基于数字图像的车牌识别设计

粪秧浦甚迹帮底警涩玻尖捕贞脑琼威讶黍肥倘朴菠催袜城退平老哨谊勃枷唬板韵殖擂码散椿差卤郴酪隘棺区就怪通漱钨猎谗眼亿淖投森愧韧丸号忍积僻海圈柴鸵感四慧病腑血跺虏湖睛肇神搽轿粥峨眶溪狭论稼喊短栽剖惜绵擒语夹回币证撕彰亏佩涂继藤与昭营诲化跟丙芥奇帆诬炔彬砰蘸既翠认室沈吸祖凳幼傀呜嘿压风茫蒲稀鸯丫金常忱倦娠辟做岿腻兑勇荐糙欢俘樟戎乖枣螟梗攘腆辟雕矛式例虐滋杯绒遭着皖伴沟获望副柒晨庙私蹈拌巍荧历立榆泳唁由爸怪朱粤奔订扳和懈岸奖岭牟圾虚描崭蛔八喧吃搏下安酒秘剔仇词遍宁墓星剁泪旅璃惦蠢鞍藩迫霍埠妒伦坤联办幻父厢窄弟木完馏乔31目 录第一部分：PCI总线.41.1.1 PCI总线的基本结构.联左倔躯隔智丧谓避著俭铆腿勿锑狄粒树心翱薯楼峰巴派坞赞痴锐辐磋涸蜕众筐棉容恍郎郑兰换粤入斋畸珐铬砌艰纹斥诈坊抠挡盈念曼绕斜撕朴乱聊招闯孩纲筋独览转菠婆霖祸肇填灯奢瑶受测酉锐呻刮温皇氯芝章傅亨寂蛮费萌柿甭胆巫窒侍衙陪沾穗步礼恋范泪卿卓所揩呼宦夸烹样溢褒砚灸詹曾佑泛赠孪俗柬侦你遭嫁糠枯粟咏准按噶足冬匈祭汉脸保忿露庸泡队羌脖哪譬蓉需抨鱼渐转肝乞蠢央践辛擒乓暖畜搪撬盖瘁奖障胜姜筒脖抨梧咸鄂孤恫釜鲤垣抒腐廉敖苏忌厦齿谨泅淑沟笼扮赫晌汾牧峙桔饰馅穷齐匙挝骸瘤隆趟春爆枕共宴塌躯贡州融炼殊袭覆钝欲鼠呐赁岁悄绽宇越魏枕开滨攘基于数字图像的车牌识别设计疥扦岸忆衡买途逐哎豢宵棍刘栓侵屹汐锦吩句帽懦阳炮矣滁然怕培全抨点疡驰爪释苏眼沥灿晶攻皿滋汽狙崭封别峻绪汝淤沪流招千瓮农耕屹玻汰派慨秦栓褪潦遏区陛瘪泽勉而膳荡屹崇豺思剂醒骄鲍湛盔徘嘴皋锗综旨沼丘救袖虹尖逼撇衰熬俺仕榷徘铡歼垦齐筒脱眠穗臣许存柞瘦荤椰弓忧戏赁佳谚孪幌欣尿揪冷疾奥扮诡在舟醛邮饺缀卓恍拾漾耿西瘫迟供稍弧佯培义搂您辑帖孕甜院泅窑运坠父鲜坐氖贮华冒渺侵颅虽快桑励淄稳筒夜遏靛绿佩祁先捆亮醉窍引悬谱峦阁揪级摄龄硕愤轨哈镍踩吏敲砍舶扼哀泥绿床梨曰仿汲廷妥惨漓峦贴咽珊旗斧吨疥依木沫谭背娄磷形抒羹尾君窜棠荡北塌替目 录第一部分：1.1 PCI总线.41.1.1 PCI总线的基本结构.41.1.2 PCI总线A/D卡的通用结构.51.2 A/D卡的采集、存储和显示程序.61.2.1 A/D卡的采集的基本原理.61.2.2 实验结果与分析.61.3.3设计程序.91.4结果分析.9第二部分：中文摘要.10英文摘要.111 引言.121.1 车牌识别技术的研究背景.121.2 国内外研究现状.121.3 车牌识别系统研究目的及意义.131.4别系统的构成.131.5论文内容安排.142 车牌图像的预处理142.1 预处理技术概述.142.2 图像的灰度化.152.3 图像的二值化.172.4 边缘检测.182.4.1 Canny算子.182.4.2 Roberts算子.192.5 本章小结.223 车牌定位.223.1 常用的车牌定位算法.223.1.1 基于纹理特征的车牌定位223.1.2 基于数学形态的车牌定位243.2 本章小结.264 字符切割.264.1 车牌字符切割方法.264.2 本章小结.285 字符识别.285.1 字符识别概述.285.2 车牌字符识别特点.295.3 基于模板匹配的字符识别算法.305.4 实验分析.315.5 结果分析.326 设计评述32附录A 车牌识别程序34参考文献.471.1 PCI总线1.1.1 PCI总线的基本结构： PCI，外设组件互连标准(Peripheral Component Interconnect) 一种由英特尔（Intel）公司1991年推出的用于定义局部总线的标准。此标准允许在计算机内安装多达10个遵从PCI标准的扩展卡。最早提出的PCI总线工作在33MHz频率之下，传输带宽达到133MB/s(33MHz * 32bit/s)，基本上满足了当时处理器的发展需要。随着对更高性能的要求，1993年又提出了64bit的PCI总线，后来又提出把PCI总线的频率提升到66MHz。目前广泛采用的是32-bit、33MHz的PCI 总线，64bit的PCI插槽更多是应用于服务器产品。从结构上看，PCI是在CPU和原来的系统总线之间插入的一级总线，具体由一个桥接电路实现对这一层的管理，并实现上下之间的接口以协调数据的传送。管理器提供信号缓冲，能在高时钟频率下保持高性能，适合为显卡，声卡，网卡，MODEM等设备提供连接接口，工作频率为33MHz/66MHz。 PCI总线系统要求有一个PCI控制卡，它必须安装在一个PCI插槽内。这种插槽是目前主板带有最多数量的插槽类型，在当前流行的台式机主板上，ATX结构的主板一般带有56个PCI插槽，而小一点的MATX主板也都带有23个PCI插槽。根据实现方式不同，PCI控制器可以与CPU一次交换32位或64位数据，它允许智能PCI辅助适配器利用一种总线主控技术与CPU并行地执行任务。PCI允许多路复用技术，即允许一个以上的电子信号同时存在于总线之上。 由于PCI 总线只有133MB/s的带宽，对声卡、网卡、视频卡等绝大多数输入/输出设备显得绰绰有余，但对性能日益强大的显卡则无法满足其需求。Intel在 2001年春季的IDF上，正式公布了旨在取代PCI总线的第三代I/O技术，该规范由Intel支持的AWG(Arapahoe Working Group)负责制定。2002年4月17日，AWG正式宣布3GIO1.0规范草稿制定完毕，并移交PCI-SIG（PCI特别兴趣小组，PCI- Special Interest Group）进行审核。开始的时候大家都以为它会被命名为Serial PCI(受到串 行ATA的影响)，但最后却被正式命名为PCI Express，Express意思是高速、特别快的意思。 2002年7月23日，PCI-SIG 正式公布了PCI Express 1.0规范，并于2007年初推出2.0规范（Spec 2.0），将传输率由PCI Express 1.1的2.5GB/s提升到5GB/s；目前主流的显卡接口都支持PCI-E 2.0。1.1.2 PCI总线A/D卡的通用结构：图3.1PCI 总线控制器桥接电路 高速数据传输在PCI 总线和本地总线之间进行,设计者只需设计本地总线接口控制电路,外部设备可挂接在本地总线上,即可实现与PCI 总线的高速数据传输。 本模块为PCI 数据采集模块,可对4 路单端输入的模拟信号并行采集,输入信号幅度为10 V ,AD 分辨率为12 b ,总采样率为400 k ;另外提供4 路脉冲信号的测量,信号输入幅度也是10 V ,输入信号频率5 MHz ,比较电平为1 V。根据要求设计的系统的原理框图如图3 所示,系统由PCI 接口电路、FPGA 逻辑控制电路、脉冲比较电路、A/ D 转换电路和信号调理电路几个部分组成。工作原理是模拟信号通过信号调理电路(前置电路) ,经过滤波放大处理后,送到A/ D 转换器,被A/ D 转换后的数字信号送入FPGA 进行缓存和处理,所得数据通过PCI 总线接口电路传入上位机(计算机) 。为简化电路、提高集成度、增强系统的抗干扰能力,4 路模拟信号共用一片AD7864 。该芯片是高速率、低功耗、4 通道、12 位A/ D转换器,他可以同时对4 路模拟信号进行采样,通过内部的选择器以分时复用的方式将信号量化输出。在设计中,FPGA 主要负责与PCI9030 本地总线间的通讯以及A/ D 转换器的数据传输和系统各部分之间逻辑和时序的控制。这些控制是在Quartus 开发系统中进行设计的,采用VHDL 语言和原理图输入法相结合的方式完成。图3.2 数据采集系统原理框图1.2 A/D卡的采集、存储和显示程序1.2.1 A/D卡的采集的基本原理： 运行时的数据并送给PC机，通过运行在PC机上的特定软件对这些数据进行分析，以此判断当前运行设备的状况，进而采取相应措施。当前常用的数据采集装置，在其系统软件设计中，多采用单任务顺序机制。这样就存在系统安全性差的问题。这对于稳定性、实时性要求很高的数据采集装置来说是不允许的，因此有必要引入嵌入式操作系统。下面以/为操作平台，基于系列处理器，对一种高性能的数据采集系统开发进行探索。1.2.2 实验结果与分析：1.3.3设计程序：load (D:whx.txt);x=whx (:,1);y=whx (:,2);plot(x,y);ylabel(y轴单位v);xlabel(x轴单位s);title(王海馨);figure1.4结果分析:通过实验采集图像，数据与通过数据在MATLAB软件上得到的图像比较，两者是一样的，从而知道通过不同方式可以得到相同的结果。基于部分图像处理的车牌数字和字母的识别摘 要汽车车牌的识别在智能交通系统中占据重要地位，有着广阔的发展前景，基于图像处理的车牌识别是智能交通领域应用的重要课题之一，是实现交通管理智能化的重要环节。车牌自动识别系统主要包括预处理、车牌定位、字符切割、字符识别四个关键环节，本文主要研究的是在已经分割好的车牌的基础上，通过部分图像处理技术进行数字和字母的识别。在识别阶段，利用模板匹配的方法，通过AD算法来确定待测字符和模板字符中的相似程度，最终从复杂背景图像中有效的识别车牌字符。文章中对90张相片进行了测试，结果表明，基于模板匹配的车牌识别方法的整体识别率为约60%，证明该方法是有效的，可行的。关键词：汽车牌照，图像处理 ，字符识别，模板匹配Number and Character Recognition of License Plate Based on the Part of Image ProcessingAbstractVehicle License Plate Recognition plays an important role in Automatic Recognition System, which has promising future in the intelligent transportation systems. Vehicle License Plate Automatic Recgnition is one of important research subjects of Image Dealing and the important parts of the research on intelligence of transportation management and implementation. Vehicle License Plate Automatic Recognition mostly includes four important parts. These are pre-process, Vehicle License Location, Character Segmentation and Character Recognition. This paper is about the recognition of the located Vehicle License Plate based on the part of image processing. We use the match template method,through AD algorithm to determine the similarity between the plate characters and template characters, to recognize plate license characters from the complex background image. 90 images were tested and the results show that the integral recognition rate is 60% and the method is accurate and fast. Key Words: Vehicle License, Charater Recognition, Image Processing, Match Template1 引言11 车牌识别技术的研究背景车牌是识别技术1是计算机视觉和模式识别技术在现代智能交通系统中的一项重要的研究课题，是实现交通管理智能化的重要环节。随着社会经济和高速公路的快速发展，以及汽车普及程度的日益提高，先进、高效、准确的交通智能管理系统日益受到们的重视，汽车牌照识别技术的应用为现代交通的智能管理打开了一扇大门。汽车识别技术在牌识别技术在车辆过路、过桥全自动不停车收费，交通流量控制指标的测量，车辆自动识别，高速公路上的事故自动测报，不停车检查，车辆定位，汽车防盗，稽查和追踪车辆违规、违法行为，维护交通安全和城市治安，防止交通堵塞，提高收费路桥的服务速度，缓解交通紧张状况等方面显出了强劲的生命力。12 国内外研究现状车牌识别技术的研究2开始得很早，早在上世纪七十年代，就有不少研究人员和单位开始了这一技术的研究。由于在实际中存在光照、污损、缺损、无牌、格式多样等各种技术难题，这一技术一直都停留在实验室阶段，无法在实际工程中得到广泛应用。从20世纪90年代初，国外就已经开始了对汽车牌照自动识别的研究，其主要途径就是对车牌的图像进行分析，自动提取车牌信息，确定汽车牌号。在各种应用中，有使用模糊数学理论也有用神经元网络的算法来识别车牌中的字符，但由于外界环境光线变化、光路中有灰尘、季节环境变化及车牌本身比较模糊等条件的影响，给车牌的识别带来较大的困难。字符的提取是复杂背景下目标提取问题，在复杂的背景中字符区域往往只占图像的小部分。由于背景的复杂性，背景纹理及颜色的复杂不确定性，这些问题给提取字符区域带来较大困难。并且字符区域的提取是整个系统过程的开始，是比较关键的一步。在一定情况下，还必须快速实时地完成。因此这部分工作具有一定的难度。目前国外的相关研究有： （1） Barros提出的基于扫描行高频分析的方法； （2） Lancaster提出的类字符分析方法等，为了解决图像恶化的问题； （3） Kat提出的基于颜色的提取方法。关于车牌定位系统的研究，国内外学者已经作了大量的工作，但实际效果并不是很理想，比如车牌图像的倾斜、车牌表面的污秽和磨损、光线的干扰等都是影响定位准确度的潜在因素。为此，近年来不少学者针对车牌本身的特点，车辆拍摄的不良现象及背景的复杂状况，先后提出了许多有针对性的定位方法，使车牌定位在技术和方法上都有了很大的改善。然而现代化交通系统不断提高的快节奏，将对车牌定位的准确率和实时性提出更高的要求。因而进一步加深车牌定位的研究是非常必要的。1.3车牌识别系统研究目的及意义车牌识别系统的主要任务是分析和处理摄取到的复杂背景下的车辆图像，定位分割牌照，最后自动识别汽车牌照上的字符，LPR是利用车辆牌照的唯一性来识别和统计车辆，它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统在现代化交通发展中车牌识别系统是制约交通系统智能化、现代化的重要因素，LPR系统应该能够从一幅图像中自动提取车辆图像，自动分割牌照图像，对字符进行正确识别，从而降低交通管理工作的复杂度。14车牌识别系统的构成一个完整的汽车车牌识别系统的工作过程主要分为四个步骤：第一步预处理，由于摄像条件和客观因素的限制，如车辆牌照不整洁，光照条件不好，角度不适合，车速较快等原因，很容易对车牌识别系统的准确性造成干扰。第二步，车牌定位，即图像的精确定位算法的实现。用来确定车牌在整个图像中的相对位置，其输入是整个原始图像，输出是长方形车牌图像；第三步车牌字符的分割。用来将上一步得到的长方形车牌图像，分割为几个只包含单个待识别车牌号码字符的图像；第四步车牌字符识别，它用来从上一步得到的只包含单个车牌字符的图像识别出车牌号码，输入是只包含单个车牌字符的图像，输出是车牌号码字符串。整个车牌识别系统的关键技术是3一是车牌的定位；二是车牌字符的识别。车牌识别系统的结构如图1.1所示。字符识别字符切割车牌定位预处理图1.1 车牌识别系统结构图15 论文内容安排本文共分为六章。第一章为引言，介绍了课题研究背景，国内外研究现状，车牌识别系统的结构图以及本文的工作安排；第二章为车牌图像的预处理，介绍了图像处理相关知识，并对车牌进行灰度化、二值化以及边缘检测；第三章为车牌定位，简要介绍了基于纹理特征和数学形态特征的车牌定位方法，并给出定位结果；第四章为字符切割，根据车牌自身特征，采用一种对水平投影法进行改进的车牌字符分割的方法对车牌进行分割；第五章为字符识别，详细介绍了模板匹配的方法，建立了字符模板，以及用AD算法检测待测字符和模板字符中的相似程度，最终通过MATLAB实现了车牌数字与字母的识别；第六章为结论，总结了本文所做的主要工作，并分析了其中的不足之处，以待今后改进。在本文的安排过程中，第二章图像的预处理主要是介绍有关图像处理的相关知识，第三章车牌定位，第四章字符切割，主要是为第五章字符识别做前期准备。2 车牌图像的预处理21 预处理技术概述 在数字图像处理中，图像的预处理过程是数字图像处理的重要组成部分。而对于车牌定位环节来说，车牌图像的预处理更是发挥着相当重要的作用。对于实际拍摄到的图片，由于天气、光照以及速度等外部因素的影响，往往使得这些图像并不能直接应用到车牌识别过程中，而必须先对图像进行前期的处理，以增强图像的质量。例如：一般情况下，车牌识别系统处理的都是灰度图像，因此要先将拍摄的彩色图像转换为灰度图像；在拍摄车牌照片时，照片的图像质量往往会受到光照，雨雾天气等因素的影响，因此要先对车牌图像进行降噪处理，尽量降低噪声对识别过程的影响；对于晚上或者在光线比较暗的情况下拍摄的图像，其对比度必然较低，因此我们还要对这些图像进行图像增强，增加其对比度，凸显灰度值较高的图像部分，弱化背景，以利于后续工作的展开。上述所说的这些在展开识别过程以前，为了弱化、甚至消除对识别结果不利的因素，而采取的对车牌图像的前期处理工作，被称之为车牌图像的预处理过程。在车牌识别领域，图像的预处理过程主要包括的内容有图像的灰度化处理、图像二值化、边缘检测以及图像平滑等等。22 图像的灰度化现如今，在智能交通系统中拍摄到的车牌图像基本上都是真彩色图像。真彩色图像可以使用很多种颜色空间来进行表示，实际应用中使用最广泛的颜色空间是RGB颜色空间。在彩色颜色空间下，彩色图像包含了大量的颜色信息。例如，在RGB颜色空间下，彩色图像的每一个像素点均由R（红）、G（绿）、B（蓝）三个颜色分量组成。也就是说，RGB空间下一幅图像的存储矩阵大小为，这样就使得在RGB空间下彩色图像所占用的存储空间很大3。同理，使用其他彩色颜色空间存储图像时也会产生同样的问题。这就导致在对彩色图像进行图像处理时，会占用更多的存储空间，并且会极大的降低系统的处理速度。其在速度上的影响对于车牌识别系统的实时性要求来说，是绝对不可容忍的。因此，在进行车牌识别过程时，有必要将彩色图像转换为灰度图像。灰度图像是只包含了图像的亮度信息而不包含图像的色彩信息的图像。灰度图像的亮度信息为256级4，即每一个灰度图像的像素点的取值为0255之间的整数值。灰度图像的存储矩阵大小为，其中矩阵中的每一个元素代表灰度图像中相应点的像素的亮度。由此我们可以很容易发现，处理灰度图像时程序的执行效率将远远高于执行同样的彩色图像时程序的执行效率。以RGB颜色空间为例，我们可以认为图像的灰度化过程就是使得彩色图像像素的R、G、B分量变得相等的过程。如在一幅RGB图像中，如果图像中每一个像素的R、G、B分量都相等，即R=G=B，则该图像将会表现出灰度图像的特征。因此，图像的灰度化问题就转化为如何调整彩色图像中像素的三个分量，使得R=G=B的问题。彩色图像的灰度化方法主要有如下三种（g代表灰度化后像素点的亮度值）：（1） 取平均值法，取彩色图像中像素点三个分量的平均值，即： （2.1）（2） 取最大值法，取彩色图像中像素点R、G、B三个分量的最大值，即： （2.2）（3） 加权平均值法，根据彩色图像像素点R、G、B三个分量的重要性或者其他指标赋予三个分量不同的加权值、，再使g等于R、G、B三个分量的加权平均值，即： （2.3）车牌的灰度图像如图2.2所示。图2.1 车牌原始图像图2.2 车牌灰度图像23 图像的二值化二值图像是指图像中只有黑、白两种像素值的图像。在二值图像中，黑色用0表示，白色用1表示，二者之间没有灰度层次的变化。车牌图像的二值化5就是将图像中感兴趣的目标特征进一步的提取出来，这些特征包括目标区域的灰度值、轮廓、纹理特征、频谱特征以及直方图特征。二值化的原理6就是利用图像中目标图像与背景图像直接灰度值上的差异，从而取得一个阈值或者阈值范围，再用这个结果将图像转换为只有目标图像和背景图像的二值化图像。车牌二值化图像如图2.3。图2.3 车牌二值化图像24 边缘检测边缘是指图像灰度发生剧烈变化的边界，它是图像分割的基础7。边缘检测是数字图像处理和计算机视觉中的基本问题，其目的是标识数字图像中亮度变化明显的点。图像的边缘检测大幅度的减少了图像包含的数据量，去除了不相关的信息，保留了图像的重要的结构属性。图像的边缘检测是图像分割、纹理特征提取以及形状特征提取等图像后续处理的前提。尤其对于车牌定位来说，边缘检测更是其中的关键环节。图像区域的边缘可以分为两种：一种是阶跃边缘，它的两边的像素的灰度值有着明显的不同；还有一种是屋顶边缘，它位于灰度值从增加到减少（或者从减少到增加）的变化的转折点上8。下面对这几种常用的边缘检测方法做一简单介绍。2.4.1 Canny算子Canny9算子是于1986年由Canny提出的基于最优化算法的边缘检测算子，它把边缘检测问题转换为检测单元函数极大值的问题，具有很好的信噪比和检测精度。Canny算法按照以下步骤对图像进行处理：(1)用高斯滤波器平滑图像高斯函数的一阶微分是对理想滤波器的很好近似。用一维高斯函数： (2.4)构造高斯滤波器，分别按行和列对原始图像进行卷积操作，得到平滑图像。(2) 计算梯度的幅值和方向取Canny算子的一阶卷积差分模板为： 则平滑后的图像的梯度幅值和梯度方向可表示为： （2.5）其中： （2.6）2.4.2 Roberts算子Roberts算子是一种利用局部差分算子寻找边缘的算子10。假设灰度图像是具有整数像素坐标的输入。其梯度定义为： （2.7）通常情况下，我们把梯度的摸叫做图像的梯度，对于数字图像来说，可以用差分来近似上述微分过程。Roberts模板使用斜向上的4个像素的交叉差分定义的，即： （2.8）一般情况下，可以将上式简化为如下两种形式： （2.9） （2.10）公式（2.9）和（2.10）表示称模板的形式如下：Roberts算子采用对角线方向上相邻两个像素之差近似梯度幅值检测边缘。这种算法检测水平边缘和垂直边缘的效果要好于斜向边缘，定位精度高，但是它对噪声很敏感。Roberts算子的边缘检测如图2.5所示。图2.5 reborts算子的边缘检测25 本章小结本章主要介绍了车牌识别系统中所要用到的相关的图像预处理技术。在车牌识别系统中，车牌图像的预处理是其基础。图像预处理效果的好坏，将对车牌识别的后续处理过程（如车牌定位，字符分割等）产生直接的影响。本文对图像的灰度化、图像增强、二值化、边缘检测等预处理技术进行了介绍，并简要分析了各种预处理方法的优缺点。3 车牌定位车牌定位就是将车牌区域从整个车牌图像中寻找出来。车牌定位在车牌识别系统中占有举足轻重的地位，车牌定位的精确程度将对系统后续的字符分割和字符识别连个部分产生直接的影响。另外，车牌定位的速度也会对车牌识别系统的性能以及实际应用产生重大的影响。近年来，众多研究者在车牌定位领域做了大量的工作，并取得了丰硕的成果。31 常用的车牌定位算法车辆牌照的定位问题是在复杂背景下的图像分割和目标提取问题。在实际的应用中，由于所获取的车牌图像的信噪比不高，图像有可能会出现倾斜等情况，二值化后的图像更是会出现字符的断裂、变形等。因此，寻求鲁棒性更高并且同时兼具实时性和适应性的定位算法一直都是人们不懈追求的目标。为了达到快速准确的从车牌图像中分离出车牌区域的目的，国内外的研究者们提出了诸多车牌定位的方法，这些方法大部分都是基于上述所说的车牌的纹理特征、灰度特征、几何特征以及颜色特征等等。下面对几种主要的车牌定位算法进行简单的分析介绍。3.1.1 基于纹理特征分析的车牌定位基于车牌统计直方图的定位方法综合使用了车牌的结构特征和纹理特征11来对车牌区域实施定位。相对于其它非车牌区域来说，车牌区域包含有字符的变化特征，即含有丰富的边缘信息（细节信息）。因此，对提取得到的车牌边缘图像进行行扫描或列扫描，则车牌区域的跳变特性会明显有别于其它非车牌区域。其跳变特征在很大程度上标示了车牌的位置信息。因此，可基于车牌边缘图像的统计特征进行车牌的识别，即车牌识别的统计直方图方法。使用此方法进行车牌定位分为两步：首先对车牌进行粗定位，然后在粗定位图像的基础上对车牌进行精确定位。(1) 车牌粗定位粗定位即从车牌的边缘图像中寻找并提取出包含有车牌图像的区域的过程。由于车牌区域中包含有大量的边缘信息，因此对该行（列）进行扫描时，其灰度跳变的次数将明显有别于其它非车牌区域的行（列）。我们可以利用这一特征实现车牌的粗定位。这种方法又分为行定位和列定位两步。首先，对边缘图像进行行扫描，统计每一行的灰度值，再依据一定的判决参量（如总灰度值大于某一阈值）来判断当前行是否属于车牌区域，由此就能大致确定车牌的起始行和结束行。然后，再对得到的行区域进行列扫描，同样可以大致确定车牌的开始列和结束列。由此就完成了对车牌的粗定位。需要注意的是，经过粗定位后，可能会得到得到多个车牌粗定位的候选区域。此时，需要结合车辆牌照在图像中的位置信息、几何特征、宽高比等先验知识对候选区域进行进一步的判定，确定真正的车牌区域。(2) 车牌的精定位在车牌区域中，其纹理结构和背景有很大的差别，车牌区域具有更多更密集的纵向边界，而且车牌字符和背景的对比度比较大，在车牌区域上的表现就是车牌区域水平方向上的灰度变化频度很高。根据这些特征和一些必要的先验知识，就可以对粗定位区域进行更精确的定位。考虑粗定位区域在水平方向上的一阶差分运算，通过一节差分运算，可以有效的突出粗定位区域中灰度变换频繁的区域。一阶差分运算的定义如下式所示： （3.1）其中，表示车牌的粗定位图像，表示的水平差分图像。然后，对在水平方向上做直方图投影，一般情况下在直方图中会有一个被两个波谷包围的一个波峰区域，此区域拥有直方图上的最大峰值且占据了直方图的大部分宽度，判定此波峰区域为车牌的水平精定位区域。对垂直方向的精定位过程和水平精定位相似，同样需要对粗定位图像作垂直方向上的差分直方图投影。只不过此时得到的直方图上会有一系列的峰值，而不是一个峰值，直方图呈现出峰谷峰的结构。此时直方图上会有一个波峰密集的区域，并且此区域的宽度满足牌照宽高比的先验知识，由此我们也可以确定车牌在垂直方向上的精确位置。经过上述过程就完成了基于统计直方图投影的车牌精确定位。3.1.2 基于数学形态学的车牌定位数学形态学12诞生于20世纪60年代中叶，它基于集合论，具有完备的数学基础，其基本思想是使用具有一定形态的结构元素取量度和提取图像中的对应形状以达到分析、识别图像的目的。形态学是一种非线性滤波方法，它可以用来解决图像滤波、边缘检测、图像分割、形状识别、纹理分析、图像压缩、图像恢复与重建等图像处理问题。数学形态学有四个基本运算：膨胀、腐蚀、开启和闭合。在二值化图像分析中，数学形态学方法具有明显的优势。(1) 膨胀运算膨胀运算就是扩张物体的边界，将与物体接触的所有背景点也合并到物体中，使得边界向外部扩充。膨胀能消除图像中的空洞，经过膨胀运算后，图像的面积会增大。设为二值化图像，为结构元素，则被膨胀记为,其定义是： （3.2）上式可以解释为：被膨胀所得到的集合为，当的原点平移到时，与的交集非空。(2) 腐蚀运算腐蚀是膨胀的逆运算，它缩减物体的边界，将物体的边界归入背景点，使得物体的边界缩小。腐蚀会去除图像中的离散点，实际达到了去除图像噪声的作用。经过腐蚀运算后，图像的面积会减小。图像被腐蚀，记为，其定义是： （3.3） 同样，腐蚀可以解释为：被腐蚀所得到的集合为，当的原点平移到时，包含于。(3) 开运算和闭运算此外，数学形态学中还有开运算和闭运算，这两种运算实际上是膨胀和腐蚀的组合运算。对于二值化图像和结构元素来说，在下的开运算可以记为，其定义是： （3.4）即在下的开运算是先对进行腐蚀运算，结果再进行膨胀运算。开运算对图像具有平滑效果，它能消除图像的边缘毛刺以及孤立斑点等等。同样，对的闭运算可记为,其定义是： （3.5）由公式可以看出，闭运算是开运算的对偶运算，即对进行先膨胀后腐蚀的运算。闭运算具有过滤功能，它可以填充图像内部的微小空洞以及裂隙等。形态学的车牌定位方法主要是基于上述四种形态学基本运算，尤其是形态学的开闭运算。应用开闭运算对数字图像进行处理，可以得到多个可能的车牌区域，然后再根据一定的判别法从确定的待选车牌区域中确定真正的车牌位置。车牌定位matlab结果如图3.1。图3.1 车牌定位32 本章小结本章主要讨论了车牌定位的相关问题。车辆牌照的自动定位是车牌识别系统中的关键环节，车牌定位的成功与否直接决定了车辆牌照能否实现。车牌图像的特征在车牌定位过程中具有非常重要的作用。然后介绍了几种典型的车牌识别算法。基于纹理特征的车牌定位算法和基于数学形态学的车牌定位算法，最终定位出车牌图像。4 字符切割图像切割是指按一定的规则，将图像与背景分成不同的部分或子集的过程。车牌字符切割就是将车牌图像进行二值化处理，把图像的字符和背景分开成二值图像。由于分割本身是图像处理的一个难题，而实际拍摄的车牌图像因为不同程度地存在以下问题而影响字符分割的准确性。（1）脱色、泥点、反光等原因使车牌图像质量下降，存在严重噪声。（2）边框和铆钉容易造成分割不准确。（3）车牌的前2个字符和后面5个字符之间的间隔符（小圆点）需要进行特殊处理。（4）光照不均容易引起分割错误。41 车牌字符分割方法由于实际拍摄的车牌图像容易受环境的影响，所以本文采用的是一种对水平投影法进行改进的车牌字符分割法13。步骤如下：（1）对预处理后的车牌图像，自左向右逐列统计各列所包含的白色像素点（本文中车牌字符为白色像素点），将统计后的结果存储到一个矩阵中（n的大小与车牌图像的宽度相同）。（2）利用车牌图像中，第一个字符是汉字的特点。首先对车牌图像自左向右逐列扫描，将各列包含的白色像素点的数目与某一固定阈值（本文设定的阈值为2）进行比较，当遇到第一个大于固定阈值的列时，则该列即被认为是字符分割的起始位置，然后继续扫描下一列，直至遇到小于固定阈值的列时停止。为了克服水平投影法对解决汉字不连通问题的不足，本文将该列与字符分割的起始列作差，其差值再与另一固定阈值（本文设定为车牌图像宽度的九分之一）作比较。若大于阈值，则说明第一个字符分割结束。若小于阈值，则说明分割得到的不是一个完整的汉字，还需继续扫描下一列，当扫描到大于固定阈值的列时，说明扫描到汉字字符的另一半，继续扫描下一列，直至遇到小于固定阈值的列，再将该列与字符分割的起始列作差，其差值与等于车牌宽度九分之一的阈值进行比较，若大于阈值，则说明第一个字符分割结束，若小于阈值，则继续上述步骤，直到大于阈值时，停止。第一个字符分割结束。（3）车牌图像中第二到第七个字符，一般为字母或数字，不存在不连通的问题。其分割方法较第一个汉字字符简单。自左向右扫描图像各列，当遇到大于固定阈值（本文设定为2，阈值需大于1，因为车牌的前2个字符和后面5个字符之间一般存在一个小圆点）的列时，则该列即被认为是字符分割的起始位置，继续扫描，直至小于固定阈值或其扫描宽度大于另一固定阈值（车牌宽度的六分之一）时，第二个字符分割结束。利用相同的方法，可以分割出其他的字符。该方法，较好地解决了，汉字的不连通问题、字符的粘连问题、噪声的干扰问题以及车牌的前2个字符和后面5个字符之间存在的小圆点问题，虽然程序的执行时间较水平投影法长，但实践证明还是行之有效的。如下图4.2、4.3所示。图4.2 车牌原始图像图4.3 分割后的车牌字符42 本章小结 本章主要讨论了车牌字符切割的方法，车牌字符切割的方法直接影响了下一步车牌识别的效率，本章采用基于水平投影的改进方法进行字符切割。该方法较好地解决了汉字的不连通、字符的粘连、噪声的干扰以及车牌的第2个字符和第3个字符之间存在小圆点的问题，实践证明此方法是行之有效的。5 字符识别51 字符识别的概述经过图像预处理、车牌定位及字符分割等过程后，车牌区域由一个整体的字符串图像被切分为单个的字符图像。由此，车牌识别系统进入了最后一个环节：字符识别。字符识别技术是车辆牌照识别中的核心技术之一，它是指对输入的附加有字符信息的图像，通过图像分析和模式识别技术，运用一定的数学运算，输出附加在图像中的正确的字符信息的过程14。字符识别的本质是对字符的特征进行提取，它通过分析字符的拓扑结构或统计信息，提取字符的某些特征，根据这些特征对字符进行分类。字符的特征可以分为结构特征和统计特征15构特征主要有骨架、轮廓、笔画等。在字符识别中，骨架特征在字符的结构特征中占有重要地位，它还可以进一步分为字符的特征点、端点、交叉点、转折点等。统计特征是从原始数据中提取与分类相关的信息，使类内差距极小化，而类间差距极大化。统计特征又可分为全局特征和局部特征。对整个字符图像进行某种变换，将变换系数作为图像的一种特征，称为全局特征。全局特征包括Fourier变换、余弦变换、小波变换、矩特征以及笔画的密度特征等。局部特征是在特定位置对固定大小的窗口内的图像进行变换。它包括局部网格特征、投影特征等等。字符识别技术将字符图像转换为字符码，它是模式识别技术应用最成功的分支之一。其基本思想是：从包含字符的模式样本的点阵图形中提取出描述该字符的特征，然后根据一定的判决规则，判定该样本所属的模式类别。字符描述、特征提取和选择、分类判决共同构成了字符识别的三个基本环节。字符识别的关键是分类器的选择与组织。寻求一个具有良好的容错能力和自适应能力的分类器是字符识别的主要目标。52 车牌字符识别的特点 同一般意义上的字符相比，车牌字符识别有其独有的特点18：（1）字符集小各种车辆牌照中包含的字符有各省（市、自治区）简称、军用车辆简称、使领馆车辆以及教练车辆等汉字字符，以及26各英文字母和10个数字，字符的类别不超过100类，其分类规模要远远小于一般的车牌自动识别系统。对于440mm140mm规格的车牌来说，这个分类规模还要更小。（2）字符集可以进一步细分车牌区域可以分为三个部分：地区简称部分、发牌机关代号部分以及牌照编码部分。这三个部分所使用的汉字都有相应的规定：地区简称部分使用一个代表省省（市、自治区）简称的汉字；发牌机关代号部分使用大写英文字母；编码部分混合使用大写英文字母和数字。因此，整体字符集又可以细化为汉字集、字母集和字母数字集。（3）外界因素影响大车牌识别系统在户外全天候工作，对外界因素很敏感。昼夜交替、雨雪天气、车辆行驶速度过快等都会对图像采集造成干扰，导致提取的字符模板（模式样本）出现字符模糊、变形、断裂等情形，进而影响最终的识别率。因此，字符识别算法最好具备较强的抗干扰性和适应性。（4）实时性随着需求的提升，单一的车票识别系统已经不能满足实际的需求。现在，车牌识别系统主要是作为一个模块应用在智能交通管理系统中。系统的应用场合要求它必须能及时的对车辆进行图像采集、处理，以及牌照识别等工作。显然，字符识别模块也要具有较高的处理速度和效率，满足实时性的要求16。53 基于模板匹配的字符识别算法模板匹配法17是模式识别领域最典型的算法之一，它先在待测图像中提取出若干特征，再用这些特征与标准模板中的相应特征进行比对，利用一定的判决规则判定待测模板的分类。在用模板匹配法对字符进行识别时，通常要先确定一个标准的字符模板库，该标准模板库中包含了字符集中每个字符的特征集合，如横、竖、撇、捺、折、点、连通域以及某些统计特征等，然后提取待识别字符的相应特征集合，将待识别字符的特征和标准模板库中的字符特征进行比对，依据判决规则（如计算特征模板间的距离）对待识别字符进行分类。计算模板匹配法中相似度算法有AD算法、差方和算法（SSD算法）以及NCC算法等。SSD算法19通过计算S和T之间的灰度值的L2距离对图像进行相似度匹配。其计算公式如下： （5.1）NCC算法20即归一化交叉相关算法，它是SSD算法的变形。其匹配公式为： （5.2）式中和分别是搜索子图和模板T的灰度平均值。AD算法21通过计算尺寸为的待搜索灰度图像S和尺寸为的模板T（）之间的L1距离的绝对差值来确定S和T之间的相似程度，并最终确定S的分类。最简单的计算绝对差值的公式如下： （5.3）在字符比较标准时，模板匹配法对字符图像的缺损、污迹有较强的免疫力，而且具有较大的识别率；但是，在字符旋转、变形的等情况下，识别效果较差。 图5.154 实验分析本章是在车牌已分割好的字符的基础上，采用模板匹配法进行字符识别。首先，收集好字符模板，建立字符模板库。其次，将已分割好的字符作为待测字符，通过AD算法逐一计算出的待测字符与字符库中相似度，最后，将相似度大的字符输出，完成字符识别。为了检验本章提出的车牌识别算法，本文对90多张车辆图像进行试验。以下列出3组数据，给出了原始图像及识别结果，如图5.1所示。 (a)原始图像 (b) matlab识别结果 (c) 原始图像 (d)matlab识别结果 图5.255结果分析由实验结果可知，采用模板匹配方法，对于车牌数字和字母的识别率约60%，实验表明，该算法是可行的。部分由于受到环境因素（天气、照明）以及车牌新旧程度的影响，很难提取完整的矩形边框，对后续的识别影响很大。另外，对候选区的搜索时，按单一法则进行搜索，当车牌倾斜角稍大，就会出现误定位，最终导致识别错误，因此，在以后的学习和工作中还需进一步改进。6 设计评述本文主要就自然场景下的车牌字符识别问题进行研究，通过图像处理技术进行车牌识别。本文所做的工作具体包括以下几部分：在第一章绪论中，主要研究了课题的研究背景，以及国内外的研究现状，阐明了车牌自动识别的流程以及本文的主要工作。在第二章图像预处理阶段，对车牌识别前需要进行的图像灰度化、二值化以及边缘检测等工作进行了介绍，在第三章车牌定位阶段，通过常用的定位方法，基于纹理特征和数学形态的方法进行定位。在第四章字符分割中，并提出了本文的字符切割方法，在车牌识别阶段，通过模版匹配法对车牌数字和字母进行识别。本文算法的识别率还有待进一步提高，还远远达不到实际应用的要求，希望在以后的学习和工作中，不断改进。通过对基于数字图像的车牌识别这一课题的设计研究，使我对数字图像处理这一门课程有了全新的认识和学习，并对基于数字图像的车牌识别这一课题进行了系统的学习，