緒論1.1課題研究的背景及意義隨著農(nóng)村城市化程度不斷提高，我國(guó)機(jī)動(dòng)車輛占有量及道路交通量急劇增加，汽車由奢侈品變化為了生活的必需品，截至2017年底中國(guó)機(jī)動(dòng)車保有量達(dá)3.11億輛，其中汽車2.18億輛。機(jī)動(dòng)車駕駛?cè)顺^3.86億人，其中汽車駕駛?cè)?.43億人。在大城市，巨大的車流量造成了交通的擁堵，由此產(chǎn)生的交通事故和環(huán)境污染增加，一些落后的道路設(shè)施更是加劇了交通的擁堵，這是我國(guó)面臨的及其嚴(yán)重的“城市病”之一。提高道路交通設(shè)施的智能化對(duì)于解決交通擁堵問題起到了重要的作用，其中智能化車牌識(shí)別對(duì)智能交通影響甚遠(yuǎn)，車牌是汽車重要標(biāo)識(shí)，快速準(zhǔn)確的車牌識(shí)別一方面可以提高關(guān)口、收費(fèi)站、停車場(chǎng)等車流量密集的地方的工作效率，另一方面可節(jié)省車主時(shí)間，可起到減少交通擁堵時(shí)間與幾率的作用。信息技術(shù)發(fā)展過程中計(jì)算機(jī)和自動(dòng)化技術(shù)不斷融合逐漸發(fā)展出了TTS（IntelligentTraffictSystem交通智能系統(tǒng)），是一種先進(jìn)的一體化交通綜合管理系統(tǒng)。在這個(gè)系統(tǒng)里，車輛能夠使用自己的智能系統(tǒng)在道路上行駛，交通道路也能根據(jù)自身的智能處理把交通流量進(jìn)行調(diào)整優(yōu)化，借助該系統(tǒng)，管理人員對(duì)道路、車輛的動(dòng)向進(jìn)行各方面檢測(cè)。在交通智能系統(tǒng)中，VLPR（VehicleLicensePlateRecognition車輛牌照識(shí)別）占據(jù)了重要的地位。實(shí)現(xiàn)VLPR目前由三種發(fā)展得比較好的方法，第一，基于機(jī)器視覺的的智能識(shí)別技術(shù)；第二，利用條形碼barcode技術(shù)來實(shí)現(xiàn)車牌信息識(shí)別；第三，利用射頻RFID識(shí)別和非接觸式IC智能卡來獲取車牌信息。前者設(shè)備成本較低，還能實(shí)現(xiàn)人機(jī)交互，目前大多車牌識(shí)別系統(tǒng)也是根據(jù)這個(gè)方法實(shí)現(xiàn)的，但是識(shí)別率不高，受外界光照等因素影響較大。后面兩種方法準(zhǔn)確度、識(shí)別率與識(shí)別速度較高，但不夠直觀，沒辦法核對(duì)車輛信息與信息卡是否匹配。智能車牌識(shí)別的研究仍有很大的實(shí)踐空間。1.2國(guó)內(nèi)外智能車號(hào)識(shí)別的研究現(xiàn)狀在20世紀(jì)90年代（1988年），國(guó)外智能交通研究人員展開對(duì)LPR（車牌識(shí)別系統(tǒng)）進(jìn)行研究，LPR的主要用途是對(duì)車牌圖像進(jìn)行識(shí)別分析，自動(dòng)地獲取車牌信息，識(shí)別汽車牌號(hào)。在車牌識(shí)別地過程中，雖然技術(shù)上運(yùn)用了諸多方法，但是受外界環(huán)境諸如光照，灰塵，季節(jié)變化以及車牌本身整潔度等條件地影響，令得智能車牌識(shí)別系統(tǒng)一直無法得到很好的應(yīng)用，并且很多方法需要大量的數(shù)值統(tǒng)計(jì)計(jì)算，并沒有考慮到實(shí)時(shí)處理的要求。為了很好地解決圖像惡向化的弊端，許多國(guó)內(nèi)外的研究機(jī)構(gòu)和公司企業(yè)開始利用主動(dòng)紅外照明攝像或者使用特殊的相關(guān)傳感器來改善獲取到的圖像的質(zhì)量，從而提高圖像地識(shí)別率，這樣做的同時(shí)也造成了系統(tǒng)的軟硬件投資成本偏大，應(yīng)用的領(lǐng)域變小了，影響了使用的推廣。在20世紀(jì)90年代初，以色列的Hi-Tech公司See/CarSystem系列產(chǎn)品，香港的AsiaVisionTechnology公司VECON系列，新加坡的Optasia的VLPRS系列都是改進(jìn)得較為完善的圖像車牌識(shí)別產(chǎn)品。這些產(chǎn)品中，香港VECON主要用于識(shí)別香港車輛牌照，新加坡的VLPRS適用于新加坡車輛牌照，以色列See/Carsystem設(shè)計(jì)了多種型號(hào)產(chǎn)品，來分別適應(yīng)特定國(guó)家特征車牌。See/CarChinese系統(tǒng)雖然能一定程度地對(duì)我國(guó)大陸車牌進(jìn)行識(shí)別，但是存在較大缺陷[1]，不能正確識(shí)別車牌漢字，日本、德國(guó)、加拿大、英國(guó)、意大利等這些西方發(fā)達(dá)國(guó)家都有適合本國(guó)自身車輛牌照的車牌識(shí)別系統(tǒng)。雖然各個(gè)國(guó)家的車牌識(shí)別系統(tǒng)都有不同之處，但是大多是基于車輛探測(cè)器的識(shí)別系統(tǒng)，系統(tǒng)設(shè)備的投資巨大[]。我國(guó)目前車牌的大小尺寸、寬長(zhǎng)度比例、車牌底色等與外國(guó)車牌外型有所區(qū)別，尤其是漢字車牌的差異，外國(guó)對(duì)于漢字車牌的識(shí)別存在著很大的缺陷。目前國(guó)內(nèi)智能車牌識(shí)別做得比較好的包括中智交通的車牌識(shí)別處理產(chǎn)品，漢王公司研究開發(fā)的“漢王眼”，以及亞洲視覺的慧光技術(shù)VECON等產(chǎn)品，這些產(chǎn)品針對(duì)我國(guó)車牌特征進(jìn)行了針對(duì)性開發(fā)，可以比較好地處理我國(guó)車牌圖像信息。1.3課題研究的主要內(nèi)容本課題車牌識(shí)別算法主要就圖像優(yōu)化處理及車牌定位、彩圖預(yù)處理、字符切割、字符識(shí)別四個(gè)過程進(jìn)行研究。本課題對(duì)車牌識(shí)別的圖像處理以24-bit真彩JPG圖像為實(shí)驗(yàn)對(duì)象，利用Matlab圖像工具進(jìn)行四個(gè)圖像處理過程完成識(shí)別結(jié)果的輸出。本課題圖像算法處理過程流程圖如圖1.1所示。圖1.1車牌處理過程流程圖（1）圖像優(yōu)化車牌定位：在車牌定位前進(jìn)行圖像增強(qiáng)、尋找車牌邊緣區(qū)域藍(lán)色像素點(diǎn)，確定車牌區(qū)域的上下、左右邊界，根據(jù)車牌特定的長(zhǎng)度和寬度比例，車輛牌照藍(lán)色與白色比對(duì)待選區(qū)域進(jìn)行多次的定位，獲得一個(gè)矩形圖，根據(jù)圖片像素大小再進(jìn)行適當(dāng)尺寸修補(bǔ)。（2）圖像預(yù)處理：處理前將彩圖轉(zhuǎn)化為灰度圖，將灰度圖轉(zhuǎn)為二值圖，進(jìn)行形態(tài)學(xué)處理，去除圖片干擾點(diǎn)，進(jìn)行再修補(bǔ)盡可能切割得只剩下車牌字符。（3）字符分割：采用Radon積分變換進(jìn)行斜度矯正，設(shè)置閾值尋找圖形連續(xù)在閾值范圍內(nèi)的橫軸位置進(jìn)行字符分割，將車牌字符串分割為7個(gè)字符。（4）字符識(shí)別：待識(shí)別字符與字符模型進(jìn)行對(duì)比，找到相似度最高的字符模型，輸出對(duì)應(yīng)的識(shí)別結(jié)果[2]。1.4論文主要內(nèi)容章節(jié)安排本課題研究主要分五章就車號(hào)識(shí)別算法進(jìn)行各方面討論，其中四章內(nèi)容著重討論車牌定位、圖像預(yù)處理、字符分割、字符識(shí)別四個(gè)車牌圖像處理過程。第一章：緒論。介紹了課題研究背景及研究意義，國(guó)內(nèi)外智能車號(hào)識(shí)別的研究現(xiàn)狀、車號(hào)識(shí)別算法處理過程綜述以及車號(hào)識(shí)別算法處理過程的簡(jiǎn)單描述。第二章：彩圖定位。圖像分別行向、縱向進(jìn)行像素點(diǎn)掃描，掃描結(jié)果以車牌區(qū)域藍(lán)色像素點(diǎn)為邊界，二次圖像修補(bǔ)剪裁確定車牌字符區(qū)域上下、左右邊界。第三章：彩圖預(yù)處理。取閾值進(jìn)行灰度圖二值化，對(duì)二值圖進(jìn)行移除H連通像素點(diǎn)、移除刺激像素、開操作等形態(tài)學(xué)處理，取閾值刪除小面積對(duì)象，對(duì)車牌區(qū)域進(jìn)行進(jìn)一步修補(bǔ)裁剪。第四章：字符分割。進(jìn)行圖像斜度翻轉(zhuǎn)，對(duì)圖像再修補(bǔ)，根據(jù)圖像像素大小，進(jìn)行閾值設(shè)定。掃描圖像像素點(diǎn)連通區(qū)域，根據(jù)閾值對(duì)分隔區(qū)域進(jìn)行切割，完成字符的分離。第五章：字符識(shí)別。基于車牌字符模板庫，經(jīng)過處理的單個(gè)字符與模板庫字模逐個(gè)進(jìn)行對(duì)比，統(tǒng)計(jì)對(duì)比過程中的相同像黑白點(diǎn)，尋找相似度最大的對(duì)比字模，輸出對(duì)比結(jié)果。1.5本章小結(jié)本章介紹了車牌識(shí)別系統(tǒng)的研究意義及其國(guó)內(nèi)外研究現(xiàn)狀。智能車牌識(shí)別促進(jìn)了我國(guó)城鎮(zhèn)智能交通的的發(fā)展，很大程度上緩解了交通擁堵等問題的壓力。目前各國(guó)對(duì)于智能車牌識(shí)別的研究上都有了一系列的相關(guān)產(chǎn)品，這些產(chǎn)品都有自身的優(yōu)點(diǎn)與缺陷。同時(shí)本章介紹了本文車牌識(shí)別研究的總體整體架構(gòu)與章節(jié)安排，對(duì)車牌識(shí)別算法研究處理過程進(jìn)行了簡(jiǎn)單描述。2彩圖車牌定位車牌定位處理方式分析車牌定位在車牌圖像識(shí)別的處理中占有重要地位，可以說車牌定位是車牌識(shí)別的根本，只有正確對(duì)車牌字符區(qū)域定位的才能保證后期的字符分割與字符識(shí)別的順利進(jìn)行。車牌定位的方式較為常見的有三類，一種是基于邊緣的算法，一種是基于顏色的識(shí)別算法，以及基于紋理特征的算法。比較常用的邊緣檢測(cè)方法主要有Robert邊緣算子、Soble邊緣算子、Canny邊緣算子、Laplacian邊緣算子和Prewitt邊緣算子，針對(duì)不同的識(shí)別環(huán)境需要選擇不同的邊緣檢測(cè)算法[4]。邊緣檢測(cè)的車牌識(shí)別算法以車牌的字符與車牌底色的顏色差為依托，利用邊緣算法可將圖像處理為具有強(qiáng)烈邊緣的圖像完成車牌區(qū)域的檢測(cè)。該定位方法可以一定程度上彌補(bǔ)夜晚光照強(qiáng)度不足的缺陷。在物理環(huán)境較為惡劣的情況下采用邊緣檢測(cè)容易導(dǎo)致車牌無法定位。基于顏色的車牌定位的方式利用實(shí)驗(yàn)統(tǒng)計(jì)的方法對(duì)車牌特征顏色的閾值的范圍進(jìn)行確定，然后把RGB圖像進(jìn)行HSV空間變換，提取顏色區(qū)域，消去識(shí)別過程中不相關(guān)的顏色部分，最后可使用邊緣檢測(cè)方法進(jìn)行定位。該方法利用圖像顏色信息進(jìn)行定位，定位結(jié)果較為準(zhǔn)確。車牌圖像中的車牌區(qū)域含有一定數(shù)量的字符，所以車牌區(qū)域的邊緣豐富，并且能夠集中在一個(gè)矩形的邊框區(qū)域中。水平直線檢索灰度分布情況，其灰度分布呈現(xiàn)連續(xù)的波峰—波谷—波峰形式表現(xiàn)字符所處空間，以此我們可利用波形占空比進(jìn)行字符定位，找出車牌區(qū)域。本文研究利用車牌的顏色特征的識(shí)別算法，借助車牌顏色特征與尺寸特征，掃描彩色圖像藍(lán)色像素區(qū)域，完成對(duì)車牌區(qū)域的定位。由于這個(gè)定位方法受背景顏色、光照等因素影響較大，因此需要對(duì)定位前期進(jìn)行預(yù)處理，減少其干擾對(duì)定位的影響。本章會(huì)對(duì)車牌定位的前期處理和基于顏色特征的定位方法進(jìn)行研究。圖像優(yōu)化處理在實(shí)際的場(chǎng)景中，我們?cè)讷@取圖像時(shí)會(huì)受到車牌識(shí)別系統(tǒng)的設(shè)備電磁影響、噪聲、光照強(qiáng)度大小、攝像頭拍攝的角度、等因素的影響。為使車牌識(shí)別算法做到在適應(yīng)復(fù)雜環(huán)境中完成準(zhǔn)確的識(shí)別，那么我們需要在作車牌定位前對(duì)獲取到的圖像進(jìn)行優(yōu)化處理，盡量減少外界環(huán)境對(duì)車牌識(shí)別的影響，突出有效信息，消除干擾信息。為此，本課題研究在進(jìn)行圖像識(shí)別的前期進(jìn)行了圖像增強(qiáng)處理。圖像增強(qiáng)中有兩類比較重要的增強(qiáng)方法，一種為灰度變化圖像增強(qiáng)，另外一種是直方圖處理方式。而在灰度變換圖象個(gè)增強(qiáng)處理中可分為線性變換、分段線性變化非線性變換這三種增強(qiáng)處理。為解決獲取車牌圖像環(huán)境光照不足的問題。本課題研究采用線性變換對(duì)較暗圖像進(jìn)行像素值增加，以提高圖像亮度，以突顯隱藏在黑暗中的細(xì)節(jié)。由于本課題研究基于圖像顏色特征進(jìn)行車牌定位，前期只進(jìn)行圖像增強(qiáng)處理，其余圖像優(yōu)化處理將在車牌定位后，字符分割前進(jìn)行。色度學(xué)原理提出任何顏色可由紅（R）、綠（G）、藍(lán)（B）三種顏色按比例組合而成，這就是所謂RGB三原色。由R(紅)、G（綠）、B（藍(lán)）三個(gè)分量設(shè)置不同的值可組合出256*256*256種顏色。我們可對(duì)RGB的三個(gè)像素值分量進(jìn)行值的增加，每個(gè)像素點(diǎn)分量值增加量為70。具體處理程序?qū)崿F(xiàn)如下：I=imread('F:\Graduate\a.jpg');%讀取要處理的圖像figure,imshow(I);title('圖像增強(qiáng)前');%顯示原圖J=I+70;%對(duì)圖像每個(gè)像素點(diǎn)分量值進(jìn)行增加figure,imshow(J);title('圖像增強(qiáng)后');%顯示增強(qiáng)后效果，與原圖形成對(duì)比由此可完成圖像亮度的增加，初步完成圖像增強(qiáng)的優(yōu)化處理。借助下圖2.1可觀察圖像增強(qiáng)前后的處理效果。(a)圖像增強(qiáng)前(b)圖像增強(qiáng)后圖2.1圖像增強(qiáng)前后對(duì)比車牌定位過程為更好地在較為復(fù)雜背景下對(duì)車牌信息進(jìn)行定位，本課題研究將直接拾取車牌圖像的彩色信息，掃描整個(gè)圖像的整體像素情況，把與車牌顏色特征相似的圖像區(qū)域保存下來，完成車牌區(qū)域的粗定位，進(jìn)而進(jìn)行精準(zhǔn)定位。在做彩色圖像處理時(shí)，可以選擇合適的顏色空間對(duì)圖片進(jìn)行處理。常用的顏色空間包括HSV空間、YUV空間、CMY空間、RGB空間等，為保證YUV、HSV等空間處理方式是根據(jù)不同顏色設(shè)定對(duì)應(yīng)不同的閾值，對(duì)灰度圖完成相應(yīng)處理，這種處理方式算法過程復(fù)雜，并且灰度級(jí)的劃分不明顯，另外灰度圖也不如彩色圖直觀清晰，因此本課題研究的車牌定位研究不對(duì)RGB原圖進(jìn)行其他色度空間轉(zhuǎn)換，直接對(duì)RGB車輛原圖進(jìn)行車牌定位。將圖片像素值類型Unit8轉(zhuǎn)換為Double型，以此提高精度，對(duì)圖像作更細(xì)膩的處理。本課題研究的車牌定位可分為藍(lán)色分量值和藍(lán)色像素位置判定閾值的確定、判斷非車牌區(qū)域的藍(lán)色區(qū)域并進(jìn)行X、Y方向的車牌整個(gè)區(qū)域像素點(diǎn)檢索兩個(gè)部分。分別統(tǒng)計(jì)X方向與Y方向的圖像為藍(lán)色的像素點(diǎn)，根據(jù)設(shè)定的藍(lán)色像素點(diǎn)位置判定閾值判斷像素點(diǎn)位置是否為藍(lán)色，進(jìn)而對(duì)非車牌區(qū)域的藍(lán)色區(qū)域進(jìn)行判斷，最后完成車牌區(qū)域的粗定位。藍(lán)色分量值和藍(lán)色像素點(diǎn)位置判定閾值藍(lán)色分量的確定：由于本車牌識(shí)別算法研究利用車牌顏色特征與尺寸特征確定車牌區(qū)域，掃描圖像車牌邊緣藍(lán)色位置進(jìn)行定位，因此在像素點(diǎn)掃描前需要確定RGB圖像的三個(gè)色度分量的值。而藍(lán)色范圍的三個(gè)顏色分量理論范圍值大致分別為[0,70]、[30,120]、[50,255]。借助FSCapture（像素值提取尺子工具）可完成對(duì)各顏色像素值的讀取。為提高顏色區(qū)域定位精度，在此對(duì)RGB藍(lán)色三分量范圍值進(jìn)一步縮小。根據(jù)實(shí)驗(yàn)調(diào)試，并且利用FSCapture像素值讀取工具，最終確定的藍(lán)色RGB顏色三分量R(紅)、G（綠）、B（藍(lán)）范圍分別為[0,48]、[40,90]、[80,220]。該顏色閾值取值范圍確定需要用大量車牌圖像來進(jìn)行實(shí)驗(yàn)調(diào)試，過程較為復(fù)雜，并且這種取值方法誤差較大。本課題研究采用取顏色分量差的方法確定車牌區(qū)域背景顏色取值，利用顏色分量差可一定程度上減少顏色值統(tǒng)計(jì)時(shí)的誤差。該方法利用了RGB顏色空間投影，找出顏色分量差的具體差值。圖2.2為車牌圖像R、G、B三個(gè)顏色空間分量的投影圖，比較圖(b)、(c)、(d)可發(fā)現(xiàn)R、G、B分量的關(guān)系。(a)車牌圖像(b)RG空間投影(c)RB空間投影(d)GB空間投影圖2.2車牌圖像R、G、B三分量投影圖由圖像各像素點(diǎn)的顏色空間平面投影(b)、(c)、(d)圖觀察得出，其平面投影大致處于K=1.0線上方，可得出車牌圖像R、G、B三個(gè)顏色分量的關(guān)系：B>G>R。在車牌白色區(qū)域中，白色的字符顏色是略微含藍(lán)色的白色，其顏色分量R、G、B幾乎接近，在K=1.0的投影分布就是車牌區(qū)域的白色字符。對(duì)于藍(lán)色車牌來說，車牌區(qū)域的像素點(diǎn)的分量差B-R與B-G的差異要遠(yuǎn)大于G-R。只要能確定B-R=A1,B-R=A2中的A1,A2就能確定車牌顏色分量的關(guān)系了。為得出A1,A2的值，將測(cè)試車牌彩圖經(jīng)過二值化處理，對(duì)二值化圖進(jìn)行RGB原圖顏色過濾，描繪得到三個(gè)顏色分量與B-R，B-G，G-R關(guān)系的空間投影，如圖2.3所示。(a)車牌二值圖(b)G與B-G的關(guān)系投影(c)B與B-R的關(guān)系投影(d)R與G-R的關(guān)系投影圖2.3空間分量關(guān)系投影經(jīng)過個(gè)整個(gè)車牌區(qū)域圖像進(jìn)行直線圖像描繪，能夠得出車牌區(qū)域白色字符部分滿足B-R<40，B-G<40的關(guān)系。最終總結(jié)以下關(guān)系公式（2.1）、（2.2）完成對(duì)藍(lán)色像素點(diǎn)的R、G、B取值，從而完成藍(lán)色像素點(diǎn)的統(tǒng)計(jì)。公式中R_Value為R（紅）分量，G_Value為G（綠）分量，B_Value為B（藍(lán)）分量）。(2.1)(2.2)藍(lán)色像素點(diǎn)位置判定閾值：在做X、Y方向藍(lán)色像素點(diǎn)出現(xiàn)位置判斷時(shí)，需要統(tǒng)計(jì)方向上行與列出現(xiàn)藍(lán)色像素點(diǎn)的數(shù)量，在方向上超出藍(lán)色像素點(diǎn)位置判定閾值時(shí)判定該方向上所處軸位置為藍(lán)色，以此在X、Y方向上確定車牌區(qū)域的上下、左右邊界。藍(lán)色像素點(diǎn)位置判定閾值得設(shè)定至關(guān)重要，它決定了提取彩圖的質(zhì)量。首先設(shè)定Y方向的藍(lán)色像素點(diǎn)位置判定閾值Y_threshlow，經(jīng)實(shí)驗(yàn)調(diào)試統(tǒng)計(jì)，Y方向上統(tǒng)計(jì)的行藍(lán)色像素點(diǎn)達(dá)5個(gè)以上的Y軸位置，即Y_threshlow=5，判斷該位置為車牌區(qū)域邊界。為更好的適應(yīng)車輛圖像信息進(jìn)行閾值調(diào)整，對(duì)于X方向的藍(lán)色像素點(diǎn)位置判定閾值X_threshlow的設(shè)定根據(jù)Y方向的定位情況進(jìn)行設(shè)定。Y方向上根據(jù)Y_threshlow定位車牌區(qū)域的上下邊界，根據(jù)實(shí)驗(yàn)統(tǒng)計(jì)將X_threshlow設(shè)定為車牌區(qū)域上下邊界寬度的1/11為宜，其計(jì)算公式如（2.3），公式中Y2為車牌區(qū)域下邊界，Y1為車牌區(qū)域下邊界。(2.3)2.3.2圖像掃描定位采用基于顏色特征的方法，判斷藍(lán)色區(qū)域?qū)嚺贫ㄎ挥袀€(gè)突出的問題，就是較易受藍(lán)色背景的影響，在藍(lán)色背景豐富的圖像中難以完成對(duì)車牌位置的定位，針對(duì)這個(gè)問題本課題研究提出以車牌長(zhǎng)寬比例與車牌白色像素點(diǎn)比例來去除非車牌藍(lán)色區(qū)域。在分別對(duì)X、Y方向進(jìn)行圖像像素點(diǎn)掃描的時(shí)候根據(jù)設(shè)定的RGB顏色分量進(jìn)行藍(lán)色像素點(diǎn)判斷。統(tǒng)計(jì)Y方向上各行的藍(lán)色像素點(diǎn)數(shù)量，找出藍(lán)色像素點(diǎn)最密集的Y軸位置，以該位置為起點(diǎn)，在Y方向上進(jìn)行上下掃描，尋找低于Y方向行閾值的上下Y軸位置，確定車牌區(qū)域的上下邊界。統(tǒng)計(jì)X方向上各列的藍(lán)色像點(diǎn)數(shù)量，找出藍(lán)色像素點(diǎn)最密集的X軸位置，以該位置為起點(diǎn)，在X方向上進(jìn)行上下掃描，尋找低于X方向行閾值的上下X軸位置，確定車牌字符區(qū)域的左右邊界。車牌區(qū)域定位結(jié)束后，對(duì)該區(qū)域尺寸長(zhǎng)寬比例與白色像素在車牌區(qū)域面積所占比例進(jìn)行判斷。根據(jù)小型汽車車牌尺寸大小特征與顏色特征對(duì)定位出來的區(qū)域進(jìn)行對(duì)比。經(jīng)過多次實(shí)驗(yàn)調(diào)試，定位得出的車牌區(qū)域長(zhǎng)寬比例在[0.2，0.6]區(qū)間，白色比例在[0.12，0.5]區(qū)間，能夠較好地對(duì)非車牌區(qū)域地藍(lán)色區(qū)域進(jìn)行判斷，完成藍(lán)色復(fù)雜背景下的汽車圖像車牌識(shí)別。若定位到的車牌區(qū)域不在指定的長(zhǎng)寬比例與車牌區(qū)域白色像素比例內(nèi)，則以錯(cuò)誤車牌定位區(qū)域處理。識(shí)別到錯(cuò)誤車牌區(qū)域，則將該區(qū)域RGB顏色值置為紅色，并且對(duì)車牌區(qū)域進(jìn)行重新定位，在接下來的定位不對(duì)錯(cuò)誤車牌區(qū)域進(jìn)行像素點(diǎn)統(tǒng)計(jì)。經(jīng)過多次實(shí)驗(yàn)調(diào)試，在車牌定位過程中時(shí)而出現(xiàn)車牌區(qū)域上下邊界過度切割的情況，針對(duì)該情況，本課題研究在對(duì)車牌區(qū)域進(jìn)行定位結(jié)果進(jìn)行區(qū)域再調(diào)整，將定位所得區(qū)域進(jìn)行擴(kuò)大。經(jīng)調(diào)試擴(kuò)大尺度以定位區(qū)域結(jié)果上下邊界寬度的1/5為宜。2.4本章小結(jié)本章對(duì)本文車牌識(shí)別研究的車牌定位部分進(jìn)行了研究，首先在車牌定位前進(jìn)行了簡(jiǎn)單的車牌圖像增強(qiáng)以優(yōu)化車牌圖像，繼而利用車牌顏色特征與車牌長(zhǎng)寬比例對(duì)車牌字符區(qū)域進(jìn)行定位，對(duì)整個(gè)圖像的掃描定位分為橫軸掃描與縱軸掃描，分別確定車牌字符區(qū)域的左右邊界與上下邊界，對(duì)所確定的邊界進(jìn)行一定的邊界修補(bǔ)，最終完成車牌字符區(qū)域的定位。3彩圖預(yù)處理完成彩圖定位后，圖像仍存在干擾信息，如車牌字符區(qū)域圖像存在邊框、鉚釘、車牌不清潔等不相關(guān)圖像信息干擾，同時(shí)干擾因素也來自于雨、雪、霧不良天氣和車牌拍攝角度等。因此在進(jìn)行車牌圖像字符分割前，需要對(duì)車牌圖像進(jìn)行彩圖預(yù)處理，排除不相關(guān)的圖像信息，使車牌圖像盡可能剩下字符信息。在本章對(duì)圖像進(jìn)行了圖像灰度化、二值化、形態(tài)學(xué)運(yùn)算等圖像優(yōu)化處理。3.1圖像灰度化完成車牌定位的車牌區(qū)域圖像還是一個(gè)彩色圖像，對(duì)于彩色圖片，難以去除干擾信息，并且以彩圖對(duì)車牌區(qū)域處理圖像效果并不理想。因此在車牌區(qū)域字符分割前對(duì)彩圖進(jìn)行灰度化，以進(jìn)行接下來的二值化處理。灰度圖，也是所謂的灰階圖，灰度圖按對(duì)數(shù)關(guān)系把圖像從黑到白表現(xiàn)出來，其中不含彩色信息。目前比較常用的彩圖灰度化的有分量法、最大值法、平均值法、加權(quán)平均法。（1）分量法：在RGB彩圖中，其三個(gè)顏色分量各自包含了亮度，分量法灰度化就是取出R、G、B中的亮度作為灰度圖的三個(gè)灰度值選擇。公式(3.1)、(3.2)、(3.3)為分量法獲得灰度圖,R(z,x)、G(z,x)、B(z,x)分別為RGB彩圖的三個(gè)顏色分量，A(z,x)、B(z,x)、C(z,x)分別為將要生成的灰度圖的三個(gè)灰度圖分量。(3.1)(3.2)(3.3)最大值法：計(jì)算獲得彩圖的三個(gè)顏色分量亮度，比較三個(gè)分量中亮度最大的分量，將其亮度作為一個(gè)像素點(diǎn)的灰度值。公式(3.4)為采用最大值的方法把彩圖轉(zhuǎn)為灰度圖的方法。Q(z,x)為灰度圖最終灰度值，R(z,x)、G(z,x)、B(z,x)分別為RGB彩圖的三個(gè)顏色分量。(3.4)平均值法：計(jì)算獲得彩圖的三個(gè)分量亮度，將彩色RGB原圖像的三個(gè)RGB分量值進(jìn)行求總和，將和除以分量數(shù)目3，即可得到灰度圖的灰度值。公式(3.5)為用平均值法求灰度圖的灰度值，Q(z,x)為灰度值結(jié)果，R(z,x)、G(z,x)、B(z,x)分別為RGB彩圖的三個(gè)顏色分量。(3.5)加權(quán)平均法：依據(jù)人眼球?qū)︻伾舾卸鹊牟煌瑢?duì)彩圖RGB三分分量設(shè)置不同權(quán)值，把三個(gè)分量分別跟相應(yīng)的權(quán)值進(jìn)行相乘，最終把三個(gè)乘積相加求和。公式(3.6)為運(yùn)用加權(quán)平均法求灰度圖灰度值，Q(z,x)為結(jié)果灰度值，R(z,x)、G(z,x)、B(z,x)分別為RGB彩圖的三個(gè)顏色分量。(3.6)本課題研究采用加權(quán)平均值的方法對(duì)RGB彩圖進(jìn)行灰度化處理，從人眼的視覺上顏色觀察差異對(duì)彩圖進(jìn)行灰度化，計(jì)算方式簡(jiǎn)單，更符合人眼視覺對(duì)顏色的感知。本課題研究實(shí)驗(yàn)過程中使用加權(quán)平均法進(jìn)行彩圖灰度化，完成對(duì)圖像的灰度化處理。其灰度化處理前后對(duì)比如圖3.1所示。(a)灰度化前(b)灰度化后圖3.1彩圖灰度化3.2灰度圖二值化形態(tài)學(xué)處理在二值圖上的處理效果較為明顯，能夠較好地達(dá)到預(yù)期的目的。因此在進(jìn)行形態(tài)學(xué)處理前需要將灰度圖轉(zhuǎn)化為二值圖。以便后期能較好地進(jìn)行形態(tài)學(xué)處理。圖像二值化同時(shí)能夠很大程度上區(qū)別圖像前景色與背景色，采用二值圖表現(xiàn)車牌圖像，能夠把前景色和背景色較明顯地分離開，以特殊的灰度圖形式保留有效信息，去除無關(guān)信息，將每個(gè)像素點(diǎn)兩極化，根據(jù)設(shè)置條件對(duì)像素點(diǎn)進(jìn)行置1或者置0，將各個(gè)像素點(diǎn)調(diào)為最亮或者最暗。一幅灰度圖Q(z,x)，可根據(jù)設(shè)定的閾值進(jìn)行二值化。二值化公式如(3.7)，R為設(shè)定好的閾值，P(z,x)為二值圖。(3.7)該公式將大于等于閾值的像素點(diǎn)置為1，即最亮，將小于閾值的像素點(diǎn)值為0，即最暗。從而完成灰度圖的二值化。由公式可知，二值化的關(guān)鍵是找到二值化的閾值，閾值的選取最大程度地影響二值圖的質(zhì)量，從而影響后期的圖像處理。以下尋找二值化閾值的方法較為常用。雙峰法：適合簡(jiǎn)單，灰度分布規(guī)律的圖像，圖像直方圖呈波峰波谷分布，閾值R取兩個(gè)相鄰五間隔波峰間的波谷的灰度值作為二值化閾值。用雙峰法獲得閾值R后可根據(jù)公式(3.7)進(jìn)行圖像的二值化，圖3.2為雙峰法取閾值例圖。圖3.2雙峰法取閾值例圖P參數(shù)法：顯然，在區(qū)域灰度分布很不均勻，特別是灰度重疊的時(shí)候，用直方圖曲線雙波峰的間的波谷作為目標(biāo)區(qū)域的二值化閾值，那么二值化的效果會(huì)很不理想。對(duì)于灰度分布不均勻的圖像，我們可以采用P參數(shù)法來取二值化閾值。該方法通過已有的P參數(shù)對(duì)圖像累積分布直方圖進(jìn)行計(jì)算，獲得與直方圖中目標(biāo)區(qū)域占整個(gè)直方圖的比例P1最接近的灰度值。最大類間方差法(Otsu法)：對(duì)該算法可以這樣理解，一個(gè)圖像可分為前景和背景，區(qū)分出來的兩部分差別最大的時(shí)候二值化的效果為最優(yōu)，前景、背景差別大小由閾值R決定，要將前景、背景進(jìn)行理想劃分需要找到最優(yōu)閾值。通過方差對(duì)圖像灰度分布均勻性進(jìn)行度量，求出方差最大值，即可求出最優(yōu)閾值。由于一般的求方差方式時(shí)常會(huì)將前景、背景進(jìn)行錯(cuò)誤劃分，為減少劃分錯(cuò)誤的概率，Otsu提出了使用類間方差的方式進(jìn)行閾值求取。本課題研究對(duì)車牌二值化采用了最大類間差法求取最優(yōu)閾值，該方法運(yùn)用廣泛，算法健壯性強(qiáng)，在圖像二值化過程中能夠較大程度地區(qū)分原圖像前景與背景，從而找到最優(yōu)閾值，最大類間方差法實(shí)現(xiàn)過程如下。（1）彩圖經(jīng)過灰度化，生成灰度圖，借由灰度圖生成灰度直方圖，公式(3.8)統(tǒng)計(jì)灰度圖中0到255的各灰度值出現(xiàn)的概率Q(z)。Mz為灰度值是z的像素點(diǎn)總數(shù)，Mi是灰度值為i的像素點(diǎn)總數(shù)。(3.8)（2）在灰度處理時(shí)利用加權(quán)平均獲得了一個(gè)灰度值，即R，在二值化過程中利用該值進(jìn)行概率計(jì)算。計(jì)算目標(biāo)選取區(qū)域像素點(diǎn)和目標(biāo)背景區(qū)域出現(xiàn)的概率。公式(3.9)為目標(biāo)區(qū)域像素點(diǎn)出現(xiàn)的概率Q(Z)，公式(3.10)為背景區(qū)域像素點(diǎn)出現(xiàn)的概率Q(X)。(3.9)(3.10)（3）公式(3.11)、(3.12)、(3.13)分別求取目標(biāo)像素點(diǎn)、背景像素點(diǎn)以及全部區(qū)域像素點(diǎn)各自的灰度平均值。`A1為目標(biāo)像素點(diǎn)平均灰度值，`A2為背景像素點(diǎn)平均灰度值，`A為全部區(qū)域像素點(diǎn)灰度平均值。(3.11)(3.12)(3.13)（4）計(jì)算目標(biāo)區(qū)域像素點(diǎn)集合和背景區(qū)域像素點(diǎn)集合的灰度值方差，以下公式(3.14)與(3.15)為選取目標(biāo)的區(qū)域像素點(diǎn)集合灰度方差值和背景區(qū)域像素點(diǎn)集合灰度方差的值。(3.14)(3.15)（5）分別求目標(biāo)區(qū)域像素點(diǎn)集合和背景區(qū)域像素點(diǎn)集合間類內(nèi)方差，根據(jù)類內(nèi)方差求類間方差和總體方差。公式(3.16)求目標(biāo)區(qū)域像素點(diǎn)集合和背景區(qū)域像素點(diǎn)集合間類內(nèi)方差，公式(3.17)求類間方差，公式(3.18)求總體方差。(3.16)(3.17)(3.18)（6）最后通過類間方差、總體方差以及灰度化閾值確定二值化閾值，公式(3.19)對(duì)二值化閾值進(jìn)行計(jì)算。(3.19)利用最大類間方差法獲取的二值化閾值，是一種全局的取閾值方法，該方法可以根據(jù)圖像的具體情況動(dòng)態(tài)地對(duì)圖像取二值化閾值，由公式(3.2)完成圖像二值化。通過該最大類間方差法值可較為理想地對(duì)車牌圖像進(jìn)行二值化。圖3.3為二值化后處理結(jié)果。圖3.3二值化處理結(jié)果3.3形態(tài)學(xué)處理二值化的圖像依然存在很多干擾，如鉚釘、車牌污點(diǎn)、白色邊框以及小車牌照規(guī)范中的圓形小黑點(diǎn)等車牌信息對(duì)下一步的字符分割造成的影響，因此在字符分割前需要利用形態(tài)學(xué)操作對(duì)以上干擾信息去除。依次對(duì)車牌定位區(qū)域進(jìn)行斷開H型連接、消除毛刺、閉合運(yùn)算、刪除小面積對(duì)象。斷開H型連接：在二值化圖形中，對(duì)于呈H形狀的連通區(qū)域，將會(huì)對(duì)連接兩邊的中間區(qū)域像素點(diǎn)值0處理，對(duì)H型連通區(qū)域的中間區(qū)域進(jìn)行消除，縱向H型連通區(qū)域與行向H型連通區(qū)域處理方式相同。圖3.4為去除H型連通像素點(diǎn)值處理示圖。圖3.4去除H型連通像素點(diǎn)值處理消除毛刺：去除圖像小分支，將符合消除分支分布規(guī)則的小分支像素點(diǎn)置0，在二值化圖像上對(duì)小分支進(jìn)行消除。圖3.5為消除毛刺中的八種小分支結(jié)構(gòu)。圖3.5消除毛刺中的八種小分支結(jié)構(gòu)閉合運(yùn)算：對(duì)車牌圖像進(jìn)行線條邊緣平滑處理，在圖像腐蝕前進(jìn)行膨脹。把小的圖像間隔連接起來，填補(bǔ)圖像較小空缺。對(duì)比閉合運(yùn)算其公式為(3.20)(3.20)刪除小面積對(duì)象：把小于指定面積值的二值化圖像小面積像素點(diǎn)集合去除，本課題研究指定刪除的面積大小根據(jù)圖像像素大小進(jìn)行設(shè)置。車牌區(qū)域二值圖依次經(jīng)過以上形態(tài)學(xué)處理后一定程度去除了車牌鉚釘、污點(diǎn)等干擾信息，形態(tài)學(xué)處理具體結(jié)果如圖3.6所示。(a)未經(jīng)形態(tài)學(xué)處理二值圖(b)斷開H型連接(c)去除毛刺(d)閉合運(yùn)算(e)去除低于閾值的小點(diǎn)面積圖3.6形態(tài)學(xué)處理后的二值圖3.4本章小結(jié)本章對(duì)彩圖預(yù)處理進(jìn)行了詳細(xì)描述，彩圖預(yù)處理主要包括圖像灰度化、圖像二值化以及形態(tài)學(xué)圖像操作中的斷開H型連接、去除毛刺、閉合運(yùn)算等圖像操作。通過一系列的圖像處理，去除車牌區(qū)域圖像的污點(diǎn)、鉚釘、邊框等不相關(guān)信息，盡可能地使得圖像剩下字符信息。4字符分割4.1我國(guó)小型汽車車牌規(guī)格我國(guó)車輛牌照規(guī)格因汽車的類型不同，在車牌顏色、結(jié)構(gòu)以及尺寸都有所不同，這也是我國(guó)車牌識(shí)別難度大的原因之一，完成不同車型牌照的需要不同的處理方法，以適應(yīng)車牌間的差異。本課題對(duì)我國(guó)小型汽車牌照車號(hào)進(jìn)行了識(shí)別。車牌的規(guī)格是以藍(lán)色為為車輛牌照的底色，白色為車牌字符顏色。車輛牌照長(zhǎng)度為44cm,寬度為14cm,包含7個(gè)字符，包括阿拉伯?dāng)?shù)字、中國(guó)漢字、英文字母。車牌首字符為車輛戶口所處地域的省級(jí)行政單位的單個(gè)漢字簡(jiǎn)稱；第二個(gè)字符是車輛戶口所處地域地的地市一級(jí)代碼的大寫英文字母。余下車牌字符由阿拉伯?dāng)?shù)字與大寫英文字母不規(guī)則組合而成。圖4.1為我國(guó)小型汽車牌照尺寸大小，字符間隔大小等規(guī)范。包含我國(guó)小型汽車的牌照尺寸大小比例，字符間的間隔規(guī)律，各個(gè)字符的寬度大小以及車牌字符與邊框距離等信息。圖4.1我國(guó)小型汽車牌照尺寸與字符間隔大小規(guī)范4.2斜度矯正受拍攝角度的影響，攝像頭在對(duì)車輛牌照進(jìn)行拍攝后的車牌圖像會(huì)有一定的傾斜度，車牌圖像的傾斜角對(duì)車牌字符的切割有很大的影響，其角度翻轉(zhuǎn)是否合理影響著字符的切割效果因此，在進(jìn)行字符切割前需要對(duì)車牌圖像進(jìn)行斜度矯正。斜度矯正需要借助車牌圖像的邊緣信息，進(jìn)而使用Randon積分變換對(duì)邊緣檢測(cè)結(jié)果圖像進(jìn)行圖像角度翻轉(zhuǎn)。4.2.1邊緣檢測(cè)圖像邊緣通常不會(huì)受光照的影響，在對(duì)車牌識(shí)別的處理中，其圖像邊緣分布情況也不易受拍攝角度的影響。圖像邊緣的檢測(cè)是對(duì)圖像灰度值變化較大的檢測(cè)，對(duì)圖像進(jìn)行掃描，找到灰度值突變的位置，將所檢測(cè)到的突變位置像素值置為1，非突變位置像素值置為0。一個(gè)像素點(diǎn)位置與相鄰像素點(diǎn)的關(guān)系決定該像素點(diǎn)是否為邊緣，一個(gè)圖像可以用一個(gè)二維空間表達(dá)，其邊緣可由強(qiáng)度幅值與方向組合成一個(gè)變量，這里我們可以用梯度表示邊緣。用Q(Z,X)表示像素點(diǎn)亮度值，由亮度值依次推導(dǎo)出梯度、幅度值以及方向。公式(4.1)求梯度，公式(4.2)求幅度值，公式(4.3)求方向。(4.1)(4.2)(4.3)4.2.2Radon變換進(jìn)行斜度矯正在進(jìn)行斜度偏轉(zhuǎn)前需要獲取圖像的傾斜角度，本課題研究通過Radon積分變換來完成對(duì)車牌圖像偏轉(zhuǎn)角度的判斷。Radon變換的原理是將原圖像的X-Y平面上各直線投影到A-B平面，X-Y平面上的直線長(zhǎng)度對(duì)應(yīng)A-B平面點(diǎn)的厚度。在平面上直線到原點(diǎn)的距離為L(zhǎng)，直線角度為α。平面上的直線可用公式(4.4)表示：(4.4)設(shè)X-Y平面上有一函數(shù)g(x,y)，對(duì)該平面的函數(shù)進(jìn)行的直線區(qū)域L進(jìn)行積分，如公式(4.5)：(4.5)上述積分形式可以轉(zhuǎn)化為公式(4.6)形式：(4.6)在X-Y平面上對(duì)直線（圖4.5(a)中的紅色直線）進(jìn)行積分得到R-XP平面上點(diǎn)的厚度，即在各直線角度α上對(duì)g(x,y)進(jìn)行線積分得到R-XP平面的g1-g7的分布情況，其縱軸R為XP上對(duì)應(yīng)的點(diǎn)的厚度。積分后的平面圖變化如圖4.2所示。X-Y平面直線分布(b)積分后點(diǎn)厚度分布圖4.2X-Y平面radon變換得到R-XP平面最后由R-XP平面的分布圖得到一個(gè)R值分布的矩陣：[g1,g2,g3,g4,g5,g6,g7]。車牌處理過程中，對(duì)車牌區(qū)域的邊緣二值圖像進(jìn)行Radon變換，二值邊緣車牌圖像中，可由車牌邊框?qū)蔷€計(jì)算車牌邊框的偏轉(zhuǎn)角。其車牌邊框?qū)蔷€為X-Y平面上的最長(zhǎng)直線，對(duì)應(yīng)R-XP上的最大R。該矩陣為從角度1-180范圍內(nèi)各R值的分布情況，因此對(duì)矩陣[g1,g2,g3,g4,g5,g6,g7]進(jìn)行兩次求取最大值，可以得出最大R在其對(duì)應(yīng)的角度α。圖4.3為車牌圖像傾斜角J與偏轉(zhuǎn)角的關(guān)系圖。圖4.3車牌圖像傾斜角J與偏轉(zhuǎn)角的關(guān)系由最大R值的對(duì)應(yīng)的角度可得J的角度，最后計(jì)算出圖像偏轉(zhuǎn)角值為angle。其計(jì)算公式為(4.7)(4.7)以angle作為傾斜角度進(jìn)行翻轉(zhuǎn)的處理結(jié)果如圖4.4所示。圖像翻轉(zhuǎn)前(b))圖像翻轉(zhuǎn)后圖4.4車牌翻轉(zhuǎn)前后對(duì)比4.3字符分割我國(guó)小型汽車牌照包括其邊框區(qū)域，尺寸長(zhǎng)為440mm，寬為140mm，其字符范圍區(qū)域尺寸在第二章進(jìn)行了討論，大小為409mm*90mm。在牌照字符區(qū)域中，除省份漢字簡(jiǎn)稱外，數(shù)字及字母均為連續(xù)無間隔的字符。因此對(duì)于車牌字符分割可以尋找連續(xù)連通的區(qū)域范圍對(duì)字符進(jìn)行分割。而對(duì)于漢字的分割，需要設(shè)置適當(dāng)?shù)拈撝担舫鲆欢ㄇ懈羁臻g。由于圖像像素點(diǎn)的個(gè)數(shù)受圖像大小的影響，即圖像像素值越高，其所含像素點(diǎn)越高，圖像組成字符的像素點(diǎn)就越多，為保證在進(jìn)行閾值切割時(shí)對(duì)各種大小的圖像進(jìn)行正確字符切割，在設(shè)定字符切割閾值時(shí)根據(jù)圖像大小對(duì)閾值進(jìn)行調(diào)整，該閾值設(shè)定過程需要大量的圖像分割實(shí)驗(yàn)進(jìn)行設(shè)置。字符分割處理過程如下：對(duì)二值車牌區(qū)域圖像字符進(jìn)行垂直投影，統(tǒng)計(jì)圖像每一個(gè)豎列黑色的像素點(diǎn)的個(gè)數(shù)，得到車牌字符區(qū)域垂直方向的投影圖，字符間間隔的寬度為黑色像素點(diǎn)低于分割閾值的行坐標(biāo)位置。在得到的垂直投影圖中判斷字符的起點(diǎn)，垂直方向上連續(xù)低于分割閾值，直到遇到高于分割閾值的行坐標(biāo)位置，作為字符起點(diǎn)，對(duì)該起點(diǎn)坐標(biāo)進(jìn)行保存，繼續(xù)掃描投影圖，垂直方向上連續(xù)高于閾值，直到遇到低于分割閾值的行坐標(biāo)位置，作為字符終點(diǎn)，對(duì)該起點(diǎn)坐標(biāo)進(jìn)行保存。重復(fù)以上掃描過程，直到完成七個(gè)字符的區(qū)域定位。完成對(duì)各個(gè)字符的分割后，將分割出來的七個(gè)保存在新的矩陣中。分割后的七個(gè)如圖4.5所示。(b)車牌字符(b)切割后分別顯示字符圖4.5車牌字符完成切割4.4字符統(tǒng)一攝像頭的拍攝角度偏差除了造成車牌角度的偏轉(zhuǎn)，還會(huì)造成車牌區(qū)域字符字體大小不統(tǒng)一，位置不統(tǒng)一，甚至造成字體的扭曲，因此在完成對(duì)字符的分割后，需要對(duì)字符進(jìn)行位置的統(tǒng)一與字體大小的統(tǒng)一。4.4.1字符位置統(tǒng)一由于車牌圖像傾斜，造成對(duì)車牌斜度矯正后字符出現(xiàn)上下偏的現(xiàn)象，同時(shí)也可能因?yàn)樵谶M(jìn)行字符切割時(shí)的不準(zhǔn)確，出現(xiàn)字符左右偏的現(xiàn)象。對(duì)于字符位置偏差的誤差，可以取字符的中心像素點(diǎn)作為字符偏移質(zhì)點(diǎn)，以質(zhì)點(diǎn)為基準(zhǔn)，對(duì)字符有效像素點(diǎn)進(jìn)行整體的偏移，把整個(gè)字符像素點(diǎn)移動(dòng)到預(yù)定位置。以中心質(zhì)點(diǎn)對(duì)字符進(jìn)行偏移的公式如(4.8)、（4.9）。(4.8)(4.9)4.4.2字符大小統(tǒng)一為盡可能將圖像中變形的字符進(jìn)行像素點(diǎn)陣進(jìn)行恢復(fù)，同時(shí)使分割出來的字符的尺寸大小保持一致，本課題研究采用雙線性插值的方法對(duì)單個(gè)字符進(jìn)行處理，將字符的像素點(diǎn)矩陣縮小到統(tǒng)一的尺寸。對(duì)字符大小格式進(jìn)行統(tǒng)一，能夠在最后處理階段對(duì)字符進(jìn)行識(shí)別的過程中，提高字符與模板對(duì)比的識(shí)別率。本課題研究使用雙線插值法把車牌字符大小歸一化到110*55的尺寸，在所創(chuàng)建的新的圖像中[7]，對(duì)于某一個(gè)像素點(diǎn)的灰度值，其大小取決于原灰度圖中對(duì)應(yīng)位置的相鄰構(gòu)成的矩陣的四個(gè)像素低。以這四個(gè)像素點(diǎn)像素值進(jìn)行加權(quán)運(yùn)算出灰度值就是新的圖像中像素點(diǎn)的像素值，圖4.6為雙線性插值圖。圖4.6像素點(diǎn)雙線插值示意圖通過公式(4.10)、(4.11)、(4.12)完成對(duì)質(zhì)點(diǎn)的雙線性插值計(jì)算。(4.10)(4.11)(4.12)完成了字符大小尺寸的統(tǒng)一處理，還需改善字體扭曲變形的現(xiàn)象。除利用字符像素點(diǎn)矩形點(diǎn)陣的像素點(diǎn)質(zhì)心外，還需引入字符點(diǎn)陣水平與垂直方向上的離散因子，和。公式（4.13）、（4.14）求與。(4.13)(4.14)本課題研究對(duì)字符像素點(diǎn)陣的有效像素點(diǎn)在水平和垂直方向上的拉伸、縮小，來調(diào)整字符像素點(diǎn)陣相對(duì)質(zhì)心離散因子，達(dá)到字符拉伸縮放。4.5本章小結(jié)本章主要對(duì)車牌區(qū)域圖像進(jìn)行斜度矯正，對(duì)矯正后的圖像進(jìn)行閾值分割，把車牌字符分割出來，將分割后出來的七個(gè)字符分別進(jìn)行大小的統(tǒng)一與位置的統(tǒng)一。5字符識(shí)別在完成對(duì)車牌字符分割后，需要將字符識(shí)別出來，將圖像字符轉(zhuǎn)化為計(jì)算機(jī)數(shù)據(jù)常量，以供計(jì)算機(jī)對(duì)車牌字符數(shù)據(jù)進(jìn)行數(shù)據(jù)庫的數(shù)據(jù)上傳、對(duì)比等計(jì)算機(jī)操作。5.1字符識(shí)別實(shí)現(xiàn)方式目前字符識(shí)別方式比較常用的方式有基于模板匹配的方式、基于神經(jīng)網(wǎng)絡(luò)的的方式、利用圖像特征字符識(shí)別以及基于支持向量機(jī)的車牌字符識(shí)別。基于模板匹配的的方法。使用該方法需要建立一個(gè)字體模板庫，模板庫需要包含車牌字符可能出現(xiàn)的所有字符模板。在對(duì)單個(gè)字符識(shí)別時(shí)，把要識(shí)別的字符與模板庫對(duì)比，比較待識(shí)別字符與模板庫字體模型的特征，找出待識(shí)別字符與字模庫特征相似程度最大的字模，將該字模所代表的字符常量輸出，以此完成字符識(shí)別。基于神經(jīng)網(wǎng)絡(luò)的方式。將待識(shí)別的字符像素點(diǎn)陣作為測(cè)試樣本，創(chuàng)建相應(yīng)的樣本庫以作為訓(xùn)練樣本。神經(jīng)識(shí)別需要一個(gè)訓(xùn)練過程，對(duì)于字符的識(shí)別包括兩個(gè)部分，一是獲得網(wǎng)絡(luò)模型各權(quán)值系數(shù)值；二是利用該網(wǎng)絡(luò)模型與權(quán)值系數(shù)對(duì)測(cè)試樣本進(jìn)行測(cè)試。網(wǎng)絡(luò)模型和各個(gè)權(quán)值系數(shù)的獲取需要經(jīng)過大量的測(cè)試樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練獲得。圖像特征字符識(shí)別方式。借助對(duì)待測(cè)字符樣本的特征統(tǒng)計(jì)進(jìn)行特征提取，而后用具有特定規(guī)則的決策函數(shù)對(duì)特征進(jìn)行決策和分類。該方式對(duì)初始的車牌圖像要求較高，并且在預(yù)處理時(shí)需要經(jīng)過許多精密的處理，力求分割出來的車牌字符處于較為理想的狀態(tài)。基于支持向量機(jī)的字符識(shí)別。其主要的實(shí)現(xiàn)方式是構(gòu)造最理想的一個(gè)平面，該平面使不同的測(cè)試樣本集和與超平面的距離最大化，實(shí)現(xiàn)最大泛化能力。該識(shí)別方式能將大小尺寸統(tǒng)一的字符點(diǎn)陣直接作為樣本輸入，對(duì)其進(jìn)行識(shí)別，同時(shí)也能提取特征，將特征作為輸入。在以上字符識(shí)別方式中，模板匹配的識(shí)別方式最為成熟，其原理簡(jiǎn)單，在車牌字符識(shí)別的過程中能夠較為準(zhǔn)確的對(duì)字符進(jìn)行識(shí)別，識(shí)別速率也快。因此本課題研究就基于模板匹配的識(shí)別方式對(duì)車牌字符進(jìn)行字符識(shí)別。5.2模板匹配的對(duì)比原理在對(duì)一個(gè)待識(shí)別圖像進(jìn)行識(shí)別前，需要對(duì)圖像處理為二值圖像，該二值圖只包含黑色與白色兩種顏色，其顏色值分別為0和1，也就是說，字符其余的像素點(diǎn)的值為1。那么接下來我們要對(duì)像素點(diǎn)進(jìn)行相應(yīng)的邏輯運(yùn)算，以達(dá)到預(yù)期的識(shí)別效果。在數(shù)學(xué)邏輯運(yùn)算中有以下運(yùn)算規(guī)則：0&0=01&1=10&1=01&0=0對(duì)應(yīng)以下顏色值邏輯關(guān)系：黑&黑=黑白&白=白黑&白=黑白&黑=黑由以上邏輯運(yùn)算結(jié)果可知，當(dāng)兩個(gè)對(duì)比圖像的相對(duì)區(qū)域像素點(diǎn)的值一致時(shí)，才能使兩個(gè)對(duì)比圖像的對(duì)比結(jié)果產(chǎn)生與兩個(gè)圖像的一致的區(qū)域像素值。即兩個(gè)對(duì)比圖像中，相同位置的像素點(diǎn)的像素值一致時(shí)，對(duì)比結(jié)果圖像相應(yīng)位置像素點(diǎn)才會(huì)產(chǎn)生一致的像素點(diǎn)值。將要識(shí)別的字符的圖像跟對(duì)應(yīng)的標(biāo)準(zhǔn)模板進(jìn)行邏輯運(yùn)算后得到與待識(shí)別字符相似的字符圖像，待識(shí)別字符與不對(duì)應(yīng)的字符模板邏輯運(yùn)算后產(chǎn)生與待識(shí)別字符圖像像素值分布不一致的圖像，即待識(shí)別字符的白色部分與不應(yīng)對(duì)模板的黑色部分進(jìn)行與運(yùn)算，該對(duì)比結(jié)果圖像中對(duì)比像素點(diǎn)位置的顏色為黑色，與待識(shí)別圖像像素值不一致，識(shí)別失敗。其直觀的對(duì)比圖像如圖5.1所示。(g)A和A與運(yùn)算(b)B和A與運(yùn)算(c)C和A與運(yùn)算(d)A和9與運(yùn)算(e)5和9與運(yùn)算(f)9和9與運(yùn)算(g)京和京與運(yùn)算(h)津和京與運(yùn)算(i)冀和京與運(yùn)算圖5.1字符對(duì)比邏輯運(yùn)算結(jié)果由上圖可知，待識(shí)別字符與相應(yīng)的字模進(jìn)行對(duì)比后，邏輯運(yùn)算產(chǎn)生的字符圖像像素點(diǎn)值分布能夠大致與待識(shí)別字符相似。5.3字符模板匹配的過程要進(jìn)行模板匹配需要制作字符模板庫，以供對(duì)比使用。該字符模板庫包括我國(guó)各省簡(jiǎn)稱，大小字母A到Z，阿拉伯?dāng)?shù)字0到9，共67個(gè)字符模板。在進(jìn)行對(duì)比前需要對(duì)模板庫中字符進(jìn)行歸一化處理，將其統(tǒng)一處理110*55的尺寸大小，與待測(cè)字符尺寸大小一致。字符圖像尺寸大小歸一化在第五章中進(jìn)行了詳細(xì)介紹。除了字符圖像大小統(tǒng)一，還需對(duì)模板字符圖像進(jìn)行二值化處理得到二值圖像矩陣，確保模板字符僅含黑白兩種像素點(diǎn)。（3）把待測(cè)字符圖像矩陣T與字符模板矩陣進(jìn)行比對(duì)，完成兩個(gè)矩陣間的與邏輯運(yùn)算得到一個(gè)結(jié)果字符圖像矩陣。（4）待測(cè)字符圖像與每個(gè)結(jié)果字符圖像比較，找出與待測(cè)字符相似度最高的結(jié)果字符模板，輸出與之對(duì)應(yīng)的字符常量。其實(shí)現(xiàn)通過統(tǒng)計(jì)待識(shí)別字符圖像與對(duì)比結(jié)果字符圖像相應(yīng)像素點(diǎn)位置的相等像素點(diǎn)，相等像素點(diǎn)最多的對(duì)比結(jié)果字符圖像。如公式(5.1)所示。識(shí)別得到的字符矩陣。(5.1)為提高字符識(shí)別正確率與識(shí)別的速度，本課題研究按車牌字符排布規(guī)律對(duì)字符漢字、識(shí)別、字母進(jìn)行分別對(duì)比。經(jīng)過以上步驟的操作，完成車牌的字符識(shí)別，結(jié)束車號(hào)識(shí)別圖像算法處理的最后一步，識(shí)別結(jié)果如圖5.2所示。切割出來的七個(gè)字符(b)字符識(shí)別結(jié)果輸出圖5.2識(shí)別結(jié)果5.4本章小結(jié)本章對(duì)車牌字符識(shí)別進(jìn)行研究，首先對(duì)目前比較常用的車牌字符識(shí)別方式進(jìn)行介紹，繼而采用模板匹配的方法對(duì)字符識(shí)別進(jìn)行研究。其識(shí)別過程主要是將待識(shí)別字符與字符模板庫進(jìn)行對(duì)比，找到待識(shí)別字符與模板字符相似度最大的字符圖像，輸出相應(yīng)的識(shí)別結(jié)果。總結(jié)與展望本課題主要就車牌定位、圖像預(yù)處理、字符分割以及字符識(shí)別進(jìn)行車號(hào)識(shí)別算法研究[7]，通過以上四個(gè)部分對(duì)車牌圖像進(jìn)行處理，完成對(duì)小型汽車藍(lán)底白字牌照字符的識(shí)別并輸出，以供計(jì)算機(jī)對(duì)車牌信息進(jìn)一步處理。該車號(hào)識(shí)別算法能夠在復(fù)雜背景下對(duì)圖像信息進(jìn)行處理，完成車牌圖像的優(yōu)化、尺寸大小的調(diào)整與圖像斜度矯正等圖像的改善，其車牌號(hào)字符正確識(shí)別率達(dá)89%，在對(duì)車牌圖像處理過程中根據(jù)試驗(yàn)調(diào)試的實(shí)際情況不斷對(duì)圖像進(jìn)行修補(bǔ)和優(yōu)化。本課題的車號(hào)識(shí)別算法實(shí)現(xiàn)過程分以下四個(gè)部分。車牌定位：設(shè)置藍(lán)色像素點(diǎn)閾值，掃描X、Y軸兩個(gè)方向的像素點(diǎn)的藍(lán)色像素點(diǎn)，確定車牌字符區(qū)域的上下、左右邊界，完成車牌定位；圖像預(yù)處理：將彩圖進(jìn)行灰度化、二值化、各種形態(tài)學(xué)處理，去除背景干擾信息，使圖像盡可能地只剩下字符信息；字符分割：設(shè)置切割閾值，在字符區(qū)域圖像中尋找連續(xù)連通的單個(gè)字符區(qū)域，保存每個(gè)字符的左右邊界，保存新的字符分割完成的圖像；字符識(shí)別：將待識(shí)別字符與每個(gè)逐個(gè)模板字符進(jìn)行對(duì)比，分別的到結(jié)果字符圖像，找出與待識(shí)別圖像最相似的圖像，輸出相應(yīng)的字符常量。在本車號(hào)識(shí)別算法算法圖像處理研究過程中遇到了很多問題，根據(jù)實(shí)際的解決實(shí)驗(yàn)調(diào)試情況，也相應(yīng)地改進(jìn)程序，對(duì)各種問題進(jìn)行解決。如車牌定位區(qū)域過度切割問題，導(dǎo)致車牌字符區(qū)域不完整或區(qū)域范圍過大，影響進(jìn)一步地圖像處理。針對(duì)這個(gè)問題，區(qū)域切割時(shí)根據(jù)上下邊界的實(shí)際情況與車牌長(zhǎng)寬比例確定車牌區(qū)域的左右邊界。并且根據(jù)實(shí)驗(yàn)調(diào)試結(jié)果對(duì)區(qū)域邊界進(jìn)行一定的縮放。在對(duì)漢字字符進(jìn)行分割時(shí)，一些左右結(jié)構(gòu)的漢字（如桂字）被分割為兩個(gè)字符。經(jīng)調(diào)試分析，該問題由字符分割閾值設(shè)置不準(zhǔn)確引起，修改閾值，調(diào)整分割字符的左右邊界。本課題車牌識(shí)別的算法對(duì)于藍(lán)色背景圖像的識(shí)別存在一定的缺陷，在車牌定位時(shí)無法正確地找到車牌字符區(qū)域。對(duì)于該車牌定位問題處理，后續(xù)嘗試對(duì)車牌圖像進(jìn)行白邊檢測(cè)的方式，以一定長(zhǎng)寬比例的車牌區(qū)域?qū)ふ臆嚺瓢走叄瓿绍嚺频亩ㄎ弧１菊n題完成了對(duì)我國(guó)小型汽車的藍(lán)低白字邊框的牌照車號(hào)的識(shí)別，在本課題接下來的完善中，可在此基礎(chǔ)上添加我國(guó)大型汽車的黃底黑字牌照與警車的白底黑、紅字的車輛牌照進(jìn)行車輛牌照字符的識(shí)別。此識(shí)別項(xiàng)目的添加需要增大字符模板庫，以供其他的車牌字符進(jìn)行對(duì)比，另外需要改變車牌定位的方式，各種相應(yīng)的分割閾值也應(yīng)該有所調(diào)整，同時(shí)對(duì)圖像優(yōu)化部分作更細(xì)化的圖像優(yōu)化處理。最后將本課題的車號(hào)識(shí)別算法的識(shí)別率提高至95%以上。對(duì)識(shí)別算法完善后，將該算法處理方式在STM32單片機(jī)上進(jìn)行識(shí)別，借助單片機(jī)芯片進(jìn)行圖像算法處理。在此基于上添加攝像頭進(jìn)行車牌圖像獲取，以圖像識(shí)別算法的識(shí)別結(jié)果控制關(guān)卡欄桿動(dòng)作。最終，完成整套可投入商用的智能車牌識(shí)別系統(tǒng)。致謝在獲取知識(shí)的過程中我們也許會(huì)也許會(huì)迷茫，懷疑自己，但是要時(shí)刻謹(jǐn)記，人生就是一場(chǎng)又一場(chǎng)的自我挑戰(zhàn)，一個(gè)不斷攻克難關(guān)的過程。在此，我對(duì)在一路上給我?guī)椭娜吮磉_(dá)最真誠(chéng)的感謝。首先，我要感謝我的導(dǎo)師余老師，感謝余老師的實(shí)驗(yàn)室為我提供本課題研究所需的各種資源。余老師教會(huì)了我很多專業(yè)知識(shí)，同時(shí)能夠在我學(xué)習(xí)懈怠的時(shí)候給我提個(gè)醒，也是余老師的善良和耐心教會(huì)了我如何在遇到困難時(shí)保持心態(tài)，如何以平靜的心態(tài)去學(xué)習(xí)，去解決那些自己從未遇到難題。余老師在上課也教導(dǎo)我們要學(xué)以致用，事實(shí)證明，把理論運(yùn)用在實(shí)際的過程中還是會(huì)遇到很多問題。感謝劉老師，我經(jīng)常在遇到問題時(shí)向劉老師尋求幫助，劉老師通常能夠就我的問題給我提出建議，讓我在學(xué)習(xí)與實(shí)踐的過程中少走很多彎路。劉老師也經(jīng)常鼓勵(lì)我們?cè)趯?shí)際項(xiàng)目中學(xué)習(xí)，學(xué)習(xí)一些在在理論學(xué)習(xí)學(xué)不到的東西。在本課題的研究中，劉老師也為我提供了諸多幫助。感謝黃老師，黃老師是一位德高望重的人生導(dǎo)師，他嚴(yán)謹(jǐn)?shù)目蒲袘B(tài)度也時(shí)刻提