基于matlab多路徑識(shí)別算法的研究畢業(yè)設(shè)計(jì)說明書含源程序

1/57畢業(yè)設(shè)計(jì)（論文）課題名稱多路徑識(shí)別算法的研究院別：電氣工程學(xué)院專業(yè)：電子信息工程 2/57摘要隨著各省市高速公路的不斷建設(shè)，基本上建成了大小規(guī)模不等的聯(lián)網(wǎng)收費(fèi)系統(tǒng)，在聯(lián)網(wǎng)收費(fèi)系統(tǒng)建設(shè)中，都面臨了一個(gè)共同的問題——車輛行駛路徑的識(shí)別。路徑識(shí)別不僅僅涉及對(duì)每一通行車輛如何計(jì)算通行費(fèi)，同時(shí)還要考慮將收入的通行費(fèi)拆分給哪個(gè)收費(fèi)單位的問題，通行費(fèi)的拆分直接關(guān)系到各條高速公路的合法利益，是聯(lián)網(wǎng)收費(fèi)的關(guān)鍵。所以說解決多路徑識(shí)別問題在完善高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中起著至關(guān)重要的作用。本文介紹了多路徑識(shí)別的多種算法，并著重分析了識(shí)別算法中的汽車牌照識(shí)別，根據(jù)車牌圖像特點(diǎn)，對(duì)車牌識(shí)別算法關(guān)鍵環(huán)節(jié)包括數(shù)字圖像預(yù)處理，車牌定位，車牌字符識(shí)別等三部分一一進(jìn)行了分析研究。本文采用直方圖變換、邊緣檢測(cè)、二值化等方法對(duì)車牌圖像進(jìn)行了預(yù)處理。對(duì)車牌定位采用了一種基于灰度圖像求取卷積能量極值區(qū)域的車牌定位方法。采用模板匹配法對(duì)車牌字符進(jìn)行識(shí)別。并采用了MATLAB來完成算法的設(shè)計(jì)與實(shí)現(xiàn)。研究結(jié)果表明車牌識(shí)別率較高，適應(yīng)性較強(qiáng)，實(shí)時(shí)性比較好。關(guān)鍵詞：多路徑識(shí)別；車牌識(shí)別；車牌定位；模板匹配；字符識(shí)別3/57ABSTRACTAsexpresswayconstructionunceasinglyinprovinces,numbersofonlinechargingsystemswascompletedbascially.Intheconstructionofonlinechargingsystem,wearefacingacommonproblem—Theidentificationofvehiclepath.Pathrecognitioninvolvesnotonlyhowtocalculatethetollstoeveryvehicle,alsoshouldconsiderhowtosplittheincomestorelevantchargingunit.Tollsplitisdirectlyrelatedtothelegitimatebenifitofeveryexpressway,andisthekeytonetworkingtoll.Sosolvingtheproblemofmultipathrecognitionplaysanimportantroleinperfectingtheexpresswaynetworkingtollsystem.Thisarticleintroducesthemultipathrecognitionalgorithms,Andemphaticallyanalysedtherecognitionalgorithmoflicenseplaterecognition.Basedonimagecharactersoflicenseplate,wehaveadeeplyresearchonthekeytechnologiesofthevehiclelicenseplaterecognitionsystem,whichincludethreeparts:digitalimagepre-processing,licenseplatelocation,licenseplatecharactersrecognition.Inthevehicleimagespre-procession,thepaperusethemethodsofHistogramTransformation,Edgedetection,binarization.Forlicenseplatelocalizationusingakindofcalculatingconvolutionbasedongrayimageenergyextremumregionoflicenseplatelocatingmethod.Thepaperusepatternmatchingwhichmethodhasbeenimprovedtorecognizethecharacters.AndusingMATLABtocompletethedesignandimplementationofthealgorithm.Researchresultsshowthatthelicenseplaterecognitionrateishigher,adaptabilityisstronger,betterreal-timeperformance.4/57KeyWords:Multipathrecognition;Licenseplateidentification;licenseplatelocation;templatematching;OCR目錄第1章緒論 11.1研究背景和意義 11.2MATLAB的概述 11.3本文框架結(jié)構(gòu) 4第2章國內(nèi)外研究現(xiàn)狀 52.1國外研究現(xiàn)狀 52.2國內(nèi)研究現(xiàn)狀 6第3章多路徑識(shí)別算法的基本理論 83.1多路徑識(shí)別方法的分類 83.1.1精確識(shí)別 83.1.2概率識(shí)別 93.2多路徑識(shí)別算法的理論基礎(chǔ) 93.2.1車牌照識(shí)別的主要算法 93.2.2本文采用的識(shí)別算法 12第4章基于模板匹配的車牌識(shí)別詳細(xì)設(shè)計(jì) 154.1圖像采集 154.2圖像預(yù)處理 154.3車牌定位 174.4傾斜校正 184.5字符分割 194.6字符識(shí)別 204.6.1字符識(shí)別流程概述 204.6.2本文字符識(shí)別流程 21第5章車牌識(shí)別系統(tǒng)在MATLAB工具下的實(shí)現(xiàn) 275.1實(shí)驗(yàn)環(huán)境 275.2平臺(tái)搭建 275.3識(shí)別過程 285.4實(shí)驗(yàn)數(shù)據(jù)及分析 33第6章總結(jié)與展望 356.1總結(jié) 356.2展望 36致謝 38參考文獻(xiàn) 395/57附錄 401/57第1章緒論隨著各省市高速公路的不斷建設(shè)，基本上建成了大小規(guī)模不等的聯(lián)網(wǎng)收費(fèi)系統(tǒng)，在聯(lián)網(wǎng)收費(fèi)系統(tǒng)建設(shè)中，都面臨了一個(gè)共同的問題——車輛行駛路徑的識(shí)別。路徑識(shí)別不僅僅涉及對(duì)每一通行車輛如何計(jì)算通行費(fèi)，同時(shí)還要考慮將收入的通行費(fèi)拆分給哪個(gè)收費(fèi)單位的問題，通行費(fèi)的拆分直接關(guān)系到各條高速公路的合法利益，是聯(lián)網(wǎng)收費(fèi)的關(guān)鍵。所以說解決多路徑識(shí)別問題在完善高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中起著至關(guān)重要的作用。1.1研究背景和意義隨著高速公路路網(wǎng)規(guī)模的不斷擴(kuò)大，聯(lián)網(wǎng)收費(fèi)區(qū)域內(nèi)的環(huán)狀路結(jié)構(gòu)變得更加復(fù)雜，僅河北省一片區(qū)（京津以南高速公路）聯(lián)網(wǎng)收費(fèi)區(qū)域內(nèi)的已有路、在建路和未建路共有約20個(gè)最小封閉環(huán)路，如果在每個(gè)不同業(yè)主的路段設(shè)收費(fèi)站，投資巨大，也會(huì)影響高速公路的效率，同時(shí)，傳統(tǒng)的收費(fèi)車道所采用的人工輸入車牌號(hào)碼后3位數(shù)字的方式時(shí)效性差，巨大的工作量直接影響高速公路的通行能力和服務(wù)水平。因此，高速公路上兩點(diǎn)之間車輛行駛的多路徑識(shí)別問題成為聯(lián)網(wǎng)收費(fèi)及網(wǎng)絡(luò)費(fèi)用清分模式中迫切需要解決的問題。多路徑識(shí)別主要解決高速公路通行費(fèi)的合理收取以及通行費(fèi)的準(zhǔn)確拆分問題。同時(shí)由于高速公路中大型車輛倒卡、逃費(fèi)現(xiàn)象十分猖獗，通常表現(xiàn)為利用目前機(jī)電系統(tǒng)存在的功能不完善漏洞，實(shí)現(xiàn)相同貨車套牌倒卡具體表現(xiàn)為滿載長途與空載短途同號(hào)牌車輛倒卡，即通過減少里程，逃避超載處罰力度。為高速公路正常收取車輛通行費(fèi)造成的及大的損失，同時(shí)也帶來了不良的社會(huì)影響。所以多路徑識(shí)別在實(shí)現(xiàn)識(shí)別車輛的實(shí)際行駛路徑從而進(jìn)行收費(fèi)拆分，同時(shí)也要解決倒卡、逃費(fèi)問題。綜上所述，多路徑識(shí)別就需要解決以下三個(gè)問題：（1）高速公路通行費(fèi)的合理收取。（2）通行費(fèi)的準(zhǔn)確拆分。（3）倒卡、逃費(fèi)問題。1.2MATLAB的概述MATLAB是用于算法開發(fā)、數(shù)據(jù)可視化、數(shù)據(jù)分析以及數(shù)值計(jì)算的高科技計(jì)算語言和交互式環(huán)境。它具有以下特點(diǎn)：1．友好的工作平臺(tái)和編程環(huán)境3/57MATLAB由一系列工具組成。這些工具方便用戶使用MATLAB的函數(shù)和文件，其中許多工具采用的是圖形用戶界面。包括MATLAB桌面和命令窗口、歷史命令窗口、編輯器和調(diào)試器、路徑搜索和用于用戶瀏覽幫助、工作空間、文件的瀏覽器。隨著MATLAB的商業(yè)化以及軟件本身的不斷升級(jí)，MATLAB的用戶界面也越來越精致，更加接近Windows的標(biāo)準(zhǔn)界面，人機(jī)交互性更強(qiáng)，操作更簡單。而且新版本的MATLAB提供了完整的聯(lián)機(jī)查詢、幫助系統(tǒng)，極大的方便了用戶的使用。簡單的編程環(huán)境提供了比較完備的調(diào)試系統(tǒng)，程序不必經(jīng)過編譯就可以直接運(yùn)行，而且能夠及時(shí)地報(bào)告出現(xiàn)的錯(cuò)誤及進(jìn)行出錯(cuò)原因分析。2．簡單易用的程序語言MATLAB一個(gè)高級(jí)的矩陣/陣列語言，它包含控制語句、函數(shù)、數(shù)據(jù)結(jié)構(gòu)、輸入和輸出和面向?qū)ο缶幊烫攸c(diǎn)。用戶可以在命令窗口中將輸入語句與執(zhí)行命令同步，也可以先編寫好一個(gè)較大的復(fù)雜的應(yīng)用程序（M文件）后再一起運(yùn)行。新版本的MATLAB語言是基于最為流行的C＋＋語言基礎(chǔ)上的，因此語法特征與C＋＋語言極為相似，而且更加簡單，更加符合科技人員對(duì)數(shù)學(xué)表達(dá)式的書寫格式。使之更利于非計(jì)算機(jī)專業(yè)的科技人員使用。而且這種語言可移植性好、可拓展性極強(qiáng)，這也是MATLAB能夠深入到科學(xué)研究及工程計(jì)算各個(gè)領(lǐng)域的重要原因。3．強(qiáng)大的科學(xué)計(jì)算數(shù)據(jù)處理能力MATLAB是一個(gè)包含大量計(jì)算算法的集合。其擁有600多個(gè)工程中要用到的數(shù)學(xué)運(yùn)算函數(shù)，可以方便的實(shí)現(xiàn)用戶所需的各種計(jì)算功能。函數(shù)中所使用的算法都是科研和工程計(jì)算中的最新研究成果，而前經(jīng)過了各種優(yōu)化和容錯(cuò)處理。在通常情況下，可以用它來代替底層編程語言，如C和C++。在計(jì)算要求相同的情況下，使用MATLAB的編程工作量會(huì)大大減少。MATLAB的這些函數(shù)集包括從最簡單最基本的函數(shù)到諸如矩陣，特征向量、快速傅立葉變換的復(fù)雜函數(shù)。函數(shù)所能解決的問題其大致包括矩陣運(yùn)算和線性方程組的求解、微分方程及偏微分方程的組的求解、符號(hào)運(yùn)算、傅立葉變換和數(shù)據(jù)的統(tǒng)計(jì)分析、工程中的優(yōu)化問題、稀疏矩陣運(yùn)算、復(fù)數(shù)的各種運(yùn)算、三角函數(shù)和其他初等數(shù)學(xué)運(yùn)算、多維數(shù)組操作以及建模動(dòng)態(tài)仿真等。4．出色的圖像處理功能MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和矩陣用圖形表現(xiàn)出來，并且可以對(duì)圖形進(jìn)行標(biāo)注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、動(dòng)畫和表達(dá)式作圖?？捎糜诳茖W(xué)計(jì)算和工程繪圖。新版本的MATLAB對(duì)整個(gè)圖形處理功能作了很大的改進(jìn)和完善，使它不僅在一般數(shù)據(jù)可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等）方面更加完善，而且對(duì)于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數(shù)據(jù)的表現(xiàn)等），MATLAB同樣表現(xiàn)了出色的處理能力。同時(shí)對(duì)一些特殊的可視化要求，例如圖形對(duì)話等，3/57MATLAB也有相應(yīng)的功能函數(shù)，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面（GUI）的制作上作了很大的改善，對(duì)這方面有特殊要求的用戶也可以得到滿足。5．應(yīng)用廣泛的模塊集合工具箱MATLAB對(duì)許多專門的領(lǐng)域都開發(fā)了功能強(qiáng)大的模塊集和工具箱。一般來說，它們都是由特定領(lǐng)域的專家開發(fā)的，用戶可以直接使用工具箱學(xué)習(xí)、應(yīng)用和評(píng)估不同的方法而不需要自己編寫代碼。目前，MATLAB已經(jīng)把工具箱延伸到了科學(xué)研究和工程應(yīng)用的諸多領(lǐng)域，諸如數(shù)據(jù)采集、數(shù)據(jù)庫接口、概率統(tǒng)計(jì)、樣條擬合、優(yōu)化算法、偏微分方程求解、神經(jīng)網(wǎng)絡(luò)、小波分析、信號(hào)處理、圖像處理、系統(tǒng)辨識(shí)、控制系統(tǒng)設(shè)計(jì)、LMI控制、魯棒控制、模型預(yù)測(cè)、模糊邏輯、金融分析、地圖工具、非線性控制設(shè)計(jì)、實(shí)時(shí)快速原型及半物理仿真、嵌入式系統(tǒng)開發(fā)、定點(diǎn)仿真、DSP與通訊、電力系統(tǒng)仿真等，都在工具箱（Toolbox）家族中有了自己的一席之地。6．使用的程序接口和發(fā)布平臺(tái)新版本的MATLAB可以利用MATLAB編譯器和C/C++數(shù)學(xué)庫和圖形庫，將自己的MATLAB程序自動(dòng)轉(zhuǎn)換為獨(dú)立于MATLAB運(yùn)行的C和C++代碼。允許用戶編寫可以和MATLAB進(jìn)行交互的C或C++語言程序。另外，MATLAB網(wǎng)頁服務(wù)程序還容許在Web應(yīng)用中使用自己的MATLAB數(shù)學(xué)和圖形程序。MATLAB的一個(gè)重要特色就是具有一套程序擴(kuò)展系統(tǒng)和一組稱之為工具箱的特殊應(yīng)用子程序。工具箱是MATLAB函數(shù)的子程序庫，每一個(gè)工具箱都是為某一類學(xué)科專業(yè)和應(yīng)用而定制的，主要包括信號(hào)處理、控制系統(tǒng)、神經(jīng)網(wǎng)絡(luò)、模糊邏輯、小波分析和系統(tǒng)仿真等方面的應(yīng)用。7.應(yīng)用軟件開發(fā)（包括用戶界面）在開發(fā)環(huán)境中，使用戶更方便地控制多個(gè)文件和圖形窗口；在編程方面支持了函數(shù)嵌套，有條件中斷等；在圖形化方面，有了更強(qiáng)大的圖形標(biāo)注和處理功能，包括對(duì)性對(duì)起連接注釋等；在輸入輸出方面，可以直接向Excel和HDF5進(jìn)行連接。本文設(shè)計(jì)的系統(tǒng)采用MATLAB搭建車輛牌照識(shí)別系統(tǒng)，具有非常明顯的優(yōu)勢(shì)：(1)可以直接使用MATLAB的ImageAcquisitionToolbox、ImageProcessingToolbox以及NeuralNetworkToolbox作為骨架來搭建整個(gè)系統(tǒng)。(2)使用MATLAB的圖形用戶界面技術(shù)（GUI）編寫牌照識(shí)別系統(tǒng)面板，可以達(dá)到與牌照定位切分程序及字符識(shí)別程序的無縫連接。(3)使用專業(yè)工具箱，使得研究人員不必過于關(guān)心程序的細(xì)節(jié)問題，可以將主要的精力放在算法的研究、設(shè)計(jì)方面，極大地減少了工作量，為算法的研究改進(jìn)提供了先決條件。4/571.3本文框架結(jié)構(gòu)本文通過對(duì)多路徑識(shí)別算法理論進(jìn)行系統(tǒng)認(rèn)真的學(xué)習(xí)和研究，查閱了大量的國內(nèi)外相關(guān)的文獻(xiàn)和資料，主要完成了圍繞汽車牌照識(shí)別技術(shù)的多路徑識(shí)別算法的實(shí)現(xiàn)。本文的主要結(jié)構(gòu)如下所示：第一章，緒論。本章首先介紹了多路徑識(shí)別理論研究的背景和意義，然后綜述了陳述了本文的內(nèi)容安排。第二章，國內(nèi)外研究現(xiàn)狀。本章介紹了多路徑識(shí)別理論的歷史、發(fā)展、國外各國發(fā)展現(xiàn)狀及立足我國的研究發(fā)展方向。第三章，多路徑識(shí)別基本理論。本章詳細(xì)闡述了多路徑識(shí)別理論的基本原理。首先講述了多路徑識(shí)別理論的構(gòu)成，然后圍繞多路徑識(shí)別算法的精確識(shí)別中汽車牌照識(shí)別技術(shù)的主要算法展開討論，介紹了該技術(shù)應(yīng)用了哪些方面的知識(shí)，是如何實(shí)現(xiàn)的。第四章，基于模板匹配的車牌識(shí)別詳細(xì)設(shè)計(jì)。本章是本文的重點(diǎn)，包括圖像的采集、圖像預(yù)處理、車牌定位、傾斜校正、字符分割、字符識(shí)別。第五章，實(shí)驗(yàn)環(huán)境平臺(tái)搭建、識(shí)別過程、實(shí)驗(yàn)數(shù)據(jù)及分析。第六章，總結(jié)和展望。本章總結(jié)了本設(shè)計(jì)所完成的工作，并對(duì)其中的缺陷做出了說明，指出了所采用算法的不足指出，對(duì)下一步的工作做了展望。5/57第2章國內(nèi)外研究現(xiàn)狀多路徑識(shí)別在高速公路聯(lián)網(wǎng)收費(fèi)系統(tǒng)中起到的關(guān)鍵作用，引起了大家廣泛的關(guān)注和研究，下面我們將對(duì)該理論的歷史和發(fā)展歷程做出介紹。2.1國外研究現(xiàn)狀國外高速公路實(shí)行收費(fèi)的雖然有一些，但是大部分規(guī)模不大，或者是路公司比較單一，他們的研究主要集中在電子不停車收費(fèi)（ETC,即ElectronicTollCollection）系統(tǒng)上面，或者是更為智能的如德國研究的利用全球定位系統(tǒng)（GPS）的收費(fèi)系統(tǒng)，但專門就在高速公路路徑識(shí)別這方面的研究很少。日本是一個(gè)典型的對(duì)高速公路實(shí)行收費(fèi)制度的國家，其在高速公路收費(fèi)防堵方面進(jìn)行了不倦的探索。從2001年3月開始，ETC(電子不停車收費(fèi))技術(shù)在日本整體上投入運(yùn)營。在實(shí)際應(yīng)用中，ETC技術(shù)相對(duì)于傳統(tǒng)收費(fèi)技術(shù)來說有兩個(gè)優(yōu)勢(shì)：一是更加適應(yīng)于多個(gè)不同主體運(yùn)營管理多條收費(fèi)道路的情況；二是對(duì)非法行為、人為破壞和逃費(fèi)行為有著更強(qiáng)的防范性。目前,日本高速公路80%的出入口都實(shí)現(xiàn)了ETC化,而且越來越多的汽車安裝了ETC系統(tǒng)。據(jù)日本政府估計(jì),到2007年,ETC的用戶將達(dá)到1500萬輛。日本最常用的ETC收費(fèi)站采取3個(gè)門橋的樣式,這3個(gè)門橋分別用于識(shí)別車型、識(shí)別入口和收費(fèi)信息傳輸。關(guān)于其應(yīng)用此項(xiàng)技術(shù)進(jìn)行路徑識(shí)別的研究還沒有見諸報(bào)道,但這樣一來就有望通過大量的ETC用戶,在關(guān)鍵路段安裝掃描器,來達(dá)到高概率智能識(shí)別車輛行駛路徑的效果。德國一直在高速公路上未建任何收費(fèi)設(shè)施,對(duì)車輛收取的通行費(fèi)包含在燃油費(fèi)和養(yǎng)路費(fèi)中。自2003年8月31日起,實(shí)施一項(xiàng)新的高速公路收費(fèi)政策,即所有行駛在德國高速公路上的12噸以上的重型卡車,包括外國入境運(yùn)輸車輛,都必須繳納高速公路行駛費(fèi)。所有收取的費(fèi)用將用于改善德國交通基礎(chǔ)設(shè)施,因?yàn)橹匦涂ㄜ噷⒋罅吭黾痈咚俟返慕ㄔO(shè)和維護(hù)成本。德國實(shí)行高速公路收費(fèi)沒有采用傳統(tǒng)的關(guān)卡式收費(fèi)站,他們采用的是衛(wèi)星定位和移動(dòng)通訊技術(shù)相結(jié)合的收費(fèi)系統(tǒng)。德國將投入的高速公路收費(fèi)系統(tǒng)命名為“TollCollect”,是目前世界上不設(shè)收費(fèi)窗口的最先進(jìn)的道路收費(fèi)系統(tǒng)之一。它采用衛(wèi)星輔助探測(cè)技術(shù),依靠每輛行駛在高速公路上的車輛上安裝的收音機(jī)大小的接收機(jī)精確計(jì)算出車輛所行駛里程。接收機(jī)含有GPS導(dǎo)航信號(hào)接收機(jī)和一個(gè)移動(dòng)通訊終端,一旦卡車啟動(dòng),接收機(jī)便會(huì)自動(dòng)記錄行駛里程,并將計(jì)算出的繳費(fèi)金額數(shù)據(jù)發(fā)送到監(jiān)控中心。這種技術(shù)相當(dāng)于已經(jīng)識(shí)別出了車輛行駛路徑,但其依賴于美國的GPS定位系統(tǒng),受其控制的識(shí)別精度影響,目前GPS的導(dǎo)航精度為10m7/572.2國內(nèi)研究現(xiàn)狀目前許多省市建設(shè)的高速公路都具有相當(dāng)規(guī)模,聯(lián)網(wǎng)收費(fèi)己成大勢(shì)所趨。由于路網(wǎng)結(jié)構(gòu)的復(fù)雜性,有的里面具有環(huán)形結(jié)構(gòu),隨著路網(wǎng)的不斷完善這種環(huán)形結(jié)構(gòu)將會(huì)越來越多,而一個(gè)路網(wǎng)里面一般有多個(gè)路公司在管理,如何確定車輛行駛路徑也就成為一個(gè)擺在眼前的問題了。國內(nèi)對(duì)這方面的專題研究不多,目前以軟課題的形式開展此類研究的有江蘇省蘇北高速公路網(wǎng)和浙江省高速公路網(wǎng)。江蘇省以長江為界分為蘇北高速公路網(wǎng)和蘇南高速公路網(wǎng),分別實(shí)現(xiàn)聯(lián)網(wǎng)收費(fèi)。江蘇省蘇北高速公路路徑識(shí)別技術(shù)研究的對(duì)象即蘇北高速公路網(wǎng),蘇北高速公路網(wǎng)的聯(lián)網(wǎng)收費(fèi)范圍包括京滬高速沂淮江段、寧連高速淮連段、京福高速徐州東繞城段、徐宿高速公路、寧宿高速公路、寧通高速公路、廣靖高速公路、連徐高速公路、寧靖鹽高速公路、汾灌高速公路及江陰大橋。在研究中針對(duì)當(dāng)時(shí)蘇北具體路網(wǎng)提出了蘇北高速公路聯(lián)網(wǎng)收費(fèi)的多路徑判別方法及相關(guān)措施。浙江省高速公路網(wǎng)對(duì)路徑識(shí)別問題進(jìn)行研究的時(shí)候,其高速公路路網(wǎng)中存在兩個(gè)二義性路徑的路環(huán):一個(gè)是杭甫高速公路(沽清—大朱家)、上三高速公路全線、雨臺(tái)溫高速公路(寧波東—吳番樞紐)組成的路環(huán);另一個(gè)是由滬杭、杭甫、繞城高速公路組成的路環(huán)。針對(duì)這兩個(gè)二義性路徑。浙江省當(dāng)時(shí)采用的方法是以出口/入口隔離法為輔,通行費(fèi)的拆分則是在對(duì)歷史交通量和未來交通量的分析基礎(chǔ)上,與路公司共同商討,取得一致同意的情況下達(dá)成用節(jié)點(diǎn)位勢(shì)法來進(jìn)行多路徑的路徑識(shí)別,它仿照電學(xué)里面的節(jié)點(diǎn)位勢(shì)法,確定用路段里程來表征路段阻抗,從而計(jì)算出多路徑情況下各路徑的行駛車輛數(shù),進(jìn)而依次在各路公司拆分通行費(fèi),對(duì)車輛的通行費(fèi)按照最短路徑來征收。其拆分為了適應(yīng)不斷變化的交通流量,省收費(fèi)結(jié)算中心和路公司定期組織對(duì)二義性路徑的交通流量進(jìn)行統(tǒng)計(jì)調(diào)查,并通過實(shí)際運(yùn)行一段時(shí)間后(三個(gè)月～半年),根據(jù)實(shí)際統(tǒng)計(jì)的流量狀況和分布情況、車輛選擇路徑的情況以及與現(xiàn)用的二義性路徑拆分原則的差距情況,對(duì)原來的分配方案和比例進(jìn)行調(diào)整。山東省高速公路通車?yán)锍坛^3000km,預(yù)計(jì)2008年將達(dá)到4000km,高速公路通車?yán)锍虨槿珖谝?聯(lián)網(wǎng)收費(fèi)里程已達(dá)到要從山東省高速公路總體路網(wǎng)規(guī)劃出發(fā),綜合考慮設(shè)備投資、受益及今后運(yùn)營成本等多方面因素提出方案;7/57路徑識(shí)別與通行費(fèi)收入拆分問題主要從兩個(gè)方面解決,一是收費(fèi)車道業(yè)務(wù)操作層,主要是路徑識(shí)別問題;二是收費(fèi)管理層面,主要是通行費(fèi)收入拆分問題。車道收費(fèi)業(yè)務(wù)操作要求盡可能精確識(shí)別每一車輛的行駛路徑,不損害道路通行者利益,合理收取通行費(fèi)。在進(jìn)行路徑識(shí)別時(shí),根據(jù)具體情況對(duì)不同路段采取不同方法。根據(jù)當(dāng)時(shí)道路情況,他們建議在對(duì)綜合路阻之差在10%(可更多或更少)以上不同路徑進(jìn)行識(shí)別時(shí),應(yīng)用最短路徑法;當(dāng)不同路徑的路阻之差在10%之內(nèi),且車流量較少,涉及的通行費(fèi)較低時(shí),可采取收費(fèi)員入口指導(dǎo),出口詢問方式;當(dāng)長度之差在10%之內(nèi),且車流量較大,多路徑通行費(fèi)較高時(shí),也可以考慮在在關(guān)鍵點(diǎn)設(shè)立標(biāo)識(shí)站,但標(biāo)識(shí)站數(shù)量一定要控制,盡量減少對(duì)全路網(wǎng)的影響;另外,在路徑識(shí)別精度方面,不同路段也要有所側(cè)重。當(dāng)路網(wǎng)中多路徑路段屬于同一經(jīng)營主體時(shí),建議不對(duì)行駛路徑進(jìn)行精確識(shí)別。由于目前我國聯(lián)網(wǎng)收費(fèi)還是剛剛開始,對(duì)其相關(guān)的技術(shù)研究的還不是都很深入,路徑識(shí)別技術(shù)的研究在這種環(huán)境下也只是剛剛開始,在現(xiàn)有的“一路一公司”的情況下實(shí)行的協(xié)商法需要各路公司相互之間有良好的協(xié)調(diào)關(guān)系。高速公路多路徑識(shí)別技術(shù)作為依附于高速公路聯(lián)網(wǎng)收費(fèi)的一門新技術(shù)必然會(huì)隨著聯(lián)網(wǎng)收費(fèi)技術(shù)的進(jìn)步而不斷發(fā)展完善,特別是在當(dāng)前提倡的電子不停車收費(fèi)(ETC)技術(shù)不斷成熟完善的情況下,對(duì)車輛行駛路徑的精確識(shí)別必然會(huì)在現(xiàn)實(shí)和經(jīng)濟(jì)上都允許的前提下得以實(shí)現(xiàn)。9/57第3章多路徑識(shí)別算法的基本理論多路徑識(shí)別包含多種技術(shù)方法，下面主要介紹了多路徑識(shí)別方法的主要分類，詳細(xì)說明了識(shí)別方法涉及到的主要算法。3.1多路徑識(shí)別方法的分類目前，在高速公路路徑識(shí)別的主要技術(shù)方法有：標(biāo)識(shí)站法、車牌照識(shí)別法、最短路徑法。從基本思路看，多路徑識(shí)別技術(shù)可以分為精確識(shí)別和概率識(shí)別兩類。3.1.1精確識(shí)別精確識(shí)別的原理是識(shí)別出路網(wǎng)中每一車輛的實(shí)際行駛路徑，避免路網(wǎng)中出現(xiàn)行駛路徑的歧義，從而解決路網(wǎng)中多路徑問題。標(biāo)識(shí)站法、車牌照識(shí)別法都屬于精確識(shí)別的范疇。要做到對(duì)車輛行駛路徑的精確識(shí)別通常由兩種方法：通過土建設(shè)施的手段，確保任意車輛從一個(gè)收費(fèi)站（點(diǎn)）到另一收費(fèi)站（點(diǎn)）間只能有唯一的行駛路徑；通過標(biāo)識(shí)方法采集車輛行駛路徑信息，確認(rèn)車輛行駛路徑。第二種方法只需在產(chǎn)生歧義的路段設(shè)立標(biāo)識(shí)站，獲取車輛行駛的標(biāo)識(shí)信息，就可以根據(jù)出口信息、入口信息、標(biāo)識(shí)信息，識(shí)別出任意車輛的行駛路徑。1.標(biāo)識(shí)站識(shí)別法準(zhǔn)確識(shí)別車輛的實(shí)際行駛路徑，可分為停車式和不停車兩種，以下提到的標(biāo)識(shí)站均為“停車式標(biāo)識(shí)站”。在收費(fèi)車道上安裝非接觸式IC卡讀寫設(shè)備，司機(jī)通過此路段時(shí)，將IC卡（通行卡）在讀寫天線的規(guī)定距離內(nèi)劃過，自動(dòng)欄桿開啟、車輛通行，并記錄該標(biāo)識(shí)站信息。標(biāo)識(shí)站的主要缺點(diǎn)是車輛每次經(jīng)過標(biāo)識(shí)站時(shí)必須停車，導(dǎo)致行車速度減慢，降低了高速公路的服務(wù)水平，與聯(lián)網(wǎng)收費(fèi)的精神直接相違背，在實(shí)施時(shí)，輕易不采用。在國家政策方面，交通部交公路發(fā)[1999]9號(hào)文件《關(guān)于認(rèn)真做好公路收費(fèi)站點(diǎn)清理整頓的通知》中規(guī)定“對(duì)通行車輛一次完成通行費(fèi)收繳和票證發(fā)放工作，不準(zhǔn)設(shè)立旨在進(jìn)行內(nèi)部監(jiān)督驗(yàn)票的檢查站”。顯然，國家法律法規(guī)的規(guī)定對(duì)設(shè)置停車式標(biāo)識(shí)站做出了限制，設(shè)置停車式標(biāo)識(shí)站已不可行。2.車牌照識(shí)別技術(shù)隨著圖像識(shí)別技術(shù)的發(fā)展，也可應(yīng)用“車牌照識(shí)別”技術(shù)進(jìn)行多路徑的識(shí)別。即高速公路入、出口以及路網(wǎng)內(nèi)關(guān)鍵點(diǎn)設(shè)置車牌照抓拍系統(tǒng)，攝取通過車輛牌照。車牌照識(shí)別方法雖然不影響行車速度，但是應(yīng)用車牌照抓拍系統(tǒng)進(jìn)行多路徑的判別，投資較大且系統(tǒng)精度根據(jù)圖像識(shí)別算法的不同效果也不同一般不能達(dá)到100%。10/573.1.2概率識(shí)別一般來說，道路使用者路徑選擇行為是基于道路使用效益最大化和運(yùn)營成本最小化的原則之上的，即：花最少的時(shí)間、最少的費(fèi)用、走最短的路、獲取最大的效益。因此，運(yùn)行時(shí)間最少的路徑對(duì)于時(shí)間價(jià)值導(dǎo)向型的道路使用者來說具有更強(qiáng)的吸引力，用戶一般采用最短路徑法。最短路徑法取最短路徑為行駛路徑。從起點(diǎn)到終點(diǎn)存在兩條或兩條以上的路徑，將最短路徑作為車輛選擇路徑，此方法最為簡便，投資最少。最短路徑法直接將多路徑車輛通行費(fèi)分配給最短路徑業(yè)主，因此，這種方法的精確度取決于車輛在實(shí)際的路徑選擇過程中選擇最短路徑的概率。但是在高速公路中倒卡、逃費(fèi)問題嚴(yán)重，因此這種算法的拆分關(guān)系到將通行費(fèi)拆分給哪個(gè)收費(fèi)單位的問題，影響了一部分單位的收益。所以在本次設(shè)計(jì)中主要研究了精確識(shí)別中的車牌照識(shí)別技術(shù)，分析研究圖像處理得算法，用以提高車牌照識(shí)別的準(zhǔn)確度。3.2多路徑識(shí)別算法的理論基礎(chǔ)在本文涉及到的多路徑識(shí)別算法—車牌照識(shí)別技術(shù)中，對(duì)于一個(gè)完整的車輛牌照識(shí)別系統(tǒng)而言應(yīng)該包括圖像采集、圖像預(yù)處理、車牌定位、字符切分、字符識(shí)別以及圖像編碼、數(shù)碼傳輸與更新等步驟，基本可以分為硬件部分和軟件部分，硬件部分主要完成車輛圖像的攝取采集，軟件部分主要完成對(duì)采集到的車輛圖像進(jìn)行車輛牌照定位、車牌字符切分與車牌字符識(shí)別等工作，這部分工作最為復(fù)雜，最后對(duì)識(shí)別結(jié)果進(jìn)行數(shù)據(jù)傳送和存儲(chǔ)，將處理后的識(shí)別信息交給管理系統(tǒng)進(jìn)行管理。整個(gè)系統(tǒng)的核心是軟件部分的工作，能否通過牌照對(duì)車輛進(jìn)行有效管理，很大程度上取決于軟件部分識(shí)別車牌的準(zhǔn)確性。3.2.1車牌照識(shí)別的主要算法車牌識(shí)別的常用算法法有很多種，如結(jié)構(gòu)模式識(shí)別方法、統(tǒng)計(jì)模式識(shí)別、人工神經(jīng)網(wǎng)絡(luò)識(shí)別等等。下面分別介紹各種方法：1.結(jié)構(gòu)模式識(shí)別結(jié)構(gòu)模式識(shí)別可能比較復(fù)雜，但都具有相當(dāng)嚴(yán)格的規(guī)律性。換句話說，字符圖像含有豐富的結(jié)構(gòu)信息。可以設(shè)法提取含有這種信息的結(jié)構(gòu)特征及其組字規(guī)律作為識(shí)別的依據(jù)，這就是結(jié)構(gòu)模式識(shí)別。結(jié)構(gòu)模式識(shí)別是早期漢字識(shí)別研究的主要方法。其主要出發(fā)點(diǎn)是漢字的組成結(jié)構(gòu).從漢字的構(gòu)成上講，漢字是由筆劃以及偏旁部首構(gòu)成的;還可以認(rèn)為漢字是由更小的結(jié)構(gòu)基元構(gòu)成的。由這些結(jié)構(gòu)基元及其相互關(guān)系完全可以精確地對(duì)漢字加以描述，這種方法也叫句法模式識(shí)別。識(shí)別時(shí)，利用上述結(jié)構(gòu)信息以及句法分析地方法進(jìn)行識(shí)別，類似于一個(gè)邏輯推理器。10/57基于這種方法來描述字符的結(jié)構(gòu)在理論上是比較恰當(dāng)?shù)?，其主要?yōu)點(diǎn)在于對(duì)字體變化的適應(yīng)性強(qiáng)，區(qū)分相似字的能力強(qiáng)；但是，在實(shí)際應(yīng)用中，其所面臨的問題是抗干擾能力差，因?yàn)樵趯?shí)際得到的文本圖像中存在各種干擾，比如傾斜、斷裂、粘連、污點(diǎn)等。這些因素直接影響到結(jié)構(gòu)基元的提取。假如基元不能準(zhǔn)確得到，后面的識(shí)別就成了無源之水。所以，在字符識(shí)別領(lǐng)域，純結(jié)構(gòu)模式識(shí)別方法己經(jīng)逐漸衰落。2.統(tǒng)計(jì)模式識(shí)別統(tǒng)計(jì)決策論發(fā)展較早，理論也比較成熟.其要點(diǎn)是提取待識(shí)別模式的一組統(tǒng)計(jì)特征，然后按照一定準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決。字符的統(tǒng)計(jì)模式識(shí)別是將字符點(diǎn)陣看作一個(gè)整體，其所用的特征是從這個(gè)整體上經(jīng)過大量的統(tǒng)計(jì)而得到的.統(tǒng)計(jì)特征的特點(diǎn)是抗干擾能力強(qiáng)，匹配與分類的算法簡單，易于實(shí)現(xiàn).不足之處在于細(xì)分能力較弱，區(qū)分相似字的能力差一些。常見的統(tǒng)計(jì)模式識(shí)別方法有：（1）投影直方圖法。利用字符圖像在水平及垂直方向的投影作為特征。這種方法是模式識(shí)別早期使用的方法。（2）利用變換特征方法。對(duì)圖像進(jìn)行變換，變換后對(duì)圖像從空間域變到頻域，特征的維數(shù)大大降低。但是這些方法總的特征就是運(yùn)算量太大，運(yùn)算復(fù)雜度高，難以滿足實(shí)時(shí)處理的要求。（3）傅立葉描述子和Spline曲線近似。這兩種方法都是針對(duì)字符圖像輪廓的。傅立葉描述子是利用傅立葉函數(shù)模擬封閉的輪廓線，將傅立葉和函數(shù)的各個(gè)系數(shù)作為特征，該方法致命缺點(diǎn)是對(duì)于輪廓線不封閉的字符圖像不適用。車牌字符本身所占象素點(diǎn)較少，常常會(huì)出現(xiàn)筆劃斷裂輪廓不封閉。Spline曲線是在輪廓上找到曲率大的折點(diǎn)，利用Spline曲線來近似相鄰折點(diǎn)之間的輪廓線，該方法的缺點(diǎn)在于對(duì)旋轉(zhuǎn)現(xiàn)象比較敏感。（4）特征點(diǎn)方法。它的主要思想是利用字符點(diǎn)陣中一些有代表性的點(diǎn)作為特征來區(qū)分不同的字符。這些點(diǎn)包括端點(diǎn)、折點(diǎn)以及交叉點(diǎn)等等，獲得了比較好的效果。其特點(diǎn)是對(duì)于內(nèi)部筆劃粘連的字符識(shí)別的適應(yīng)性較強(qiáng)，直觀性好，但是不易表示為矢量形式，不適合作為粗分類的特征，匹配難度大。（5）基于微結(jié)構(gòu)特征的方法。字符是由筆劃組成的，筆劃是由一定方向，一定位置關(guān)系和長寬比的矩形線段組成的。這些矩形則稱為微結(jié)構(gòu)。利用微結(jié)構(gòu)及微結(jié)構(gòu)之間的關(guān)系組成的特征對(duì)字符進(jìn)行識(shí)別。其不足之處正好和特征點(diǎn)的方法相反，在內(nèi)部筆劃粘連時(shí)，微結(jié)構(gòu)的提取會(huì)遇到困難。11/57統(tǒng)計(jì)模式識(shí)別認(rèn)為圖像可能包含一個(gè)或多個(gè)物體，并且每個(gè)物體屬于若干事先定義的類型、范疇或模式之一。雖然模式識(shí)別可以用多種方法實(shí)現(xiàn)，但我們只關(guān)心用數(shù)字圖像處理技術(shù)對(duì)它的實(shí)現(xiàn)。字符統(tǒng)計(jì)模式是把字符的點(diǎn)陣看成一個(gè)整體，通過做大量的統(tǒng)計(jì)得到所需要的特征。最常用的字符統(tǒng)計(jì)模式方法是模板匹配的字符識(shí)別方法。模板匹配的字符識(shí)別方法是通過一定準(zhǔn)則確定決策函數(shù)，并進(jìn)行分類判斷的方法。模板匹配的字符識(shí)別方法是指度量輸入模式與樣本之間的某種相似性，取最相似者為輸入模式所屬類別。它根據(jù)字符的直觀形象抽取特征，用相關(guān)匹配原理進(jìn)行識(shí)別。這個(gè)方法不需要特征提取這個(gè)過程，字符圖像直接作為特征與模板進(jìn)行比較，相似度最高的模板即定為識(shí)別結(jié)果。它優(yōu)點(diǎn)是可以并行處理，簡單易行。缺點(diǎn)是如果進(jìn)行簡單的模板匹配，只能夠識(shí)別同種字體、同樣大小的字符，對(duì)于筆劃變粗、變細(xì)、傾斜的字符適應(yīng)能力比較差，特別是模板與字符筆劃的匹配失誤時(shí)，會(huì)有很大的誤差。3．人工神經(jīng)網(wǎng)絡(luò)識(shí)別人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維方式的數(shù)學(xué)模型。神經(jīng)網(wǎng)絡(luò)是現(xiàn)代生物學(xué)研究人腦的組織成果基礎(chǔ)上提出的，用來模擬人類大腦神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和行為，它從微觀結(jié)構(gòu)和功能上對(duì)人腦進(jìn)行抽象和簡化。人工神經(jīng)網(wǎng)絡(luò)方法的優(yōu)點(diǎn)和缺點(diǎn)主要表現(xiàn)在如下的幾個(gè)方面：神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)：1,能逼近任意線性函數(shù)2,信息的并行分布式處理和存儲(chǔ)3,可以多輸入多輸出4,便于用超大規(guī)模的集成電路或光學(xué)集成電路系統(tǒng)實(shí)現(xiàn)5,具有自學(xué)習(xí)的能力；6,具有聯(lián)想存儲(chǔ)功能；7,具有高速尋找優(yōu)化解的能力.雖然人工神經(jīng)網(wǎng)絡(luò)有上述的優(yōu)點(diǎn)，并且在OCR中也取得了一些成果，但是在車牌字符的識(shí)別中仍然存在很大的缺陷：l，車牌字符象素點(diǎn)陣小，筆劃常常出現(xiàn)斷裂，通過學(xué)習(xí)規(guī)則，誤差系數(shù)相差很小，容易出現(xiàn)誤識(shí)；2，神經(jīng)網(wǎng)絡(luò)在進(jìn)行學(xué)習(xí)時(shí)，每次迭代的梯度值都受樣本中噪聲干擾，影響較大，整個(gè)系統(tǒng)收斂速度較慢，不適合實(shí)時(shí)識(shí)別的要求。用于字符識(shí)別最常用的神經(jīng)網(wǎng)絡(luò)是BP神經(jīng)網(wǎng)絡(luò)，所謂BP神經(jīng)網(wǎng)絡(luò)是指誤差反向傳播神經(jīng)網(wǎng)絡(luò)，核心方法是梯度下降法，它采用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸值與期望的均方差為最小。BP神經(jīng)網(wǎng)絡(luò)主要有兩種形態(tài)：13/57(l)前向傳播：計(jì)算網(wǎng)絡(luò)的輸出。隱層神經(jīng)元的輸入為所有輸入的加權(quán)之和，即 （式2.1）隱層神經(jīng)元的輸出井采用S函數(shù)激發(fā)x，得 （式2.2）輸出層神經(jīng)元的輸出為 （式2.3）誤差性能指標(biāo)函數(shù)為 （式2.4）(2)反向傳播：采用占學(xué)習(xí)方法，調(diào)整各層間的權(quán)值根據(jù)梯度下降法，權(quán)值學(xué)習(xí)方法如下：輸出層即隱層的連接權(quán)值W2、學(xué)習(xí)算法為 （式2.5）式中為學(xué)習(xí)速率。BP網(wǎng)絡(luò)有以下優(yōu)點(diǎn)：只要能保證有足夠的隱層和隱層節(jié)點(diǎn)，就可以逼近任意的非線性映射關(guān)系;由于其學(xué)習(xí)方法屬于全局逼近算法，具有較強(qiáng)的泛化能力;神經(jīng)網(wǎng)絡(luò)有較強(qiáng)的容錯(cuò)性。雖然BP神經(jīng)網(wǎng)絡(luò)有以上的優(yōu)點(diǎn)，但因?yàn)槠溆惺諗康乃俣缺容^慢;當(dāng)按梯度下降學(xué)習(xí)法進(jìn)行學(xué)習(xí)的時(shí)候很容易陷入局部的最小值;難以確定隱層和隱層節(jié)點(diǎn)的數(shù)目的缺點(diǎn)，所以在用于字符識(shí)別的過程中，還需要做大量的修改。3.2.2本文采用的識(shí)別算法本文采用的識(shí)別算法是基于模板匹配的車牌識(shí)別方案，模板匹配法就是將待識(shí)別字符與模板字符進(jìn)行比對(duì)，從而確定字符內(nèi)容。其大體步驟是:首先，制作模板并要求模板的大小必須統(tǒng)一。然后，對(duì)待識(shí)別字符進(jìn)行圖像的歸一化操作，最后將字符與模板的每個(gè)像素點(diǎn)進(jìn)行一一的對(duì)照，與所有模板比對(duì)完成之后，選取其中相似結(jié)果最高的，作為最終的識(shí)別結(jié)果。整個(gè)過程最重要的一步是模板的設(shè)計(jì)，它是后續(xù)工作的基礎(chǔ)。模板的建立要針對(duì)字符的特征來進(jìn)行，通常可以取筆畫特征、幾何特征還有圖形的特征。模板匹配方法最大的優(yōu)點(diǎn)是識(shí)別率很高，但是因?yàn)橐瘘c(diǎn)操作，所以效率比較低下?？紤]到13/57LRS對(duì)識(shí)別效果準(zhǔn)確率要求比較高，此種方法比較合適，但是怎么樣能提高效率，這還是一個(gè)墮待解決的問題。算法實(shí)現(xiàn)總體設(shè)計(jì)方案中首先是要采集圖片，而硬件設(shè)備采集到的圖片要考慮其圖像的存儲(chǔ)格式。目前比較常用的圖像格式有*.BMP、*.JPG、*.GIF、*.PCX等，本課題采集到的圖片是*.JPG的格式。至于軟件系統(tǒng)的選擇，因?yàn)檐浖到y(tǒng)的編寫大多采用VC或者M(jìn)ATLAB語言，本課題選用了MATLAB語言。整個(gè)牌照識(shí)別的設(shè)計(jì)流程圖如下圖所示：識(shí)別的整個(gè)流程就是：首先將采集到的汽車圖像進(jìn)行灰度化、灰度拉伸和濾波處理，以降低噪點(diǎn)、增加車牌部分的對(duì)比度。然后，通過對(duì)預(yù)處理后的圖像進(jìn)行小波變換分解提取圖像邊緣，并進(jìn)行形態(tài)學(xué)處理，這時(shí)，車牌的輪廓已經(jīng)非常清晰，并且可以和非車牌區(qū)域明顯區(qū)分開來了，接著，根據(jù)車牌的特點(diǎn)進(jìn)行車牌初步定位，對(duì)車牌區(qū)域和偽車牌區(qū)域進(jìn)行篩選后，采用投影法進(jìn)行車牌二次定位，提取出車牌圖像。將提取出的車牌圖像進(jìn)行二值化處理，根據(jù)投影圖的特點(diǎn)查找傾斜的角度，采用坐標(biāo)變換的方法進(jìn)行車牌傾斜校正，并利用其垂直投影圖中字符顯示出的峰群的特點(diǎn)進(jìn)行字符切分。最后完成了整個(gè)車牌字符的識(shí)別。最后搭建了一個(gè)測(cè)試平臺(tái)，將上述三個(gè)部分進(jìn)行了系統(tǒng)化，對(duì)系統(tǒng)的性能進(jìn)行了測(cè)試和分析。14/57開始開始輸入汽車圖像提取車牌邊緣形態(tài)學(xué)處理一次定位是否有車牌進(jìn)行二值化根據(jù)投影和坐標(biāo)變換進(jìn)行傾斜矯正根據(jù)垂直投影進(jìn)行字符切分進(jìn)行字符識(shí)別結(jié)果輸出二次定位結(jié)束NOYES圖3.1系統(tǒng)識(shí)別流程圖15/57第4章基于模板匹配的車牌識(shí)別詳細(xì)設(shè)計(jì)本設(shè)計(jì)處理的流程包括：圖像采集-圖像預(yù)處理-車牌定位-傾斜校正-字符分割-字符識(shí)別六個(gè)部分。4.1圖像采集圖像采集部分所采集的圖像一般是采用CCD攝像機(jī)攝取的車牌前視圖或后視圖，這些通過由光照檢測(cè)裝置控制現(xiàn)場(chǎng)的光照，位置檢測(cè)裝置控制攝像機(jī)的拍攝角度而得到的。本設(shè)計(jì)中所用到圖片是用數(shù)碼相機(jī)拍的，模型如下圖：圖4.1照片模型4.2圖像預(yù)處理圖像預(yù)處理部分需要對(duì)采集到的圖像進(jìn)行圖像加強(qiáng)、平滑濾波等操作，目的是突出車牌的主要特征，以便更好地提取車牌。圖像預(yù)處理一般包括以下步驟：對(duì)圖像的灰度進(jìn)行處理、圖像平滑、圖像增強(qiáng)、圖像二值化、圖像銳化、邊緣檢測(cè)。17/57圖4.2二值化的圖像圖4.3圖像邊緣提取的圖像采集的車輛圖像為彩色圖像，應(yīng)將彩色圖像轉(zhuǎn)化為灰度圖像。由于光線不足或者反光等諸多因素，又可能造成車牌對(duì)比度較差，對(duì)接下來的紋理分析產(chǎn)生影響，所以有必要進(jìn)行圖像增強(qiáng)。本文對(duì)圖像中特亮和特暗的地方進(jìn)行灰度拉伸，有效增強(qiáng)圖像對(duì)比度，提高車牌定位準(zhǔn)確率。為了進(jìn)一步提高定位準(zhǔn)確率，我們通過連續(xù)的兩幀圖像定出車大概位置，再在車的位置上搜索車牌，這樣不僅提高了準(zhǔn)確率，還提高了整個(gè)程序的運(yùn)行效率。同時(shí)為了減少圖像中的孤立干擾點(diǎn)，保留車牌字符邊緣，讓車牌字符的圖像灰度水平投影更有的連續(xù)性。選用MXl的模板對(duì)灰度拉伸后的圖像進(jìn)行中值濾波。17/574.3車牌定位從人眼視覺的角度出發(fā)，并根據(jù)車牌的字符目標(biāo)區(qū)域的特點(diǎn)，在灰度圖像的基礎(chǔ)上提取相應(yīng)的特征。車牌定位是車牌識(shí)別系統(tǒng)中的關(guān)鍵和難點(diǎn)，實(shí)際圖像中的噪聲、復(fù)雜背景等干擾都會(huì)使定位十分困難。車牌牌照的提取是一個(gè)尋找最符合牌照特征區(qū)域的過程。從本質(zhì)上講，就是一個(gè)在參量空間尋找最優(yōu)定位參量的問題。自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)識(shí)別過程的關(guān)鍵。首先對(duì)采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。流程圖如下：導(dǎo)入原始圖像導(dǎo)入原始圖像圖像預(yù)處理增強(qiáng)效果圖像邊緣提取車牌定位對(duì)圖像開閉運(yùn)算 圖4.4車牌定位流程圖本文采用車牌定位方法是一種基于灰度圖像，求取圖像能量極值區(qū)域的車牌定位方法，刻意避開二值化中閩值的確定問題。該方法充分利用車牌紋理復(fù)雜、對(duì)比度鮮明、外型規(guī)則等特征構(gòu)造車輛圖像的對(duì)比度能量圖，然后通過選取極值區(qū)域來定位車牌?；谇笕【矸e能量極值區(qū)域進(jìn)行車牌定位的實(shí)驗(yàn)步驟基本如下：首先，為了提高定位準(zhǔn)確率，我們通過連續(xù)的兩幀圖像定出車輛大概位置，再在車輛的位置上搜索車牌，這樣不僅提高了準(zhǔn)確率，還提高了整個(gè)程序的運(yùn)行效率。同時(shí)減少圖像中的孤立干擾點(diǎn)，保留車牌字符邊緣，讓車牌字符圖像的灰度水平投影更有連續(xù)性。其次，由于車牌區(qū)域與車身相比，車牌區(qū)域的對(duì)比度特別大，灰度變化具有一定頻度，所以我們先對(duì)圖像的每一行相鄰像素做求極值處理，再求相鄰點(diǎn)間的差，從而減少由車身帶來的誤差。求極值處理公式如下：19/57（式4.1）求相鄰點(diǎn)間的差公式如下： （式4.2）最后，由于車牌區(qū)域的變化頻度較大，在一般情況下，車牌區(qū)域的卷積能量都是最大的，特殊情況下也是第二大。又由實(shí)驗(yàn)可知，對(duì)圖像求卷積能量時(shí)，卷積長度越接近車牌的寬度，定位就越準(zhǔn)確。再由先驗(yàn)知識(shí)可知車牌的寬度與車寬成一定的比例，所以車牌寬度可由車寬求出，因此對(duì)每幀圖像求卷積能量時(shí)，卷積長度采用自適應(yīng)的方法，進(jìn)一步提高車牌定位的準(zhǔn)確率。卷積能量公式如下：（式4.3）其中h(n)為長度為L的卷積核。圖4.5定位到的車牌圖片4.4傾斜校正由于CCD攝像機(jī)采集車牌圖像時(shí)，有時(shí)候會(huì)出現(xiàn)采集到的車牌圖像里牌照區(qū)域是傾斜的。傾斜的牌照不利于后續(xù)的字符分割與識(shí)別，嚴(yán)重的還可能引起牌照內(nèi)容的丟失，直接導(dǎo)致字符識(shí)別的失敗。因此，在進(jìn)行字符分割與識(shí)別之前，有必要對(duì)牌照進(jìn)行傾斜校正。目前，車牌的傾斜校正方法主要有：通過垂直和水平邊緣檢測(cè)相結(jié)合的方法;進(jìn)行水平邊緣檢測(cè)，并進(jìn)行垂直投影的方法;Hough變換法;求得車牌上字符連通域的中心點(diǎn)，然后擬成直線的方法;求取車牌字符區(qū)域的極小特征點(diǎn)和極大特征點(diǎn)的方法;.通過模板匹配的方法。其中19/57Hough變換的方法比較常用。Hough變換運(yùn)用兩個(gè)坐標(biāo)之間的變換來進(jìn)行檢測(cè)。平面內(nèi)的有規(guī)則曲線和直線，將原始圖像中直線和曲線上的點(diǎn)，都集中到變換空間上，形成峰點(diǎn)。這樣就把原始圖像中的曲線或直線的檢測(cè)問題，轉(zhuǎn)化為尋找變換空間的峰值問題。Hough變換只能對(duì)己知形狀參數(shù)的曲線方程如二次曲線、直線來進(jìn)行描述，不能對(duì)未知曲線來進(jìn)行檢測(cè)，這是此變換的缺點(diǎn)。但是變換的最大優(yōu)點(diǎn)是抗干擾性強(qiáng)。只要檢測(cè)出車牌的兩條平行直線即可，符合變換的要求。圖4.6校正前的圖片圖4.7校正后的圖片4.5字符分割字符分割即是對(duì)獲得的牌照分離出單個(gè)字符(包括漢字、字母和數(shù)字等)，以便于字符識(shí)別。字符分割的算法有很多，通常是根據(jù)處理對(duì)象的不同有許多相應(yīng)的方法。為了實(shí)現(xiàn)更好的分割，有關(guān)的總體知識(shí)和先驗(yàn)信息是很有用的，根據(jù)包含在圖像中的信息，可以制定相應(yīng)的判決準(zhǔn)則和控制策略，使其完成自動(dòng)分割。傳統(tǒng)的字符分割算法可以歸納為以下三類：直接分割法、基于識(shí)別基礎(chǔ)上的分割法和自適應(yīng)分割線聚類法。直接分割法簡單，但它的局限是分割點(diǎn)的確定需要較高的準(zhǔn)確性；基于識(shí)別結(jié)果的分割是把識(shí)別結(jié)果和分割結(jié)合起來，但是需要高準(zhǔn)確的識(shí)別結(jié)果。它根據(jù)分割和識(shí)別結(jié)果的耦合程度又有不同的劃分；自適應(yīng)分割線聚類法是一個(gè)分類器，用它來判斷圖像的每一列是否是分割線，它是根據(jù)訓(xùn)練樣本來進(jìn)行自適應(yīng)的神經(jīng)網(wǎng)絡(luò)，但是對(duì)于粘連的字符很難訓(xùn)練。20/57由于本文處理的對(duì)象是相對(duì)類型較少，變化較小的車牌，因此采用直接分割法。具體就是采用投影法先將字符粗分割，然后根據(jù)單個(gè)字符的寬度進(jìn)行分類，將粘連字符再分割，斷裂字符合并。完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。分割步驟： 按左右寬度切割出字符計(jì)算水平投影進(jìn)行車牌水平校正按左右寬度切割出字符計(jì)算水平投影進(jìn)行車牌水平校正去掉車牌的框架分析垂直投影找到每個(gè)字符中心位置圖4.8車牌分割步驟圖4.9分割后的車牌4.6字符識(shí)別本文的字符識(shí)別采用的是基于模板匹配的識(shí)別方法。模板匹配是最為直觀的一種方法，就如字面所理解的，選用一些樣本作為模板，當(dāng)進(jìn)行判斷時(shí)，首先計(jì)算待測(cè)數(shù)據(jù)與模板之間的距離，這個(gè)距離通常是兩個(gè)數(shù)據(jù)向量差的一個(gè)范數(shù)，例如它們之間的直線距離等。找出距離最短的那個(gè)模板這個(gè)模板的輸出值就可以作為該數(shù)據(jù)對(duì)應(yīng)的輸出值。4.6.1字符識(shí)別流程概述當(dāng)一幅車牌的原始圖像經(jīng)過車牌定位和字符分割處理后，得到這個(gè)車牌的字符圖像，首先對(duì)字符圖像做歸一化處理，即把字符圖像歸一化成20×32的標(biāo)準(zhǔn)大小的圖像，然后對(duì)這幅歸一化的圖像調(diào)用設(shè)計(jì)好的模板匹配程序進(jìn)行識(shí)別，字符識(shí)別流程如下：1、識(shí)別車牌的第1個(gè)字符（若分割正確的話應(yīng)該是漢字）：（1）調(diào)用漢字模板庫進(jìn)行匹配識(shí)別，若識(shí)別結(jié)果為漢字，則最終結(jié)果為一漢字，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，即表示不是漢字，則進(jìn)行第二步。（2）調(diào)用字母模板庫進(jìn)行識(shí)別，若為字母，則最終結(jié)果為一個(gè)字母，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則表示不是字母，進(jìn)行第三步。21/57（3）調(diào)用數(shù)字模板庫進(jìn)行識(shí)別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識(shí)別結(jié)束；若為空字符，則最終結(jié)果為空字符，識(shí)別結(jié)束。2、識(shí)別車牌的第2個(gè)字符（若分割正確的話應(yīng)該是字母）：（1）調(diào)用字母模板庫進(jìn)行識(shí)別，若為字母，則最終結(jié)果為一個(gè)字母，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則表示不是字母，進(jìn)行第二步。（2）調(diào)用數(shù)字模板進(jìn)行識(shí)別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識(shí)別結(jié)束；若為空字符，則表示不是數(shù)字，進(jìn)行第三步。（3）調(diào)用漢字模板進(jìn)行識(shí)別，若識(shí)別結(jié)果為漢字，則最終結(jié)果為一漢字，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則最終識(shí)別結(jié)果為空字符，識(shí)別結(jié)束。3、識(shí)別車牌的第3、4個(gè)字符（若分割正確的話應(yīng)該是字母或數(shù)字）：（1）調(diào)用字母模板庫進(jìn)行識(shí)別，若為字母，則最終結(jié)果為一個(gè)字母，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則表示不是字母，進(jìn)行第二步。（2）調(diào)用數(shù)字模板進(jìn)行識(shí)別，若為數(shù)字，則最終結(jié)果為一數(shù)字，識(shí)別結(jié)束；若為空字符，則表示不是數(shù)字，進(jìn)行第三步。（3）調(diào)用漢字模板進(jìn)行識(shí)別，若識(shí)別結(jié)果為漢字，則最終結(jié)果為一漢字，識(shí)別結(jié)束；若識(shí)別結(jié)果為空字符，則最終識(shí)別結(jié)果為空字符，識(shí)別結(jié)束。4、識(shí)別車牌的第5、6、7個(gè)字符（若分割結(jié)果正確的話應(yīng)該是數(shù)字）：調(diào)用數(shù)字模板進(jìn)行識(shí)別，若為數(shù)字，則最終結(jié)果為一個(gè)數(shù)字，識(shí)別結(jié)束；若為空字符，則最終識(shí)別結(jié)果為空字符，識(shí)別結(jié)束。對(duì)于車牌圖像的第1、2和3個(gè)字符，進(jìn)行完全的識(shí)別，主要是因?yàn)榭紤]到字符的分割不一定正確，即不能保證分割后的第1個(gè)車牌字符為漢字，第2個(gè)車牌字符為字母，而第3、4個(gè)車牌字符為字母或數(shù)字。對(duì)這三個(gè)字符做這樣的完全識(shí)別后，可以得到一些非常有用的信息，這些信息可以返回到字符分割模塊，可以指導(dǎo)字符分割調(diào)整字符分割的策略。例如，若識(shí)別出的車牌圖像的第2個(gè)字符是漢字，則說明字符模塊做字符分割的時(shí)候在車牌圖像的左邊提取了一個(gè)多余的字符，因此字符分割模塊要去掉這個(gè)多余的字符，從漢字字符起，依次提取出7個(gè)字符來。23/57圖4.10車牌中的字符圖4.11模板字符4.6.2本文字符識(shí)別流程模板匹配是車牌字符識(shí)別最早使用的方法之一，本文也主要是研究基于模板匹配的系統(tǒng)，所以本章重點(diǎn)研究這種算法。具體模板匹配的字符識(shí)別步驟如下：一般使用的模板匹配法是直接使用歸一化后的圖像作為待識(shí)別字符圖像，而歸一化后的圖像由于預(yù)處理的原因，很有可能筆劃粗細(xì)不均，并且存在著部分噪音點(diǎn)，不易于處理，所以我們首先采用細(xì)化的方法，將原來的待識(shí)別字符圖像中的字符進(jìn)行細(xì)化處理，然后再進(jìn)行模板匹配的粗比對(duì)，在通過粗比對(duì)將字符圖像分組后，再根據(jù)車牌字符的細(xì)節(jié)特征對(duì)字符進(jìn)行細(xì)比對(duì)，最終得到識(shí)別結(jié)果，從而實(shí)現(xiàn)了我們識(shí)別字符的目的，算法流程如下圖所示：SKIPIF1<0圖4.12算法流程圖首先進(jìn)行第一步，細(xì)化處理。細(xì)化，又稱為骨架化，即在不影響原圖的拓?fù)溥B接關(guān)系的條件下，將寬度大于一個(gè)像素的圖形線條轉(zhuǎn)變?yōu)橹挥幸粋€(gè)像素寬度的處理過程，也就是抽取圖像的骨架，由于細(xì)化能很好地展現(xiàn)圖像的形狀，并且，細(xì)化還有一個(gè)優(yōu)點(diǎn)就是可以減少所需用到的內(nèi)存空間，這樣就可以在進(jìn)行圖像處理時(shí)簡化一些操作，加快處理速度。因此，細(xì)化在圖像處理中占有著重要的地位，是圖像分析、信息壓縮、特征抽取及模式識(shí)別常用的技術(shù)。24/57由于細(xì)化處理在圖像處理中的重要性，所以細(xì)化算法一直是人們比較關(guān)注的問題，人們也提出了許多的細(xì)化算法，這些算法的處理方法和結(jié)果也都不一樣，但是不論其目的，用途怎樣，細(xì)化過程都不能改變?cè)瓐D的拓?fù)溥B續(xù)性，也不能有顯著的端點(diǎn)縮短和叉點(diǎn)分離的畸變情況。此外，在許多情況中，細(xì)化的過程占整個(gè)圖像處理一半以上的時(shí)間，因而提高細(xì)化算法的速度也是非常有意義的。我們采用的是一種簡單而且效果很好的算法，能夠?qū)崿F(xiàn)抽取骨架的功能。所謂骨架，可以理解為圖像的中軸，例如一個(gè)長方形的骨架就是它的長方向上的中軸線；正方形的骨架就是它的中心點(diǎn)；圓的骨架就是它的圓心；直線的骨架就是它自身；孤立點(diǎn)的骨架也是自身。那么，如果去除那些骨架以外的點(diǎn)呢？顯然，是要根據(jù)它的八個(gè)相鄰點(diǎn)的情況來判斷，以下就是幾個(gè)例子，如圖所示：(2)(2)(4)(3)(6)(1)(5)圖4.12細(xì)化示意圖上圖中的中心點(diǎn)就是我們所要處理的像素點(diǎn)，下面就來討論像素點(diǎn)可不可以刪除，圖（1）的像素點(diǎn)不可以刪除，因?yàn)樗莻€(gè)內(nèi)部點(diǎn)，我們要求的是骨架，如果連內(nèi)部點(diǎn)也刪除了，那么骨架就會(huì)被掏空的，所以不能刪除，圖（2）中的像素點(diǎn)也不可以刪除，因?yàn)樗彩莾?nèi)部點(diǎn)，和圖（1）一樣，圖（3）中的像素點(diǎn)可以刪除，因?yàn)樵擖c(diǎn)不是骨架，圖（4）也不能刪除，因?yàn)閯h除后，原來相連的部分就斷開了，圖（5）的可以刪除，因?yàn)椴皇枪羌?，圖（6）不能刪除，因?yàn)樗侵本€的端點(diǎn)，如果這樣的點(diǎn)刪除了，那么整個(gè)直線也被刪了，圖（7）也不能刪，因?yàn)樗枪铝Ⅻc(diǎn)，由此可以看出，有這樣幾條判斷依據(jù)：1、內(nèi)部點(diǎn)不能刪除；2、孤立點(diǎn)不能刪除；3、直線端點(diǎn)不能刪除；4、如果P是邊界點(diǎn)，去掉P后，如果連通分量不增加，則P可以刪除。根據(jù)這些判斷依據(jù)，我們可以制作一張表格，從0到255共有256個(gè)元素，每個(gè)元素要么是0，要么是1。我們根據(jù)被處理點(diǎn)的八個(gè)相鄰點(diǎn)的情況來查表，若表中的元素是1，則表示該點(diǎn)應(yīng)該刪除，否則保留。具體的查表方法如下：設(shè)白點(diǎn)為1，黑點(diǎn)為0；自左上方開始，左上方點(diǎn)對(duì)應(yīng)一個(gè)8位數(shù)的第一位，正上方點(diǎn)對(duì)應(yīng)第二位，右上方點(diǎn)對(duì)應(yīng)第三位，左鄰點(diǎn)對(duì)應(yīng)第四位，右鄰點(diǎn)對(duì)應(yīng)第五位，左下方點(diǎn)對(duì)應(yīng)第六位，正下方點(diǎn)對(duì)應(yīng)第七位，右下方點(diǎn)對(duì)應(yīng)第八位，這樣就構(gòu)成了一個(gè)8位二進(jìn)制數(shù)。24/57我們判斷用的表如下：Staticinttable[256]={0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,1,0,0,1,1,0,0,1,1,1,1,0,1,1,1,0,1,1,1,0,0,1,1,1,10,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,0,0,0,0,0,0,0,0,1,1,0,0,1,1,1,1,0,0,0,0,0,0,0,0,1,1,0,0,1,1,0,0,1,1,0,1,1,1,0,0,1,1,0,0,1,1,1,0,1,1,0,0,1,0,0,0}；通過這張判斷表，我們就可以很簡單的判斷該點(diǎn)是否應(yīng)該刪除，整個(gè)算法也就非常簡單了。我們首先水平方向掃描第一行最左邊的點(diǎn)，然后是最右邊的點(diǎn)，接著掃描第二行最左邊的點(diǎn)，最右邊的點(diǎn)，直到最后一行最左邊的點(diǎn)，最右邊的點(diǎn)；然后垂直方向掃描第二列最上邊的點(diǎn)（因?yàn)榈谝涣凶钌线叺狞c(diǎn)已經(jīng)被刪除），第二列最下邊的點(diǎn)，直到倒數(shù)第二列最上邊的點(diǎn)，最下邊的點(diǎn)。這樣，剛好剝掉了一圈，這也正是我們細(xì)化所要做的事。通過對(duì)整個(gè)圖像進(jìn)行一遍掃描，即完成了細(xì)化操作。接下來進(jìn)行第二步，模板匹配的粗比對(duì)。所謂的粗比對(duì)，就是按照車牌字符所特有的特征，如車牌上漢字后面的第一位應(yīng)該是英文字母，第二位和第三位有可能是英文字母也有可能是數(shù)字，最后三位應(yīng)該都是數(shù)字，正是按照這些特征，我們將待識(shí)別字符分成三組，第一組是英文字母，第二組是數(shù)字，第三組是數(shù)字或者字母，這樣，我們就把每一組分別和不同的字符標(biāo)準(zhǔn)模板進(jìn)行模式匹配，在這一次匹配中我們不需要做到非常的精確，只需要匹配度達(dá)到一個(gè)基本的匹配閾值λ0以上就可以了，然后我們按照字符的匹配度將它分為幾組，分組情況如下：G，Q，D，O，0一組，Z，2一組等，具體的識(shí)別流程圖如下圖所示：SKIPIF1<025/57圖4.13字符識(shí)別流程圖這樣，就完成了對(duì)字符模板匹配的粗比對(duì)，但是，其中也有例外，例如‘1’‘W’等字符，因?yàn)闆]有與它們相似的字符，所以通過粗比對(duì)就可以確定，而其它字符還要經(jīng)過細(xì)比對(duì)才能得出識(shí)別結(jié)果。最后一步，就是對(duì)待識(shí)別圖像與標(biāo)準(zhǔn)模板進(jìn)行細(xì)節(jié)比對(duì)，也就是我們所說的字符細(xì)比對(duì)。字符的細(xì)比對(duì)，是在字符經(jīng)過了粗比對(duì)的基礎(chǔ)上，待識(shí)別字符與標(biāo)準(zhǔn)模板中的每一個(gè)字符都有一個(gè)匹配值，這時(shí)，就要根據(jù)它所處的位置和它與標(biāo)準(zhǔn)模板的匹配情況，選擇匹配值最大的字符模板，認(rèn)為待識(shí)別字符就是該模板所代表的字符。例如某個(gè)待識(shí)別字符如圖5.8（圖像為標(biāo)準(zhǔn)化的40×20的圖像），它與‘0’，‘Q’，‘D’，‘G’標(biāo)準(zhǔn)字符模板的相似度均大于我們預(yù)定的閾值λ0，并且根據(jù)它所處的位置來進(jìn)行判斷，假設(shè)它處在最后一個(gè)位置，那么它就應(yīng)該是數(shù)字，所以不用進(jìn)行細(xì)比對(duì)，我們就可以確定它是數(shù)字‘0’，但是如果它處在第三個(gè)位置，它就有可能是數(shù)字也有可能是字母，這是我們就無法簡單的確定它是‘0’，‘Q’，‘D’還是‘G’，我們就需要對(duì)它進(jìn)行細(xì)比對(duì)。圖4.14待識(shí)別的圖像圖4.15OQDG標(biāo)準(zhǔn)模板首先，將待識(shí)別圖像與字母‘Q’標(biāo)準(zhǔn)模板來進(jìn)行細(xì)比對(duì)，我們發(fā)現(xiàn)數(shù)字‘0’與字母‘Q’最大的區(qū)別在于圖像的右下方，如圖5.12所示（為了方便顯示，我們將圖片放大，并且取反色以便觀看），所以我們只需要選取待識(shí)別圖像的右下角區(qū)域，再與字母‘Q’的標(biāo)準(zhǔn)模板的相同區(qū)域進(jìn)行比較，這時(shí)，由于是細(xì)節(jié)比對(duì)，所以我們就需要提高判斷閾值，當(dāng)然，根據(jù)字母之間相似度，有些閾值要大一些，有些閾值就要小一些，例如這種比較，我們根據(jù)經(jīng)驗(yàn)就設(shè)定閾值為0.6，通過比較，發(fā)現(xiàn)兩者的相似度遠(yuǎn)遠(yuǎn)低于0.6，所以，我們就認(rèn)為這個(gè)字符不可能是‘Q’。圖4.16字符Q與O的區(qū)別27/57接下來，我們將待識(shí)別圖像與字母‘D’標(biāo)準(zhǔn)模板來進(jìn)行細(xì)比對(duì)，通過對(duì)比，我們注意到數(shù)字‘0’與字母‘D’最大的區(qū)別是圖像的上1/3部，如圖5.13所示，所以這次我們需要選取待識(shí)別圖像的上1/3部，拿它來與字母‘D’的標(biāo)準(zhǔn)模板的上1/3部比較，這次，我們選定閾值為0.7，通過比較，發(fā)現(xiàn)兩者的相似度遠(yuǎn)遠(yuǎn)低于0.7，所以，我們同樣也不認(rèn)為是字母‘D’圖4.17字符D與O的區(qū)別然后，我們?cè)侔汛R(shí)別圖像與字母‘G’的標(biāo)準(zhǔn)模板來比對(duì)，通過圖5.14我們可以看出，數(shù)字‘0’和字母‘G’的最大區(qū)別在于圖像的右上部，所以我們只需要比較待識(shí)別字符圖像的右上部分即可。這次比較，我們選用的閾值是0.8，通過比較，發(fā)現(xiàn)兩者的相似度為0.5左右，所以我們也不認(rèn)識(shí)該字符圖像是‘G’圖4.18字符O與G的區(qū)別經(jīng)過了三次細(xì)比對(duì)，我們發(fā)現(xiàn)待識(shí)別字符并不是‘Q’，‘D’和‘G’，所以我們就認(rèn)為它是‘0’或者‘O’（對(duì)于這兩種字符，我們認(rèn)為通過字符匹配是無法區(qū)分的，我們只能通過他們所處的位置來確定，如果處在第二個(gè)字符位置，那么我們就認(rèn)為它是‘O’，否則我們認(rèn)為它是‘0’），至此，我們就完成了對(duì)這個(gè)字符的識(shí)別，識(shí)別結(jié)果也就出來了。同樣，采用相同的方法，我們也一樣可以識(shí)別出其他的字符。這樣，我們就通過改進(jìn)的模板匹配方法達(dá)到了我們識(shí)別字符的最終目的。改進(jìn)的方法采用了細(xì)化的方法提取了字符的骨架，減少了冗余信息，使其在復(fù)雜的應(yīng)用環(huán)境中仍然能夠準(zhǔn)確的識(shí)別出字符，通過粗比對(duì)和細(xì)比對(duì)兩次匹配方法，提高了識(shí)別的魯棒性和準(zhǔn)確性，并且是運(yùn)算速度得到了提高。28/57第5章車牌識(shí)別系統(tǒng)在MATLAB工具下的實(shí)現(xiàn)本章是對(duì)算法的實(shí)現(xiàn)，介紹了實(shí)驗(yàn)環(huán)境平臺(tái)搭建、識(shí)別過程、實(shí)驗(yàn)數(shù)據(jù)及分析。5.1實(shí)驗(yàn)環(huán)境硬件環(huán)境：數(shù)碼相機(jī)一臺(tái)（用于采集圖片），PC機(jī)一臺(tái)。軟件環(huán)境：操作系統(tǒng)：WindowsXP圖像格式：jpg格式，24位真彩色編程環(huán)境：MATLAB2008。5.2平臺(tái)搭建根據(jù)上文研究的算法，利用MATLAB的M語言分別實(shí)現(xiàn)了車牌識(shí)別系統(tǒng)的定位、字符切分和字符識(shí)別功能模塊，利用MATLAB的GUI工具箱開發(fā)了測(cè)試系統(tǒng)，驗(yàn)證上面設(shè)計(jì)的算法在車牌識(shí)別系統(tǒng)中的應(yīng)用效果，利用MATLAB的圖形用戶開發(fā)環(huán)境（GUIDE）設(shè)計(jì)了本測(cè)試平臺(tái)，流程如下：輸入圖像輸入圖像*.jpg車牌定位模塊控件2：輸入?yún)?shù)控件3：輸出結(jié)果車牌字符切分模塊車牌字符識(shí)別模塊控件1：讀入圖像數(shù)據(jù)輸出識(shí)別結(jié)果28/57圖5.1車牌識(shí)別系統(tǒng)流程圖啟動(dòng)測(cè)試界面時(shí)，將會(huì)先導(dǎo)入識(shí)別參數(shù)設(shè)置值，當(dāng)改變參數(shù)設(shè)置后，更新識(shí)別參數(shù)設(shè)置值，使之與當(dāng)前設(shè)置一致。輸入的圖像信息和識(shí)別參數(shù)設(shè)置值以參數(shù)的形式傳送到run.m文件中，在該文件中，完成整個(gè)車牌的識(shí)別。該模塊調(diào)用二個(gè)子模塊：車牌定位模塊location.m，車牌字符切分模塊segmentation.m和車牌字符識(shí)別模塊ocr.m.在每個(gè)子模塊中，先用load'global_var.mat'語句導(dǎo)入最新的識(shí)別參數(shù)設(shè)置值。識(shí)別時(shí)首先將圖像image以參數(shù)的形式輸入到location.m中，利用小波變換和投影法對(duì)圖像進(jìn)行定位，得到車牌部分的圖像bw，同時(shí)根據(jù)車牌的顏色特征判斷出車牌的底色grounding。然后將車牌部分的l糾像bw輸入到segmentation.m中，對(duì)其用改進(jìn)的Otsu算法進(jìn)行二值化，然后根據(jù)其投影進(jìn)行傾斜校正和字符的切分，得到了切分后的七個(gè)字符的圖像seg。接著導(dǎo)入net.mat文件，該文件中存有對(duì)創(chuàng)建的匹配字符模板進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練得到的網(wǎng)絡(luò)對(duì)象net。將切分好的字符圖像seg和訓(xùn)練好的網(wǎng)絡(luò)對(duì)象net輸入到ocr.m中，調(diào)用函數(shù)sim模擬一個(gè)網(wǎng)絡(luò)，根據(jù)訓(xùn)練好的網(wǎng)絡(luò)net及輸入向量seg進(jìn)行模擬網(wǎng)絡(luò)輸出，最終得到識(shí)別的結(jié)果。最后，將識(shí)別結(jié)果輸出到文本框中，顯示在界面上。即完成了車牌識(shí)別的整個(gè)過程。5.3識(shí)別過程通過對(duì)原始待識(shí)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(gè)字符圖像，識(shí)別的大概過程如下面各圖所示：:圖5.2原始彩色圖片29/57圖5.3原始黑白圖像圖5.4背景圖像30/57圖5.5增強(qiáng)黑白圖像圖5.6圖像二值化31/57圖5.7圖像彩色標(biāo)記圖5.8車牌灰度子圖、二值子圖32/57圖5.9水平投影及車牌二值子圖圖5.10垂直投影及車牌字符高度33/57最終識(shí)別結(jié)果為:圖5.11識(shí)別結(jié)果5.4實(shí)驗(yàn)數(shù)據(jù)及分析我們利用數(shù)碼相機(jī)進(jìn)行了車牌圖像的采集工作，以用來驗(yàn)證我們的程序，具體數(shù)據(jù)如表5.1：表5.1結(jié)果分析識(shí)別結(jié)果識(shí)別正確拒絕識(shí)別個(gè)數(shù)8515百分比85%15%圖5.12拒絕識(shí)別的圖片34/57在圖5.12中，由于提取車牌邊緣的過程中，提取到的矩形邊框不滿足長寬比大于2且小于4，所以程序自動(dòng)跳出，無法進(jìn)行下一步車牌定位，不能識(shí)別出車牌。從上面的表格可以計(jì)算出，整個(gè)車牌系統(tǒng)的識(shí)別率為85%。系統(tǒng)可以較準(zhǔn)確的進(jìn)行定位，無法準(zhǔn)確定位的車牌圖像往往是由在車牌周圍有垂直條紋、且大小與車牌相仿的圖像塊，以及提取矩形輪廓時(shí)不能完整提取整個(gè)車牌區(qū)，造成程序終止。這些干擾的去除需要對(duì)算法的進(jìn)一步改進(jìn)，例如可以考慮在粗定位后對(duì)圖像的垂直投影圖進(jìn)行分析，將不符合幾大峰群條件的偽車牌部分去除，然后重新進(jìn)行搜索。車牌字符識(shí)別的準(zhǔn)確率達(dá)到了85%，還是比較理想的，其中，字符識(shí)別錯(cuò)誤的原因大多是由于字符特征非常接近、車牌局部存在污點(diǎn)的情況下，結(jié)果無法識(shí)別，主要原因則是車牌邊框不明顯或者車牌圖像傾斜比較嚴(yán)重的情況。可以通過增加字符模板解決這個(gè)問題。綜上所述，本系統(tǒng)具有以下特點(diǎn)：1)車牌識(shí)別率較高，達(dá)到了85%，基本滿足需求；2)車牌系統(tǒng)適應(yīng)性較好，對(duì)天氣的變化以及車身的弱干擾有較好的適應(yīng)性；3)通過我們對(duì)程序的計(jì)時(shí)顯示，總體看來，識(shí)別所需要的時(shí)間在0.7s～1s之間，實(shí)時(shí)性比較好。36/57第6章總結(jié)與展望6.1總結(jié)經(jīng)過幾個(gè)月的奮戰(zhàn)我的畢業(yè)設(shè)計(jì)終于完成了。在沒有做畢業(yè)設(shè)計(jì)以前覺得畢業(yè)設(shè)計(jì)只是對(duì)大學(xué)幾年來所學(xué)知識(shí)的單純總結(jié)，但是通過這次做畢業(yè)設(shè)計(jì)發(fā)現(xiàn)自己的看法有點(diǎn)太片面。畢業(yè)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。通過這次課程設(shè)計(jì)使我明白了自己原來知識(shí)還比較欠缺。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什么東西都會(huì)，什么東西都懂，有點(diǎn)眼高手低。通過這次畢業(yè)設(shè)計(jì)，我才明白學(xué)習(xí)是一個(gè)長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己的綜合知識(shí)。本文對(duì)車牌識(shí)別系統(tǒng)的關(guān)鍵算法進(jìn)行了較深入的分析和研究。在借鑒原有方法的基礎(chǔ)上，提出了若干改進(jìn)和新的方法。但同時(shí)，通過對(duì)本系統(tǒng)的研究，我感覺車牌識(shí)別仍有許多內(nèi)容需要改進(jìn)和完善。車牌識(shí)別系統(tǒng)作為智能交通系統(tǒng)中重要的一部分，近年來引起專家們的重視，并已有部分產(chǎn)品投入使用。但在實(shí)際使用過程中，仍然存在著系統(tǒng)移植性差、對(duì)光照的適應(yīng)性差、準(zhǔn)確率不夠高等缺點(diǎn)，在后續(xù)處理中還需人工輔助完成，所以對(duì)車牌識(shí)別系統(tǒng)的算法的研究改進(jìn)一直在進(jìn)行。本文以MATLAB為開發(fā)工具，在353張卡口汽車圖像組成的數(shù)據(jù)庫的支持下，對(duì)車牌識(shí)別進(jìn)行了研究，對(duì)多種算法進(jìn)行了分析、比較與改進(jìn)，并提出了一些自己的見解，效果較好。在課題的研究過程中，主要完成了以下工作：1）在對(duì)國內(nèi)外大量文獻(xiàn)的閱讀研究基礎(chǔ)上，使用MATLAB開發(fā)了一套車牌識(shí)別系統(tǒng)，完成了車牌定位、車牌字符切分和車牌字符識(shí)別等功能，搭建了系統(tǒng)測(cè)試平臺(tái)。實(shí)驗(yàn)證明，整個(gè)系統(tǒng)的識(shí)別準(zhǔn)確率達(dá)到91.4%，單幅圖像識(shí)別時(shí)間在0.7s～1s之間，基本滿足實(shí)際要求。2）車牌定位作為車牌識(shí)別系統(tǒng)的第一步，對(duì)識(shí)別準(zhǔn)確率和運(yùn)行時(shí)間有很大影響。在車牌定位中，最重要的是邊緣的提取，邊緣提取的效果好，后面進(jìn)行形態(tài)學(xué)處理后車牌特征明顯，車牌定位的準(zhǔn)確性就高。本系統(tǒng)采用小波變換分解提取垂直分量的算法來提取邊緣，有效的抑制了噪點(diǎn)的影響，在其后采用初步定位與精確定位相結(jié)合的方法實(shí)現(xiàn)了車