畢業(yè)設(shè)計(jì)--基于特征的車(chē)牌定位方法設(shè)計(jì)及實(shí)現(xiàn)

1、<p><b>　　畢業(yè)設(shè)計(jì)</b></p><p>　　題 目 基于特征的車(chē)牌定位方法設(shè)計(jì)及實(shí)現(xiàn) </p><p>　　學(xué)生姓名 ***** </p><p>　　學(xué) 號(hào) ***** </p><p>　　專(zhuān)業(yè)班級(jí) 通***

2、班 </p><p>　　指導(dǎo)教師 *** </p><p>　　學(xué) 院 計(jì)算機(jī)與通信學(xué)院 </p><p>　　答辯日期 *年*月16號(hào) </p><p>　　基于特征的車(chē)牌定位方法及實(shí)現(xiàn)</p><p>　　License Plate Location Method

3、Based on the Characteristics of the Design and Implementation</p><p><b>　　**</b></p><p><b>　　**</b></p><p><b>　　**</b></p><p><b&

4、gt;　　摘要</b></p><p>　　智能交通系統(tǒng)（ITS）是交通管理在當(dāng)前發(fā)展的重要方向，其中車(chē)輛牌照識(shí)別（LPR）系統(tǒng)在智能交通系統(tǒng)中起著舉足輕重的作用。車(chē)牌識(shí)別系統(tǒng)包括圖像提取、圖像預(yù)處理、車(chē)牌定位、字符識(shí)別四個(gè)主要方面，而車(chē)牌的定位更是LPR系統(tǒng)的關(guān)鍵之一。車(chē)牌區(qū)域精確的定位會(huì)對(duì)車(chē)牌識(shí)別的準(zhǔn)確性產(chǎn)生直接影響，是影響車(chē)牌識(shí)別系統(tǒng)整體性能的關(guān)鍵所在。</p><p>

5、　　本文主要研究車(chē)牌區(qū)域定位的設(shè)計(jì)與實(shí)現(xiàn)，對(duì)車(chē)牌區(qū)域的固有特征和當(dāng)前車(chē)牌定位技術(shù)進(jìn)行簡(jiǎn)介，著重介紹了幾種常用的車(chē)牌定位方法。然后在此基礎(chǔ)上通過(guò)采集到彩色車(chē)牌照?qǐng)D像進(jìn)行灰度化，利用中值濾波去掉圖像中的干擾噪聲，改善圖像質(zhì)量，對(duì)圖像二值化后通過(guò)數(shù)學(xué)形態(tài)學(xué)的開(kāi)、閉運(yùn)算對(duì)車(chē)牌進(jìn)行處理以獲得車(chē)牌可能的候選區(qū)域，然后通過(guò)邊緣檢測(cè)對(duì)圖像中的車(chē)牌進(jìn)行定位。實(shí)驗(yàn)表明通過(guò)上述方法處理后，基本上就可以定位出像素區(qū)域中車(chē)牌的位置。</p><

6、;p>　　關(guān)鍵詞：圖像預(yù)處理；數(shù)學(xué)形態(tài)學(xué)；車(chē)牌定位</p><p><b>　　Abstract</b></p><p>　　Intelligent transportation system (ITS) is the important direction of traffic management in the current development, th

7、e vehicle license plate recognition (LPR) system plays an important role in intelligent transportation system. License plate recognition system includes the following four main aspects :image extraction, image preprocess

8、ing, license plate locating, character recognition. And license plate location is one of the key of LPR system. Accurate positioning of license plate area can di</p><p>　　This paper mainly studies the design

9、 and implementation of license plate localization, the inherent characteristics of the license plate region and the current license plate location technology to carry on the introduction, introduced several kinds of comm

10、only used method of license plate location. Then on this basis, through collecting color license plate images to gray scale, by using median filter to remove the interference noise of the image and improve image quality.

11、 After image binarizatio</p><p>　　Keywords: Image preprocessing;Mathematical morphology;The license plate localization</p><p><b>　　目錄</b></p><p><b>　　第一章 緒論1</

12、b></p><p>　　1.1 智能交通系統(tǒng)概述1</p><p>　　1.2 車(chē)牌定位的背景及方案2</p><p>　　1.3 車(chē)牌定位技術(shù)實(shí)現(xiàn)的難點(diǎn)4</p><p>　　1.4 本文的主要內(nèi)容及安排6</p><p>　　第二章 基礎(chǔ)知識(shí)7</p><p>　　2.1

13、我國(guó)常見(jiàn)的車(chē)牌7</p><p>　　2.1.1 我國(guó)車(chē)牌的類(lèi)型7</p><p>　　2.1.2 我國(guó)車(chē)牌的特點(diǎn)7</p><p>　　2.2 仿真平臺(tái)介紹8</p><p>　　第三章 車(chē)牌圖像的預(yù)處理10</p><p>　　3.1 車(chē)牌圖像的灰度化10</p><p>　　3

14、.1.1 彩色圖像10</p><p>　　3.1.2 灰度化圖像12</p><p>　　3.2 車(chē)牌圖像的平滑14</p><p>　　3.3 車(chē)牌圖像的增強(qiáng)16</p><p>　　3.4 形態(tài)學(xué)16</p><p>　　第四章 車(chē)牌定位18</p><p>　　4.1 車(chē)牌定

15、位中的常用方法18</p><p>　　4.2 車(chē)牌定位20</p><p>　　4.2.1 二值化20</p><p>　　4.2.2 邊緣檢測(cè)22</p><p>　　第五章 仿真及結(jié)果分析23</p><p>　　5.1 設(shè)計(jì)流程圖23</p><p>　　5.2 仿真結(jié)果分析

16、23</p><p><b>　　總結(jié)27</b></p><p><b>　　參考文獻(xiàn)28</b></p><p>　　附錄I：源程序清單29</p><p>　　附錄II：外文文獻(xiàn)翻譯33</p><p><b>　　致謝54</b>&l

17、t;/p><p><b>　　第一章 緒論</b></p><p>　　1.1 智能交通系統(tǒng)概述 </p><p>　　智能交通系統(tǒng)是以緩和道路堵塞、減少交通事故、提供方便和舒適的交通行路為目的，將先進(jìn)的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、控制技術(shù)、電子傳感技術(shù)和計(jì)算機(jī)技術(shù)等有效地集成運(yùn)用于整個(gè)地面交通的管理系統(tǒng)[1]。它能對(duì)人們傳播實(shí)時(shí)的交通信息，使人們

18、對(duì)即時(shí)的交通環(huán)境有一個(gè)足夠的了解并對(duì)出行作出合理的選擇，從而使交通擁擠等問(wèn)題得到減輕或避免。</p><p>　　智能交通系統(tǒng)（Intelligent Transport System，簡(jiǎn)稱(chēng)ITS），早期曾被稱(chēng)為智能道路車(chē)輛系統(tǒng)（Intelligent Vehicle-Highway System，簡(jiǎn)稱(chēng)IVHS），它是將先進(jìn)的信息技術(shù)、數(shù)據(jù)通訊傳輸技術(shù)、電子控制技術(shù)以及計(jì)算機(jī)處理技術(shù)等有效的綜合運(yùn)用于整個(gè)交通管理

19、體系，而建立起來(lái)的一種在大范圍內(nèi)、全方位發(fā)揮作用的、實(shí)時(shí)、準(zhǔn)確、高效的交通運(yùn)輸綜合管理系統(tǒng)[2]。</p><p>　　表1-1 美國(guó)、歐洲及日本ITS定義和主要內(nèi)容比較表</p><p>　　由于每個(gè)國(guó)家的基礎(chǔ)產(chǎn)業(yè)以及國(guó)情具有一定的區(qū)別，使得每個(gè)國(guó)家對(duì)于智能交通運(yùn)輸系統(tǒng)在理解和發(fā)展重點(diǎn)上均會(huì)有所不同，智能交通系統(tǒng)的定義和內(nèi)容在一定程度上美國(guó)、歐洲、日本是有差異的，其中表1-1就很明顯的

20、表現(xiàn)了美國(guó)、歐洲、日本在ITS的定義和內(nèi)容上的不同?？墒撬鼈儏s有基本相同的工作內(nèi)容和實(shí)現(xiàn)技術(shù)，還有相同的目標(biāo)，都是為了實(shí)現(xiàn)交通系統(tǒng)的安全、高效及舒適的運(yùn)行而利用了信息、通信等技術(shù)的發(fā)展。</p><p>　　為實(shí)現(xiàn)ITS內(nèi)容所決定的目標(biāo)，自動(dòng)車(chē)輛定位、自動(dòng)車(chē)輛識(shí)別、動(dòng)態(tài)秤重、通信技術(shù)、信息處理技術(shù)等在智能交通運(yùn)輸?shù)母鱾€(gè)子系統(tǒng)（電子收費(fèi)、駕駛員導(dǎo)航系統(tǒng)、緊急救援系統(tǒng)等）中得到了廣泛的應(yīng)用，并由此發(fā)展成為了ITS系統(tǒng)

21、的基礎(chǔ)[3]。</p><p>　　我國(guó)在研究和推進(jìn)智能交通系統(tǒng)中還處于起步階段，但國(guó)家相關(guān)部門(mén)已經(jīng)高度重視ITS作為跨世紀(jì)經(jīng)濟(jì)增長(zhǎng)點(diǎn)和交通系統(tǒng)建設(shè)必然選擇的重要性。1995年中國(guó)國(guó)家技術(shù)監(jiān)督局ISO/TC204在中國(guó)的歸口部門(mén)為交通部門(mén)正式批準(zhǔn)成立ISO/TC204中國(guó)委員會(huì)，該委員會(huì)把推進(jìn)中國(guó)ITS標(biāo)準(zhǔn)化作為主要任務(wù)[4]。1997年就智能交通系統(tǒng)發(fā)展趨勢(shì)的國(guó)際學(xué)術(shù)研討會(huì)在北京召開(kāi)。1998年1月就成立交通智

22、能運(yùn)輸系統(tǒng)工程研究中心（ITSC）得到了交通部的正式批復(fù)。為加強(qiáng)該中心在智能交通系統(tǒng)的開(kāi)發(fā)及試驗(yàn)?zāi)芰?，投資1400萬(wàn)元建設(shè)的交通智能運(yùn)輸系統(tǒng)中心試驗(yàn)室，將為今后國(guó)家制定道路交通運(yùn)輸?shù)陌l(fā)展和政策提供科學(xué)依據(jù)，現(xiàn)已完成了“交通智能運(yùn)輸系統(tǒng)發(fā)展戰(zhàn)略研究”。1998年2月，智能交通系統(tǒng)工程研究中心在國(guó)家科委的領(lǐng)導(dǎo)下，還與歐盟合作成立了中歐ITS信息服務(wù)中心（STICNISC/ITS），并在這年7月正式向國(guó)際社會(huì)提供基于Internet的信息咨詢(xún)

23、和技術(shù)服務(wù)。</p><p>　　1.2 車(chē)牌定位的背景及方案</p><p>　　目前智能化交通的研究已經(jīng)成為當(dāng)今高科技研究領(lǐng)域的熱門(mén)課題。而實(shí)現(xiàn)智能化交通對(duì)減少交通犯罪和促進(jìn)現(xiàn)代化的城市建設(shè)都意義重大，其中成功設(shè)計(jì)、開(kāi)發(fā)及應(yīng)用車(chē)牌自動(dòng)識(shí)別系統(tǒng)對(duì)社會(huì)具有相當(dāng)大的經(jīng)濟(jì)效益和學(xué)術(shù)研究的意義。而車(chē)牌識(shí)別流程如圖1.1所示。</p><p>　　圖1.1 車(chē)牌識(shí)別流程圖&

24、lt;/p><p>　　在所采集的車(chē)牌照中自動(dòng)識(shí)別系統(tǒng)一定要快速、準(zhǔn)確、魯棒地識(shí)別出圖片中的車(chē)牌。而車(chē)輛的檢測(cè)、圖像的采集、車(chē)牌的識(shí)別等在車(chē)牌照識(shí)別過(guò)程中都是非常重要的環(huán)節(jié)，其中在這些重要的環(huán)節(jié)中的關(guān)鍵技術(shù)為：</p><p>　　1. 車(chē)輛牌照區(qū)域定位技術(shù)；</p><p>　　2. 車(chē)輛牌照字符分割技術(shù)；</p><p>　　3. 車(chē)輛牌照字

25、符識(shí)別技術(shù)；</p><p>　　在車(chē)牌定位中，車(chē)輛圖像的多樣性使得車(chē)牌照區(qū)域定位非常困難。由于采集時(shí)的誤差和噪聲、所處環(huán)境的光線(xiàn)影響，使得得到的圖像質(zhì)量比較差，而且運(yùn)動(dòng)的車(chē)輛又在不同的程度造成了所得圖像的惡化；采集的圖片中車(chē)牌的大小不同，應(yīng)用背景復(fù)雜，距離不一致，目標(biāo)尺寸不規(guī)范等等都會(huì)使圖像有不同程度的模糊和變形，在大量隨機(jī)噪聲干擾和不同光線(xiàn)、光照角度的情況下，造成了車(chē)牌區(qū)域無(wú)規(guī)律的明暗灰度變化。因此，得到的每

26、張照片質(zhì)量全都不同，無(wú)規(guī)律和不確定出現(xiàn)的變形、噪聲等干擾信息，都使車(chē)牌區(qū)域的定位分割困難加大。</p><p>　　本文主要研究了車(chē)牌照定位算法的設(shè)計(jì)與實(shí)現(xiàn)仿真，采用Matlab平臺(tái)來(lái)進(jìn)行實(shí)驗(yàn)仿真。首先，利用普通相機(jī)或著攝相機(jī)來(lái)進(jìn)行采集的含有車(chē)牌照的圖像，用這種方式獲取圖像方便又快捷，然后把采集來(lái)的車(chē)牌圖像進(jìn)行處理，進(jìn)而對(duì)車(chē)牌照中的車(chē)牌進(jìn)行進(jìn)行定位，本文設(shè)計(jì)的總體結(jié)構(gòu)流程如圖1.2所示：</p>&

27、lt;p>　　圖1.2 總體結(jié)構(gòu)流程圖</p><p>　　在自然環(huán)境下，采集到的含有汽車(chē)車(chē)牌的圖像背景很復(fù)雜。而車(chē)牌定位過(guò)程中的關(guān)鍵部分就是在光照不均勻的情況下，能夠準(zhǔn)確地確定出采集到的圖像在二值化背景中的車(chē)牌區(qū)域。</p><p>　　本文首先要做的是對(duì)采集到的圖像數(shù)據(jù)在一定的條件限制下進(jìn)行相關(guān)搜索，找到符合汽車(chē)牌照特征的若干個(gè)域作為候選待定區(qū)；然后通過(guò)對(duì)這些候選待定區(qū)進(jìn)一步的分

28、析和評(píng)判選定一個(gè)最佳的區(qū)域作為車(chē)牌照域；最后將這個(gè)選定的區(qū)域從整個(gè)圖像中分割提取出來(lái)。</p><p>　　在車(chē)牌定位中首先要做的是對(duì)采集到的車(chē)牌照進(jìn)行預(yù)處理（即灰度化處理），其中可以通過(guò)均值濾波、中值濾波等算法對(duì)灰度化后的圖像進(jìn)行降噪、去噪處理。對(duì)去噪后的圖像進(jìn)行邊緣檢測(cè)和形態(tài)學(xué)處理，在根據(jù)車(chē)牌照的先驗(yàn)知識(shí)進(jìn)行初步定位，最后準(zhǔn)確定位出車(chē)牌。</p><p>　　車(chē)牌的定位技術(shù)在車(chē)牌識(shí)別系

29、統(tǒng)中占有重要的地位，在生活中拍攝的車(chē)牌圖像其背景環(huán)境是非常復(fù)雜的，而噪聲、外部光線(xiàn)等因素的干擾，都會(huì)使定位的難度加大，從而使得結(jié)果不是很理想。車(chē)牌的提取效果實(shí)際就是找一個(gè)最符合車(chē)牌照的特征區(qū)域的過(guò)程。根據(jù)車(chē)牌照的字符目標(biāo)區(qū)域特點(diǎn)從人眼視覺(jué)的角度開(kāi)始，在灰度圖像基礎(chǔ)上提取出相應(yīng)的車(chē)牌特征。本文利用Matlab仿真軟件來(lái)實(shí)現(xiàn)圖像的處理，研究方案如1.3所示。</p><p>　　圖1.3 研究方案圖</p&g

30、t;<p>　　1.3 車(chē)牌定位技術(shù)實(shí)現(xiàn)的難點(diǎn)</p><p>　　在實(shí)驗(yàn)室里車(chē)牌定位的研究已經(jīng)取得了令人滿(mǎn)意的成果，可是在實(shí)際的工程中卻很難得到應(yīng)用，這是因?yàn)樵趯?shí)驗(yàn)室中圖像所處的的環(huán)境狀態(tài)是理想的，而在自然環(huán)境中拍到的圖像會(huì)受到各種不可預(yù)料因素的影響，使得識(shí)別率很難達(dá)到實(shí)驗(yàn)的要求。</p><p><b>　　原因大致如下：</b></p>

31、<p>　　1. 汽車(chē)牌照本身的特征。</p><p>　　我國(guó)車(chē)牌照標(biāo)準(zhǔn)不統(tǒng)一：我國(guó)機(jī)動(dòng)車(chē)輛的車(chē)牌規(guī)格、車(chē)牌顏色和車(chē)牌的適用范圍各有不同，機(jī)動(dòng)車(chē)輛牌照在中華人民共和國(guó)公共安全行業(yè)標(biāo)準(zhǔn)中都有相關(guān)的規(guī)定。</p><p>　　車(chē)牌照的質(zhì)量各不相同：車(chē)牌照有的被污損，有的字符模糊不清等等都使得車(chē)牌照對(duì)光線(xiàn)的散射性變得很不好，而這些不確定性的因素極大的影響了車(chē)牌識(shí)別的準(zhǔn)確率。<

32、;/p><p>　　我國(guó)車(chē)牌照的組成比較特別：一般是由漢字、英文字符、阿拉伯?dāng)?shù)字這三種字符組成。車(chē)牌照有各種不同的規(guī)格，多種多樣的字符組合，而且部分車(chē)牌照由于圖像的質(zhì)量比較差，使得字符變形且模糊不清，字符間就會(huì)變得粘連，因此我國(guó)車(chē)牌照的定位和字符分割遠(yuǎn)遠(yuǎn)難于國(guó)外。</p><p>　　車(chē)牌周?chē)鷲毫拥沫h(huán)境：車(chē)牌周?chē)ǔＳ袕?fù)雜的汽車(chē)外形等，這些周?chē)h(huán)境的影響不利于車(chē)牌的定位和分割。</p&g

33、t;<p>　　2. 外部環(huán)境的特征。</p><p>　　外界光照條件的不同，使得光照對(duì)圖像質(zhì)量影響很大。光照角度的不同對(duì)車(chē)牌光照的不均勻度也是有影響的；不同的時(shí)間段，不同的氣候條件，還有背景光的強(qiáng)度、車(chē)牌反射光的程度決定了車(chē)牌區(qū)域的亮度特征。不同的外界背景也會(huì)影響車(chē)牌定位的準(zhǔn)確率。與車(chē)牌區(qū)域特征相似的背景中區(qū)域大小反映了背景中所含噪聲的大小。例如：背景中遠(yuǎn)處的廣告語(yǔ)與車(chē)牌字符相似時(shí)很容易影響車(chē)牌

34、的粗定位。</p><p>　　3. 所用方案的特征。</p><p>　　實(shí)際拍攝中的攝像方位和角度是不相同的。實(shí)際攝像方位相對(duì)于車(chē)輛行駛的方向一般是正上方、左側(cè)和右側(cè)，攝像角度一般在1500~3000之間，相對(duì)來(lái)說(shuō)，攝像角度越小，車(chē)牌在平面圖像中變形越小，識(shí)別效果越好[3]。攝像方位和角度的不同對(duì)車(chē)牌定位的影響也不同，對(duì)車(chē)牌校正的方法的校正能力要求也不同。</p><

35、;p>　　當(dāng)拍攝光線(xiàn)較暗時(shí)，添加的人工光照的角度、方位和亮度對(duì)車(chē)牌識(shí)別系統(tǒng)的影響也不一樣。雖然規(guī)范車(chē)牌對(duì)光的散射能力比較強(qiáng)，但由于人工光照的方位、角度的不盡相同，車(chē)牌的亮度也不相同。不均勻的亮度使得車(chē)牌照在二值化算法的適應(yīng)性中的要求變高。</p><p>　　不同的設(shè)計(jì)，對(duì)圖像的分辨率有不同的要求。OCR中字符的象素分辨率一般為而車(chē)牌識(shí)別系統(tǒng)字符的分辨率一般在和之間[5]。當(dāng)分辨率過(guò)高時(shí)，在車(chē)牌分割和車(chē)牌二

36、值化的處理過(guò)程中時(shí)間會(huì)顯著增加，使得整個(gè)識(shí)別系統(tǒng)的處理時(shí)間也明顯增多。分辨率過(guò)低，字符識(shí)別率就會(huì)有所下降，而字符中的漢字二值化效果就會(huì)也會(huì)變差，從而使得車(chē)牌識(shí)別系統(tǒng)的識(shí)別率也跟著下降。</p><p>　　總之，在現(xiàn)如今的車(chē)牌定位系統(tǒng)研究中，由于受到很多方面的限制，其車(chē)牌定位技術(shù)還存在著一些沒(méi)有克服的缺點(diǎn)。但隨著現(xiàn)代智能交通系統(tǒng)的快速發(fā)展，使其具有很大的應(yīng)用潛力。相信隨著人們對(duì)智能交通系統(tǒng)不斷深入的研究，車(chē)牌定位

37、技術(shù)也一定會(huì)克服各種缺點(diǎn)逐步得到完善。</p><p>　　1.4 本文的主要內(nèi)容及安排</p><p>　　本文通過(guò)Matlab仿真平臺(tái)來(lái)實(shí)現(xiàn)汽車(chē)的車(chē)牌定位，在分析和總結(jié)了了近年來(lái)國(guó)內(nèi)外在車(chē)牌定位領(lǐng)域的最新研究成果和最新進(jìn)展的基礎(chǔ)上，進(jìn)行的主要研究工作是根據(jù)復(fù)雜背景下的圖像中定位車(chē)牌的需要，提出車(chē)牌定位所用到的方法，即基于數(shù)學(xué)形態(tài)學(xué)和彩色圖像二值化特征的定位和基于顏色空間的再次定位。&l

38、t;/p><p>　　本文對(duì)車(chē)牌定位進(jìn)行了詳細(xì)的探討和研究，文章的主要安排如下：</p><p>　　第一章是緒論，介紹了智能交通系統(tǒng)和ITS在國(guó)內(nèi)外的發(fā)展現(xiàn)狀，車(chē)牌定位的背景及研究方案，以及車(chē)牌定位系統(tǒng)實(shí)現(xiàn)的難點(diǎn)。最后介紹了本文研究的主要工作及結(jié)構(gòu)安排。</p><p>　　第二章是基礎(chǔ)知識(shí)，介紹了我國(guó)常見(jiàn)的車(chē)牌，包括車(chē)牌的類(lèi)型及特點(diǎn)，然后大體介紹了下Matlab仿真

39、平臺(tái)。</p><p>　　第三章是車(chē)牌圖像的預(yù)處理。介紹了和車(chē)牌定位系統(tǒng)相關(guān)的一些知識(shí)，主要包括圖像灰度化技術(shù)，用于把彩色圖像轉(zhuǎn)換成灰度圖像；直方圖均衡化技術(shù)和中值濾波技術(shù)對(duì)圖像進(jìn)行噪聲處理；車(chē)牌圖像的平滑、增強(qiáng)；數(shù)學(xué)形態(tài)學(xué)知識(shí)，用于對(duì)邊緣圖像進(jìn)行形態(tài)學(xué)運(yùn)算。</p><p>　　第四章是車(chē)牌圖像的定位。介紹了車(chē)牌定位中常用的方法。圖像二值化技術(shù)，用于將灰度圖像轉(zhuǎn)換為二值圖像；邊緣檢測(cè)知

40、識(shí)，用于獲取圖像的邊緣信息。</p><p>　　第五章是仿真及結(jié)果分析。介紹了總體流程圖描述了車(chē)牌定位系統(tǒng)各功能模塊的結(jié)構(gòu)關(guān)系，最后給出了程序執(zhí)行各功能模塊后的結(jié)果圖。</p><p>　　第六章是總結(jié)。說(shuō)明了設(shè)計(jì)實(shí)現(xiàn)車(chē)牌定位系統(tǒng)時(shí)遇到的一些問(wèn)題及本次設(shè)計(jì)的大體內(nèi)容。</p><p><b>　　第二章 基礎(chǔ)知識(shí)</b></p>

41、<p>　　2.1 我國(guó)常見(jiàn)的車(chē)牌</p><p>　　2.1.1 我國(guó)車(chē)牌的類(lèi)型</p><p>　　從1994年7月1日起，我國(guó)開(kāi)始啟用、換發(fā)92式車(chē)牌，根據(jù)車(chē)輛用途的不同，目前車(chē)牌主要有以下六種分類(lèi)：大型車(chē)輛為黑字、黃底的車(chē)牌；小型車(chē)輛為白字、藍(lán)底的車(chē)牌；軍用或警用車(chē)輛為黑字或紅字、白底的車(chē)牌；為白字、黑底的車(chē)牌；摩托車(chē)的車(chē)牌；農(nóng)用車(chē)、拖拉機(jī)的車(chē)牌，其中以前3種為主[6]

42、。</p><p>　　2.1.2 我國(guó)車(chē)牌的特點(diǎn)</p><p>　　形狀特征：我國(guó)標(biāo)準(zhǔn)的車(chē)牌，其寬、高、以及寬高比一定。車(chē)牌的寬高為，每個(gè)字符的寬高為，間隔符的寬度為，每個(gè)字符的間隔為，整個(gè)車(chē)牌的寬高比約為[7]。在拍攝到的車(chē)牌圖像中由于設(shè)備對(duì)車(chē)牌的拍攝角度不相同而導(dǎo)致寬高比有一定的差別。而車(chē)牌上的有些字符它的實(shí)際寬度可能達(dá)不到，比如數(shù)字“1”，可是在車(chē)牌區(qū)域中所占據(jù)得矩形范圍依然為。

43、</p><p>　　車(chē)牌上的字符類(lèi)型可分為四種：中文的字符；英文的字母；阿拉伯?dāng)?shù)字；圓點(diǎn)分隔符。</p><p>　　車(chē)牌字符的特征：車(chē)牌識(shí)別系統(tǒng)的重點(diǎn)研究對(duì)象是小型車(chē)輛、大型車(chē)輛、軍用或警用車(chē)輛、國(guó)外駐華機(jī)構(gòu)車(chē)輛這四種車(chē)的車(chē)牌，它們都由八個(gè)字符組成。而對(duì)于小型民用車(chē)輛的車(chē)牌照的后五個(gè)字符代表汽車(chē)的注冊(cè)時(shí)的號(hào)碼。</p><p>　　車(chē)牌上各字符的規(guī)定：第一個(gè)字符

44、是中文字符，為我國(guó)各省、市、自治區(qū)的簡(jiǎn)稱(chēng)，如“甘”、“陜”、“俞”、“魯”等共有計(jì)31個(gè)字符（其中不考慮軍、警車(chē)）；第二個(gè)字符是大寫(xiě)的英文字母，共有25個(gè)字母（不包括字母“I”和“O”），為發(fā)證機(jī)關(guān)的代號(hào)，例如：甘A表示甘肅省蘭州市、甘B表示甘肅省嘉峪關(guān)市；第三個(gè)字符是一個(gè)分隔符“· ”；第四個(gè)字符可以是數(shù)字也可以是字母；第五、六、七、八這四個(gè)的字符都是數(shù)字，為車(chē)牌的注冊(cè)號(hào)碼。</p><p>　　如果

45、車(chē)牌的注冊(cè)號(hào)碼超過(guò)10萬(wàn)則第四位上的字符就開(kāi)始使用英文字母，其中“A”代表10萬(wàn)，“B”代表11萬(wàn)，……，最后一個(gè)字母代表33萬(wàn)，由于英文字母中的“I”和“O”及數(shù)字中的“1”和“0”外形相似，故在注冊(cè)號(hào)碼中不用這兩個(gè)字母[8]。由于近年來(lái)的汽車(chē)數(shù)量增加很快，而第一個(gè)可以使用字母，后四個(gè)為數(shù)字的五位車(chē)牌注冊(cè)號(hào)碼的方法來(lái)分配的車(chē)牌數(shù)量已經(jīng)不能滿(mǎn)足人們的需要，因此在某些地區(qū)的車(chē)牌中出現(xiàn)了注冊(cè)號(hào)碼的五位均有可能是數(shù)字或字母，例如“甘A

46、3;9635F”。</p><p>　　車(chē)牌照灰度變化：由于車(chē)輛的顏色，車(chē)牌邊緣的顏色，車(chē)牌的底色都是不同的。在圖像中所產(chǎn)生的灰度級(jí)對(duì)應(yīng)的灰度值就互不相同，車(chē)牌邊緣就會(huì)形成灰度突變邊界，在灰度上就呈現(xiàn)出一種屋脊邊緣現(xiàn)象。而在車(chē)牌區(qū)域的內(nèi)部，字符和車(chē)牌底色的灰度出現(xiàn)較均勻的波峰、波谷。</p><p>　　邊緣密集度：車(chē)牌區(qū)域的垂直邊緣比水平邊緣密集，而汽車(chē)出車(chē)牌外的部分水平邊緣比垂直邊緣明

47、顯。</p><p>　　2.2 仿真平臺(tái)介紹</p><p>　　本文采用Matlab R2011a版本作為設(shè)計(jì)平臺(tái)，它不僅數(shù)值計(jì)算能力強(qiáng)，而且為不同的使用者提供了豐富的功能工具箱，本文就是用的數(shù)字圖像處理的平臺(tái)。</p><p>　　Matlab的主要功能：財(cái)務(wù)、金融工程；數(shù)字圖像處理；數(shù)值分析；數(shù)字信號(hào)處理；工程、科學(xué)繪圖；數(shù)值和符號(hào)計(jì)算；控制系統(tǒng)設(shè)計(jì)及方針；

48、通訊系統(tǒng)設(shè)計(jì)、仿真等。</p><p>　　Matlab的使用好處及特性</p><p>　　1. 工作平臺(tái)和編程環(huán)境佳。</p><p>　　Matlab由一系列tool boxs組成。這些tool boxs方便用戶(hù)調(diào)用Matlab的函數(shù)及文件，而其中許多tool boxs采用的是圖形化用戶(hù)界面形式，平臺(tái)和編程環(huán)境非常好。</p><p>

49、　　2. 操作簡(jiǎn)便、易調(diào)試。</p><p>　　隨著Matlab的商業(yè)化以及軟件本身的不斷升級(jí)，Matlab的用戶(hù)界面也越來(lái)越精致，更加接近Windows的標(biāo)準(zhǔn)界面，人機(jī)交互能力更強(qiáng)，操作更加簡(jiǎn)單。簡(jiǎn)單的編程環(huán)境提供了比較完善的調(diào)試系統(tǒng)，程序不必經(jīng)過(guò)編譯就可以直接運(yùn)行，而且能夠及時(shí)地報(bào)告出現(xiàn)的錯(cuò)誤及進(jìn)行出錯(cuò)原因分析[9]。</p><p>　　3. 程序設(shè)計(jì)簡(jiǎn)單，語(yǔ)言可移植性好，界面友好

50、，編程效率高。</p><p>　　Matlab以矩陣為單元的可視化程序設(shè)計(jì)語(yǔ)言，有簡(jiǎn)單的語(yǔ)法結(jié)構(gòu)，單一的數(shù)據(jù)類(lèi)型，指令表達(dá)式與教科書(shū)的表達(dá)式相類(lèi)似。用戶(hù)可以在命令窗口中輸入語(yǔ)句與執(zhí)行命令，也可以先編寫(xiě)好應(yīng)用程序文件（M文件）后再一起運(yùn)行。</p><p>　　4. 強(qiáng)大的數(shù)據(jù)處理能力。</p><p>　　Matlab是擁有大量計(jì)算算法的集合體。包含近600多個(gè)工

51、程中使用到的數(shù)學(xué)運(yùn)算函數(shù)，可以方便的實(shí)現(xiàn)用戶(hù)所需的各種計(jì)算功能。常?？梢杂脕?lái)替代底層編程語(yǔ)言，如：C語(yǔ)言和C++。若在計(jì)算同等情況下，使用Matlab的編程工作量會(huì)大大減少。</p><p>　　5. 出彩的圖形處理。</p><p>　　Matlab不僅具有在一般數(shù)據(jù)可視化軟件的功能（例如二維曲線(xiàn)和三維曲面的繪制和處理等），同樣表現(xiàn)了出彩的處理能力。同時(shí)對(duì)一些特殊的可視化要求，例如：圖形

52、對(duì)話(huà)等，Matlab也有相應(yīng)的功能函數(shù)，保證了用戶(hù)不同層次的圖形處理需求。</p><p>　　6. tool boxs模塊集合應(yīng)用廣泛。</p><p>　　Matlab對(duì)許多專(zhuān)門(mén)的領(lǐng)域都有功能強(qiáng)大的模塊集和tool boxs。目前，己經(jīng)把tool boxs延伸到了科學(xué)研究和工程應(yīng)用的諸多領(lǐng)域，例如：圖像處理、數(shù)據(jù)采集、信號(hào)處理、數(shù)據(jù)庫(kù)接口、樣條擬合、神經(jīng)網(wǎng)絡(luò)等，都在tool boxs中

53、有了自己的重要的地位。</p><p>　　7. 程序接口實(shí)用，開(kāi)放性強(qiáng)。</p><p>　　Matlab可以利用Matlab編譯器、C/C++數(shù)學(xué)庫(kù)、圖形庫(kù)，將自己的Matlab程序自動(dòng)轉(zhuǎn)換為獨(dú)立于Matlab運(yùn)行的代碼。Matlab網(wǎng)頁(yè)服務(wù)程序還容許在Web應(yīng)用中使用自己的Matlab數(shù)學(xué)和圖形程序。Matlab有很好的可擴(kuò)充性，可以把它當(dāng)成一種更高級(jí)的語(yǔ)言去使用。使用它很容易編寫(xiě)各

54、種通用或?qū)Ｓ脩?yīng)用程序</p><p>　　8. 應(yīng)用軟件開(kāi)發(fā)（包括用戶(hù)界面）。</p><p>　　在開(kāi)發(fā)環(huán)境中，使用戶(hù)更方便地控制多個(gè)文件和圖形窗口。在編程方面支持了函數(shù)嵌套，條件中斷等。在圖形化方面，有了更強(qiáng)大的圖形標(biāo)注和處理功能，在輸入輸出方面，可以直接面向Excel和HDF。</p><p>　　第三章 車(chē)牌圖像的預(yù)處理</p><p&g

55、t;　　3.1 車(chē)牌圖像的灰度化</p><p>　　3.1.1 彩色圖像</p><p>　　圖3.1 可見(jiàn)光區(qū)波長(zhǎng)段</p><p>　　一般認(rèn)為，可見(jiàn)光區(qū)的波長(zhǎng)為400nm~700nm左右（如圖3.1所示），當(dāng)光譜采樣映射到人類(lèi)視覺(jué)系統(tǒng)三個(gè)敏感的紅，綠，藍(lán)光區(qū)波長(zhǎng)時(shí)段時(shí)，那么對(duì)這三個(gè)光譜帶的光進(jìn)行能量采樣，就會(huì)呈現(xiàn)得到一幅彩色圖像[10]。</p>

56、;<p><b>　　圖3.2 三基色</b></p><p>　　在物理學(xué)中，定義了色度學(xué)的三基色原理，即自然界中的絕大多數(shù)顏色、色彩都可以用紅，綠，藍(lán)三種顏色組合而成，其中紅，綠，藍(lán)這三種顏色稱(chēng)為三基色，如圖3.2所示。其它的顏色都是由三基色按不同比例混合而成的，例如：白，青，黃，紫等中間顏色區(qū)域。</p><p>　　那么，彩色視覺(jué)效果就是人眼對(duì)

57、入射的可見(jiàn)光光譜的強(qiáng)弱及波長(zhǎng)成份的一種敏感程度。將其定義到三維空間中，RGB色系以及其模型表示如圖3.3所示，例如：紅（255，0，0），</p><p>　　綠（0，255，0），藍(lán)（0，0，255），白（255，255，255）等。</p><p>　　目前，由于獲取的圖片絕大部分是RGB圖像，其圖像的數(shù)據(jù)信息量相當(dāng)?shù)拇螅瑢?duì)處理帶來(lái)相當(dāng)大的困難，從而處理速度受到一定影響，系統(tǒng)設(shè)計(jì)上也增

58、加了一定難度，那么，只有將圖像進(jìn)行某種處理，既可以不影響車(chē)牌照的定位效果，又可以將處理的數(shù)據(jù)量降下來(lái)，符合我們的設(shè)計(jì)理念要求。對(duì)彩色圖像定義到三維坐標(biāo)系中，可以使用RGB彩色立方體示意圖來(lái)表示，如圖3.4。</p><p>　　圖3.3 RGB色系及模型</p><p>　　圖3.4 RGB彩色立方體示意圖</p><p>　　若是原真彩色圖像是的矩陣，大小約為

59、1.44M，轉(zhuǎn)為灰度圖像后是</p><p>　　的矩陣，大小壓縮到0.48M，是原圖的33.3%左右，若縮小圖像后的若是的矩陣，大小為0.27M，則是原圖的18.8%左右，由此可見(jiàn)矩陣大大縮小了容量空間[11]。</p><p>　　對(duì)于我國(guó)的車(chē)輛牌照?qǐng)D像，灰度化后的圖像底色和字符也不能統(tǒng)一為黑底白字或白底黑字。因此一些國(guó)外的車(chē)輛牌照定位算法相對(duì)于我國(guó)的車(chē)輛牌照?qǐng)D像的應(yīng)用方面并不適用，需

60、要考慮其差異性特點(diǎn)加以改進(jìn)利用；以圖3.5彩色原始圖像為例。</p><p>　　圖3.5 載入的原彩色圖片</p><p>　　3.1.2 灰度化圖像</p><p>　　要解決上面的問(wèn)題，我們采用灰度化的技術(shù)對(duì)RGB彩色圖像進(jìn)行處理，因此，將彩色圖像轉(zhuǎn)化成灰度圖像的處理過(guò)程叫灰度化，所對(duì)應(yīng)的圖像稱(chēng)之為灰度化圖像。彩色圖像中的每個(gè)像素的顏色由R、G、B三個(gè)分量來(lái)決

61、定，而每個(gè)分量有255種值范圍可取。然而灰度圖像是R、G、B三個(gè)分量相同的一種特殊情況的彩色圖像，其一個(gè)像素點(diǎn)的變化范圍為255種。</p><p>　　灰度化采用標(biāo)準(zhǔn)的加權(quán)平均的方法，用gray表示灰度化后灰度值，R、G、B分別表示彩色圖像中的紅，綠，藍(lán)的三個(gè)分量。因此在Matlab中，可以對(duì)RGB進(jìn)行加權(quán)平均得到較合理的灰度圖像，其對(duì)應(yīng)公式為3-1：</p><p>　?。?-1）

62、 </p><p>　　目前，從圖像的輸入的類(lèi)型看，一般都是RGB的彩色圖像，然而我國(guó)車(chē)輛牌照顏色的種類(lèi)不同，顏色較多，從而要有一種判斷車(chē)輛牌照顏色普適的方法，一般在RGB色彩空間中判斷比較困難，而HSI色彩空間反映了人觀(guān)察色彩的方式，比較適合做顏色判斷。所以先把圖像從RGB色彩空

63、轉(zhuǎn)換到HSI色彩空間，在HSI色彩空間中判斷顏色。RGB到HSI色彩空間的轉(zhuǎn)換公式為3-2、3-3、3-4、3-5：</p><p><b>　　（3-2）</b></p><p><b>　?。?-3）</b></p><p><b>　　（3-4）</b></p><p>

64、<b>　　（3-5） </b></p><p>　　在HSI色彩空中把I的位歸一化處理，一般認(rèn)為，滿(mǎn)足3-6、3-7條件的像素點(diǎn)，判斷為黃色和藍(lán)色：</p><p><b>　?。?-6）</b></p><p>　?。?-7）

65、 </p><p>　　上面判斷顏色的方法也存在著問(wèn)題和缺點(diǎn)，就是假設(shè)釆到的圖像中，汽車(chē)本身或著干擾域的顏色為藍(lán)色或黃色時(shí)，這種狀態(tài)下就很難采用顏色特征來(lái)位車(chē)牌照區(qū)域；與此同吋，由于彩色判斷為逐點(diǎn)運(yùn)算方式，顏色空間轉(zhuǎn)換、顏色判別的計(jì)算量非常大[12]。因此，

66、本文暫不考慮使用顏色判別進(jìn)行車(chē)牌照的初定位，而是先通過(guò)灰度圖像定位后，再利用顏色位來(lái)做一個(gè)補(bǔ)充的精確定位，在精確定位的章節(jié)進(jìn)行說(shuō)明。</p><p>　　因此，本文要采用傳統(tǒng)的基于灰度圖像的定位方法，所以第一步做的工作就是把輸入的RGB彩色圖像轉(zhuǎn)換成灰度圖像。使用Matlab中的函數(shù)rgb2gray( )將RGB圖像直接轉(zhuǎn)為灰度圖像，如圖3.6灰度圖所示。</p><p>　　圖3.6 灰

67、度化圖像和灰度化直方圖</p><p>　　灰度直方圖（histogram）是灰度級(jí)的函數(shù)，它表現(xiàn)為圖像中每個(gè)灰度級(jí)圖像的個(gè)數(shù)，或是圖像中每種灰度出現(xiàn)的頻率值。從數(shù)學(xué)概率統(tǒng)計(jì)上講，灰度出現(xiàn)的頻率可看作其出現(xiàn)的概率統(tǒng)計(jì)，這樣直方圖實(shí)際上就對(duì)應(yīng)于概率密度函數(shù)，而概率分布函數(shù)就是直方圖的累計(jì)和[13]。在灰度直方圖上，對(duì)應(yīng)的橫坐標(biāo)表示為對(duì)應(yīng)的灰度級(jí)，縱坐標(biāo)表示該灰度級(jí)上出現(xiàn)的頻率的次數(shù)，如圖3.6灰度圖直方圖所示。&l

68、t;/p><p>　　由于光線(xiàn)，環(huán)境等外部原因，圖像的本身對(duì)比度效果較差，大部分細(xì)節(jié)不夠清晰等因素，通常我們會(huì)采用直方圖均衡化的方法來(lái)對(duì)圖像進(jìn)行處理，直方圖均衡化即是利用直方圖的數(shù)學(xué)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行對(duì)直方圖的修改操作，能有效的處理原始圖像的直方圖灰度值的分布不均情況，使各灰度級(jí)的概率分布較均勻，可以采用增加圖像灰度值的動(dòng)態(tài)區(qū)域范圍，自動(dòng)的增加整體圖像體現(xiàn)對(duì)比度的效果，以致圖像具有較大的反差，對(duì)比度相差較大，部分細(xì)節(jié)比較清

69、晰[14]。</p><p>　　本文在Matlab的Image toolbox中釆用直方圖均衡化函數(shù)histeq( )，可以直接實(shí)現(xiàn)對(duì)圖像增強(qiáng)的功能，然后顯示均衡后的直方圖，用Matlab函數(shù)imhist( )來(lái)實(shí)現(xiàn)[15]。若設(shè)輸入圖像的像素總數(shù)為M，有N個(gè)灰度級(jí)，第k個(gè)灰度rk出現(xiàn)的頻數(shù)為qk，若輸入圖像圖像素點(diǎn)（i，j）的灰度為rk則直方圖均衡化處理后的圖像點(diǎn)（i，j）處的灰度為式3-8所示：</p

70、><p>　　（3-8） </p><p>　　其中k=0，1，2，... N-1。</p><p>　　直方圖均衡化可以使整個(gè)圖像的對(duì)比度明顯加強(qiáng)，但其不容易控制增強(qiáng)效果，在一些較暗區(qū)域細(xì)節(jié)不能清楚描繪。轉(zhuǎn)為可以處理旳灰度圖像后，原圖圖像會(huì)模糊不清，整個(gè)圖像表現(xiàn)為低對(duì)比度效果，在直方圖上反映出圖像灰度范圍區(qū)域狹窄。&

71、lt;/p><p>　　多數(shù)情況下，我們對(duì)局部細(xì)節(jié)比較關(guān)注，直方圖規(guī)定化可以根據(jù)實(shí)際需求靈活的選擇某個(gè)灰度值范圍區(qū)域，來(lái)增強(qiáng)該灰度值范圍內(nèi)的對(duì)比度，使直方圖成為某個(gè)特定形狀，可獲得比直方圖均衡化更佳的效果，那是由于只顯示了我們所關(guān)心的那些部分。直方圖規(guī)定化后圖像看起來(lái)更自然，視覺(jué)效果要好，且容易看出邊緣。</p><p>　　對(duì)于圖像的預(yù)處理來(lái)講，利用Matlab tool box函數(shù)，可以方

72、便、快捷地實(shí)現(xiàn)對(duì)圖像預(yù)處理仿真，速度明顯優(yōu)于傳統(tǒng)算法的實(shí)現(xiàn)；同時(shí)，直方圖規(guī)定化后圖像的視覺(jué)效果好于均衡化后圖像。對(duì)于直方圖均衡化來(lái)講，某些圖像，如直方圖有高峰，經(jīng)均衡化處理后視覺(jué)對(duì)比度不自然的過(guò)分增強(qiáng)。直方圖均衡化變換后圖像的灰度級(jí)將減少，丟失了些我們可能需要的細(xì)節(jié)部分。然而，直方圖規(guī)定化是需要變換直方圖使之成為某個(gè)特定需要的形狀，從而有選擇地增強(qiáng)某個(gè)灰度值范圍內(nèi)的對(duì)比度，使需要變換的細(xì)節(jié)更清晰，規(guī)定化有其一定的優(yōu)勢(shì)。</p>

73、;<p>　　3.2 車(chē)牌圖像的平滑</p><p>　　圖像平滑的主要目的是減少噪聲。一般情況下，在空間域內(nèi)可以用鄰域平均法來(lái)減少噪聲；在頻率域，因?yàn)樵肼曨l譜多在高頻段，因此可以采用各種形式的低通濾波的方法來(lái)減少噪聲。在拍攝過(guò)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，孤立噪聲的存在會(huì)影響牌照搜索定位的準(zhǔn)確性；同時(shí)牌照區(qū)域存在肉眼不意分辨的網(wǎng)格，這對(duì)后面的單字切分和識(shí)別會(huì)有很大影響，因此預(yù)

74、處理過(guò)程中必須平滑掉這些噪聲干擾。為了減少圖像中的噪聲，需要對(duì)圖像進(jìn)行平滑處理[16]。常用的圖像平滑方法有以下幾種：收縮再膨脹；圖像平均法；鄰域平均法(均值濾波)；中值濾波。</p><p>　　其中均值濾波是非常典型的線(xiàn)性濾波算法，它也是消除噪聲的最簡(jiǎn)單的方法，其理論原理為在圖像上對(duì)輸入圖像給一個(gè)模板，該模板包括了其周?chē)呐R近像素，若以目標(biāo)象素為中心的周?chē)?個(gè)象素，構(gòu)成一個(gè)濾波模板，那么就是去掉目標(biāo)本身像素，

75、用模板中的全體像素的平均值來(lái)替代去掉的原來(lái)像素值，在Matlab中使用filter2( )和fspecial( )函數(shù)來(lái)實(shí)現(xiàn)。</p><p>　　在數(shù)學(xué)原理上講，均值濾波釆用的主要方法為鄰域平均值法。即它是使用某像素周?chē)袼胤秶鷥?nèi)的平均值來(lái)替代該像素值，即對(duì)待處理的當(dāng)前像素點(diǎn)f(x,y)，選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求出模板中所有像素的均值，再把該平均值賦予當(dāng)前像素值g(x,y)，作為處理后圖像

76、在該點(diǎn)上的灰度值g(x,y)，即式3-9：</p><p><b>　?。?-9）</b></p><p>　　但是，均值濾波本身存在著其固有的不利點(diǎn)，即：它不能很好地保護(hù)圖像的細(xì)節(jié)，在圖像去噪的同時(shí)，也破壞了圖像本身的細(xì)節(jié)部分，從而使圖像邊緣變得模糊不清，不能很好地去除噪聲點(diǎn)。相反，采用均值濾波可以使噪聲點(diǎn)得到抑制，通過(guò)使圖像模糊，達(dá)到看不到細(xì)小噪聲的目的。但不能達(dá)

77、到完全消除的，而中值濾波效果要好得多。</p><p>　　我們一般認(rèn)為，消除噪聲最好的結(jié)果是在消除噪聲的同時(shí)，保留完好的圖像邊緣。中值濾波器往往會(huì)比均值濾波在保留有用的細(xì)節(jié)圖像中有更好的效果。中值濾波法是一種非線(xiàn)性平滑的方法。</p><p>　　中值濾波的基本原理是：選取鄰域內(nèi)的像素灰度值，按照從小到大（大到?。┑捻樞蜻M(jìn)行排列，結(jié)果取排列后的中間值。在具體操作方法上，采用某種結(jié)構(gòu)的二維

78、滑動(dòng)模板采樣，將模板內(nèi)（奇數(shù)個(gè)）像素按照像素值的大小進(jìn)行排序，生成單調(diào)上升（下降）的二維數(shù)據(jù)排序序列，然后用排序結(jié)果中的中間值替代要處理的數(shù)據(jù)像素值，即可。</p><p>　　二維中值濾波原理，公式為3-10：</p><p><b>　?。?-10）</b></p><p>　　其中a(x,y)，A(x,y)分別為原始圖像和處理后圖像，Q為

79、模板，中值濾波它是用一個(gè)奇數(shù)點(diǎn)的滑動(dòng)窗口，將窗口正中那點(diǎn)的值用窗口內(nèi)各點(diǎn)的中值來(lái)替代。其形狀和尺寸是多種多樣的，不同的圖像內(nèi)容和不同的應(yīng)用要求，往往采用不同的模板形狀和尺寸來(lái)處理，當(dāng)然中值濾波窗口的形狀和大小的各異也會(huì)帶來(lái)圖像處理結(jié)果的不同效果。一般采用，區(qū)域，其形狀也可以是方形，線(xiàn)狀，圓形，“十”字形，“X”字形，圓環(huán)形以及矩形等等。</p><p>　　可以看出，中值濾波器的主要功能就是讓與周?chē)南袼鼗叶戎档?/p>

80、差比較大的像素改取與周?chē)袼亟咏闹担瑥亩梢韵铝⒌脑肼朁c(diǎn)。由于它不是簡(jiǎn)單的取均值，所以產(chǎn)生的模糊比較少。中值濾波器雖然對(duì)孤立的噪聲點(diǎn)，即椒鹽噪聲，脈沖噪聲具有很好的濾波效果，但對(duì)于隨機(jī)高斯，均勻噪聲的濾波效果并不理想，也有它本身的缺陷的存在。Matlab中使用medfilter( )函數(shù)來(lái)實(shí)現(xiàn)。</p><p>　　3.3 車(chē)牌圖像的增強(qiáng)</p><p>　　圖像增強(qiáng)通過(guò)一定手段或是

81、策略對(duì)輸入圖像處理或變換數(shù)據(jù)，有目、有選擇地突出圖像中我們感興趣的特征（例如：車(chē)牌區(qū)域特征），或者減弱或去除圖像中某些不需要的特征，使處理后的圖像與視覺(jué)特性相一致。利用Matlab tool box的灰度變換imadjust( )函數(shù)來(lái)實(shí)現(xiàn)。同時(shí)可以配合improfile( )函數(shù)對(duì)圖像進(jìn)行分析，根據(jù)車(chē)牌字符和底色的像素值，使其對(duì)比度調(diào)到最大，實(shí)現(xiàn)圖像的增強(qiáng)作用。</p><p>　　空域增強(qiáng)主要分為鄰域去噪算法

82、和點(diǎn)運(yùn)算算法。</p><p>　　鄰域增強(qiáng)算法有平滑和銳化兩種。平滑一般用于消除或減弱圖像中的噪聲，但是同時(shí)也容易引起圖像邊緣的模糊不清的現(xiàn)像。銳化可以突出圖像物體的邊緣輪廓，便于目標(biāo)識(shí)別。具有代表性的算法有平均值法（取局部鄰域中的平均像素值）和中值濾波（取局部鄰域中的中間像素值）法等。</p><p>　　點(diǎn)運(yùn)算算法即灰度級(jí)校正、灰度變換和直方圖修正等，使之可以擴(kuò)展對(duì)比度，增大圖像動(dòng)態(tài)

83、范圍，使圖像均勾成像。常用算法有梯度法、高通濾波、算子、統(tǒng)計(jì)差值法、掩模匹配法等。</p><p>　　頻域增強(qiáng)中頻域的算法是在圖像采取的某種變換域內(nèi)對(duì)其圖像的變換系數(shù)值進(jìn)行一定修正，它是一種間接性的增強(qiáng)算法。首先，在圖像的頻域內(nèi)對(duì)圖像的變換值進(jìn)行操作，然后二次再變回到空域內(nèi)。例如：首先對(duì)圖像進(jìn)行傅里葉變化（FT）到頻域，再對(duì)圖像的頻譜進(jìn)行某種（濾波）修正操作，最后將修正后的圖像進(jìn)行傅里葉逆變化到空域，以此來(lái)增強(qiáng)

84、圖像的效果。</p><p>　　若將圖像看成某種二維信號(hào)，對(duì)其進(jìn)行二維傅里葉變換的信號(hào)增強(qiáng)，若采用低通濾波（即只讓低頻信號(hào)通過(guò)）法，可去掉或是減弱圖像中的噪聲；若采用高通濾波法，則可以增強(qiáng)邊緣等高頻信號(hào)，使模糊的圖像變得清晰起來(lái)[16]。然而，根據(jù)增強(qiáng)的側(cè)重點(diǎn)不同，對(duì)圖像的增強(qiáng)有邊緣增強(qiáng)、灰度增強(qiáng)、色彩飽和度增強(qiáng)等等方法?；叶鹊燃?jí)直方圖處理：使加工后的圖像在某一灰度范圍內(nèi)有更好的對(duì)比度，但是也存在著一些弊端。&

85、lt;/p><p><b>　　3.4 形態(tài)學(xué)</b></p><p>　　形態(tài)學(xué)原為研究生物機(jī)體的外形與內(nèi)部結(jié)構(gòu)以及功能相關(guān)的一門(mén)科學(xué)，在數(shù)學(xué)形態(tài)學(xué)中，它是一種常用工具。數(shù)學(xué)形態(tài)學(xué)是90年代新興的圖像處理技術(shù)，它是拓?fù)鋵W(xué)的一個(gè)分支。形態(tài)學(xué)的應(yīng)用幾乎覆蓋了圖像處理的所有領(lǐng)域，包括文字識(shí)別、醫(yī)學(xué)圖像處理、圖像編碼壓縮、視覺(jué)檢測(cè)、材料科學(xué)及機(jī)器人視覺(jué)等。形態(tài)學(xué)的基本思想是利用

86、一個(gè)稱(chēng)為結(jié)構(gòu)元素的“探針”收集圖像信息。當(dāng)探針在圖像中不斷移動(dòng)時(shí)便可以考察圖像各個(gè)部分間的相互關(guān)系，從而理解圖像結(jié)構(gòu)特征。數(shù)學(xué)形態(tài)學(xué)的這種基于探測(cè)的思想同人的聚焦視覺(jué)特點(diǎn)有類(lèi)似之處。作為探針的結(jié)構(gòu)元素可直接攜帶知識(shí)（形態(tài)、大小、甚至加入灰度和色度信息），來(lái)探測(cè)研究圖像結(jié)構(gòu)的特點(diǎn)。</p><p>　　用于描述數(shù)學(xué)形態(tài)學(xué)的語(yǔ)言是集合論，它是建立在集合論基礎(chǔ)上的代數(shù)系統(tǒng)，它提出了一套獨(dú)特的概念和變換用于描述圖像的基本

87、特征。集合代表圖像中物體的形狀，例如在二值圖像中，所有白色像素的集合就是對(duì)這幅圖像的完整描述。在二值圖像中當(dāng)前集合指二維整形空間的成員，集合中的每個(gè)元素都是一個(gè)二維變量，可以用（x，y）表示，而灰度圖像可以用三維集合來(lái)表示。這種情況下，集合中每個(gè)元素的前兩個(gè)變量來(lái)表示像素點(diǎn)的坐標(biāo)，第三個(gè)代表離散的灰度值。數(shù)學(xué)形態(tài)學(xué)研究圖像幾何結(jié)構(gòu)的基本思想是利用一個(gè)結(jié)構(gòu)元素去探測(cè)圖像，看是否能將這個(gè)結(jié)構(gòu)元素很好地填放在圖像內(nèi)部，同時(shí)驗(yàn)證填放結(jié)構(gòu)元素的方

88、法是否有效。形態(tài)學(xué)的基本運(yùn)算包括：腐燭、膨脹、開(kāi)運(yùn)算、閉運(yùn)算。他們應(yīng)用于二值圖像和灰度圖像中。</p><p>　　圖像的形態(tài)學(xué)運(yùn)算，它是從數(shù)學(xué)形態(tài)學(xué)的集合理論引用而來(lái)，數(shù)學(xué)形態(tài)學(xué)是分析數(shù)學(xué)幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法，雖然它的基本運(yùn)算原理很簡(jiǎn)單，但是它是建立在數(shù)學(xué)集合代數(shù)基礎(chǔ)上，用集合理論方法來(lái)定量描述幾何結(jié)構(gòu)的一門(mén)科學(xué)[13]。本文處理的主要是二值圖像，所以只需對(duì)二值形態(tài)學(xué)的基本運(yùn)算進(jìn)行探討。二值圖像是指圖像的灰

89、度由1和0組成。</p><p>　　在連續(xù)空間中，腐蝕運(yùn)算會(huì)去掉物體的邊緣點(diǎn)，膨脹運(yùn)算會(huì)使物體的邊界向外擴(kuò)張。腐蝕具有使目標(biāo)縮小，目標(biāo)內(nèi)孔增大以及外部孤立噪聲消除的效果；膨脹是將圖像中與目標(biāo)物體接觸的所有有背景點(diǎn)合并到物體中的過(guò)程，結(jié)果是使目標(biāo)增大，孔洞縮小，可填充目標(biāo)中的孔洞，使其形成連通域。開(kāi)運(yùn)算用來(lái)消除小噪聲點(diǎn)處分離物體、平滑較大物體的邊界，同時(shí)并不明顯改變其面積[17]。閉運(yùn)算用來(lái)填充物體內(nèi)細(xì)小孔洞、連

90、接鄰近物體、平滑其邊界。</p><p><b>　　第四章 車(chē)牌定位</b></p><p>　　4.1 車(chē)牌定位中的常用方法</p><p>　　車(chē)牌定位是車(chē)牌識(shí)別一個(gè)最重要的難題，車(chē)牌定位的效果直接影響系統(tǒng)的性能。車(chē)牌區(qū)域提取是整個(gè)車(chē)牌識(shí)別系統(tǒng)中最有挑戰(zhàn)性的部分，并且已經(jīng)提出了很多不同的方法。大部分的方法建立在車(chē)牌特征的基礎(chǔ)上，這些特點(diǎn)包

91、括車(chē)牌格式和構(gòu)成車(chē)牌號(hào)的字母、數(shù)字、字符。關(guān)于車(chē)牌的格式特征包括邊緣，對(duì)稱(chēng)，色彩和灰度紋理[18]。這些方法主要有數(shù)學(xué)形態(tài)學(xué)、投影法、邊緣檢測(cè)法和神經(jīng)網(wǎng)絡(luò)法?，F(xiàn)有的車(chē)牌定位方法在以下條件下表現(xiàn)欠佳，如邊的不確定性、多類(lèi)型車(chē)牌、小車(chē)牌、昏暗的燈光、模糊圖像、高或低的照明圖像。</p><p>　　數(shù)學(xué)形態(tài)學(xué)的車(chē)牌定位是通過(guò)形態(tài)學(xué)中的基本運(yùn)算對(duì)二值圖像進(jìn)行操作，從而改變?cè)紙D像的集合。運(yùn)用數(shù)學(xué)形態(tài)學(xué)處理圖像時(shí)，結(jié)構(gòu)元

92、素S的選擇，對(duì)生成車(chē)牌候選區(qū)域至關(guān)重要?；跀?shù)學(xué)形態(tài)學(xué)的車(chē)牌定位具體流程如圖4.1所示：</p><p>　　圖4.1 基于數(shù)學(xué)形態(tài)學(xué)的車(chē)牌定位流程圖</p><p>　　常見(jiàn)的優(yōu)化方法一般會(huì)對(duì)待識(shí)別的車(chē)牌字符區(qū)域的像素點(diǎn)，使用投影法進(jìn)行垂直和水平掃描統(tǒng)計(jì)，從而較為精確地確定車(chē)牌字符區(qū)域的上下左右邊界問(wèn)題。</p><p>　　2. 投影法的車(chē)牌定位。</p&

93、gt;<p>　　使用投影方法做二值圖像水平和垂直方向的投影可以檢測(cè)到車(chē)牌，從而得到車(chē)牌區(qū)域圖像。投射位置的過(guò)程如下：</p><p>　　二值圖像的行方向累積像素和為：，這里的是第行的水平投影值，是行數(shù)，是列數(shù)，，是圖像的寬度，是圖像的高度[19]。二值圖像列方向的累積像素和為：，這里是第列的垂直投影值，是行數(shù)，是列數(shù)，，是圖像的高度，是圖像的寬度。</p><p>　　車(chē)

94、牌圖像的水平投影圖會(huì)相應(yīng)地出現(xiàn)一個(gè)波峰，波峰兩邊的兩個(gè)最低分別對(duì)應(yīng)車(chē)牌圖像的上邊界和下邊界，因?yàn)檐?chē)牌在車(chē)身的下部位置，車(chē)牌底下沒(méi)有豐富的邊緣密集。所以我們可以從下往上掃描車(chē)牌區(qū)域，并認(rèn)為第一個(gè)大峰值點(diǎn)為牌照的水平投影區(qū)，而它的起始和結(jié)束點(diǎn)就是車(chē)牌的上邊界和下邊界[18]。與上述方法軸垂直方向的投影可以獲得車(chē)牌的上邊界和下邊界類(lèi)似，因?yàn)檐?chē)牌區(qū)域由七個(gè)字符組成，并且每相鄰兩個(gè)字符之間有一定的間隔，那么它的投影圖像將出現(xiàn)在峰谷峰特性，如果它們

95、之間的間隔小于一個(gè)經(jīng)驗(yàn)值，那么兩個(gè)相鄰的區(qū)域?qū)⑦B通得到候選區(qū)域，載根據(jù)車(chē)牌固定的百分比，我們可以將車(chē)牌區(qū)域從候選區(qū)域中濾除出來(lái)。</p><p>　　3. 邊緣檢測(cè)的車(chē)牌定位。</p><p>　　圖像的邊緣往往反應(yīng)了區(qū)域的邊界、亮度的不連續(xù)性、紋理變化和表面取向等信息，所以它是從區(qū)域分割出感興趣區(qū)域的重要依據(jù)。此外，圖像的邊緣檢測(cè)可以去除不相關(guān)的細(xì)節(jié)和噪聲。在車(chē)牌定位中，車(chē)牌邊緣是其車(chē)牌

96、區(qū)域最明顯和可靠的特征，所以邊緣檢測(cè)技術(shù)廣泛應(yīng)用于車(chē)牌定位。候選區(qū)邊緣檢測(cè)過(guò)程被分成兩個(gè)步驟：粗檢測(cè)和細(xì)檢測(cè)。粗檢測(cè)的作用是迅速地去除區(qū)分的背景區(qū)域的圖像。其余的區(qū)域是由精細(xì)檢測(cè)候選區(qū)域進(jìn)一步處理。隨后，將被過(guò)濾在候選區(qū)域驗(yàn)證用幾何的結(jié)構(gòu)特性。其余的候選區(qū)域被標(biāo)記為車(chē)牌部分。在沒(méi)有候選區(qū)域剩下的情況下，輸入圖像是通過(guò)直方圖均衡化處理，并在整個(gè)過(guò)程重復(fù)進(jìn)行。</p><p>　　4. 神經(jīng)網(wǎng)絡(luò)的車(chē)牌定位。</

97、p><p>　　車(chē)牌定位中最常用的方法是人工神經(jīng)網(wǎng)絡(luò)（ANN）方法的使用，它通常使用一個(gè)三層神經(jīng)網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)：第一層是輸入層，第二層為隱含層和第三層為輸出層，人工神經(jīng)網(wǎng)絡(luò)是綜合生物學(xué)和計(jì)算機(jī)科學(xué)的跨學(xué)科方法，已廣泛應(yīng)用于信號(hào)處理，模式識(shí)別，非線(xiàn)性?xún)?yōu)化等方面。反向傳播（BP）算法是神經(jīng)網(wǎng)絡(luò)中最有效的方法之一，該神經(jīng)網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）的結(jié)構(gòu)示于圖[19]。閉區(qū)間的任何連續(xù)函數(shù)都可以通過(guò)使用BP神經(jīng)網(wǎng)絡(luò)來(lái)近似。對(duì)于任何復(fù)雜的系

98、統(tǒng)，如果它的樣本不夠多，一個(gè)反映了輸入和輸出之間關(guān)系的BP神經(jīng)網(wǎng)絡(luò)模型可以在反復(fù)學(xué)習(xí)和培訓(xùn)后構(gòu)建。因此，BP神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)非線(xiàn)性建模和分析龐大而復(fù)雜的系統(tǒng)的能力。</p><p>　　然而，由于BP神經(jīng)網(wǎng)絡(luò)的初始互連權(quán)重和閾值往往是隨機(jī)，隨著訓(xùn)練次數(shù)的變化，網(wǎng)絡(luò)的學(xué)習(xí)時(shí)間和最終的互連權(quán)重也會(huì)改變。也就是說(shuō)，網(wǎng)絡(luò)不是唯一的，它有可能陷入局部最優(yōu)。此外，最初的互連權(quán)重確定的盲目性總是導(dǎo)致太多的訓(xùn)練時(shí)間和收斂速度慢，

99、BP神經(jīng)網(wǎng)絡(luò)的這些不足嚴(yán)重影響其精度和應(yīng)用效果[20]。這是很必要的優(yōu)化和改進(jìn)BP神經(jīng)網(wǎng)絡(luò)。</p><p><b>　　4.2 車(chē)牌定位</b></p><p>　　經(jīng)過(guò)前面步驟的預(yù)處理后，得到了若干連通的白色區(qū)域，這些若干連通白色區(qū)域?qū)⑵涠x為車(chē)輛牌照的候選區(qū)域，其中這些白色區(qū)域有可能包括車(chē)輛牌照、車(chē)前后大燈、商標(biāo)、復(fù)雜背景環(huán)境以及其它一些圖案標(biāo)志等。其中會(huì)存在著

100、不是我們所關(guān)心的一些內(nèi)容（除車(chē)牌以外）。因此，需要將我們所關(guān)心的內(nèi)容提取出來(lái)，去除不關(guān)心的部分，即在對(duì)車(chē)輛牌照?qǐng)D像進(jìn)行定位時(shí)就需要對(duì)這些白色的候選區(qū)域進(jìn)行篩選處理。再對(duì)候選區(qū)域進(jìn)行判斷和分析時(shí)，一般是根據(jù)車(chē)輛牌照自身的特有的特征來(lái)進(jìn)行判別及確定。例如：車(chē)輛牌照車(chē)輛牌照灰度值跳變劇烈、高寬比、面積大小等。在對(duì)候選區(qū)進(jìn)一步分析時(shí)，通過(guò)某一單一的判定指標(biāo)，是很難準(zhǔn)確地去判定真正的車(chē)輛牌照位置的區(qū)域的，因此，應(yīng)該根據(jù)我國(guó)車(chē)輛牌照的多個(gè)特征，綜合

101、進(jìn)行分析及判斷。 </p><p>　　本文采用的是根據(jù)我國(guó)車(chē)輛牌照的長(zhǎng)高比與面積的物理特性來(lái)實(shí)現(xiàn)準(zhǔn)確定位確認(rèn)的，根據(jù)試驗(yàn)的結(jié)果表明該理論是完全可行的。本文中我們定義車(chē)輛牌照面積指暫定為各個(gè)白色候選區(qū)內(nèi)非0像素的個(gè)數(shù)。由于在采集車(chē)輛牌照?qǐng)D像的時(shí)候，攝像機(jī)、相機(jī)與車(chē)輛的距離，拍攝的角度等近似、相同的，也即圖像大小一般較為固定，變化波動(dòng)范圍也較小，那么車(chē)輛牌照候選的面積也較固定，并且通過(guò)多次試驗(yàn)，確定個(gè)比

102、較適當(dāng)?shù)拈撝底鳛榕袛嗟臉?biāo)準(zhǔn)。</p><p>　　長(zhǎng)高比是車(chē)輛牌照的一個(gè)很明顯的特征點(diǎn)，也是車(chē)輛牌照定位系統(tǒng)中經(jīng)常采用的一個(gè)評(píng)價(jià)標(biāo)桿。我國(guó)車(chē)輛牌照外廓長(zhǎng)高為：其比值一般固定在3.1~3.3左右，因此，在經(jīng)過(guò)數(shù)學(xué)形態(tài)處理后的圖像中車(chē)輛牌照區(qū)域的長(zhǎng)高比也相對(duì)固定。本文中由于我們?nèi)コ怂闹艿耐膺吙?，其長(zhǎng)高為：，其比值也穩(wěn)定在4.5~4.6左右。當(dāng)然，此時(shí)有可能存在若干白色車(chē)輛牌照的候選區(qū)，所以?xún)H僅采取長(zhǎng)高比一個(gè)評(píng)價(jià)標(biāo)準(zhǔn)

103、是不能滿(mǎn)足實(shí)際的需求。在候選區(qū)的長(zhǎng)高比適合情況下，我們?cè)偻ㄟ^(guò)面積大小來(lái)進(jìn)一步分析和判定。</p><p>　　因此，車(chē)輛牌照的面積也是一個(gè)不可忽視的特征，我們?nèi)羰嵌xS為車(chē)輛牌照的面積，定義T為設(shè)置的閾值，當(dāng)車(chē)輛牌照面積S遠(yuǎn)大于閾值T時(shí)，則明顯不是車(chē)輛牌照真實(shí)區(qū)域；若車(chē)輛牌照面積S遠(yuǎn)小于閾值T，也不是車(chē)輛牌照真正的區(qū)域；只有在閾值T允許的合理范圍內(nèi)時(shí)，才可能是車(chē)輛牌照區(qū)域。但首先需要進(jìn)行二值化處理。</p&

104、gt;<p><b>　　4.2.1 二值化</b></p><p>　　根據(jù)閾值選取的不同，二值化的算法方法分為：固定閾值、雙峰法與自適應(yīng)閾值。如下只簡(jiǎn)單介紹常用的幾種方法。</p><p><b>　　1. 固定閾值。</b></p><p>　　輸入圖像包括目標(biāo)圖像物體、背景環(huán)境及噪聲，從多值的圖像中直

105、接提取出目標(biāo)圖像物體，最常用的方法就是設(shè)定個(gè)固定閾值S，用S將圖像的數(shù)據(jù)分成兩部分：大于S的像素集合和小于S的像素集合，大于S的可以為是我們需要的部分，小于S的像素可以認(rèn)為是背環(huán)境或其它。</p><p><b>　　2. 雙峰法。</b></p><p>　　物體分布比較有規(guī)律，背景與各個(gè)目標(biāo)在圖像的直方圖各自形成一個(gè)波峰，即區(qū)域與波峰一一對(duì)應(yīng)，每?jī)蓚€(gè)波峰之形成一個(gè)

106、波谷。那么，選擇雙峰之間的波谷所代作的灰度位作為閾值，即可實(shí)現(xiàn)兩個(gè)區(qū)域的分割，如圖4.2所示。</p><p>　　圖4.2 頻率峰值波形圖</p><p><b>　?。?-1） </b></p><p>　　式4-1中，為灰度圖像的灰度值，S為閥值，為二值化的灰度圖像。目前并沒(méi)有普遍性的判斷方法，閾值分割效來(lái)的好壞，與其后的連通域特征統(tǒng)計(jì)

107、起，則可根據(jù)選通候選域特征對(duì)所要識(shí)別的對(duì)象判斷。此時(shí)，閥值分割作為預(yù)處理的一個(gè)步驟，通常希望能盡可能地將所有對(duì)象相匹配的連通候選區(qū)域作為候選域全部找出來(lái)，并在連續(xù)的驟中進(jìn)行篩選，從這方面講，可以將閾值的選取，及圖像的分割對(duì)候選域的篩選效果作為分割的好壞的判斷依據(jù)，從而得到以對(duì)象模型為基礎(chǔ)意義的“最佳”閾值分割的方法的體現(xiàn)</p><p><b>　　3. 自適應(yīng)閾值。</b></p&g