基于数字图像处理在车牌识别中的应用(编辑修改稿)

基于数字图像处理在车牌识别中的应用(编辑修改稿)内容摘要：

排列，取图像灰度值居中的像素灰度为窗口中心像素的灰度，便完成了中值的确定。 （ 2）噪声点的确定 噪声点的确定主要是判断该像素点的灰度值是否大于某一个阈值 ,如果大于则为噪声 ,反之则为信号点。 关于此阈值主要 有两种途径得到 ,一是根据长期处理去噪的经验得来 ,二是采用窗口内像素点的均值来粗略估计。 这两种方法噪声判断率不高。 本文根据像素点之间的 统计 特性 ,采用均值和方差同时作用来确定噪声点。 以噪声图像的像素Z(i,j)为中心，选取像素为 3 3的窗口，求出该窗口内像素的均值 M和方差 2 1122111 [ ( , ) ]9nm Z i n j m M        （ 25） 11111 ( , )9nmM Z i n j m      （ 26） 根据噪声的特性 ,该像素点值 Z(i,j)，如果满足： Z(i,j)≥ M+3δ或者 Z(i,j)≤ M3δ，则该像素为噪声点。 （ 3）滤波处理 根据上面噪声点确定的结果 ,如果为噪声点 ,则用中值取代该像素点灰度值 ,否则 ,该像素点的灰度值不变。 此处理过程有效的降低了去噪过程对图像边缘细节信息的影响 ,提高了图像的信噪比。 通过以上研究分析 ,基于 VC++采用了以上算法。 对模拟图像进行了滤波比较 ,并分别用 3 3窗口进行实验，所得到的结果如 图 24所示 设定页眉 13 原图 效果图 水平和垂直彩色边缘检测结合旋转投影 校正方法 由于摄像机和车牌之间角度的变化 ,常常使所拍摄的车牌图像产生倾斜现象 ,给字符分割带来不利影响 ,造成误分割和车牌识别率的下降。 因此 ,需要在字符分割之前进行车牌的倾斜校正。 目前的车牌倾斜校正方法主要有 : (1) Hough 变换法。 通过 Hough 变换求取车牌的边框 ,进而确定车牌的倾斜角；或者由 Hough 变换提取牌照边框的参数后 ,再求解牌照区域四个顶点的 坐标 ,然后通过双线性空间变换对畸变图像进行校正。 (2) 通过模板匹配寻找牌照区域的四个顶点 ,再通过双线性空间变换重建矩形车牌区域。 (3) 通过求取车牌字符区域的局部极小和局部极大特征点 ,再进行投影确定车牌的倾斜角。 (4) 通过求取车牌上各字符连通域的中心点 ,然后拟合为直线来确定车牌的倾斜角。 由于图像中车牌的边框有时并不明显 (如有的白牌白车 ) ,且因噪声、污迹等干扰的影响 ,造成 Hough 变换后参数空间中的峰值点很分散 ,这使得方法 (1) 和方法 (2) 效果并不理想 ； 当车牌上有污迹和噪声时 ,方法 (3) 的检测精度下降 ； 由于二值化等原设定页眉 14 因 ,车牌上字符会有粘连和断裂现象 ,就使得方法 (4) 的效果也不理想。 而且 ,上述四种方法有一个共同的缺陷 ,就是当图像对比度较小、光照不均时 ,检测到的倾斜角误差较大 . 本文提了一种新的车牌倾斜校正方法 ,该方法采用水平和垂直彩色边缘检测结合旋转投影求取车牌的水平和垂直倾斜角度 ,然后进行双线性插值倾斜校正。 大量实验表明 , 该方法简单实用 ,对光照不敏感 ,抗干扰性强。 设 C（ 00,ij）代表图像位置（ 00,ij）处的彩色向量， C（ 00,ij） = ( R(00,ij)， G（ 00,ij） ,B( 00,ij)),以 C（ 00,ij）为中心取一（ 2w+1） (2w+1)的窗口，其中， w 为大于等于 1 的整数。 令： 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww          (27) 000000 11( , ) ( , )( 2 1 )i i w j j wi i j j wV i j C i jww          (28) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww          （ 29) 000000 11( , ) ( , )( 2 1 )i i w j j wi i w j jH i j C i jww          (210) 则 00( , )ij处的垂直彩色梯度和水平彩色梯度分布定义为 ： 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D V i j V i j V i j (211) 0 0 0 0 0 0( , ) || ( , ) ( , ) ||D H i j H i j H i j (212) 其中， || * || 代表欧几里得范数。 设 V 和 V 分别代表 DV的均值和标准方差， H 和 H 分别代表 DH的均值和标准方差，则 按下式对图像进行二值化，获取图像的水平彩色边缘 HE 和垂直 彩色边缘 VE ： 0000001 , ( , ) 30 , ( , ) 3( , )H HHHHD H i jED H i jij (213) 0000001 , ( , ) 30 , ( , ) 3( , )V VVVVD V i jD V i jE i j (214) 设定页眉 15 双线性插值 在对车牌图像进行倾斜校正时 ,输出像素常被映射 到图像的非整数位置 , 最典型的是在四个输入像素之间 . 因此 , 需进行彩色向量插值运算 . 插值方 法主要有最近邻插值、双线性插值和高阶插值等 . 最近邻插值算法简单、运算量小 , 但有块状效应。 高阶插值插值效果好 ,但运算量大 . 双线性插值的运算量小于高阶插值 ,插值效果虽不如高阶插值 ,但明显优于最近邻插值 , 完全能满足车牌识别的需要 . 所以 ,本文选择双线性插值算法进行图像插值运算 . 双线性插值示意图如图 25所示 .像素 C ,)( ji  被 C( , )ij 、C 1( , )ij 、 C 1( , )ij 和 C 11( , )ij四个像素包围，则 , ) [( ( 1 , ) ( , ) ] * ( )[ ( , 1 ) ( , ) ] * ( ) ( , )[ ( 1 , 1 ) ( , ) ( , 1 )( 1 , ) ] * ( ) ( )jCC i i j C i j i iC i j C i j j j C i jC i j C i j C i jC i j i i j j                  （ 215） 图 25 双线性插值示意图 作为一种特殊情况，当像素 C（ ,ij  ）落在 C 1( , )ij 和 C 11( , )ij之间时，则有： ( , ) ( 1 , 1 ) * ( ) ( 1 , ) * ( 1 )C i j C i j j j C i j j j           （ 216） 车牌倾斜校正算法 由于道路的坡度、车牌的悬挂和摄像机与车牌之间倾斜角度的影响 , 使得拍摄到的车牌图像产生了倾斜 ,这实际上是一种透视失真 . 一般情况下 , 可将倾斜的车牌图像近似看成一个平行四边形 , 可有三种倾斜模式 :水平倾斜、垂直倾斜和水平垂直倾斜 ,分别如图 26 、图 27 和图 28 所示 . 图 26 为水平倾斜的两种情况 , 这时字符基本上无倾斜 , 车牌的水平 x 轴与图像的 水平 x 轴有一个倾斜角度  , 只要求取  ,将图像绕 x 设定页眉 16 轴旋转  即可 . 图 27 为垂直倾斜的两种情况 . 这时的倾斜实际上是同一行间像素的错位偏移 . 只要检测到垂直倾斜角度 β 进行错位偏移校正即可 . 图 28为水平垂直倾斜的两种情况 ,既存在水平倾斜又存在垂直倾斜 ,是最一般的情况 . 可先检测水平倾斜角度  进行水平倾 斜校正 ,然后再求取垂直倾斜角度  进行垂直倾斜校正 . 图 26 水平倾斜 图 27 垂直倾斜 图 28 水平垂直倾斜 每章完结要总结这一章的工作设定页眉 17 第三章 车牌定位 对于整个车牌识别系统来说，车牌识别精确度的高低主要取决于车牌定位 精确度的高低，而车牌定位又是车牌识别中最难解决的一步，迄今为止，仍然 没 有一个完全通用的智能化车牌定位的方法。 当前车牌定位的方法主要有利用颜色信息、基于小波和形态学相结合的算法、二值化投影等。 这些方法主要存在 :参数的调节受识别环境的影响较大 ,在环境发生改变时由于参数的选择不当往往会造成误定位和漏定位。 计算复杂度较高 ,定位速度较慢 ,影响车牌识别的实时性能。 针对以上情况 ,本文提出了一种快速且鲁棒性强的车牌定位算 法。 它主要根据车牌在水平方向上能量高且集中的特点 ,先通过一种自适应的高通能量滤波快速地粗分割出车牌的候选区域 ,再用车牌较为细致的 纹理 特征对候选区域进行校验和修正 ,最后得到车牌的精确位置。 各种车牌定位技术 基于边界的车牌定位技术 图像边界是图像局部特征不连续性（灰度突变、颜色突变、纹理结构 突变等）的反映，它标志着一个区域的终结和另一个区域的开始，边界蕴含着丰富的内在信息（如方向、阶跃性质、形状等） ,它是识别中重要的图像特征之一。 目前常用的基于边界的分割技术包括边缘算子法（如 一阶微分算子、 sobel 算子、 Hough 变换等）、模块匹配法、边缘跟踪法、线拟合法等。 基于特征的车牌车牌定位算法是利用一阶微分算子对原始图像的边缘进行预处理，并在基础上运用数学形态学的闭运算获得车牌的获选区，然后采用投影的方法剔除假车牌， 定位真车牌，这种方法的算法简单，减少了噪声的干扰，能够满足实时定位的要求。 基于区域的车牌定位技术 车辆图像像一般是在室外拍摄的，其背景较复杂，而车辆牌照具有不因外部条件变化而改变的特征，即车牌内有多个基本成水平排列的字符，字符和牌照底面在灰度上存在跳变，呈现出规则的 纹理特征。 基于区域的车牌识别技术就是根据车牌的 纹理特征 将图像分成不同的区域，然后对目标区域进行检测。 目前基于区域分割的技术主要包括阈值化方法、特征空间聚类方法、区域生长法、分裂合并法等。 基于字符串形状特征的车牌分割方法，主要针对牌照字符串沿水平方向排列的规则纹理，采用了一种线性滤波器来初定车牌区域，采用平均值的办 法选取阈值而 进行二值化，然后利用投影的方法进行精确定位。 这种方法能够在对牌照的字符、牌照位置及其大小、颜色和车牌的背景等做最小限定的条件下，对牌照中字符串进行增强，实现复杂背景中车辆牌照的自动分割。 基于神经元网络的车牌定位技术 人工神经元网络是进行模式识别的一种重要方法，今年来，它以其抗噪声、容错、设定页眉 18 自适应等能力强而得到广泛的应用。 例如， Thanongsak Sirithnaphong 和 Kosin Chamnongthai 提出的基于 BP 网络的牌照定位方法 ， 等人提出的利用DTCNN 和模糊逻辑相结合的方法。 在这些方法中，神经元网络相当于滤波器，这些滤波器通过分析牌照的颜色、纹理等对图像进行分类，确定此像素属于牌照区域还是属于背景区域。 在这类 BP 算法中，使用一个滑动窗口作为采样窗口，在灰度图像上依次移动，将窗口覆盖下的图像块作为神经网络的输入，所采用的 BP 网络是三层全连接前馈网络，其输入层神经元数目为滑动窗口的尺寸，其输出层神经元数目为 1，当输出接近 12 时，表示滑动窗口下的图像块属于车牌区域，当输出接近 — 12 时，表示滑动窗口下的图像属于背景区域。 基于小波分析和变化车牌定位技术 小波变换是分析和处理非平稳信号的一种有力工具，它是以局部化函数所形成的小波基作为基底而展开，是一种窗口大小固定不定但形状可改变的时频局部化分析方法，小波变换的基本思想是将原始信号通过伸缩及平移后，分解为一系列具有不同空间分辨率、 不同频率 特性和方向特性的子带信号，这些子带信号有良好的时域、频率等局部特性。 它在信号的高频部分，可以取得较好的时间分辨率，在信号的低频部分，可以取得较好的频率分辨率，这些特性可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析，以克服 Fourier 分析在处理非平稳的复杂图像时所存在的局限性。 用小波变换可以。