車牌識(shí)別項(xiàng)目實(shí)驗(yàn)報(bào)告

基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法【摘要】在汽車牌照識(shí)別系統(tǒng)中，車牌定位是整個(gè)識(shí)別模塊實(shí)現(xiàn)的前提，目前車牌定位的方法多種多樣，各有所長(zhǎng)，但存在著計(jì)算量大或定位準(zhǔn)確率不高等問(wèn)題。本文結(jié)合數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算，嘗試使用數(shù)學(xué)形態(tài)學(xué)來(lái)實(shí)現(xiàn)車牌照識(shí)別系統(tǒng)中的關(guān)鍵步驟——車牌定位。實(shí)驗(yàn)結(jié)果表明此方法算法簡(jiǎn)單，且有一定的定位準(zhǔn)確率?！娟P(guān)鍵詞】數(shù)學(xué)形態(tài)學(xué)，結(jié)構(gòu)元素，車牌定位AMethod0fLicensePlateLocationBased

0nMorphology【Abstract】 Incarlicenseplaterecognitionsystem，licenseplatelocationisthepreconditionofthewholerecognitionmodule．Nowvariousmethodsareusedinit,eachofwhichhasitsownadvantage．However，suchproblemsasthequantityincalculationorthelowcorrectlocationratearen'tsolved．Thispaperusesmathematicalmorphologycombinedwithitselementalcalculationtorealizethecrucialprocedure—licenseplatelocationincarlicenseplaterecognition．Experimentresultsshowthatsuchmethodcallsimplifythealgorithmandhassomecorrectlocationrate．【KeyWords】Morphology，Structureelement，Licenseplatelocation目錄TOC\o"1-5"\h\z\o"CurrentDocument"第1章緒論 1\o"CurrentDocument"1.1車牌研究概要 1\o"CurrentDocument"1.1.1車牌定位的背景 1\o"CurrentDocument"1.1.2車牌定位的意義 2\o"CurrentDocument"1.2本文研究的內(nèi)容 3\o"CurrentDocument"1.2.1車牌定位研究的主要內(nèi)容 4\o"CurrentDocument"1.2.2研究小結(jié) 4\o"CurrentDocument"第2章車牌定位算法的研究 5\o"CurrentDocument"2.1傳統(tǒng)的車牌定位算法 5\o"CurrentDocument"2.1.1基于顏色的分割算法 5\o"CurrentDocument"2.1.2基于紋理的分割算法 5\o"CurrentDocument"2.1.3基于邊緣檢測(cè)的分割算法 6\o"CurrentDocument"2.1.4基于數(shù)學(xué)形態(tài)學(xué)的分割算法 6\o"CurrentDocument"2.1.5基于遺傳算法的分割方法 7\o"CurrentDocument"2.1.6基于神經(jīng)網(wǎng)絡(luò)的分割算法 8\o"CurrentDocument"2.2形態(tài)學(xué)的基本運(yùn)算 8\o"CurrentDocument"2.2.1膨脹，腐蝕 9\o"CurrentDocument"2.2.2開(kāi)，閉運(yùn)算 10\o"CurrentDocument"2.3本章小結(jié) 11\o"CurrentDocument"第3章車牌定位算法的實(shí)現(xiàn) 12\o"CurrentDocument"3.1算法處理過(guò)程 12\o"CurrentDocument"3.2二值化處理 12\o"CurrentDocument"3.3腐蝕去噪 13\o"CurrentDocument"3.4作膨脹，腐蝕運(yùn)算 13\o"CurrentDocument"3.5標(biāo)記連通域 13\o"CurrentDocument"3.6標(biāo)識(shí)并定位車牌 14\o"CurrentDocument"3.7本章小結(jié) 15\o"CurrentDocument"第4章實(shí)驗(yàn)結(jié)果及分析 16\o"CurrentDocument"4.1實(shí)驗(yàn)說(shuō)明 16\o"CurrentDocument"4.1.1實(shí)驗(yàn)流程 164.1.2實(shí)驗(yàn)分析 17\o"CurrentDocument"4.2實(shí)驗(yàn)小結(jié) 20\o"CurrentDocument"結(jié)論 21\o"CurrentDocument"參考文獻(xiàn) 22\o"CurrentDocument"附錄 24致謝 錯(cuò)誤!未定義書(shū)簽。圖目錄TOC\o"1-5"\h\z圖（3.1）實(shí)驗(yàn)過(guò)程 12圖（4.1）實(shí)驗(yàn)流程圖 16圖（4.2）原始圖像 17圖（4.3）邊緣二值化結(jié)果 17圖（4.4）腐蝕去除噪聲 18圖（4.5）膨脹 18圖（4.6）腐蝕 19圖（4.7）標(biāo)記連通區(qū)域 19圖（4.8）最終識(shí)別結(jié)果 20第1章緒論1.1車牌研究概要在汽車牌照識(shí)別系統(tǒng)中，車牌定位是整個(gè)識(shí)別模塊實(shí)現(xiàn)的前提，目前車牌定位的方法多種多樣各有所長(zhǎng)，但存在著計(jì)算量大或定位準(zhǔn)確率不高等問(wèn)題。文章結(jié)合數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算，嘗試使用數(shù)學(xué)形態(tài)學(xué)來(lái)實(shí)現(xiàn)車牌照識(shí)別系統(tǒng)中的關(guān)鍵步驟——車牌定位。1.1.1車牌定位的背景隨著21世紀(jì)經(jīng)濟(jì)全球化和信息時(shí)代的到來(lái)，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的重視。近年來(lái)計(jì)算機(jī)的飛速發(fā)展和數(shù)字圖像技術(shù)的日趨成熟，為傳統(tǒng)的交通管理帶來(lái)巨大轉(zhuǎn)變，先進(jìn)的計(jì)算機(jī)處理技術(shù)，不但可以將人力從繁瑣的人工觀察，監(jiān)測(cè)中解放出來(lái)，而且能夠大大提高其精確度，汽車牌照自動(dòng)識(shí)別系統(tǒng)就是在這樣的背景與目的下進(jìn)行開(kāi)發(fā)的。目前指紋識(shí)別、視網(wǎng)膜識(shí)別技術(shù)已經(jīng)到了實(shí)用階段；聲音識(shí)別技術(shù)發(fā)展也相當(dāng)快，而對(duì)汽車牌照等相關(guān)信息的自動(dòng)采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。車輛牌照識(shí)別(LicensePlateRecognition,LPR)技術(shù)作為交通管理自動(dòng)化的重要手段，其任務(wù)是分析、處理汽車監(jiān)控圖像，自動(dòng)識(shí)別汽車牌號(hào)，并進(jìn)行相關(guān)智能化數(shù)據(jù)庫(kù)管理。LPR系統(tǒng)可以廣泛應(yīng)用于高速公路電子收費(fèi)站、出入控制、公路流量監(jiān)控、失竊車輛查詢、停車場(chǎng)車輛管理、公路稽查、監(jiān)測(cè)黑牌機(jī)動(dòng)車、監(jiān)控違章車輛的電子警察等需要車牌認(rèn)證的重要場(chǎng)合，尤其在高速公路收費(fèi)系統(tǒng)中，實(shí)現(xiàn)不停車收費(fèi)技術(shù)可提高公路系統(tǒng)的運(yùn)行效率，LPR系統(tǒng)更具有不可替代的作用，因而對(duì)LPR車牌識(shí)別技術(shù)的研究和應(yīng)用系統(tǒng)開(kāi)發(fā)具有重要的現(xiàn)實(shí)意義。汽車牌照識(shí)別系統(tǒng)(VLRPS)是對(duì)公路上配置的攝像頭拍攝的照片進(jìn)行數(shù)字圖像處理與分析，綜合應(yīng)用大量的圖像處理最新成果和數(shù)學(xué)形態(tài)學(xué)方法對(duì)汽車圖像進(jìn)行平滑、二值化、模糊處理、邊緣檢測(cè)、圖像分割、開(kāi)運(yùn)算、比運(yùn)算、區(qū)域標(biāo)識(shí)等多種手段以提取車牌區(qū)域，進(jìn)而達(dá)到對(duì)汽車牌照的精確定位并最終完成對(duì)汽車牌照的識(shí)別。1.1.2車牌定位的意義在國(guó)內(nèi)，廖金周等用線性濾波器，水平方向和垂直方向投影來(lái)確定車牌的位置［1］，但是該方法受光照和噪聲的影響很大，葉晨洲等人采用紋理信息和多分類器進(jìn)行集成的方法來(lái)進(jìn)行車牌的定位和識(shí)別［2］，但是車牌的紋理信息好多不太明顯，受環(huán)境的影響較大。在國(guó)外，使用數(shù)學(xué)形態(tài)學(xué)［3］，邊緣提?。?］，梯度特征合成［5］，基于神經(jīng)網(wǎng)絡(luò)的顏色分層［6］，矢量量化［7］等方法用于車牌定位和識(shí)別，例如J.R.Parker等使用5X5的中值濾波器⑻進(jìn)行預(yù)處理，Shen一Castan邊緣算子［9］得到邊緣，然后利用遺傳算法提取車牌，但是遺傳算法收斂速度很慢，MeiYu等人利用模板匹配的方法對(duì)車牌文本識(shí)別，但是適應(yīng)性不太好。中科院自動(dòng)化所文字識(shí)別工程中心從1998年以來(lái)一直從事車牌識(shí)別的研究工作，并且已經(jīng)開(kāi)始成功地把研究成果應(yīng)用到高速公路的收費(fèi)系統(tǒng)中去。車牌識(shí)別系統(tǒng)將有效率地利用現(xiàn)有交通設(shè)施，減少交通負(fù)荷，保證交通安全，提高運(yùn)輸效率。中國(guó)是一個(gè)經(jīng)濟(jì)持續(xù)發(fā)展的發(fā)展中國(guó)家，改革開(kāi)放以來(lái)，城市化與汽車化發(fā)展十分迅猛。改革開(kāi)放前，城市化水平不足19%，目前已經(jīng)發(fā)展到超過(guò)30%，預(yù)測(cè)2010年將接近50%；機(jī)動(dòng)車擁有量目前已達(dá)6000萬(wàn)輛，并以每年10%的速度持續(xù)增長(zhǎng)，預(yù)計(jì)2010年將達(dá)到1.3億輛。中國(guó)城市交通的特點(diǎn)是混合交通，目前自行車擁有量超過(guò)1.8億輛，如果公共交通服務(wù)水平不提高，城市交通結(jié)構(gòu)不完善，自行車擁有量將會(huì)有增無(wú)減。改革開(kāi)放以來(lái)，中國(guó)道路交通設(shè)施及管理設(shè)施雖然有較大改觀，但跟不上自動(dòng)車增長(zhǎng)速度。總體發(fā)展水平與發(fā)達(dá)國(guó)家有較大差距，特別是大多數(shù)城市路網(wǎng)結(jié)構(gòu)不合理，道路功能不完善，道路系統(tǒng)不健全，交通管理設(shè)施缺乏，管理水平不高。即使各地都建立了交通控制中心，大多只是實(shí)現(xiàn)了監(jiān)視功能，而遠(yuǎn)沒(méi)有發(fā)揮控制功能的效應(yīng)。中國(guó)城市的大氣質(zhì)量惡化，已逐步由無(wú)煙煤污染轉(zhuǎn)變?yōu)闄C(jī)動(dòng)車尾氣污染。其中主要原因是交通擁堵、車速下降以及車況差、車輛技術(shù)性能低等，致使在世界十大空氣污染最嚴(yán)重的城市中，我國(guó)就據(jù)之有七。同時(shí)，車輛狀況差也影響到城市交通，并已成為制約我國(guó)城市交通的重要因素。以車況較好的北京市為例，平均日故障次數(shù)達(dá)500次以上，給城市交通帶來(lái)了巨大壓力。車牌定位系統(tǒng)的應(yīng)用范圍：交通路口的智能化交通管理；交通信息的自動(dòng)采集；機(jī)場(chǎng)，港口等出入口車輛管理；警方及其他執(zhí)法機(jī)關(guān)設(shè)立臨時(shí)稽查站，對(duì)來(lái)往車輛實(shí)施稽查，自動(dòng)甄別待查車輛；路橋、隧道等卡口的自動(dòng)收費(fèi)系統(tǒng)；現(xiàn)代住宅小區(qū)、停車場(chǎng)、重要機(jī)關(guān)單位的出入口管理等。1.2本文研究的內(nèi)容車牌區(qū)域的特點(diǎn)：車牌底色往往與車身顏色、字符顏色有較大差異；車牌的矩形區(qū)域內(nèi)存在較豐富的邊緣，呈現(xiàn)出規(guī)則的紋理特征；車牌內(nèi)字符之間的間隔比較均勻，字符和牌照底色在灰度上存在跳變；圖像中牌照長(zhǎng)寬比的變化有一定范圍。車牌定位中存在的問(wèn)題：現(xiàn)場(chǎng)影像中的字符與那些統(tǒng)一格式的文字文件或者封面圖片對(duì)比，由于外部環(huán)境條件的變化而產(chǎn)生了明顯的差異。因?yàn)樘?yáng)光的照射，改變了那些字的明亮度，所以從早上到夜晚，這些字符的灰度會(huì)隨著時(shí)間的推移產(chǎn)生很明顯的變化。同時(shí)，由于周圍的各種燈光和陰影，以及其他一些周邊的物體，都會(huì)對(duì)這些字符產(chǎn)生變化，使人們覺(jué)得這些字符看起來(lái)很不平衡。此外，不同的天氣環(huán)境，比如下雨，下雪，霧等，也會(huì)對(duì)這些現(xiàn)場(chǎng)影像中的字符效果產(chǎn)生影響。由于所有攝像頭的位置并不相同，那些關(guān)鍵字符與相機(jī)的位置變化，使得那些現(xiàn)場(chǎng)的圖片上或多或少地帶有一些三維效果。比如某些字符是從一些非常不標(biāo)準(zhǔn)的角度拍攝的，使得這些字看起來(lái)是傾斜的，這會(huì)導(dǎo)致那些字符相當(dāng)難以辨認(rèn)。在現(xiàn)場(chǎng)圖片中可能會(huì)有其他類似的物體，它們與車牌有著相似的形狀與特征，容易產(chǎn)生混淆。（例如：窗框，圍墻，欄桿，樓梯等等）車牌定位研究的主要內(nèi)容本文將提出一種快速自適應(yīng)車牌定位算法。在粗定位階段結(jié)合車牌區(qū)域的紋理特征和灰度信息定位車牌，接著利用車牌字符的邊緣特點(diǎn)精確定位，為下一階段的車牌字符處理打下了良好的基礎(chǔ)。經(jīng)實(shí)驗(yàn)證明，本文提出的方法速度較快，滿足整個(gè)系統(tǒng)的實(shí)時(shí)性要求，對(duì)車牌大小、長(zhǎng)寬比、車牌類型、是否有邊框等車牌信息不敏感，對(duì)不同的拍攝方式、不同的拍攝條件、不同的圖像類型同樣具用較好的魯棒性。由于抓住了車牌共有的特征，本方法有著廣泛的適用性，可應(yīng)用于道路收費(fèi)、車輛監(jiān)控、停車場(chǎng)管理等諸多領(lǐng)域。研究小結(jié)在本章中，對(duì)于車牌定位的意義和研究?jī)?nèi)容及其發(fā)展情況進(jìn)行了介紹。并對(duì)本文的工作進(jìn)行了說(shuō)明。隨著數(shù)字圖像處理與計(jì)算機(jī)視覺(jué)領(lǐng)域的發(fā)展，很多應(yīng)用領(lǐng)域?qū)τ趫D像特征提取的質(zhì)量將提出更大的要求?；诙ㄎ凰惴ǖ亩鄻有院蛷?fù)雜性，車牌定位算法的完善性還未形成。本文從當(dāng)前基于形態(tài)學(xué)的問(wèn)題入手，對(duì)現(xiàn)有的車牌定位系統(tǒng)算法提出改進(jìn)，并與增強(qiáng)算法結(jié)合，實(shí)驗(yàn)結(jié)果顯示具有很強(qiáng)的現(xiàn)實(shí)意義。第2章車牌定位算法的研究傳統(tǒng)的車牌定位算法車牌定位就是從復(fù)雜的車輛背景圖像中準(zhǔn)確的提取出車牌區(qū)域。如何從車牌序列圖像中準(zhǔn)確的獲取車牌位置是車牌自動(dòng)識(shí)別算法實(shí)現(xiàn)的關(guān)鍵。車牌定位是整個(gè)車牌自動(dòng)識(shí)別算法的基礎(chǔ)，車牌定位的準(zhǔn)確與否，直接決定了后階段的圖像處理的質(zhì)量與處理速度、識(shí)別的精度與識(shí)別的速度。目前，車牌定位主要采用以下幾種方法：基于圖像彩色信息的方法［10］；基于紋理分析的方法［11］；基于邊緣檢測(cè)的方法［12］；基于數(shù)學(xué)形態(tài)學(xué)的定位［13］；基于遺傳算法的定位［14］；基于神經(jīng)網(wǎng)絡(luò)的定位等［15］。它們有一定的優(yōu)點(diǎn)，但也有不足之處。2.1.1基于顏色的分割算法該方法是根據(jù)不同顏色車牌出現(xiàn)的概率，合理利用投影技術(shù)，進(jìn)行統(tǒng)計(jì)分析，而后定位和分割出車牌。該算法具有速度快、準(zhǔn)確率高、適應(yīng)性強(qiáng)等特點(diǎn)。但是，該方法在車牌區(qū)域顏色與附近區(qū)域顏色非常相近時(shí)，車牌的定位誤差會(huì)有所增加。在進(jìn)行車牌定位以前，需要對(duì)圖像進(jìn)行預(yù)處理，增大圖像的對(duì)比度。由于我國(guó)車牌有多種顏色格式，且受天氣光照等影響，所以需要先將彩色圖像轉(zhuǎn)換為灰度圖像。2.1.2基于紋理的分割算法紋理分析算法描述：首先進(jìn)行行掃描，根據(jù)上述的關(guān)于車牌線段的定義，找出圖像中每一行所含有的車牌線段。記錄下它們的起始坐標(biāo)和長(zhǎng)度：如果有連續(xù)若干行且行數(shù)大于某一閾值R,滿足每一行存在不少于一個(gè)的車牌線段。則認(rèn)為找到了車牌的行可能區(qū)域。這樣，就確定了可能存在車牌的區(qū)域的起始行和高度。進(jìn)行列掃描，以確定車牌候選區(qū)域的起始行、高度和起始列、寬度。繼續(xù)在其他可能存在車牌的區(qū)域?qū)ふ?，直至找到所有的車牌候選區(qū)域。然后根據(jù)車牌的長(zhǎng)，寬，長(zhǎng)寬比這些車牌的幾何特征進(jìn)一步刪除偽車牌，如果還是有多個(gè)車牌候選區(qū)域。則需要用其他方法進(jìn)一步判別。利用字符紋理定位車牌，對(duì)于光照偏弱、偏強(qiáng)或不均勻，牌照傾斜和變形等情況定位較好。但應(yīng)用于背景復(fù)雜的圖像時(shí)，很容易把一些紋理分布比較豐富的其他非車牌區(qū)域也定位進(jìn)來(lái)，產(chǎn)生包含真車牌在內(nèi)的較多的車牌候選區(qū)域。通過(guò)結(jié)合垂直投影的方法可以彌補(bǔ)紋理分析法的不足。2.1.3基于邊緣檢測(cè)的分割算法車牌字符區(qū)域灰度頻率變化是車牌區(qū)域最穩(wěn)定的特征。所以可以利用它的變化來(lái)進(jìn)行車牌定位．即首先對(duì)車輛圖像進(jìn)行邊緣增強(qiáng)，再利用水平掃描線進(jìn)行車牌區(qū)域的檢測(cè)。邊緣檢測(cè)的算子很多，例如：Sobel算子、Roberts算子、Prewitt算子、Laplacian算子等。這些算于都不是專門(mén)用于檢測(cè)垂直邊緣的，且運(yùn)算量較大。一般采用一種水平模板算子與圖像進(jìn)行卷積然后再與原圖像作差分運(yùn)算，當(dāng)差分值大于某一門(mén)限值就認(rèn)為它是邊緣目標(biāo)，否則是背景。該方法的定位準(zhǔn)確率較高，反映時(shí)間快，能有效去掉噪聲，適合于包含多個(gè)車牌的圖象，并且在多車牌圖像的情況下定位速度也很快。但是對(duì)車牌嚴(yán)重褪色的情況，南于檢測(cè)不到字符筆畫(huà)的邊緣會(huì)導(dǎo)致定位失敗定位后的區(qū)域在外界有干擾以及車牌傾斜時(shí)比車牌稍大。2.1.4基于數(shù)學(xué)形態(tài)學(xué)的分割算法基于數(shù)學(xué)形態(tài)學(xué)的車牌區(qū)域粗定位。主要是根據(jù)車牌整體特征從水平方向初步確定車牌位置，它不能精確確定車牌左右邊界的位置。所以必須輔以其余的定位方法進(jìn)行精定位。而基于字符邊緣特征的車牌區(qū)域精定位，可以利用車牌微觀特征進(jìn)一步從縱向上精確確定車牌位置。所以，這兩種定位方法常常結(jié)合來(lái)使用。本文主要研究的就是這種算法。2.1.5基于遺傳算法的分割方法遺傳算法是在達(dá)爾文進(jìn)化論和盂德?tīng)栠z傳變異理論基礎(chǔ)上發(fā)展起來(lái)的一種隨機(jī)搜索尋優(yōu)算法，它通過(guò)模擬生物進(jìn)化的形式，完成對(duì)某個(gè)目標(biāo)函數(shù)的全局優(yōu)化。在車牌定位過(guò)程中．需要對(duì)待定區(qū)域進(jìn)行特征提取處理。搜索空間很大，遺傳算法能夠快速搜索到全局最優(yōu)值。遺傳算法的處理過(guò)程一般為：將待求解問(wèn)題的解進(jìn)行參數(shù)編碼，并給出針對(duì)該參數(shù)編碼的適度函數(shù)。適度函數(shù)值的全局最大值對(duì)應(yīng)問(wèn)題的全局最優(yōu)解：生成初始種群，一般為一組隨機(jī)生成的可能解；計(jì)算種群個(gè)體適度值，并判斷是否滿足算法停止條件，是則退出并輸出當(dāng)前最優(yōu)解：根據(jù)適度函數(shù)進(jìn)行選擇操作，從種群中選擇進(jìn)入下一代的個(gè)體，被選擇的概率正比于個(gè)體的適度函數(shù)值；對(duì)選擇后的個(gè)體以重組概率P兩兩進(jìn)行重組生成新個(gè)體對(duì)新個(gè)體以變異概率進(jìn)行變異操作；轉(zhuǎn)(3)繼續(xù)執(zhí)行。根據(jù)在待定區(qū)域獲得的紋理特征向量。將其與車牌的紋理特征向量進(jìn)行比較就能得到該待定區(qū)域?yàn)檐嚺茀^(qū)的可能概率。傳統(tǒng)算法進(jìn)行特征提取的時(shí)候，當(dāng)目標(biāo)圖像質(zhì)量較差或者有較大的退化時(shí)，不是很有效。而遺傳定位算法能夠?qū)θ珗D的待定目標(biāo)區(qū)域圖像進(jìn)行小范圍的圖像增強(qiáng)和提取，實(shí)際應(yīng)用也表明該方法在圖像質(zhì)量較差時(shí)對(duì)目標(biāo)區(qū)域都有很好的目標(biāo)增強(qiáng)效果。對(duì)夜間迎車頭燈時(shí)抓拍的圖像定位很成功。但仍然具有進(jìn)一步算法優(yōu)化的潛力。可以在算法中加入適當(dāng)?shù)木植克阉魉阕觼?lái)進(jìn)一步改善算法的性能。2.1.6基于神經(jīng)網(wǎng)絡(luò)的分割算法多層前饋人工神經(jīng)網(wǎng)絡(luò)是最流行、最成熟的人工神經(jīng)網(wǎng)絡(luò)。誤差反向傳播(BP)算法又是應(yīng)用中首選的算法。BP算法是由兩部分組成：信息的正向傳遞與誤差的反向傳播。在正向傳播的過(guò)程中，輸人信息從輸人層經(jīng)隱含層逐層計(jì)算傳向輸出層。每一層神經(jīng)元的狀態(tài)只影響下一層神經(jīng)元的狀態(tài)。如果在輸出層沒(méi)有得到期望的輸出，則計(jì)算輸出層的誤差變化值，然后轉(zhuǎn)向反向傳播，通過(guò)網(wǎng)絡(luò)將誤差信號(hào)沿原來(lái)的連接通路反傳回來(lái)修改各層神經(jīng)元的權(quán)值直至達(dá)到期望的目標(biāo)。該定位流程為：采樣窗口的選取窗口應(yīng)為長(zhǎng)方行，尺寸不能太大，否則神經(jīng)網(wǎng)絡(luò)規(guī)模太大太小的話不能充分提取車牌特征；樣本圖像的選擇用什么樣的樣本來(lái)訓(xùn)練網(wǎng)絡(luò)。網(wǎng)絡(luò)就具備了認(rèn)知該類樣本的能力。所以對(duì)車牌和背景反復(fù)采樣，并且注重不同條件下的各種圖像，以實(shí)現(xiàn)網(wǎng)絡(luò)的泛化；搜索的策略在用采樣窗口遍歷圖像時(shí)，用自下而上的策略更優(yōu)越一些。因?yàn)檐嚺埔话阄挥趫D像的中下方，而且車牌上方對(duì)車牌定位的干擾比下方的多；定位速度的提高可以采用改變步長(zhǎng)的遍歷方法來(lái)提高速度：若當(dāng)前窗口對(duì)應(yīng)輸出較低，則跳過(guò)一個(gè)甚至數(shù)個(gè)窗口的距離再采樣計(jì)算；反之則依次遍歷。這樣速度會(huì)有較大提高。該方法利用牌照的長(zhǎng)寬比、面積、面積與周長(zhǎng)比來(lái)區(qū)分真正的牌照區(qū)域與類牌照區(qū)域。該方法具有較強(qiáng)的自適應(yīng)能力，可以在較復(fù)雜背景中精確定位大小不同的車牌。并且通過(guò)對(duì)傳統(tǒng)的BP網(wǎng)絡(luò)的改進(jìn)。一定程度上提高了定位的精度和速度此方法要求圖像中的牌照尺寸基本不變，一旦圖像中的牌照尺寸發(fā)生了較大的變化，必須對(duì)神經(jīng)網(wǎng)絡(luò)重新進(jìn)行訓(xùn)練。定位效果比較好，但計(jì)算量較大。形態(tài)學(xué)的基本運(yùn)算數(shù)學(xué)形態(tài)學(xué)是一種應(yīng)用于圖像處理和模式識(shí)別領(lǐng)域的新方法。形態(tài)學(xué)是生物學(xué)的一個(gè)分支，常用它來(lái)處理動(dòng)物和植物的形狀和結(jié)構(gòu)。1964年，法國(guó)學(xué)者Serra對(duì)鐵礦石的巖相進(jìn)行定量分析，以預(yù)測(cè)鐵礦石的可扎性。幾乎同時(shí)，Matheron研

究了多孔介質(zhì)的幾何結(jié)構(gòu)、滲透性及兩者的關(guān)系，他們的研究成果直接導(dǎo)致數(shù)學(xué)形態(tài)學(xué)的形成。隨后Serra和Matheron在法國(guó)共同建立了Fontainebleau數(shù)學(xué)形態(tài)學(xué)研究中心。在以后幾年的研究中，他們逐步建立并完善了數(shù)學(xué)形態(tài)學(xué)的理論體系，此后，又研究了基于數(shù)學(xué)形態(tài)學(xué)的圖像處理系統(tǒng)。數(shù)學(xué)形態(tài)學(xué)是一門(mén)建立在嚴(yán)密的數(shù)學(xué)理論基礎(chǔ)上的科學(xué)。Matheron于1975年出版的《RandomSetsandIntegralGeometry》一書(shū)中嚴(yán)謹(jǐn)而詳細(xì)地論證了隨機(jī)集論和積分幾何，為數(shù)學(xué)形態(tài)學(xué)奠定了理論基礎(chǔ)。1982年，Serra出版的專著《imageAnalysisandimageprocessing》是數(shù)學(xué)形態(tài)學(xué)發(fā)展的里程碑，它表明數(shù)學(xué)形態(tài)學(xué)在理論上已經(jīng)趨于完備，在實(shí)踐應(yīng)用中不斷深入。此后，經(jīng)過(guò)科學(xué)工作者的不斷努力，Serra主編的紅mageAnalysisandMathematicalMorphology》第2、3卷相繼出版。1986年，CVGIP(ComputerVisionGraphicsandImageProcessing)發(fā)表了數(shù)學(xué)形態(tài)學(xué)專輯，從而使得數(shù)學(xué)形態(tài)學(xué)的研究呈現(xiàn)了新的景象。同時(shí)，F(xiàn)ontainebleau研究中心的學(xué)者們又相繼提出了基于數(shù)學(xué)形態(tài)學(xué)方法的紋理分析模型系列，從而使數(shù)學(xué)形態(tài)學(xué)的研究前景更加光明。隨著數(shù)學(xué)形態(tài)學(xué)邏輯基礎(chǔ)的發(fā)展，其應(yīng)用開(kāi)始向邊緣學(xué)科和工業(yè)技術(shù)方面發(fā)展。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用領(lǐng)域已經(jīng)不限于傳統(tǒng)的微生物學(xué)和材料學(xué)領(lǐng)域，80年代初又出現(xiàn)了幾種新的應(yīng)用領(lǐng)域，如：工業(yè)控制、放射醫(yī)學(xué)、運(yùn)動(dòng)場(chǎng)景分析等。形態(tài)學(xué)圖像處理的基本思想，是利用一個(gè)稱為結(jié)構(gòu)元素(StructureElement)的“探針”收集圖像的信息。作為探針的結(jié)構(gòu)元素，可直接攜帶知識(shí)(形態(tài)、大小、甚至加入灰度和色度信息)，來(lái)探測(cè)研究圖像的結(jié)構(gòu)特點(diǎn)。2.2.1膨脹，2.2.1膨脹，腐蝕腐蝕是數(shù)學(xué)形態(tài)學(xué)最基本的運(yùn)算。腐蝕表示用某個(gè)結(jié)構(gòu)元素對(duì)一個(gè)圖像進(jìn)行探測(cè)，以便找出在圖像內(nèi)部可以放下該結(jié)構(gòu)元素的區(qū)域。AQB={x:B+xuA} (2.1)其中A稱為輸入圖像，B為結(jié)構(gòu)元素。AQB由將B平移x但仍包含在A內(nèi)的所有點(diǎn)x組成。如果將B看作為模板，那么AQB則由在平移模板的過(guò)程中，所有可以填入A內(nèi)部的模板的原點(diǎn)組成。一般地，可以得到下列性質(zhì)：如果原點(diǎn)在結(jié)構(gòu)元素的內(nèi)部，則腐蝕后的圖像為輸入圖像的一個(gè)子集；如果原點(diǎn)在結(jié)構(gòu)元素的外部，那么，腐蝕后的圖像則可能不在輸入圖像的內(nèi)部。形態(tài)學(xué)的第二個(gè)基本運(yùn)算是膨脹，膨脹是腐蝕運(yùn)算的對(duì)偶運(yùn)算?？梢远x為：A十B={y+b:bgB} (2.2)因而，膨脹可以通過(guò)相對(duì)結(jié)構(gòu)元素的所有點(diǎn)平移輸入圖像，然后計(jì)算其并集得到。膨脹也可以通過(guò)對(duì)補(bǔ)集的腐蝕來(lái)定義。因?yàn)楦g表示對(duì)圖像內(nèi)部作濾波處理，而膨脹則表示對(duì)圖像的外部作處理。如果結(jié)構(gòu)元素為一個(gè)圓盤(pán)，那么膨脹可以填充圖像中的孔，而腐蝕則可以消除圖像中小的成分。值得注意的是，結(jié)構(gòu)元素的大小和形狀對(duì)腐蝕和膨脹的結(jié)果會(huì)產(chǎn)生不同的影響。開(kāi)，閉運(yùn)算在形態(tài)學(xué)圖像處理中，除了腐蝕和膨脹這兩種基本運(yùn)算之外，還有兩種二次運(yùn)算即開(kāi)運(yùn)算及閉運(yùn)算也起著非常重要的作用。利用圖像B對(duì)圖像A作開(kāi)運(yùn)算，其定義為：AoB=(AQB)十B (2.3)或如下定義：AoB=Y{B+x:B+xuA} (2.4)上式表明，開(kāi)運(yùn)算可以通過(guò)計(jì)算所有可以填入圖像內(nèi)部的結(jié)構(gòu)元素平移的并求得。即對(duì)每一個(gè)可填入位置作標(biāo)記，計(jì)算結(jié)構(gòu)元素平移到每一個(gè)標(biāo)記位置時(shí)的并，便可得到開(kāi)運(yùn)算結(jié)果。事實(shí)上，這正是先作腐蝕，然后作膨脹運(yùn)算的結(jié)果。如果結(jié)構(gòu)元素為圓盤(pán)，那么開(kāi)運(yùn)算可以有兩個(gè)作用：(1)利用圓盤(pán)作開(kāi)運(yùn)算起到磨光內(nèi)邊緣的作用，即可以使圖像的尖角轉(zhuǎn)化為背景；(2)圓盤(pán)的圓化作用可以得到低通濾波的效果。閉運(yùn)算是開(kāi)運(yùn)算的對(duì)偶運(yùn)算，即先作膨脹然后再作腐蝕。利用擬作閉運(yùn)算定義為：A?B=[A十B]OB (2.5)2.3本章小結(jié)縱觀國(guó)內(nèi)外文獻(xiàn)，車牌定位算法的發(fā)展方向還是和整個(gè)車牌識(shí)別系統(tǒng)趨于完善的方向還是一致并相輔相成的，只有不斷地從每一步的不斷完善做起，才可能有更快更好的算法產(chǎn)生。對(duì)車牌定位方法的評(píng)價(jià)衡量主要是從定位分割精確率和算法的精干靈活的角度。適用于任意背景、位置和光照下的汽車像，各種性能都滿足要求的算法目前還沒(méi)有。因此，綜合應(yīng)用多種算法進(jìn)行定位分析既是客觀實(shí)際的需要，也是我本次學(xué)習(xí)和研究工作的重點(diǎn)。第3章車牌定位算法的實(shí)現(xiàn)3.1算法處理過(guò)程車牌定位算法的處理過(guò)程如圖所示圖（3.1）實(shí)驗(yàn)過(guò)程3.2二值化處理在作形態(tài)學(xué)處理之前，首先必須對(duì)輸入的包含車牌的圖像作二值化處理。經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，使用傳統(tǒng)的全局閾值或局部閾值的二值化方法，效果不理想，為此采用垂直邊緣提取的二值化方法。采用這種二值化方法的另一個(gè)原因是，可直接應(yīng)用形態(tài)學(xué)處理而無(wú)須判斷車牌底色。由于車牌存在黑底自字和白底黑字兩種類型，常規(guī)的二值化處理后，必須分清形態(tài)學(xué)究竟是在二值圖中的前景還是背景中作處理。由此可見(jiàn)，無(wú)論哪種底色類型的車牌，這種邊緣二值化提取的結(jié)果都保留在前景（白色）中，因此，后續(xù)的形態(tài)學(xué)處理可對(duì)二值圖像的前景作統(tǒng)一處理。本文采用基于垂直邊緣檢測(cè)與閾值分割相結(jié)合的車牌定位方法，圖像的邊緣是圖像的最基本特征，邊緣是其周圍的像素灰度有階躍變化。牌照區(qū)域的字符和背景就有明顯的邊緣，而且邊緣的個(gè)數(shù)也很多，這是牌照區(qū)域區(qū)別于其他區(qū)域的根本特之一，也是本算法的基本依據(jù)。物體邊緣是由灰度不連續(xù)性反映的，經(jīng)典的邊緣提取方法是考察圖像的每個(gè)像索在某個(gè)領(lǐng)域內(nèi)灰度的變化，利用邊緣鄰近一階或二階方向?qū)?shù)變化規(guī)律來(lái)提取。本算法采用閾值比較，取threshold=80.0，周圍的象素與其比較，通過(guò)比較的結(jié)果來(lái)判斷這個(gè)象素是否轉(zhuǎn)化為黑或者白，這樣再對(duì)圖像進(jìn)行處理時(shí)，圖像的幾何性質(zhì)只與“0”和，“1”的位置有關(guān)了，不再涉及到像素的灰度值，從而使后面的處理變得簡(jiǎn)單，且數(shù)據(jù)的壓縮量很大，給存儲(chǔ)和處理都帶來(lái)了很大的方便，同時(shí)也提高了系統(tǒng)的經(jīng)濟(jì)實(shí)用性。3.3腐蝕去噪對(duì)已二值化的圖像結(jié)果作濾波，可去除一些噪聲。許多方法都可以用在這個(gè)步驟。為了消除噪聲而采用濾波的方法，可分為空域?yàn)V波和頻域?yàn)V波。按照空域?yàn)V波器的功能又可以分為平滑濾波器和銳化濾波器，平滑濾波器常用的方法有鄰域平均法、選擇平均法、中值濾波、自適應(yīng)濾波等其中，去噪處理多采用中值濾波，能獲得較好的效果。實(shí)際應(yīng)用中可能采用傳統(tǒng)的鄰域平均平滑算法，也可能采用某些改進(jìn)的算法，如應(yīng)用灰度差倒數(shù)加權(quán)算法進(jìn)行濾波處理。這里采用形態(tài)學(xué)的濾波方法，即使用一定大小的結(jié)構(gòu)元素對(duì)圖作腐蝕運(yùn)算。根據(jù)實(shí)際情況，還可以使用帶有方向性的結(jié)構(gòu)元素作腐蝕濾波。3.4作膨脹，腐蝕運(yùn)算在上面兩步的基礎(chǔ)上，可以開(kāi)始作形態(tài)學(xué)處理。首先使用特定大小的結(jié)構(gòu)元素作膨脹運(yùn)算，然后使用同樣大小的結(jié)構(gòu)元素再作腐蝕運(yùn)算，使車牌所在區(qū)域形成連通的區(qū)域。可見(jiàn)，經(jīng)過(guò)形態(tài)學(xué)的運(yùn)算，車牌區(qū)域已形成閉合的連通區(qū)域。其實(shí)這正是形態(tài)學(xué)閉運(yùn)算作用的結(jié)果。3.5標(biāo)記連通域如果圖像中有許多物體，如圖2(c)所示，要把我們感興趣的物體從背景中分離出來(lái)，則必須確定連通成分，并作連通成分標(biāo)記。要將一幅圖像中所有被標(biāo)記的點(diǎn)組合成物體圖像，這里先假設(shè)組成物體的點(diǎn)在空間上是非常接近的，利用空間接近概念可以嚴(yán)格定義，利用此定義研究的算法可以把空間上非常接近的點(diǎn)聚合在一起，構(gòu)成圖像的一個(gè)成分。圖像中，背景用“0”表示，前景用“I”表示。對(duì)每個(gè)連通的前景區(qū)域進(jìn)行標(biāo)志，標(biāo)號(hào)從“2”開(kāi)始遞增，背景保持不變。于是，我們將采用如下遞歸連通標(biāo)記算法：⑴設(shè)起始標(biāo)號(hào)為label=l,原始圖像為f(i,j),其中i=l,2..，PlateHeight；j=l,2-■，PlateWidth。從起始點(diǎn)(l,1)開(kāi)始依次考察原圖中的每個(gè)點(diǎn)f(i,j)?如果f(i,j)=l，調(diào)用子函數(shù)find(id)；否則，考察下一個(gè)點(diǎn)，直至終點(diǎn)f(PlateHeight，PlateWidth)。子函數(shù)find(i,j)完成下述功能：考察當(dāng)前點(diǎn)f(i,j)。如果f(i,j)=1，跳轉(zhuǎn)至2)；否則，跳出子函數(shù)；考察當(dāng)前點(diǎn)ff(i,j)的四鄰域，如果其中至少有一個(gè)鄰域的值大于“1”，則將標(biāo)號(hào)賦給當(dāng)前點(diǎn)，f(i,j)=label；否則，label=label+1,f(i,j)=label；將f(i,j)的四鄰域f(i-1,j)，f(i+1,j)，f(i,j-1)，f(i,j+1)分別作為當(dāng)前點(diǎn)，依次遞歸調(diào)用子函數(shù)find(i-1,j)，find(i+1,j)，find(i,j-1)，find(i,j+1)。連通標(biāo)記算法可以找到圖像中的所有連通成分，并對(duì)同一連通成分的所有點(diǎn)分配同一標(biāo)記。上述連通標(biāo)記算法結(jié)束后，得到月個(gè)標(biāo)記的連通區(qū)域，第i個(gè)連通區(qū)域的像素值標(biāo)記為i(i=1,2,…,n)。3.6標(biāo)識(shí)并定位車牌在連通區(qū)域標(biāo)記的基礎(chǔ)上，我們可以計(jì)算出每個(gè)連通區(qū)域的外接矩形框，并且利用車牌的先驗(yàn)知識(shí)，確定車牌區(qū)域的位置。設(shè)第i個(gè)連通區(qū)域的寬高比為：3.1)ratio①3.1)Height(i)式中Width(i)、Height(i)分別為第i個(gè)連通區(qū)域的寬度和高度。第i個(gè)區(qū)域的面積為area(i)。根據(jù)車牌的先驗(yàn)知識(shí)，采用的車牌區(qū)域的判定式如下：S(i)<minS(n) (3.2)n<i則判定第i個(gè)連通區(qū)域?yàn)檐嚺茀^(qū)域。

上式中：3.3)rs和as分別為標(biāo)準(zhǔn)車牌的寬高比和面積。a和P為比例因子。由于連通標(biāo)記S(i)=a\ratio(i)-rs+上式中：3.3)rs和as分別為標(biāo)準(zhǔn)車牌的寬高比和面積。a和P為比例因子。由于連通標(biāo)記后去除了一些較小的連通區(qū)域，因此a取1,P取0可簡(jiǎn)化為:3.4)S(i)=\ratio(i)-3.4)由此判定式，可得到正確的車牌區(qū)域判定結(jié)果。3.7本章小結(jié)上述基于形態(tài)學(xué)處理的車牌定位方法，可以較好地確定圖像中車牌的位置，且算法簡(jiǎn)單、實(shí)時(shí)性好，具有較好的運(yùn)用前景。此方法不僅可以處理由單行字符組成的車牌，同樣也可適用于由雙排字符組成的車牌。第4章實(shí)驗(yàn)結(jié)果及分析4.1實(shí)驗(yàn)說(shuō)明本課題所采用的圖像均為帶車牌的圖像，我們通過(guò)對(duì)圖像進(jìn)行二值化、細(xì)化定位，提取后產(chǎn)生只保留有一個(gè)車牌位置的圖像。在形態(tài)學(xué)算法的應(yīng)用中，采用了遞歸連通標(biāo)記算法的方法進(jìn)行快速的連通區(qū)域標(biāo)記。在實(shí)驗(yàn)結(jié)果部分，所有輸出圖像都與原圖像進(jìn)行了比較，并且執(zhí)行不同次數(shù)后的效果。從實(shí)驗(yàn)的結(jié)果看來(lái)我們的算法效果是顯著的。4.1.1實(shí)驗(yàn)流程我們可以采用流程圖簡(jiǎn)單地描述整個(gè)實(shí)驗(yàn)過(guò)程，如圖4－1所示：圖（4.1）實(shí)驗(yàn)流程圖其中，在各個(gè)實(shí)驗(yàn)環(huán)節(jié)，我們還需補(bǔ)充以下幾點(diǎn)：二值化：目的是把車牌圖像變成“0”和“1”取值的二值圖，即把車牌圖像的紋線和背景區(qū)分開(kāi)來(lái)。這樣再對(duì)圖像進(jìn)行處理時(shí)，圖像的幾何性質(zhì)只與“0”和，“1”的位置有關(guān)了，不再涉及到像素的灰度值，從而使后面的處理變得簡(jiǎn)單，且數(shù)據(jù)的壓縮量很大，給存儲(chǔ)和處理都帶來(lái)了很大的方便，同時(shí)也提高了系統(tǒng)的經(jīng)濟(jì)實(shí)用性。在這里，采取了邊緣提取二值化，使得在處理時(shí)不用考慮車牌的底色以及與周圍環(huán)境色的相差導(dǎo)致二值化提取的不同。圖像腐蝕去噪：圖像去噪是圖像預(yù)處理中的重要內(nèi)容,直接影響著車牌系統(tǒng)的

準(zhǔn)確率?，F(xiàn)有的對(duì)圖像進(jìn)行去噪的方法有：中值濾波、小波去噪、形態(tài)學(xué)濾波等,本文采用形態(tài)學(xué)濾波，它的關(guān)鍵是結(jié)構(gòu)元素的選用，過(guò)大或者過(guò)小的元素都會(huì)導(dǎo)致車牌區(qū)域無(wú)法形成閉合的連通區(qū)域。4.1.2實(shí)驗(yàn)分析圖（4.2）原始圖像這是原始圖像，一般的停車場(chǎng)，高速公路收費(fèi)站等基本都是過(guò)攝像頭得到如上的基本BMP位圖。圖（4.3）邊緣二值化結(jié)果經(jīng)過(guò)了邊緣二值化，圖像已經(jīng)變?yōu)楹诎锥?，這時(shí)不能明顯地看出車牌所在位置，同時(shí)圖像上存在大量噪聲影響了判定。

圖（4.4）腐蝕去除噪聲這一步是腐蝕去噪，這一步與下面兩步中，最重要的是結(jié)構(gòu)兀素的選取，過(guò)大或者過(guò)小都會(huì)影響判定。經(jīng)過(guò)這一步的運(yùn)算，大部分的噪聲都已經(jīng)去除，只有小部分比較大的還存在。圖（4.5）膨脹繼續(xù)對(duì)圖像進(jìn)行膨脹運(yùn)算，使得圖像上的車牌部分形成了連通區(qū)域。

圖（4.6）腐蝕腐蝕運(yùn)算，進(jìn)一步去除了圖像上絕大部分噪聲，使得圖像可以進(jìn)行遞歸連通算法來(lái)標(biāo)記連通區(qū)域。圖（4.7）標(biāo)記連通區(qū)域這里進(jìn)行了遞歸連通算法運(yùn)算，將圖像上大于一定范圍的連通區(qū)域都進(jìn)行了標(biāo)記，而那些尚未去除的噪聲則被排除了標(biāo)記范圍。圖（4.8）最終識(shí)別結(jié)果最后一步，通過(guò)對(duì)連通區(qū)域的長(zhǎng)寬比例進(jìn)行判斷，將長(zhǎng)寬比例符合車牌比例范圍左右的區(qū)域進(jìn)行標(biāo)識(shí)，最終判定車牌所在區(qū)域，進(jìn)而完成了整個(gè)車牌定位算法。4.2實(shí)驗(yàn)小結(jié)在本章中，我們給出了基于數(shù)學(xué)形態(tài)學(xué)的車牌定位算法的定位效果。通過(guò)上述圖片，我們可以看出，測(cè)試效果明顯，實(shí)驗(yàn)的目的已經(jīng)達(dá)到。結(jié)論本文的車牌定位系統(tǒng)算法主要內(nèi)容包括以下部分：（1）邊緣檢測(cè)二值化；（2）腐蝕去噪；（3）膨脹，腐蝕形成連通區(qū)域；（4）遞歸連通標(biāo)記算法標(biāo)記連通域；（5）標(biāo)識(shí)，定位車牌。經(jīng)實(shí)驗(yàn)證明，本文提出的方法速度較快，滿足整個(gè)系統(tǒng)的實(shí)時(shí)性要求，對(duì)車牌大小、長(zhǎng)寬比、車牌類型、是否有邊框等車牌信息不敏感，對(duì)不同的拍攝方式、不同的拍攝條件、不同的圖像類型同樣具用較好的魯棒性。由于抓住了車牌共有的特征，本方法有著廣泛的適用性，可應(yīng)用于道路收費(fèi)、車輛監(jiān)控、停車場(chǎng)管理等諸多領(lǐng)域。上述基于形態(tài)學(xué)處理的車牌定位方法，可以較好地確定圖像中車牌的位置，且算法簡(jiǎn)單、實(shí)時(shí)性好，具有較好的運(yùn)用前景。此方法不僅可以處理由單行字符組成的車牌，同樣也可適用于由雙排字符組成的車牌。在基于形態(tài)學(xué)的車牌定位方法中，使用過(guò)大或過(guò)小的結(jié)構(gòu)元素，都無(wú)法使車牌區(qū)域形成閉合的連通區(qū)域。因此，結(jié)構(gòu)元素的選取顯得非常重要。經(jīng)過(guò)測(cè)試發(fā)現(xiàn)，結(jié)構(gòu)元素的大小和車牌中字符的大小存在一定關(guān)系。因此，為了進(jìn)一步提高基于形態(tài)學(xué)的車牌定位方法的精度，應(yīng)嘗試采取自適應(yīng)的形態(tài)學(xué)處理方法。參考文獻(xiàn)[美]RafaelC.Gonzalez,RichardE.Woods.數(shù)字圖像處理(第二版)，[M],電子工業(yè)出版社，2003．周長(zhǎng)發(fā)，精通VisualC++圖像處理編程，[M]，電子工業(yè)出版社，2006.Jun-WeiHsieh,Shih-HaoYu,Yung-ShengChen,Morphology-basedlicenseplatedetectionfromcomplexscenes[C].PatternRecognition,2002.Proceedings.16thInternationalConferenceon.GuL.,KanekoT.,TanakaN.,HaralickR.M..Robustextractionofcharactersfromcolorsceneimageusingmathematicalmorphology[C],PatternRecognition,1998.Proceedings.FourteenthInternationalConferenceon.盧雅琴，鄔凌超?基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法[J]?計(jì)算機(jī)工程，2005,31(3).李波，曾致遠(yuǎn)，付祥勝.基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征的車牌定位算法J].視頻技術(shù)應(yīng)用與工程，2005，7.嚴(yán)寶民，于萬(wàn)波，魏小鵬.汽車牌照定位研究綜述[J].大連大學(xué)學(xué)報(bào)，2002,23(2).劉偉銘，趙雪平.一種基于掃描行的汽車牌照定位算法[J]。計(jì)算機(jī)工程與應(yīng)用，2004，6.燕鵬，劉長(zhǎng)松，丁曉青.復(fù)雜背景下的汽車牌照自動(dòng)識(shí)別系統(tǒng)[J].電視技術(shù)，2005，6.葉茂亮，劉長(zhǎng)松，丁曉青，等.基于筆畫(huà)分析和形態(tài)學(xué)的汽車牌照定位算法[J].電視技術(shù)，2005，5.趙雪春，戚飛虎.基于彩色分割的汽車自動(dòng)識(shí)別技術(shù)[J].上海交通大學(xué)學(xué)報(bào)，1998,32(10).崔屹.圖像處理與分析一數(shù)學(xué)形態(tài)學(xué)方法及應(yīng)用[M].北京：科學(xué)出版社，2000.OstuN.AThresholdSelectionMethodfromGray-LevelHistograms[J]，IEEETransactions，Systems，ManandCyber-netics，1979，SMC-9(1)：62-66.[14]HsiehJun-wei，YuShih-Hao，Yung-ShengChen．Morphology-basedLicensePlateDetectionfromComplexScenes[C]．In：Proceedingsof16thInternationalConferenceonPatternRecognition，2002：176-179．[15]廖金周，宣國(guó)榮.車輛識(shí)別的自動(dòng)分割[J].微型電腦應(yīng)用，1999,7.附錄車牌定位程序模塊//Imageprocess.cpp:implementationoftheCImageprocessclass.//CopyRightbywangui,onlyforstudy2007.1//////////////////////////////////////////////////////////////////////#include"stdafx.h"#include"Draw24.h"#include"Imageprocess.h"#include"math.h"#ifdef_DEBUG#undefTHIS_FILEstaticcharTHIS_FILE[]=__FILE_#definenewDEBUG_NEW#endifexternBYTE*m_pDib;externint m_Width;externint m_Height;externCStringCurrentPathName;////////////////////////////////////////////////////////////////////////Construction/Destruction//////////////////////////////////////////////////////////////////////CImageprocess::CImageprocess(){m_pDib=NULL;lpBitmap=NULL;}CImageprocess::~CImageprocess(){close();}BOOLCImageprocess::Open(constchar*pzFileName){CStringCurrentName(pzFileName);if(CurrentName.Find(".bmp")==-1&&CurrentName.Find(".BMP")==-1){AfxMessageBox("不是位圖，不能打開(kāi)！")；returnFALSE;}CFilefile；if(!file.Open(pzFileName,CFile::modeRead|CFile::typeBinary))returnFALSE；if(file.Read((void*)&bmpfh,sizeof(BITMAPFILEHEADER))!=(UINT)sizeof(BITMAPFILEHEADER)){file.Close()；returnFALSE；}if(file.Read((void*)&bmpih,sizeof(BITMAPINFOHEADER))!=(UINT)sizeof(BITMAPINFOHEADER)){file.Close();returnFALSE;}//清空內(nèi)存close();m_Width=bmpih.biWidth;m_Height=bmpih.biHeight;length=m_Width*3;if(length%4)length=(m_Width*3/4+1)*4;intsize;size=bmpfh.bfSize-sizeof(BITMAPFILEHEADER)sizeof(BITMAPINFOHEADER);if(bmpih.biBitCount==24){m_pDib=newBYTE[size];file.ReadHuge(m_pDib,size);}else{if(bmpih.biBitCount!=8){AfxMessageBox("無(wú)效位圖，不能打開(kāi)！")；file.Close();returnFALSE;unsignedintPaletteSize=1<<bmpih.biBitCount;if(bmpih.biClrUsed!=0&&bmpih.biClrUsed<PaletteSize)PaletteSize=bmpih.biClrUsed;lpBitmap=newBYTE[size];file.ReadHuge(lpBitmap,size);RGBQUAD*pPalette=(RGBQUAD*)lpBitmap;BYTE*lpBits=lpBitmap+sizeof(RGBQUAD)*PaletteSize;intlwidth=m_Width;if(m_Width%4)lwidth=(m_Width/4+1)*4;//24位位圖內(nèi)存intnfSize=sizeof(BITMAPFILEHEADER)+sizeof(BITMAPINFOHEADER)+length*m_Height;m_pDib=newBYTE[length*m_Height];memset(m_pDib,0,length*m_Height);bmpfh.bfType='B'+'M'*256;bmpfh.bfSize=nfSize;bmpfh.bfReserved1=1;bmpfh.bfReserved2=0;bmpfh.bfOffBits=54;bmpih.biSize=sizeof(BITMAPINFOHEADER);bmpih.biWidth=m_Width;bmpih.biHeight=m_Height;bmpih.biPlanes=1;bmpih.biBitCount=24;bmpih.biCompression=BI_RGB;bmpih.biSizeImage=0;bmpih.biXPelsPerMeter=0;bmpih.biYPelsPerMeter=0;bmpih.biClrUsed=0;bmpih.biClrImportant=0;inti,j,p1,p2,Palette;for(i=0;i<m_Height;i++){for(j=0;j<m_Width;j++){p1=i*lwidth+j;p2=i*length+j*3;if(lpBits[p1]<PaletteSize)Palette=lpBits[p1];elsePalette=0;m_pDib[p2]=pPalette[Palette].rgbBlue;m_pDib[p2+1]=pPalette[Palette].rgbGreen;m_pDib[p2+2]=pPalette[Palette].rgbRed;}}}file.Close();returnTRUE;}voidCImageprocess::Draw(CDC*pDC,intnWidth,intnHeight){if(!m_pDib)return;m_hDrawDib=DrawDibOpen();DrawDibRealize(m_hDrawDib,pDC->GetSafeHdc(),TRUE);DrawDibDraw(m_hDrawDib,//hddpDC->GetSafeHdc(),//hdc0,//xDst圖象在窗口中的位置0,//yDstm_Width,//dxDst圖象的顯示長(zhǎng)寬m_Height,//dyDst可自由拉伸&bmpih,m_pDib,0,//xSrc0,//ySrcm_Width,//dxSrcm_Height,//dySrcDDF_BACKGROUNDPAL);DrawDibClose(m_hDrawDib);m_hDrawDib=NULL;}BOOLCImageprocess::Save(constchar*szFileName){if(m_pDib==NULL){AfxMessageBox("內(nèi)存空空如也！檢查是否有誤！");returnFALSE;}CStringFileName(szFileName);if(FileName.Compare(CurrentPathName)==0){if(AfxMessageBox("覆蓋原文件？",MB_OKCANCEL)!=IDOK)returnFALSE;}CFilefile;if(!file.Open(szFileName,CFile::modeWrite|CFile::typeBinary|CFile::modeCreate))returnFALSE;file.Write((void*)&bmpfh,sizeof(BITMAPFILEHEADER));file.Write((void*)&bmpih,sizeof(BITMAPINFOHEADER));intsize;size=bmpfh.bfSize-sizeof(BITMAPFILEHEADER)sizeof(BITMAPINFOHEADER);file.WriteHuge(m_pDib,size);file.Close();returnTRUE;}BOOLCImageprocess::Process(){//邊緣二值化inti,j,k,m;float**tempA;BYTE*FS,*PZ,*imagetemp;intsize=bmpfh.bfSize-sizeof(BITMAPFILEHEADER)sizeof(BITMAPINFOHEADER);FS=newBYTE[size];PZ=newBYTE[size];imagetemp=newBYTE[size];memcpy(imagetemp,m_pDib,size);tempA=new(float*[m_Height]);for(k=0;k<m_Height;k++)tempA[k]=new(float[m_Width]);doubletempx[3],tempy[3],D[3],tempb;for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++){for(m=0;m<3;m++){/*tempx[m]=fabs((m_pDib[(i+1)*length+(j-1)*3+m]+2*(m_pDib[(i+1)*length+j*3+m])+m_pDib[(i+1)*length+(j+1)*3+m])-(m_pDib[(i-1)*length+(j-1)*3+m]+2*(m_pDib[(i-1)*length+j*3+m])+m_pDib[(i-1)*length+(j+1)*3+m]));*/tempy[m]=fabs((m_pDib[(i-1)*length+(j+1)*3+m]+2*(m_pDib[i*length+(j+1)*3+m])+m_pDib[(i+1)*length+(j+1)*3+m])-(m_pDib[(i-1)*length+(j-1)*3+m]+2*(m_pDib[i*length+(j-1)*3+m])+m_pDib[(i+1)*length+(j-1)*3+m]));//D[m]=sqrt(pow(tempx[m],2)+pow(tempy[m],2));if(tempy[1]>tempy[2]){tempb=tempy[1];}elsetempb=tempy[1];if(tempy[0]>tempb)tempb=tempy[0];tempA[i][j]=tempb;//tempA[i][j]=sqrt(pow(D[1],2)+pow(D[2],2)+pow(D[0],2));//tempA[i][j]=fabs(D[1])+fabs(D[2])+fabs(D[0]);}doublethreshold=80.0;for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++){if(tempA[i][j]>threshold)tempA[i][j]=255;//m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]elsetempA[i][j]=0;//m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]=0;}for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++)m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]=tempA[i][j];//腐蝕去噪for(m=0;m<size;m++){FS[m]=m_pDib[m];PZ[m]=m_pDib[m];}for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++){if(m_pDib[i*length+j*3]==255&&m_pDib[(i-1)*length+j*3]==255&&m_pDib[(i+1)*length+j*3]==255&&m_pDib[i*length+(j-1)*3]==255&&m_pDib[i*length+(j+1)*3]==255&&m_pDib[(i+1)*length+(j+1)*3]&&m_pDib[(i-1)*length+(j-1)*3])FS[i*length+j*3]=255;elseFS[i*length+j*3]=0;}for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++)m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]=FS[i*length+j//膨脹intr,h;for(i=9;i<m_Height-9;i++)for(j=4;j<m_Width-4;j++){if(m_pDib[i*length+j*3]==255){for(r=1;r<10;r++)for(h=0;h<5;h++){PZ[(i-r)*length+(j-h)*3]=PZ[(i+r)*length+(j-h)*3]=PZ[(i+r)*length+(j+h)*3]=PZ[(i-r)*length+(j+h)*3]=255;}}}for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++)m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]=PZ[i*length+j*3];//腐蝕inttag=0;for(i=9;i<m_Height-9;i++)for(j=4;j<m_Width-4;j++){{for(r=1;r<10;r++)for(h=0;h<5;h++){if(m_pDib[(i-r)*length+(j-h)*3]==255&&m_pDib[(i+r)*length+(j-h)*3]==255&&m_pDib[(i+r)*length+(j+h)*3]==255&&m_pDib[(i-r)*length+(j+h)*3]==255)tag=tag++;elsetag=0;}}if(tag>31)FS[i*length+j*3]=255;elseFS[i*length+j*3]=0;}for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++)m_pDib[i*length+j*3+1]=m_pDib[i*length+j*3+2]=m_pDib[i*length+j*3]=FS[i*length+j//標(biāo)識(shí)連通域intcMaxSize=100;int*xtemp=new(int[cMaxSize]);int*ytemp=new(int[cMaxSize]);for(intt=0;t<cMaxSize;t++){xtemp[t]=-1;ytemp[t]=-1;}BOOL*Checked=new(BOOL[m_Width*m_Height]);int*nPdeMark=new(int[m_Width*m_Height]);for(i=0;i<m_Height;i++)for(j=0;j<m_Width;j++)nPdeMark[i*m_Width+j]=-1;for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++)nPdeMark[i*m_Width+j]=m_pDib[i*length+j*3];for(i=0;i<m_Height;i++)for(intj=0;j<m_Width;j++)Checked[i*m_Width+j]=FALSE;longCount;longmaxcount=0;intmaxt=0;intBlockSign=0;for(i=1;i<m_Height-1;i++){for(intj=1;j<m_Width-1;j++){Count=0;if(nPdeMark[i*m_Width+j]==255&&!Checked[i*m_Width+j]){BlockSign=BlockSign+1;BlockPixelCount(nPdeMark,xtemp,ytemp,Checked,&Count,i,j,m_Height,m_Width,cMaxSize,BlockSign);// if(Count==1001)// {// BlockSign--;// }if(Count>maxcount){maxcount=Count;maxt=BlockSign;}if(Count<=cMaxSize){for(intk=0;k<Count;k++)nPdeMark[xtemp[k]*m_Width+ytemp[k]]=0;}}}// printf("i=%ddone\n",i);}//標(biāo)識(shí)定位車牌intXmax=1;intXmin=1000;intYmax=1;intYmin=1000;//intl=0;intresult_XMax,result_XMin,result_YMax,result_YMin;doubleR,Wd,Hg;for(t=1;t<=BlockSign;t++){Xmax=1;Xmin=1000;Ymax=1;Ymin=1000;for(i=1;i<m_Height-1;i++)for(j=1;j<m_Width-1;j++){if(nPdeMark[i*m_Width+j]==t){//tempB[t][l]=nPdeMark[i*m_Width+j];//l++;if(i>Xmax)Xmax=i;if(i<Xmin)Xmin=i;if(j>Ymax)Ymax=j;if(j<Ymin)Ymin=j;}}Hg=fabs(Xmax-Xmin);Wd=fabs(Ymax-Ymin);if(Hg!=0)R=Wd/Hg;elseR=0;if(R>2.0&&R<4.0){result_