模式識別車牌識別文檔

實(shí)際環(huán)境下汽車牌照識別辦法的研究與實(shí)現(xiàn)1設(shè)計規(guī)定與準(zhǔn)備本次設(shè)計是碩士一年級上學(xué)期的模式識別課程的課程設(shè)計，設(shè)計內(nèi)容是實(shí)際環(huán)境下汽車牌照識別辦法的研究與實(shí)現(xiàn)。設(shè)計有兩個重要規(guī)定：完畢對實(shí)際環(huán)境下的汽車牌照部分圖像的抽??；對抽取出來的牌照通過有關(guān)解決之后，對其上的字符內(nèi)容進(jìn)行識別。基于課程設(shè)計的規(guī)定，需要進(jìn)行實(shí)際環(huán)境下的汽車牌照識別，由于條件限制，不能用類似于學(xué)校門口的牌照硬件獲取實(shí)際環(huán)境下的汽車照片，因此自行采集了某些汽車照片，用它們作為設(shè)計時的調(diào)試材料。概述2.1汽車牌照識別現(xiàn)狀車牌識別技術(shù)在實(shí)際生產(chǎn)生活中十分常見。在學(xué)?；蛘邌挝坏拈T口，在停車場門口，經(jīng)常能夠看到攝像頭，汽車駛來，系統(tǒng)會自動拍攝汽車的照片，然后將照片中屬于汽車牌照的部分提取出來，然后通過對應(yīng)的解決手段，識別出車牌，然后送到后臺解決系統(tǒng)，或與后臺數(shù)據(jù)庫進(jìn)行比對，以查看該車與否屬于正當(dāng)進(jìn)入，或者統(tǒng)計下該車的入場時間，等離場時進(jìn)行計費(fèi)統(tǒng)計等工作。另外，在交通中車牌識別的應(yīng)用也有非常重要的意義，例如電子警察，對于違規(guī)車輛自動識別統(tǒng)計，或者在罪犯抓捕時，通過車牌識別鎖定有關(guān)車輛，然后調(diào)集警力等。通過平時在學(xué)校門口或者超市停車場的觀察，發(fā)現(xiàn)現(xiàn)在的車牌識別系統(tǒng)已經(jīng)達(dá)成了非常成熟的程度，幾乎能夠在無人值守的狀況下保持正常、精確的運(yùn)轉(zhuǎn)。其中牽扯到一系列的硬件、軟件的配合，據(jù)觀察，有些系統(tǒng)是有后臺計算機(jī)，整個汽車門禁系統(tǒng)相稱于一種終端，連接到后臺計算機(jī)上，但是大多數(shù)應(yīng)當(dāng)都是基于單片機(jī)的系統(tǒng)，也就是在系統(tǒng)中有單片機(jī)，運(yùn)行著車牌識別程序。國內(nèi)外有諸多研究和工作致力于解決車牌是別中的多個問題，例如車牌區(qū)域的選定，例如車牌字符的切割，例如車牌字符的匹配，都有諸多有關(guān)的工作。2.2汽車牌照識別用到的技術(shù)與準(zhǔn)備 在本次設(shè)計中，整個程序都是用Matlab完畢，由于之前對Matlab不是很熟悉，因此再設(shè)計前學(xué)習(xí)了Matlab的有關(guān)內(nèi)容。 車牌識別能夠使用諸多Matlab提供的函數(shù)，從而大大減輕對于圖像解決等操作所耗費(fèi)的時間和精力。 在本次設(shè)計的條件下，很大一部分工作都是對自行拍攝的照片進(jìn)行解決，因此用到了諸多圖形圖像解決的技術(shù)，由于以前圖像方面的基礎(chǔ)局限性，因此也理解了某些圖形圖像學(xué)方面的知識。 除了圖像圖像學(xué)方面的技術(shù)，另一種重要的技術(shù)就是字符切割與識別技術(shù)。這其中需要用到模式識別課程上的分類思想和知識。我們參考了有關(guān)文獻(xiàn)，即使沒有將某些比較好的想法全部實(shí)現(xiàn)，但是開闊了思路，在后來的工作和學(xué)習(xí)中碰到有關(guān)問題的時候，對問題的解決有一定的協(xié)助。3基本原理與設(shè)計思路汽車牌照識別重要能夠分為4個環(huán)節(jié)：首先是汽車圖像獲取，然后是汽車牌照區(qū)域的擬定，然后是對車牌區(qū)域的解決與字符分割，最后是對分割出來的字符進(jìn)行識別。大致流程圖如圖1所示。開始開始輸入圖像輸入圖像尋找車牌尋找車牌區(qū)域?qū)W習(xí)調(diào)節(jié)重新學(xué)習(xí)調(diào)節(jié)重新尋找區(qū)域區(qū)域擬定與否合理否是字符切割字符切割學(xué)習(xí)調(diào)節(jié)重新切割學(xué)習(xí)調(diào)節(jié)重新切割切割與否合理切割與否合理否識別是識別結(jié)束結(jié)束圖1汽車牌照識別的流程概要從圖1中能夠看出，在本次實(shí)驗(yàn)規(guī)定下，系統(tǒng)的核心構(gòu)成部分有：（1）汽車牌照區(qū)域的擬定；（2）汽車牌照字符的切割；（3）切割后字符的識別這三部分。下面是我們對每一重要構(gòu)成部分的理解。首先是汽車牌照區(qū)域的擬定。我們自行拍攝的照片如圖2所示。圖2自行拍攝的用于實(shí)驗(yàn)設(shè)計的照片從這個圖片上，很容易想到車牌區(qū)域的擬定能夠按照顏色進(jìn)行。因此一開始我們想到的辦法是，獲取一張圖片之后，從上往下進(jìn)行掃描，當(dāng)某一行的藍(lán)色像素點(diǎn)的個數(shù)不不大于某個閾值之后，那么這部分就可能是車牌區(qū)域。掃描過程中，找出藍(lán)色像素數(shù)量最大的一行，然后從這一行分別向上、向下掃描，不管向上還是向下掃描，如果藍(lán)色像素的數(shù)量不大于某一閾值就停止掃描，這就分別擬定了車牌區(qū)域的上下邊界。然后用同樣的辦法左右掃描，這樣就能夠找到左右邊界，左右邊界擬定后來，就能夠圈定車牌所屬的區(qū)域了。但是這種辦法對于光照條件較好、沒有發(fā)生偏色，并且少有藍(lán)色背景干擾的狀況下比較有效，如果有藍(lán)色干擾背景，或者車牌區(qū)域有偏色的狀況下，就不是很抱負(fù)。例如，對于老師給的如圖3所示的照片，這種簡樸的統(tǒng)計像素點(diǎn)就沒有效果。圖3老師提供的汽車圖片因此，我們繼續(xù)觀察圖片，在顏色統(tǒng)計的辦法上提出了兩種改善方式：第一種方式是統(tǒng)計藍(lán)色像素點(diǎn)之后，再統(tǒng)計同一行（列）上的白色像素點(diǎn)個數(shù)，如果這一行（列）上的白色像素點(diǎn)也達(dá)成一種閾值，那么闡明這個區(qū)域可能是車牌區(qū)域。第二種方式是，發(fā)現(xiàn)照片中汽車會有周邊的環(huán)境有將強(qiáng)的差別，而藍(lán)色的干擾區(qū)域普通是出現(xiàn)在圖片的上、左、右三個方位，因此在掃描的時候，能夠不從照片最上面和最左邊開始掃描，而是選定某一種地方，這個地方的背景干擾不多，并且不至于把汽車的牌照截出去。我們認(rèn)為這里其實(shí)能夠用某些邊沿提取或者是物體形態(tài)學(xué)的有關(guān)辦法來實(shí)現(xiàn)，但是最后沒有實(shí)現(xiàn)好。另首先是汽車牌照字符的切割。在設(shè)計早期，我們先手動截取了車牌區(qū)域的圖片進(jìn)行分析。如圖4所示。圖4汽車牌照的區(qū)域我們分析了這張圖片的特點(diǎn)，發(fā)現(xiàn)汽車牌照區(qū)域的圖片構(gòu)造相對簡樸，顏色構(gòu)成不復(fù)雜，因此能夠按照圖5所示的環(huán)節(jié)進(jìn)行操作。傾斜矯正灰度化傾斜矯正灰度化二值化字符切割二值化字符切割圖5汽車牌照字符分割的重要環(huán)節(jié)灰度化運(yùn)用matlab提供的函數(shù)rgb2gray(圖片)即可，灰度化之后，圖像就變成了一種二維矩陣，這樣信息量大大減少，不必要的信息變少，留下的都是車牌識別中需要關(guān)心的重要信息。像圖4中所示的圖片，灰度化之后也很難進(jìn)行解決，因此需要進(jìn)行傾斜校正。傾斜校正的時候運(yùn)用matlab提供的radon(圖片,range);進(jìn)行，先求一種傾斜角，然后按照傾斜角進(jìn)行旋轉(zhuǎn)。然后為了進(jìn)一步壓縮圖像的不必要信息，需要對車牌照片進(jìn)行二值化，也就是將照片中灰度級不不大于某個閾值的的全部點(diǎn)都置成255，不大于某個閾值的全部點(diǎn)都置成1，這樣，圖片中就只有兩種點(diǎn)：純白和純黑，這樣就能夠抓住重要特性進(jìn)行分析了。但是在進(jìn)行二值化解決的時候，碰到了一種問題，就是老師給的照片提出出車牌區(qū)域之后，二值化的成果是全黑的。由于我們當(dāng)時設(shè)立的閾值是125，而老師提供的照片光照強(qiáng)度比較暗，因此就造成車牌字符所在的區(qū)域的像素值也較低，因此將這一部分也變成了黑色。這個問題能夠通過matlab提供的函數(shù)level=graythresh(tempLicence);tempLicence=im2bw(tempLicence,level);進(jìn)行解決，第一種函數(shù)graythresh的含義是，matlab會通過對圖片進(jìn)行分析，找一種適宜的閾值，這個閾值能將圖片灰度值相對較高和相對較低的點(diǎn)分辨開來，避免了全黑或者全白的狀況。得到了如圖6所示的二值化圖片之后，我們對其進(jìn)行了分析。圖6通過解決后的車牌圖像拿到這幅圖像之后的下一種要解決的問題就是將其分割成七個小部分，每個小部分對應(yīng)的是一種中文、字母或者數(shù)字。在這樣做之前，首先要對圖片進(jìn)行分析，發(fā)現(xiàn)圖片的中央?yún)^(qū)域是有用的信息，而周邊的點(diǎn)都是干擾，應(yīng)當(dāng)將它們截取掉。我們將這個圖片向Y方向和X方向進(jìn)行投影，得到了圖7、圖8所示的兩幅圖像。圖7二值圖Y軸方向的投影通過對圖7進(jìn)行分析，我們發(fā)現(xiàn)，圖片上、下兩部分的干擾與車牌之間在投影之后有很大的差別，很明顯，它們之間有著明顯的斷層。我們能夠運(yùn)用它們之間的斷層，對車牌的上下干擾部分進(jìn)行裁剪。我們采用的辦法是：首先找到圖像的中央，然后從中央向兩端分別掃描，每一種方向如果碰到第一種值不大于閾值，并且下一種值也不大于閾值的時候，就認(rèn)定找到了字符與邊框干擾的邊界，記下這個值，進(jìn)行切割就能夠去除上下邊框。a)切除上下邊框之前的投影b)切除上下邊框之后的投影圖9二值圖向X軸方向的投影然后對圖9進(jìn)行分析，我們發(fā)現(xiàn)向X軸方向的投影特性不如Y軸那么明顯，干擾部分也出現(xiàn)了與車牌區(qū)域很相似的波峰，并且字符與字符之間也存在著間隔，因此不能像切除上下邊框那樣切除左右邊框。后來我們想，索性不切除左右邊框，反正只要我能把字符切割出來就行，左右邊框能夠丟棄，只要不切到它們，它們就不會像上下邊框那樣對識別造成影響。我們發(fā)現(xiàn)，車牌的圓點(diǎn)是一種可運(yùn)用的特性。它出現(xiàn)在第三或者第四個位置，并且它的值明顯不大于左右兩個字符的值，因此只要找到圓點(diǎn)的位置，就能夠以它為參考，向前、向后分別找到其它的字符了。擬定圓點(diǎn)的環(huán)節(jié)以下頁圖10所示。在圖10中，我們的思路是先將二值圖片向X軸方向的投影從左之右進(jìn)行遍歷，找出其中全部的值不大于閾值的點(diǎn)（我們手動設(shè)為1，即如果這個方向上投影的黑點(diǎn)個數(shù)為零，那么就鑒定這個地方出現(xiàn)了中斷），這個點(diǎn)就是出現(xiàn)了字符中斷的區(qū)域。在遍歷的時候，為了避免把某些中文間的中斷切掉，我們改善了辦法，只有這個點(diǎn)的值不大于閾值，并且它前面或者背面一種點(diǎn)的值不不大于閾值，才能夠鑒定它是一種中斷坐標(biāo)。把這些區(qū)域的坐標(biāo)標(biāo)注出來之后，將這些坐標(biāo)兩兩構(gòu)成一對，每一對對應(yīng)的就是一種有字符的區(qū)域。然后就對這些區(qū)域的寬度相加求和，求出來之后，從前往后找到第一種寬度不不大于平均值的點(diǎn)，那么這個地方要么是邊框干擾，要么是中文，就從這個區(qū)域往后繼續(xù)遍歷，找到的第一種寬度不大于平均值的區(qū)域，這個區(qū)域必然是圓點(diǎn)區(qū)域。找出圓點(diǎn)區(qū)域之后，往前兩個區(qū)域就是中文區(qū)域，往前一種就是第一種字母，然后對應(yīng)地背面的字母或者數(shù)字也就能擬定出來了。這樣做能夠解決大多數(shù)通過精擬定位之后的車牌切割問題，但是抗干擾性不高。由于有些車牌本身不干凈，在車牌上也分布著某些干擾因素，這樣就無法正常提取了。做完車牌切割這一重要工作之后，就能夠生成七個小圖片，每個圖片保存一種字符，將它們存儲到本地文獻(xiàn)夾下，分別命名為1.jpg至7.jpg。在保存的時候，需要預(yù)先將它們的尺寸按照模板的比例進(jìn)行調(diào)節(jié)，本設(shè)計用的是網(wǎng)上找的模板，這些模板的尺寸是14*22，因此在存儲的時候，調(diào)用matlab的imresize(char2,[22,14])辦法保存切割后的圖像。掃描結(jié)束？掃描結(jié)束？是從左向右掃描圖像從左向右掃描圖像該點(diǎn)與否是臨界點(diǎn)該點(diǎn)與否是臨界點(diǎn)否是將該點(diǎn)將該點(diǎn)加入臨界點(diǎn)列表結(jié)束？是結(jié)束？否是將臨界點(diǎn)將臨界點(diǎn)構(gòu)成可能是字符的區(qū)域查看下一種區(qū)域的寬度查看下一種區(qū)域的寬度與否不不大于與否不不大于平均值否是從這個從這個地方繼續(xù)往后找與否不大于與否不大于平均值否是該區(qū)域就是圓點(diǎn)該區(qū)域就是圓點(diǎn)區(qū)域圖10找出圓點(diǎn)區(qū)域的過程流程圖最后是進(jìn)行匹配識別通過我們的觀察，我們發(fā)現(xiàn)裁剪生成后來的字符的圖像如圖11所示。圖11裁剪后的字符圖像我們感覺這些圖像比較規(guī)整，在與模板匹配的時候能夠采用距離算法。首先我們從最簡樸的求差開始。首先讀入待識別的字符對應(yīng)的圖片，然后將這個圖片與全部的模板做差（為了盡量減少計算量，能夠?qū)Σ煌奈恢貌捎貌煌霓k法，例如第一位一定是中文，因此就不與除中文意外的其它字符進(jìn)行比較）。做差后得到一種矩陣，對這個矩陣進(jìn)行統(tǒng)計，首先定義一種變量，用于存儲模板與待識別字之間的距離，對這個矩陣中的值進(jìn)行統(tǒng)計，但凡非0的點(diǎn)，涉及1或者-1，都將總的距離加一。最后，對于這個待識別的字，找出與它的距離最小的模板的編號，根據(jù)這個編號得到對應(yīng)的字符。也能夠采用歐式距離，過程與上面類似，但是算的是每個模板到這個待識別的字符的歐式距離，然后進(jìn)行比較。這種直接求距離的方式，優(yōu)點(diǎn)是簡樸，因此我們在此選擇基于距離的模板匹配進(jìn)行識別。但是這種方式的劣勢也是很明顯的，那就是抗干擾性太差，如果字體有傾斜，或者提取后的筆跡不清晰，那么很容易識別出錯。至此我們的時間不夠改善成別的方式，臨時采用這種方式，但是我們調(diào)查了其它的方式，以及別人解決前面幾個環(huán)節(jié)時做的較好的工作，在第六部分，分析與總結(jié)中進(jìn)行統(tǒng)計與總結(jié)，方便擴(kuò)展思維和后來進(jìn)行改善。總體上說，通過上述幾個環(huán)節(jié)，就能夠?qū)τ诮o出的實(shí)景汽車照片進(jìn)行識別了。4實(shí)現(xiàn)4.1顧客界面設(shè)計開始時，我們對Matlab的理解極少，因此就將每個部分單獨(dú)實(shí)現(xiàn)，沒有統(tǒng)一的界面。直到近來，我們理解了一下matlab界面設(shè)計，用figure命令打開一種控制面板，就能夠像java的NetBeans或者VC++那樣通過拖控件設(shè)計界面了。因此，我們設(shè)計了程序的界面，如圖12所示。界面中包含了課程設(shè)計所規(guī)定的一切環(huán)節(jié)的顯示界面與互動操作接口，能夠很方便地實(shí)現(xiàn)動態(tài)交互。界面各部分的功效在界面上都有標(biāo)注，在此就不具體描述。圖12汽車牌照識別程序界面4.2車牌區(qū)域定位該部分采用的是根據(jù)顏色定位的辦法。該部分功效的實(shí)現(xiàn)在mainFrame中的functionpushbutton2_Callback(hObject,eventdata,handles)函數(shù)下實(shí)現(xiàn)。首先定義四個變量，分別為Yup、Ydown、Xleft、Xright，分別用于存儲車牌區(qū)域的四個邊界。在獲得圖片之后，首先從上向下掃描圖片，掃描圖片的時候，藍(lán)色像素點(diǎn)的判斷為：if((blueWhiteImage(i,j,1)<=55)&&((blueWhiteImage(i,j,2)<=100)&&(blueWhiteImage(i,j,2)>=46))&&((blueWhiteImage(i,j,3)<=210)&&(blueWhiteImage(i,j,3)>=75)))這幾個數(shù)值在實(shí)際開發(fā)中我們進(jìn)行了不停的調(diào)節(jié)，這種方式的弊端也愈發(fā)明顯：對于不同的照片，判斷某像素與否是藍(lán)色像素的時候，需要調(diào)節(jié)這些點(diǎn)。這樣就非常費(fèi)時，并且通用性不強(qiáng)。因此基于顏色的車牌識別是不太完善的辦法。并且如果車牌的顏色原來就不是藍(lán)色的，那么就難以識別。即使向前面所述的，又加上白色像素點(diǎn)的統(tǒng)計，也仍然不能解決這個問題。我們理解了其它的方式，在背面統(tǒng)計下來，以供后來使用。總之，在這次設(shè)計中，我們臨時采用基于顏色的定位方式。最后，如果照片光照、色彩比較正常，那么會按照規(guī)定在照片中將車牌區(qū)域用紅色框框起來，并且將圖片切割下來，寄存在界面的左下方的子框中，如圖13所示。圖13圈定車牌區(qū)域4.3車牌字符分割實(shí)現(xiàn)以及字符識別車牌字符分割的方法在上一部分已經(jīng)具體講述，這一部分就不再贅述。在最后程序的呈現(xiàn)中，這一部分是與車牌識別和在一起的，字符分割和車牌識別都在點(diǎn)擊識別車牌按鈕之后進(jìn)行，對應(yīng)的代碼也寫在了一起。其實(shí)這種編碼習(xí)慣非常不好，我之前經(jīng)慣用Java寫程序，編碼最忌諱的就是太多的功效集中在一起。在后續(xù)改善中，能夠?qū)⒚總€小環(huán)節(jié)分成一種函數(shù)，便于修改、擴(kuò)展和維護(hù)。在識別的時候，將剪切好的字符的圖片讀入，然后二值化之后與每個模板進(jìn)行對比，先識別中文，在模板庫中中文是第46號到第66號，因此第一位只要與這些模板進(jìn)行對比就能夠，之后將背面的與第0號到第35號進(jìn)行比對。由于比對的成果是通過switch將字符存在一種數(shù)組中，因此最后用set(handles.edit6,'string',matchResult(2))（matchResult(2)是寄存待顯示識別成果字符的數(shù)組元素）顯示字母的時候，會將字母對應(yīng)的ASIC碼顯示出來，因此在顯示之前加一種判斷，如果其值<10則直接顯示，否則用char(matchResult(2))將其轉(zhuǎn)化成字符后顯示即可。總之，點(diǎn)擊識別車牌按鈕之后，會將上述全部的解決進(jìn)行完畢之后，應(yīng)當(dāng)能夠得到最后的成果。識別的效果如圖14所示。a)對的識別自己拍攝的照片b）對的識別老師提供的照片圖14最后識別完畢后的成果顯示5測試 我們用自己拍的照片和老師拍提供的照片分別進(jìn)行了測試，在編碼過程中，重要是用自己拍的照片進(jìn)行的測試（這些照片在作業(yè)文獻(xiàn)夾中一并提交）。通過測試，自己拍攝的照片，基本能識別，但是對于老師給的照片，大概三分之一能定位，識別率較低。并且對于晚上拍的照片，基本不能識別。用老師給的照片的識別狀況為：白天：大概35張能夠?qū)Φ娜Χㄜ嚺?，但是諸多不能把字符全部對的的識別出來，例如粵識別成蘇、蘭等，B識別成8等。夜晚的臨時不能識別。6分析總結(jié)這次課程設(shè)計，總體來說實(shí)現(xiàn)效果不抱負(fù)，因素是在設(shè)計中并沒有采用優(yōu)秀的算法，而是采用了比較簡樸的辦法。但是這次設(shè)計總體上增加了我們對于模式識別課程的認(rèn)識，通過解決一種實(shí)際的問題，讓我們熟悉了有關(guān)的思想，某些算法即使沒在設(shè)計中實(shí)現(xiàn)，但是卻讓我們對其理解，或許在后來的工作或?qū)W習(xí)中能夠用上。下面就設(shè)計中碰到的問題進(jìn)行分析總結(jié)。首先是車牌定位的問題。我們采用的基于顏色的像素點(diǎn)統(tǒng)計定位法魯棒性很差，容易受到環(huán)境影響。然后是車牌分割的問題。在車牌分割的時候，除了上面介紹的問題，有時會出現(xiàn)如圖15所示的狀況。在切除上下邊框的時候，將下半部分也切掉了，分析其因素，通過向左的投影直方圖能夠發(fā)現(xiàn)，這時候粵字下半部分對應(yīng)的幾行的投影為零。圖片字符下面部分的筆畫明明連接著，但是不懂得為什么會投影為零。為了 a)裁剪邊框把文字也裁掉b)此時對應(yīng)的Y軸投影的直方圖圖15去除邊框的時候碰到的問題通過分析，我們找邊框的時候，是從中間向兩邊掃面，碰到不大于閾值的點(diǎn)，就認(rèn)為它是字符與非字符噪音的分界點(diǎn)。但是在圖15b)中，在60到70之間的空間顯然涉及了車牌下半部分的文字部分，而真正的分解點(diǎn)應(yīng)當(dāng)是80稍微往前一點(diǎn)的地值區(qū)域?，F(xiàn)在我們想通過多次掃描，即先從后掃描，再從后向前掃描，再從中間掃描，如果三次掃描得到的兩個邊界點(diǎn)分別做差，如果它們的差值在一定范疇內(nèi)，就取它們的平均值，如果差值不不大于某個值，就采用其它手段，但是現(xiàn)在還在討論中。至于字符的匹配問題，前面已經(jīng)講述過。對于如圖16所示的夜晚的照片，我們的程序不能識別。圖16夜晚的照片很顯然，夜晚的時候，多個色彩很難分辨，用基于顏色的識別方式很難進(jìn)行識別。通過觀察，我們認(rèn)為車燈是一種很重要的噪聲影響。因此，我們計劃首先將車燈部分去除掉，去除的辦法一開始是將車牌灰度化，然后將亮度超出一種閾值的部分變成灰度為125的點(diǎn)，這樣就得到了圖17所示的成果。這時候，車燈的明顯干擾就已經(jīng)不存在了，下一步能夠運(yùn)用基于邊沿的提取辦法將車牌提取出來，然后就能夠按照后續(xù)的辦法進(jìn)行分割、識別了。我們沒有采用基于邊沿的提取辦法，因此這個也就沒有繼續(xù)做下去。下面統(tǒng)計某些我們理解的其它的解決辦法，以供后來學(xué)習(xí)使用。圖17將車燈屏蔽掉之后的效果基于邊沿檢測的車牌提?。哼@種辦法首先是進(jìn)行灰度變換，它們認(rèn)為彩色照片包含大量顏色信息，屬于無用信息，因此首先進(jìn)行灰度轉(zhuǎn)換?；叶绒D(zhuǎn)換之后，進(jìn)行邊沿提取，邊沿是圖像的重要特性，圖像理解和分析的第一步往往就是邊沿檢測?，F(xiàn)在，邊沿檢測已成為計算機(jī)視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。車牌的一種重要特性就是在該區(qū)域存在大量的邊沿信息，因此邊沿檢測對于我們進(jìn)行車牌識別來說也是相稱重要。邊沿是以圖像的局部特性不持續(xù)的形式出現(xiàn)的，也就是指圖像局部亮度變化最明顯的部分，如灰度值的突變、顏色的突變、紋理構(gòu)造的突變等，同時邊沿也是不同區(qū)域的分界處。圖像邊沿有方向和幅度兩個特性，普通沿邊沿的走向灰度變化平緩，垂直于邊沿走向灰度變化激烈。由于邊沿是圖像上灰度變化最激烈的地方，傳統(tǒng)的邊沿檢測就運(yùn)用這個特點(diǎn)，通過計算圖像中像素的梯度值來擬定邊沿點(diǎn)。慣用的圖像邊沿提取算子有Roberts算子、sobel算子、Prewitt算子、Laplac