畢業(yè)設(shè)計(jì)-- 基于matlab的汽車(chē)車(chē)牌的號(hào)碼識(shí)別系統(tǒng)設(shè)計(jì)

1、<p>　　2014 屆畢業(yè)設(shè)計(jì) </p><p>　　基于MATLAB的汽車(chē)車(chē)牌的</p><p>　　號(hào)碼識(shí)別系統(tǒng)設(shè)計(jì) </p><p>　　學(xué) 校 ： </p><p>　　學(xué)生姓名： </p><p>　　指導(dǎo)教師

2、： 職稱 講師 </p><p>　　專(zhuān) 業(yè)： 通信工程 </p><p>　　班 級(jí)： 通信2班 </p><p>　　完成時(shí)間： 2014年5月 </p><p><b>　　摘 要</b></p><p>

3、;　　汽車(chē)車(chē)牌的識(shí)別系統(tǒng)是當(dāng)今社會(huì)智能交通管理的重要組成部分之一。車(chē)牌識(shí)別系統(tǒng)使車(chē)輛管理更智能化，數(shù)字化，有效的提升了交通管理的方便性和有效性。車(chē)牌識(shí)別系統(tǒng)主要包括了圖像采集、圖像預(yù)處理、車(chē)牌定位、字符分割、字符識(shí)別等五大核心部分。</p><p>　　本文主要介紹圖像預(yù)處理、車(chē)牌定位、字符分割三個(gè)模塊的實(shí)現(xiàn)方法。本文的圖像預(yù)處理模塊是將圖像灰度化和用Roberts算子進(jìn)行邊緣檢測(cè)的步驟。車(chē)牌定位和分割采用的是利

4、用數(shù)學(xué)形態(tài)法來(lái)確定車(chē)牌位置，再利用車(chē)牌彩色信息的彩色分割法來(lái)完成車(chē)牌部位分割。字符的分割采用的方法是以二值化后的車(chē)牌部分進(jìn)行垂直投影，然后在對(duì)垂直投影進(jìn)行掃描，從而完成字符的分割。本文即是針對(duì)其核心部分進(jìn)行闡述并使用MATLAB軟件環(huán)境中進(jìn)行字符分割的仿真。</p><p>　　關(guān)鍵詞：MATLAB、圖像預(yù)處理、車(chē)牌定位、字符分割</p><p><b>　　ABSTRACT&l

5、t;/b></p><p>　　Vehicle license plate recognition system is one important of the modern intelligent traffic management. License plate recognition system to make more intelligent vehicle management, digital

6、, Effective traffic management to enhance the convenience and effectiveness. License plate recognition system includes image acquisition, image preprocessing, license plate localization, character segmentation, character

7、 recognition and other five core parts. </p><p>　　In this paper, preprocessing, license plate localization, character segmentation method for the realization of three modules.This is the image preprocessing

8、module and the use of the image grayscale Roberts edge detection operator steps. License plate location and segmentation using mathematical morphology method is used to determine the license plate location，Re-use license

9、 plate color segmentation method of color information to complete the license plate area segmentation. Character segmentati</p><p>　　Keywords： MATLAB Software, Image preprocessing, License plate localization

10、, Character segmentation</p><p><b>　　目 錄</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 選題背景1</p><p>　　1.2 設(shè)計(jì)前景1</p><p>　　1.3 車(chē)牌號(hào)碼

11、識(shí)別原理1</p><p>　　1.4 MATLAB簡(jiǎn)介2</p><p>　　2 車(chē)牌號(hào)碼識(shí)別系統(tǒng)總體方案3</p><p>　　2.1 車(chē)牌號(hào)碼識(shí)別系統(tǒng)硬件介紹3</p><p>　　2.2 車(chē)牌號(hào)碼識(shí)別系統(tǒng)軟件設(shè)計(jì)4</p><p>　　2.2.1 圖像預(yù)處理5</p><

12、;p>　　2.2.2 車(chē)牌定位5</p><p>　　2.2.3 牌照字符分割5</p><p>　　2.2.4 牌照字符識(shí)別5</p><p>　　2.3 本章小節(jié)6</p><p>　　3 圖像預(yù)處理7</p><p>　　3.1 圖像灰度化7</p><p>

13、　　3.2. 灰度拉伸8</p><p>　　3.3 圖像平滑8</p><p>　　3.4 邊緣提取9</p><p>　　4 車(chē)牌定位10</p><p>　　4.1 車(chē)牌特征的信息分析11</p><p>　　4.1.1 車(chē)牌特征的信息分析11</p><p>　　4

14、.1.2 常見(jiàn)車(chē)牌顏色特征的信息12</p><p>　　4.1.3 車(chē)牌特征分析結(jié)論13</p><p>　　4.2 車(chē)牌號(hào)碼初定位13</p><p>　　4.2.1 車(chē)牌二值化14</p><p>　　4.2.2 圖像二值化的基本原理14</p><p>　　4.3 牌照區(qū)域的分割15&l

15、t;/p><p>　　5 牌照字符分割16</p><p>　　5.1 字符字符切分綜述16</p><p>　　5.1.1 字符分割16</p><p>　　5.1.2 字符歸一化16</p><p>　　6 車(chē)牌字符的識(shí)別17</p><p>　　6.1 車(chē)牌字符識(shí)別綜述

16、17</p><p>　　6.2 模版匹配字符識(shí)別17</p><p>　　7 車(chē)牌號(hào)碼識(shí)別軟件設(shè)計(jì)結(jié)果及分析20</p><p>　　7.1 車(chē)牌識(shí)別仿真20</p><p>　　7.2 結(jié)果分析27</p><p><b>　　結(jié)束語(yǔ)29</b></p><

17、;p>　　致 謝30</p><p><b>　　參考文獻(xiàn)31</b></p><p>　　附錄 程序清單32</p><p><b>　　1 緒論</b></p><p><b>　　1.1 選題背景</b></p><p>

18、;　　汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)是制約道路交通智能化的重要因素,包括車(chē)牌定位、字符分割和字符識(shí)別三個(gè)主要部分。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，從而定位車(chē)輛牌照,然后利用車(chē)牌的彩色信息的彩色分割方法。在字符識(shí)別部分,利用模板匹配字符識(shí)別算法進(jìn)行對(duì)車(chē)牌

19、號(hào)碼的識(shí)別。實(shí)驗(yàn)結(jié)果表明,本文提出的方法具有不錯(cuò)的識(shí)別性能。隨著公路逐漸普及，我國(guó)的公路交通事業(yè)發(fā)展迅速，所以人工管理方式已經(jīng)不能滿著實(shí)際的需要，微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理效率。汽車(chē)牌照的自動(dòng)識(shí)別技術(shù)已經(jīng)得到了廣泛應(yīng)用。</p><p><b>　　1.2 設(shè)計(jì)前景</b></p><p>　　牌照自動(dòng)識(shí)別是一項(xiàng)利用車(chē)輛的動(dòng)態(tài)視頻或

20、靜態(tài)圖像進(jìn)行牌照號(hào)碼、牌照顏色自動(dòng)識(shí)別的模式識(shí)別技術(shù)。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識(shí)別車(chē)牌號(hào)碼的處理機(jī)等，其軟件核心包括車(chē)牌定位算法、車(chē)牌字符分割算法和光學(xué)字符識(shí)別算法等。某些牌照識(shí)別系統(tǒng)還具有通過(guò)視頻圖像判斷車(chē)輛駛?cè)胍曇暗墓δ芊Q之為視頻車(chē)輛檢測(cè)。一個(gè)完整的牌照識(shí)別系統(tǒng)應(yīng)包括車(chē)輛檢測(cè)、圖像采集、牌照識(shí)別等幾部分。當(dāng)車(chē)輛檢測(cè)部分檢測(cè)到車(chē)輛到達(dá)時(shí)觸發(fā)圖像采集單元，采集當(dāng)前的視頻圖像。牌照識(shí)別單元對(duì)圖像進(jìn)行處

21、理，定位出牌照位置，再將牌照中的字符分割出來(lái)進(jìn)行識(shí)別，然后組成牌照號(hào)碼輸出。</p><p>　　1.3 車(chē)牌號(hào)碼識(shí)別原理</p><p>　　車(chē)輛牌照識(shí)別系統(tǒng)的基本工作原理為：將攝像頭拍攝到的包含車(chē)輛牌照的圖像通過(guò)視頻卡輸入到計(jì)算機(jī)中進(jìn)行預(yù)處理，再由檢索模塊對(duì)牌照進(jìn)行搜索、檢測(cè)、定位，并分割出包含牌照字符的矩形區(qū)域，然后對(duì)牌照字符進(jìn)行二值化并將其分割為單個(gè)字符，然后輸入JPEG或BMP

22、格式的數(shù)字，輸出則為車(chē)牌號(hào)碼的數(shù)字。我們知道輸入的彩色圖像包含大量顏色信息，會(huì)占用計(jì)算機(jī)較多的存儲(chǔ)空間，且處理時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別等處理時(shí)，通常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度。對(duì)圖像進(jìn)行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對(duì)車(chē)牌進(jìn)行定位。具體步驟如下：首先通過(guò)MATLAB軟件對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對(duì)圖像進(jìn)行閉合應(yīng)

23、算使車(chē)牌所在的區(qū)域形成連通。在進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)域。</p><p>　　1.4 MATLAB簡(jiǎn)介</p><p>　　Matlab(Matrix Laboratory)是美國(guó) MathWorks公司開(kāi)發(fā)的一套高性能的數(shù)值分析和計(jì)算軟件，用于概念設(shè)計(jì),算法開(kāi)發(fā),建模仿真,實(shí)時(shí)實(shí)現(xiàn)的理想的集成環(huán)境，是目前最好的科學(xué)計(jì)算類(lèi)軟件之一。</p><p>　　MATL

24、AB將矩陣運(yùn)算、數(shù)值分析、圖形處理、編程技術(shù)結(jié)合在一起，為用戶提供了一個(gè)強(qiáng)有力的科學(xué)及工程問(wèn)題的分析計(jì)算和程序設(shè)計(jì)工具，它還提供了專(zhuān)業(yè)水平的符號(hào)計(jì)算、文字處理、可視化建模仿真和實(shí)時(shí)控制等功能，是具有全部語(yǔ)言功能和特征的新一代軟件開(kāi)發(fā)平臺(tái)。</p><p>　　MATLAB已發(fā)展成為適合眾多學(xué)科，多種工作平臺(tái)、功能強(qiáng)大的大型軟件。在歐美等國(guó)家的高校，MATLAB已成為線性代數(shù)、自動(dòng)控制理論、數(shù)理統(tǒng)計(jì)、數(shù)字信號(hào)處理、

25、時(shí)間序列分析、動(dòng)態(tài)系統(tǒng)仿真等高級(jí)課程的基本教學(xué)工具。成為攻讀學(xué)位的本科、碩士、博士生必須掌握的基本技能。在設(shè)計(jì)研究單位和工業(yè)開(kāi)發(fā)部門(mén)，MATLAB被廣泛的應(yīng)用于研究和解決各種具體問(wèn)題。在中國(guó)，MATLAB也已日益受到重視，短時(shí)間內(nèi)就將盛行起來(lái)，因?yàn)闊o(wú)論哪個(gè)學(xué)科或工程領(lǐng)域都可以從MATLAB中找到合適的功能。</p><p>　　2 車(chē)牌號(hào)碼識(shí)別系統(tǒng)總體方案</p><p>　　一個(gè)完整的

26、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)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)牌字符切分與車(chē)牌字符識(shí)別等工作，這部分工作最為復(fù)雜，最后對(duì)識(shí)別結(jié)果進(jìn)行數(shù)據(jù)傳送和存儲(chǔ)，將處理后的識(shí)別信息交給管理系統(tǒng)進(jìn)行管理。整個(gè)系統(tǒng)的核心是軟件部分的工作，能否通過(guò)牌照對(duì)車(chē)輛進(jìn)行有效管理，

27、很大程度上取決于軟件部分識(shí)別車(chē)牌的準(zhǔn)確性。目前，研究的車(chē)牌識(shí)別系統(tǒng)大部分都是基于直接法，即是基于圖像理解的汽車(chē)牌照識(shí)別，該方法的一般結(jié)構(gòu)如下：</p><p>　　圖1 車(chē)牌識(shí)別系統(tǒng)流程圖</p><p>　　2.1 車(chē)牌號(hào)碼識(shí)別系統(tǒng)硬件介紹</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

28、件主要包括車(chē)輛傳感探測(cè)器、高性能工控計(jì)算機(jī)、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。</p><p>　　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

29、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

30、實(shí)現(xiàn)車(chē)牌識(shí)別。 </p><p>　　2.2 車(chē)牌號(hào)碼識(shí)別系統(tǒng)軟件設(shè)計(jì)</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M(jìn)ATLAB語(yǔ)言，本課題選用了 MATLAB語(yǔ)言。MATLAB具有以下優(yōu)點(diǎn)： </p>

31、<p>　　(1)MATLAB編程效率高，使用方便。MATLAB以矩陣作為基本語(yǔ)言要素大大提高了數(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)

32、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，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

33、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++ 等其他程序設(shè)計(jì)語(yǔ)言之間建立數(shù)據(jù)通信。 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>　　a.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

34、統(tǒng)。 </p><p>　　b.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>　　c.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>　　我們知道輸入的彩色

35、圖像包含大量顏色信息，會(huì)占用計(jì)算機(jī)較多的存儲(chǔ)空間，且處理時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別等處理時(shí)，通常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度。對(duì)圖像進(jìn)行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對(duì)車(chē)牌進(jìn)行定位。具體步驟如下：首先通過(guò)MATLAB軟件對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對(duì)圖像進(jìn)行閉合應(yīng)算使車(chē)牌所在的區(qū)域形成連通。在進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)

36、域。</p><p>　　2.2.1 圖像預(yù)處理</p><p>　　由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開(kāi)或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。因此，需要對(duì)字符在識(shí)別之前再進(jìn)行一次針對(duì)性的處理。</p><p>　

37、　2.2.2 車(chē)牌定位</p><p>　　自然環(huán)境下，汽車(chē)圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)識(shí)別過(guò)程的關(guān)鍵。首先對(duì)采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車(chē)牌照特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來(lái)。</p><p>　　圖2 牌照定位流程圖</p>

38、<p>　　2.2.3 牌照字符分割</p><p>　　完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書(shū)寫(xiě)格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車(chē)圖像中的字符分割有較好的效果。</p><p>

39、;　　圖3 牌照字符分割流程圖</p><p>　　2.2.4 牌照字符識(shí)別</p><p>　　字符識(shí)別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法首先將分割后的字符二值化,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，最后選最佳匹配作為結(jié)果。基于人工神經(jīng)元網(wǎng)絡(luò)的算法有兩種：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得特征來(lái)訓(xùn)練神經(jīng)網(wǎng)

40、絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。實(shí)際應(yīng)用中，牌照識(shí)別系統(tǒng)的識(shí)別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過(guò)程也會(huì)受到環(huán)境亮度、拍攝亮度、車(chē)輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識(shí)別的識(shí)別率，也正是牌照識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷的完善

41、識(shí)別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識(shí)別。</p><p>　　圖4 牌照字符識(shí)別流程圖</p><p><b>　　2.3 本章小節(jié)</b></p><p>　　本章主要介紹了車(chē)牌識(shí)別系統(tǒng)的總體設(shè)計(jì)方案。首先，簡(jiǎn)單介紹了車(chē)牌識(shí)別系統(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，獲取高質(zhì)量的含有

42、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。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)牌字符切分模塊以及基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)算法的車(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><b>　

43、　3 圖像預(yù)處理</b></p><p>　　利用攝像頭拍攝到的車(chē)輛圖像往往存在很多噪點(diǎn)，因此在進(jìn)行識(shí)別前要進(jìn)行車(chē)輛圖像的預(yù)處理。車(chē)輛圖像的預(yù)處理[8]是指對(duì)采集到的車(chē)輛圖像進(jìn)行灰度化和去噪處理，以使車(chē)輛圖像尤其是牌照區(qū)域的圖像的質(zhì)量得到改善，同時(shí)保留和增強(qiáng)車(chē)牌中紋理和顏色的信息，去除可能影響牌照區(qū)域紋理和顏色信息的噪點(diǎn)，為牌照定位提供方便。[3]其流程圖為： </p><p&g

44、t;　　圖5 預(yù)處理及邊緣提取流程圖</p><p>　　3.1 圖像灰度化</p><p>　　灰度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時(shí)看到的亮度連續(xù)變化的黑白照片就是一幅灰度圖?；叶然幚砭褪菍⒁环噬珗D像轉(zhuǎn)化為灰度圖像的過(guò)程。彩色圖像分為 R、G、B 三個(gè)分量，分別顯示出紅、綠、藍(lán)等各種顏色，灰度化就是使彩色的R 、G、B 分量相等的過(guò)程。灰度值大的像素點(diǎn)比較亮（

45、像素值最大為255，為白色），反之比較暗（像素值最小為0，是黑色）。 </p><p>　　圖像灰度化的算法[4]主要有以下3 種： </p><p>　　(1)最大值法：使轉(zhuǎn)化后R、G、B 的值等于轉(zhuǎn)化前3 個(gè)值中最大的一個(gè)，即： </p><p>　?。?）這種方法轉(zhuǎn)換的灰度圖亮度很高。 </p><p>　　(2)平均值法：使轉(zhuǎn)化后R、

46、G、B 的值為轉(zhuǎn)化前R、G 、B 的平均值 </p><p><b>　　（2） </b></p><p>　　這種方法產(chǎn)生的灰度圖像比較柔和。 </p><p>　　(3)加權(quán)平均值法：按照一定的權(quán)值，對(duì)R、G、B 的值加權(quán)平均，即： </p><p><b>　?。?） </b></p&g

47、t;<p>　　其中， 、 、分別為R、G、B 的權(quán)值。</p><p>　　、 、取不同的值，將形成不同的灰度圖像。由于人眼對(duì)綠色最為敏感，紅色次之，對(duì)藍(lán)色的敏感性最低，因此使> > 將得到較易識(shí)別的灰度圖像。一般情況下，當(dāng)=0.299 、=0.587 、=0.114 時(shí)，得到的灰度圖像效果最好。 </p><p>　　3.2. 灰度拉伸</p&g

48、t;<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>　　所謂灰度拉伸，是指根據(jù)灰度直方圖的分布有選擇地對(duì)灰度區(qū)間進(jìn)行分段拉伸以增強(qiáng)對(duì)比度。如圖7 所示。

49、它將輸入圖像中某點(diǎn)的灰度，通過(guò)映射函數(shù)T，映射成輸出圖像中的灰度，即： </p><p>　　( （4） </p><p>　　假定原圖像的灰度范圍為[s1,s2] 希望變換后圖像的灰度范圍擴(kuò)</p><p>　　展至[t1,t2] ，可采用下述線性變換來(lái)實(shí)現(xiàn)。 </p><p><b&g

50、t;　?。?）</b></p><p><b>　　3.3 圖像平滑</b></p><p>　　車(chē)牌圖像往往存在一些孤立的噪點(diǎn)。在汽車(chē)牌照?qǐng)D像處理初期，若不能有效抑制或者去除這些噪點(diǎn)，將影響車(chē)牌定位的準(zhǔn)確性或者造成無(wú)法定位。通常采用圖像平滑的方法去除噪點(diǎn)。圖像平滑包括空域?yàn)V波和頻域?yàn)V波。其中空域?yàn)V波中采用平滑濾波器的中值濾波去除噪點(diǎn)的效果最好。中值濾波

51、的主要原理是：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)行排序，取其中間值作為中心點(diǎn)像素灰度的新值，這里的鄰域通常被稱為窗口；當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。 </p><p>　　但實(shí)際中為了簡(jiǎn)化算法也可以直接在空域中用求鄰域平均值的方法萊削弱噪聲的影響，這種方法稱為圖象平滑處理。例如，某一象素點(diǎn)的鄰域S 有兩種表示方法

52、：8鄰域和4鄰域分別對(duì)應(yīng)的鄰域平均值為：</p><p>　　表2 8領(lǐng)域 表3 4領(lǐng)域</p><p><b>　?。?）</b></p><p>　　其中，M 為鄰域中除中心象素點(diǎn)f(i,j) 之外包括的其它象素總數(shù)，對(duì)于4鄰域M=4，8 鄰域M=8。然而，鄰域平均值的平滑處理會(huì)使得圖象灰度急劇變化的地

53、方，尤其是物體邊緣區(qū)域和字符輪廓等部分產(chǎn)生模糊作用。為了克服這種平均化引起的圖象模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來(lái)的值，從而減少由于平均化引起的圖象模糊。</p><p><b>　　3.4 邊緣提取</b></p><p>　　邊緣主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景

54、、區(qū)域與區(qū)域（包括不同色彩）之間，邊緣檢測(cè)主要是精確定位邊緣和抑制噪點(diǎn)，其基本思想是首先利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過(guò)設(shè)置門(mén)限的方法提取邊緣點(diǎn)集。</p><p>　　圖像中車(chē)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(guò)適當(dāng)?shù)膱D象變換，它在整幅中可

55、以明顯地呈現(xiàn)出其邊緣。</p><p>　　邊緣提取是較經(jīng)典的算法，能夠進(jìn)行檢測(cè)的方法有多種，如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測(cè)；Robert算子定位比較精確，但由于不包括平滑，所以對(duì)于噪聲比較敏感。Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波且檢測(cè)的圖像邊緣可能大于2個(gè)像素。這兩者對(duì)灰度漸變低噪聲的圖像有較好的檢測(cè)

56、效果，但是對(duì)于混合多復(fù)雜噪聲的圖像，處理效果就不理想了。LOG濾波器方法通過(guò)檢測(cè)二階導(dǎo)數(shù)過(guò)零點(diǎn)來(lái)判斷邊緣點(diǎn)。LOG濾波器中的a正比于低通濾波器的寬度，a越大，平滑作用越顯著，去除噪聲越好，但圖像的細(xì)節(jié)也損失越大，邊緣精度也就越低。</p><p><b>　　4 車(chē)牌定位</b></p><p>　　車(chē)牌圖像往往是在復(fù)雜的環(huán)境中拍攝得到的，車(chē)牌由于與復(fù)雜的車(chē)身背景融

57、為一體，由于車(chē)牌在使用中磨損與灰塵及拍攝儀器的影響以及由于拍攝角度的不同，車(chē)牌在圖像中往往有很大的形變，如何在復(fù)雜背景中準(zhǔn)確、快速找出車(chē)牌的位置成為車(chē)牌識(shí)別中的難點(diǎn)。</p><p>　　目前已有不少學(xué)者在這方面進(jìn)行了研究?？偨Y(jié)起來(lái)主要有如下幾類(lèi)方法[2]：</p><p>　　(1) 基于水平灰度變化特征的方法，這種方法主要在車(chē)牌定位以前，需要對(duì)圖像進(jìn)行預(yù)處理，將彩色圖像轉(zhuǎn)換為灰度圖像，

58、利用車(chē)牌區(qū)域水平方向的紋理特征進(jìn)行車(chē)牌定位；</p><p>　　(2) 基于邊緣檢測(cè)的定位方法，這種方法是利用車(chē)牌區(qū)域豐富的邊緣特征進(jìn)行車(chē)牌定位，能夠進(jìn)行檢測(cè)的方法有多種，如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測(cè)；</p><p>　　(3) 基于車(chē)牌顏色特征的定位方法，這種方法主要是應(yīng)用車(chē)牌的紋理特征、形狀特征和顏色特征即利用車(chē)牌字符和車(chē)牌

59、底色具有明顯的反差特征來(lái)排除干擾進(jìn)行車(chē)牌的定位；</p><p>　　(4) 基于Hough 變換的車(chē)牌定位方法，這種方法是利用車(chē)牌邊框的幾何特征，采取尋找車(chē)牌邊框直線的方法進(jìn)行車(chē)牌定位；</p><p>　　(5) 基于變換域的車(chē)牌定位方法，這種方法是將圖像從空域變換到頻域進(jìn)行分析，例如采用小波變換等；</p><p>　　(6) 基于數(shù)學(xué)形態(tài)學(xué)的車(chē)牌定位方法，這

60、種方法是利用數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想，利用一個(gè)結(jié)構(gòu)元素來(lái)探測(cè)一個(gè)圖像， 看是否能將這個(gè)結(jié)構(gòu)元素很好的填放在圖像內(nèi)部，同時(shí)驗(yàn)證填放元素的方法是否有效。腐蝕、膨脹、開(kāi)啟和關(guān)閉是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算。</p><p>　　這些方法各有優(yōu)缺點(diǎn)，要實(shí)現(xiàn)快速、準(zhǔn)確地定位車(chē)牌，應(yīng)該綜合利用車(chē)牌的各種特征，僅靠單一特征很難奏效。本文結(jié)合車(chē)牌紋顏色與數(shù)學(xué)形態(tài)學(xué)兩方面的特征對(duì)車(chē)牌進(jìn)行定位，對(duì)于提高車(chē)牌定位準(zhǔn)確率提供更有利的保障。

61、該方法包括牌照區(qū)域的粗定位和細(xì)定位兩個(gè)步驟。在粗定位階段中采用了基于數(shù)學(xué)形態(tài)學(xué)的定位方法，在得到定位圖像后進(jìn)行細(xì)定位，在細(xì)定位中采用車(chē)牌顏色特征的方法以獲得最后定位圖像。本方法對(duì)在多種光照條件下采集的車(chē)輛牌照?qǐng)D像、車(chē)牌本身不潔、或者牌照存在傾斜和扭曲等情形，均能取得較好的定位效果。</p><p>　　4.1 車(chē)牌特征的信息分析</p><p>　　4.1.1 車(chē)牌特征的信息分析<

62、;/p><p>　　機(jī)動(dòng)車(chē)牌照作為機(jī)動(dòng)車(chē)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。根據(jù)中華人名共和國(guó)公共安全行業(yè)標(biāo)準(zhǔn)GA36-92，汽車(chē)車(chē)牌有10種。這10種汽車(chē)車(chē)牌的幾何外形大小和顏色信息如下表所示（均、警車(chē)牌這里暫時(shí)不考慮）。</p><p>　　表1 車(chē)牌特征信息統(tǒng)計(jì)</p><p>　　另外，民用汽車(chē)的好牌上有省、直轄市、自治區(qū)的名稱和發(fā)證及監(jiān)督機(jī)關(guān)

63、的代號(hào)，編號(hào)是英文大寫(xiě)字母。后面的編號(hào)一般5位編號(hào)，從00001-99999，編號(hào)超過(guò)10萬(wàn)就由A，B，C等字母代替。即“A”代表10萬(wàn)，“B”代表11萬(wàn)，“C”代表12萬(wàn)，最后一個(gè)字母代表33萬(wàn)。英文字母中的I和O不用，避免和數(shù)字中的1和0沖突。使館的外籍車(chē)牌上的是建交國(guó)家的代號(hào)，與所在地區(qū)的監(jiān)管機(jī)關(guān)編號(hào)無(wú)關(guān)。</p><p>　　在這10種汽車(chē)中，編號(hào)為9和10的臨時(shí)入境和臨近行駛汽車(chē)以及使領(lǐng)館汽車(chē)由于數(shù)量很

64、少、出現(xiàn)的概率極小，為了簡(jiǎn)化算法和節(jié)省時(shí)間，忽略這幾種車(chē)型的特殊性，認(rèn)為它們與其他的7種汽車(chē)車(chē)型一致，采用相同的方法進(jìn)行識(shí)別。由于編號(hào)為1的大型汽車(chē)，由于系統(tǒng)的CCD攝像頭收集的是汽車(chē)頭部的牌照?qǐng)D像，因此對(duì)于大型汽車(chē)后車(chē)牌的特殊性也可以忽略不計(jì)。</p><p>　　本論文中，不考慮車(chē)牌在背景色和前景色上的差異，在這些車(chē)牌中，大型汽車(chē)（前）、小型汽車(chē)、使領(lǐng)館汽車(chē)、境外汽車(chē)、外籍汽車(chē)、教練車(chē)和試驗(yàn)汽車(chē)的號(hào)牌格式完全

65、一樣，同時(shí)，由于小型車(chē)數(shù)量最多，出現(xiàn)概率最大，牌照規(guī)范與其它幾種車(chē)牌很相似，算法的識(shí)別對(duì)象最終設(shè)定為小型車(chē)。</p><p>　　4.1.2 常見(jiàn)車(chē)牌顏色特征的信息</p><p>　　對(duì)目前8種常見(jiàn)車(chē)牌（對(duì)大型車(chē)輛取前置車(chē)牌）的顏色分布和格式分布進(jìn)行分析，可以得出如下結(jié)論：</p><p>　　工存在5種顏色：黃石、黑色、藍(lán)色、白色和紅色；</p>

66、<p>　　存在5中前景和背景的顏色組合；黃底黑字黑框線、藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線，黑底紅字紅框線；</p><p>　　字符顏色與背景顏色的亮度相差很大：要么亮度高于背景顏色的亮度（藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線、黑底紅字紅框線；要么字符顏色低于背景顏色亮度（黃底黑字黑框線），對(duì)于這種車(chē)牌，其二值化結(jié)果顏色相反，前景字

67、符為黑色，背景為白色，需要進(jìn)行處理；</p><p>　　牌照上的文字由7個(gè)字符和一個(gè)分隔符橫向水平排列組成，字符高度為90mm，寬度為45mm，分割符的直徑為10mm（實(shí)際上，每個(gè)字符是劇中分布在一個(gè)高位90mm，寬為45mm的矩形區(qū)域。）</p><p>　　字符和字符之間或字符和分割符之間的距離為12mm；</p><p>　　使館牌照的間隔符在第4和第5個(gè)字

68、符之間，其余的車(chē)牌的間隔符在第</p><p>　　2個(gè)和第3個(gè)字符之間。由于使館牌照出現(xiàn)的概率很小，將之視為小型車(chē)牌照一種變形情況，不單獨(dú)處理，后面提出的車(chē)牌格式均值后一種格式情況；</p><p>　　從左到右，車(chē)牌中每一位的可能字符如下：第1位，30個(gè)省份的簡(jiǎn)稱和“使”字，共有31個(gè)字符（暫時(shí)不考慮軍警車(chē)）；第2位，除去字母“I”之外的25個(gè)英文大寫(xiě)字母；第3位，除去字母“I”和字母

69、“O”之外的24個(gè)英文大寫(xiě)字母和10個(gè)數(shù)字，共有34個(gè)字符；第4~6位，10個(gè)數(shù)字字符；第7位，10個(gè)數(shù)字字符和“領(lǐng)”“學(xué)”“試”“境”，共有14個(gè)字符。字符總數(shù)共有70個(gè)。</p><p>　　觀測(cè)和分析車(chē)牌外形特點(diǎn)，無(wú)論哪種車(chē)牌，外輪廓都有一個(gè)寬度不大的輪廓線，輪廓線的顏色和字符顏色一致，與背景的亮度差異很大?，F(xiàn)實(shí)環(huán)境下，車(chē)牌有時(shí)安裝后，車(chē)輛廠商的商標(biāo)會(huì)遮擋牌照外輪廓線，但商標(biāo)本身又是一個(gè)輪廓線，其亮度與背景

70、的亮度差異也很大，同樣可以利用之。</p><p>　　4.1.3 車(chē)牌特征分析結(jié)論</p><p>　　首先，結(jié)合車(chē)牌分析結(jié)論，利用其中的特征4、5、6點(diǎn)可以構(gòu)造牌照字符的格式模型，這個(gè)模型在其后的用來(lái)指導(dǎo)牌照定位后、字符識(shí)別前的字符分割。結(jié)合GA36-92標(biāo)準(zhǔn)，牌照?qǐng)D像的實(shí)際大小可能隨著CCD攝像頭采集的時(shí)機(jī)不同而產(chǎn)生一定的縮放，但是總體比例不會(huì)發(fā)生大的變化。設(shè)第1個(gè)字符中心和第2個(gè)

71、字符的中心間距為一個(gè)長(zhǎng)度單位，以第1個(gè)字符中心為原點(diǎn)，那么非使館車(chē)牌的其余字符中心的橫向位置應(yīng)分別為：1，2.39，3.39，4.39，5.39和6.39，字符的寬度同樣為0.79。</p><p>　　其次，利用分析結(jié)論7，可以利用字符在牌照的排列縮小候選字符的集合規(guī)模，加快識(shí)別速度或進(jìn)行識(shí)別后結(jié)果的糾正判別。如果不知道字符在牌照中的排列位置，那么每個(gè)位置的候選字符可以達(dá)到70個(gè)，如果知道了它的位置，那么該位置

72、的候選字符至多有34個(gè)，尤其是對(duì)牌照的第4、5、6位，候選字符只有10個(gè)數(shù)字。</p><p>　　4.2 車(chē)牌號(hào)碼初定位</p><p>　　牌照的定位[6]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。

73、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>　　圖6 牌照定位與分割流程圖</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)。但是車(chē)牌邊緣

74、并不是連續(xù)的，不利于根據(jù)其特征進(jìn)行進(jìn)一步的判斷。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>　　

75、4.2.1 車(chē)牌二值化</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。圖像中對(duì)象物的形狀特征的主要信息，常?？梢詮亩祱D像中得到。二值圖像與灰度圖像相比，信息量大大減少，因而處理二值圖像的速度快，成本低，實(shí)用價(jià)值高。因此，在車(chē)牌字符切分前，

76、首先對(duì)圖像進(jìn)行二值化處理。 均值濾波是典型的線性濾波算法，它是指在圖像上對(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>　　4.2.2 圖像二值化的基本原理</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

77、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。</p><p>　　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，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

78、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>　　4.3 牌照區(qū)域的分割</p><p>　　對(duì)車(chē)牌的分割可以有很多種方法，本程序是利

79、用車(chē)牌的彩色信息的彩色分割方法。根據(jù)車(chē)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(chē)牌區(qū)域，確定車(chē)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(chē)牌在行方向的合理區(qū)域。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(chē)牌區(qū)域。</p><p>　　國(guó)內(nèi)汽車(chē)牌照種類(lèi)很多，為研究方便以常見(jiàn)的藍(lán)色車(chē)牌為例來(lái)說(shuō)明。2007 年頒布的車(chē)

80、牌規(guī)范規(guī)定車(chē)牌總長(zhǎng)440mm，牌照中的7 個(gè)字符的實(shí)際總長(zhǎng)為409mm左右，寬 140mm，每個(gè)字符 45mm 寬，90mm 高，字符間距為 10mm ，其中第二個(gè)字符與第三個(gè)字符的間距較為特殊，為15.5mm，最后一個(gè)字符與第一個(gè)字符距邊界 25mm 。這樣，如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，那么每個(gè)字符寬度為：width/7（width為車(chē)牌圖像的寬度）。但是，實(shí)際上，第二個(gè)第三個(gè)字符之間存在一個(gè)黑點(diǎn)，牌照左右兩邊與圖像邊緣也

81、都有一定的寬度，所以每個(gè)字符的寬度應(yīng)該小于 width/7?？紤]所有的情況，一般情況下最小的寬度為 width/9。因此，字符的寬度可以從 width/9到width/7之間漸進(jìn)的變化得到。 </p><p><b>　　5 牌照字符分割</b></p><p>　　5.1 字符字符切分綜述</p><p>　　在車(chē)輛牌照準(zhǔn)確定位后，本章主

82、要是對(duì)車(chē)輛牌照識(shí)別中的字符切分算法進(jìn)行研，車(chē)牌字符切分的流程框圖如圖12所示。 </p><p>　　圖7 字符分割與歸一化流程圖</p><p>　　5.1.1 字符分割</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，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別[7]。字符識(shí)別的算法很多，因?yàn)檐?chē)牌字符間間隔較

83、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>　　5.1.2 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。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。</p>&l

84、t;p>　　6 車(chē)牌字符的識(shí)別</p><p>　　6.1 車(chē)牌字符識(shí)別綜述</p><p>　　目前已經(jīng)提出的車(chē)牌字符識(shí)別的方法[5]有以下幾種： </p><p>　　1) 模板匹配字符識(shí)別算法。模板匹配字符識(shí)別算法的實(shí)現(xiàn)方法是計(jì)算輸入模</p><p>　　式與樣本之間的相似性，取相似性最大的樣本為輸入模式所屬類(lèi)別。該方法識(shí)別

85、速度快，但是對(duì)噪點(diǎn)比較敏感。在實(shí)際應(yīng)用中，為了提高正確率往往需要使用大的模板或多個(gè)模板進(jìn)行匹配，處理時(shí)間則隨著模板的增大以及模板個(gè)數(shù)的增加而增加。 </p><p>　　2 ）統(tǒng)計(jì)特征匹配法。統(tǒng)計(jì)特征匹配法的要點(diǎn)是先提取待識(shí)別模式的一組統(tǒng)計(jì)</p><p>　　特征，然后按照一定的準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類(lèi)判決。實(shí)際應(yīng)用中，當(dāng)字符出現(xiàn)字符模糊、筆畫(huà)融合，斷裂、部分缺失時(shí)，此方法效果不理想

86、，魯棒性較差。</p><p>　　3 ）神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法。主要有兩種方法：一種方法是先對(duì)待識(shí)別字符進(jìn)</p><p>　　行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器。其中，字符特征的提取是研究的關(guān)鍵，特征參數(shù)過(guò)多會(huì)增加訓(xùn)練時(shí)間，過(guò)少會(huì)引起判斷上的歧義。另一種方法是充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別。這種網(wǎng)絡(luò)互連較多，待處理信息量大

87、，抗干擾性能好，識(shí)別率高。但是產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，輸入模式維數(shù)的增加可能導(dǎo)致網(wǎng)絡(luò)規(guī)模龐大。</p><p>　　4）支持向量機(jī)模式識(shí)別算法。支持向量機(jī)（Support Vector Machine ，SVM）</p><p>　　是Vapnik 及其研究小組針對(duì)二類(lèi)別的分類(lèi)問(wèn)題提出的一種分類(lèi)技術(shù)，其基本思想是在樣本空間或特征空間，構(gòu)造出最優(yōu)平面使超平面與不同類(lèi)樣本集之間的距離最大，從而

88、達(dá)到最大的泛化能力。主要有兩種方法應(yīng)用于字符識(shí)別：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練 SVM分類(lèi)器。另一種是直接將每個(gè)字符的整幅圖像做為一個(gè)樣本輸入，不需要進(jìn)行特征提取，節(jié)省了識(shí)別時(shí)間。 </p><p>　　這四種方法中，模板匹配是車(chē)牌字符識(shí)別最簡(jiǎn)單的方法之一，神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法是目前比較流行的算法，本章重點(diǎn)研究模版匹配算法。 </p><p>　　6.2

89、 模版匹配字符識(shí)別</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，可將圖象歸于相應(yīng)的類(lèi)。</p><p>　　匹配時(shí)相似度函數(shù)定義為：</p><p><b&

90、gt;　?。?）</b></p><p>　　其中， 為待識(shí)別車(chē)牌字符圖像中像素點(diǎn) 的灰度值，這里的取值為 0</p><p>　　或1，為模板字符圖像中像素點(diǎn)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><b>　　匹配的步驟為： </b></p><p&

91、gt;　　(1)依次取出模板字符，將模板字符按照上、下、左、右四個(gè)方向，在周?chē)?lt;/p><p>　　個(gè)像素的范圍內(nèi)滑動(dòng)，每次分別計(jì)算出相似度 S 值，取其中 S 的最大值做為字符與</p><p>　　模板字符之間的相似度函數(shù)。 </p><p>　　(2)依次從待識(shí)別的字符與模板字符的相似度中找出最大相似度所對(duì)應(yīng)的模板字符，判斷是否大于該字符的閾值 T，如果 S

92、 大于 T ，那么待識(shí)別的字符的匹配結(jié)果就是該模板字符，反之，如果 S 小于 T，表示不匹配，則需要重新檢測(cè)。 </p><p>　　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

93、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><p>　　圖8 字符識(shí)別流程圖</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

94、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，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>　　7 車(chē)牌號(hào)

95、碼識(shí)別軟件設(shè)計(jì)結(jié)果及分析</p><p>　　7.1 車(chē)牌識(shí)別仿真</p><p>　　采用車(chē)牌號(hào)碼為魯HC9669的車(chē)牌照片進(jìn)行仿真，仿真效果如下：</p><p>　　使用加權(quán)平均值法處理車(chē)輛圖像，得到的灰度圖效果如圖10所示。</p><p><b>　　圖9 原始圖像</b></p><p

96、><b>　　圖10 灰度圖</b></p><p>　　車(chē)輛圖像進(jìn)行灰度拉伸后的效果對(duì)比如圖11所示，從圖中可以看出，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>　　圖11 灰度拉伸</b></p><p>　　圖12 robert算子邊緣檢測(cè)</p><p>

97、　　由于之前對(duì)圖像進(jìn)行了平滑處理，所以此處邊緣的提取采用的是Roberts算子。</p><p>　　由上圖可以歸納起來(lái)以下方面:原始圖像清晰度比較高，從而簡(jiǎn)化了預(yù)處理，結(jié)合MATLAB實(shí)驗(yàn)過(guò)程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。本次汽車(chē)車(chē)牌的識(shí)別，為了保存更多的有用信息。 </p><p>　　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)

98、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>　　圖13 腐蝕后圖像</p><p>　　圖14 平滑圖像的輪廓</p><p>　　圖15 從對(duì)象中移除小對(duì)象后圖像</p><p>　　圖16 行方向區(qū)域和最終定

99、位出來(lái)的車(chē)牌</p><p>　　圖17 裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖</p><p>　　圖13 分割出來(lái)的七個(gè)字符圖像</p><p>　　圖18 歸一化處理后的七個(gè)字符圖像</p><p><b>　　圖19 識(shí)別結(jié)果</b></p><p>　　通過(guò)對(duì)以上的一張照片的識(shí)別，識(shí)別結(jié)果

100、不具有通用性，因此我對(duì)另一車(chē)輛號(hào)碼為蘇AMB963的車(chē)牌圖像進(jìn)行了檢測(cè)、定位、識(shí)別。進(jìn)行了仿真，結(jié)果如圖20---26 所示。其中車(chē)牌號(hào)碼識(shí)別程序源代碼見(jiàn)附錄程序清單。</p><p><b>　　圖20 原圖</b></p><p>　　圖21 robert算子邊緣檢測(cè)</p><p>　　圖23 定位剪切 </p>

101、<p><b>　　圖24 圖像處理</b></p><p>　　圖25 字符分割跟歸一化</p><p><b>　　圖26 識(shí)別結(jié)果</b></p><p><b>　　7.2 結(jié)果分析</b></p><p>　　對(duì)于光照條件不理想的圖象，可先進(jìn)行一次

102、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，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><

103、;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>　　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。&l

104、t;/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><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)

105、一步提高識(shí)別率是完全可行的。</p><p><b>　　結(jié)束語(yǔ)</b></p><p>　　本文主要解決了以下幾個(gè)問(wèn)題：1.在背景的圖象中如何定位分割牌照區(qū)域；2.對(duì)分割下來(lái)的牌照字符如何提取具有分類(lèi)能力的特征；3.如何設(shè)計(jì)識(shí)別器。在車(chē)輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理

106、和識(shí)別技術(shù)都無(wú)法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。</p><p>　　根據(jù)車(chē)牌特點(diǎn)，一般采用的車(chē)牌定位算法有：1.邊緣檢測(cè)定位算法；2.利用哈夫變換進(jìn)行車(chē)牌定位；3.色彩分割提取車(chē)牌等。這里我采用的是邊緣檢測(cè)的方法實(shí)現(xiàn)定位的。&

107、lt;/p><p>　　字符分割的方法也有多種：1. 基于聚類(lèi)分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對(duì)在車(chē)牌定位，圖像預(yù)處理后比較規(guī)則的車(chē)牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn)單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。</p><p>　　字符識(shí)別的基本方法通常又三類(lèi)：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是

108、模板匹配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來(lái)確定最終的識(shí)別結(jié)果。</p><p>　　但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距，但我卻在這次畢業(yè)設(shè)計(jì)中學(xué)到了很多知識(shí)。</p><p><b>　　致 謝</b></p><p>　　對(duì)現(xiàn)實(shí)事物的設(shè)計(jì)不僅是對(duì)前面所學(xué)知識(shí)的一種

109、檢驗(yàn)，而且也是對(duì)自己能力的一種提高。通過(guò)這次畢業(yè)設(shè)計(jì)使我明白了自己原來(lái)知識(shí)還比較欠缺。這個(gè)設(shè)計(jì)讓我學(xué)到了很多東西，涉及到方方面面的知識(shí)，在這整個(gè)過(guò)程中我們查閱了大量的資料，得到了陳明明老師和同學(xué)的幫助，我在此對(duì)他們表示謝意。在這期間遇到了很多困難，我知道做什么都不容易，只能塌下心來(lái)，一步一個(gè)腳印的去完成才行。學(xué)習(xí)是一個(gè)長(zhǎng)期積累的過(guò)程，在后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識(shí)和綜合素質(zhì)。此外，還得出一個(gè)結(jié)論：知識(shí)必須通過(guò)應(yīng)用才

110、能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。在整個(gè)設(shè)計(jì)中我懂得了許多東西，也培養(yǎng)了我獨(dú)立工作的能力，以及團(tuán)隊(duì)協(xié)作的能力，樹(shù)立了信心，相信會(huì)對(duì)今后的學(xué)習(xí)工作生活有非常重要的影響。同樣此次設(shè)計(jì)也大大提高了動(dòng)手的能力，使我充分體會(huì)到了在創(chuàng)造過(guò)程中探索的艱難和成功時(shí)的喜悅。雖然這個(gè)設(shè)計(jì)做的并非對(duì)所有車(chē)牌都合適，但是在設(shè)計(jì)過(guò)程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會(huì)對(duì)我的以