汽车牌照识别系统毕业设计(编辑修改稿)

汽车牌照识别系统毕业设计(编辑修改稿)内容摘要：

，使图像的边界向内收缩，具有收缩图像的作用。 简单地讲就是用结构元素对一幅图像进行某种操作，通过这种操作可以消除图像内部不相关的细节。 定义结构 A 被结构 B 腐蚀表示为 AΘ B，数学形式可表示为： (23) 10 (3)开运算 该运算是先进行腐蚀运算再进行膨胀运算的结合过程，作用是可以消除图像中一些孤立的毛刺以及小点，同时可以连通两块或几块区域中的小点，使较大物体图像的边界得到平滑，同时，总的位置和形状没有改变。 定义结构 A 被结构 B 腐蚀表示为 A o B，数学形式可表示为： BBABA  )( （ 24） (4)闭运算 和开运算过程相反，即先膨胀后腐蚀。 该运算的作用是填平小孔，连接临近物体图像，平滑物体图像边界，结果是总的位置和形状不变。 定义结构A 被结构 B 腐蚀表示为 A● B，数学形式可表示为： BBABA  )( （ 25） 边缘检测 边缘检测是一种对图像进行定位、分割和提取的重要方法，其主要是对图像的边界进行分析，可以大幅度地减 少了数据的运算量，并且可以剔除一些不相关的信息，这样子就保留了图像原本的一些重要的结构属性。 目前广泛使用的边缘检测的方法有以下几种： Robert 算子， Sobel 算子， Canny 算子， Prewitt 算子， log 算子等。 在本文的仿真中，采用的是： Robert 算子对图像进行边缘提取，下图为 Robert 算子边缘提取图像，如图 25 所示。 图 25 Robert 算子边缘检测图 11 车牌定位算法介绍 车牌定位就是将车牌图像从整个待处理的图像中定位分割出来。 由于车牌字符的多样性以及车牌背景的复杂性，使得车牌定位 成为车牌识别过程中关键的一步，目前还没有通用的定位算法。 现在常用的车牌定位算法有基于字符纹理的定位、基于数学形态学的定位、基于边缘检测的定位、基于颜色空间的定位等方法。 下面对这些算法进行比较如表 21 所示。 表 21 字符定位算法比较 方法 复杂度 稳定性 纹理特征定位法 简单 定位较精确，应用广，缺点是容易受到车牌图像质量的影响，造成车牌定位失败 数学形态学定位法 简单 不受噪声影响，不依赖图像的状况，定位较精确，适用于对车牌区域进行粗定位，缺点是对车牌图像的背景环境有一定要求 边缘检测定位法 简 单 不受图像形态如倾斜等情况的影响，定位分割较精确，速度快，适合对车牌进行粗定位 颜色空间定位法 较复杂 根据车牌字符与背景颜色的差别，进行车牌区域定位，定位准确度较高，缺点是车牌颜色和车身颜色要有一定的对比度 12 第三章 汽车牌照字符分割方法研究 车牌字符的一般特征分析 在对车牌字符进行分割之前，先分析一下车牌中字符的一般特征，为后面进行字符的分割打下基础。 中国的车辆牌照一般由三种字符组成：汉字、英文字符、阿拉伯数字。 牌照的规格也各不相同，各种字符的组合多种多样，概括起来具有以下一些特征： ①车牌 中均为七个字符，常规情况第一个字符为汉字，第二个字符为字母，第三个到第七个字符为字母或者数字； ②车牌中七个字符的外接矩形相同，高度和宽度的比例相同（除“ 1”外）； ③车牌的牌照架，以前是根据车主的要求牌照架有所不同，有的还没有安装牌照架，这不适合利用边框信息进行字符分割。 ④由于多种原因，比如车牌的磨伤和破坏，使得在进行二值化处理的时候，字符不连续断裂或者粘连在一起； ⑤摄像机在采集车牌图像的时候，由于曝光、焦距等原因，不是字符的区域会成为高亮度区域； ⑥车牌上面有安装的柳钉，在处理的时候也会受到它的影响。 上述特点只有第一条对字符分割有所帮助，第二条到第六条都给字符分割增加了困难。 字符分割方法研究 对字符分割技术的研究从 20 世纪 70年代研究目前常用的车牌字符分割算法主要有两种，分别是垂直投影法和连通域法。 基于垂直投影的字符分割算法 由于字符块在竖直方向上的投影不仅在字符间取得局部最 小值，而且在字符内的间隙处也能取得局部最小值。 因此，字符的正确分割位置应该在上述局部最小值的附近，并且这个位置应满足车牌字符的书写格式、字符的尺寸限制等条件。 基于垂直投影的字符分割算法是在车牌照区域垂直投影图上从左至右检测各坐标的垂直投影数值，当找到第一个局部最小点的时候，认为这个点是最左面字符的边界；然后，在水平方向上从右至左检测坐标的 13 垂直投影数值，当找到第一个局部最小点的时候，认为这个点是最右面字符的边界；得到两边字符的边界之后，用同样方法可以找到每个字符的边界。 基于垂直投影法字符分割的步骤为： （ 1）计算车牌二值图像的垂直投影图，并归一化到合适的范围。 （ 2）从左到右取投影图外围包络线的波谷点，并将这些波谷点按照横坐标值升序排列。 （ 3）根据各波谷点的纵坐标以及相邻波谷点横坐标的差值对所有的波谷点进行取 舍，并将取舍后的波谷点依序重新排列。 （ 4）从波谷点序列中选取最左和最右的波谷点，作为车牌第一和最后一个字符的分割界限，并计算两波谷点的距离作为车牌的长度。 （ 5）由波谷点序列及评判函数来确定其余各字符最佳的分割点，并对各字符进行分割。 （ 6）输出分割后的字符图像。 从计算过程可以看出，该算法对字符因断裂分成上下两个部分的情况有较强的纠错能力。 但是，当字符因断裂而形成左右两个部分时，在计算波谷点时，该算法就会出错。 因此，可以利用一些先验知识来做进一步的处理，通过最左和最右边两个字符的边界估算出整个车牌区域的 宽度，标准车辆牌照由 7 个字符组成，大约 8 个字符宽，可以利用这些先验知识估计出每个字符的大概宽度，然后把切分过度的字符进行合并，这样可以改进切分效果。 基于连通域的字符分割算法 车牌上的字符除了第一个是汉字外，其它的都是字母或数字，即在理想状态下是“全”连通的。 因此，可以使用连通域的方法对车牌进行字符分割。 连通域算法的思想是：对车牌图像的二值化图像进行扫描，标记连通域，将不符合车牌字符特征的连通域删除，对保留的连通域使用某种评判函数进行评判，选取合适的连通块作为切割后车牌字符。 基于连通域算法的步 骤可描述为： （ 1）找到图像的所有连通域，然后确定对每个连通域的起动和结束位置，构成最少矩形区包含连通域，表示为 A(i) i=1,2„ n， n 为连通域总数。 （ 2）计算的每矩形地周围边境，并分别记为 A(i)l和 A(i)r。 （ 3）按顺序从左到右，跟随每个矩形，相比矩形左右边界利用合并、分割算法将过小区域合并、过大区域分割。 然后，依据每个区域的坐标位置 14 重新组织所得的区域。 （ 4）利用评判函数将最佳分割位置选取出来，进行字符分割。 （ 5）输出分割后的字符图像。 但在实际情况中，由于实际车牌图像通常会有噪声，产 生字符的断裂和交叠等情况，因此，单凭连通域很难取得满意的结果。 于是提出了许多改进方法，例如二值化方法的改进，使二值化图像尽量避免字符的粘连和断裂。 也可以考虑利用车牌本身的先验知识对连通域进行合并或者切分。 另外，对字符粘连所产生大的连通域可以考虑重新选取阈值再进行切分的方法。 基于垂直投影和优割字符分割方法 由于垂直投影法对车牌照字符的切分容易产生过度切分，将一个字符切分成两个，而连通域法由于受到二值化算法的限制，容易产生字符粘连，产生大的连通域。 综合分析以上算法，本文研究了一种基于垂直投影和优割字符的 字符分割算法，该算法综合了垂直投影法和连通域法的优点。 首先将图像二值化，计算垂直方向上的投影图；再利用字符的高度信息来确定优割字符；最后由优割字符生成各种可能的分割结果，计算评判函数代价，选择代价最小的组合作为输出的分割结果。 图像预处理 倾斜校正和水平切割后，需要牌照图像二值化，转化为黑底色白字对不同颜色的牌照处理，采用 CASDA 算法进行二值化处理，然后计算二值化后的图像垂直投影，结果如图 31 所示。 (a) 水平切割图像 （ b）二值化图像 15 （ c）垂直投影图像 图 31 二值图像的 垂直投影图 字符垂直切分法 从图 31 可以看出，二值化图像有严重断裂、粘连和边框等干扰噪声的存在，如果直接采用传统的垂直投影或者连通域的方法进行分割，则很难达到准确分割的目的。 为此，本文提出一种优割字符的方法，并将其用于垂直分割算法。 （ 1）优割字符确定 通过垂直投影法和连通域法可知，连通域法是在车牌的二值化图像中寻找外接矩形或中心点符合标准车牌的区域，而投影法是在车牌的二值化图像的垂直投影图中寻找投影宽度或“波谷”符合的标准车牌的区域。 假设车牌图像在二值化过程中某一字符有下列某种情况：①如果 发生字符断裂，使字符分成上下两个部分，那么使用连通域算法进行字符分割时，会将一个字符判别为两个字符，而使用垂直投影算法则不受此影响。 ②如果发生字符断裂，使字符分成左右两个部分，那么，不论使用连通域算法还是使用垂直投影算法都不能准确确定该字符。 ③如果发生字符粘连，使两个或两个以上字符发生粘连或字符和边框发生粘连形成一个连通部分，那么使用连通域算法进行字符的确定就会失败，而使用垂直投影算法则应通过垂直投影图的阈值来排除这种情况，而在一般情况下这个阈值很难确定。 ⑤对于外形特殊的字符，例如字符“ 1”，通过连通域方法 的中心点可以很好的确定出字符的位置，而投影法常常无能为力。 为此，引入优割字符的概念。 优割字符即在车牌的二值图像的垂直投影图中，寻找满足区域连通，且宽度与车牌高度的比值介于 与 之间的投影区域。 因为在水平界精确确定以后，图像的高度即为字符的高度，由理想车牌的先验知识可知，车牌中字符的高宽比为 2： 1。 因此，可以确定字符的宽度约为 倍的车牌图像宽度。 在确定出优割字符宽度之后，在车牌图像二值化图像的垂直投影图中， 16 将符合优割字符条件的区域进行标注，这些区域为字符分割时的优先选择区域。 然后，对垂直投影图进 行扫描，将位于两个优割字符之间且宽度大于一个优割字符宽度的空隙进行优割字符填补，这样就得到了一系列连续的优割字符。 （ 2）标准模板的生成 在确定了分割的优割字符之后，即确定了字符的高度和宽度，可由车牌的先验知识生成理想的车牌结构，包括各字符的位置以及字符的中心点距离等。 （ 3）字符的试探分割算法 本算法首先从垂直投影图中的所有优割字符出发进行试探分割。 由于优割字符并不一定就是最后分割出的字符，有时车牌的边框等也满足优割字符的条件，但它并不是一个车牌字符，因此，需要将这些伪字符在后续处理中剔除。 试探法计算过程 描述如下：计算获得的优割字符的平均宽度，以该宽度值作为车牌字符的理想宽度，然后结合车牌的高度以及车牌的句法特征，构造出理想的车牌模板。 保证车牌模板在实际车牌区域中，依次选取优割字符，并以该优割字符依次作为实际车牌的七个字符，结合其余的优割字符来构造出实际分割车牌，最后利用前面所构造的车牌模板与当前构造出的实际分割车牌进行覆盖匹配，试探过程如图 32 所示。 图 32 试探分割对比 在每次试探分割后由评判函数评判本次的可信度，在全部试探完成后选择可信度最大的分割作为最终的分割结果。 由于车牌自身条件的约 束，评判都是在很少的次数内结束，评判次数由车牌粗定位的效果决定，如果车牌定位后的图像中车牌左右残留部分较大，那么字符分割的评判次数就多，反之次数很少。 一般评判次数为 2～ 3 次，最多不超过 5 次，可以满足实时车牌识别系统的要求。 17 评判函数定义如下： (31) 其中，函数 表示车牌中除第 3 个字符的间距是最大的，其它字符间距都是均等这一特征： s2 表示的是第 3 个字符的间距与其它字符间距的误差之和； 表示标准模板的字符与车牌各个字符中心点的匹配情况，其中 y是模板与实际车牌中各个字符中心距离的方差； 是表示优割字符可能是一个实际车牌的字符， M 表示滑动匹配过程中采用的优割字符数量。 字符分割结果调整方法 对于个别车牌，当第一个或者最后一个字符不是优割字符时，也就意味着该字符是一个插入形成的字符，此时，需要对该字符进行字符空隙及字符宽度的调整。 调整的方法为：首先计算除该字符外的其余六个字符的平均字符宽度及平均字符空隙宽度。 然后，判断该字符距前后一个或者前一个字符的空隙的宽度是否等于所计算的平 均空隙宽度，如果相等则不进行调整，否则将该字符与后一个或前一个字符的空隙宽度设置为所计算出的平均空隙宽度。 同理，如果该字符的宽度不等于计算出的平均字符宽度，则将该字符宽度设置为计算出的字符平均宽度。 在将每个字符分割出来之后，还需对其进行大小归一化和亮度归一化，以便于下一步的特征提取和神经网络识别。 本文将所有分割出的字符图像全部归一化为 16 32 大小，并采用 POSHE 算法对字符图像进行亮度归一化。 图像的分割结果如图 33 所示。 图 33 图像的分割结果 从上图的结果中可以看出，分割的效果较好，消除了 字符粘连、断裂和车牌边框影响，对下。