，提出自己的方法和改進(jìn)方法，分別對車牌圖像預(yù)處理，車牌圖像的傾斜校正，車牌圖像字符分割，車牌字符識別等四個方面作了系統(tǒng)的研究，并提出了理論上和使用的解決方法。本文的研究工作如下: (1)圖像預(yù)處理 該階段主要研究內(nèi)容是數(shù)字圖像的基礎(chǔ)以及對車牌圖像的去噪處理和二值化。首先闡述了數(shù)字圖像的基礎(chǔ)，作為隨后各種對數(shù)字圖像操作的基礎(chǔ)，其次為了去除牌照上的噪音點(diǎn)，更好的保留牌照上的有效信息，我采用了中值濾波的方法，對大多數(shù)車牌圖像都有較好的效果，最后，針對車牌圖像的二值化，我在總結(jié)前人理論的基礎(chǔ)上，結(jié)合車牌圖像自身的特點(diǎn)，提出了一種改進(jìn)的閩值算法，通過實(shí)驗(yàn)證明，該方法能較好的保留圖像有效信息，并且能夠在光照不好，圖像陰暗的情況下仍然取得比較好的效果，方便后續(xù)處理。 (2)車牌的傾斜校正 在將圖像二值化以后，我就可以進(jìn)行進(jìn)一步的處理。因?yàn)榕臄z角度等原因，某些車牌圖像并不是非常標(biāo)準(zhǔn)，存在著一些傾斜角度，這樣，在進(jìn)行分割等處理前還需要對圖像進(jìn)行傾斜校正。在進(jìn)行傾斜校正的時候，首先用Hough變換取得車牌傾斜的角度，然后通過兩次變換將圖像校正，最終達(dá)到我們的目的。在這一部分，我們首先利用Hough變換取得兩個傾斜角度，然后我們采取有別十通常采用的一次校正，取得了比較好的效果。 (3)車牌的字符分割 通過傾斜校正，我們得到了比較正規(guī)的圖像，這樣就便十分割處理。在進(jìn)行字符分割前，我們首先利用統(tǒng)計黑白跳變次數(shù)的方法分割出車牌的上邊框，然后再利用改進(jìn)后的垂直投影法成功將字符分割。這里對垂直投影法的改進(jìn)主要采取的是忽略部分字符粘連后造成的影響，合并斷裂字符，最后再通過寬高比值驗(yàn)證。在將字符分割后，我們采用最近鄰插值法將字符圖像作歸一化處理，為字符識別打好了基礎(chǔ)。 (4)車牌字符識別 在進(jìn)行字符識別的時候，為了滿足我們的項(xiàng)目需要，我采用了改進(jìn)的模板匹配的方法。在進(jìn)行模板匹配之前，首先采用了數(shù)學(xué)形態(tài)學(xué)中的細(xì)化操作，將字符圖片中的字符細(xì)化成骨架，提高了匹配的速度。在進(jìn)行匹配的時候又采用了先粗匹配，然后分組，根據(jù)細(xì)節(jié)部分和字符位置再次細(xì)比對的方式，提高了匹配成功率，降低了誤識率。 但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距，但我卻在這次課程設(shè)計中學(xué)到了很多知識。致謝 在本論文完成之際，我想起了所有關(guān)心和幫助過我的老師、朋友，在此我向他們表達(dá)我最誠摯的感謝。 首先感謝我的導(dǎo)師一一馬飛老師，導(dǎo)師不僅學(xué)識淵博、誨人不倦，指導(dǎo)我獲得深厚的專業(yè)知識。而且他工作務(wù)實(shí)、經(jīng)驗(yàn)豐富、啟示了我為人處事的生活態(tài)度。 我還要感謝我的同學(xué)，幫助我收集材料和圖像資