基于閾值分割的車(chē)牌定位識(shí)別

1、<p>　　科類(lèi) 理工類(lèi) 編號(hào)（學(xué)號(hào)） 2012311389 </p><p>　　本科生畢業(yè)論文（設(shè)計(jì)）</p><p>　　基于閾值分割的車(chē)牌定位識(shí)別</p><p>　　License plate recognition based on templat

2、e matching and matlab implementation</p><p><b>　　陳靖文</b></p><p>　　指導(dǎo)教師： 朱玲 職稱(chēng) 講師 </p><p>　　云南農(nóng)業(yè)大學(xué) 昆明 黑龍?zhí)?650201</p><p>　　學(xué) 院：

3、基礎(chǔ)與信息工程學(xué)院 </p><p>　　專(zhuān) 業(yè)： 電子信息工程 年級(jí)： 2012級(jí) </p><p>　　論文（設(shè)計(jì)）提交日期： 2016年5月 答辯日期： 2016年5月 </p><p>　　答辯委員會(huì)主任：

4、 </p><p><b>　　云南農(nóng)業(yè)大學(xué)</b></p><p>　　2016年 05 月</p><p><b>　　目 錄</b></p><p><b>　　摘 要1</b></p><p>　　ABSTRACT2&

5、lt;/p><p><b>　　1 前 言3</b></p><p>　　2 車(chē)牌識(shí)別系統(tǒng)分析4</p><p>　　2.1 車(chē)牌識(shí)別的目的4</p><p>　　2.2 車(chē)牌識(shí)別現(xiàn)狀分析4</p><p>　　2.3 車(chē)牌識(shí)別的意義4</p><p>　　2.4

6、我國(guó)車(chē)牌分析6</p><p>　　3 車(chē)牌識(shí)別系統(tǒng)的原理及方法6</p><p>　　3.1車(chē)牌識(shí)別系統(tǒng)簡(jiǎn)述6</p><p>　　3.2 車(chē)牌圖像處理7</p><p>　　3.2.1 圖像灰度化7</p><p>　　3.2.2 圖像二值化7</p><p>　　3.2.3 邊

7、緣檢測(cè)8</p><p>　　3.2.4 圖像形態(tài)學(xué)運(yùn)算9</p><p>　　3.2.5 圖像濾波處理10</p><p>　　3.2.6 車(chē)牌圖像的閉運(yùn)算11</p><p>　　3.3 車(chē)牌定位原理11</p><p>　　3.4 車(chē)牌字符處理11</p><p>　　3.4.

8、1 閾值分割原理11</p><p>　　3.4.2 對(duì)車(chē)牌閾值化分割13</p><p>　　3.4.3 字符歸一化處理13</p><p>　　3.5 字符識(shí)別13</p><p>　　3.5.1 字符識(shí)別簡(jiǎn)述13</p><p>　　3.5.2 字符識(shí)別的方法13</p><p&g

9、t;　　3.5.3 基于模板匹配的字符識(shí)別14</p><p><b>　　4 實(shí)驗(yàn)分析15</b></p><p>　　4.1 GUI界面設(shè)計(jì)16</p><p>　　4.2 車(chē)牌區(qū)域的定位16</p><p>　　4.3 車(chē)牌字符識(shí)別18</p><p>　　4.4 車(chē)牌識(shí)別結(jié)果及分

10、析20</p><p><b>　　5 結(jié) 論22</b></p><p><b>　　參考文獻(xiàn)23</b></p><p>　　基于閾值分割的車(chē)牌定位識(shí)別</p><p><b>　　陳靖文</b></p><p>　?。ㄔ颇限r(nóng)業(yè)大學(xué)基礎(chǔ)與信息

11、工程學(xué)院，昆明 650201）</p><p><b>　　摘 要</b></p><p>　　汽車(chē)牌照自動(dòng)識(shí)別模塊是現(xiàn)代社會(huì)智能交通系統(tǒng)（ITS）的重要組成部分，是圖像處理和模式識(shí)別技術(shù)研究的熱點(diǎn)，具有非常廣泛的應(yīng)用。車(chē)牌識(shí)別主要包括車(chē)牌區(qū)域定位、車(chē)牌字符分割、車(chē)牌字符識(shí)別三個(gè)步驟。</p><p>　　本文通過(guò)對(duì)采集的車(chē)牌圖像進(jìn)行灰度

12、變換、邊緣檢測(cè)、腐蝕及平滑等過(guò)程來(lái)進(jìn)行車(chē)牌的預(yù)處理，并運(yùn)用基于車(chē)牌顏色紋理特征的車(chē)牌定位方法，最終實(shí)現(xiàn)車(chē)牌區(qū)域定位。然后采用模板匹配的方法對(duì)輸出的字符圖像和模板庫(kù)里的模板進(jìn)行匹配得到對(duì)應(yīng)的字符信息。本文基于MATLAB的GUI工具進(jìn)行設(shè)計(jì)仿真實(shí)驗(yàn)，實(shí)驗(yàn)表明，整體方案有效可行，基于閾值分割的車(chē)牌識(shí)別技術(shù)在其識(shí)別正確率、速度方面具有獨(dú)特的優(yōu)勢(shì)及廣闊的應(yīng)用前景。</p><p>　　關(guān)鍵詞：字符識(shí)別；車(chē)牌定位；閾值分割

13、；模板匹配；邊緣檢測(cè)</p><p>　　License plate recognition based on threshold segmentation</p><p>　　Chen Jing Wen</p><p>　　(Yunnan Agricultural University information engineering, Kunming, 65020

14、1)</p><p><b>　　ABSTRACT</b></p><p>　　Vehicle license plate automatic recognition module is a modern society an important part of intelligent transportation system (ITS), is a hotspot

15、 of research on image processing and pattern recognition technology, has very extensive application. License plate recognition mainly include the license plate localization and license plate character segmentation, licen

16、se plate character recognition three steps.</p><p>　　This article through to the acquisition of the license plate image gray-scale transformation, edge detection, corrosion and smooth process for the pretrea

17、tment of license plate, and the use of license plate location method based on license plate color texture feature, finally realizes the license plate localization. Then adopt the method of template matching the output ch

18、aracter image and the template library template matching to get the corresponding character information. Based on MATLAB GUI t</p><p>　　Key words: character recognition; pattern recognition; license plate lo

19、cation; template matching; edge detection</p><p>　　基于閾值分割的車(chē)牌定位識(shí)別</p><p><b>　　1 前 言</b></p><p>　　隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展汽車(chē)數(shù)量急劇增加，對(duì)交通管理的要求也日益提高，而相應(yīng)的人工管理方式已經(jīng)不能滿足實(shí)際的需要，微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)

20、域的應(yīng)用極大地提高了交通管理的效率。運(yùn)用電子信息技術(shù)實(shí)現(xiàn)安全、高效的智能交通成為交通管理的主要發(fā)展方向。汽車(chē)牌照號(hào)碼是車(chē)輛的唯一“身份”標(biāo)識(shí)，通過(guò)智能的車(chē)牌定位及識(shí)別技術(shù)將對(duì)于維護(hù)交通安全和城市治安，防止交通堵塞，實(shí)現(xiàn)交通自動(dòng)化管理有著現(xiàn)實(shí)的意義。</p><p>　　車(chē)牌識(shí)別技術(shù)(Vehicle License Plate Recognition，VLPR) 是能檢測(cè)到受監(jiān)控的車(chē)輛并自動(dòng)提取車(chē)輛牌照信息進(jìn)行處理

21、的技術(shù)。識(shí)別車(chē)牌是現(xiàn)代智能交通系統(tǒng)中的重要組成部分，應(yīng)用十分的廣泛。它是以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)為基礎(chǔ)，對(duì)攝像機(jī)所拍攝的車(chē)輛圖像或者視頻序列進(jìn)行分析后得到每一輛汽車(chē)的車(chē)牌號(hào)碼，完成識(shí)別過(guò)程。</p><p>　　車(chē)牌定位與字符識(shí)別技術(shù)是基于計(jì)算機(jī)圖像處理、模式識(shí)別等技術(shù)為基礎(chǔ)，通過(guò)對(duì)原圖像的處理，以及邊緣檢測(cè)技術(shù)實(shí)現(xiàn)對(duì)車(chē)牌的定位，然后對(duì)車(chē)牌圖像處理、歸一化處理、分割以及保存，最后進(jìn)行分割圖像與模

22、板庫(kù)的模板進(jìn)行匹配，最后輸出匹配結(jié)果。車(chē)牌的智能定位以及識(shí)別是一個(gè)完整的系統(tǒng)，考慮到其應(yīng)用的普遍性以及廣泛性，就要求我們?cè)谠O(shè)計(jì)過(guò)程中考慮到以下幾方面：</p><p>　　(1)準(zhǔn)確性:盡可能的避開(kāi)其他外界造成的干擾，準(zhǔn)確的識(shí)別車(chē)牌信息。</p><p>　　(2)實(shí)時(shí)性:因?yàn)檐?chē)輛在行駛過(guò)程中速度不一，對(duì)觸發(fā)超速攝像的抓拍應(yīng)當(dāng)及時(shí)的進(jìn)行識(shí)別并且儲(chǔ)存，才可以有效的提高工作效率。</p&

23、gt;<p>　　(3)優(yōu)化性：采用竟可能低的硬件要求，對(duì)其快速的做出的計(jì)算與識(shí)別。</p><p>　　常用的邊緣檢測(cè)算子有很多，根據(jù)實(shí)驗(yàn)分析canny算子對(duì)弱邊緣的檢測(cè)相對(duì)精確，能更多地保留車(chē)牌區(qū)域的特征信息，所以本文采用canny算子來(lái)進(jìn)行邊緣檢測(cè)，然后通過(guò)二值化，閾值分割等處理，最后與模板庫(kù)模板進(jìn)行對(duì)比，達(dá)到車(chē)牌識(shí)別的目的。</p><p>　　2 車(chē)牌識(shí)別系統(tǒng)分析&

24、lt;/p><p>　　2.1 車(chē)牌識(shí)別的目的</p><p>　　車(chē)牌識(shí)別技術(shù)通過(guò)對(duì)信息量較大的對(duì)象采集，然后經(jīng)過(guò)一系列的處理提取了相對(duì)較小的信息量且有價(jià)值的一部分信息，僅僅提取識(shí)別車(chē)“身份”的車(chē)牌信息。對(duì)于維護(hù)交通安全和城市治安，防止交通堵塞，實(shí)現(xiàn)交通自動(dòng)化管理有著現(xiàn)實(shí)的意義。</p><p>　　2.2 車(chē)牌識(shí)別現(xiàn)狀分析</p><p>　

25、　模式識(shí)別[]是一門(mén)以應(yīng)用為基礎(chǔ)的學(xué)科，目的是將對(duì)象進(jìn)行分類(lèi)，這些對(duì)象與應(yīng)用領(lǐng)域有關(guān)，他們可以是圖像，信號(hào)波形或者是任何可測(cè)量且需要分類(lèi)的對(duì)像，在機(jī)器視覺(jué)中，模式識(shí)別是非常重要的，機(jī)器視覺(jué)系統(tǒng)通過(guò)照相機(jī)捕捉圖像，然后通過(guò)分析生成圖像的描述信息。車(chē)牌識(shí)別技術(shù)是計(jì)算機(jī)模式識(shí)別技術(shù)在智能交通領(lǐng)域的典型應(yīng)用，是一個(gè)以特寫(xiě)目標(biāo)為對(duì)象的專(zhuān)用計(jì)算機(jī)視覺(jué)系統(tǒng)[]。簡(jiǎn)單地說(shuō)，它使計(jì)算機(jī)能像人一樣認(rèn)識(shí)汽車(chē)牌照(包括車(chē)牌的漢字、字母、數(shù)字)。</p&g

26、t;<p>　　車(chē)輛牌照識(shí)別技術(shù)推出以來(lái)，人們就對(duì)其進(jìn)行了廣泛的研究。從20世紀(jì)90年代初，國(guó)外就已經(jīng)開(kāi)始了對(duì)汽車(chē)牌照自動(dòng)識(shí)別[]的研究，其主要途徑就是對(duì)車(chē)牌的圖像進(jìn)行分析，自動(dòng)提取車(chē)牌信息，確定汽車(chē)牌號(hào)。國(guó)外己有許多相關(guān)的文章發(fā)表，有的甚至己經(jīng)非常成熟并投入實(shí)際使用。</p><p>　　我國(guó)車(chē)牌自動(dòng)識(shí)別的研究起步較晚一些，大約在八十年代末。1988年戴營(yíng)等利用常見(jiàn)的圖像處理技術(shù)方法提出漢字識(shí)別的

27、分類(lèi)是在提取漢字特征的基礎(chǔ)上進(jìn)行的。根據(jù)漢字的投影直方圖，然后選取浮動(dòng)閾值，對(duì)其進(jìn)行量化處理后，得到一個(gè)變長(zhǎng)鏈碼，再用動(dòng)態(tài)規(guī)劃法，求出與標(biāo)準(zhǔn)模式鏈碼的最小距離，最后進(jìn)行細(xì)分類(lèi)，完成漢字省名的自動(dòng)識(shí)別。 </p><p>　　目前我國(guó)市場(chǎng)上有二十幾家企業(yè)從事車(chē)牌識(shí)別產(chǎn)品的開(kāi)發(fā)和生產(chǎn)，其中比較成熟的有香港的ASiavisionTeChnologyLtd公司（亞洲視覺(jué)科技有限公司）、北京漢王、沈陽(yáng)聚德、川大智勝、上

28、海高德威、清華紫光、杭州友通、深圳科安信、利普視覺(jué)中智交通電子系統(tǒng)有限公司等企業(yè)。</p><p>　　2.3 車(chē)牌識(shí)別的意義</p><p>　　結(jié)合我國(guó)的國(guó)情，由于我國(guó)地域廣闊，車(chē)輛道路復(fù)雜，安裝相應(yīng)的檢測(cè)設(shè)備或者人員配備投資巨大，且造成人力物力的浪費(fèi)，因此我們急需對(duì)現(xiàn)有的檢測(cè)設(shè)備優(yōu)化，而車(chē)牌識(shí)別技術(shù)恰好能滿足這一需求，通過(guò)車(chē)牌識(shí)別我們可以解決被納入“黑名單”的通緝車(chē)輛，可以統(tǒng)計(jì)一定時(shí)

29、間范圍內(nèi)進(jìn)出各省的車(chē)輛，還能有效的對(duì)該車(chē)輛進(jìn)行定位，對(duì)公安機(jī)關(guān)等相關(guān)部門(mén)有著很重要的作用，具體歸結(jié)應(yīng)用方式如下：</p><p><b>　　（1）監(jiān)測(cè)報(bào)警 </b></p><p>　　對(duì)于納入“黑名單”的車(chē)輛，例如：被通緝或掛失的車(chē)輛、欠交費(fèi)車(chē)輛、未年檢車(chē)輛、肇事逃逸及違章車(chē)輛等，我們只需要把其牌照的信息輸入系統(tǒng)，那么該車(chē)輛在通過(guò)裝有全國(guó)聯(lián)網(wǎng)系統(tǒng)的路口或者收費(fèi)站等

30、卡口時(shí)，信息采集設(shè)備將會(huì)對(duì)其進(jìn)行采集并且與數(shù)據(jù)庫(kù)對(duì)比，實(shí)現(xiàn)其定位。這種方式可以通過(guò)程序?qū)崿F(xiàn)24小時(shí)工作，而且此過(guò)程保密性好，不會(huì)提醒黑名單車(chē)輛的死機(jī)。</p><p>　?。?）車(chē)輛出入自動(dòng)登記及放行</p><p>　　在需要管制的小區(qū)或者辦公場(chǎng)所門(mén)口裝設(shè)車(chē)牌識(shí)別系統(tǒng)，那么汽車(chē)進(jìn)出此場(chǎng)所時(shí)間，車(chē)牌牌照等信息將會(huì)被存儲(chǔ)在相應(yīng)的數(shù)據(jù)庫(kù)中，通過(guò)修改相應(yīng)的數(shù)據(jù)庫(kù)，添加車(chē)牌信息，我們還能讓自動(dòng)門(mén)禁

31、對(duì)相應(yīng)的車(chē)輛進(jìn)行自動(dòng)放行，如遇到非數(shù)據(jù)庫(kù)中的車(chē)輛則由保安進(jìn)行相應(yīng)的咨詢(xún)，或批準(zhǔn)后人為放行。這不僅提高物業(yè)管理的效益，同時(shí)自動(dòng)比對(duì)進(jìn)出車(chē)輛，防止偷盜事件的發(fā)生。</p><p>　　（3）違法違章管理 </p><p>　　車(chē)牌識(shí)別技術(shù)結(jié)合測(cè)速設(shè)備可以用于車(chē)輛超速違章處罰，一般用于高速公路、容易肇事路段。還可以在紅綠燈路口加上紅外檢測(cè)實(shí)現(xiàn)違規(guī)檢測(cè)，對(duì)出現(xiàn)闖紅燈的現(xiàn)象或者違規(guī)轉(zhuǎn)彎的現(xiàn)象進(jìn)行相應(yīng)

32、的數(shù)據(jù)采集。將其傳送至相關(guān)部門(mén)，從而對(duì)其下發(fā)處罰通知書(shū)，實(shí)現(xiàn)對(duì)其處罰。</p><p>　　（4）交通流控制指標(biāo)參量的測(cè)量</p><p>　　為了達(dá)到交通流控制的目的，對(duì)部分交通流指標(biāo)的測(cè)量顯得相當(dāng)重要。車(chē)牌識(shí)別系統(tǒng)能夠測(cè)量和統(tǒng)計(jì)很多交通流指標(biāo)參數(shù)例如車(chē)流量，車(chē)流高峰時(shí)間段，平均車(chē)速，車(chē)輛密度等。這也為交通誘導(dǎo)系統(tǒng)提供必要的交通流信息。從而能夠有效的采取措施預(yù)防堵車(chē)，排隊(duì)，事故等交通異常

33、現(xiàn)象。</p><p>　　（5）移動(dòng)電子警察系統(tǒng)</p><p>　　隨著我國(guó)公路基礎(chǔ)建設(shè)的快速發(fā)展，公路的質(zhì)量、里程都有了很大程度上的提高，但也出現(xiàn)了不交養(yǎng)路費(fèi)等情況，給國(guó)家造成了巨大的經(jīng)濟(jì)損失。且丟失車(chē)輛稽查、車(chē)輛是否合法、攔車(chē)路檢等情況都需要公安人員對(duì)其進(jìn)行相應(yīng)的檢查，由于人工判斷工作效率很低且容易讓正常車(chē)主及乘客造成誤解，現(xiàn)在有了車(chē)牌自動(dòng)識(shí)別技術(shù)之后將大大提高辦公效率以及檢查的準(zhǔn)

34、確性，很大程度上解決了以上的問(wèn)題。</p><p>　　2.4 我國(guó)車(chē)牌分析</p><p>　　汽車(chē)牌照具有統(tǒng)一格式、統(tǒng)一式樣，由車(chē)輛管理機(jī)關(guān)經(jīng)過(guò)申領(lǐng)牌照的汽車(chē)進(jìn)行審核、檢驗(yàn)、登記后，核發(fā)的帶有注冊(cè)登記編碼的硬質(zhì)號(hào)碼牌。我國(guó)車(chē)牌號(hào)的第一個(gè)是漢字：代表該車(chē)戶(hù)口所在省的簡(jiǎn)稱(chēng)：如云南就是云，北京就是京，重慶就是渝，上海就是滬……，第二個(gè)是英文：代表該車(chē)所在地的地市一級(jí)代碼，規(guī)律一般是這樣的，A

35、是省會(huì)，B是該省第二大城市，C是該省第三大城市，依此類(lèi)推。</p><p>　　目前國(guó)內(nèi)汽車(chē)牌照有六種類(lèi)型：①大型民用汽車(chē)所用的黃底黑字牌照；②小型民用汽車(chē)所用的藍(lán)底白字牌照；③軍隊(duì)或武警專(zhuān)用汽車(chē)的白底紅字、黑字牌照；④使、領(lǐng)館外籍汽車(chē)的黑底白字牌照；⑤試車(chē)和臨時(shí)牌照是白底紅字，且數(shù)字前分別標(biāo)有“試”和“臨時(shí)”字標(biāo)志；⑥汽車(chē)補(bǔ)用牌照是白底黑字。</p><p>　　從人的視覺(jué)特點(diǎn)出發(fā)，車(chē)牌

36、的目標(biāo)區(qū)域具有以下幾個(gè)特點(diǎn)：①車(chē)牌底色與車(chē)身顏色、字符顏色有較大差異；②車(chē)牌有一個(gè)連續(xù)或因?yàn)閾p壞而不連續(xù)的邊框，車(chē)牌內(nèi)有多個(gè)字符，基本呈水平排列，因此在牌照的矩形區(qū)域內(nèi)存在較豐富的邊緣，并且呈現(xiàn)出規(guī)則的紋理特征；③車(chē)牌內(nèi)字符之間的間隔是比較均勻的，字符本身與牌照底的內(nèi)部有較均勻灰度，但字符和牌照底色在灰度值上存在跳變；④不同圖像中牌照的具體大小、位置不確定，但基本在一定范圍。根據(jù)這些特點(diǎn)，可以在灰度圖像的基礎(chǔ)上提取相應(yīng)的特征。</

37、p><p>　　3 車(chē)牌識(shí)別系統(tǒng)的原理及方法</p><p>　　3.1車(chē)牌識(shí)別系統(tǒng)簡(jiǎn)述</p><p>　　車(chē)牌定位與字符識(shí)別技術(shù)以計(jì)算機(jī)圖像處理、模式識(shí)別等技術(shù)為基礎(chǔ)，通過(guò)對(duì)原圖像進(jìn)行預(yù)處理以及邊緣檢測(cè)等過(guò)程來(lái)實(shí)現(xiàn)對(duì)車(chē)牌區(qū)域的定位，然后對(duì)車(chē)牌區(qū)域進(jìn)行圖像裁剪、歸一化、字符分割及保存，最后將分割得到的圖像與模板庫(kù)的模板進(jìn)行匹配識(shí)別，輸出匹配結(jié)果。該流程如圖3.1所示。

38、</p><p>　　圖3.1 車(chē)輛牌照識(shí)別系統(tǒng)</p><p>　　Figure 3.1 Vehicle plate recognition system</p><p>　　車(chē)牌識(shí)別首先要正確的分割車(chē)牌區(qū)域，為此已經(jīng)提出了很多方法:使用Hough變換檢測(cè)直線來(lái)定位車(chē)牌邊界進(jìn)而獲取車(chē)牌區(qū)域；使用灰度閾分割、區(qū)域生長(zhǎng)等方法進(jìn)行區(qū)域分割；使用紋理特征分析技術(shù)檢測(cè)車(chē)牌區(qū)

39、域等。Hough變換對(duì)圖像噪聲比較敏感，因此在檢測(cè)車(chē)牌邊界直線時(shí)容易受到車(chē)牌變形或噪聲等因素的影響，具有較大的誤檢測(cè)幾率。灰度閾值分割、區(qū)域增長(zhǎng)等方法則比Hough直線檢測(cè)方法穩(wěn)定，但當(dāng)圖像中包含某些與車(chē)牌紋理特征相近的區(qū)域或其他干擾時(shí)，車(chē)牌定位的正確性也會(huì)受到影響。因此，僅采用單一的方法難以達(dá)到實(shí)際應(yīng)用的要求。</p><p>　　如果進(jìn)行車(chē)牌字符的定位及裁剪，則需要首先對(duì)輸入的車(chē)牌圖像進(jìn)行預(yù)處理以得到精確的車(chē)

40、牌字符圖像；然后將處理后的車(chē)牌看作由連續(xù)的字符塊組成，設(shè)定一個(gè)灰度閾值，如果超過(guò)該閾值，則認(rèn)為有多個(gè)字符相連，需要對(duì)其進(jìn)行切割，進(jìn)而實(shí)現(xiàn)對(duì)車(chē)牌字符的分割；最后把分割的字符圖片進(jìn)行標(biāo)準(zhǔn)化并于模板庫(kù)進(jìn)行對(duì)比，選出最相似的字符結(jié)果并輸出，即為車(chē)牌信息。</p><p>　　3.2 車(chē)牌圖像處理</p><p>　　3.2.1 圖像灰度化</p><p>　　車(chē)牌圖像的采集

41、一般是通過(guò)數(shù)碼相機(jī)或者攝像機(jī)來(lái)進(jìn)行，得到的圖片一般是RGB[]圖像即為真彩圖像，根據(jù)三基色原理，每一種顏色都是可以由紅、綠、藍(lán)三種基色按不同的比例構(gòu)成，所以車(chē)牌圖像的每個(gè)像素都是由3個(gè)數(shù)值來(lái)指定紅、綠、藍(lán)的顏色分量?；叶葓D像實(shí)際上是一個(gè)數(shù)據(jù)矩陣I，該矩陣每個(gè)元素的數(shù)值代表一定范圍內(nèi)的亮度值，矩陣I可以是整型、雙精度，通常0代表黑色、255代表白色。在MATLAB中，一幅RGB圖像可以用uint8、uint16或者雙精度類(lèi)型的m*n*3數(shù)

42、組來(lái)描述，其中m和n分別表示圖像的寬度和高度，此處的RGB圖像不同于索引圖，所以不使用調(diào)色板。</p><p>　　在RGB模型中，如果R=G=B，則顏色表示一種灰度顏色，其中R=G=B的值叫做灰度值，由彩色轉(zhuǎn)換為灰度的過(guò)程叫做灰度化處理。因此，灰度圖像是只有強(qiáng)度信息而沒(méi)有顏色信息的圖像。一般而言，可采用加權(quán)平均值法對(duì)原始RGB圖像進(jìn)行灰度化處理，該方法的主要思想是從原圖像中取R、G、B各層像素值加權(quán)求和得到灰度

43、圖的亮度值。在現(xiàn)實(shí)生活中人眼對(duì)綠色敏感度最高，對(duì)紅色敏感度次之，對(duì)藍(lán)色敏感度最低，因此為了選擇合適的權(quán)值對(duì)象使之能夠輸出合理的灰度圖像，權(quán)值系數(shù)應(yīng)該滿足G>R>B。實(shí)驗(yàn)和理論證明，當(dāng)R、G、B的權(quán)值系數(shù)分別選擇0.299，0.587，0.114時(shí)，能夠得到最合適人眼觀察的灰度圖像。</p><p>　　3.2.2 圖像二值化</p><p>　　灰度圖像二值化[]在圖像處理的過(guò)

44、程中有著很重要的作用，圖像二值化不僅能使數(shù)據(jù)量大幅減小，還能突出需要的目標(biāo)輪廓，便于進(jìn)行后續(xù)的圖像處理與分析。對(duì)車(chē)牌灰度圖像而言，所謂的二值化處理就是將車(chē)牌圖像上的像素點(diǎn)的灰度值設(shè)置為0或255，從而讓整張圖片呈現(xiàn)黑白的效果，因此，對(duì)灰度圖像進(jìn)行適當(dāng)?shù)拈撝颠x取，可以在圖像二值化圖的過(guò)程中保留某些關(guān)鍵的圖像特征。在車(chē)牌圖像二值化的過(guò)程中灰度大于或等于閥值的像素被判定為目標(biāo)區(qū)域，其灰度值用255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度

45、值為0，表示背景或者例外的物體區(qū)域。</p><p>　　圖像二值化是指整幅圖像畫(huà)面內(nèi)僅黑、白二值的數(shù)值矩陣，每一個(gè)像素取兩個(gè)離散數(shù)值（0或1），其中0代表黑色，1代表白色。在實(shí)際的圖像處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閥值，使得字符與背景能夠分割開(kāi)來(lái)。不同的閾值設(shè)定方法對(duì)一幅圖像進(jìn)行處理會(huì)產(chǎn)生不同的二值化處理結(jié)果。二值化閾值設(shè)置過(guò)小易產(chǎn)生噪聲；閾值設(shè)置過(guò)大會(huì)降低分辨率，使非噪聲信號(hào)被視為噪聲而濾掉

46、二值變換的結(jié)果。</p><p>　　3.2.3 邊緣檢測(cè)[]</p><p>　　邊緣是指圖像局部亮度變化最顯著的部分，邊緣主要存在于目標(biāo)與目標(biāo)，目標(biāo)與背景，區(qū)域與區(qū)域（包括不同的色彩之間），是圖像分割，紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。在車(chē)牌識(shí)別系統(tǒng)中提取車(chē)牌位置有著很重要的低位。其中邊緣檢測(cè)的算子有很多，如Roberts、Sobel、Prewitt、Laplacian、

47、log以及canny等算子方式。據(jù)試驗(yàn)分析在車(chē)牌的邊緣檢測(cè)中canny算子相對(duì)精確，所以本文采用了canny算子進(jìn)行邊緣檢測(cè)。</p><p>　　坎尼（canny）算子在邊緣檢測(cè)中提出了三個(gè)準(zhǔn)則分別是：</p><p><b>　　信噪比</b></p><p>　　信噪比越大，提取的邊緣質(zhì)量越高。信噪比SNR定義為：</p>

48、<p>　　其中 代表邊緣函數(shù)， 代表寬度為W的濾波器的脈沖響應(yīng)， 代表高斯噪聲的均方差。</p><p><b>　　定位精度</b></p><p>　　邊緣定位精度L如下定義：</p><p>　　其中 分別是 的導(dǎo)數(shù)。L越大表明定位精度越高。</p><p><b>　　單邊緣響應(yīng)</b

49、></p><p>　　為了保證單邊緣只有一個(gè)響應(yīng)，檢測(cè)算子的脈沖響應(yīng)導(dǎo)數(shù)的零交叉點(diǎn)平均距離 應(yīng)滿足：</p><p><b>　　的二階導(dǎo)數(shù)。</b></p><p>　　以上述指標(biāo)和準(zhǔn)則為基礎(chǔ)，利用泛函求導(dǎo)的方法求導(dǎo)的方法可導(dǎo)出坎尼邊緣檢測(cè)器是信噪比與定位之乘積的最優(yōu)逼近算子，表達(dá)式近似于高斯函數(shù)的一階導(dǎo)數(shù)。將坎尼3個(gè)準(zhǔn)則相結(jié)合可以獲

50、得最優(yōu)的檢測(cè)算子。canny算子的邊緣檢測(cè)算法步驟如下：</p><p>　　預(yù)處理。采用高斯濾波器進(jìn)行圖像平滑；</p><p>　　梯度計(jì)算。采用一階偏導(dǎo)的有限差分來(lái)計(jì)算梯度，獲取其幅值和方向；</p><p>　　梯度處理。采用非極大值抑制方法對(duì)梯度幅值進(jìn)行處理；</p><p>　　邊緣提取。采用雙閾值算法檢測(cè)和連接邊緣；</p

51、><p>　　3.2.4 圖像形態(tài)學(xué)運(yùn)算</p><p>　　數(shù)學(xué)形態(tài)學(xué)圖像處理的基本運(yùn)算有4個(gè)：膨脹（或擴(kuò)張）、腐蝕（或侵蝕）、開(kāi)啟和閉合。二值形態(tài)學(xué)中的運(yùn)算對(duì)象是集合，通常給出一個(gè)圖像集合和一個(gè)結(jié)構(gòu)元素集合，利用結(jié)構(gòu)對(duì)圖像集合進(jìn)行形態(tài)學(xué)操作。</p><p>　　膨脹運(yùn)算符號(hào)為⊕，圖像集合A，用結(jié)構(gòu)元素B來(lái)膨脹，記作 ，其定義為：</p><p&

52、gt;　　其中 表示B的映像，即與B關(guān)于原點(diǎn)對(duì)稱(chēng)的集合。上式表明，用B對(duì)A進(jìn)行膨脹的運(yùn)算過(guò)程如下：首先作B關(guān)于原點(diǎn)的映射，再將其映像平移x，當(dāng)A與B映像的交集不為空時(shí)，B的原點(diǎn)就是膨脹集合的像素。</p><p>　　腐蝕運(yùn)算的符號(hào)是 ,圖像集合A用結(jié)構(gòu)元素B來(lái)腐蝕，記作 ，其定義為:</p><p>　　因此，A用B腐蝕的結(jié)果是所有滿足將B平移后B仍舊全部包含在A中的X的集合，也就是

53、結(jié)構(gòu)元素B經(jīng)過(guò)平移后全部包含在集合A中的原點(diǎn)所組成的集合。</p><p>　　膨脹操作會(huì)使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞，則經(jīng)過(guò)膨脹操作這些洞將被補(bǔ)上，不再是邊界。如果再次進(jìn)行腐蝕操作，外部邊界將變回原來(lái)的樣子，而這些內(nèi)部空洞則永遠(yuǎn)消失。腐蝕操作會(huì)去掉物體的邊緣點(diǎn)，如果物體足夠細(xì)小，則其所有的點(diǎn)都會(huì)被認(rèn)為是邊緣點(diǎn)，進(jìn)而被整體消除，僅保留大物體。如果在進(jìn)行膨脹操作時(shí)，留下來(lái)的大物體會(huì)變回原來(lái)的大小，則

54、被消除的小物體已經(jīng)消失。</p><p>　　在一般情況下，由于受到噪聲的影響，車(chē)牌圖象在閾值化后所得到邊界往往是不平滑的，目標(biāo)區(qū)域內(nèi)部具有一些噪聲孔洞，在背景區(qū)域上也會(huì)散布著一些小的噪聲干擾。連通過(guò)續(xù)的開(kāi)和閉運(yùn)算可以有效地改善這種情況。有時(shí)甚至需要經(jīng)過(guò)多次腐蝕之后再加上相同次數(shù)的膨脹，才可以產(chǎn)生比較好的效果。</p><p>　　3.2.5 圖像濾波處理</p><p

55、>　　圖像濾波也能在盡量保留圖像細(xì)節(jié)特征的條件下對(duì)噪聲進(jìn)行抑制，是圖像預(yù)處理中常用的操作之一，其處理效果的好壞將直接響到后續(xù)圖像處理和識(shí)別的有效性和穩(wěn)定性。</p><p>　　均值濾波也稱(chēng)為線性濾波，是圖像濾波最常用的方法之一，采用的主要方法為領(lǐng)域平均法。該方法對(duì)濾波像素的位置 (x,y)，選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求出模板中所包含像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)(x,y)，將其作為

56、處理后圖像在該點(diǎn)上的灰度值 ，即 M為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。</p><p>　　采集車(chē)牌圖像的過(guò)程中往往會(huì)受到多種噪聲的污染。進(jìn)而會(huì)在將要處理的車(chē)牌圖像上呈現(xiàn)一些較為明顯的孤立像素點(diǎn)或像素塊。在一般情況下，在研究目標(biāo)車(chē)牌時(shí)所出現(xiàn)的圖像質(zhì)量，影響圖像增強(qiáng)、圖像分割、特征提取、圖識(shí)別等后繼工作的進(jìn)行。因此，在程序?qū)崿F(xiàn)中為了有效的進(jìn)行圖像去噪，并且能有效地保存目標(biāo)車(chē)牌的形狀、大小及特定的幾何和拓?fù)浣Y(jié)

57、構(gòu)特征，采用均值濾波來(lái)對(duì)車(chē)牌圖像進(jìn)行去噪處理。</p><p>　　3.2.6 車(chē)牌圖像的閉運(yùn)算</p><p>　　通過(guò)上述處理后，我們得到了濾波后的圖像，為了提高其識(shí)別的準(zhǔn)確率，我們還要將對(duì)其做閉運(yùn)算，所謂的閉運(yùn)算就是對(duì)研究對(duì)象進(jìn)行膨脹后腐蝕的過(guò)程，如果遇到噪聲點(diǎn)比較多的研究對(duì)象時(shí)，往往我們會(huì)通過(guò)對(duì)其重復(fù)做閉運(yùn)算，從而減少噪聲對(duì)其造成的影響。</p><p>　

58、　對(duì)車(chē)牌圖像腐蝕會(huì)去掉物體的邊緣點(diǎn)，細(xì)小物體所有的點(diǎn)都會(huì)被認(rèn)為是邊緣點(diǎn)，因此會(huì)整個(gè)被刪去。再做膨脹時(shí)，留下來(lái)的大物體會(huì)變回原來(lái)的大小，而被刪除的小物體則永遠(yuǎn)消失了。膨脹操作會(huì)使物體的邊界向外擴(kuò)張，如果物體內(nèi)部存在小空洞的話，經(jīng)過(guò)膨脹操作這些洞將被補(bǔ)上，因而不再是邊界了。再進(jìn)行腐蝕操作時(shí)，外部邊界將變回原來(lái)的樣子，而這些內(nèi)部空洞則永遠(yuǎn)消失了。</p><p>　　通過(guò)上述的處理，我們將能對(duì)其圖像的噪聲干擾進(jìn)行很大程

59、度的排除，從而提升對(duì)其研究的準(zhǔn)確性</p><p>　　3.3 車(chē)牌定位原理</p><p>　　我們已經(jīng)對(duì)車(chē)牌在圖像中的位置作了初步的定位，移除小對(duì)象后基本就是車(chē)牌的位置了。車(chē)牌區(qū)域具有明顯的特點(diǎn)，因此根據(jù)車(chē)牌底色、字色等有關(guān)知識(shí)，可采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車(chē)牌區(qū)域，考慮到大部分小汽車(chē)的牌照為藍(lán)底白字，所以本文以藍(lán)底白字的普通車(chē)牌為例說(shuō)明彩色像素點(diǎn)統(tǒng)計(jì)的分割方法，假設(shè)經(jīng)數(shù)碼相

60、機(jī)或CCD攝像頭拍攝得到了包含車(chē)牌的RGB彩色圖像，水平方向記為Y，垂直方向記為X，則：首先確定車(chē)牌底色RGB各分量分別對(duì)應(yīng)的顏色范圍，其次在Y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Y方向的合理區(qū)域，然后在分割出Y方向區(qū)域內(nèi)統(tǒng)計(jì)X方向此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值進(jìn)行定位；最后，根據(jù)X，Y方向的范圍來(lái)確定車(chē)牌區(qū)域，實(shí)現(xiàn)定位。</p><p>　　3.4 車(chē)牌字符處理</p&

61、gt;<p>　　3.4.1 閾值分割原理</p><p>　　閾值分割算法是圖像分割中應(yīng)用場(chǎng)景最多的算法之一。簡(jiǎn)單地說(shuō)，對(duì)灰度圖像的閾值分割就是先確定一個(gè)處于圖像灰度取值范圍內(nèi)的閾值，然后將圖像中各個(gè)像素的灰度值與這個(gè)閾值比較，并根據(jù)比較的結(jié)果將對(duì)應(yīng)的像素劃分為兩類(lèi)：像素灰度大于閾值的一類(lèi)和像素灰度值小于閾值的為另一類(lèi)，灰度值等于閾值的像素可以歸入這兩類(lèi)之一。分割后的兩類(lèi)像素一般分屬圖像的兩個(gè)不同

62、區(qū)域，所以對(duì)像素根據(jù)閾值分類(lèi)達(dá)到了區(qū)域分割的目的。由此可見(jiàn)，閾值分割算法主要有兩個(gè)步驟：</p><p>　　(1)確定需要進(jìn)行分割的閾值；</p><p>　　(2)將閾值與像素點(diǎn)的灰度值比較，以分割圖像的像素。</p><p>　　以上步驟中，確定閾值是分割的關(guān)鍵，如果能確定一個(gè)合適的閾值就可以準(zhǔn)確地將圖像分割開(kāi)來(lái)。閾值確定后，將閾值與像素點(diǎn)的灰度值比較和分割可

63、對(duì)各像素并行處理，通過(guò)分割的結(jié)果將直接得到目標(biāo)圖像區(qū)域。在選擇閾值方法來(lái)分割灰度圖像時(shí)一般會(huì)對(duì)圖像的灰度直方圖分布進(jìn)行某些分析，或者建立一定的圖像灰度模型來(lái)進(jìn)行處理。最常用的圖像雙峰灰度模型的條件可描述如下：假設(shè)圖像目標(biāo)和背景直方圖具有單峰分布的特征，且處于目標(biāo)和背景內(nèi)部相鄰像素間的灰度值是高度相關(guān)的，但處于目標(biāo)和背景交界處兩邊的像素在灰度值上有很大的差別。如果一幅圖像滿足這些條件，則它的灰度直方圖基本上可看作由分別對(duì)應(yīng)于目標(biāo)和背景的兩

64、個(gè)單峰構(gòu)成。如果這兩個(gè)單峰部分的大小結(jié)晶且均值相距足夠遠(yuǎn)，兩部分的均方差也足夠小，則直方圖整體上可能呈現(xiàn)較明顯的雙峰現(xiàn)象。同理，如果圖像中有多個(gè)呈現(xiàn)單峰灰度分布的目標(biāo)，則直方圖整體上可能呈現(xiàn)較明顯的多峰現(xiàn)象。因此，對(duì)這類(lèi)圖像可用取多級(jí)閾值方法來(lái)得到較好地分割效果。</p><p>　　如果要將圖像中不同灰度的像素分為兩類(lèi)，則需要確定一個(gè)閾值。如果要姜圖像中各種灰度的像素分成多個(gè)不同的類(lèi)，那么需要選擇一系列閾值以將

65、每個(gè)像素分到合適的類(lèi)別中去。如，果只用一個(gè)閾值分割稱(chēng)為單閾值分割方法，如果用多個(gè)閾值分割稱(chēng)為多閾值分割方法。單閾值分割可看作是多閾值分割的特例，許多單閾值分割算法可推廣以進(jìn)行多閾值分割。反之，有時(shí)也可將多閾值分割問(wèn)題轉(zhuǎn)化為一系列單閾值分割問(wèn)題來(lái)解決。不管用何種方法選取閾值，一幅原始圖像f（x，y）取單閾值T分割后的圖像可定義為</p><p>　　這樣得到的 是一幅二值圖像。</p><p&g

66、t;　　在一般的多閾值分割情況下，取閾值分割的圖像可表示為：</p><p>　　其中 是一系列分割閾值，k表示賦予分割后圖像各個(gè)區(qū)域的不同標(biāo)號(hào)。</p><p>　　需要指出，無(wú)論是單閾值分割或多閾值分割，分割結(jié)果中都有可能出現(xiàn)不同區(qū)域具有相同一標(biāo)號(hào)或區(qū)域值的情況。這是因?yàn)槿￠撝捣指顣r(shí)只考慮了像素本身的值，未考慮像素的空間位置。所以根據(jù)像素值劃分到同一類(lèi)的像素有可能分屬于圖像中不相連通的

67、區(qū)域。這時(shí)往往需要借助一些對(duì)場(chǎng)景的先驗(yàn)知識(shí)來(lái)進(jìn)一步確定目標(biāo)區(qū)域。</p><p>　　3.4.2 對(duì)車(chē)牌閾值化分割</p><p>　　車(chē)牌字符圖像的分割即將車(chē)牌的整體區(qū)域分割成單字符區(qū)域，以便后續(xù)進(jìn)行識(shí)別。車(chē)牌分割的難點(diǎn)在于字符與噪聲粘連，以及字符斷裂等因素的影響。均值濾波是典型的線性濾波算法，他是指在圖像上對(duì)像素進(jìn)行模板移動(dòng)掃描，該模板包括了像素周?chē)慕紖^(qū)域，通過(guò)模板命中像素的平均值

68、來(lái)代替原來(lái)的像素值，實(shí)現(xiàn)去噪的效果。為了從車(chē)牌圖像中直接提取目標(biāo)字符，最常用的方法是設(shè)定一個(gè)閾值T，用T將圖像的像素分成兩部分：大于T的像素集合和小于T的像素集合，得到二值化圖像。因此，本案例采用均值濾波算法來(lái)對(duì)車(chē)牌字符圖像進(jìn)行濾波去噪，采用閾值分割來(lái)進(jìn)行車(chē)牌字符的分割。</p><p>　　3.4.3 字符歸一化處理</p><p>　　字符圖像歸一化是簡(jiǎn)化計(jì)算的方式之一，車(chē)牌字符分割后

69、往往會(huì)出現(xiàn)大小不一致的情況，因此可采用基于圖像放縮的歸一化處理方式將字符圖像進(jìn)行尺寸放縮得到統(tǒng)一大小的字符圖像，便于后續(xù)的字符識(shí)別。</p><p><b>　　3.5 字符識(shí)別</b></p><p>　　3.5.1 字符識(shí)別簡(jiǎn)述</p><p>　　本文選擇的是基于模板匹配的方式，基于模板匹配的OCR的基本過(guò)程是：首先我們要建立自動(dòng)識(shí)別的代

70、碼，然后把歸一化的圖像與模板中的字符對(duì)比，由于我國(guó)的普通小汽車(chē)車(chē)牌第一位字符是漢字，分別代表各個(gè)省的簡(jiǎn)稱(chēng)，然后第二位是A~Z的字母，接下來(lái)的后五位則是數(shù)字和字母的混合搭配。所以我們?cè)趯?duì)比的時(shí)候?yàn)榱颂岣咝屎蜏?zhǔn)確性，我們分別對(duì)第一位和第二位還有后五位分別識(shí)別。最后識(shí)別完成后輸出識(shí)別的車(chē)牌的結(jié)果。</p><p>　　3.5.2 字符識(shí)別的方法</p><p>　　車(chē)牌字符識(shí)別方法基于模式識(shí)別

71、理論，常用的有以下幾類(lèi)：</p><p><b>　　結(jié)構(gòu)識(shí)別 </b></p><p>　　該方法主要由識(shí)別及分析兩部分組成:識(shí)別部分的主要包括預(yù)處理、基元抽取（包括基元和子圖像之間的關(guān)系）和特征分析；分析部分包括基元選擇及結(jié)構(gòu)推理。</p><p><b>　　統(tǒng)計(jì)識(shí)別</b></p><p>

72、　　該方法的目的在于確定已知樣本所屬的類(lèi)別。以數(shù)學(xué)上的決策論為理論基礎(chǔ)，并由此建立統(tǒng)計(jì)學(xué)識(shí)別模型。其基本方式是在對(duì)所研究的圖像進(jìn)行大量的統(tǒng)計(jì)分析工作，尋找規(guī)律性認(rèn)識(shí)，抽取反映圖像本質(zhì)的特征并進(jìn)行識(shí)別。</p><p><b>　　BP神經(jīng)網(wǎng)絡(luò)</b></p><p>　　該方法以BP神經(jīng)網(wǎng)絡(luò)模型為基礎(chǔ)，屬于誤差后向傳播的神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類(lèi)，通過(guò)輸入

73、層、隱層還有輸入層三層網(wǎng)絡(luò)的層間全互聯(lián)方式，具有較高的運(yùn)行效率和識(shí)別準(zhǔn)確率。</p><p><b>　　模板匹配</b></p><p>　　該方法是數(shù)字圖像處理中的最常用的識(shí)別方法之一，通過(guò)建立已知的模式庫(kù)，再將其應(yīng)用到輸入模式中尋找與之最佳匹配模式的處理步驟，得到對(duì)應(yīng)的識(shí)別結(jié)果，具有較高的運(yùn)行效率和識(shí)別準(zhǔn)確率。 </p><p>　　3.

74、5.3 基于模板匹配的字符識(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，該方法首先根據(jù)已知條件建立模板庫(kù)T(i，j)，然后從待識(shí)別的圖像或圖像區(qū)域f(i,j)中提取若干特征量與T(i，j)相應(yīng)的特征量進(jìn)行對(duì)比，分別計(jì)算他們之間歸一化的互相關(guān)量。其中，互聯(lián)關(guān)量最大的一個(gè)表示二者的相似程度最高，可將圖像屬于該類(lèi)別。此外，也可以計(jì)算圖像與模板特征量之間的距離，采用最小距離法判定所屬類(lèi)別。但

75、是，在實(shí)際情況下用于匹配的圖像往往存在差異，可能會(huì)產(chǎn)生較大的噪聲干擾。此外，圖像經(jīng)過(guò)預(yù)處理和歸一化處理等步驟，其灰度或像素點(diǎn)的位置也可能會(huì)發(fā)生改變，進(jìn)而影響識(shí)別效果。因此，在實(shí)際設(shè)計(jì)模板時(shí)需要保持各區(qū)域形狀的固有特點(diǎn)，突出不同區(qū)域之間的差別，并充分考慮處理過(guò)程可能會(huì)引起的噪聲和位移等因素，按照基于圖像不變特性所對(duì)應(yīng)的特征向量來(lái)構(gòu)建模板，提高識(shí)別系統(tǒng)的穩(wěn)定性。 </p><p>　　本文采用特征向量距離計(jì)算的方法來(lái)

76、求得字符與模板中字符的最佳匹配，然后找到對(duì)應(yīng)的結(jié)果進(jìn)行輸出。首先建立字符模板，其次，依次將取待識(shí)別的字符與模板進(jìn)行匹配，計(jì)算其與模板字符的特征距離，得到的值越小就越匹配。然后，將每幅字符圖像的匹配結(jié)果進(jìn)行保存，最后7個(gè)字符匹配識(shí)別結(jié)果即可作為車(chē)牌字符進(jìn)行輸出。</p><p><b>　　4 實(shí)驗(yàn)分析</b></p><p>　　汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)以車(chē)輛的動(dòng)態(tài)視頻或

77、靜態(tài)圖像作為輸入，通過(guò)進(jìn)行牌照顏色、牌照號(hào)碼等關(guān)鍵內(nèi)容的自動(dòng)識(shí)別來(lái)提取車(chē)輛的詳細(xì)信息。系統(tǒng)硬件配置一般包括線圈觸發(fā)設(shè)備、攝像設(shè)備、燈光設(shè)備、車(chē)牌號(hào)碼識(shí)別器等；其軟件核心配置包括車(chē)牌定位算法、車(chē)牌字符分割算法和車(chē)牌字符識(shí)別算法等。某些車(chē)牌識(shí)別系統(tǒng)還具有通過(guò)視頻圖像判斷車(chē)輛駛?cè)氡O(jiān)控區(qū)域的功能，一半稱(chēng)為視頻車(chē)輛檢測(cè)，廣泛應(yīng)用于道路車(chē)流量統(tǒng)計(jì)等方面。在現(xiàn)實(shí)生活中，一個(gè)完整的車(chē)輛識(shí)別系統(tǒng)應(yīng)包括車(chē)輛檢測(cè)、圖像采集、車(chē)牌定位、車(chē)牌識(shí)別等。例如，當(dāng)車(chē)輛

78、檢測(cè)模塊檢測(cè)到車(chē)輛時(shí)，會(huì)觸發(fā)圖像采集模塊，當(dāng)采集當(dāng)前的車(chē)輛圖像，車(chē)牌定位識(shí)別模塊對(duì)圖像進(jìn)行處理，定位車(chē)牌位置，再將車(chē)牌中的字符分割出來(lái)進(jìn)行識(shí)別，最后組成車(chē)牌號(hào)碼輸出。</p><p>　　車(chē)牌信息是一輛汽車(chē)獨(dú)一無(wú)二的標(biāo)識(shí)，所以車(chē)輛牌照識(shí)別技術(shù)可以作為辨別一輛車(chē)最為有效的方法。車(chē)牌識(shí)別系統(tǒng)包括汽車(chē)圖像的輸入、車(chē)牌圖像的預(yù)處理、車(chē)牌區(qū)域的定位和字符檢測(cè)、車(chē)牌字符的分割和識(shí)別等部分，如圖4-1所示</p>

79、<p>　　圖4.1車(chē)牌識(shí)別系統(tǒng)流程圖</p><p>　　Figure 4.1License plate recognition system flow chart</p><p>　　4.1 GUI界面設(shè)計(jì)</p><p>　　為集成車(chē)牌識(shí)別的過(guò)程，通過(guò)設(shè)計(jì)工具欄的快捷方式、組織按鈕控件、顯示控件等對(duì)象得到GUI框架，如圖4.1(a)</p&g

80、t;<p>　　圖4.1(a)GUI框架設(shè)計(jì)</p><p>　　Figure 4.1(a) the GUI framework design </p><p>　　4.2 車(chē)牌區(qū)域的定位</p><p>　　我們首先將通過(guò)MATLAB將原始圖片讀入并且輸出如圖4.2（a）所示,然后根據(jù)車(chē)牌顏色紋理特征參數(shù)來(lái)標(biāo)定車(chē)牌區(qū)域。經(jīng)過(guò)上述過(guò)程，我們只要確定車(chē)牌

81、底色RGB對(duì)應(yīng)的各自灰度范圍，然后在行方向統(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，然后在分割出行方向區(qū)域內(nèi)，同理統(tǒng)計(jì)Y方向的像素點(diǎn)數(shù)量，然后在從Y方向合理區(qū)域的圖中分割出行方向的合理區(qū)域，最終確定車(chē)牌的區(qū)域，實(shí)現(xiàn)定位。如圖4.2（b）所示。</p><p>　　圖4.2(a) 車(chē)輛牌照原始圖像</p><p>　　Figure 2 (a) the lic

82、ense plates of the original image</p><p>　　圖4.2(b)車(chē)牌定位圖像</p><p>　　Figure 4-2 (b) license plate localization image</p><p>　　4.3 車(chē)牌字符識(shí)別</p><p>　　上述過(guò)程完成車(chē)牌定位以后，我們將對(duì)分割出來(lái)的車(chē)牌圖

83、像進(jìn)一步的車(chē)牌處理，實(shí)驗(yàn)過(guò)程中我們隊(duì)截取的車(chē)牌做了二值化如圖4.3（a）所示。</p><p>　　二值圖像是指整幅圖像內(nèi)僅有黑、白二值的圖像。在實(shí)際的車(chē)牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閾值，使得字符與背景能夠分割開(kāi)來(lái)。車(chē)牌圖像經(jīng)過(guò)二值變換后具備優(yōu)良的保形性，能有效保持車(chē)牌的形狀信息，并能夠去除額外的孔洞區(qū)域。車(chē)牌識(shí)別系統(tǒng)一般要求具有速度高、成本低的特點(diǎn)，采用二值圖像進(jìn)行處理，能大大提高處理效率

84、。閾值處理的操作過(guò)程是通過(guò)OSTU算法生成一個(gè)閾值，如果圖像中某個(gè)像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則就將灰度值設(shè)置為255或0。</p><p>　　圖像二值化是后續(xù)圖象處理技術(shù)的基礎(chǔ)，二值化使得圖像中只有兩種顏色的信息， 通常是黑色和白色 。這樣能方便提取圖像中的信息，在進(jìn)行計(jì)算機(jī)識(shí)別時(shí)可以大大增加識(shí)別效率。因?yàn)槿绻麍D像是彩色的計(jì)算機(jī)要計(jì)算很久而二值化的圖像則更快得多。</p

85、><p>　　圖4.3(a)車(chē)牌二值化圖像</p><p>　　Figure 4.3 (a) license plate of binary image</p><p>　　對(duì)車(chē)牌進(jìn)行灰度化、二值化處理后，我們還要對(duì)車(chē)牌圖像濾波處理，即盡量保留車(chē)牌的圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，從而提升它的有效提取信息，圖像濾波處理是圖像預(yù)處理中不可缺少的操作，其處理效

86、果的好壞將直接響到后續(xù)圖像處理和分析的有效性和可靠性。這個(gè)過(guò)程在整個(gè)車(chē)牌識(shí)別系統(tǒng)中也占有很重要的作用。</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。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，因此需要分割

87、。結(jié)果如圖4.3（b）所示。</p><p>　　圖4.3（b）車(chē)牌字符分割圖像</p><p>　　Figure 4.3 (b) license plate character segmentation images</p><p>　　由于考慮車(chē)牌字符常發(fā)生變形、斷缺等情況，使字符結(jié)構(gòu)受損，則依賴(lài)于字體結(jié)構(gòu)完整性的結(jié)構(gòu)識(shí)別方法所提取的特征會(huì)不準(zhǔn)確，識(shí)別結(jié)果的誤識(shí)

88、率也高。因此實(shí)際用于車(chē)牌識(shí)別的方法主要是后兩類(lèi)。然而如果采用hp神經(jīng)網(wǎng)絡(luò)的字符識(shí)別雖然有很好的容錯(cuò)能力，但是如果我們要提高他的識(shí)別率，我們則需要大量的樣本?；谀０迤ヅ涞淖址R(shí)別方法，相對(duì)算法簡(jiǎn)單，速度較快，而且結(jié)合我國(guó)車(chē)牌的信息，我們需要的制作的模板量也不大。所以本文選擇模板匹配的識(shí)別方法進(jìn)行車(chē)牌字符識(shí)別。</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

89、，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。由于我們制作的模板是40*20像素點(diǎn)的規(guī)格，為了方便后面的模板匹配，我們就將分割的圖片進(jìn)行40*20像素點(diǎn)的歸一化處理。最后通過(guò)與模板庫(kù)對(duì)比得出識(shí)別結(jié)果。</p><p>　　4.4 車(chē)牌識(shí)別結(jié)果及分析</p><p>　　最后通過(guò)對(duì)歸一化后的字符圖像與模板庫(kù)進(jìn)行比對(duì)得到對(duì)應(yīng)的字符結(jié)果，并組織成車(chē)牌

90、字符串進(jìn)行輸出。如圖4.4所示</p><p>　　圖4.4 車(chē)牌識(shí)別結(jié)果</p><p>　　Figure 4.4 license plate identification results</p><p>　　按下GUI界面中的保存結(jié)果可將識(shí)別的后的GUI界面截圖并保存，如圖4.5所示</p><p><b>　　圖4.5保存結(jié)果

91、圖</b></p><p>　　Figure 4.5 save result in diagram</p><p>　　本文以MATLAB R2014a為實(shí)驗(yàn)平臺(tái)，在得到這個(gè)結(jié)果之前，需要對(duì)車(chē)牌圖像進(jìn)行預(yù)處理、標(biāo)定車(chē)牌區(qū)域、字符分割等處理。</p><p>　　在采集圖像時(shí)，因?yàn)槭艿酵饨绺蓴_的原因以及車(chē)主在車(chē)牌周?chē)难b飾，甚至生產(chǎn)廠家對(duì)車(chē)身的點(diǎn)綴容易給車(chē)

92、牌的定位帶來(lái)很大程度的影響，因此需要對(duì)原始圖像進(jìn)行預(yù)處理。預(yù)處理包括灰度化、車(chē)牌校正、平滑處理等。處理光照條件不理想的圖像時(shí)先進(jìn)行一次圖像增強(qiáng)處理，擴(kuò)展圖像灰度動(dòng)態(tài)范圍和增強(qiáng)圖像對(duì)比度，再進(jìn)行定位和分割，能提高分割的正確率。由于車(chē)牌采集的信息都是些彩色圖片，含有大量的數(shù)據(jù)信息，因此我們還要對(duì)其進(jìn)行預(yù)處理包括灰度化、二值化等。圖像里的車(chē)輛牌照是具有明顯特征的一塊圖象區(qū)域，該特征表現(xiàn)為：接近水平的矩形區(qū)域；其中字符串是按水平方向排列的；在整

93、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，它在整幅中可以明顯地呈現(xiàn)出其邊緣，于是對(duì)其邊緣提取，此處邊緣的提取采用的是canny算子。隨之進(jìn)行定位及分割還有識(shí)別。</p><p>　　對(duì)于識(shí)別錯(cuò)誤情況的分析得到，主要原因有以下幾點(diǎn)：</p><p>　　汽車(chē)牌照上外界干擾，如在牌照周?chē)砑语椢铮?lt;/p><p>　　采用不同的邊緣檢測(cè)算

94、子和閾值將會(huì)牌照字符的分割失敗，導(dǎo)致識(shí)別錯(cuò)誤；</p><p>　　字符具有相似性，比如D和O；O和0；D和0等字符識(shí)別的結(jié)果可能會(huì)出現(xiàn)混淆的情況。</p><p><b>　　5 結(jié) 論</b></p><p>　　近年來(lái)我國(guó)隨著社會(huì)經(jīng)濟(jì)的高速發(fā)展、汽車(chē)數(shù)量急劇增加，對(duì)交通管理的要求也日益提高，而相應(yīng)的人工管理方式以不能滿足實(shí)際的需要，微電

95、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的效率。而車(chē)牌識(shí)別技術(shù)恰好能滿足這一需求，通過(guò)車(chē)牌識(shí)別我們可以解決被納入“黑名單”的通緝車(chē)輛，可以統(tǒng)計(jì)一定時(shí)間范圍內(nèi)進(jìn)出各省的車(chē)輛，還能有效的對(duì)該車(chē)輛進(jìn)行定位，對(duì)公安機(jī)關(guān)等相關(guān)部門(mén)有著很重要的作用通過(guò)智能的車(chē)牌定位及識(shí)別技術(shù)將對(duì)于維護(hù)交通安全和城市治安，防止交通堵塞，實(shí)現(xiàn)交通自動(dòng)化管理有著現(xiàn)實(shí)的意義。</p><p>　　本文主要研究和解決了以下幾個(gè)問(wèn)題：一

96、、在車(chē)牌圖像中定位并提取出車(chē)牌的位置；二、對(duì)圖像的灰度化、二值化等圖像處理；三、選取合適的算及其閾值并對(duì)其邊緣檢測(cè)；四、對(duì)分割完成的牌照字符如何提取能進(jìn)行分類(lèi)的特征；五、如何有效的選取識(shí)別的分類(lèi)。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)：一是單一的人工選取合適的算法和其他指標(biāo)已經(jīng)不能取得很好的結(jié)果。二是車(chē)牌識(shí)別逐漸走上智能化的過(guò)程，通過(guò)智能系統(tǒng)選取不同的算法進(jìn)