交通車牌識別系統(tǒng)畢業(yè)論文

1、<p><b>　　摘 要</b></p><p>　　隨著信息技術(shù)和智能技術(shù)的發(fā)展，交通管理系統(tǒng)的信息化、智能化已成為發(fā)展的趨勢。車牌識別系統(tǒng)(LPR)是智能交通系統(tǒng)的核心組成部分，在現(xiàn)代交通收費管理系統(tǒng)中發(fā)揮著舉足輕重的作用，而車牌定位又是車牌識別系統(tǒng)中的重要環(huán)節(jié)。近年來，對車牌識別系統(tǒng)中關(guān)鍵技術(shù)的研究已經(jīng)成為智能交通領(lǐng)域的一個熱點問題。本文對車牌識別系統(tǒng)中的車牌定位算法進行

2、了比較深入、全面的分析與論述。</p><p>　　基于編程軟件Microsoft Visual C++6.0平臺，利用數(shù)字圖像處理對車牌定位算法進行了實現(xiàn)，并得到了預期的效果。主要步驟包括以下幾個方面：</p><p>　　1.采集到的彩色圖像轉(zhuǎn)換為灰度圖像后，采用直方圖均衡化方法對車牌圖像進行圖像增強。</p><p>　　2.使用Sobel算子對圖像進行邊緣處

3、理，并進一步加深，為車牌定位做好準備工作。</p><p>　　3.針對車牌定位問題，采用模板匹配算法確定車牌區(qū)域，即用一個與車牌部分相似的模板圖像與原圖像進行比較，確定原圖中有與該模板相同或相似的區(qū)域就是車牌所在的區(qū)域，進而定位出車牌。</p><p>　　實驗結(jié)果表明，對圖像進行一系列的處理后進行模板匹配，定位出了車牌所在的區(qū)域，達到了預期的目標。</p><p&g

4、t;　　關(guān)鍵詞：車牌定位；Microsoft Visual C++6.0；數(shù)字圖像處理；圖像轉(zhuǎn)換；模板匹配</p><p><b>　　ABSTRACT</b></p><p>　　With the information technology and intelligent technology development, the traffic management

5、 system and intelligence information has become the development trend. License plate recognition system (LPR) is the core of the intelligent transportation system components, in modern transportation charges administrati

6、on system plays an important role in and license plate localization is an important link in the license plate recognition system. In recent years, the system of vehicle plate recognition</p><p>　　Based on th

7、e software Microsoft Visual C++ 6.0 platform, using digital image processing to license plate localization algorithm was realized, and to get the desired results. Main steps include the following aspects:</p><

8、p>　　The collected color images into the gray image, the method of histogram equalization license plate image of the image enhancement.</p><p>　　Use Sobel operator to do image edge processing, and further

9、deepen, license plate location ready for work.</p><p>　　According to license plate location problem, a template matching algorithms are used to determine the license plate area, which is a part of the licens

10、e plate with similar template image comparison with the original image, sure in the template with the same or similar area is where the license plate area, and locate the license plate.</p><p>　　The experime

11、ntal results show that the image of a series of processing after the template matching, positioning out of the license plate area, achieve the expected goal.</p><p>　　Keywords: License plate location; Micros

12、oft Visual C++ 6.0; Digital image processing; Image transformation; Template matching</p><p><b>　　目 錄</b></p><p><b>　　緒 論2</b></p><p>　　0.1 選題背景和意義2</p

13、><p>　　0.2主要技術(shù)及應(yīng)用領(lǐng)域3</p><p>　　0.3 國內(nèi)外研究現(xiàn)狀4</p><p>　　1. Microsoft Visual C++6.0簡介6</p><p>　　1.1 Microsoft Visual C++6.0的發(fā)展歷程6</p><p>　　1.2Microsoft Visua

14、l C++6.0的基本特點7</p><p>　　1.3 Microsoft Visual C++6.0的新特點7</p><p>　　2.車牌圖像預處理8</p><p>　　2.1 車牌圖像的獲取8</p><p>　　2.2 圖像灰度化8</p><p>　　2.2.1 灰度變換增強9</p&

15、gt;<p>　　2.2.2 灰度變換10</p><p>　　2.3 灰度直方圖12</p><p>　　2.4 直方圖均衡化12</p><p>　　2.5 圖像的邊緣檢測13</p><p>　　2.6 本章小結(jié)16</p><p>　　3.車牌的定位17</p>&l

16、t;p>　　3.1 車牌的特征17</p><p>　　3.2 車牌定位常用方法18</p><p>　　3.2.1 車牌區(qū)域內(nèi)字符的紋理特征18</p><p>　　3.2.2 顏色特征18</p><p>　　3.2.3 頻譜分析法19</p><p>　　3.3 車牌定位算法19</p&g

17、t;<p>　　3.3.1 車牌定位方法的基本思路19</p><p>　　3.3.2 圖像灰度化20</p><p>　　3.3.3 繪制直方圖22</p><p>　　3.3.4 圖像均衡化24</p><p>　　3.3.5 邊緣檢測25</p><p>　　3.3.6 模板匹配27&l

18、t;/p><p>　　3.4 本章小結(jié)30</p><p><b>　　結(jié)論與展望31</b></p><p><b>　　致 謝32</b></p><p><b>　　參考文獻33</b></p><p><b>　　緒 論</

19、b></p><p>　　0.1 選題背景和意義</p><p>　　隨著世界經(jīng)濟的發(fā)展，各國汽車數(shù)量不斷增加，城市交通擁擠和堵塞狀況口益受到人們的重視。如何有效地進行交通管理，越來越成為各國政府和有關(guān)部門所關(guān)注的焦點問題。針對交通迅速發(fā)展所引起的一系列問題，智能交通系統(tǒng)ITS(Intelligent Transportation System)的思想被提到了重要位置。它是以信息技術(shù)

20、為代表的高新技術(shù)在道路交通運輸中的集成應(yīng)用，是先進的信息技術(shù)、數(shù)據(jù)傳輸技術(shù)、控制技術(shù)數(shù)字圖像處理技術(shù)及計算機處理技術(shù)等技術(shù)結(jié)合應(yīng)用的綜合管理系統(tǒng)。車牌識別系統(tǒng)(License Plate Recognition System)正是在這種應(yīng)用環(huán)境下提出來的，它是能自動、實時地檢測車輛經(jīng)過和識別車輛牌照號碼的智能交通管理系統(tǒng)的重要組成部分。車牌識別系統(tǒng)是智能交通系統(tǒng)中一個非常重要的方向，主要由圖像采集、車牌定位、字符分割以及字符識別四部分組

21、成，己經(jīng)越來越受到人們的重視。它具有良好的實際應(yīng)用價值，目前主要應(yīng)用于公路治安卡口、開放式收費站、車載移動查車、違章記錄系統(tǒng)、門禁管理、停車場管理等場合。為了避免人工干預所帶來的弊端，提高管理效率，要求車牌識別系統(tǒng)有更高的準確率、智能化和實時性</p><p>　　我國從70年代開始在傳統(tǒng)的交通運輸和管理中應(yīng)用了電子信息技術(shù)，隨著社會的發(fā)展與進步，我國的道路在未來20年內(nèi)仍然處于建設(shè)階段，這期間正是智能交通系統(tǒng)在

22、世界范圍內(nèi)進入全面實施的階段，因此由我國公路交通的實際需要來說，對在我國公路網(wǎng)中應(yīng)用智能交通系統(tǒng)來提高交通效率、保障安全和保護環(huán)境進行探討，是十分必要的。</p><p>　　目前，對汽車牌照進行識別可以采用IC卡識別技術(shù)或者條形碼識別技術(shù)兩種，但是由于造價昂貴和必須要在全國制定統(tǒng)一的標準等問題，使得這兩種方法推廣不易。而基于數(shù)字圖像處理的車牌識別是一種智能識別方法，這種方法不需要在汽車上安裝任何發(fā)送車牌號碼的車

23、載發(fā)射設(shè)備，對運動或者靜止的車輛均可以進行非接觸性信息采集并實時識別，從而節(jié)省了輔助設(shè)備，降低了成本，提高了識別速度，可以較好的解決實時性和異地適應(yīng)性問題。但是由于天氣、環(huán)境、照明、車速以及車輛自身的狀況等很多原因，所得到的圖像可能存在大量的噪聲和變形，同時還有可能存在車牌被遮擋的情況，從而影響識別率。另外，利用數(shù)字圖像處理技術(shù)進行車牌識別還有一個十分顯著的特點，就是所采用的識別算法對車牌識別的正確率和識別速度有直接的影響。因此，研究基

24、于數(shù)字圖像處理的汽車牌照識別方法，對提于高車牌識別算法的性能具有十分重要的實際意義。</p><p>　　0.2主要技術(shù)及應(yīng)用領(lǐng)域</p><p>　　智能車牌識別是車輛管理的重要前提和關(guān)鍵技術(shù)，車牌定位又是其核心內(nèi)容，主要可分為間接法和直接法兩種。間接法是基于無線射頻識別技術(shù)(Radio Frequency Identification，簡稱RFID，俗稱電子標簽)的自動檢測識別方法;直

25、接法是基于圖像處理技術(shù)的檢測識別方法。車牌識別使用的技術(shù)包括:IC卡識別、條形碼識別、數(shù)字圖像處理、傳統(tǒng)模式識別和人工神經(jīng)網(wǎng)絡(luò)等。</p><p>　　1. IC卡識別技術(shù)</p><p>　　IC卡是一種高科技產(chǎn)品，它集成了微電子技術(shù)、通訊技術(shù)和計算機技術(shù)，這種識別技術(shù)是將車牌號碼以及其它信息存儲于安裝在車輛上的一個微型電子信號的接收、發(fā)射裝置即IC卡上，車輛通過檢測裝置時，司機持IC卡

26、在讀卡機附近晃動，IC卡與讀卡機交換信息，使之識別出車牌信息。雖然IC卡識別誤差率小、運行可靠、可以全天候作業(yè)，但整套裝置昂貴，設(shè)備硬件復雜，不適用于異地作業(yè)，且需要全國范圍內(nèi)統(tǒng)一標準，所以難以推廣。</p><p><b>　　2.條形碼識別技術(shù)</b></p><p>　　條形碼技術(shù)已被廣泛應(yīng)用于眾多領(lǐng)域，如超市銷售、圖書借閱管理、郵政管理、倉庫進出貨管理等。而條

27、形碼技術(shù)被用于車牌照識別還是一種新方法，這種方法是在車輛側(cè)面印刷包含車型、車牌號等信息的條形碼，當車通過檢測裝置時，條形碼所含信息被讀取，從而實現(xiàn)識別功能。雖然條形碼識別誤差率小、識別速度快、成本低、可靠度高，但該技術(shù)對掃描器有著很高的要求，且同IC卡一樣需要全國范圍內(nèi)統(tǒng)一的標準，所以可用性不高。</p><p>　　3.數(shù)字圖像處理技術(shù)</p><p>　　數(shù)字圖像處理(Digital

28、Image Processing)是利用計算機或其它數(shù)字硬件將圖像信號轉(zhuǎn)換成數(shù)字信號并進行處理的過程。亦即把空間上離散、在幅度上量化分層的數(shù)字圖像，用特定的數(shù)學、物理模型處理，從而得到要求所需圖像的過程。基于數(shù)字圖像處理技術(shù)的車牌識別系統(tǒng)，是運用圖像處理技術(shù)提取并處理車牌信息，從而實現(xiàn)車牌識別。這種識別方法具有低成本、識別速度快、對硬件依賴小等優(yōu)點，但車牌識別由于復雜背景已經(jīng)光照條件的影響，其識別率的高低主要取決于識別算法。</p

29、><p>　　4.傳統(tǒng)模式識別技術(shù)</p><p>　　傳統(tǒng)模式識別技術(shù)是基于計算機視覺技術(shù)(Computer Vision Technique)的發(fā)展而出現(xiàn)的，包括模板匹配算法、統(tǒng)計特征法等。運用計算機視覺技術(shù)開發(fā)出的車牌識別系統(tǒng)分為圖像分割、特征提取和模板構(gòu)造、字符識別等三個部分。識別分為兩步:先根據(jù)閉值對應(yīng)的直方圖分割出車牌，再使用預先設(shè)置好的標準字符模板進行模式匹配。這種識別方法的識別

30、率高，但是識別速度較慢。</p><p>　　5.人工神經(jīng)網(wǎng)絡(luò)技術(shù)</p><p>　　使用人工神經(jīng)網(wǎng)絡(luò)解決車牌識別問題是近幾年出現(xiàn)的技術(shù)。由于人工神經(jīng)網(wǎng)絡(luò)技術(shù)具備自適應(yīng)學習功能，并能進行分布式信息存儲，還具有并行計算以及較強的容錯能力等優(yōu)點，所以人工神經(jīng)網(wǎng)絡(luò)技術(shù)能較好的解決車牌識別中因字符殘缺不完整而無法識別的問題。但它的初始權(quán)值常取為零或隨機數(shù)，這無形中增加了網(wǎng)絡(luò)的訓練時間或使系統(tǒng)容易

31、陷入非要求的局部最小值。</p><p>　　總結(jié)上述技術(shù)，可以得出這樣的結(jié)論:現(xiàn)階段，基于數(shù)字圖像處理技術(shù)的車牌識別方式仍然是主流方式，具有很強的可行性。</p><p>　　智能車牌識別系統(tǒng)主要應(yīng)用在以下領(lǐng)域：</p><p>　　停車場管理：對持用相同的RFID的車輛，檢查車牌是否相同。智能停車場對車牌識別的要求主要集中在準確度方面，對時間要求不是很苛刻。&l

32、t;/p><p>　　治安卡口，車輛稽查：在城市的交通要道，架設(shè)“電子眼”，及時獲取“肇事逃逸”車輛地理信息。對車牌識別準確度和速度都有較高要求。另外整個系統(tǒng)應(yīng)該有強大的數(shù)據(jù)支持，保存歷史資料。 </p><p>　　高速公路收費：目前很多高速公路是“貸款筑路，收費還錢”。聯(lián)網(wǎng)收費時，需要通過車牌識別系統(tǒng)計算汽車高速公路里程。

33、 </p><p>　　移動稽查：官方為打擊走私、偷稅、違禁等的非法活動，對疑犯車輛進行跟蹤。用車牌識別系統(tǒng)快速檢查過往車輛。 </p><p>　　地磅稱重管理：用于庫存管理。

34、</p><p>　　交通信息采集：對卡口車輛進行統(tǒng)計，依靠車牌識別對過往車輛計數(shù)。獲得車流密度隨時間變化的關(guān)系。 </p><p>　　路橋、隧道收費：類似高速公路，實現(xiàn)過往車輛自動收費。同時記錄車輛過往時的照片，方便收費系統(tǒng)核實。

35、 </p><p>　　重要機關(guān)單位汽車出入口管理：重要機關(guān)單位(比如駐軍部隊)管理出入車輛。要求車牌識別系統(tǒng)能夠識別軍用車牌。</p><p>　　闖紅燈記錄：車牌識別系統(tǒng)實時接收紅燈信號，根據(jù)路口邏輯計算車道上是否允許通過車輛，對違規(guī)車輛進行記錄，并自動提交罰單。 </

36、p><p>　　城市交通管理：配合指紋識別，人臉識別對城市交通進行管理。比如限制超載，或者記錄車內(nèi)乘客過少(為了保護環(huán)境，轎車內(nèi)最好有三個以上的人)情況。</p><p>　　0.3 國內(nèi)外研究現(xiàn)狀</p><p>　　國外的研究人員對于車牌識別的研究工作開展較早，研究方向主要是分析車牌圖像，提取車牌信息，確定車牌號?，F(xiàn)如今，國外在車牌檢測、識別方面的研究已取得一些令人

37、矚目的成績，開發(fā)出了很多技術(shù)成熟的車牌識別產(chǎn)品。例如英國IPI公司研究開發(fā)的RTVNPR系統(tǒng)，它是一款便攜式的設(shè)備，可以應(yīng)用在道路收費站、交通檢測口等場所;新加坡Optasia公司自行研發(fā)的車牌識別系統(tǒng)IMPS，可以在各種天氣條件和光照環(huán)境下準確定位識別，給出和車牌一致的處理結(jié)果。另外，日本、加拿大、德國、意大利等各發(fā)達國家都有適合于本國車牌的識別系統(tǒng)。國外比較好的車牌定位算法有:J.Barroso等人提出的基于水平線搜索的車牌定位方法

38、;R.Parisi等人提出的基于DFT變換的頻域分析的車牌定位方法; Charl Coetzee提出的基于Niblack二值化算法以及自適應(yīng)邊界搜索算法的車牌定位方法等。</p><p>　　我國對車牌識別技術(shù)的研究工作開始于20世紀90年代，當前比較成熟的產(chǎn)品有:北京漢王公司采用DSP芯片作為識別算法的運行硬件平臺的“漢王眼”;深圳吉通電子有限公司的“車牌通”;上海高德威智能交通系統(tǒng)有限公司的汽車牌照識別器;川

39、大智勝軟件股份有限公司的zTZ000車牌自動識別系統(tǒng)等等。這些產(chǎn)品都達到了較好的識別效果。除此之外，上海交通大學計算機科學和工程系、西安交通大學的圖像處理和識別研究室、浙江大學的自動化系、清華大學人工智能國家重點實驗室等也都在進行類似的研究。國內(nèi)常用的車牌定位技術(shù)有:基于彩色圖像的定位算法;基于邊緣檢測的定位算法;基于灰度值變化的定位算法;基于神經(jīng)網(wǎng)絡(luò)的定位算法;基于遺傳算法的定位算法;基于數(shù)學形態(tài)學的定位算法等。</p>

40、<p>　　由于車牌圖像在采集和傳輸過程中不可避免受到各方面因素的影響，因此目前為止還沒有一種最優(yōu)定位算法。車牌定位目前仍然有以下幾個難點:</p><p>　　(1)環(huán)境干擾。主要是光線對車牌的干擾；</p><p>　　(2)背景干擾。圖像背景復雜多變，一些背景區(qū)域有車牌區(qū)域類似的紋理結(jié)構(gòu)；</p><p>　　(3)車牌污損干擾。車牌因為各種外界或

41、人為原因造成了污損，給定位帶來一定的難度；</p><p>　　(4)圖像干擾。采集到的圖像由于各種原因發(fā)生畸變，很大程度上影響定位的準確率。</p><p>　　1. Microsoft Visual C++6.0簡介</p><p>　　1.1 Microsoft Visual C++6.0的發(fā)展歷程</p><p>　　自1993年M

42、icrosoft公司推出Visual C++1.0后，隨著其新版本的不斷問世，Visual C++已成為專業(yè)程序員進行軟件開發(fā)的首選工具。雖然微軟公司推出了Visual C++.NET(Visual C++7.0)，但它的應(yīng)用的很大的局限性，只適用于Windows 2000,Windows XP和Windows NT4.0。所以實際中，更多的是以Visual C++6.0為平臺。</p><p>　　Micros

43、oft Visual C++ 1.0：集成了MFC2.0，是Visual C++第一代版本，1992年推出，可同時支援16位處理器與32位處理器版，可算是Microsoft C/C++ 7.0的更新版本?！?</p><p>　　Microsoft Visual C++ 1.5：集成了MFC 2.5，增加了“目標文件鏈接嵌入 (OLE)2.0 和支持MFC的開放式數(shù)據(jù)庫鏈接（ODBC）。這個版本只有16位的，也是

44、第一個以CD-ROM為軟件載體的版本。這個版本也沒有所謂“標準版”。它是最后一個支持16位軟件編程的軟件，也是第一個支持基于x86機器的32位編程軟件。　 </p><p>　　Microsoft Visual C++ 2.0 ：集成了MFC 3.0，第一個只發(fā)行32位的版本。這個版本提前發(fā)行了，幾乎成了一個“丟失的版本”。這是因為那個時候 Windows 95（開發(fā)代碼為"Chicago"）

45、還沒有發(fā)行，而Windows NT又只占有很小的市場份額。該版本用戶可以通過微軟公司的訂閱服務(wù)（Microsoft Subscription Service）升級至2.1和2.2版本。微軟公司在這個版本中集成并升級了Visual C++1.5，作為2.0版本（Visual C++ 1.5升級后版本號：1.51）以及2.1版本（Visual C++1.5升級后版本號：1.52）的一部分。Visual C++ 2.x附帶了16位和32位版本

46、的CDK，同時支持Win32s的開發(fā)。Visual C++ 2.2及其后續(xù)版本不再升級Visual C++ 1.5（盡管它一直被集成至Visual C++ 4.x）。盡管出生的比Windows 95早，這個版本的發(fā)行日期還是非常接近Windows 95，可是當Windows 95發(fā)行時， Visual C++ 4.0也已經(jīng)發(fā)行了。因此很多程</p><p>　　Microsoft Visual C++ 4.0：集

47、成了MFC 4.0，這個版本是專門為Windows 95以及Windows NT設(shè)計的。用戶可以通過微軟公司的訂閱服務(wù)（Microsoft Subscription Service）升級至4.1和4.2版本（此版本不再支持Win32s開發(fā)）。 </p><p>　　Microsoft Visual C++ 5.0 ：集成了MFC 4.21，是4.2版以來比較大的一次升級。 </p><p>

48、;　　Microsoft Visual C++ 6.0 ：集成了MFC6.0，于1998發(fā)行。發(fā)行至今一直被廣泛地用于大大小小的項目開發(fā)。但是，這個版本在WindowsXP下運行會出現(xiàn)問題，尤其是在調(diào)試模式的情況下（例如：靜態(tài)變量的值并不會顯示）。 這個調(diào)試問題可以通過打一個叫“Visual C++ 6.0 Processor Pack”的補丁來解決。</p><p>　　Microsoft Visual C++

49、6.0的基本特點</p><p>　　Visual C++6.0由Microsoft開發(fā), 它不僅是一個C++ 編譯器，而且是一個基于Windows操作系統(tǒng)的可視化集成開發(fā)環(huán)境（integrated development environment，IDE）。Visual C++6.0由許多組件組成，包括編輯器、調(diào)試器以及程序向?qū)ppWizard、類向?qū)lass Wizard等開發(fā)工具。 這些組件通過一個名為D

50、eveloper Studio的組件集成為和諧的開發(fā)環(huán)境。Microsoft的主力軟件產(chǎn)品。Visual C++是一個功能強大的可視化軟件開發(fā)工具。 </p><p>　　Visual C++6.0以擁有“語法高亮”，自動編譯功能以及高級除錯功能而著稱。比如，它允許用戶進行遠程調(diào)試，單步執(zhí)行等。還有允許用戶在調(diào)試期間重新編譯被修改的代碼，而不必重新啟動正在調(diào)試的程序。其編譯及創(chuàng)建預編譯頭文件(stdafx.h)、

51、最小重建功能及累加連結(jié)(link)著稱。這些特征明顯縮短程序編輯、編譯及連結(jié)的時間花費，在大型軟件計劃上尤其顯著。Microsoft Visual C++6.0應(yīng)用程序的開發(fā)主要有兩種模式，一種是WIN API方式，另一種則是MFC方式，傳統(tǒng)的WIN API開發(fā)方式比較繁瑣，而MFC則是對WIN API再次封裝，所以MFC相對于WIN API開發(fā)更具備效率優(yōu)勢。Microsoft Visual C++6.0的優(yōu)點是界面簡潔，占用資源少，

52、操作方便。</p><p>　　由于C++是由C語言發(fā)展起來的，也支持C語言的編譯。6.0版本是使用最多的版本，很經(jīng)典。最大的缺點是對于模版的支持比較差?，F(xiàn)在最新補丁為SP6，推薦安裝，否則易出現(xiàn)編譯時假死狀態(tài)。僅支持Windows操作系統(tǒng)。目前發(fā)現(xiàn)與windows 7兼容性不好，安裝成功后可能會出現(xiàn)無法打開cpp文件的現(xiàn)象。</p><p>　　1.3 Microsoft Visual

53、 C++6.0的新特點</p><p>　　● 支持 Windows Azure，微軟云計算架構(gòu)邁入重要里程碑。 </p><p>　　● 助力移動與嵌入式裝置開發(fā)，三屏一云商機無限。 </p><p>　　● 實踐當前最熱門的 Agile/Scrum 開發(fā)方法，強化團隊競爭力。 </p><p>　　● 升級的軟件測試功能及工具，為軟件質(zhì)量

54、嚴格把關(guān)。 </p><p>　　● 搭配 Windows 7，Silverlight 4 與 Office，發(fā)揮多核并行運算威力， </p><p>　　創(chuàng)建美感與效能并重的新一代軟件。 </p><p>　　● 支持最新C++標準，增強IDE，切實提高程序員開發(fā)效率。</p><p><b>　　2.車牌圖像預處理</b&

55、gt;</p><p>　　在景物成像的過程中，受多種因素的影響，圖像質(zhì)量都會有所下降，這種圖像質(zhì)量下降的過程稱為圖像的退化。同樣，在車牌識別系統(tǒng)中，由于自然光照度的變化、車輛自身的運動，采集圖像設(shè)備本身的因素等，都會引起牌照圖像的退化，導致對車牌信息的提取干擾很大。所以為了改善退化了的牌照圖像質(zhì)量，必須對圖像進行預處理。對圖像進行預處理，主要包括圖像的灰度化、均衡化、圖像的邊緣檢測等。</p>&

56、lt;p>　　2.1 車牌圖像的獲取</p><p>　　進行車牌圖像預處理之前，先要獲得一幅汽車圖片，車輛圖像的采集是整個系統(tǒng)的第一步，采集的圖像效果好壞直接影響后續(xù)的處理，一般車輛圖像都是室外拍攝，因此不可避免地受到自然光線、季節(jié)等的影響。</p><p>　　在動態(tài)的車輛牌照識別中，圖像的采集和后續(xù)的識別工作應(yīng)該是緊密相連的，要能體現(xiàn)實時性，不能有太長的延時，否則就沒有多大的實

57、用價值。傳統(tǒng)的以地感線圈和采集卡為核心的汽車收費系統(tǒng)的設(shè)計如下:硬件設(shè)備包括車道前線圈傳感器、抓拍控制器、CCD攝像頭、圖像采集卡、輔助照明設(shè)備和工控計算機等，信號的觸發(fā)機制有地感觸發(fā)、紅外線觸發(fā)以及電子標簽觸發(fā)等等，在這里對車道前線圈傳感器具體采用地感觸發(fā)的地感線圈，當?shù)馗芯€圈感應(yīng)到汽車通過關(guān)口時，發(fā)出信號給抓拍控制器，抓拍控制器控制圖像采集卡采集車輛圖像并數(shù)字化后送入計算機，經(jīng)車牌識別軟件得到車牌字符，由收費系統(tǒng)查詢相應(yīng)的數(shù)據(jù)庫或添

58、加新的車牌記錄，進行收費、統(tǒng)計、查詢以及通緝報警等操作。 </p><p>　　近年來，數(shù)碼相機以其高分辨率、方便、快捷等優(yōu)點受到廣泛關(guān)注?；跀?shù)碼相機的圖像采集系統(tǒng)框圖如圖2. 1所示。數(shù)碼相機攝取圖像后通過串行口傳輸?shù)接嬎銠C進行處理，計算機可通過相機的驅(qū)動軟件直接控制數(shù)碼相機。</p><p>　　圖2.1 基于數(shù)碼相機的圖像采集系統(tǒng)框圖</p><p>&l

59、t;b>　　2.2 圖像灰度化</b></p><p>　　目前，我們對車牌原始圖像的采集大都是通過攝像機、數(shù)碼相機等設(shè)備來拍攝獲取的。因此，一般情況下我們得到的都是彩色圖像。彩色圖像包含大量的顏色信息，它的每個像素都具有二個不同的顏色分量R, G, B，所以其需要占用的存儲空間很大，而在對其進行處理時也會浪費較多的系統(tǒng)資源，會降低系統(tǒng)的執(zhí)行速度。而灰度圖是只含亮度信息不含色彩信息的圖像，其中亮

60、度值量化為256級。灰度圖進行算法處理相對方便，首先RGB值一樣，目_圖像數(shù)據(jù)就是調(diào)色板索引值，也就是實際的RGB亮度值，又因調(diào)色板是256色的，所以圖像數(shù)據(jù)中一個字節(jié)代表一個像素。如果是彩色的256色，則經(jīng)過圖像處理算法后，可能產(chǎn)生不屬于這256種顏色的新顏色，而真彩色RGB圖像必須用二個與圖像尺寸相同的矩陣來存儲，這樣計算代價過大。所以，在實驗室中一般采用256級灰度圖來進行處理。拍攝的車輛圖像默認為24位真彩色圖像。常規(guī)的灰度化轉(zhuǎn)

61、換方法為:首先將原始圖像從RGB空間轉(zhuǎn)化為YCbCr空間，Y分量包含亮度信息，Cb分量包含色度信息，Cr分量包含飽和度信息，然后僅提取Y分量即生成灰度圖。</p><p>　　彩色圖像由RGB空間變換為YCbCr空間的轉(zhuǎn)化關(guān)系為：</p><p>　　彩色圖像由YCbCr空間變換為RGB空間的轉(zhuǎn)換關(guān)系為：</p><p>　　所以，最終得到RGB顏色和灰度值的轉(zhuǎn)換關(guān)

62、系：</p><p>　　由于處理灰度圖像的速度會比處理彩色空間的圖像快很多，加上在拍攝照片時，不可避免的受到天氣和光線的影響導致車輛本身的顏色區(qū)分度不夠明顯，因此絕大多數(shù)的LPR系統(tǒng)采取對灰度圖像進行處理。本文所研究的算法也是在灰度圖的基礎(chǔ)上進行的，值得注意的是首先提取了色彩方面的相關(guān)信息，然后把圖像的格式轉(zhuǎn)換為256色的BMP文件(即位圖文件)，對256色位圖進行灰度化等處理。在轉(zhuǎn)換的過程中圖像往往會出現(xiàn)一定

63、的損失，所以又稱有損轉(zhuǎn)換。</p><p>　　2.2.1 灰度變換增強</p><p>　　由于車牌圖像在拍攝時受各種各樣條件的限制和干擾，圖像的灰度值往往與實際景物不完全匹配。一般成像系統(tǒng)只具有一定的亮度范圍，亮度的最大值和最小值之比稱為對比度。由于成像系統(tǒng)的亮度有限，常出現(xiàn)對比度不足的情況，使人眼觀看圖像時視覺效果很差，這將直接影響到圖像的后續(xù)處理。通過灰度變換可以增強對比度，改善視

64、覺效果。</p><p>　　2.2.2 灰度變換</p><p>　　如果造成對比度不足的原因主要是由于被攝目標的遠距不同，使得圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產(chǎn)生圖像灰度失真，或是由于曝光不足或過度而使得圖像的灰度值被限制在一個很小的范圍。這時人們看到的將是一個模糊不清、似乎沒有灰度層次的圖像?？梢圆捎没叶茸儞Q的方法來處理，增強灰度的變

65、化范圍、豐富灰度層次，達到增強圖像對比度的目的。用一個線性單值函數(shù)，對圖像內(nèi)的每一個像素作線性擴展，將有效的改善圖像的視覺效果。</p><p>　　如果原圖像f(x,y)中，大部分像素的灰度級在一個比較小的范圍內(nèi)，或者我們只對灰度級在某一范圍內(nèi)的像素感興趣，設(shè)這一灰度范圍為[a,b]。經(jīng)過線性灰度變換后，可以將這一灰度范圍[a,b]擴展到圖像到g(x,y)中一個比較大的灰度范圍[c,d]，其中g(shù)(x,y)為進行

66、灰度變換后的圖像，并且有|d-c| >| b-a|。如圖2.2所示，f(x,y)和g(x,y)之間的灰度變換關(guān)系如下:</p><p>　　從灰度直方圖分析，由于|d-c| > |b-a|，所以對離散圖像來說，盡管變換前后像素的個數(shù)不變，但是不同像素之間的灰度差變大，圖像質(zhì)量優(yōu)于變換前。但是這種兩端截取式的變換使小于灰度級a和大于等于灰度級b的像素分別強行變?yōu)閏和d，這將會造成一小部分圖像信息的丟失。

67、</p><p>　　圖2.2 線性灰度變換</p><p>　　圖2.3 分段線性灰度變換</p><p>　　同理，可以采取分段線性灰度變換，將圖像灰度區(qū)間分成兩段或多段分別線性變換。分段線性變換的優(yōu)點是可以根據(jù)需要，拉伸感興趣的灰度范圍，相對抑制不感興趣的灰度范圍。分成二段進行線性變換如圖2.3所示，變換公式如下:</p><p>　　

68、圖2.3中對灰度范圍[a,b]進行了灰度擴展，而對灰度范圍[0,a]和[b,m]進行了壓縮。通過調(diào)整折線拐點的位置和分段直線的斜率，可以對任意灰度范圍進行擴展或壓縮。</p><p>　　用某些非線性函數(shù)，例如對數(shù)函數(shù)、指數(shù)函數(shù)等作為映射變換函數(shù)時，可以實現(xiàn)圖像灰度的非線性變換。對數(shù)變換一般為:</p><p>　　其中a, b和c為可調(diào)參數(shù)，用于調(diào)整曲線的位置和形狀，它使圖像的低灰度區(qū)得

69、以擴展，而高灰度區(qū)得到壓縮。與之相對應(yīng)的指數(shù)變換一般為:</p><p>　　其中a, b和c為可調(diào)參數(shù)，用十調(diào)整曲線的位置，它的效果與對數(shù)變換的相反，它使圖像的高灰度區(qū)進行擴展，而對圖像的低灰度區(qū)進行壓縮。</p><p>　　利用對數(shù)函數(shù)進行灰度變換在實際應(yīng)用中有重要意義，它能擴展低灰度區(qū)，符合人們在視覺上的主觀感覺。</p><p><b>　　2.

70、3 灰度直方圖</b></p><p>　　灰度直方圖(Histogram)是灰度級函數(shù)的顯示，描述的是圖像中具有該灰度級的像素的個數(shù)，橫坐標為灰度級，縱坐標為圖像中該灰度級出現(xiàn)的頻率?；叶戎狈綀D是圖像最基本的統(tǒng)計特征，也是數(shù)字圖像處理一種實用工具。</p><p>　　灰度直方圖具有以下三個特性:</p><p>　　(l)直方圖位置的缺失性。指的是直

71、方圖只反映圖像中不同灰度級出現(xiàn)的頻數(shù)，而不反映某一灰度值像素所在位置。</p><p>　　(2)直方圖與圖像的一對多映射特性。指的是任意一幅圖像都有唯一確定的一幅直方圖與之對應(yīng)，而任意一幅直方圖可能反映的是不同圖像的灰度級分布。</p><p>　　(3)直方圖的可疊加性。指的是一幅圖像各子區(qū)域的直方圖之和等于該圖像全圖的直方圖。直方圖的計算非常簡單，令r示灰度級nr表示具有r灰度級像素

72、的個數(shù)，n表示圖像總的像素個數(shù)，則圖像概率密度函數(shù)可表示為：</p><p>　　坐標系中作出與Pr(r)的關(guān)系圖形，即為該圖像的直方圖。車牌圖像具有用L級灰度(L=256，即8位灰度)，大小為m_1Hight*m_1Width,則灰度直方圖可以用如下算法得到:</p><p>　　(1)初始化m_1Count[i]=0;i=0,…,L-1。</p><p>　　(

73、2)統(tǒng)計m_1Count[f(x,y)]++:x,y=0…，m_1Height-1，0,…，m_1Width -1。</p><p>　　2.4 直方圖均衡化</p><p>　　灰度直方圖反映的是數(shù)字圖像中每一灰度級與其出現(xiàn)頻率之間的關(guān)系。它與圖像的清晰性有如下關(guān)系:</p><p>　　(1)暗圖像對應(yīng)的直方圖組成成分分布在灰度值較小的左邊一側(cè)。</p&g

74、t;<p>　　(2)明亮的圖像對應(yīng)的直方圖組成成分則分布在灰度值較大的右邊一側(cè)。</p><p>　　(3)對比度較低的圖像對應(yīng)的直方圖窄而集中于灰度級的中部。</p><p>　　(4)對比度高的圖像對應(yīng)的直方圖分布范圍很寬而且分布均勻。</p><p>　　因此，灰度直方圖反映了圖像的清晰程度，當直方圖分布均勻時，圖像最清晰。</p>

75、<p>　　通過修改灰度直方圖的方法增強圖像是一種實用并且有效的圖像增強技術(shù)。直方圖均衡化(Histogram Equalization)就是這樣一種把給定圖像的直方圖分布變換成均勻直方圖分布的新圖像的方法。通過直方圖均衡化使給定圖像中具有灰度近似且占有大量像素點的區(qū)域的灰度范圍展寬，使大區(qū)域中的微小灰度變化顯現(xiàn)出來，使圖像更清晰，突出了所需目標信息。由信息學的理論來解釋，具有最大嫡(信息量)的圖像為均衡化圖像。直觀地講，

76、直方圖均衡化導致圖像的對比度增加。</p><p>　　直方圖均衡化處理以累積分布函數(shù)變換法為基礎(chǔ)。設(shè);代表原圖像中像素的灰度級，在灰度級中r=0代表黑，r=1代表白，r ∈[0,1]，變換函數(shù)為:</p><p>　　式中ω是積分變量，T(r)是r的累積分布函數(shù)。這里，累積分布函數(shù)是r的函數(shù)，且從0到1單調(diào)增加，所以變換函數(shù)s= T(r)滿足以下兩個條件:</p><

77、p>　　1) T(r)0<r< 1內(nèi)單調(diào)增加，保證灰度級從黑到白的次序不變； </p><p>　　2)在0< r< 1內(nèi)有0< T(r)<1，保證映射后的像素灰度值在允許范圍內(nèi)。</p><p>　　經(jīng)推導，用r的累積分布函數(shù)作變換函數(shù)，產(chǎn)生的是一幅灰度級分布具有均勻概率密度的圖像。其結(jié)果擴展了像素取值的動態(tài)范圍。當灰度級是離散值時，可用頻數(shù)近似

78、代替概率值，則其累積分布函數(shù)為:</p><p>　　車輛灰度圖像直方圖均衡化算法流程如下:</p><p>　　(1)遍歷整個圖像中的所有像素點，用一個數(shù)組m_1Count[]記錄統(tǒng)計圖像中各灰度級像素點的數(shù)目nk, k=0,1,…，l-1;</p><p>　　(2)創(chuàng)建一個新數(shù)組bMap，用其記錄原來灰度值與新灰度值之間的映射關(guān)系。映射關(guān)系可以表示為bMap

79、[i] _ (BYTE) (1Temp * 255 / (1Height * 1Width))，其中1Temp為原灰度統(tǒng)計數(shù)組中低于灰度值i的所有像素點的個數(shù)之和，1Height、1Width分別為圖像的高度和寬度;</p><p>　　(3)將當前點的灰度值更新為映射后的灰度值。</p><p>　　根據(jù)原圖像的直方圖統(tǒng)計值就可以算出均衡化后各像素的灰度值。按上述步驟對圖像進行均衡化處理

80、時，直方圖上灰度分布較密的部分被拉伸，灰度分布稀疏的部分被壓縮，從而使一幅圖像的對比度在總體上得到很大的增強。</p><p>　　直方圖均衡化的結(jié)果如圖所示。可以看出直方圖均衡化以后的圖像對比度得到了增強，它的直方圖接近十均勻分布，各灰度級出現(xiàn)的概率基本相同。</p><p>　　2.5 圖像的邊緣檢測</p><p>　　所謂邊緣是指其周圍像素灰度值呈階躍變化

81、或屋頂狀變化的那些像素的集合，它存在于目標與背景、目標與目標、區(qū)域與區(qū)域，基元與基元之間。因此它是圖像分割所依賴的重要特征，也是紋理特征的重要信息源和形狀特征的基礎(chǔ)；而圖像的紋理形狀特征的提取又常常依賴于圖像分割。圖像的邊緣提取也是圖像匹配的基礎(chǔ)，因為它是位置的標志，對灰度的變化不敏感，它可作為匹配的特征點。圖像的其他特征都是由邊緣和區(qū)域這些基本特征推導出來的，邊緣具有方向和幅度兩個特征。沿邊緣走向，像素值變化比較平緩；而垂直于邊緣走向

82、，則像素值變化比較劇烈。而這種劇烈可能呈現(xiàn)階躍狀，也可能呈現(xiàn)斜坡狀。邊緣上像素值的一階導數(shù)較大；二階導數(shù)在邊緣處值為零，呈現(xiàn)零交叉。</p><p>　　邊緣檢測是一種確定圖像中物體邊界的方法，簡言之，邊緣檢測就是用邊緣點勾畫出物體的輪廓。在實質(zhì)上是一種梯度銳化的方法，在圖像變化緩慢的地方其值很小(對應(yīng)于圖像較暗)；而在線條輪廓等變化較快的地方的值很大。這就是圖像在經(jīng)過梯度運算后使輪廓清晰化從而達到銳化的目的。經(jīng)

83、典的、最簡單的邊緣檢測方法是對原始圖像按像素的某鄰域構(gòu)造邊緣算子。由于原始圖像往往含有噪聲，而邊緣和噪聲在空間域上表現(xiàn)為灰度有比較大的起落；在頻域則反映為同是高頻分量，這就給邊緣檢測帶來困難。Marr 和 Hildreth 提出的零交叉邊緣檢測是一種十分有效的方法，他們認為：其一，圖像強度的突變將在一階導數(shù)中產(chǎn)生一個峰或等價于二階導數(shù)中產(chǎn)生一個零交叉(Zero-Crossing)；其二，圖像中的強度變化是以不同的尺度出現(xiàn)的，故應(yīng)該用若干

84、大小不同的算子才能取得良好的檢測效果。常見的邊緣檢測算子有梯度算子、Roberts 算子、Laplacian 算子、Krisch 算子、Sobel 算子、Prewitt 算子等。</p><p>　　1. Roberts 算子</p><p>　　圖2.4 Roberts邊緣算子模板</p><p>　　圖 2.4 采用了兩個 2×2 卷積核形成 Rob

85、erts 邊緣算子，圖像中的每個點都用這兩個核進行卷積，運算結(jié)果是一幅邊緣幅度圖像。</p><p>　　Roberts 算子對邊緣定位比較準，所以分割結(jié)果的邊界寬度不像后面的Prewitt 算子分割的那樣寬。在圖像噪聲較少的情況下，分割的結(jié)果還是相當不錯的。對具有陡峭的低噪聲圖像響應(yīng)最好。像 Sobel 算子、Prewitt 算子、Krisch算子都是 3×3 的算子，它們對灰度漸變和噪聲較多的圖像處

86、理得較好。</p><p>　　2. Prewitt算子</p><p>　　圖2.5 Prewitt算子模板</p><p>　　圖 2.5 所示的兩個卷積核形成了 Prewitt 邊緣算子，和使用 Roberts 算子的方法—樣，圖像中的每個點都用這兩個核進行卷積，取最大值作為輸出，Prewitt算子也產(chǎn)生一幅邊緣幅度圖像。 </p><

87、p>　　Prewitt 算子并不是各向同性的，邊緣并不是完全連通的，有一定程度的斷開，而使用 Roberts 算子和拉普拉斯算子就不存在這樣的問題。對邊緣定位不如Roberts 算子。</p><p>　　3. Sobel 算子</p><p>　　圖2.6（a）Sobel垂直邊緣算子 圖2.6（b）Sobel水平邊緣算子</p><p>　　圖 2.6

88、所示的兩個卷積核形成了 Sobel 邊緣算子，圖像中的每個點都用這兩個核做卷積，一個核對通常的垂直邊緣響應(yīng)最大，即為圖 2.6(a)的 Sobel 垂直邊緣算子，而另一個對水平邊緣響應(yīng)最大，即為圖 2.6(b)的 Sobel 水平邊緣算子兩個卷積的最大值作為該點的輸出值，運算結(jié)果是一幅邊緣幅度圖像。</p><p>　　Sobel 算子對噪聲有抑制作用，因此不會出現(xiàn)很多孤立的邊緣像素點。此種算子對邊緣的檢測還是較

89、準確的，在邊緣灰度值過渡比較尖銳且圖像中噪聲比較小時，該算子的工作效果較好。 </p><p>　　4. Krisch算子</p><p>　　圖2.7 Krisch算子模板</p><p>　　圖 2.7 所示的 8 個卷積核組成了 Krisch 邊緣算子。圖像中的每個點都用 8個核進行卷積，每個核都對某個特定邊緣方向做出最大響應(yīng)，把所有 8 個方向中的最大

90、值作為邊緣幅度圖像的輸出，最大響應(yīng)掩模的序號構(gòu)成了邊緣方向的編碼。</p><p>　　Krisch 算子是由 8 個 3×3 卷積核組成的算子，圖像中的每個點都用 8 個卷積核進行卷積，每個卷積核都對某個特定邊緣方向做出最大響應(yīng)，所有 8 個方向中的最大值作為邊緣幅度圖像的輸出。它對灰度漸變和噪聲較多的圖像處理得較好。</p><p>　　5. Laplacian算子<

91、/p><p>　　圖2.8 Laplacian算子模板</p><p>　　圖 2.8 所示的兩個卷積核形成了通常使用的 Laplacian(拉普拉斯)邊緣算子，該算子是對二維函數(shù)進行運算的二階導數(shù)算子。</p><p>　　Laplacian 算子是二階微分算子，對噪聲比較敏感，所以分割結(jié)果中在一些像素上出現(xiàn)了散碎的邊緣像素點。可以證明，它具有各向同性，即與坐標軸方

92、向無關(guān)，坐標軸旋轉(zhuǎn)后梯度結(jié)果不變。它是一個與邊緣方向無關(guān)的邊緣檢測算子。</p><p><b>　　2.6 本章小結(jié)</b></p><p>　　這一章首先介紹了本文中車牌圖片的獲取辦法，主要是數(shù)碼相機進行拍攝得到的照片，這些照片在拍攝時會有意識的選取一些較為復雜的背景，以驗證系統(tǒng)的定位能力。接著討論了圖像的灰度化、灰度變換增強、直方圖、邊緣檢測等比較經(jīng)典的算法。

93、它們在以后的車牌識別、字符分割和字符識別中會經(jīng)常用到，所以應(yīng)該說這些算法是屬于車牌定位算法不可分割的一部分。在合適的場合采用合適的圖像預處理算法，可以有效改善退化圖像的視覺效果，有利于對圖像進行更進一步的處理。</p><p><b>　　3.車牌的定位</b></p><p>　　車牌定位的主要工作是從攝入的汽車圖像中找到汽車牌照所在的位置，并把車牌從該區(qū)域中準確地

94、分割出來，供字符分割使用。因此，牌照區(qū)域的確定是影響系統(tǒng)性能的重要因素之一。車牌定位是車牌識別技術(shù)的一個關(guān)鍵技術(shù)，牌照定位的準確與否直接影響到字符分割和字符識別的準確率，并且直接影響著車牌識別系統(tǒng)的效率。在車牌定位算法中，關(guān)鍵是尋找某種圖像處理方法，使原始圖像經(jīng)過該算法的處理后能夠清楚的顯示出車牌區(qū)域，同時使圖像中的非車牌區(qū)域消失或者減弱，從而能準確有效的定位出車牌在圖像中的位置。由于車輛圖像都是采集于自然環(huán)境當中，而在自然環(huán)境中車牌和

95、背景的成像條件一般是不可控制的，隨機變化的因素(尤其是光照條件)和復雜的背景信息給目標搜索帶來巨大的困難，不同的光照下，車牌的顏色、亮度、明暗對比度變化都很大，背景信息往往比車牌信息更加復雜，某些背景區(qū)域又可能與車牌區(qū)域差異不大。再加上拍攝距離、角度的不同，要從種種干擾中區(qū)分出車牌區(qū)域是十分困難的。而車牌區(qū)域在整幅圖像中所占的比例比較小，要從整幅圖像中定位車牌區(qū)域必然要在大量的背景信息中搜索，而且應(yīng)用的特殊性，要求快速、準確地完成車牌定

96、位。如果沒有高效率的搜索方法，就要</p><p><b>　　3.1 車牌的特征</b></p><p>　　車牌的本身具有許多固有特征，這些特征對于不同的國家是不同的，我國現(xiàn)在使用的車牌的模型化知識，主要是根據(jù)中華人民共和國機動車牌號 GA36-92標準。它具有以下的特征:</p><p>　　1.字符特征:標準的車牌(軍車，警車，教練車，

97、外交車除外)上有七個字符，字符樣式為 X,XzX3X4X5X6X7}。其中 X，是各省、直轄市的簡稱，Xz 是英文字母，X3X4是英文字母或者阿拉伯數(shù)字，X5X6X7是 3 位阿拉伯數(shù)字。它們基本呈水平排列，在矩形內(nèi)部存在較豐富的邊緣。由此待識別的字符模板可以分為以下三類，漢字(包括省級簡稱、天干、地支以及“警”字)，英文字母和阿拉伯數(shù)字。這部分特征多用在字符切分、構(gòu)件字符特征數(shù)據(jù)庫，對字符進行匹配識別方面。</p>&l

98、t;p>　　2.形狀特征:汽車前車牌的標準外輪廓尺寸為440 × 140，每個字符寬度為45，字符高度為 90，間隔符寬 10，字符間隔 12，整個車牌的寬高比近似為 3: 1。車牌的邊緣是線段圍城的有規(guī)則的矩形，大小變化有一定的范圍，存在最大長度和寬度。這部分特征主要用在車牌的定位分割方面。</p><p>　　3.灰度變化特征:車牌的底色、邊緣顏色以及車牌外的顏色往往都是不相同的，表現(xiàn)在圖像中

99、就是灰度級互不相同，這樣在車牌邊緣形成了灰度突變邊界。實際上，車牌的邊緣在灰度上的表現(xiàn)是一種屋脊狀邊緣。在車牌區(qū)域內(nèi)部，字符和車牌底的灰度較均勻的呈現(xiàn)波峰波谷。這部分特征主要用在對灰度圖像進行車牌定位分割、字符切分方面。</p><p>　　4.顏色特征:現(xiàn)有的車牌底色和字符顏色搭配有四種類型，小功率汽車的藍底白字車牌，大功率汽車的黃底黑字車牌，軍警用的白底黑字車牌，國外駐華使館用的黑底白字車牌?？梢园l(fā)現(xiàn)，車牌二

100、值化有兩種結(jié)果，其中藍底白字車牌和黑底白字車牌的二值化結(jié)果是黑底白字，而黃底黑字車牌和白底黑字車牌的二值化結(jié)果是白底黑字。這部分特征主要用在對彩色圖像進行車牌的定位分割。</p><p>　　3.2 車牌定位常用方法</p><p>　　車牌定位是整個車牌識別系統(tǒng)中較難解決的問題，定位精度和定位時間直接影響整個車牌識別系統(tǒng)的性能。近年來在車牌定位方面主要的算法都是基于灰度圖像的處理技術(shù)。隨

101、著計算機處理速度的不斷加速和硬件價格趨于下降，基于彩色圖像的車牌定位技術(shù)的研究也得到了快速發(fā)展。</p><p>　　車牌定位算法大多是基于汽車牌照的不同特征而提出的，主要包括以下幾小節(jié)內(nèi)容。</p><p>　　3.2.1 車牌區(qū)域內(nèi)字符的紋理特征</p><p>　　包括利用字符寬度和高度、筆劃寬度、字符串的長度、字符的連通性。將數(shù)字信號處理技術(shù)應(yīng)用與車牌紋理分

102、析中，利用紋理特征，采用 Gabor 小波和K-means 聚類算法完成車牌分割，進行水平掃描，利用車牌字符與背景的灰度跳變實現(xiàn)車牌提取。張西寧和鄭南寧通過提取車牌的垂直邊緣和分析紋理特征來確定車牌的位置。文獻提出了利用掃描行離差數(shù)據(jù)、有效谷峰點特征及先驗知識來初步定位車牌區(qū)域。楊海廷根據(jù)車牌區(qū)域的豎向紋理特征比非車牌區(qū)域豐富的特性提出了基于豎向紋理特征的車牌定位方法。Barroso J 等提出的基于水平線搜索的定位方法，以及 Bula

103、s J 等提出基于掃描行的提取方法。這些方法對圖像的質(zhì)量要求較高。</p><p>　　3.2.2 顏色特征</p><p>　　中國車牌主要由四種類型組成:黃底黑字、藍底白字、白底黑字、黑底白字。車牌底色和字符顏色反差很大，根據(jù)這些顏色信息可以準確地定位出車牌的邊界。Nijhui:提出基于顏色的車牌提取算法。金玲玲采用彩色分割及多級聯(lián)合混合集成分類器的車牌提取技術(shù)，通過多層感知器網(wǎng)絡(luò)對輸

104、入彩色圖像進行彩色分割，以確定車牌區(qū)域，郭大波提出利用紋理和形狀分析得到若干車牌候選區(qū)域后再進行顏色特征提取并根據(jù)車牌底色排除部分非車牌區(qū)域。</p><p>　　3.2.3 頻譜分析法</p><p>　　該方法將圖像從空間域變換到頻率域進行分析，例如采用小波變換法等。小波分析可以在不同的分辨率層次上對圖像進行分割，在低分辨率層次上進行粗分割，這樣節(jié)約時間同時為細分割縮小檢測范圍。在高分

105、辨率層次上實現(xiàn)車牌區(qū)域的準確定位。王建平基于小波分析利用在某個尺度的高頻信息重構(gòu)，獲得車牌輪廓信息，parisi R 等提出基于掃描行的車牌提取方法。</p><p>　　隨著新理論如小波變換、分形理論、數(shù)學形態(tài)學方法和遺傳算法等的逐步發(fā)展，在車牌定位方面，研究人員將這些新理論和傳統(tǒng)理論相結(jié)合，提出了一系列新型的車牌區(qū)域定位算法。</p><p>　　由于車牌提取是一個尋找最符合牌照特征區(qū)