車牌識(shí)別系統(tǒng)需求規(guī)格說(shuō)明書(shū)

1、車牌識(shí)別系統(tǒng)需求規(guī)格說(shuō)明書(shū)一、引言1.1編寫(xiě)目的隨著經(jīng)濟(jì)發(fā)展和人民生活水平的不斷提高，汽車數(shù)量急劇增加，城市與城市 之間的車輛流動(dòng)也變得越來(lái)越頻繁。一些嚴(yán)重問(wèn)題如交通堵塞、交通事故發(fā)生率 居高不下也頻頻發(fā)生。為了從根本上解決問(wèn)題，世界各國(guó)都早已開(kāi)始研究智能交 通系統(tǒng)。智能交通系統(tǒng)為解決當(dāng)前緊迫的交通問(wèn)題提供了關(guān)鍵的技術(shù)，其中車牌識(shí) 別是其中最關(guān)鍵技術(shù)之一，在各級(jí)公路和城市交通管理都有廣泛運(yùn)用，具有巨大 的經(jīng)濟(jì)價(jià)值和現(xiàn)實(shí)意義。1.2項(xiàng)目背景2009級(jí)數(shù)字圖像處理大作業(yè)1.3參考文獻(xiàn)（1）姚蕾，車牌識(shí)別系統(tǒng)的軟件設(shè)計(jì)與實(shí)現(xiàn)，碩士學(xué)位論文，上海交通大學(xué)，2009/12 月（2）王衛(wèi)，基于顏色特征的車

2、牌快速定位，計(jì)算機(jī)工程與應(yīng)用，2006（3）山美娟車牌識(shí)別中的圖像定位及分割方法網(wǎng)絡(luò)財(cái)富2010/11期（4） 毛曉蛟車牌識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)電腦編程技巧與維護(hù)2010/14期二、任務(wù)描述2.1目標(biāo)完成一個(gè)完整的軟件系統(tǒng)實(shí)現(xiàn)基本功能性能上可接受2.2運(yùn)行環(huán)境實(shí)現(xiàn)在Windows操作系統(tǒng)下可運(yùn)行的軟件三、功能需求3.1車牌定位3.1.1概述車牌定位是在一個(gè)復(fù)雜背景的圖像找到車牌素的區(qū)域，作為車牌識(shí)別的第一 步，定位的結(jié)果直接影響到整個(gè)系統(tǒng)的性能。3.1.2功能描述圖像預(yù)處理圖像預(yù)處理是對(duì)原始圖像進(jìn)行濾波和增強(qiáng)，把處于復(fù)雜背景下的圖像進(jìn)行效 果增強(qiáng)和濾波處理。車牌區(qū)域搜索搜索整幅圖像中可能包含車牌

3、的若干區(qū)域，剔除非牌照區(qū)域。車牌定位車牌定位是從一張復(fù)雜背景的圖像中找到車牌所在的區(qū)域，其關(guān)鍵在于尋找 車牌特征，主要分為基于紋理特征和基于顏色特征。車牌紋理特征可以用不同的 方法來(lái)描述：車牌灰度圖像的邊緣、圖像水平方向上的方差、水平方向上的梯度 等。由于紋理特征比較穩(wěn)定而且易于提取，所以用紋理特征作為車牌的主要特征。3.2車牌字符分割3.2.1概述車牌字符分割作為車牌識(shí)別得到結(jié)果的重要部分其準(zhǔn)確性直接關(guān)系到整個(gè)系 統(tǒng)的效率。3.2.2功能描述在車牌字符分割中，經(jīng)常利用垂直投影的方法，將車牌中幾個(gè)獨(dú)立的數(shù)字和 字母分割開(kāi)來(lái)，并去除螺絲釘?shù)雀蓴_。3.3車牌字符識(shí)別3.3.1概述車牌識(shí)別系統(tǒng)能將輸

4、入的汽車圖像通過(guò)處理，輸出為幾個(gè)字節(jié)大小的車牌字 符串，無(wú)論在存儲(chǔ)空間占用上還是在于管理數(shù)據(jù)庫(kù)相連等方面都有著無(wú)可比擬的 優(yōu)越性。3.3.2功能描述在汽車牌照字符識(shí)別中，字符包含約50個(gè)漢字，25個(gè)大寫(xiě)英文字母及10 個(gè)阿拉伯?dāng)?shù)字。首字符為漢字，第2-6個(gè)字符為英文字母或數(shù)字，其余為數(shù)字。 但現(xiàn)今某些車牌各字符均有可能是英文字母或數(shù)字，如：個(gè)性車牌等。在現(xiàn)實(shí)中 為保證識(shí)別系統(tǒng)在各種復(fù)雜環(huán)境下，能發(fā)揮其應(yīng)有的作用，系統(tǒng)必須滿足較好的 魯棒性和實(shí)時(shí)性的要求。四、算法分析與設(shè)計(jì)4.1.車牌圖像預(yù)處理實(shí)現(xiàn)方法因?yàn)楸敬握n程大作業(yè)所用的車牌圖像清晰度與對(duì)比度都較高，噪聲與污跡較少，結(jié)合后 續(xù)步驟，無(wú)需對(duì)圖

5、像做過(guò)多的預(yù)處理工作。只需將車牌圖像轉(zhuǎn)為灰度圖，再進(jìn)一步轉(zhuǎn)換為二 值化的圖像。圖3圖3車牌原始圖像圖（局部）圖4灰度化與二值化后的圖像4.2.車牌定位實(shí)現(xiàn)方法對(duì)車牌定位的方法，我嘗試過(guò)三種。第一種是利用車牌固定的長(zhǎng)寬比進(jìn)行定位，第二種 是基于直線檢測(cè)的方法，第三種是基于彩色圖像的車牌定位方法。以下依次說(shuō)明我使用這幾 種方法的優(yōu)劣。（1）利用車牌固定的長(zhǎng)寬比定位因?yàn)檐嚺普盏拈L(zhǎng)寬比為固定的3.1： 1的矩形，以此為標(biāo)準(zhǔn)可以對(duì)預(yù)處理后的各個(gè)聯(lián)通區(qū) 域進(jìn)行判斷，并以“ metric ”單元記錄匹配度。匹配度越接近1說(shuō)明該聯(lián)通區(qū)域越有可能是 車牌，最后將“ metric ”的值設(shè)在0.85到1.15之間

6、。又由于車牌的面積不可能太小，面積要 大于2000個(gè)像素。但是這種方法存在不少缺點(diǎn)，第一是只能識(shí)別車牌與車身顏色反差明顯且 在整幅圖像中面積較大的車牌，對(duì)于其它的車牌無(wú)能為力；第二是需要在前面做許多膨脹與 腐蝕處理，如果做得不好沒(méi)能形成近似矩形就無(wú)法對(duì)聯(lián)通區(qū)域進(jìn)行判斷；第三是經(jīng)過(guò)這種方 法定位后的車牌邊框明顯，在后續(xù)處理中不易去除，對(duì)字符分割造成較大影響?？傊?車牌固定的長(zhǎng)寬比定位的方法僅適用于一部分特定的圖片，不具有普適性，因此最終我沒(méi)有 采用這種方法。提取出的年聘HC9669圖5車牌邊框過(guò)多的圖像（2）基于直線檢測(cè)的方法定位這種方法我用opencv編程進(jìn)行車牌定位沒(méi)有得到好的效果，所

7、用的幾幅車牌圖像沒(méi)有一 幅能正確實(shí)現(xiàn)車牌分割與提取。我認(rèn)為造成這種情況的原因是lough變換只是進(jìn)行單純的線 檢測(cè)，沒(méi)有與車牌形狀結(jié)合在一起，而且Hough空間與原圖像空間不是一一對(duì)應(yīng)的，用Hough 空間檢測(cè)到的點(diǎn)無(wú)法確定出車牌輪廓的起始位置，無(wú)法避免直線干擾的問(wèn)題?；谝陨显?， 基于直線檢測(cè)的方法也不適用于車牌定位。（3）基于彩色圖像的車牌定位方法基于彩色圖像的車牌定位方法就是利用常見(jiàn)車牌為藍(lán)色底這一特性，但是這種定位方法 存在缺陷。首先就是只能識(shí)別藍(lán)色牌照的小汽車，對(duì)其它種類的車牌照無(wú)能為力，其次是當(dāng) 車牌顏色與車身或背景顏色接近時(shí)就會(huì)出現(xiàn)很大問(wèn)題，且耗時(shí)較多。因此基于彩色圖像的車 牌

8、定位方法具有一定的局限性。最后，綜合以上幾種方法，我對(duì)彩色圖像的車牌定位方法做了改進(jìn)，選擇基于灰度邊緣 檢測(cè)與形態(tài)學(xué)重構(gòu)的方法來(lái)定位車牌。首先利用邊緣檢測(cè)算子進(jìn)行邊緣提取。可以選擇的邊 緣檢測(cè)算子種類較多，有Canny、Sobel. Prewitt Roberl等等（至于選擇那種算子將在后面 進(jìn)行比較）。然后對(duì)邊緣提取的圖像進(jìn)行形態(tài)學(xué)操作，先進(jìn)行腐蝕操作，然后閉操作，聯(lián)通 車牌區(qū)域。接下來(lái)利用Matlab自帶的bwareaopen函數(shù)去除像素小于2000的區(qū)域即去除背景區(qū) 域。最后利用彩色圖像車牌定位的方法對(duì)去除背景區(qū)域的二值圖像進(jìn)行選擇定位。基于灰度 邊緣檢測(cè)與形態(tài)學(xué)重構(gòu)的方法流程圖如下。邊

9、緣算子提取邊緣圖6邊緣算子提取邊緣圖6車牌定位流程圖至于選取何種邊緣提取算子，比較如下：Canny算子是尋找圖像梯度的局部極大值，它使用兩個(gè)閾值來(lái)分別檢測(cè)強(qiáng)邊緣和弱邊緣。它的缺點(diǎn)是在提取車牌邊緣時(shí)不但提取了車牌的邊緣，還同時(shí)把車身的細(xì)節(jié)也提取了出來(lái)， 因此不利于后續(xù)處理。圖7 Canny算子邊緣檢測(cè)反色圖Sobe l算子是有方向性的，在水平和垂直方向上形成了最強(qiáng)烈的邊緣，它不僅能檢測(cè)邊緣點(diǎn)，而且抑制噪聲的影響，對(duì)灰度漸變的圖像的處理結(jié)果較好。圖8 Sobel算子邊緣檢測(cè)反色圖Prewitt算子與Sobe l算子相比，比較容易產(chǎn)生一些噪聲。圖9 Prewitt算子邊緣檢測(cè)反色圖Robert算子邊

10、緣定位準(zhǔn)確，但對(duì)噪聲敏感，適用于邊緣明顯且噪聲較小的圖像分割。由于我使用的圖像噪聲均較小，經(jīng)過(guò)實(shí)際測(cè)試發(fā)現(xiàn)Robert算子的效果最好，故最終選用Robert 算子作為邊緣提取算子。圖10 圖10 Robert算子邊緣檢測(cè)發(fā)色圖形態(tài)學(xué)定位如下:圖11腐蝕操作反色圖圖11腐蝕操作反色圖圖12閉操作反色圖圖13去除無(wú)關(guān)區(qū)域反色圖行方向合理區(qū)域IHC9669圖14定位后的車牌4.3字符分割方法實(shí)現(xiàn)考慮到基于投影分析字符的分割方法和基于連通域分析的字符分割方法實(shí)現(xiàn)起來(lái)比較 復(fù)雜，于是我就綜合前人方法總結(jié)出自己的算法。車牌字符分割包括字符分割和單個(gè)字符識(shí) 別兩個(gè)模塊?？紤]到獲取的圖像可能存在一定缺陷，因此

11、在進(jìn)行字符分割之前要先對(duì)定位后 的車牌圖像進(jìn)行預(yù)處理，以方便后面的工作。車牌上共有7個(gè)字符，間距相等，設(shè)平均字寬為W,還有一個(gè)分隔符“ .”占1/2字寬。通過(guò)之前的預(yù)處理，可以將分隔符“”用濾波器去掉。設(shè)y (i, j)是文字的二維點(diǎn)陣圖形， 有文字處為1，否則為0。首先在/(i,j) = 0處切割，若兩個(gè)文字相粘連時(shí)，其間隔處便 不會(huì)出現(xiàn)/(i, j) = 0，此時(shí)就要輔之以求平均字寬的方法。若某個(gè)字寬w, W，說(shuō)明w kk中含有一個(gè)以上的文字，需要繼續(xù)分割。由于在字符識(shí)別中我準(zhǔn)備采用模板匹配的方法，因此需要將已分割出來(lái)的字符進(jìn)行歸一 化處理。因?yàn)槲宜捎玫哪０宓某叽鐬?0 x20，因此需要

12、將分割出的字符也歸一化為40 x 20的尺寸。1.車牌灰度困傣已車牌二值囹倦3 一高斯低通濫梭前4 一高所低通疏避后tH C96691IH C9669IPH C9669,惜 H C9669。朦脹與腐蝕處理后BHC966?圖15車牌分割前的預(yù)處理圖16車牌分割圖16車牌分割圖17分割后圖像的歸一化4.字符識(shí)別實(shí)現(xiàn)方法鑒于神經(jīng)網(wǎng)絡(luò)匹配法實(shí)現(xiàn)起來(lái)較為復(fù)雜而且我之前也沒(méi)有接觸過(guò)，所以我選用更為容易 實(shí)現(xiàn)的模板匹配法進(jìn)行字符識(shí)別。模板匹配的基本思想是：將從待識(shí)別的圖像或圖像區(qū)域 f 3 y)中提取的若干特征量與模板T(x, y)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，可將圖像歸于相應(yīng)的 類。也可以計(jì)算圖像與模板特征量之間的距離，用最小距離法判定所屬類。具體進(jìn)行操作時(shí) 直接將圖像與模板做差相減，得到0最多的圖像即為識(shí)別結(jié)果。DiDiy) f (x， y)其中Tj3 y）為第二.號(hào)模板圖像，f 3 y）為字符圖像，二者均為二值圖像0為背景圖像 像素，1為字符圖像像素。網(wǎng)上有不少別人做好的字符模板，但是使用后我感覺(jué)效果并不好，有些甚至不是車牌字 符的字體。在剛開(kāi)始的時(shí)候車牌識(shí)別率較低，最后我只得自己做模板才基本上解決了問(wèn)題。識(shí)別出的車閥號(hào)碼由：S HC&669tH C9669圖