車(chē)牌識(shí)別設(shè)計(jì)與實(shí)現(xiàn)(畢業(yè)論文)

1、重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)目 錄摘 要 IAbstract II1 緒論 11.1 課題的來(lái)源及意義 11.2 課題主要研究的問(wèn)題 21.3 系統(tǒng)設(shè)計(jì)的目標(biāo)及基本思路 21.3.1 設(shè)計(jì)目標(biāo) 21.3.2 基本思路 32 圖像預(yù)處理 42.1 汽車(chē)牌照的特征 42.2 灰度變換 52.3 圖像增強(qiáng) 62.4 圖像邊緣提取及二值化 72.4.1 圖像邊緣提取 72.4.2 灰度圖像二值化 142. 5形態(tài)學(xué)濾波 153車(chē)牌定位方法研究 193.1 車(chē)牌定位常用方法介紹 193.1.1 基于紋理特征分析的定位方法 193.1.2 基于數(shù)學(xué)形態(tài)學(xué)的定位方法 193.1.3 基于邊

2、緣檢測(cè)的定位方法 193.1.4 基于小波分析的定位方法 203.1.5 基于圖像彩色信息的定位方法 203.2 基于行掃描灰度跳變分析的車(chē)牌定位方法 204車(chē)牌識(shí)別方法研究 224.1 牌照區(qū)域的分割和圖像進(jìn)一步處理 2222224.2 字符的分割與歸一化 2323244.3 字符的識(shí)別 245總結(jié)與展望 275.1總結(jié) 272728致謝 29參考文獻(xiàn) 30附錄一 31重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)車(chē)牌識(shí)別系統(tǒng)作為智能交通系統(tǒng)的一個(gè)重要組成部分，在交通監(jiān)控中占有很 重要的地位。車(chē)牌識(shí)別系統(tǒng)可分為圖像預(yù)處理、車(chē)牌定位和字符識(shí)別3個(gè)部分，其中車(chē)牌定位作為獲得車(chē)輛牌照?qǐng)D像的重要步驟

3、，是后續(xù)的字符識(shí)別部分能否正 確識(shí)別車(chē)牌字符的關(guān)鍵環(huán)節(jié)。車(chē)牌定位系統(tǒng)實(shí)現(xiàn)對(duì)車(chē)輛牌照進(jìn)行定位的功能，即從包含整個(gè)車(chē)輛的圖像中找到車(chē)牌區(qū)域的位置，并對(duì)該車(chē)牌區(qū)域進(jìn)行定位顯示， 將定位信息提供應(yīng)字符識(shí)別部分。針對(duì)車(chē)牌本身固有的特征，本文首先介紹了在車(chē)牌定位過(guò)程中常用的幾種數(shù) 字圖像處理技術(shù)：圖像的二值化處理、邊緣檢測(cè)和圖像增強(qiáng)等。其次介紹了現(xiàn)在 常用的車(chē)牌定位方法，并對(duì)這些方法進(jìn)行分析，總結(jié)出各種方法的優(yōu)缺點(diǎn)，然后 在此基礎(chǔ)上提出采用基于行掃描灰度跳變分析的方法對(duì)車(chē)牌進(jìn)行定位，并使用 MATLAB真實(shí)現(xiàn)車(chē)牌定位與識(shí)別系統(tǒng)。最后對(duì)該系統(tǒng)進(jìn)行了測(cè)試，測(cè)試結(jié)果說(shuō)明 該系統(tǒng)具有良好的人機(jī)交互方式，具有較高的

4、識(shí)別正確率和較快的識(shí)別速度， 對(duì) 用戶(hù)給定的待測(cè)圖像能夠迅速準(zhǔn)確地進(jìn)行車(chē)輛牌照的定位并將定位結(jié)果顯示給 用戶(hù)，該系統(tǒng)具有一定的實(shí)用價(jià)值。關(guān)鍵詞：車(chē)牌定位，灰度圖像，行掃描，投影2AbstractAs an important part of the Intelligent Transportation Systems, License Plate Recognition System plays an important role in traffic monitoring area. License plate recognition system can be divided into t

5、hree parts, i.e., image pre-processing, license plate location and character recognition. The vehicle license plate location is an important procedure which is used to obtain a license image. It is also the key of the following character recognition system which can identify the correct license plat

6、e characters. License plate location system can perform the vehicle license location function, i.e., finding the location of the vehicle license in the image containing the entire vehicle license plate, positioning the plate region and then demonstrating the location information on the computer scre

7、en which will be transferred to the character recognition system.According to the own inherent characteristics of license plate, this thesis introduces many commonly used digital image processing techniques in the location process of license plate: binary image processing, edge detection and image e

8、nhancement, and so on. Then, we introduce the commonly used methods of license plate location. Further, we analysis these methods and summarize their advantages and disadvantages. Moreover, we propose locating plate by using the gray-scale image projection and line scanning method with edge detectio

9、n. This system was implemented by using the MATLAB. Finally, the experimental results indicate that the system has a good human-computer interaction, a better identification rate and higher speed. For images provided by users, the system can quickly and accurately locate the vehicle license and disp

10、lay the location results to the users. Therefore, this system has some practical values.Key words: license plate location, gray-scale images, line scan, projection重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)1緒論1.1 課題的來(lái)源及意義科學(xué)技術(shù)在不斷進(jìn)步，極大程度的提高了人民的生活水平，改善了生活質(zhì) 量，但也使得汽車(chē)的數(shù)量急劇增加。城市里道路交通引發(fā)的一系列問(wèn)題也逐漸引 起了人們的重視。怎樣科學(xué)并且有效的進(jìn)行交通管理是有關(guān)部門(mén)現(xiàn)在

11、面臨的一個(gè) 問(wèn)題。信息化的智能交通系統(tǒng)ITS，有效地解決了這個(gè)問(wèn)題，使得經(jīng)濟(jì)活力 得以提升，提高了道路運(yùn)輸效率，更加保障了行車(chē)安全，實(shí)現(xiàn)了道路交通的自動(dòng) 化管理。本次設(shè)計(jì)的車(chē)牌識(shí)別系統(tǒng)，是智能交通系統(tǒng)的一個(gè)重要組成部分， 在交 通監(jiān)控領(lǐng)域發(fā)揮著相當(dāng)重要的作用。車(chē)輛的牌照就如同人的身份證一樣，通過(guò)查詢(xún)車(chē)牌就能查詢(xún)到該車(chē)的相關(guān) 身份信息。因此在智能交通系統(tǒng)中，車(chē)牌識(shí)別系統(tǒng)需要處理的信息來(lái)源于車(chē)輛的 這一唯一身份標(biāo)識(shí)，也就是汽車(chē)的牌照，車(chē)牌識(shí)別系統(tǒng)因此也成為智能交通系統(tǒng) 研發(fā)的核心。車(chē)牌識(shí)別系統(tǒng)按照識(shí)別的步驟來(lái)說(shuō)， 可以分為這樣三個(gè)部分：預(yù)處 理車(chē)牌圖像，車(chē)牌位置確實(shí)定和車(chē)牌字符的識(shí)別。車(chē)牌圖像先經(jīng)

12、過(guò)一系列步驟進(jìn) 行處理變成可以直接識(shí)別的灰度圖像，這個(gè)灰度圖像包含了車(chē)牌號(hào)信息。接著會(huì) 使用到Roberts算子進(jìn)行邊緣檢查。然后使用基于行掃描灰度跳變分析的方法確 定車(chē)牌在圖像中的位置。字符識(shí)別所使用的方法是對(duì)二值化后的字符部分進(jìn)行水 平投影，再垂直投影將字符分割成一個(gè)一個(gè)分開(kāi)的字符。將分割開(kāi)的字符與數(shù)據(jù) 庫(kù)中的模板進(jìn)行匹配，匹配完全符合即為字符識(shí)別成功了。 有效并且高速的車(chē)牌 定位系統(tǒng)，將能夠大大提高車(chē)牌識(shí)別系統(tǒng)的識(shí)別精度與識(shí)別速度。車(chē)牌識(shí)別系統(tǒng) 以其特有的強(qiáng)大功能，成為了交通管理自動(dòng)化和車(chē)輛檢查系統(tǒng)的一個(gè)非常重要的 組成部分，它在交通監(jiān)視和控制中起著非常重要的作用，可以應(yīng)用到以下交通控制

13、領(lǐng)域：1高速公路和停車(chē)場(chǎng)收費(fèi)管理系統(tǒng)。 對(duì)于公路收費(fèi)的入口和出口，車(chē)輛 行駛通過(guò)不用停車(chē)就可以完成收費(fèi)；還可以根據(jù)識(shí)別出來(lái)的車(chē)牌號(hào)碼查詢(xún)到車(chē)輛有沒(méi)有及時(shí)繳納路橋費(fèi)，是否通過(guò)年審和有沒(méi)有繳清罰款之類(lèi)的。2交通場(chǎng)所布控管理系統(tǒng)。該系統(tǒng)使用車(chē)牌識(shí)別技術(shù)，自動(dòng)識(shí)別相關(guān)車(chē) 輛，在需要的時(shí)候可以實(shí)現(xiàn)快速報(bào)警功能， 不僅能防止機(jī)動(dòng)車(chē)被盜，為公安機(jī)關(guān) 進(jìn)行刑事偵查和破案提供了高科技手段。3高速公路超速監(jiān)控系統(tǒng)。該系統(tǒng)以車(chē)牌識(shí)別技術(shù)為核心加上其他高科 技手段，建立起無(wú)人自動(dòng)監(jiān)測(cè)系統(tǒng)，可以有效地用于解決因在高速公路上超速行 駛造成的交通事故。同時(shí)當(dāng)車(chē)輛的速度高于限制值，就可以通過(guò)攝像頭獲取汽車(chē) 的圖像，并識(shí)別出獲

14、得的車(chē)牌的號(hào)碼，以便于對(duì)違章車(chē)輛進(jìn)行罰款。1.2 課題主要研究的問(wèn)題1車(chē)牌圖像預(yù)處理的方法？(2)采用何種方法對(duì)汽車(chē)牌照進(jìn)行定位？3采用何種方法對(duì)汽車(chē)牌照進(jìn)行識(shí)別？1.3 系統(tǒng)設(shè)計(jì)的目標(biāo)及基本思路1.3.1 設(shè)計(jì)目標(biāo)本系統(tǒng)主要應(yīng)用于對(duì)車(chē)輛圖像進(jìn)行車(chē)輛牌照的定位和車(chē)牌字符的識(shí)別，根據(jù)這一實(shí)際應(yīng)用背景，確定了系統(tǒng)設(shè)計(jì)的三個(gè)目標(biāo)：實(shí)用性、高速性和魯棒性。實(shí)用性：該系統(tǒng)主要應(yīng)用于車(chē)輛管理，以及其他與車(chē)牌有關(guān)系的領(lǐng)域，所以 具有很重要的實(shí)用價(jià)值，為了提高其實(shí)用價(jià)值，要充分考慮系統(tǒng)在應(yīng)用中所遇到 的問(wèn)題，防止由于識(shí)別的偏差導(dǎo)致結(jié)果的不正確， 影響工作的進(jìn)程，降低工作的 效率。高速性：由于本系統(tǒng)處理的對(duì)象為

15、運(yùn)動(dòng)中的車(chē)輛， 在實(shí)際應(yīng)用過(guò)程中，提交 給系統(tǒng)的車(chē)輛圖像間隔時(shí)間較短，因此本系統(tǒng)必須能夠高速地對(duì)車(chē)輛圖像進(jìn)行分 析處理，并獲得結(jié)果。魯棒性：在整個(gè)車(chē)牌自動(dòng)識(shí)別過(guò)程中，本系統(tǒng)首先從圖像中準(zhǔn)確獲得車(chē)輛牌 照的區(qū)域，繼而對(duì)車(chē)牌區(qū)域的字符正確識(shí)別。而在實(shí)際應(yīng)用過(guò)程中，系統(tǒng)獲得的 車(chē)輛圖像必然會(huì)有參數(shù)不標(biāo)準(zhǔn)的現(xiàn)象，因此本系統(tǒng)必須能夠適應(yīng)各類(lèi)圖像并能夠 對(duì)輸入的車(chē)輛圖像具有較高的定位準(zhǔn)確率。1.3.2 基本思路由于車(chē)輛牌照相對(duì)于車(chē)輛本身以及周?chē)h(huán)境， 具有其獨(dú)有的特征，所以在車(chē) 牌的定位過(guò)程中，一般采取的方法是利用車(chē)牌區(qū)域的特征來(lái)判斷牌照， 將車(chē)牌區(qū) 域從整幅車(chē)輛圖像中分割出來(lái)。利用的車(chē)牌特征主要包括：1

16、車(chē)牌區(qū)域邊緣灰度與外部區(qū)域存在明顯的灰度差異。2車(chē)牌的幾何特征，即車(chē)牌的高、寬和高寬比在一定范圍內(nèi)。3車(chē)牌區(qū)域的字符與背景顏色之間存在明顯的灰度差異。4車(chē)牌區(qū)域水平或垂直投影特征，車(chē)牌區(qū)域水平或垂直投影呈現(xiàn)連續(xù)的 峰谷峰的分布。本系統(tǒng)針對(duì)車(chē)輛牌照的這一系列特征，采用基于行掃描灰度跳變分析的基本 思路進(jìn)行車(chē)輛牌照的定位方法。該方法首先通過(guò)對(duì)灰度圖像進(jìn)行二值化、 邊緣檢 測(cè)、濾波等處理，獲得較理想的供定位圖像，然后對(duì)該圖像進(jìn)行垂直和水平方向 的行掃描，結(jié)合車(chē)輛牌照的上述特點(diǎn)，通過(guò)分析圖像的灰度跳變特征，對(duì)車(chē)輛牌 照進(jìn)行定位1。車(chē)輛牌照定位后對(duì)牌照區(qū)域字符進(jìn)行分割,將分割好的字符進(jìn)行二值化并將 其尺

17、寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小， 然后與所有的模板進(jìn)行匹配，最后 選 最 正 確 匹 配 作 為 結(jié) 果。102 圖像預(yù)處理圖像預(yù)處理是車(chē)牌定位的準(zhǔn)備工作，以提高車(chē)牌圖像的適用性。從采集卡獲 得的原始圖像不僅包括汽車(chē)牌照，而且還有汽車(chē)本身和汽車(chē)的背景圖像，因此必 須去掉這些非牌照?qǐng)D像的影響，才有可能正確的提取出牌照區(qū)域，為后面的車(chē)牌 字符識(shí)別打下基礎(chǔ)。在實(shí)際應(yīng)用中，由于季節(jié)的更替、自然光照度的晝夜變化、 光照的穩(wěn)定性與均勻性、車(chē)輛自身的運(yùn)動(dòng)、觀察點(diǎn)不同（攝像機(jī)的角度、位置、觀察角度等）、采集圖像的設(shè)備本身的因素等的影響，圖像傳感器所獲取的圖像 有時(shí)并不令人滿(mǎn)意，存在各種各樣的噪聲。因而必須

18、對(duì)圖像進(jìn)行預(yù)處理，以改善 圖像質(zhì)量，提高字符識(shí)別率。車(chē)牌識(shí)別系統(tǒng)需要全天候工作，在白天、黑夜、陰天、晴天、雨雪、逆光等 情況下無(wú)故障地進(jìn)行工作。尤其是在強(qiáng)光照射下，得到的數(shù)字圖像各處反光不均 勻，在夜間的時(shí)候，汽車(chē)前燈往往造成數(shù)字圖像亮度不均勻，比照度較低，這些 情況往往需要進(jìn)行直方圖均衡操作。當(dāng)車(chē)輛速度很高時(shí)，會(huì)造成拍攝的圖片模糊， 甚至變形。路面問(wèn)題，現(xiàn)在國(guó)內(nèi)很多路面條件較差，常常會(huì)導(dǎo)致車(chē)牌污染嚴(yán)重、 傾斜、甚至變形。從而使得獲得的圖片質(zhì)量很差，會(huì)造成識(shí)別困難。在車(chē)輛車(chē)牌 中包含漢字、字母和數(shù)字，其中字母和數(shù)字識(shí)別比較簡(jiǎn)單，漢字字符筆畫(huà)繁多、 結(jié)構(gòu)復(fù)雜，識(shí)別困難，因此需要得到的數(shù)字圖像有較

19、高的分辨率， 對(duì)應(yīng)算法有較 高的抗干擾性。汽車(chē)牌照作為車(chē)輛的唯一身份標(biāo)識(shí)，其特征也就成為車(chē)牌定位的重要參考依 據(jù)。車(chē)輛牌照的特征有形狀特征、字符特征和灰度變化特征等。車(chē)牌定位系統(tǒng)在 處理這些特征時(shí)將會(huì)應(yīng)用到數(shù)字圖像處理技術(shù) 2。1形狀特征標(biāo)準(zhǔn)車(chē)牌的寬、高、以及寬高比一定。車(chē)牌的邊緣是線(xiàn)段圍成的有規(guī)則的矩 形，大小變化有一定的范圍。汽車(chē)前車(chē)牌的標(biāo)準(zhǔn)外輪廓尺寸為440x140,每個(gè)字 符寬度為45,高度為90,間隔符寬10,字符間隔12。整個(gè)車(chē)牌的寬高比近似為3:1c 實(shí)際中攝像機(jī)的拍攝角度不同，拍攝到的車(chē)牌寬高比例會(huì)有所差異。2字符特征標(biāo)準(zhǔn)車(chē)牌首位為省名簡(jiǎn)稱(chēng)，共有31個(gè)字符（不考慮軍、警車(chē)）；次

20、位為英文字 母（除去“I”）共25個(gè)英文大寫(xiě)字母；后面五位為英文字母或阿拉伯?dāng)?shù)字 （字母除 去字母“I”和字母“ O”），共有34個(gè)字符。3灰度變化特征車(chē)牌的底色、邊緣顏色以及車(chē)牌外的顏色都是不相同的， 表現(xiàn)在圖像中就是 灰度級(jí)互不相同，這樣在車(chē)牌邊緣形成了灰度突變邊界。 實(shí)際上，車(chē)牌的邊緣在 灰度上的表現(xiàn)是一種屋脊?fàn)钸吘墸辉谲?chē)牌區(qū)域內(nèi)部，穿過(guò)車(chē)牌的水平直線(xiàn)其灰度 呈現(xiàn)連續(xù)的波峰、波谷、波峰的分布；車(chē)牌區(qū)域內(nèi)的邊緣灰度直方圖具有兩個(gè)明 顯并且別離的分布中心；車(chē)牌區(qū)域內(nèi)的水平和垂直投影呈現(xiàn)連續(xù)的波峰、波谷、 波峰的分布。這部分特征主要用在對(duì)灰度圖像進(jìn)行車(chē)牌定位、字符分割方面302.2 灰度變換灰

21、度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時(shí)看到的亮度 連續(xù)變化的黑白照片就是一幅灰度圖。灰度化處理就是將一幅彩色圖像轉(zhuǎn)化為灰 度圖像的過(guò)程。彩色圖像分為R、G、B三個(gè)分量，分別顯示出紅、綠、藍(lán)等各 種顏色，灰度化就是使彩色的R、G、B分量相等的過(guò)程?；叶戎荡蟮南袼攸c(diǎn)比 較亮像素值最大為255,為白色，反之比較暗像素值最小為 0,是黑色。本次灰度圖像變換的實(shí)現(xiàn)采用了 rgb2gray函數(shù)rgb2gray：車(chē)換RGB圖像或顏色映像表為灰度圖像格式：I=rgb2gray（RGB）I=rgb2gray（A）原始圖像和灰度圖如圖2-1、2-2所示：圖2-1原始圖像灰度圖直方圖0100200圖

22、2-2灰度圖像2.3 圖像增強(qiáng)對(duì)車(chē)輛圖像進(jìn)行灰度化處理之后，車(chē)牌部分和非車(chē)牌部分圖像的比照度并不 是很高，此時(shí)如果直接進(jìn)行邊緣提取，由于車(chē)牌界限較為模糊，難以提取出車(chē)牌 邊緣，而而難以準(zhǔn)確定位車(chē)牌。為了增強(qiáng)牌照部位圖像和其他部位圖像的比照度， 使其明暗鮮明，有利于提高識(shí)別率，需要將車(chē)輛圖像進(jìn)行增強(qiáng)。圖像增強(qiáng)的目的是對(duì)圖像進(jìn)行加工，以得到對(duì)具體應(yīng)用來(lái)說(shuō)視覺(jué)效果更適于 電腦識(shí)別的圖像。增強(qiáng)圖像的方法有很多，如灰度變換、圖像平滑處理和線(xiàn)性濾 波等，根據(jù)處理圖像域又可分為空間增強(qiáng)與頻域增強(qiáng)。目前用于車(chē)牌圖像增強(qiáng)的 方法有：灰度拉伸、直方圖均衡、中值濾波、高斯濾波、鄰域?yàn)V波、圖像腐蝕、 多圖像平均、同態(tài)

23、濾波等等。在本設(shè)計(jì)中用到運(yùn)動(dòng)目標(biāo)檢測(cè)一圖像開(kāi)運(yùn)算，圖像的開(kāi)運(yùn)算是先腐蝕后膨 脹，用來(lái)消除小物體、在纖細(xì)點(diǎn)處別離物體、平滑較大物體的邊緣同時(shí)并不明顯 改變其面積。1對(duì)原始圖像進(jìn)行開(kāi)運(yùn)算得到背景圖像：s=strel('disk',13);% 調(diào)用 strel 函數(shù)Bgray=imopen(Sgray,s);%對(duì)圖像進(jìn)行開(kāi)運(yùn)算figure,imshow(Bgray);title('背景圖像');輸出背景圖像，如圖2-3所示圖2-3背景圖像圖圖2-4增強(qiáng)后的黑白圖像2原始灰度圖像與背景圖像做減法，對(duì)圖像進(jìn)行增強(qiáng)處理：Egray=imsubtract(Sgray,Bgra

24、y);figure,imshow(Egray);title('增強(qiáng)黑白圖像');輸出黑白圖像如圖2-4所示。2. 4圖像邊緣提取及二值化2.4.1 圖像邊緣提取邊緣主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域包括不同色彩之間，邊緣檢測(cè)主要是精確定位邊緣和抑制噪點(diǎn)，原理是：由于微分算子具有突出灰度變化的作用，對(duì)圖像進(jìn)行微分運(yùn)算，在圖像邊緣處及其灰度變化較大， 故該 處微分計(jì)算值較高，可將這些為分支作為相應(yīng)點(diǎn)的邊緣強(qiáng)度， 通過(guò)閾值判別來(lái)提 取邊緣點(diǎn)，即如果為分支大于閾值，則為邊緣點(diǎn)。其基本步驟是首先利用邊緣增 強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過(guò)設(shè)置門(mén)限

25、的方法提取邊緣點(diǎn)集40常用的傳統(tǒng)邊緣檢測(cè)算子有Roberts算子、Sobel算子、Prewitt算子、LaplaceB 子等。Roberts算子：邊緣定位準(zhǔn)確，但對(duì)噪聲敏感，去噪聲作用小，適合于邊緣 明顯且噪聲較小的圖像分割；物體的邊緣總是以圖像中強(qiáng)度的突變形式出現(xiàn)的， 所以物體邊緣包含著大量的信息。由于物體的邊緣具有十分復(fù)雜的形態(tài)，因此， 最常用的邊緣檢測(cè)方法是所謂的“梯度檢測(cè)法”。設(shè)f (x, y)是圖像灰度分布函數(shù)；s(x,y)是圖像邊緣的梯度值；(x, y)是梯度的方向。則有s(x, y)f (x n, y) f (x, y) f(x, y n) f (x, y)2-1n=1,2，/、

26、，1(x,y) tan f(x, y n) f (x, y) / f (x n, y) f (x, y)式2-1與式2-2可以得到圖像在x,y點(diǎn)處的梯度大小和梯度方向 將式2-1改寫(xiě)為： 2,2-3g(x,y) , f(x,y) . f(x 1,y 1) f (x 1,y) , f (x, y 1)g(x, y)稱(chēng)為Roberts邊緣檢測(cè)算子。式中對(duì)f (x, y)等的平方根運(yùn)算使該處理類(lèi)似于人類(lèi)視覺(jué)系統(tǒng)的發(fā)生過(guò)程。事實(shí)上 Roberts邊緣檢測(cè)算子是一種利用局 部差分方法尋找邊緣的算子，Robert梯度算子所采用的是對(duì)角方向相鄰兩像素值 之差，所以用差分代替一階偏導(dǎo)，算子形式可表示如下:2-

27、4f(x, y) f (x, y) f (x 1,y 1) f(x, y) f(x 1,y) f (x,y 1)上述算子對(duì)應(yīng)的兩個(gè)2 2模板如圖2-5所示。實(shí)際應(yīng)用中，圖像中的每個(gè)像素點(diǎn)都用這兩個(gè)模板進(jìn)行卷積運(yùn)算， 為防止出現(xiàn)負(fù)值，在邊緣檢測(cè)時(shí)常提取其 絕對(duì)值。100-1a01-10b圖2-5Robert算子模板Sobe算子：它是方向性的，在水平和垂直方向上形成了最強(qiáng)烈的邊緣。Sobel 算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲影響，對(duì)灰度漸變和噪聲較多的圖像處 理得較好；該算子是由兩個(gè)卷積和g1(x, y)與g2 (x, y)對(duì)原圖像f(x, y)進(jìn)行卷積運(yùn) 算而得到的。其數(shù)學(xué)表達(dá)式為：M NM

28、 NS(x,y) MAXf(m,n)g(i m, j n),f(m,n)g2(i m, j n)minim 1 n 12-5實(shí)際上Sobe邊緣算子所采用的算法是先進(jìn)行加權(quán)平均，然后進(jìn)行微分運(yùn)算，我們可以用差分代替一階偏導(dǎo)，算子的計(jì)算方法如下：f (x 1,y 1) 2f (x, y 1) f (x 1,y 1)f(x 1,y 1) 2f(x 1,y) f(x 1,y 1)x f (x, y) f(x 1,y 1) 2f (x, y 1) f (x 1,y 1)yf(x, y) f (x 1,y 1) 2f (x 1,y) f (x 1,y 1)2-6Sobe算子垂直方向和水平方向的模板如圖2-

29、6所示，前者可以檢測(cè)出圖像中的水平方向的邊緣，后者則可以檢測(cè)圖像中垂直方向的邊緣。實(shí)際應(yīng)用中，圖像中的每一個(gè)像素點(diǎn)都用這兩個(gè)卷積核進(jìn)行卷積運(yùn)算，取其最大值作為輸出。運(yùn)算結(jié)果是一幅表達(dá)邊緣幅度的圖像。-1-2-1000121-101-202-301ab圖2-6 Sobel算子模板Prewitt算子：利用局部差分平均方法尋找邊緣的算子，它表達(dá)了三對(duì)像素點(diǎn)像素值之差的平均概念，因?yàn)槠骄軠p少或消除噪聲，為此我們可以先求平均， 再求差分，即利用所謂的平均差分來(lái)求梯度。用差分代替一階偏導(dǎo)可得算子形式 如下：f (x1,y1)f(x, y 1)f (x 1,y1)f (x1,y1)f(x 1,y)f (x

30、 1,y1)xf(x,y)f(x1,y1)f(x,y 1)f(x1,y 1)yf(x,y)f (x1,y1)f (x 1,y)f (x1,y 1)2-7Prewitt邊緣檢測(cè)算子的兩個(gè)模板如圖2-7所示，它的使用方法同Sobe算子一 樣，圖像中的每個(gè)點(diǎn)都用這兩個(gè)核進(jìn)行卷積，取得最大值作為輸出。Prewitt算子也產(chǎn)生一幅邊緣圖像。與Sobe算子相比，對(duì)噪聲抑制較弱。重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)-1-1-100011110-110-110-1ab圖2-7 Prewitt算子模板Laplace#子：它是一個(gè)與方向無(wú)關(guān)的各向通行邊緣檢測(cè)算子，對(duì)細(xì)線(xiàn)和孤 立點(diǎn)檢測(cè)效果好，但邊緣方向信

31、息喪失，常產(chǎn)生雙像素的邊緣，對(duì)噪聲有雙倍加 強(qiáng)作用，很少直接用于檢測(cè)邊緣。對(duì)于階躍狀邊緣，其二階導(dǎo)數(shù)在邊緣點(diǎn)出現(xiàn)過(guò)零交叉， 即邊緣點(diǎn)兩旁的二階 導(dǎo)數(shù)取異號(hào)，據(jù)此可以通過(guò)二階導(dǎo)數(shù)來(lái)檢測(cè)邊緣點(diǎn)。 拉普拉斯邊緣檢測(cè)算子正是 對(duì)二維函數(shù)進(jìn)行二階導(dǎo)數(shù)運(yùn)算的標(biāo)量算子，它的定義是：222f(x,y) f (x, y) f(x, y)xy2®用差分代替二階偏導(dǎo)時(shí)，與前述三個(gè)一階導(dǎo)數(shù)算子不同，拉普拉斯算子的形 式可表示如下：2 -f(x,y) f (x 1,y) f(x 1,y) f (x, y 1) f(x,y 1) 4f(x,y)2 -f (x, y) f (x 1,y 1) f (x, y 1)

32、 f(x 1,y 1) f (x 1,y) f (x 1,y)f (x 1,y 1) f (x,y 1) f (x 1,y 1) 8f (x, y)2-9拉普拉斯邊緣檢測(cè)算子的模板如圖2-8所示，模板的基本特征是中心位置的 系數(shù)為正，其余位置的系數(shù)為負(fù)，且模板的系數(shù)之和為零。它的使用方法是用圖 中的兩個(gè)點(diǎn)陣之一作為卷積核，與原圖像進(jìn)行卷積運(yùn)算即可。拉普拉斯算子又是 一個(gè)線(xiàn)性的移不變算子，它的傳遞函數(shù)在頻域空間的原點(diǎn)為零， 因此，一個(gè)經(jīng)拉 普拉斯濾波過(guò)的圖像具有零平均灰度。 拉普拉斯檢測(cè)模板的特點(diǎn)是各向同性， 對(duì) 孤立點(diǎn)及線(xiàn)端的檢測(cè)效果好，但邊緣方向信息喪失，對(duì)噪聲敏感，整體檢測(cè)效果不如梯度算子

33、。因此，它很少直接用于邊緣檢測(cè)。但注意到與Sobel算子相比,對(duì)圖像進(jìn)行處理時(shí)，拉普拉斯算子能使噪聲成分得到加強(qiáng)，對(duì)噪聲更敏感。50-10-14-10-10-1-1-1-18-1-1-1-1ab圖2-8 Laplace算子模板通過(guò)實(shí)驗(yàn)圖對(duì)幾種邊緣檢測(cè)算子進(jìn)行仿真圖 2-9至2-11，可知：1Roberts算子定位比較準(zhǔn)確，但由于不包括平滑，所以對(duì)噪聲比較敏感。2 Prewitt算子和Sobe算子都是一階的微分算子，而前者是平均濾波， 后者是加權(quán)平均濾波，對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)果中 出現(xiàn)偽邊緣。該類(lèi)算子對(duì)灰度漸變和具有噪聲的圖像處理比較好。其中 Sobe算 子比Prewi

34、tt算子更能抑制噪聲的影響。3Laplac畬子對(duì)圖像中的階躍性邊緣點(diǎn)定位準(zhǔn)確，對(duì)噪聲非常敏感，喪 失一部分邊緣的方向信息，造成一些不連續(xù)的檢測(cè)邊緣。邊緣檢測(cè)算子的實(shí)現(xiàn)代碼：I2=edge(I1,'Roberts',0.09,'both');Figure, imshowI2； title( ' Robert野子')；16n: Serfs草一邊,操唆則圖 2-9 Roberts算子田草子也跟臉.叫圖 2-10 Prewitt算子,niwl身子K喏噴則圖2-11 Sobel算子通過(guò)邊緣檢測(cè)仿真結(jié)果圖可見(jiàn)，幾個(gè)邊緣檢測(cè)算子都可以較好的提取所需的 車(chē)牌邊緣

35、。為了車(chē)牌的定位，希望車(chē)輛圖像的車(chē)牌區(qū)域突現(xiàn)出來(lái)的同時(shí)，其它邊緣能夠很好的得到抑制。Roberts算子提取邊緣能有效地檢測(cè)出車(chē)牌區(qū)域的紋理 特征，所以，本次設(shè)計(jì)選用Roberts算子。2.4.2灰度圖像二值化灰度圖像的二值化處理就是將圖像上的點(diǎn)的灰度值置為0或255,也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。即將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y值 選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，要進(jìn)行二值圖像的處理與分析，首先要把灰 度圖像二值化，得到二值化圖像，這樣子有利于再對(duì)圖像做進(jìn)一步處理時(shí)，圖像的集合性質(zhì)只與像素值為0或255的點(diǎn)的

36、位置有關(guān)，不再涉及像素的多級(jí)值，使處 理變得簡(jiǎn)單，而且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用 封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為 屬于特定物體，其灰度值為255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外， 灰度值為0,表示背景或者例外的物體區(qū)域。如果某特定物體在內(nèi)部有均勻一致 的灰度值，并且其處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。如果物體同背景的差異表現(xiàn)不在灰度值上比方紋理不同，可以將這個(gè)差異特征轉(zhuǎn)換為灰度的差異，然后利用閥值選取技術(shù)來(lái)分割該圖像。動(dòng)態(tài)調(diào)節(jié)閥值實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)觀察其分割圖像的具體結(jié)果。

37、本文采用的圖像二值化最正確閾值計(jì)算方法如下：Level=(fmax1-(fmax1-fmin1)/3)式中Level為最正確閥值，fmax為最大灰度，fmin為最小灰度，將圖像二值 化：fmax1=double(max(max(Egray);%egray 的最大值并輸出雙精度型fmin1=double(min(min(Egray);%egray 的最小值并輸出雙精度型level=(fmax1-(fmax1-fmin1)/3)/255;%獲得最正確閾值bw22=im2bw(Egray,level);%轉(zhuǎn)換圖像為二進(jìn)制圖像bw2=double(bw22); figure,imshow(bw2);t

38、itle('圖像二值化');%得到二值圖像，如圖 2-12：匡后二宜化圖2-12灰度圖像二值化2. 5形態(tài)學(xué)濾波形態(tài)學(xué)是法國(guó)和德國(guó)的科學(xué)家在研究巖石結(jié)構(gòu)時(shí)建立的一門(mén)學(xué)科。形態(tài)學(xué)的用途主要用來(lái)獲取物體拓?fù)浜徒Y(jié)果信息，他通過(guò)物體和結(jié)構(gòu)元素相互作用的某些 運(yùn)算，得到物體更本質(zhì)的形態(tài)。人們后來(lái)用數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對(duì)圖像 重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)進(jìn)行分析的數(shù)學(xué)工具。他的基本思想是用一個(gè)被稱(chēng)為結(jié)構(gòu)元素的探針收集圖像的 信息。當(dāng)探針在圖像中不斷移動(dòng)時(shí)，便可考察圖像各個(gè)部分間的相互關(guān)系， 從而 了解圖像各個(gè)部分的結(jié)構(gòu)特征。作為探針的結(jié)構(gòu)元素，可直接攜帶知識(shí)形態(tài)大

39、小以及灰度和色度信息來(lái)探測(cè)所研究圖像的結(jié)構(gòu)特征。數(shù)學(xué)形態(tài)是一種非線(xiàn)性濾波的方法， 可以用于抑制噪聲，進(jìn)行特征提取、邊 緣檢測(cè)、圖像分割等圖像處理問(wèn)題。數(shù)學(xué)形態(tài)學(xué)首先被用來(lái)處理二值圖像，后來(lái) 也被用來(lái)處理灰度圖像，現(xiàn)在又有學(xué)者開(kāi)始用軟數(shù)學(xué)形態(tài)學(xué)和模糊形態(tài)學(xué)來(lái)解決 電腦視覺(jué)方面的問(wèn)題。腐蝕是一種消除邊界點(diǎn)的過(guò)程，結(jié)果是使目標(biāo)縮小，空洞增大，因而可有效 地消除孤立噪聲點(diǎn)；膨脹是將于目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過(guò) 程，結(jié)果是使目標(biāo)增大，孔洞減小，可填補(bǔ)目標(biāo)物體中的空洞，形成聯(lián)通域。先 腐蝕后膨脹的過(guò)程為開(kāi)運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處別離物體和平滑 較大物體邊界的作用；先膨脹后腐蝕的過(guò)

40、程為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞， 連接臨近物體和平滑邊界的作用。本次畢業(yè)設(shè)計(jì)是運(yùn)用了這種方法來(lái)實(shí)現(xiàn)其中重要步驟的。對(duì)圖像做了開(kāi)運(yùn)算 和閉運(yùn)算，這兩種運(yùn)算是數(shù)學(xué)形態(tài)學(xué)中的重要運(yùn)算。 開(kāi)運(yùn)算就是對(duì)圖像先進(jìn)行腐 蝕，然后在用同一結(jié)構(gòu)元素對(duì)圖像進(jìn)行膨脹運(yùn)算。閉運(yùn)算就是反過(guò)來(lái)，先對(duì)圖像膨脹再腐蝕。閉運(yùn)算可以使圖像的輪廓線(xiàn)更為光滑，它通常用來(lái)消掉狹窄的間斷 和長(zhǎng)細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓中的斷裂 60se=1;1;1;%線(xiàn)型結(jié)構(gòu)元素I3=imerode(I2,se); %腐蝕圖像subplot(3,2,4),imshow(I3),title('腐蝕后邊緣圖像');圖2-13腐蝕

41、后的邊緣圖像se=strel('rectangle',25,25); %矩形結(jié)構(gòu)元素I4=imclose(I3,se); %形態(tài)學(xué)中的閉運(yùn)算，聚類(lèi)、填充圖像，se為結(jié)構(gòu)元素subplot(3,2,5),imshow(I4),title('填充后圖像');,元工倒保圖2-14填充后圖像I5=bwareaopen(I4,2000);%t除聚團(tuán)灰度值小于2000的部分 subplot(3,2,6),imshow(I5),title(形態(tài)濾波后圖像');卡奇迪爾軍因信圖2-15形態(tài)學(xué)濾波后的圖像18重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)經(jīng)分析采用矩形算子

42、能有效地將車(chē)牌區(qū)域連接成片，去除非車(chē)牌區(qū)域，通過(guò)程序處理后的圖可以清楚地看到對(duì)圖像經(jīng)過(guò)開(kāi)操作濾波后的可能的車(chē)牌區(qū)域都 清楚的保留了下來(lái)，是非常成功的。3車(chē)牌定位方法研究3.1 車(chē)牌定位常用方法介紹車(chē)牌定位是整個(gè)車(chē)牌識(shí)別系統(tǒng)中核心的環(huán)節(jié)，定位精度和定位時(shí)間直接影響 整個(gè)車(chē)牌識(shí)別系統(tǒng)的性能。車(chē)牌定位算法大多是基于汽車(chē)牌照的不同特征而提出 的，一般在車(chē)牌定位方面主要的算法都是基于灰度圖像的處理技術(shù)7。3.1.1 基于紋理特征分析的定位方法傳統(tǒng)的紋理特征分析定位算法大多基于灰度圖像來(lái)分析的，所以在車(chē)牌定位以前，需要對(duì)圖像進(jìn)行預(yù)處理，將彩色圖像轉(zhuǎn)換為灰度圖像。采用紋理特征分析 的定位方法首先進(jìn)行行掃描，

43、找出圖像中每一行所含有的車(chē)牌線(xiàn)段， 記錄下它們 的起始坐標(biāo)和長(zhǎng)度。如果有連續(xù)假設(shè)干行均存在不少于一個(gè)的車(chē)牌線(xiàn)段，且行數(shù) 大于某一確定的閾值，則認(rèn)為在行的方向上找到了車(chē)牌一個(gè)候選區(qū)域，并確定了 該候選區(qū)域的起始行和高度。在已找到的可能存在車(chē)牌的區(qū)域做列掃描，以確定 該車(chē)牌候選區(qū)域的起始行和高度以及起始列坐標(biāo)和長(zhǎng)度。由此確定一個(gè)車(chē)牌區(qū) 域。3.1.2 基于數(shù)學(xué)形態(tài)學(xué)的定位方法數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想，是利用一個(gè)結(jié)構(gòu)元素來(lái)探測(cè)一個(gè)圖像， 看 是否能將這個(gè)結(jié)構(gòu)元素很好的填放在圖像內(nèi)部，同時(shí)驗(yàn)證填放元素的方法是否有效。腐蝕、膨脹、開(kāi)啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算。3.1.3 基于邊緣檢測(cè)的定位方法圖

44、像的邊緣是指在灰度級(jí)上發(fā)生急劇變化的區(qū)域，而在背景或者物體的內(nèi)部 這種灰度的變化是比較平緩的。邊緣檢測(cè)的任務(wù)是精確定位邊緣和抑制噪聲。能夠進(jìn)行檢測(cè)的方法有多種，如Roberts邊緣算子、Prewitt算子、Sobel算子以及拉 普拉斯邊緣檢測(cè)80這些方法正是利用了物體邊緣處灰度變化劇烈這一特點(diǎn)來(lái)檢 測(cè)圖像的邊緣。針對(duì)不同的環(huán)境和要求，選擇合適的算子來(lái)對(duì)圖像進(jìn)行邊緣檢測(cè) 才能到達(dá)好的效果。重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)3.1.4 基于小波分析的定位方法小波分析是一種應(yīng)用于圖像處理的重要分析工具，具有“顯微鏡”的特性。小波分析的多分辨率特性使得小波分解系數(shù)在不同方向的高頻子波系數(shù)具

45、有不 同特性，因此利用方向小波能夠反映出圖像在不同分辨率上沿任一方向變化的情 形。小波分析的多尺度分解特性更加符合人類(lèi)的視覺(jué)機(jī)制。3.1.5 基于圖像彩色信息的定位方法傳統(tǒng)的車(chē)牌分割方法主要應(yīng)用了車(chē)牌的紋理特征和形狀特征， 一般情況下這 二個(gè)特征對(duì)于多數(shù)情況足夠了，但對(duì)于復(fù)雜背景就不夠了，常借助于顏色特征來(lái) 排除干擾，以提高車(chē)牌定位的準(zhǔn)確率和成功率 10。3.2 基于行掃描灰度跳變分析的車(chē)牌定位方法分析以上的各種車(chē)牌定位方法，不難發(fā)現(xiàn)，不同的定位方法具有各自特有的 優(yōu)點(diǎn)和缺點(diǎn)?；诩y理特征的車(chē)牌定位方法受外界因素影響較大，定位成功率不 高，但是其定位速度較快?；跀?shù)學(xué)形態(tài)學(xué)的定位方法，其能夠?qū)?/p>

46、定位與字符識(shí) 別的功能合二為一，但是其對(duì)于圖像預(yù)處理后的圖像效果的要求較高，并且由于 要進(jìn)行多種數(shù)學(xué)運(yùn)算，其定位的速度較慢?；谶吘墮z測(cè)的定位方法，其充分利 用車(chē)輛牌照的特征進(jìn)行定位處理，定位的成功率高，但是其受外部干擾因素較多， 定位精度不是很穩(wěn)定，不同的邊緣檢測(cè)算子具運(yùn)算效率也不盡相同。 基于小波分 析的定位方法需要對(duì)圖像進(jìn)行特征的時(shí)域頻域轉(zhuǎn)換，運(yùn)算效率低，但是能夠獲得較高的定位成功率。基于圖像彩色信息的定位方式能夠利用圖像的色彩信息進(jìn)行 定位處理，其定位精度高，但是其易受外部干擾的影響，且由于色彩信息數(shù)據(jù)量 巨大，其運(yùn)算速度較慢，對(duì)硬件資源要求很高。結(jié)合對(duì)車(chē)輛牌照特征的分析以及對(duì)各種定位

47、方法的比較， 本系統(tǒng)采用的是基 于行掃描灰度跳變分析的車(chē)牌定位方法。 該方法綜合了基于紋理特征分析和基于 邊緣檢測(cè)分析方法的特點(diǎn)，具有速度快和準(zhǔn)確性高的優(yōu)點(diǎn)。該方法首先對(duì)讀入的 含有車(chē)牌的灰度圖像進(jìn)行數(shù)字圖像處理包括二值化、邊緣檢測(cè)和濾波處理，獲得 較理想的供定位的圖像。對(duì)圖像進(jìn)行二值化處理，將灰度圖像通過(guò)適當(dāng)?shù)拈y值選 取，將圖像的每個(gè)像素進(jìn)行二值化操作，得到仍然可以反映圖像整體和局部特征 的圖像。對(duì)圖像進(jìn)行邊緣檢測(cè)，通過(guò)對(duì)圖像每個(gè)像素進(jìn)行數(shù)學(xué)運(yùn)算， 獲得只包含 圖形邊緣輪廓信息的圖像。使用圖像增強(qiáng)技術(shù)，通過(guò)對(duì)圖像進(jìn)行噪聲的過(guò)濾等，改善圖像質(zhì)量、豐富信息量，加強(qiáng)圖像判讀和識(shí)別效果。然后對(duì)圖像進(jìn)

48、行針對(duì)灰 度跳變數(shù)量統(tǒng)計(jì)的水平和垂直方向的行掃描， 獲得這兩個(gè)方向上的直方圖。根據(jù) 車(chē)輛牌照灰度圖像在水平和垂直方向上的灰度跳變特征，通過(guò)設(shè)定閾值分析出車(chē) 牌區(qū)域的位置。最后輸出車(chē)牌區(qū)域圖像并提交給用戶(hù)車(chē)輛牌照區(qū)域在整個(gè)圖像中 的坐標(biāo)位置信息。224車(chē)牌識(shí)別方法研究4.1牌照區(qū)域的分割和圖像進(jìn)一步處理對(duì)車(chē)牌的分割可以有很多種方法，本程序是利用車(chē)牌的彩色信息的彩色分割 方法。根據(jù)車(chē)牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理 的車(chē)牌區(qū)域，確定車(chē)牌底色藍(lán)色RGB對(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此 顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值，確定車(chē)牌在行方向的合理區(qū)域。 然 后，在分割

49、出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車(chē)牌 區(qū)域。行方向合理區(qū)域定位剪切后的彩色車(chē)牌圖像圖4-1行方向區(qū)域和最終定位出來(lái)的車(chē)牌經(jīng)過(guò)上述方法分割出來(lái)的車(chē)牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T,用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對(duì)圖像二值化。均值濾 波是典型的線(xiàn)性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板， 該模板包括 了其周?chē)呐R近像素11。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)1.車(chē)牌灰度圖像2車(chē)牌二值圖像3.均值濾波前唧似4均值遮波

50、后匾;6.膨脹或腐蝕處理后斛漕叫包匐圖4-2裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖4.2 字符的分割與歸一化圖4-3字符分割與歸一化流程圖在汽車(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。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別12 o字符識(shí)別的算法很多，因?yàn)檐?chē)牌字符問(wèn)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，假設(shè)長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè) 字符組成，需要分割。圖4-4分割出來(lái)的七個(gè)字符圖像般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿(mǎn)足下一步字符識(shí)別的需要。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)可以到達(dá)正確識(shí)別的目的。在 此只

51、進(jìn)行了歸一化處理，然后進(jìn)行后期處理。圖4-5歸一化處理后的七個(gè)字符圖像4.3 字符的識(shí)別字符的識(shí)別目前用于車(chē)牌字符識(shí)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13?；谀０迤ヅ涞腛CR的基本 過(guò)程是:首先對(duì)待識(shí)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(kù)中模板 的大小，然后與所有的模板進(jìn)行匹配，最后選最正確匹配作為結(jié)果。模板匹配的 主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí)對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且 識(shí)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(chē)牌字符識(shí)別的主要方 法。重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)模板匹配是圖象識(shí)別方法中最具

52、代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的假設(shè)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)。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)14 o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(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)域之間的差異，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

53、性所設(shè)計(jì)的特征量來(lái)構(gòu)建模板，就可以防止上述問(wèn)題15o圖4-6字符識(shí)別流程圖此處采用相減的方法來(lái)求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。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。車(chē)牌字符識(shí)別與一般文字識(shí)別在于 它的字符數(shù)有限，漢字共約50多個(gè)，大寫(xiě)英文字母26個(gè)，數(shù)字10個(gè)。為了實(shí)驗(yàn)方 25重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)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)漢字26個(gè)字母與10個(gè)數(shù)字 的模板。其他模板設(shè)計(jì)的方法與此相同。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

54、，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(gè)數(shù)保存，即為識(shí) 別出來(lái)的結(jié)果同。圖4-7識(shí)別結(jié)果25重慶理工大學(xué)畢業(yè)論文車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)5總結(jié)與展望5.1總結(jié)本文主要解決了以下幾個(gè)問(wèn)題：1對(duì)包含車(chē)身及外界環(huán)境的原始圖像進(jìn) 行預(yù)處理；2精確定位圖像中的車(chē)牌區(qū)域；3怎樣識(shí)別車(chē)牌號(hào)。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)法到達(dá)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。在本 系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析； 二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究 的一個(gè)方向。車(chē)牌圖像預(yù)處理采用了灰度變換，圖像增強(qiáng)，邊緣檢測(cè)和形態(tài)學(xué)濾波等方法 將原始圖像處理成可供電腦識(shí)別的圖像。 車(chē)牌定位采用基于行掃描灰度跳變分析 的方法，具有精度高，速度快的特點(diǎn)。車(chē)牌字符識(shí)別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)