基于数字图像的车牌识别毕业设计论文(编辑修改稿)

基于数字图像的车牌识别毕业设计论文(编辑修改稿)内容摘要：

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 19 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(2 222 1  xeG  () 构造高斯滤波器，分别按行和列对原始图像 ),( yxf 进行卷积操作，得到平滑图像 ),( yxg。 (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：    11 1111 11 21 HH 则平滑后的图像 ),( yxg 的梯度幅值 ),( yxM 和梯度方向 ),( yx 可表示为： ),(),(a r c t an),(),(),(),( 22yxEyxEyxyxEyxEyxMxyyx （ ） 其中：   ),(*),(),( ),(*),(),(21 yxHyxfyxE yxHyxfyxEyx （ ） 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),( yxf 是具有整数像素坐标的输入。 其梯度定义为： yx iy yxfix yxfyxf  ),(),(),( （ ） 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： 22 ))1,(),1(())1,1(),((),(  yxfyxfyxfyxfyxf （ ） 一般情况下，可以将上式简化为如下两种形式： 20 )1,(),1()1,1(),(),(  yxfyxfyxfyxfyxf （ ） ))1,(),1(,)1,1(),(m a x (),(  yxfyxfyxfyxfyxf （ ） 公式（ ）和（ ）表示称模板的形式如下：   01 1010 01 21 RR 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 所示。 21 图 reborts 算子的边缘检测 22 2． 5 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。 3． 1 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。 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。 23 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： )1,(),(),(  yxfyxfyxg （ ） 其中， ),( yxf 表示车牌的粗定位图像， ),( yxg 表示 ),( yxf 的水平差分图像。 然后，对 ),( yxg 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 24 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。 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 A 为二值化图像， B 为结构元素，则 A 被 B 膨胀记为 BA ,其定义是：   AByxBA xy),( （ ） 上式可以解释为： A 被 B 膨胀所得到的集合为，当 B 的原点平移到 ),( yx 时，B 与 A 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 A 被 B 腐蚀，记为 BA ，其定义是：  AByxBA xy  ),( （ ） 25 同样，腐蚀可以解释为： A 被 B 腐蚀所得到的集合为，当 B 的原点平移到),( yx 时， B 包含于 A。 (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 A 和结构元素 B 来说， A 在 B 下的开运算可以记为BA ，其定义是： BBABA  )( （ ） 即 A 在 B 下的开运算是 B 先对 A 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， B 对 A的闭运算可记为 BA ,其定义是： BBABA  )( （ ） 由公式可以看出，闭运算是开运算的对偶运算，即对 A 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。 26 图 车牌定位 3． 2 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 27 特殊处理。 （ 4）光照不均容易引起分割错误。 4． 1 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 n1 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 、。 28 图 车牌原始图像 图 分割后的车牌字符 29 4． 2 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。