基于arm车牌识别系统论文(编辑修改稿)

基于arm车牌识别系统论文(编辑修改稿)内容摘要：

r)表示第 r 个灰度级出现的概率，直方图表示了原图的灰度值分布情况。 灰度直方图表示了图像的灰度分布情况，基本上可以描述一幅图像的相貌，但是为了能更好的的进行图像识别，改善识别效果，必须对直方图进行修正。 如果用 s(0≤s≤1)表变换后 来图 像的灰度， r(0≤r≤1) 表示 原始图像 的灰度 (0代表黑， 1 代表白 )。 在 [0,1]的区间任意取一个 r 值，都对应着一个 s 值，且 s=T(r)， T(r)为变换函数。 为了使这种灰度变换具有实际意义， T(r)应该满足下列条件： 南京工程学院毕业设计说明书（论文） 12 1)在 0≤r≤1 区间， T(r)为单调递增函数； 2)在 0≤r≤1 区间。 有 0≤T(r)≤1。 变换公式为： s=T(r)=ro drrP )( (37) 式 37 表明变换 函数是原始图像的累计分布函数，具有非负递增性。 MATLAB 中 J = histeq(I, n)函数可以对直方图进行均衡化的操作， n 为 均衡化后的级数， 本文中所用的缺省值 256，图 35 和图 36 为直方图均衡化前后对比图。 (a)原始车辆灰度图 (b)原始直方图 图 35 原始灰度图和直方图 (a)车辆均衡化的灰度图 (b)均衡化的直方图 图 36 均衡化后的灰度图和直方图 图像滤波 实际生活中，图像在获取和传输过程中会受到许多噪声的影响， 为了去除图像中的噪声，对车牌图像滤波，常 采用 邻域平均法，中值滤波法和维纳滤波法，各方法功能现分别介绍如下 ： 南京工程学院毕业设计说明书（论文） 13 (1)邻域平均法 邻域平均法属于空间域的一种，主要是在空间域上操作，邻域平均法的具体原理是取平均值，即用该像素邻域范围内的像素灰度平均值代替该像素的灰度值。 图像信号通过邻域平均处理得到平滑，效果与图像信号通过低通滤波器的相似。 取图像 f(i,j)中的像素点 (m,n)， 并取其邻域 S， S 通常为矩形，邻域内共有M 个像素，求所有像素的平均 值，该平均值即为像素点 (m, n)处的灰度，点 (m, n)一般位于 S 的中心。 如 S 为 3X3 邻域，点 (m,n)位于 S 中心，则      1 11 1 ),(91, ji jnimfyxf (38) (2)中值滤波 法 由于邻域平均法会使图像中的细节变得模糊，而中值滤波不仅能消除噪声还会防止细节变的模糊 ，中值滤波是一种非线性滤波， 简单的说就是取所有像素的中间值，图像滤波后所得到的结果即为图像中所有像素灰度的中值 ，它是通过减少图像中某一邻域内的 像素 灰度值 的 差 别来实现滤波的。 (3)维纳滤波 法 维纳滤波主要用于存在较大噪声的图像滤波的过程中， 它 能够从噪声中提取信号波形，通过维纳滤波后所得到的图像在整体上较为平滑。 维纳滤波是基于图像的局部方差实现噪声滤除的，方差越小，噪声滤除效果越好。 与其它滤波相比，维纳滤波具有其优越的特性，它可以很好的保存图像边缘和高频细节信息，同时特别是对于含有白色噪声的图像有较好的滤波效果。 MATLAB 软件中用于维纳滤波的函数为 Wiener2 函数，其采用的是基于像素的局部均值与方差的算法：   2,1 21 ),(1 nn nnaMN (39) 2, 21221),(1     nn nnMN (310) 式 310 中  是图像中每个像素 的 n1*n2 邻域 ，然后对每一个像素利用滤波器估计出其灰度值 ： )),((),( 212 2221   nnavnnb （ v2 是图像中噪声的方差） (311) 基于维纳滤波的巨大的优点，本系统所用的即为维纳滤波，在对滤波后的南京工程学院毕业设计说明书（论文） 14 灰度图像进行较好的二值化处理。 维纳滤波前后对比如图 37 所示。 (a)维纳滤波前 (b)维纳滤波后 图 37维纳滤波 前后 对比图 二值化 二值是指黑、白两种颜色，二值化就是就将图 像变为黑、白两种颜色，这样对二值化的图像再进行别的处理速度更快，得到的效果更好，二值化的图像特征更明显，更容易被描述和分析。 在现实生活中，存在许多二值图像，例如书本文字、采集到的指纹，设计的图纸，因为图像二值化的众多优点导致 我们常常把本身是有灰度的图像变成二值化图像再 处理， 这样 能够 使 车牌识别系统提高处理效率， 加快 处理速度，降低处理成本。 图像二值变换的原理是通过确定恰当的 阈值来分割对象与背景，并且要确保变换后的图像不丢失原来图像的形状信息，不产生额外的空缺。 二值化的关键点是要找到恰当的阈值，此阈值用来分隔 对象与背景。 假设f(x,y)为 原灰度图 像， g (x,y)为 二值化后的图像 ，阈值为 t，二值化的数学方法表示如 式 312， 313 下： g(x,y)=1,f(x,y)  t (312) g(x,y)=0,f(x,y)t (313) 实际应用中，阈值 t 的 选取方法主要有 3 类：局部阈值法、全局阈值法和动态阈值法。 局 部阈值法则根据图像像素的本身性质和局部特性来确定像素的阈值的，南京工程学院毕业设计说明书（论文） 15 典型的局部阈值方法主要是 Bernsen 算法，图像的局部性质基本上不受外界环境的影响。 因此局部阈值法能够比较准确地实现对象和图像的分离，但仍然存在一些缺点，如图像分割偶然性大，易出错，易出现伪影现象，同时计算量大，速度慢。 全局阈值二值化方法确定一个阈值，此阈值是由图像的灰度分布确定的，通常在图像不太复杂的情况下使用，典型的全局阈值二值化方法主要是 Ostu方法。 全局阈值方法适用于目标于背景分离明显的图像，算法简单，计算量小，在现实中得到了广泛应用。 动态阈值法是依据三个因素：该像素灰度值、周围像素的灰度值、该像素的坐标位置来确定阈值，因此，该方法较为全面，但是计算量大，处理速度慢。 Otsu 提出了最大类间方差法 (有时也称之为大津法 )，该算法是通过方差最大化 来分割图像的，假设阈值将图像分割成对象和背景两部分，因为 方差是灰度分布均匀性的一种度量，如果构成 图像的两部分差别越大，那么 方差值越大，图像的分割效果越好，如果差别越小，图像分割效果越差。 记 t 为 对象 与背景的分割阈值， 目标像素 数占图像比例为 0 ， 平均灰度为0。 背景 像素 数占图像比例为 1 ，平均灰度 为 1。 图像的总平均灰度为：)()()()( 1100 tttt  。 从最小灰度值到最大灰度值遍历 t ，当 t使得值211200 )()(  g 最大时 t即为分割的最佳阈值。 对大津法可作如下理解：该式实际上就是类间方差值，阈值 t 分割出的对象和背景两部分构成了整幅图像，而对象取值 0 ，概率为 0 ，背景取值 1 ，概率为 1 ，总均值为 ，根据方差的定义即得该式。 具体的推导如下所示。 方法 1: 假设 MN 图像 ),(ji 点处的灰度值 为 ),( jif ，灰度级为  ，不妨假设 ),( jif取值 ]1,0[ m。 记 )(kp 为灰度值 取 k 的频率，则有：  kjifMNkp ),( 11)( (314) 假设用 灰度 值 t 为阈值分割出 的对象与背景 分别为： }),({ tjif  和}),({ tjif  ，于是对象部分比例：  ti ipt 00 )()( ， (315) 对象部分点数： 南京工程学院毕业设计说明书（论文） 16  ti ipMNtN 00 )( )( (316) 背景部分比例：  11 )()( mit ipt (317) 背景部分 点数：  11 )()( mit iPMNtN (318) 对象均值：  ti tiipt 0 00 )(/)()(  (319) 背景均值：   1 11 )(/)()( mit tiipt  (320) 总均值： )()()()( 1100 tttt   (321) 运用 大津法 求取 最佳阈值 g 的公式为： ]))(()())(()([ 2112020mt0    ttttM axA r gg (322) 其中 )(0t 表示对象 值 ， )(1t 为对应的 概率， )(1t 表示 背景值， )(0t 为其对应的 概率， 为总均值，根据方差的定义即得 式 322。 方法 2： )(0t 代表 对象 中心灰度 ， )(1t 代表 背景的中心灰度，  代表整幅图像的中心灰度， 为了图像能分割效果更好 ， 那么 分割出的 对象要 尽量远离图像中心，即 20 ))((  t 或 |)(| 0  t 尽量大， 同样地， 分割出的背景也尽量远离中心，即21 ))((  t 或 |)(| 1  t 尽量大，由于希望两者都大，于是有： 两者之加权和最大： ]))(()())(()([ 2112020mt0    ttttM axA r gg (323) 两者之积最大： ]))(())(([ 21201mt0    ttM axA r gg (324) 注意到有 )()()()( 1100 tttt   ，且 )()( 10 t  ，因此有：2120211200 ))(())(())(()())(()(   tttttt。 可见是二者等价的，从而间接地验证了方法 1 结果的正确性。 Otsu 方法流程图如图 38 所示。 南京工程学院毕业设计说明书（论文） 17 、 对于车牌图像，其本身的对象和背景灰度差距比较大，灰度直方图有明显的双峰现象，在经过图像增强处理以后，这一 特点更为明显。 所以，本文采取Ostu 的方法进行车牌二值化，取得较好的效果，如图 39 所示。 (a)车牌二值化前灰度图 (b)车牌二值化图像 图 39 车牌二值化前后对照图 主要程序如下： %二值化 BWPlate=im2bw(GrayPlate,level)。 figure(1)。 subplot(3,3,3)。 imshow(BWPlate)。 title(39。 39。 )。 图 38 Otsu 方法流程图 开 始 读入灰度图像 I 求 t 的范围 记录 t 对应的 g 求 )max(g 时 t 的取值 tjif ),( 0),( jib 1),( jib 显示二值图像 N N 图41车牌上下定位流程图 Y 结 束 Y 南京工程学院毕业设计说明书（论文） 18 第四章 车牌定位 及实现 基于边界分割方法最基本的处理就是边缘检测。 图像边缘的确定与提取对于图像的分析与识别具有重要的作用，图像中边缘处两侧的特征，形状，灰度等均存在巨大的差别，因此，可以通过边缘的检测来找出目标，并进行相应的处理。 本文提出的车牌定位方法主要就是基于边缘检测 和投影的方法，所以做好边缘检测是 实现车牌识别的 第一步。 边缘检测 边缘检测概述 边缘是图像分析的 重要依据， 是图像局部亮度变化最显著的部 分，是物体边缘分界的地方， 是由于图像局部特征的间断性而产生的。 边缘包含了图像大部分的信息，在 物体边缘两侧的 形状、 灰度、纹理 特征 区别非常的明显。 边缘的检测与提取对整。