車牌識(shí)別中字符分割算法的研究與實(shí)現(xiàn)畢業(yè)論文

1、<p>　　畢 業(yè) 論 文</p><p>　　題 目 車牌識(shí)別中字符分割算法的研究與實(shí)現(xiàn)</p><p><b>　　摘 要</b></p><p>　　車牌自動(dòng)識(shí)別系統(tǒng)是指通過計(jì)算機(jī)視覺、圖像處理與模式識(shí)別等方法從車輛圖像中提取車牌字符信息的系統(tǒng)，從而確定車輛身份，是實(shí)現(xiàn)交通管理智能化的非常重要的環(huán)節(jié)之一。研究車

2、牌自動(dòng)識(shí)別技術(shù)是具有重要實(shí)用價(jià)值的。</p><p>　　車牌自動(dòng)識(shí)別系統(tǒng)一般包括車牌定位、字符分割和字符識(shí)別三部分。本文主要針對(duì)車牌字符分割進(jìn)行研究，研究了與其相關(guān)的分割算法，進(jìn)而實(shí)現(xiàn)車牌字符的分割。</p><p>　　首先，對(duì)車牌字符分割的預(yù)處理進(jìn)行了較深入研究，尤其是車牌圖像的邊緣檢測(cè)[2]。考慮到車牌圖像的特征，給出了圖像灰度校正，平滑處理以及邊緣提取這一系列方法對(duì)圖像進(jìn)行了預(yù)處

3、理。其次，在車牌定位中，根據(jù)車牌中的字母與數(shù)字具有連通性的特點(diǎn)，給出一種基于數(shù)學(xué)形態(tài)學(xué)的車牌區(qū)域定位方法，并對(duì)車牌字符進(jìn)行了準(zhǔn)確定位。實(shí)驗(yàn)結(jié)果表明，該方法可以有效地對(duì)車牌進(jìn)行定位。然后，考慮到車牌本身特征，以及車牌中圖像像素分布的特點(diǎn)，給出了一種基于車牌像素和模板匹配相結(jié)合的字符分割方法。通過實(shí)驗(yàn)表明，這種方法的字符分割結(jié)果比較準(zhǔn)確。</p><p>　　關(guān)鍵詞：車牌定位；預(yù)處理；字符分割</p>

4、<p><b>　　ABSTRACT</b></p><p>　　Automatic license plate recognition(LPR) is the technique to draw the character information from the vehicle image and confirm the identity of the vehicle thro

5、ugh using computer vision，image manipulation,pattern recognition and so on．LPR is a important study field in the ITS，and it has great apply value．</p><p>　　Automatic license plate recognition system generall

6、y consists of license plate location, character segmentation and character recognition three parts. In this paper, license plate character segmentation research, and put forward the related algorithm, and then realize th

7、e license plate character segmentation system.</p><p>　　Firstly, the pretreatment of the license plate character segmentation is a more in-depth research, especially the license plate image edge detection. T

8、aking into account the characteristics of the image plate, the image is given gradation correction, smoothing processing and edge extraction method in this series of preprocessing the image. Secondly, in license plate lo

9、cation, in accordance with the license plate letters and numbers with connectivity features, presents a mathematical morphology b</p><p>　　Key words：Edge Vehicle license plate location; pretreating; characte

10、r segmentation</p><p><b>　　目 錄</b></p><p><b>　　摘要I</b></p><p>　　ABSTRACTII</p><p><b>　　目錄III</b></p><p><b>

11、　　1 前言1</b></p><p>　　1.1 車牌自動(dòng)識(shí)別系統(tǒng)簡(jiǎn)介1</p><p>　　1.2 研究背景1</p><p>　　1.2.1 車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用前景1</p><p>　　1.2.2 車牌字符分割技術(shù)的研究現(xiàn)狀2</p><p>　　1.3 車牌分割技術(shù)的特點(diǎn)和難點(diǎn)3&

12、lt;/p><p>　　1.3.1我國(guó)汽車牌照的特點(diǎn)3</p><p>　　1.3.2我國(guó)汽車牌照的特殊性4</p><p>　　1.3.3車牌字符分割中的難點(diǎn)5</p><p><b>　　2 車牌定位6</b></p><p>　　2.1 車牌圖象的采集與轉(zhuǎn)換6</p>&

13、lt;p>　　2.2 車牌定位前處理6</p><p>　　2.2.1 灰度校正7</p><p>　　2.2.2 平滑處理8</p><p>　　2.2.3 邊緣檢測(cè)11</p><p>　　2.3 車牌定位13</p><p>　　2.3.1 數(shù)學(xué)形態(tài)學(xué)14</p><p>

14、;　　2.3.2 牌照區(qū)域的定位15</p><p>　　3 車牌圖像預(yù)處理18</p><p>　　3.1彩色圖像灰度化18</p><p>　　3.2 車牌圖像二值化19</p><p>　　3.2.1 圖像二值化的定義19</p><p>　　3.2.2 全局動(dòng)態(tài)二值化20</p>&l

15、t;p>　　3.3 均值濾波21</p><p><b>　　4 車牌分割24</b></p><p>　　4.1 常見的車牌字符分割算法24</p><p>　　4.1.1 基于投影特征的車牌字符分割算法24</p><p>　　4.1.2 基于聚類分析的車牌字符分割算法24</p>&l

16、t;p>　　4.1.3 基于模板匹配的車牌字符分割算法24</p><p>　　4.2 車牌字符分割方法25</p><p>　　4.3 車牌字符分割結(jié)果的例證續(xù)27</p><p>　　4.3.1 車牌字符分割結(jié)果例一續(xù)27</p><p>　　4.3.2 車牌字符分割結(jié)果例二續(xù)29</p><p>

17、<b>　　結(jié) 論33</b></p><p>　　參 考 文 獻(xiàn)34</p><p><b>　　致 謝36</b></p><p><b>　　1 前言</b></p><p>　　1.1 車牌自動(dòng)識(shí)別系統(tǒng)簡(jiǎn)介</p><p>　　

18、近幾年我國(guó)經(jīng)濟(jì)迅速發(fā)展，人民生活水平快速提高，隨之汽車的數(shù)量與日俱增，于是智能交通系統(tǒng)[1]（ITS，Intelligent Transport System）成為一個(gè)熱點(diǎn)研究領(lǐng)域并受到日益廣泛的關(guān)注。車牌自動(dòng)識(shí)別系統(tǒng)[2]作為ITS 的重要組成部分，可對(duì)車輛的牌照進(jìn)行自動(dòng)識(shí)別，從而完成自動(dòng)收費(fèi)、無人停車管理、車輛追蹤等，這無疑可節(jié)省人力、物力，同時(shí)提高交通管理的效率。</p><p>　　車牌自動(dòng)識(shí)別系統(tǒng)可分為

19、硬件和軟件兩個(gè)部分[3]。硬件部分由前端的圖像采集設(shè)備、輔助照明設(shè)備以及一些用于算法處理的處理器等組成；軟件部分的算法處理模塊主要可分為三個(gè)模塊：車牌定位、車牌字符分割以及字符識(shí)別。</p><p>　　車牌定位[4]是指在采集到的車牌圖像中找到牌照區(qū)域所在的位置并分割出車牌圖像；字符分割是指將定位后的車牌區(qū)域經(jīng)過一系列的預(yù)處理之后順序分割成一組單個(gè)字符區(qū)域，并保存該組字符圖像；字符識(shí)別是指對(duì)分割出的單個(gè)字符圖像

20、序列進(jìn)行識(shí)別并對(duì)應(yīng)到文本文字。</p><p>　　由此可見，車牌字符分割[5]的準(zhǔn)確性將直接影響到隨之的字符識(shí)別，進(jìn)而影響到整個(gè)識(shí)別系統(tǒng)的運(yùn)作。故而，車牌字符分割技術(shù)是車牌自動(dòng)識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，具有很高的研究?jī)r(jià)值。</p><p><b>　　1.2 研究背景</b></p><p>　　1.2.1 車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用前景</p

21、><p>　　智能交通系統(tǒng)(ITS)是將信號(hào)處理技術(shù)、電子控制技術(shù)、數(shù)據(jù)通信技術(shù)以及計(jì)算機(jī)有關(guān)處理技術(shù)等有效結(jié)合在一起應(yīng)用于交通管理體系，從而建立起來的一種實(shí)時(shí)、高效的交通綜合管理系統(tǒng)。</p><p>　　在智能交通系統(tǒng)中，檢測(cè)車輛信息是其關(guān)鍵環(huán)節(jié)之一，而牌照可以唯一標(biāo)識(shí)車輛，所以車牌識(shí)別技術(shù)[6](LPR, License Plate Recognition)應(yīng)運(yùn)而生。它是智能交通領(lǐng)域中計(jì)

22、算機(jī)視覺、人工智能和模式識(shí)別技術(shù)應(yīng)用的重要研究課題之一。目前，它在世界上得到廣泛應(yīng)用，可以有效的解決城市交通擁堵問題。它能實(shí)時(shí)識(shí)別車輛，進(jìn)而對(duì)其實(shí)施檢測(cè)和管理，以提高交通系統(tǒng)中車輛監(jiān)控和管理的自動(dòng)化程度。車牌自動(dòng)識(shí)別系統(tǒng)主要可應(yīng)用于以下場(chǎng)所：</p><p>　　交通路口進(jìn)行智能化交通管理。這是車牌自動(dòng)識(shí)別系統(tǒng)最主要的應(yīng)用場(chǎng)所之一。在交通路口紅綠燈處安裝監(jiān)控?cái)z像頭，若有違規(guī)行駛（比如闖紅燈）行為，該系統(tǒng)就可以通過

23、拍攝的視頻讀取并識(shí)別違規(guī)車輛的車牌信息。</p><p>　　2. 現(xiàn)代住宅小區(qū)、重要機(jī)關(guān)單位的汽車出入口管理。首先建立一個(gè)運(yùn)行通行的車牌號(hào)碼庫，然后在通行出入口安裝攝像頭，通過攝像頭拍攝的車輛信息自動(dòng)識(shí)別車牌，并與車牌號(hào)碼庫中的車牌信息進(jìn)行匹配，以此來自動(dòng)判斷是否為可通行車輛。</p><p>　　3. 停車場(chǎng)車輛收費(fèi)信息管理。對(duì)入口和出口的車輛視頻進(jìn)行處理，車輛駛?cè)牒婉偝鰰r(shí)，分別記錄車

24、牌號(hào)碼及時(shí)間，然后比較相同號(hào)碼的記錄時(shí)間差就可以快速準(zhǔn)確的計(jì)算出相應(yīng)的停車費(fèi)用。</p><p>　　4. 高速路口、隧道卡口等場(chǎng)所的自動(dòng)收費(fèi)系統(tǒng)。當(dāng)車輛經(jīng)過卡口收費(fèi)站時(shí)，車牌自動(dòng)識(shí)別系統(tǒng)提取車輛牌照及到達(dá)時(shí)間地點(diǎn)等信息，入庫作為收費(fèi)依據(jù)。如此，可解決人工收費(fèi)工作量大、用時(shí)多等問題。</p><p>　　5. 車輛查詢。警方及其他執(zhí)法機(jī)關(guān)可設(shè)立臨時(shí)稽查站，優(yōu)先稽查識(shí)別待查車輛(比如被盜車輛

25、、違法逃逸車輛等)，為警方及其他執(zhí)法機(jī)關(guān)對(duì)犯罪嫌疑人所駕駛車輛進(jìn)行自動(dòng)監(jiān)控和跟蹤提供技術(shù)支持。</p><p>　　由上可見，車牌自動(dòng)識(shí)別系統(tǒng)最為智能交通系統(tǒng)的重要組成部分，可應(yīng)用于交通的很多方面，其技術(shù)成熟與否在很大程度上影響著智能交通系統(tǒng)的發(fā)展。因此，車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用前景很廣闊，具有很高的研究?jī)r(jià)值。</p><p>　　1.2.2 車牌字符分割技術(shù)的研究現(xiàn)狀</p>

26、<p>　　由于車牌的字符分割技術(shù)是整個(gè)車牌識(shí)別系統(tǒng)中最為關(guān)鍵的步驟之一，字符的分割精度會(huì)直接影響到后期的字符的識(shí)別率。因此，車牌字符分割技術(shù)的研究得到了很多學(xué)者的重視。他們的部分研究成果可舉例如下：</p><p>　　遲曉君等[7]提出一種基于投影特征的車牌字符分割算法，該算法主要依據(jù)車牌圖像的垂直投影圖像的特點(diǎn)，提出一個(gè)特征值，并將該特征值和車牌圖像的先驗(yàn)知識(shí)結(jié)合起來分割字符。吳進(jìn)軍等[8]提出的

27、一種車牌字符分割方法，主要思想是首先定位出車牌的第三個(gè)字符，之后再對(duì)字符區(qū)域進(jìn)行分裂和合并，另外，對(duì)于字符有缺損的情況進(jìn)行字符區(qū)域擴(kuò)展，并且相應(yīng)調(diào)整字符區(qū)域的高度，最終實(shí)現(xiàn)車牌的字符分割。王興玲[9]提出一種基于類間方差車牌字符分割的模板匹配算法，根據(jù)車牌字符串的結(jié)構(gòu)和尺寸等特征，設(shè)計(jì)相應(yīng)的車牌字符串模板，然后結(jié)合最大類間方差將模板在車牌區(qū)間滑動(dòng)，以確定出最佳位置對(duì)車牌字符進(jìn)行分割。范瑋琦等[10]提出一種基于漢字結(jié)構(gòu)特征的車牌照字符分

28、割方法，該方法將漢字按其組成分為上下結(jié)構(gòu)、左右結(jié)構(gòu)以及包圍結(jié)構(gòu)三類，首先找出漢字的主體部件(偏旁部首)，再根據(jù)結(jié)構(gòu)組成找到其他部件，然后結(jié)合該漢字的識(shí)別結(jié)果確定分割得到的漢字，最后，結(jié)合車牌字符串的結(jié)構(gòu)特征找出其他字符。該方法的優(yōu)勢(shì)在于可以對(duì)定位出現(xiàn)車牌字符丟失的情況反饋信息以重新定位，從而找到丟失的字符。熊哲源[11]等提出一種基于Renyi 熵和數(shù)學(xué)形態(tài)學(xué)邊緣檢測(cè)的車牌</p><p>　　此外，還有不少在投

29、影的基礎(chǔ)上研究的字符分割算法。比如陳濤[14]等 提出了基于投影和固有特征結(jié)合的車牌字符分割方法；潘中杰，譚洪舟[15]提出了模板匹配法和垂直投影法相結(jié)合的車牌字符分割方法；劉軍，向軍，肖宇[16]提出了基于投影特征和先驗(yàn)知識(shí)的車牌字符分割算法；鄧紅耀[17]等提出了投影和模板匹配相結(jié)合分割車牌字符；李文舉，梁德群[18]提出了一種針對(duì)質(zhì)量退化的車牌字符分割方法等。</p><p>　　這些算法在特定的情況下均可

30、以較好的分割出車牌字符，但是由于車牌自動(dòng)識(shí)別系統(tǒng)的應(yīng)用場(chǎng)所很廣泛，因此，天氣狀況，光照條件等因素的影響可能使得車牌圖像中的字符出現(xiàn)模糊、缺損等干擾。此外，車牌本身的整潔程度也會(huì)產(chǎn)生污跡干擾，這些都將直接影響到車牌字符的正確分割率。所以，有必要對(duì)車牌字符分割算法進(jìn)行繼續(xù)研究。</p><p>　　1.3 車牌分割技術(shù)的特點(diǎn)和難點(diǎn)</p><p>　　1.3.1我國(guó)汽車牌照的特點(diǎn)</p

31、><p>　　機(jī)動(dòng)車輛牌照作為機(jī)動(dòng)車的“身份證”，制造和使用都有嚴(yán)格的規(guī)范加以明確規(guī)定。世界各國(guó)政府都為本國(guó)的車牌照制定一個(gè)標(biāo)準(zhǔn)，以便辨認(rèn)和管理，我國(guó)也不例外。汽車車牌本身具有很多固有的特征，我國(guó)現(xiàn)行使用的車牌主要具有以下特征：</p><p><b>　　(1)字符特征</b></p><p>　　單行車牌共有7個(gè)字符和1個(gè)點(diǎn)符號(hào)。一股第1個(gè)字符

32、是漢字(武警車除外)，且是各省、市、軍區(qū)的簡(jiǎn)稱，如“魯”、“滬”、“鄂”、“濟(jì)”等；第2個(gè)字符是大寫英文字母，如“A”、“B”、?C’等：接著是一個(gè)點(diǎn)“·”：其余的字符可能是英文字母，也可能是阿拉伯?dāng)?shù)字，如圖1.1。雙行車牌有7個(gè)字符。上面一行有2個(gè)字符，一般第一個(gè)字符是漢字(武警車除外)：第2個(gè)字符是大寫英文字母；下面一行有5個(gè)字符由英文和阿拉伯?dāng)?shù)字組成，如圖1.2。</p><p><b>

33、;　?。?）幾何特征</b></p><p>　　汽車單行牌照的標(biāo)準(zhǔn)外輪廓尺寸：440mm×140mm，字符總長(zhǎng)度：409mm．單個(gè)字符統(tǒng)一寬度：45mm，字符高度：90mm，問隔符寬：10mm，字符間隔：12mm，</p><p>　　字符最大間距即第二、三字符目距：34mm，筆畫寬度：10mm。整個(gè)車牌的寬高比近</p><p>　　圖1.

34、1單行車牌樣本 圖1.2 雙行車牌樣本</p><p>　　似為3：1，如圖1-3所示。汽車雙行牌照的標(biāo)準(zhǔn)外輪廓尺寸：440mm×220mm，上行字符總長(zhǎng)度：220mm，下行字符總長(zhǎng)度：385mm，上行單個(gè)字符統(tǒng)一寬度：80mm，下行單個(gè)字符統(tǒng)一寬度：65rnm—t行字符高度：60mm，下行字符高度：110mm，聞隔符位于上行寬：10mm，字符間隔：60mm，如圖1-4所示。&

35、lt;/p><p>　　圖1.3 單行車牌標(biāo)準(zhǔn) 圖1.4 雙行車牌標(biāo)準(zhǔn)</p><p><b>　?。?）顏色組合</b></p><p>　　目前我國(guó)汽車牌照底色和字符顏色的組臺(tái)共有四種類型如表1.1所示</p><p>　　1)黃底黑字——大型民用汽車牌照</p>&l

36、t;p>　　2)藍(lán)底白字——小型民用汽車牌照</p><p>　　3)白底黑字和紅字——武警及軍車牌照</p><p>　　黑底白字——外籍汽車牌照</p><p>　　1.3.2我國(guó)汽車牌照的特殊性</p><p>　　與國(guó)外大多數(shù)國(guó)家相比，除車牌的一般特征外，我國(guó)車牌也有它的特殊性，主要表現(xiàn)在以下幾個(gè)方面：</p>&

37、lt;p>　　(1)我國(guó)標(biāo)準(zhǔn)汽車牌照是由漢字、英文字母和F可拉伯?dāng)?shù)字組成，漢字識(shí)別比字母和數(shù)字的識(shí)別難度大，由于漢字的復(fù)雜性所以增加了識(shí)別的難度；</p><p>　　(2)國(guó)外許多國(guó)家汽車牌照的底色和字符顏色一般只有對(duì)比度較強(qiáng)的兩種顏色，而我國(guó)汽車牌照不僅底色有藍(lán)、黃、黑、白等多種顏色，而且字符顏色也有黑、紅、白等多種顏色；</p><p>　　(3)其他國(guó)家的汽車牌照格式(如汽車

38、牌照的尺寸大小，牌照上字符的排列等)常常只有一種，而我國(guó)則根據(jù)不同車輛、車型、用途，規(guī)定了多種牌照格式(例如分為軍車、警車、使館車、普通車等)，并且普通車牌照中也分大車和小車。此外，車牌附近還可能掛有地方政府設(shè)置的營(yíng)運(yùn)牌照或貼上商業(yè)廣告信息；</p><p>　　(4）我國(guó)汽車牌照的規(guī)范懸掛位置不統(tǒng)一；</p><p>　　(5）由于環(huán)境、道路或人為因素而造成汽車牌照的嚴(yán)重污染，這種情況在

39、國(guó)外發(fā)達(dá)國(guó)家是不允許上路的，但是在我國(guó)則由于管理松懈，仍可在路上行駛。</p><p>　　1.3.3車牌字符分割中的難點(diǎn)</p><p>　　車牌分割在車牌識(shí)別中扮演著很重要的角色，對(duì)最終的識(shí)別率，和識(shí)別的效率有著舉足輕重的地位。</p><p>　　車牌的分割中還會(huì)出現(xiàn)誤分割，一種是正確的車牌圖片分割錯(cuò)誤，還有一種是不是車牌的圖片被認(rèn)為是正確的從而分割出來，如車

40、的排氣孔規(guī)則的排列，很容易被誤認(rèn)為正確的車牌。這兩種錯(cuò)誤的判斷都會(huì)給后續(xù)的識(shí)別工作帶來困擾，也是車牌分割的難點(diǎn)之一。</p><p>　　由于我國(guó)汽車牌照的特殊性，尤其是環(huán)境、道路或人為因素造成汽車牌照的嚴(yán)重污染，這種情況在國(guó)外發(fā)達(dá)國(guó)家是不允許上路的，而在我國(guó)則由于管理松懈，仍可在路上行駛。這些特殊性給車牌識(shí)別系統(tǒng)帶來了很大的困難。</p><p>　　影響字符分割的惡劣條件主要有[19]

41、：車牌附近環(huán)境惡劣，例如與車牌字符相似的背景遠(yuǎn)處的廣告語容易影響車牌的粗定位，還有就是車牌附近好多的圖案或是廣告字這對(duì)定位也很影響了的；由于白天夜間光線不同，面光與背光行駛不同，光照不均等因素造成的采集圖像時(shí)環(huán)境光線的變化；如霧天，雨天，雪天等惡劣天氣條件下得到的圖像對(duì)比度不強(qiáng)或噪聲干擾嚴(yán)重；由于攝像機(jī)的安放位置和車牌之間角度的變換，有時(shí)車牌在車上的不規(guī)范掛放等等使得很多時(shí)候所拍攝的車牌圖像產(chǎn)生傾斜現(xiàn)象；車牌本身褪色嚴(yán)重或存在污跡；車牌

42、字符粘連等。不同的實(shí)際工程，圖像的分辨率要求也不同。分辨率大小影響車牌識(shí)別統(tǒng)的識(shí)別速度和字符的識(shí)別率。這些問題都是車牌分割中的難點(diǎn)，雖然已有很多的車牌分割算法，但是大部分都是針對(duì)理想條件的車牌進(jìn)行分割，因此如何綜合解決上述問題仍是字符分割中待解決的問題。</p><p>　　總之，車牌識(shí)別系統(tǒng)的研究由于受到多方面的限制，其技術(shù)還存在著一些不足，還需要進(jìn)一步的深入研究，探索更加成熟的車牌分割技術(shù)。</p>

43、;<p><b>　　2 車牌定位</b></p><p>　　車牌定位前圖像處理及邊緣提取流程：</p><p>　　圖2 定位前車牌圖像處理及邊緣提取流程圖</p><p>　　2.1 車牌圖象的采集與轉(zhuǎn)換</p><p>　　考慮到現(xiàn)有牌照的字符與背景[20]的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅

44、字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對(duì)藍(lán)底白字這種最常見的牌照，采用藍(lán)色B 通道時(shí)牌照區(qū)域?yàn)橐涣恋木匦?，而牌照字符在區(qū)域中并不呈現(xiàn)。因?yàn)樗{(lán)色（255，0，0）與白色（255，255，255）在B 通道中并無區(qū)分，而在G、R 通道或是灰度圖象中并無此便利。同理對(duì)白底黑字的牌照可用R 通道，綠底白字的牌照可以用G通道，這樣就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。原圖、灰度圖及其直方圖

45、見圖2.1與圖2.2。對(duì)于將彩色圖象轉(zhuǎn)換成灰度圖象時(shí)，圖象灰度值可由下面的公式計(jì)算：</p><p>　　G=0.110B+0.588G+0.302R （2.1）</p><p>　　G= （2.2）</p><p>　　2.2 車牌定位前處理</

46、p><p>　　邊緣是指圖像局部亮度變化顯著的部分，是圖像紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。所以在此我們要對(duì)圖像進(jìn)行邊緣檢測(cè)。圖象增強(qiáng)處理對(duì)圖象牌照的可辯認(rèn)度的改善和簡(jiǎn)化后續(xù)的牌照字符定位和分割的難度都是很有必要的。增強(qiáng)圖象對(duì)比度度的方法有：灰度線性變換、圖象平滑處理等。</p><p>　　圖2.1 車牌原圖像</p><p>　　圖2.2車牌灰度圖及其

47、灰度直方圖</p><p>　　2.2.1 灰度校正</p><p>　　由于牌照?qǐng)D象在拍攝時(shí)受到種種條件的限制和干擾，圖象的灰度值往往與實(shí)際景物不完全匹配，這將直接影響到圖象的后續(xù)處理。如果造成這種影響的原因主要是由于被攝物體的遠(yuǎn)近不同，使得圖象中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時(shí)各點(diǎn)的靈敏度有較大的差異而產(chǎn)生圖象灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這

48、時(shí)就可以采用灰度校正的方法來處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，以達(dá)到增強(qiáng)圖象的對(duì)比度和分辨率。我們發(fā)現(xiàn)車輛牌照?qǐng)D象的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開到s=(0,255)之間，為此我們對(duì)灰度值作如下的變換：</p><p>　　s = T(r) r=[r min,，r max],使得S∈[Smin, Smax]

49、,其中，T為線性變換，</p><p>　　圖2.3 灰度線性變換</p><p><b>　　（2.3）</b></p><p>　　若 r(50,200)、s(0，255)則：</p><p><b>　?。?.4）</b></p><p>　　2.2.2 平滑處理<

50、;/p><p>　　圖像平滑處理的主要目的是減少噪聲。攝像頭拍攝過程中有時(shí)會(huì)引入大量的信道噪聲、量化噪聲、脈沖干擾等，并且圖像上孤立噪聲會(huì)影響牌照搜索定位的準(zhǔn)確性，對(duì)后面的單字切分和識(shí)別會(huì)有很大影響，因此必須平滑掉這些噪聲干擾。噪聲并不限于人眼所能看得覓的失真和變形，有些噪聲只有在進(jìn)行圖像處理時(shí)才可以發(fā)現(xiàn)。隧像的常見噪聲主要有加性噪聲、乘性噪聲和量化噪聲等。圖像中的噪聲往往和信號(hào)交織在一起，尤其是乘性噪聲，如果平滑不

51、當(dāng)，就會(huì)使圖像本身的細(xì)節(jié)如邊界輪癬、線條等變得模糊不清。針對(duì)本文需要處理的車牌圖像，這里主要應(yīng)用領(lǐng)域平均法和中值濾波法平滑去噪。</p><p><b>　　鄰域平均法</b></p><p>　　一般情況下，在空間域內(nèi)可以用平滑濾波法來減少噪聲。在頻域，噪聲頻譜多在離頻段出現(xiàn)，因此可以采用各種形式的低通濾波的方法來減少噪聲。采用的方法要盡可能平滑掉圖像中的噪聲而又盡

52、可能的保持圖像細(xì)節(jié)。</p><p>　　鄰域平均法是簡(jiǎn)單的空域處理法。這種方法的思想是使用幾個(gè)像素灰度的平均值來代替每個(gè)像素的灰度。假定有一幅個(gè)像素的圖像f(x,y)，平滑處理后褥到的一幅圖像g(x,y)由下式?jīng)Q定：</p><p><b>　?。?.5）</b></p><p>　　式中，S是以(x,y)為中點(diǎn)的坐標(biāo)點(diǎn)的集合。k是集合內(nèi)的坐

53、標(biāo)點(diǎn)的總數(shù)。即用窗口像</p><p>　　素的平均值來代替f（x，y)原來的灰度值。</p><p>　　最典型的鄰域S有兩種：分別是4鄰域和8鄰域。用模板表示鄰域平均法，4鄰域</p><p>　　和8鄰域的模板表示如下：</p><p><b>　?。?.6）</b></p><p><

54、;b>　?。?.7）</b></p><p>　　鄰域平均法有利地抑制了噪聲，可以證明經(jīng)過鄰域平均處理后，殘余噪聲的方差減小為原來的，但是圖像由f（x，y）變?yōu)?，這將會(huì)引起圖像中目標(biāo)對(duì)象的輪廓變模糊或細(xì)節(jié)特征消失。為了盡可能減小模糊失真，可以采用“閾值法”，就是說當(dāng)f（x，y）與鄰域S內(nèi)的點(diǎn)的平均灰度值的差大子閾值T時(shí)，作噪聲處理；否則保留原灰度值不變。 </p><p>

55、;<b>　　中值濾波</b></p><p>　　中值濾波是一種非線性信號(hào)處理方法，與其對(duì)應(yīng)的中值濾波器當(dāng)然也就是非線性濾波器。它在一定條件下可以克服線性濾波器如最小均方濾波、平均值濾波等帶來的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及掃描噪聲最為有效。</p><p>　　其原理非常簡(jiǎn)單：用一個(gè)滑動(dòng)窗口W在圖像上進(jìn)行掃描，把窗口內(nèi)包含的像素按灰度級(jí)升(或降)序排列起來，取

56、灰度值居中的像素灰度為窗中心像素的灰度(若窗口中有偶數(shù)個(gè)像素，則取兩個(gè)中間值的平均)，用公式表示為：</p><p><b>　　（2.8）</b></p><p>　　通俗的講，中值濾波就是用一個(gè)活動(dòng)窗口沿圖像移動(dòng)，窗口中心位置的像素值用窗口內(nèi)部所有像素灰度的中值來代替?？紤]到一般圖像在兩個(gè)方向上均具有相關(guān)性，因此活動(dòng)窗口一般選為二維窗口。一般來說，二維中值濾波器比

57、一維中值濾波器更能抑制噪聲。二維中值濾波器用于圖像處理可按以下方式進(jìn)行i設(shè)置一個(gè)濾波窗口，將其移遍圖像(序列)上的點(diǎn)。窗i：3形狀有多種，常用的有線狀，方形，十字形，圓形，菱形等，不同形狀的窗口對(duì)濾波器效果影響很大，使用中必須根據(jù)圖像的不同內(nèi)容和不同要求加以選擇。從以往的經(jīng)驗(yàn)來看，方形或圓形窗霸適宜予外輪廓較長(zhǎng)的物體圖像，衙十字形窗口優(yōu)選于有尖頂角物體的圖像。</p><p>　　圖2.4 中值濾波窗口</

58、p><p>　　對(duì)予車輛圖像，噪聲主要是離散分布的點(diǎn)狀噪聲。另外，車牌區(qū)域具有豐富的邊緣特征，采用中值濾波可以很好地消除圖像中孤立噪聲點(diǎn)的干擾，還能有效的保護(hù)邊界信息。平滑圖像處理如圖2.5所示：</p><p>　　圖2.5 平滑圖像的輪廓</p><p>　　2.2.3 邊緣檢測(cè) </p><p>　　邊緣檢測(cè)是將圖像的邊緣突出，而且邊緣

59、以外的圖像區(qū)域通常被削弱甚至被完全去掉的，一種使輪廓更加突出的圖像處理方法。邊緣檢測(cè)是所有基于邊界分割方法的第一步，其主要任務(wù)就是精確定位邊緣和抑制噪聲，其實(shí)質(zhì)是用某種算提取出圖像中對(duì)象與背景聞的交界線。兩個(gè)具有不同灰度的相鄰區(qū)域之聞總存在邊緣，邊緣是灰度不連續(xù)的結(jié)果，這種不連續(xù)?？衫们髮?dǎo)數(shù)方便地檢測(cè)到，一般常用一階和二階導(dǎo)數(shù)來檢測(cè)邊緣。一階或二階導(dǎo)數(shù)所對(duì)應(yīng)的邊緣檢測(cè)算子又叫微分算子，邊緣檢測(cè)算子檢查每個(gè)像素點(diǎn)的鄰域并對(duì)灰度變化率進(jìn)行

60、量化，也包括方向的確定。大多數(shù)使用基于方向?qū)?shù)的掩模求卷積的方法。下面介紹幾種常見的邊緣檢測(cè)算子：</p><p>　　Prewitt算子：</p><p>　　Prewitt算子對(duì)噪聲有抑制作用，抑制噪聲的原理是通過像素平均，但是像素平均相當(dāng)于對(duì)圖像的低通濾波。其模板為：</p><p>　　(1）垂直算子 (2）

61、水平算子</p><p>　　圖2．6 Prewitt算子</p><p><b>　　Sobel算子：</b></p><p>　　下面兩個(gè)模板新示的兩個(gè)卷積核形成了Sobel邊緣算子。圖像中每個(gè)點(diǎn)都用這兩個(gè)核做卷積。一個(gè)核對(duì)垂直邊緣響應(yīng)最大，另一個(gè)核對(duì)水平邊緣響應(yīng)最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值。運(yùn)算結(jié)果是一幅邊緣幅度圖像。&l

62、t;/p><p>　　1）垂直算子 2）水平算子</p><p>　　圖2．7 Sobel算子 </p><p>　　Laplace算子：</p><p>　　Laplace算子是對(duì)二維溺數(shù)進(jìn)行運(yùn)算的二階導(dǎo)數(shù)算子。Laplace算予對(duì)模板的基本要求是對(duì)應(yīng)中心像素昀系數(shù)應(yīng)是正的，焉對(duì)應(yīng)中心像素

63、鄰近像素的系數(shù)瘦是負(fù)的，且它們的和應(yīng)該是零。</p><p>　　lace4領(lǐng)域算子 Laplace8領(lǐng)域黧子 </p><p>　　圖2.8 Laplace算子 </p><p>　　Roberts算子：</p><p>　　Roberts算子是一種利用局部差分算子

64、尋找邊緣的算子。它由下式給出：</p><p><b>　?。?.9）</b></p><p>　　其中f（x,y）是具有整數(shù)像素坐標(biāo)的輸入圖像，平方根運(yùn)算使該處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。Roberts算子定位比較準(zhǔn)確，對(duì)其有陡峭的低噪聲圖像響應(yīng)最好。其模板為：</p><p>　　圖2.9 Robert 算子</p>

65、<p>　　圖2.10 Robert算子邊緣檢測(cè)</p><p>　　圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照?qǐng)D象的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。為了保存更多的有用信息，經(jīng)過多次比較，此處邊緣的提取采用的是Roberts算子。</p>

66、<p><b>　　2.3 車牌定位</b></p><p>　　車牌的定位是車牌識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)過前期圖象處理后的原始灰度圖象中確定車牌的具體位置，并將包含車牌字符的一塊子圖象從整個(gè)圖象中取出來，供字符分割之用，車牌定位的準(zhǔn)確與否直接關(guān)系到整個(gè)車牌字符識(shí)別系統(tǒng)的識(shí)別率。車牌定位包括數(shù)學(xué)形態(tài)學(xué)，平滑圖像的輪廓，從對(duì)象中移除不相干小對(duì)象以及利用車牌的彩色信息的

67、彩色分割方法等。</p><p>　　2.3.1 數(shù)學(xué)形態(tài)學(xué)</p><p>　　數(shù)學(xué)形態(tài)學(xué)以圖像的形態(tài)特征為研究對(duì)象，它的主要內(nèi)容是設(shè)計(jì)一整套概念、變換和算法，用來描述圖像的基本特征和基本結(jié)構(gòu)，也就是描述圖像元素與元素、部分與部分間的關(guān)系。數(shù)學(xué)形態(tài)學(xué)作為一種用于數(shù)字圖像處理和識(shí)別的新理論和新方法，它的理論雖然很復(fù)雜，被稱為“驚人數(shù)學(xué)”，但它的基本思想?yún)s是簡(jiǎn)單而完美的。數(shù)學(xué)形態(tài)學(xué)算子的性能

68、主要以幾何方式進(jìn)行刻畫，傳統(tǒng)的理論卻以解析方式的形式描述算子的性能，而幾何描述特點(diǎn)似乎更適合視覺信息的處理和分析。</p><p>　　數(shù)學(xué)形態(tài)學(xué)由一組形態(tài)學(xué)的代數(shù)運(yùn)算了組成，基本算子有：腐蝕(Erosion)、膨脹(Delation)、開(Opening)和閉(Closing)。基于這些基本運(yùn)算還可以得出各種形態(tài)學(xué)算法。四種基本運(yùn)算中，最基本的是腐蝕和膨脹。</p><p>　　數(shù)學(xué)形態(tài)

69、學(xué)的運(yùn)算對(duì)象是集合，如用A表示圖像(集合)，B表示結(jié)構(gòu)元素(本身也是圖像，一個(gè)集合)，形態(tài)學(xué)運(yùn)算就是用B對(duì)A進(jìn)行操作。</p><p>　　腐蝕：腐蝕的運(yùn)算符為，用B對(duì)A進(jìn)行腐蝕記做AB，其定義為：</p><p><b>　　(2.10)</b></p><p>　　式(2.10)表明，用B腐蝕A得到的集合是B完全包含在A中時(shí)B的當(dāng)前位置(通

70、常取結(jié)構(gòu)元素的原點(diǎn)位置)的集合。</p><p>　　膨脹：膨脹的運(yùn)算符為，用B對(duì)A進(jìn)行膨脹記做AB，其定義為：</p><p><b>　　(2.11)</b></p><p>　　式(2.11)表明B膨脹A：先對(duì)B做關(guān)于原點(diǎn)的映射，再將其映射平移x，使A</p><p>　　與B映象的交集不為空。根據(jù)這個(gè)解釋，式(2

71、.11)也可以寫成：</p><p><b>　　(2.12)</b></p><p>　　腐蝕和膨脹對(duì)于集合求補(bǔ)運(yùn)算和反射運(yùn)算是彼此對(duì)偶的。</p><p>　　開運(yùn)算：開運(yùn)算的運(yùn)算符為o，B對(duì)A進(jìn)行開操作就是用B先對(duì)A進(jìn)行腐蝕，然后用B對(duì)結(jié)果進(jìn)行膨脹。其定義為：</p><p><b>　　(2.13)&l

72、t;/b></p><p>　　閉運(yùn)算：閉運(yùn)算的運(yùn)算符為·，B對(duì)A進(jìn)行閉操作就是用B先對(duì)A進(jìn)行膨脹，</p><p>　　然后用B對(duì)結(jié)果進(jìn)行腐蝕。其定義為：</p><p><b>　　(2.14)</b></p><p>　　腐蝕實(shí)際上是一種消除目標(biāo)圖像所有邊界點(diǎn)以及邊界上突出部分的過程，它可以從圖像上

73、去除一些小且無意義的目標(biāo)：膨脹可以連接圖像中的斷續(xù)點(diǎn)和填補(bǔ)圖像的空洞；開運(yùn)算可以消除邊緣突起而使圖像邊界平滑；閉運(yùn)算可以添允圖像內(nèi)部卒隙并連接鄰近物體。在圖像處理中可以通過開運(yùn)算和閉運(yùn)算消除噪聲，恢復(fù)圖像。</p><p>　　正是由于這些特點(diǎn)，在車牌的定位過程中需要利用合適的形態(tài)學(xué)算子把分散的</p><p>　　顏色對(duì)特征點(diǎn)連通起來。本文采用的是腐蝕運(yùn)算，腐蝕后的圖像如圖2.11所示：

74、</p><p>　　圖2.11 腐蝕后的圖像</p><p>　　2.3.2 牌照區(qū)域的定位</p><p>　　車牌圖像經(jīng)過了以上腐蝕處理后，牌照區(qū)域已經(jīng)十分明顯。此時(shí)可進(jìn)一步確定車牌在整幅圖象中的準(zhǔn)確位置。本文首先對(duì)圖像的輪廓進(jìn)行平滑，并在程序中利用bwareaopen函數(shù)來去除對(duì)象中不相干的小對(duì)象，只保留了牌照區(qū)域和背景，效果分別如圖2.12和2.13所示

75、。</p><p>　　圖2.12 平滑圖像的輪廓</p><p>　　圖2.13 從對(duì)象中移除小對(duì)象</p><p>　　本文利用車牌彩色信息的彩色分割提取方法是根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RGB對(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。

76、然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。定位結(jié)果如圖2.14所示。車牌區(qū)域一旦被定位，就可以用于下一步的預(yù)處理和字符分割。</p><p><b>　　圖2.14定位結(jié)果</b></p><p><b>　　3 車牌圖像預(yù)處理</b></p><p>　　3.1彩色圖像灰度化</

77、p><p>　　彩色圖像由R、G、B(紅、綠、藍(lán))三基色組成，每種顏色均可取0～255 中的任意值，因此彩色圖像可取255×255×255 種不同顏色。存儲(chǔ)到計(jì)算機(jī)中時(shí)，每個(gè)顏色分量要占用1 個(gè)字節(jié)，由此可知彩色圖像中的每一個(gè)像素都要占用3 個(gè)字節(jié)的空間?；叶葓D像只包含亮度信息，共有0～255 個(gè)灰度級(jí)，依次表現(xiàn)為黑(灰度值為最小值0 時(shí))到白(灰度值為最大值255時(shí))的亮度變化。由于灰度圖像只具

78、有亮度信息，因此存儲(chǔ)時(shí)每個(gè)像素只需要占用1 個(gè)字節(jié)。對(duì)于車牌自動(dòng)識(shí)別系統(tǒng)來說，灰度圖像提供的亮度信息已經(jīng)足夠用來字符分割，而且它占用內(nèi)存小，處理速度顯然要比彩色圖像快，所以我們采用灰度圖像來字符分割，也就是在圖像預(yù)處理中首先要將彩色圖像灰度化，轉(zhuǎn)換公式為：</p><p><b>　?。?.1）</b></p><p>　　該轉(zhuǎn)換公式根據(jù)人眼的視覺模型，分別為三個(gè)分量

79、加以不同的加權(quán)系數(shù)，符合人眼對(duì)顏色的不同敏感度。所以通過公式(3.1)得到的灰度圖像能夠最好地反映原始圖像的亮度信息。</p><p>　　彩色圖像的R、G、B 三分量基于笛卡爾坐標(biāo)系統(tǒng)形成顏色空間，如圖3.1 所示。</p><p>　　圖3.1 RGB顏色空間模型</p><p>　　如圖 3.1 所示模型中，灰度等級(jí)沿著黑色和白色所處兩點(diǎn)的連線分布。為方便起見

80、，歸一化所有顏色值，則圖3.1 所示的立方體為單位立方體，即所有R、G、B 都在[0,1]范圍內(nèi)取值。車牌灰度圖像如圖3.2所示：</p><p>　　圖3.2 車牌灰度圖像</p><p>　　3.2 車牌圖像二值化</p><p>　　3.2.1 圖像二值化的定義</p><p>　　圖像二值化是指將彩色或灰度圖像處理為只有黑白兩種色彩的

81、二值圖像，在它們之間不存在其他色彩和灰度層次的變化。為此，圖像的二值化就有基于彩色圖像和基于灰度圖像兩類，但不論那一類，圖像二值化的關(guān)鍵都是選擇一個(gè)閾值T。根據(jù)閾值T來區(qū)分圖像中的背景與對(duì)象?，F(xiàn)以灰度圖像為例給予簡(jiǎn)要說明：</p><p>　　圖3.3 車牌二值化圖像</p><p>　　假設(shè)一灰度圖像為f(x，y)，其灰度級(jí)范圍為(0—255)，設(shè)其閾值為T(0<T<255)

82、，則二值圖像g(x，y)可以表示為：</p><p><b>　　(3.2)</b></p><p>　　這樣，灰度圖像f(x，y)就被處理成了二值圖像g(x，y)。由此也可以看出，要從復(fù)雜圖像中將目標(biāo)從背景中完整的提取出來，閾值T的選取尤為關(guān)鍵。閾值選取過低或過高，都會(huì)導(dǎo)致目標(biāo)與背景無法完整分開。</p><p>　　目前，許多學(xué)者基于彩色和

83、灰度圖像都提出了許多二值化算法，基于彩色的二值化主要有基于HSV空間的彩色二值化，基于灰度的二值化。本文采用的是全局動(dòng)態(tài)二值化算法。</p><p>　　3.2.2 全局動(dòng)態(tài)二值化</p><p>　　全局動(dòng)態(tài)二值化是從整個(gè)灰度圖像的像素分布出發(fā)尋求一個(gè)最佳的閾值，并根據(jù)此閾值二值化圖像。而其中的經(jīng)典算法是Otsu算法。它是在判別最小二乘法的基礎(chǔ)上推導(dǎo)出來的。基本思想是：取一個(gè)閾值丁，將圖

84、像像素按灰度大小分為大于等于T和小于T兩類，然后求出兩類像素的平均方差；(類間方差)和兩個(gè)類各自的均方差(類內(nèi)方差)，找出使兩個(gè)方差比／最大的閾值T，該閾值即為二值化圖像的最佳閾值。這種方法是閾值自動(dòng)選取的較優(yōu)方法。算法如下：</p><p>　　設(shè)給定圖像具有l(wèi)，2，3，??L，共L級(jí)灰度，閾值設(shè)為k，把灰度小于k和大于k的像素分為C0=(0，1，2，……K）和C1=(k+1，k+2，……L-1)兩類。類C0中

85、的像素總數(shù)為W0(k)，平均灰度為M0(k)，方差為；類C1中的像素總數(shù)為W1(k)，平均灰度為M1(k)，方差為砰(k)；所有圖像像素的平均值為M。上述各值可由下列公式求出：</p><p><b>　?。?.3）</b></p><p><b>　?。?.4）</b></p><p><b>　?。?.5）&

86、lt;/b></p><p><b>　　（3.6）</b></p><p><b>　?。?.7）</b></p><p><b>　　（3.8）</b></p><p><b>　　上式中：，</b></p><p>　　

87、類間方差；和類內(nèi)方差；分別由下式?jīng)Q定：</p><p><b>　　(3.9)</b></p><p><b>　　(3.10)</b></p><p>　　具體的算法描述如下：</p><p>　?、偾蟪鰣D像中的最大灰度max—gray；</p><p><b>

88、　?、诹頺=O：</b></p><p>　　③求出小于和大于尼的這兩類像素總數(shù)和像素灰度平均值；</p><p>　?、苡?jì)算類間方差；和類內(nèi)方差；</p><p>　　⑤k=k+l，循環(huán)3～5步，直到k>max—gray；</p><p>　?、拚业阶畲蟮闹?，得到相應(yīng)的閾值k。</p><p>　　

89、此算法基于圖像像素的灰度值分類，按照使類間方差和類內(nèi)方差比值最大的原則獲得門限值，使目標(biāo)占背景的類間方差最大，即找到使兩個(gè)方差比最大的閾值T，這種算法有以下優(yōu)點(diǎn)：</p><p><b>　　①算法實(shí)現(xiàn)簡(jiǎn)單；</b></p><p>　?、诨趫D像的整體特性積分而非局部特性；</p><p>　　③可推廣到多閾值的分割方法：</p>

90、<p><b>　?、苓m應(yīng)性強(qiáng)。</b></p><p>　　但同時(shí)，此算法對(duì)光照不均勻和直方圖雙峰不明顯的圖像處理為二值化圖像時(shí)，效果不是很好，有時(shí)甚至?xí)a(chǎn)生錯(cuò)誤的結(jié)果。</p><p><b>　　3.3 均值濾波</b></p><p>　　均值濾波是線性濾波的一種方法，在空間域內(nèi)平滑圖像。它的概念非常

91、直觀：用由濾波掩膜確定鄰域內(nèi)的像素平均灰度值取代原圖像中每個(gè)像素點(diǎn)的灰度值，這種處理可以在一定程度上減小圖像灰度的“尖銳”變化。由于典型的隨機(jī)噪聲是由灰度級(jí)的尖銳變化組成，因此它的主要應(yīng)用于去除圖像中的不相干細(xì)節(jié)，這里“不相干”是指與濾波掩膜尺寸相比較小的像素區(qū)域。然而，由于圖像的邊緣往往保存著一幅圖像的特性信息，也即由圖像灰度值的尖銳變化而帶來的特性，因此，均值濾波處理往往會(huì)產(chǎn)生不希望出現(xiàn)的邊緣模糊的負(fù)面效應(yīng)。如圖3.4 所示為兩個(gè)3

92、×3 的均值濾波器掩膜。</p><p>　　圖 3.4 兩個(gè)3×3 均值濾波器掩膜</p><p>　　其中，每個(gè)掩膜前面的乘數(shù)分別等于它的系數(shù)值的和，以此計(jì)算平均值。在(a)圖濾波器掩膜下會(huì)產(chǎn)生標(biāo)準(zhǔn)像素平均值。對(duì)于這樣系數(shù)均取值為“1”的濾波器，一個(gè)m×n 掩膜應(yīng)該等于1/mn 的歸一化常數(shù)。這種所有系數(shù)都相等的空間均值濾波器又稱為盒濾波器。圖(b)中的

93、掩膜也稱為加權(quán)平均，即用不同的系數(shù)乘以像素，這類掩膜從權(quán)值上可以明顯看出一些像素比另一些要重要。把中心點(diǎn)權(quán)值設(shè)為最大，并隨著距離中心點(diǎn)的增加而減小系數(shù)值，其目的在于減小平滑處理中的模糊現(xiàn)象。</p><p>　　在實(shí)際應(yīng)用中，由于這些掩膜在整幅圖像中所占的區(qū)域很小，通常很難看出使用如圖3.4中兩種掩膜或者其他類似手段平滑處理后的圖像之間的區(qū)別，也就是說即使圖3.4(b)也存在著邊緣模糊的負(fù)面效應(yīng)。</p&g

94、t;<p>　　圖3.5 均值濾波前、后的圖像</p><p>　　在對(duì)圖像均值濾波處理后還需要用膨脹或腐蝕操作處理一下：</p><p><b>　　當(dāng)程序值為</b></p><p>　　if bwarea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</

95、p><p><b>　　用的是腐蝕操作；</b></p><p><b>　　當(dāng)程序值為</b></p><p>　　elseif bwarea(d)/m/n<=0.235</p><p>　　d=imdilate(d,se);</p><p><b>　　用的是

96、膨脹操作。</b></p><p>　　圖3.6 膨脹或腐蝕處理</p><p><b>　　4 車牌分割</b></p><p>　　4.1 常見的車牌字符分割算法</p><p>　　目前，我國(guó)常見的車牌字符分割算法有基于投影特征的車牌字符分割算法、基于聚類分析的車牌字符分割算法及基于模板匹配的車牌字符

97、分割算法等，下面我們來分別對(duì)這些算法進(jìn)行討論。</p><p>　　4.1.1 基于投影特征的車牌字符分割算法</p><p>　　基于投影特征的車牌字符分割算法是車牌字符分割中最常用的方法，它主要利用了字符顏色與車牌底色差異大而且各字符間均存在一定間距這兩個(gè)特點(diǎn)。其核心思想是對(duì)車牌的灰度圖像在垂直方向上進(jìn)行投影，顯示車牌圖像灰度空間分布的規(guī)律。分析投影結(jié)果，在圖像灰度值疊加較低的列上會(huì)出

98、現(xiàn)波谷，在灰度值高的點(diǎn)集中的列上出現(xiàn)波峰。這樣，車牌的垂直投影圖像就會(huì)呈現(xiàn)出波峰波谷交替出現(xiàn)的樣子。根據(jù)該處置投影圖設(shè)置一個(gè)閾值，將投影柱高于該閾值的部分劃分為字符區(qū)，投影柱低于該閾值的部分劃分為背景區(qū)，如此便實(shí)現(xiàn)了車牌的字符分割。</p><p>　　該方法可解決大多數(shù)的字符分割問題，能夠較準(zhǔn)確的定位并分割出字符。但是很多左右結(jié)構(gòu)或左中右結(jié)構(gòu)的漢字是不連通的，就容易引起誤分割。比如“川”字，如果直接使用該投影法

99、，則會(huì)被分割成三個(gè)字符，從而引起錯(cuò)誤識(shí)別為“J11”。由此可見，單純的使用投影特征不能解決車牌的字符分割問題，容易引起過度切分的錯(cuò)誤。</p><p>　　4.1.2 基于聚類分析的車牌字符分割算法</p><p>　　該方法又稱為連通域法，是從車牌字符本身的特點(diǎn)出發(fā)實(shí)現(xiàn)的。我們知道我國(guó)車牌字符集可分為漢字、大寫英文字母和數(shù)字，而英文字母和數(shù)字都是連通的，故可根據(jù)字符的連通性來實(shí)現(xiàn)字符分割

100、。連通域法的核心思想是：先確定每個(gè)連通域的首尾位置，然后由這兩個(gè)位置構(gòu)成一個(gè)矩形區(qū)域，當(dāng)該字符為英文字母或者數(shù)字時(shí)，這個(gè)矩形便是包含字符的最小外接矩形區(qū)域。</p><p>　　連通域法分割字符的優(yōu)點(diǎn)是：對(duì)車牌定位的結(jié)果要求較低，受車牌傾斜的影響較小，可較好的解決在復(fù)雜背景下車牌的分割問題及對(duì)字母和數(shù)字字符的分割效果很理想。不足在于運(yùn)算速度比較慢，不適合圖像尺寸較大的情況，對(duì)污損等噪聲過于敏感，對(duì)于漢字字符需要結(jié)

101、合其他方法才能實(shí)現(xiàn)正確分割。此外，連通域的首尾很難準(zhǔn)確定位。</p><p>　　4.1.3 基于模板匹配的車牌字符分割算法</p><p>　　由 GA36-2007 可知我國(guó)車牌字符寬度和字符間距比例是固定不變的，而且字符與背景的灰度差異比較大，因此，可以采用基于模板匹配的方法進(jìn)行分割車牌字符。該方法可簡(jiǎn)稱為模板匹配法，其基本思想是首先創(chuàng)建一個(gè)字符區(qū)域的模板，然后對(duì)待處理的車牌圖像逐行

102、掃描，尋找與模板匹配的區(qū)域進(jìn)行分割。</p><p>　　該方法的優(yōu)勢(shì)在于可以很好的解決漢字不連通時(shí)的分割問題，對(duì)字母和漢字的處理效果也較為理想，而且具有很好的抗噪聲干擾能力。不足之處在于程序設(shè)計(jì)較為復(fù)雜，運(yùn)行時(shí)間較長(zhǎng)，占用空間較大，不能滿足實(shí)時(shí)性要求。另外，我國(guó)車牌字符集包含37 個(gè)漢字、26 個(gè)大寫字母及10 個(gè)數(shù)字，共需要71 個(gè)字符模板，而每個(gè)車牌包含7 個(gè)字符，顯然用模板匹配法逐個(gè)匹配會(huì)很浪費(fèi)時(shí)間和空間

103、。</p><p>　　4.2 車牌字符分割方法</p><p>　　本文采用基于車牌像素和模板匹配相結(jié)合的方法來進(jìn)行字符分割，采用的車牌圖像都是已經(jīng)經(jīng)過預(yù)處理了的二值化車牌圖像。為獲得車牌字符串的精確高度H，為此結(jié)合車牌的特征和字符的規(guī)律，可以引入下面的車牌模板。如圖4.1，在模板中，可以看出，它分為7塊，在此，將其中每塊的起始位置設(shè)為a0，結(jié)束位置設(shè)為b6。</p>&l

104、t;p>　　圖4.1 根據(jù)車牌特征和字符串高度得到車牌模版</p><p>　　根據(jù)車牌上字符的特點(diǎn)，可以知道，在車牌本身質(zhì)量理想，而且車牌模板與字符串完全重合時(shí)，車牌字符的像素是全部落在車牌字符模板內(nèi)，像素值為“l(fā)”的點(diǎn)數(shù)量最大。并且此時(shí)，字符間隔內(nèi)的像素“l(fā)”的數(shù)量應(yīng)該最小，其和為零，他們之間的差值是最大的。一般情況下，車牌本身是不太理想的。但不管怎樣，當(dāng)車牌模板與車牌字符完全重合時(shí)，車牌字符的像素才會(huì)

105、全部落在字符模板內(nèi)的，并且落在字符間的像素也是最小的，所以通過求取差值的極大值，可以將車牌字符進(jìn)行分割。</p><p>　　車牌字符分割算法流程如下：</p><p>　?。?）通過車牌字符串的高度H，構(gòu)建符合實(shí)際車牌的模板。</p><p>　?。?）將車牌模板在字符串上從左向右滑動(dòng)，同時(shí)分別求取當(dāng)前位置的M1和N1，其中，， ， p（n）)是車牌圖像的垂直投

106、影。</p><p>　?。?）比較他們之間的最大差值Max=M1一Nl。如果當(dāng)模板左下角點(diǎn)在(x，y)時(shí)，Max最大，則由點(diǎn)(x，y)和車牌的先驗(yàn)知識(shí)，就可以將7個(gè)字符的準(zhǔn)確位置確定下來，從而分割出全部的車牌字符。</p><p>　　同時(shí)，為了更快將車牌字符分割出來，在模板滑動(dòng)過程中，每滑動(dòng)一次，求出差值，并與前一個(gè)進(jìn)行比較，一旦某一差值比接下來三次滑動(dòng)求出的差值都大，就停止滑動(dòng)，確定

107、已經(jīng)找到了最佳匹配位置，并進(jìn)行字符分割。</p><p>　　本文采用的的車牌字符分割方法，較好地解決了車牌中存在少量噪聲的問題，以及去除了小對(duì)象的干擾，采用該方法的分割結(jié)果如圖4.2所示。</p><p>　　（a）車牌圖像預(yù)處理結(jié)果</p><p>　?。╞）車牌圖像分割結(jié)果</p><p>　　圖4.2 車牌圖像預(yù)處理結(jié)果及分割結(jié)果&

108、lt;/p><p>　　4.3 車牌字符分割結(jié)果的例證續(xù)</p><p>　　為了證實(shí)本文所采用的分割方法的字符分割準(zhǔn)確性，進(jìn)行了大量實(shí)驗(yàn)研究。研究結(jié)果表明，本文所用車牌字符分割方法能較為準(zhǔn)確的分割出車牌字符。</p><p>　　4.3.1 車牌字符分割結(jié)果例一續(xù)</p><p>　　本文研究中的一副車牌圖像分割結(jié)果舉例：</p>

109、<p>　　圖4.3 車牌原圖像</p><p>　　圖4.4 車牌灰度圖及灰度直方圖</p><p>　　圖4.5 Robert算子邊緣檢測(cè)</p><p>　　圖4.6 腐蝕后圖像</p><p>　　圖4.7 平滑圖像的輪廓</p><p>　　圖4.8 從對(duì)象中移除小對(duì)象</p>&l

110、t;p>　　圖4.9 車牌圖像定位結(jié)果</p><p>　　圖 4.10 車牌圖像預(yù)處理結(jié)果</p><p>　　圖4.11 車牌圖像分割結(jié)果</p><p>　　4.3.2 車牌字符分割結(jié)果例二續(xù)</p><p>　　車牌的第一個(gè)字符一般情況都是漢字。在本文的研究中有“魯”、“蘇”、“京”的車牌，但是這些漢字都是上下結(jié)構(gòu)的，為了使研

111、究的課題更完善，又選擇了左右偏旁漢字的省份的車牌作了研究，如“豫”，車牌圖像分割結(jié)果如下：</p><p>　　圖4.12車牌圖像原圖</p><p>　　圖4.13 車牌灰度圖及其灰度直方圖</p><p>　　圖 4.14 Robert算子邊緣檢測(cè)</p><p>　　圖4.15 腐蝕后圖像</p><p>　　

112、圖4.16 平滑圖像的輪廓</p><p>　　圖4.17 從對(duì)象中移除小對(duì)象</p><p>　　圖4.18 車牌圖像定位結(jié)果</p><p>　　圖4.19 車牌圖像預(yù)處理結(jié)果</p><p>　　圖4.20 車牌圖像分割結(jié)果</p><p><b>　　結(jié) 論</b></p>

113、;<p>　　車牌自動(dòng)識(shí)別系統(tǒng)的重要性和實(shí)用價(jià)值已經(jīng)越來越明顯，也受到了更多的重視。本文對(duì)其中的車牌分割技術(shù)做了深入的研究，主要探討了車牌定位、預(yù)處理以及字符分割的算法。</p><p>　　(1)在進(jìn)行車牌定位之前，先對(duì)原始圖像進(jìn)行處理，提取出了車牌圖像的邊緣，并將牌照區(qū)域從背景中進(jìn)一步定位并提取出來；</p><p>　　(2)在預(yù)處理過程中，先將彩色圖像進(jìn)行灰度化，采用