基于數(shù)字圖像處理的車(chē)牌定位與識(shí)別畢業(yè)論文

1、<p>　　畢 業(yè) 設(shè) 計(jì)（論 文）</p><p>　　題 目 基于數(shù)字圖像處理的</p><p><b>　　車(chē)牌定位與識(shí)別 </b></p><p><b>　　目 錄</b></p><p><b>　　摘 要10</b></p><

2、p>　　Abstract11</p><p>　　第一章 緒論13</p><p>　　1.1 車(chē)牌定位技術(shù)的研究意義13</p><p>　　1.2車(chē)牌定位技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀14</p><p>　　1.3車(chē)牌定位技術(shù)的難點(diǎn)15</p><p>　　1.4論文的研究?jī)?nèi)容以及章節(jié)安排15</

3、p><p>　　1.5 本課題的研究?jī)?nèi)容16</p><p>　　第二章 車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)17</p><p>　　2.1車(chē)牌識(shí)別系統(tǒng)總體設(shè)計(jì)17</p><p>　　2.2系統(tǒng)硬件設(shè)計(jì)18</p><p>　　2.3 系統(tǒng)軟件設(shè)計(jì)18</p><p>　　2.4 本章小結(jié)19&

4、lt;/p><p>　　第三章 車(chē)牌圖像預(yù)處理21</p><p>　　3.1圖像的灰度化22</p><p>　　3.2灰度拉伸23</p><p>　　3.3.圖像去噪23</p><p>　　第四章 車(chē)牌定位25</p><p>　　4.1牌照區(qū)域的定位25</p>

5、;<p>　　4.2牌照區(qū)域的分割26</p><p>　　4.2.1候選區(qū)域的提取26</p><p>　　4.2.2車(chē)牌進(jìn)一步處理26</p><p>　　4.3 傾斜校正28</p><p>　　4.4分割與歸一化28</p><p>　　4.4.1字符分割30</p>&

6、lt;p>　　4.4.2字符歸一化30</p><p>　　第五章：字符識(shí)別31</p><p>　　5.1模版匹配法原理簡(jiǎn)介31</p><p>　　5.2本文方法具體步驟34</p><p>　　5.3識(shí)別結(jié)果及對(duì)比35</p><p>　　第六章 基于matlab的程序源代碼36</p

7、><p><b>　　第一章 緒論</b></p><p>　　1.1 車(chē)牌定位技術(shù)的研究意義</p><p>　　隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，人民生活水平的不斷提高，私有車(chē)輛越來(lái)越多，交通需求量越來(lái)越大，現(xiàn)有的交通基礎(chǔ)設(shè)施建設(shè)速度遠(yuǎn)遠(yuǎn)比不上機(jī)動(dòng)車(chē)輛和其他交通工具的增長(zhǎng)速度;傳統(tǒng)的人工管理方式已經(jīng)越來(lái)越不能滿足實(shí)際工作的需要。由于違章造成的交通事故日

8、益頻繁，以及城市交通堵塞造成的運(yùn)輸效率低下，嚴(yán)重地影響了我國(guó)城市經(jīng)濟(jì)的發(fā)展和人民的生活，在路橋收費(fèi)、十字路口交通和停車(chē)場(chǎng)收費(fèi)中實(shí)行車(chē)輛自動(dòng)識(shí)別(Automatic Vehicle Identification, AVI)已成為管理部門(mén)的迫切要求。因此，為了解決這些問(wèn)題，在繼續(xù)加快交通基礎(chǔ)設(shè)施建設(shè)的同時(shí)，應(yīng)該充分利用衛(wèi)星導(dǎo)航、視頻監(jiān)控和計(jì)算機(jī)調(diào)度管理等技術(shù)，發(fā)展智能交通系統(tǒng)(Intelligent Transportation Syste

9、m, ITS)來(lái)提高運(yùn)輸效率，保障交通安全，緩解交通擁擠和實(shí)現(xiàn)管理自動(dòng)化。</p><p>　　車(chē)輛自動(dòng)識(shí)別是智能交通系統(tǒng)(ITS)實(shí)現(xiàn)的前提。近年來(lái)，車(chē)輛識(shí)別技術(shù)發(fā)展很快，主要有:射頻識(shí)別(Radio Frequency Identification),條形碼識(shí)別(Bar Code Based Identification)和車(chē)牌識(shí)別(LicensePlate Recognition, LPR)。其中，射頻識(shí)別

10、和條形碼識(shí)別屬于間接識(shí)別，難以核對(duì)車(chē)與車(chē)牌信息是否相符。而車(chē)牌識(shí)別屬于直接識(shí)別，與射頻識(shí)別和條形碼識(shí)別相比，車(chē)牌識(shí)別不需要在汽車(chē)上安裝專(zhuān)門(mén)的條形碼或射</p><p>　　頻識(shí)別標(biāo)志，可以對(duì)車(chē)輛圖像進(jìn)行檢索、回放，升級(jí)和維護(hù)方便。因此，車(chē)牌識(shí)別系統(tǒng)具有更為廣闊的應(yīng)用前景。</p><p>　　但是，目前國(guó)內(nèi)現(xiàn)有的車(chē)牌識(shí)別系統(tǒng)對(duì)環(huán)境的依賴(lài)性較大，而且對(duì)外界的干擾比較敏感;國(guó)外的車(chē)牌識(shí)別系統(tǒng)對(duì)

11、漢字的識(shí)別率較低，所以必須研究新的車(chē)牌識(shí)別方法。車(chē)牌識(shí)別系統(tǒng)主要由車(chē)牌定位、字符分割和字符識(shí)別三部分組成。其中，車(chē)牌定位是字符分割和字符識(shí)別的基礎(chǔ)，對(duì)整個(gè)系統(tǒng)的性能起著至關(guān)重要的作用，決定著系統(tǒng)的識(shí)別速度和識(shí)別精度。因此，車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)中的最為關(guān)鍵的技術(shù)之一。由于車(chē)輛圖像采集于戶外，圖像背景復(fù)雜、噪聲干擾嚴(yán)重。因此，車(chē)牌的自動(dòng)定位一直都不是很理想，使得它一直是該領(lǐng)域的研究熱點(diǎn)。</p><p>　　車(chē)牌識(shí)

12、別系統(tǒng)涉及計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和模式識(shí)別等技術(shù)，對(duì)它的研究也會(huì)促進(jìn)這些領(lǐng)域的發(fā)展。該系統(tǒng)是計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和模式識(shí)別等技術(shù)在智能交通領(lǐng)域的重要應(yīng)用。它能自動(dòng)獲取車(chē)輛圖像，采集車(chē)輛信息和實(shí)現(xiàn)智能化管理，廣泛應(yīng)用于以下場(chǎng)合，如高速公路電子收費(fèi)和流量監(jiān)控、失竊車(chē)輛查詢(xún)、停車(chē)場(chǎng)車(chē)輛管理、監(jiān)測(cè)黑車(chē)牌機(jī)動(dòng)車(chē)輛和違章車(chē)輛等，大大提高了交通管理運(yùn)行效率，節(jié)省了人力、物力，有利于交通管理的科學(xué)化、規(guī)范化和智能化。因此，對(duì)車(chē)牌識(shí)別中的首要問(wèn)題一

13、車(chē)牌定位技術(shù)研究，不僅具有重要的理論意義，而且具有重要的現(xiàn)實(shí)意義。</p><p>　　1.2車(chē)牌定位技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀</p><p>　　90年代，隨著計(jì)算機(jī)視覺(jué)技術(shù)和圖像處理技術(shù)的發(fā)展，開(kāi)始出現(xiàn)車(chē)牌識(shí)別系統(tǒng)化研究，取得了顯著的成效。運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)和圖像處理技術(shù)建立了車(chē)輛牌照自動(dòng)識(shí)別系統(tǒng)。</p><p>　　近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，新興技

14、術(shù)的出現(xiàn)，很多國(guó)家開(kāi)始探討用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和生物遺傳技術(shù)等對(duì)車(chē)牌識(shí)別問(wèn)題進(jìn)行研究，并將研究重點(diǎn)轉(zhuǎn)向彩色圖像的車(chē)牌識(shí)別和一幅圖像多個(gè)牌照車(chē)牌識(shí)別問(wèn)題上。</p><p>　　國(guó)外的研究人員對(duì)于車(chē)牌識(shí)別的研究工作開(kāi)展較早，究方向主要是分析車(chē)牌圖像，提取車(chē)牌信息，確定車(chē)牌號(hào)。現(xiàn)如今，國(guó)外在車(chē)牌檢測(cè)、識(shí)別方面的研究已取得一些令人矚目的成績(jī)，開(kāi)發(fā)出了很多技術(shù)成熟的車(chē)牌識(shí)別產(chǎn)品。例如英國(guó)IPI公司研究開(kāi)發(fā)的RTVNPR系統(tǒng)

15、，它是一款便攜式的設(shè)備，可以應(yīng)用在道路收費(fèi)站、交通檢測(cè)口等場(chǎng)所;新加坡Optasia公司自行研發(fā)的車(chē)牌識(shí)別系統(tǒng)IMPS，可以在各種天氣條件和光照環(huán)境下準(zhǔn)確定位識(shí)別，給出和車(chē)牌一致的處理結(jié)果。另外，日本、加拿大、德國(guó)、意大利等各發(fā)達(dá)國(guó)家都有適合于本國(guó)車(chē)牌的識(shí)別系統(tǒng)。國(guó)外比較好的車(chē)牌定位算法有:J.Barroso等人提出的基于水平線搜索的車(chē)牌定位方法(81; R.Parisi等人提出的基于DFT變換的頻域分析的車(chē)牌定位方法Charl Coe

16、tzee提出的基于Niblack二值化算法以及自適應(yīng)邊界搜索算法的車(chē)牌定位方法fiol等</p><p>　　我國(guó)對(duì)車(chē)牌識(shí)別技術(shù)的研究工作開(kāi)始于20世紀(jì)90年代，當(dāng)前比較成熟的產(chǎn)品有:北京漢王公司采用DSP芯片作為識(shí)別算法的運(yùn)行硬件平臺(tái)的“漢王眼”;深圳吉通電子有限公司的“車(chē)牌通”;上海高德威智能交通系統(tǒng)有限公司的汽車(chē)牌照識(shí)別器;川大智勝軟件股份有限公司的zTZ000車(chē)牌自動(dòng)識(shí)別系統(tǒng)等等。這些產(chǎn)品都達(dá)到了較好的識(shí)

17、別效果。除此之外，上海交通大學(xué)計(jì)算機(jī)科學(xué)和工程系、西安交通大學(xué)的圖像處理和識(shí)別研究室、浙江大學(xué)的自動(dòng)化系、清華大學(xué)人工智能?chē)?guó)家重點(diǎn)實(shí)驗(yàn)室等也都在進(jìn)行類(lèi)似的研究。國(guó)內(nèi)常用的車(chē)牌定位技術(shù)有:基于彩色圖像的定位算法;基于邊緣檢測(cè)的定位算法;基于灰度值變化的定位算法;基于神經(jīng)網(wǎng)絡(luò)的定位算法;基于遺傳算法的定位算法;基于數(shù)學(xué)形態(tài)學(xué)的定位算法等。</p><p>　　1.3車(chē)牌定位技術(shù)的難點(diǎn)</p><p

18、>　　車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)的關(guān)鍵技術(shù)，是字符分割和字符識(shí)別的基礎(chǔ)，對(duì)系統(tǒng)的識(shí)別精度有著重要的影響。由于在圖像的采集和傳輸過(guò)程中，車(chē)輛圖像不可避免地要受各種因素的影響，如光線和噪聲等影響，使得車(chē)牌難以準(zhǔn)確定位。</p><p>　　車(chē)牌定位的難點(diǎn)主要有:</p><p>　　1.環(huán)境干擾不同光照條件的光線對(duì)車(chē)牌圖像的亮度影響很大，尤其是在光照不均的情況下車(chē)牌區(qū)域可能會(huì)形成部分陰影，從

19、而改變了車(chē)牌的某些特征，影響車(chē)牌定位。</p><p>　　2.背景復(fù)雜多變，類(lèi)似區(qū)域干擾車(chē)牌識(shí)別系統(tǒng)一般應(yīng)用在交叉路口、車(chē)庫(kù)、小區(qū)入口、高速公路等地，圖像背景復(fù)雜多變，背景中與車(chē)牌區(qū)域特征相似的區(qū)域也是車(chē)牌定位的干擾源，如背景中與車(chē)牌特征相似的廣告語(yǔ)、指示牌等，此外，車(chē)牌附近的障礙物遮攔車(chē)牌，如保險(xiǎn)杠等，這些也影響車(chē)牌的定位。</p><p>　　3.車(chē)牌污損、模糊和褪色等由于各種原因(

20、如灰塵、泥濘等)造成車(chē)牌污損;因噪聲或運(yùn)動(dòng)等而使車(chē)牌模糊;因長(zhǎng)期光照等原因而使車(chē)牌出現(xiàn)褪色，也會(huì)造成車(chē)牌定位困難。</p><p>　　4.圖像畸變由于各種原因造成的畸變，如拍攝時(shí)的角度不準(zhǔn)造成車(chē)牌傾斜變形和攝像機(jī)透射畸變，還有車(chē)輛運(yùn)動(dòng)而造成的變形，在很大程度上也影響著車(chē)牌定位。</p><p>　　自動(dòng)識(shí)別的難度，使得中國(guó)車(chē)輛牌照識(shí)別遠(yuǎn)遠(yuǎn)難于國(guó)外的車(chē)輛牌照識(shí)別。因而如何提高識(shí)別率和識(shí)別處

21、理的實(shí)時(shí)性及實(shí)用性成了一個(gè)緊要的任務(wù)。</p><p>　　1.4論文的研究?jī)?nèi)容以及章節(jié)安排</p><p>　　車(chē)牌識(shí)別系統(tǒng)可按順序分為視頻采集、圖像預(yù)處理、車(chē)牌定位、車(chē)牌字符分割和車(chē)牌字符識(shí)別幾部分，而車(chē)牌的定位部分是車(chē)牌識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)，是字符分割和字符識(shí)別等后續(xù)工作的重要基礎(chǔ)，對(duì)整個(gè)識(shí)別系統(tǒng)最終的識(shí)別精度和識(shí)別效率都有著重大的影響。</p><p>　　

22、本文主要是通過(guò)數(shù)字圖像處理技術(shù)對(duì)由攝像機(jī)獲取到的彩色車(chē)牌的定位技術(shù)進(jìn)行了研究，將整個(gè)車(chē)牌定位的過(guò)程分解為了圖像預(yù)處理和定位兩個(gè)部分。其中，預(yù)處理部分又分解為了圖像增強(qiáng)、二值化兩個(gè)處理過(guò)程;定位部分被分解為邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位等四個(gè)處理過(guò)程。</p><p>　　通過(guò)對(duì)數(shù)字圖像處理方面的技術(shù)作了深入的學(xué)習(xí)，本文對(duì)每一個(gè)處理過(guò)程做了詳細(xì)的研究設(shè)計(jì)并完成編碼實(shí)現(xiàn)。圖像增強(qiáng)階段中，采用了直方圖均衡化算法實(shí)現(xiàn)

23、了灰度圖的對(duì)比度增強(qiáng)作用;二值化階段中，分別實(shí)現(xiàn)了迭代最優(yōu)閉值法和大津閉值分割法，并通過(guò)對(duì)比算法實(shí)現(xiàn)的效果，以及算法的效率和準(zhǔn)確率，選取大津閉值分割法作為本定位系統(tǒng)的二值化方法;邊緣檢測(cè)階段中，通過(guò)使用不同的算子實(shí)現(xiàn)邊緣檢測(cè)，考慮算法實(shí)現(xiàn)的優(yōu)劣，以及結(jié)合本次車(chē)牌定位的需求，選取Sobel算子完成對(duì)二值化圖像的邊緣檢測(cè);粗定位基于邊緣檢測(cè)后的圖像采用改進(jìn)的投影法進(jìn)行定位;傾斜校正通過(guò)求取車(chē)牌上各字符的中心點(diǎn)，擬合直線來(lái)確定車(chē)牌的傾斜角;細(xì)

24、定位對(duì)校正后的圖像采用統(tǒng)計(jì)跳變次數(shù)和投影法結(jié)合的算法進(jìn)行定位。</p><p>　　本論文的章節(jié)安排如下:</p><p>　　第一章:緒論。簡(jiǎn)要介紹課題的研究背景及意義，以及當(dāng)今國(guó)內(nèi)外在車(chē)牌識(shí)別上的一些現(xiàn)狀，最后介紹本文的內(nèi)容及章節(jié)安排。</p><p>　　第二章:車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)。首先簡(jiǎn)要介紹了車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)框架以及每一模塊的具體工作，接著提出本文的

25、車(chē)牌定位方案設(shè)計(jì)，包括預(yù)處理和定位兩大模塊。其中，預(yù)處理部分圖像增強(qiáng)和圖像二值化，定位部分包括邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位。</p><p>　　第三章:車(chē)牌圖像預(yù)處理。首先介紹了和數(shù)字圖像處理相關(guān)的理論以及計(jì)算原理，其次分別對(duì)圖像預(yù)處理中涉及到的圖像增強(qiáng)和圖像二值化等環(huán)節(jié)進(jìn)行了介紹和實(shí)現(xiàn)。</p><p>　　第四章:車(chē)牌粗定位。分析我國(guó)的車(chē)牌特征，介紹當(dāng)前常用的定位方法，并提出包

26、含邊緣檢測(cè)、車(chē)牌粗定位、傾斜校正、車(chē)牌細(xì)定位等在內(nèi)的車(chē)牌定位方法。本章詳細(xì)介紹粗定位算法。</p><p>　　第五章:研究車(chē)牌字符識(shí)別的問(wèn)題，對(duì)模板匹配的方案進(jìn)行研究、改進(jìn)和試驗(yàn)。對(duì)模板匹配法中的特征提取采用新的劃分方式進(jìn)行劃分，分別提取特征，提高了識(shí)別準(zhǔn)確率。</p><p>　　第六章:主要是程序源代碼?；趍atlab的程序源代碼。</p><p>　　1.

27、5 本課題的研究?jī)?nèi)容</p><p>　　本文就車(chē)輛牌照自動(dòng)識(shí)別技術(shù)進(jìn)行了一系列的研究工作，在研究國(guó)內(nèi)外各種典</p><p>　　型的車(chē)牌識(shí)別方法的基礎(chǔ)上，努力學(xué)習(xí)和創(chuàng)新，結(jié)合中國(guó)車(chē)牌的特點(diǎn)，對(duì)適合中國(guó)</p><p>　　車(chē)牌的識(shí)別系統(tǒng)進(jìn)行了研究。</p><p>　　在課題研究中作者的主要研究?jī)?nèi)容有：</p><p&

28、gt;　　1）在廣泛查閱國(guó)內(nèi)外車(chē)牌識(shí)別系統(tǒng)算法的基礎(chǔ)上，以 MATLAB 的 ImageAcquisition Toolbox、Image Processing Toolbox 以及 Neural Network Toolbox 工具箱為骨架，以 M 語(yǔ)言為主要編程語(yǔ)言，部分模塊結(jié)合 C 語(yǔ)言開(kāi)發(fā)了一套車(chē)牌識(shí)別系統(tǒng)，實(shí)現(xiàn)了車(chē)牌識(shí)別系統(tǒng)中車(chē)牌的定位、車(chē)牌字符的切分、以及車(chē)牌字符的識(shí)別的功能。提取的算法，結(jié)合形態(tài)學(xué)處理，采用初步定位去除偽車(chē)

29、牌和精確定位相結(jié)合的算法實(shí)現(xiàn)車(chē)牌的準(zhǔn)確定位。</p><p>　　2）關(guān)于車(chē)牌字符切分的研究，這里主要針對(duì)二值化、傾斜校正、字符切分進(jìn)行了研究。對(duì)二值化中采用的 Otsu 算法進(jìn)行改進(jìn)，重新劃分二維直方圖的區(qū)域，改進(jìn)后的算法運(yùn)行時(shí)間短、二值化效果好。</p><p>　　第二章 車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)</p><p>　　2.1車(chē)牌識(shí)別系統(tǒng)總體設(shè)計(jì)</p&g

30、t;<p>　　一個(gè)完整的車(chē)輛牌照識(shí)別系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，應(yīng)該包括圖像采集、圖像預(yù)</p><p>　　處理、車(chē)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</p><p>　　本可以分為硬件部分和軟件部分，硬件部分主要完成車(chē)輛圖像的攝取采集，軟件部</p><p>　　分主要完成對(duì)采集到的車(chē)輛圖像進(jìn)行車(chē)輛牌照定位、車(chē)牌字符切分與

31、車(chē)牌字符識(shí)別</p><p>　　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</p><p>　　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(guò)牌</p><p>　　照對(duì)車(chē)輛進(jìn)行有效管理，很大程度上取決于軟件部分識(shí)別車(chē)牌的準(zhǔn)確性。一個(gè)車(chē)牌</p><p>　　識(shí)別系統(tǒng)的基本結(jié)構(gòu)如圖所示:

32、</p><p>　　車(chē)牌識(shí)別系統(tǒng)是只能交通系統(tǒng)的一個(gè)十分關(guān)鍵的構(gòu)成部分。該系統(tǒng)可以實(shí)現(xiàn)從一副包含汽車(chē)牌照的圖片中自動(dòng)的確定出車(chē)牌所在的位置，并對(duì)車(chē)牌所在的區(qū)域進(jìn)行字符分割、字符識(shí)別等操作，最終識(shí)別出車(chē)牌的具體內(nèi)容。車(chē)牌自動(dòng)識(shí)別方法的成功實(shí)現(xiàn)將會(huì)大大提高ITS進(jìn)程的實(shí)現(xiàn)步伐。</p><p>　　車(chē)牌識(shí)別系統(tǒng)從一幅車(chē)牌圖像中提取車(chē)牌部分圖像，分割字符，進(jìn)一步對(duì)字符進(jìn)行識(shí)別，從而得到車(chē)牌號(hào)碼

33、。由于應(yīng)用場(chǎng)合的不同，相應(yīng)的設(shè)計(jì)方案也有所區(qū)別，但通常一個(gè)典型的車(chē)牌識(shí)別系統(tǒng)主要包括四部分:車(chē)輛感應(yīng)部分、圖像采集部分、車(chē)牌識(shí)別部分、數(shù)據(jù)庫(kù)管理部分。</p><p><b>　　2.2系統(tǒng)硬件設(shè)計(jì)</b></p><p>　　一個(gè)車(chē)牌識(shí)別系統(tǒng)的基本硬件配置由攝像機(jī)、主控機(jī)、采集卡和照明裝置組成。例如在停車(chē)場(chǎng)管理系統(tǒng)中，系統(tǒng)硬件主要包括車(chē)輛傳感探測(cè)器、高性能工控計(jì)算機(jī)

34、、高分辨率 CCD 攝像機(jī)、高放大倍數(shù)鏡頭、CCD 自動(dòng)亮度控制器和視頻采集卡等。首先是探測(cè)車(chē)輛的接近、通過(guò)和停留等。常用的有光探測(cè)器、微波雷達(dá)通過(guò)型探測(cè)器、測(cè)速雷達(dá)探測(cè)器、聲探測(cè)器、紅外探測(cè)器、電磁感應(yīng)探測(cè)器和壓敏探測(cè)器等。我國(guó)停車(chē)場(chǎng)應(yīng)用較多的是紅外探測(cè)器和電磁感應(yīng)環(huán)探測(cè)器。設(shè)置在停車(chē)場(chǎng)入口和出口的兩對(duì)紅外發(fā)射和接收設(shè)備進(jìn)行車(chē)輛檢測(cè)。利用編碼調(diào)制信號(hào)，增強(qiáng)抗干擾的能力，具有較強(qiáng)的可靠性。前端工控機(jī)利用紅外線探測(cè)到車(chē)輛經(jīng)過(guò)的信號(hào)時(shí)，控制

35、圖像采集卡抓拍圖像，并對(duì)抓拍的汽車(chē)圖像進(jìn)行牌照識(shí)別，同時(shí)控制攝像機(jī)光圈的大小，以適應(yīng)外界環(huán)境不同的光照條件。然后將識(shí)別出的牌照信息儲(chǔ)存到服務(wù)器中，當(dāng)車(chē)輛離開(kāi)時(shí)，同樣的進(jìn)行牌照識(shí)別，將其與前面輸入的牌照信息進(jìn)行對(duì)比，計(jì)算出停車(chē)時(shí)間，然后計(jì)費(fèi)。</p><p>　　本課題主要側(cè)重算法的研究，主要工作是設(shè)計(jì)軟件，對(duì)已攝取到的卡口車(chē)輛照片實(shí)現(xiàn)車(chē)牌識(shí)別。</p><p>　　2.3 系統(tǒng)軟件設(shè)計(jì)&l

36、t;/p><p>　　硬件設(shè)備采集到圖片后首先要考慮圖像的存儲(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。軟件系統(tǒng)的編寫(xiě)大多采用 VC 或者 MATLAB 語(yǔ)言，本課題選用了 MATLAB 語(yǔ)言。MATLAB 具有以下優(yōu)點(diǎn)：</p><p>　　1）MATLAB 編程效率高，使用方便。MATLAB 以矩陣作為基本語(yǔ)言

37、要素大大提高了數(shù)值計(jì)算的編程效率。MATLAB 本身?yè)碛胸S富的函數(shù)庫(kù)，并具有結(jié)構(gòu)化的流程控制語(yǔ)句和運(yùn)算符，用戶在使用過(guò)程中能夠方便自如地應(yīng)用。其圖像處理工具箱更是大大擴(kuò)展了 MATLAB 解決圖像處理問(wèn)題的能力，其他還有諸如用于神經(jīng)網(wǎng)絡(luò)和小波的工具箱等，對(duì)于算法的分析都有著很大的幫助。</p><p>　　2）MATLAB 擴(kuò)充能力強(qiáng)，交互性好，移植性和開(kāi)放性較好。MATLAB 的庫(kù)函數(shù)同用戶文件在形式上是一樣的

38、，用戶可以根據(jù)自己的需求方便地建立與擴(kuò)充新的庫(kù)函數(shù)，擴(kuò)充其功能。MATLAB 可在 Windows 系列、UNIX、Linux、VMS 6.1、PowerMac 平臺(tái)上使用，且所有的核心文件和工具箱文件都是公開(kāi)的，用戶可以修改源文件構(gòu)成新的工具箱，從而可以擴(kuò)充很多新的功能，利于算法的研究和改進(jìn)。</p><p>　　3） 較強(qiáng)的圖形控制和處理功能，自帶的 API 使得用戶可以方便地在 MATLAB與 C、C++等

39、其他程序設(shè)計(jì)語(yǔ)言之間建立數(shù)據(jù)通信。</p><p>　　本文設(shè)計(jì)的系統(tǒng)采用 MATLAB 搭建車(chē)輛牌照識(shí)別系統(tǒng)，具有非常明顯的優(yōu)勢(shì)：</p><p>　　1）可以直接使用 MATLAB 的 Image Acquisition Toolbox、Image Processing Toolbox 以及 Neural Network Toolbox 作為骨架來(lái)搭建整個(gè)系統(tǒng)。</p>

40、<p>　　2）使用 MATLAB 的圖形用戶界面技術(shù)（GUI）編寫(xiě)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(wú)縫連接。</p><p>　　3）使用專(zhuān)業(yè)工具箱，使得研究人員不必過(guò)于關(guān)心程序的細(xì)節(jié)問(wèn)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。</p><p>　　整個(gè)軟件系統(tǒng)是一個(gè)具有車(chē)牌識(shí)別功能的圖像分析和

41、處理軟件。首先將采集到的汽車(chē)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(chē)牌部分的對(duì)比度。然后，通過(guò)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(chē)牌的輪廓已經(jīng)非常清晰，并且可以和非車(chē)牌區(qū)域明顯區(qū)分開(kāi)來(lái)了，接著，根據(jù)車(chē)牌的特點(diǎn)進(jìn)行車(chē)牌初步定位，對(duì)車(chē)牌區(qū)域和偽車(chē)牌區(qū)域進(jìn)行篩選后，采用投影法進(jìn)行車(chē)牌二次定位，提取出車(chē)牌圖像。將提取出的車(chē)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)

42、行車(chē)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。最后利用改進(jìn)的BP 網(wǎng)絡(luò)完成了整個(gè)車(chē)牌字符的識(shí)別。整個(gè)系統(tǒng)的設(shè)計(jì)主要采用了 M 語(yǔ)言，部分采用了 C 語(yǔ)言開(kāi)發(fā)。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。</p><p><b>　　2.4 本章小結(jié)</b></p><p>　　本章主要介紹了車(chē)牌識(shí)別系統(tǒng)的

43、總體設(shè)計(jì)方案。首先，簡(jiǎn)單介紹了車(chē)牌識(shí)別系</p><p>　　統(tǒng)的組成部分，包括硬件部分和軟件部分。硬件部分主要完成車(chē)輛圖像的攝取，獲</p><p>　　取高質(zhì)量的含有牌照的圖像，受條件限制，關(guān)于硬件的研究本文未展開(kāi)具體工作。</p><p>　　軟件部分在整個(gè)系統(tǒng)中占有很重要的地位，而且軟件的優(yōu)化和升級(jí)能在很大程度上</p><p>　　

44、彌補(bǔ)硬件的不足，因此是本文研究的重點(diǎn)，軟件研究主要是設(shè)計(jì)車(chē)牌識(shí)別系統(tǒng)的主</p><p>　　體，包括基于小波變換的車(chē)牌定位模塊、基于 Otsu 算法的車(chē)牌字符切分模塊的車(chē)牌字符識(shí)別模塊。在確定總體設(shè)計(jì)方案后，后面將對(duì)每一模塊依次進(jìn)行介紹。</p><p>　　整個(gè)軟件系統(tǒng)的設(shè)計(jì)流程圖如圖所示：</p><p>　　第三章 車(chē)牌圖像預(yù)處理</p>&

45、lt;p>　　為了便于車(chē)牌的分割識(shí)別，攝像機(jī)攝下的原始圖像應(yīng)具有適當(dāng)?shù)牧炼群蛯?duì)比度。但通常經(jīng)輸入系統(tǒng)獲取的車(chē)牌圖像信息由于光照條件、牌照的整潔度、攝像機(jī)的狀態(tài)(焦距、角度和鏡頭的光學(xué)畸變)以及車(chē)速的不穩(wěn)定等因素都會(huì)使圖像含有各種各樣的噪聲與畸變。例如由于光照度不均勻造成圖像灰度過(guò)于集中;由攝像頭獲得的圖像經(jīng)過(guò)AD轉(zhuǎn)換、線路傳送都會(huì)產(chǎn)生噪聲污染;車(chē)牌的字符部分受到磨損或是被污跡覆蓋等等。這些主客觀因素不可避免地影響車(chē)牌圖像的清晰程度

46、，降低圖像質(zhì)量，輕者表現(xiàn)為圖像不干凈，難以看清細(xì)節(jié)，重者表現(xiàn)為圖像模糊不清、歪斜或缺損，車(chē)牌字符邊界模糊、細(xì)節(jié)不清、比劃斷開(kāi)、粗細(xì)不均等現(xiàn)象。這勢(shì)必會(huì)影響車(chē)牌區(qū)域分割，降低車(chē)牌字符識(shí)別的準(zhǔn)確度。因此，在對(duì)車(chē)牌圖像進(jìn)行分析之前，必須要對(duì)車(chē)牌圖像進(jìn)行預(yù)處理。對(duì)車(chē)牌圖像的預(yù)處理主要包括以下三個(gè)方面:</p><p>　　(l)圖像對(duì)比度增強(qiáng)。由于車(chē)牌識(shí)別系統(tǒng)需要全天候工作，自然光照度的晝夜變化會(huì)引起車(chē)輛圖像對(duì)比度的嚴(yán)重

47、不足，所以增強(qiáng)圖像是很有必要的。</p><p>　　(2)圖像去噪。通常得到的汽車(chē)圖像會(huì)有一些污點(diǎn)，為了保證識(shí)別的效果，需要對(duì)圖像進(jìn)行去噪處理。</p><p>　　(3)傾斜矯正。攝像機(jī)的位置、車(chē)輛的運(yùn)動(dòng)等因素經(jīng)常使拍攝出來(lái)的汽車(chē)圖像有一定的傾斜，這就需要對(duì)圖像進(jìn)行傾斜矯正，或在分割出車(chē)牌區(qū)域之后對(duì)字符傾斜矯正</p><p><b>　　3.1圖像的

48、灰度化</b></p><p>　　通常情況下，實(shí)際的車(chē)牌識(shí)別系統(tǒng)中由攝像機(jī)采集到的原始圖像是彩色圖像，所有的彩色圖像都是由紅(R)、綠(G)、藍(lán)(B)三基色組合而成，在數(shù)字圖像中每一個(gè)基色都被分為256個(gè)等級(jí)，即0~255。由R、G、B三基色不同級(jí)別的組合方式，可以計(jì)算出一幅彩色數(shù)字圖像最多可包含167772種顏色。在灰度圖像中R=G=B，因此灰度圖像中只有一種灰度顏色，同彩色圖像中的三基色一樣，灰

49、度色也被分成0-255，共256個(gè)等級(jí)，同理可以計(jì)算出一幅灰度圖像最多只包含256種顏色。由此可見(jiàn)，一幅彩色圖像所包含的信息量遠(yuǎn)遠(yuǎn)大于一幅灰度圖像，它不僅需要大量的存儲(chǔ)空間還需要復(fù)雜的圖像處理算法，這使得整個(gè)車(chē)牌識(shí)別系統(tǒng)操作時(shí)間過(guò)長(zhǎng)，無(wú)法達(dá)到其實(shí)時(shí)性的要求。所以，首先應(yīng)將采集到的彩色圖像轉(zhuǎn)換成一幅灰度圖像，這個(gè)過(guò)程便是圖像的灰度化。令g為轉(zhuǎn)換后灰度圖像在某一點(diǎn)的灰度值，R、G、B分別為轉(zhuǎn)換前該點(diǎn)的R、G、B分量。</p>

50、<p><b>　　圖1彩色原圖</b></p><p>　　使用matlab自帶的灰度變換函數(shù) rgb2gray(),對(duì)彩色圖片進(jìn)行灰度化處理，結(jié)果如下圖。</p><p><b>　　圖2灰度圖像</b></p><p><b>　　3.2灰度拉伸</b></p><

51、p>　　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)牌部分圖像的對(duì)比度并不是很高，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，因而難以準(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對(duì)比度，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)行灰度拉伸。</p><p>　　使用matlab自帶的灰度調(diào)整函數(shù)imadjust().對(duì)灰度圖像進(jìn)行灰度拉伸，結(jié)果如下：</p>

52、<p>　　圖3 灰度拉伸后的圖像</p><p>　　從兩圖的對(duì)比中我們可以看到灰度拉伸后對(duì)比度明顯增強(qiáng)，車(chē)牌區(qū)域更加明顯。</p><p><b>　　3.3.圖像去噪</b></p><p>　　車(chē)牌圖像中的邊緣、細(xì)節(jié)、跳躍部分以及噪聲都代表圖像的高頻分量，而大面積的背景區(qū)和緩慢變化部分則代表圖像的低頻分量。由此可見(jiàn)，若采用低

53、通濾波法去除車(chē)牌圖像中的噪聲，在除去噪聲的同時(shí)也會(huì)使車(chē)牌及字符的邊緣變得模糊，這對(duì)后續(xù)的車(chē)牌定位以及字符識(shí)別非常不利。反之，若采用高通濾波法則在增強(qiáng)邊緣信息的同時(shí)也增了噪聲。因此，為了在保證在車(chē)牌圖像邊緣信息不被弱化的情況下除去噪聲，采用中值濾波法來(lái)去除圖像噪聲。中值濾波是一種非線性濾波，由于它在實(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所引用。在一定的條件下

54、，可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及顆粒噪聲最為有效。中值濾波它是一種鄰域運(yùn)算，類(lèi)似于卷積，首先把鄰域中的像素按灰度等級(jí)進(jìn)行排序，然后選擇該組的中間值作為輸出像素值。它能減弱或消除傅里葉空間的高頻分量，因?yàn)楦哳l分量對(duì)應(yīng)圖像中的邊緣區(qū)域，且其灰度值具有較大較快的變化，該濾波可將這些分量濾除，使圖像平滑。其主要原理是:首先確定一個(gè)以某個(gè)像素為中心點(diǎn)的鄰域，一般為方形鄰域;然后將鄰域中的各個(gè)像素的灰度值進(jìn)</p

55、><p><b>　　具體步驟如下:</b></p><p>　?、賹⒛０逶趫D像中漫游，并將模板中心與圖像中某個(gè)像素的位置重合;</p><p>　?、谧x取模板下各對(duì)應(yīng)像素的灰度值;</p><p>　　③將這些灰度值從小到大排列成一列;</p><p>　?、苷页雠旁谥虚g的一個(gè)值;</p>

56、;<p>　?、輰⑦@個(gè)中間值賦給對(duì)應(yīng)模板中心位置的像素。</p><p>　　本次作業(yè)采用matlab自帶的中值濾波器函數(shù)medfilt2()，對(duì)灰度圖像進(jìn)行去噪處理。</p><p>　　第四章 車(chē)牌定位</p><p>　　牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照

57、字符的一塊子圖象從整個(gè)圖象中分割出來(lái)，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。由于牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說(shuō)是水平度較高的橫向近似的長(zhǎng)方形，它在原始圖象中的相對(duì)位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過(guò)邊緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分割。</p><p>　　牌照定位于分割流程圖</p>&

58、lt;p>　　4.1牌照區(qū)域的定位</p><p>　　牌照?qǐng)D象經(jīng)過(guò)了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了膨脹和閉合這兩

59、個(gè)基本運(yùn)算，最后還用了bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。</p><p>　　采用matlab自帶的edge()函數(shù)對(duì)圖像進(jìn)行邊緣的提取。</p><p>　　edge()格式：[g,t]=edge(f,’method’,parameters)</p><p>　　本次作業(yè)采用canny邊緣檢測(cè)器。進(jìn)行邊緣檢測(cè)，檢測(cè)后的結(jié)果如圖</p>

60、<p>　　4.2牌照區(qū)域的分割</p><p>　　4.2.1候選區(qū)域的提取</p><p>　　提取候選區(qū)域的步驟是：首先對(duì)經(jīng)過(guò)開(kāi)閉運(yùn)算處理的圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)，然后根據(jù)車(chē)牌的先驗(yàn)知識(shí)對(duì)區(qū)域特征參數(shù)進(jìn)行比較，提取車(chē)牌區(qū)域。本課題選擇使用車(chē)牌的寬高范圍和比例關(guān)系對(duì)車(chē)牌進(jìn)行初步定位。對(duì)車(chē)牌的區(qū)域提取可以利用regionprops 函數(shù)，對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然

61、后計(jì)算每個(gè)區(qū)域圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形，面積。最后計(jì)算出包含所標(biāo)記區(qū)域的最小矩形的寬和高。</p><p>　　對(duì)車(chē)牌的分割可以2007 年實(shí)施的車(chē)牌標(biāo)準(zhǔn)規(guī)定，車(chē)前車(chē)牌長(zhǎng) 440mm，寬 140mm。其比例為440 /140 3.15 ≈ 。根據(jù)圖像像素的大小，這里選取篩選條件為寬在50到150之間，高在20到50之間，同時(shí)寬高比例應(yīng)大于0.45，就可以比較準(zhǔn)確的得到車(chē)牌的大致位置。</p&

62、gt;<p><b>　　初步提取的車(chē)牌</b></p><p>　　4.2.2車(chē)牌進(jìn)一步處理</p><p>　　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性濾波算法，它是指在圖

63、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。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。</p><p>　　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，這樣處理后整個(gè)圖像呈現(xiàn)明顯的黑白效果，即將256個(gè)亮度等級(jí)的灰度圖經(jīng)過(guò)合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 二值化處理后的圖像，其集合性質(zhì)只與像素值為0或255的點(diǎn)的位置有關(guān)，不再涉及像素的其他級(jí)值，

64、處理過(guò)程簡(jiǎn)單，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，否則，灰度值為 0，表示背景或者其他的物體區(qū)域。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，利用閥值法就能得到較好的切分效果。如果物體同背景的差別難以用不同的灰度值表現(xiàn)（比如紋理不同） ，可以把這些差別特征轉(zhuǎn)換為灰度的差別，然后利

65、用閥值法來(lái)切分該圖像。動(dòng)態(tài)調(diào)節(jié)閥值來(lái)實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)地觀察其切分圖像的具體結(jié)果。</p><p>　　本次作業(yè)采用matlab中的im2bw函數(shù)對(duì)定位后的車(chē)牌進(jìn)行二值化處理。</p><p>　　裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖</p><p><b>　　4.3 傾斜校正 </b></p><p>　　雖然標(biāo)準(zhǔn)的

66、車(chē)牌字符應(yīng)為水平依次排列，但是由于放置不當(dāng)或車(chē)身前進(jìn)方向與圖像采集設(shè)備不在同一條直線上等原因，會(huì)造成圖像中的車(chē)牌傾斜、扭曲。因?yàn)橐粋€(gè)傾斜的數(shù)字或字母的識(shí)別和一個(gè)很正的數(shù)字或字母的識(shí)別是有很大差別的，所以車(chē)牌定位之后要進(jìn)行傾斜校正。一般情況下，傾斜校正有兩步，第一步是找出傾斜的角度；第二部是進(jìn)行坐標(biāo)變換，得到校正后的圖像。</p><p>　　目前常用的計(jì)算傾斜角度的方法有兩種，一種是 Hough 變換來(lái)找出傾斜的

67、角度，一種是利用投影的方法來(lái)找出傾斜的角度。另外還有Radon變換方法等，這里主要介紹前面兩種方法。</p><p>　　本次作業(yè)采用hough算法對(duì)圖形進(jìn)行傾斜校正。</p><p><b>　　圖9旋轉(zhuǎn)前的圖像</b></p><p>　　圖10 hough變換后的車(chē)牌二值圖像</p><p><b>　　

68、4.4分割與歸一化</b></p><p>　　經(jīng)過(guò)車(chē)牌字符圖像的二值化和傾斜校正，得到的是一個(gè)只包含牌照字符的水平條形區(qū)域，為了進(jìn)行字符識(shí)別，需要將牌照字符從圖像中分割出來(lái)。這里常用投影法，既簡(jiǎn)單又快捷。投影法切分車(chē)牌字符的思想是根據(jù)車(chē)牌字符的特點(diǎn)，將車(chē)牌圖像進(jìn)行垂直方向的投影，因?yàn)樽址麉^(qū)域的黑色像素點(diǎn)比較多，比較集中，同時(shí)每個(gè)車(chē)牌字符之間有一定的空隙間隔隔開(kāi)。這樣投影下來(lái)得到的投影圖應(yīng)該有多個(gè)相對(duì)

69、</p><p>　　集中的投影峰值群，只要根據(jù)峰值群的特點(diǎn)進(jìn)行分割，就可以得到車(chē)牌的字符。</p><p>　　對(duì)圖像的垂直方向進(jìn)行投影，得到的投影圖如圖11所示。</p><p>　　圖 11 字符投影圖</p><p>　　圖中有七個(gè)比較集中的投影峰值群，且每個(gè)峰值之間都有一定的間隔。根據(jù)這一特點(diǎn)，從左往右依次定位出每個(gè)字符的起始和結(jié)束

70、位置，并且進(jìn)行切割。然后對(duì)切割出來(lái)的每個(gè)字符圖像進(jìn)行水平投影。根據(jù)水平投影像素累加值進(jìn)行水平切割，從而得到精確切割后的字符。</p><p>　　車(chē)牌字符切分的具體算法為： </p><p>　　對(duì)車(chē)牌圖像進(jìn)行垂直投影，計(jì)算出字符的寬度后，確定字符的中間位置，并計(jì)算相鄰兩個(gè)字符之間的間距，即中間距離的差值。取其最大值定為第二個(gè)字符和第三個(gè)字符之間的距離。以此為分界線，分別向前、后兩個(gè)方向進(jìn)

71、行切分，從而定位出每個(gè)字符的左右邊界，并保存在數(shù)組里。由于 MATLAB 的數(shù)組可以存放不同大小的數(shù)據(jù)，為字符邊界信息的存儲(chǔ)提供了極大的便利。 2）對(duì)每個(gè)切分出的字符進(jìn)行水平投影，確定字符的具體的上下邊界，保存到數(shù)組里。 3）由于用于最后識(shí)別的字庫(kù)中字符模板為24 48 × 像素，所以這里對(duì)切分出來(lái)的字符進(jìn)行歸一化處理，統(tǒng)一為24 48 × 像素。4）將歸一化后的字符的信息保存在數(shù)組里，做為參數(shù)輸入字符識(shí)別模塊與模板

72、比較進(jìn)行字符識(shí)別。</p><p><b>　　字符切分后的效果圖</b></p><p>　　圖13 字符分割與歸一化流程圖</p><p><b>　　4.4.1字符分割</b></p><p>　　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

73、再利用分割的結(jié)果進(jìn)行字符識(shí)別。字符識(shí)別的算法很多，因?yàn)檐?chē)牌字符間間隔較大，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，若長(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。 </p><p>　　4.4.2字符歸一化</p><p>　　一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(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)可以達(dá)到正確識(shí)別的目的。在

74、此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。</p><p><b>　　第五章：字符識(shí)別</b></p><p>　　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?；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，最后選最佳匹

75、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。</p><p>　　模板匹配是圖象識(shí)別方法中最具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)中提取的若干特征量與模板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，

76、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)。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)域之間的差別，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性所設(shè)計(jì)的特征量來(lái)構(gòu)建模板，就可以避免上述問(wèn)題。</p&g

77、t;<p>　　5.1模版匹配法原理簡(jiǎn)介</p><p>　　要對(duì)一個(gè)車(chē)牌字符進(jìn)行識(shí)別，首先是將這個(gè)車(chē)牌字符的圖片輸入電腦，而要對(duì)它進(jìn)行處理，就要將它轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別的語(yǔ)言.由于每一個(gè)待識(shí)別字符都是以數(shù)字圖像的形式存在的，因此將待識(shí)別字符的圖片通過(guò)MATLAB轉(zhuǎn)化為矩陣，再通過(guò)對(duì)矩陣進(jìn)行一系列的數(shù)學(xué)運(yùn)算，從而達(dá)到對(duì)圖片進(jìn)行識(shí)別的目的.MATLAB是處理矩陣運(yùn)算的強(qiáng)大軟件，所以本文的整個(gè)識(shí)別過(guò)程都

78、是通過(guò)MATLAB來(lái)實(shí)現(xiàn)的.</p><p>　　首先以二維圖像的處理為例介紹一下傳統(tǒng)的模板匹配算法。算法的基本思想是：將歸一化的字符二值圖像與模板庫(kù)中的字符二值化圖像逐個(gè)進(jìn)行匹配，采用相似度的方法計(jì)算車(chē)牌字符與每個(gè)模板字符的匹配程度，取最相似的就是匹配。匹配時(shí)相似度函數(shù)定義為：</p><p>　　其中， f ij 為待識(shí)別車(chē)牌字符圖像中像素點(diǎn)(i，j) 的灰度值，這里的取值為 0或1，

79、 t (i，j )為模板字符圖像中像素點(diǎn)(i，j )的灰度值，這里的取值為0或1；M 和 N為模板字符點(diǎn)陣橫向和縱向包含的像素個(gè)數(shù)。</p><p>　　本文是將待識(shí)別的字符與已經(jīng)存儲(chǔ)在計(jì)算機(jī)中的標(biāo)準(zhǔn)模板進(jìn)行邏輯‘與，運(yùn)算，所有標(biāo)準(zhǔn)模板如圖1所示.而將待識(shí)別字符與標(biāo)準(zhǔn)字符模板進(jìn)行邏輯與’運(yùn)算之所以能夠達(dá)到識(shí)別目的，其原理是:當(dāng)待識(shí)別字符與相應(yīng)的字符模板匹配時(shí)結(jié)果較為清晰，與其余模板匹配時(shí)會(huì)變得很模糊，具體如圖2所

80、示。</p><p>　　圖2, 3和4中的(a)分別表示字符‘A', B，和‘C'的標(biāo)準(zhǔn)模板，(b)表示待識(shí)別字符‘A',(c)表示待識(shí)別字符分別與這三個(gè)標(biāo)準(zhǔn)模板進(jìn)行匹配后的結(jié)果.從上述三幅圖中可以很容易看出，圖2中的模板‘A，應(yīng)為待識(shí)別字符的識(shí)別結(jié)果. 在實(shí)際的識(shí)別過(guò)程中，計(jì)算機(jī)需要一定的判別規(guī)則才可以將正確的識(shí)別結(jié)果自動(dòng)輸出。</p><p>　　這就需要引

81、入判別函數(shù)，而本文則是選取了兩個(gè)判別函數(shù)，分別利用這兩個(gè)判別函數(shù)對(duì)運(yùn)算</p><p>　　圖16 字符識(shí)別流程圖</p><p>　　5.2本文方法具體步驟</p><p>　　步驟1：利用MATLAB將標(biāo)準(zhǔn)字符模板與待識(shí)別字符所對(duì)應(yīng)的像素矩陣求出來(lái)，然后將它們二值化，得到相應(yīng)的二值矩陣，分別記為B (i=1,2,3， 4)和D.將數(shù)字圖像進(jìn)行二值化的MATLAB

82、命令為:</p><p>　　I=imread('a.b')</p><p>　　level=graythresh(1);</p><p>　　BW 1=im2bw(I, level)</p><p>　　其中‘a(chǎn)，表示圖片名稱(chēng)，`b，表示圖片格式.</p><p>　　步驟2：將待識(shí)別字符與標(biāo)準(zhǔn)模板逐

83、一進(jìn)行邏輯‘與’運(yùn)算，即將二值矩陣D分別與二值矩陣Bi(i=1,2,3二34)進(jìn)行邏輯‘與，運(yùn)算，得到相應(yīng)的二值矩陣Xz。=1,2,3二34).邏輯‘與’運(yùn)算對(duì)應(yīng)的MATLAB命令為:</p><p>　　L=and(a, b)</p><p>　　步驟3：根據(jù)預(yù)先設(shè)計(jì)好的判別函數(shù)，得出最終的識(shí)別結(jié)果.本文采用了兩個(gè)判別函數(shù)，分別為:</p><p>　　上述兩個(gè)函

84、數(shù)中，surn (A)表示求矩陣A中所有元素的和.在函數(shù)(1)中，與凡所對(duì)應(yīng)的乓代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果，在函數(shù)(2)中，與X、對(duì)應(yīng)的B、所代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果.</p><p>　　步驟4：通過(guò)MATLAB將正確的識(shí)別結(jié)果輸出.</p><p>　　5.3識(shí)別結(jié)果及對(duì)比</p><p>　　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

85、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)數(shù)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。</p><p>　　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，

86、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。</p><p>　　對(duì)于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照?qǐng)D象的色彩信息，簡(jiǎn)化了算法的實(shí)現(xiàn)，加快了圖象的處理速度，具有較高的檢出正確率，而且整個(gè)過(guò)程用MATLAB 語(yǔ)言編程實(shí)現(xiàn)，無(wú)時(shí)間滯后感

87、，可以滿足實(shí)時(shí)檢出的要求。但是在設(shè)計(jì)的過(guò)程中發(fā)現(xiàn)，使用另一幅圖像后，識(shí)別效果始終沒(méi)有那么理想。需要做一定的設(shè)置后才能識(shí)別出相應(yīng)的字符。</p><p>　　在車(chē)牌字符分割的預(yù)處理中，用到了對(duì)分割出的字符車(chē)牌進(jìn)行均值濾波，膨脹或腐蝕的處理。這在對(duì)于有雜點(diǎn)的車(chē)牌是很有用的，因?yàn)檫@樣可以把字符與字符之間的雜色點(diǎn)去除，只有白色的字符和黑色的背景存在，這樣有利于的字符分割進(jìn)行。</p><p>　　

88、字符識(shí)別過(guò)程使用的是模板匹配的方法，利用兩幅圖片相減的方法，找到相減后值最小的，即為相似程度最大的。模板的制作很重要，必須要用精確的模板，否則就不能正確的識(shí)別。</p><p>　　對(duì)于識(shí)別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識(shí)別錯(cuò)誤；再就是部分字符的形狀相似性，比如，B 和8；A 和4 等字符識(shí)別結(jié)果可能發(fā)生混淆的情況。</p><

89、p>　　總之，盡管目前牌照字符的識(shí)別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類(lèi)識(shí)別能力更好的特征值和設(shè)計(jì)分類(lèi)器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。</p><p>　　第六章 基于matlab的程序源代碼</p><p>　　function [d]=main(jpg)</p><p>　　I=imread('

90、;car.jpg');</p><p>　　figure(1),imshow(I);title('原圖');</p><p>　　I1=rgb2gray(I);</p><p>　　figure(2),subplot(1,2,1),imshow(I1);title('灰度圖');</p><p>　　f

91、igure(2),subplot(1,2,2),imhist(I1);title('灰度圖直方圖');</p><p>　　I2=edge(I1,'robert',0.08,'both');</p><p>　　figure(3),imshow(I2);title('robert算子邊緣檢測(cè)')</p><

92、p>　　se=[1;1;1];</p><p>　　I3=imerode(I2,se);</p><p>　　figure(4),imshow(I3);title('腐蝕后圖像');</p><p>　　se=strel('rectangle',[40,40]);</p><p>　　I4=imclose

93、(I3,se);</p><p>　　figure(5),imshow(I4);title('平滑圖像的輪廓');</p><p>　　I5=bwareaopen(I4,2000);</p><p>　　figure(6),imshow(I5);title('從對(duì)象中移除小對(duì)象');</p><p>　　[y,

94、x,z]=size(I5);</p><p>　　myI=double(I5);</p><p>　　%begin橫向掃描</p><p><b>　　tic</b></p><p>　　Blue_y=zeros(y,1);</p><p><b>　　for i=1:y</b&g

95、t;</p><p><b>　　for j=1:x</b></p><p>　　if(myI(i,j,1)==1) </p><p>　　%如果myI(i,j,1)即myI圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色</p><p>　　%則Blue_y的相應(yīng)行的元素white_y(i,1)值加1</p><p

96、>　　Blue_y(i,1)= Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì) </p><p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p>　　[temp MaxY]=max(Blue_y);%temp為

97、向量white_y的元素中的最大值，MaxY為該值的索引（ 在向量中的位置）</p><p><b>　　PY1=MaxY;</b></p><p>　　while ((Blue_y(PY1,1)>=120)&&(PY1>1))</p><p>　　PY1=PY1-1;</p><p><

98、;b>　　end </b></p><p><b>　　PY2=MaxY;</b></p><p>　　while ((Blue_y(PY2,1)>=40)&&(PY2<y))</p><p>　　PY2=PY2+1;</p><p><b>　　end<

99、;/b></p><p>　　IY=I(PY1:PY2,:,:);</p><p>　　%IY為原始圖像I中截取的縱坐標(biāo)在PY1：PY2之間的部分</p><p><b>　　%end橫向掃描</b></p><p>　　%begin縱向掃描</p><p>　　Blue_x=zeros(1

100、,x);%進(jìn)一步確定x方向的車(chē)牌區(qū)域</p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(myI(i,j,1)==1)</p><p>　　Blue_x(1,j)= Blue_x(1,j)+1; </p>

101、<p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p><b>　　PX1=1;</b></p><p>　　while ((Blue_x(1,PX1)<3)&&a

102、mp;(PX1<x))</p><p>　　PX1=PX1+1;</p><p><b>　　end </b></p><p><b>　　PX2=x;</b></p><p>　　while ((Blue_x(1,PX2)<3)&&(PX2>PX1))<

103、;/p><p>　　PX2=PX2-1;</p><p><b>　　end </b></p><p><b>　　%end縱向掃描</b></p><p>　　PX1=PX1-2;%對(duì)車(chē)牌區(qū)域的校正</p><p>　　PX2=PX2+2;</p><p&g

104、t;　　dw=I(PY1:PY2,:,:);</p><p><b>　　t=toc; </b></p><p>　　figure(7),subplot(1,2,1),imshow(IY),title('行方向合理區(qū)域');</p><p>　　figure(7),subplot(1,2,2),imshow(dw),title(

105、'定位剪切后的彩色車(chē)牌圖像')</p><p>　　imwrite(dw,'dw.jpg');</p><p>　　[filename,filepath]=uigetfile('dw.jpg','輸入一個(gè)定位裁剪后的車(chē)牌圖像');</p><p>　　jpg=strcat(filepath,filena

106、me);</p><p>　　a=imread('dw.jpg');</p><p>　　b=rgb2gray(a);</p><p>　　imwrite(b,'1.車(chē)牌灰度圖像.jpg');</p><p>　　figure(8);subplot(3,2,1),imshow(b),title('1.車(chē)

107、牌灰度圖像')</p><p>　　g_max=double(max(max(b)));</p><p>　　g_min=double(min(min(b)));</p><p>　　T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值</p><p>　　[m,n]=size(b);</p&g

108、t;<p>　　d=(double(b)>=T); % d:二值圖像</p><p>　　imwrite(d,'2.車(chē)牌二值圖像.jpg');</p><p>　　figure(8);subplot(3,2,2),imshow(d),title('2.車(chē)牌二值圖像')</p><p>　　figure(8),su

109、bplot(3,2,3),imshow(d),title('3.均值濾波前')</p><p><b>　　% 濾波</b></p><p>　　h=fspecial('average',3);</p><p>　　d=im2bw(round(filter2(h,d)));</p><p>

110、;　　imwrite(d,'4.均值濾波后.jpg');</p><p>　　figure(8),subplot(3,2,4),imshow(d),title('4.均值濾波后')</p><p>　　% 某些圖像進(jìn)行操作</p><p><b>　　% 膨脹或腐蝕</b></p><p>

111、;　　% se=strel('square',3); % 使用一個(gè)3X3的正方形結(jié)果元素對(duì)象對(duì)創(chuàng)建的圖像膨脹</p><p>　　% 'line'/'diamond'/'ball'...</p><p>　　se=eye(2); % eye(n) returns the n-by-n identity matrix 單位矩陣&

112、lt;/p><p>　　[m,n]=size(d);</p><p>　　if bwarea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</p><p>　　elseif bwarea(d)/m/n<=0.235</p><p>　　d=imdilate(d,se);<

113、;/p><p><b>　　end</b></p><p>　　imwrite(d,'5.膨脹或腐蝕處理后.jpg');</p><p>　　figure(8),subplot(3,2,5),imshow(d),title('5.膨脹或腐蝕處理后')</p><p>　　% 尋找連續(xù)有文字的塊