基于bp网络的车牌字符识别_毕业设计论文(编辑修改稿)

基于bp网络的车牌字符识别_毕业设计论文(编辑修改稿)内容摘要：

表湖南长沙、湘 B 代表湖南株洲。 后面五位是由 0~9 和 A~Z（除去 O 和 I）一共是 34 种字符。 我国标准小型车采用蓝底白字的车牌，轮廓尺寸为 440mm 140mm，宽和高比例近似为 3:1。 车牌中的每个字符居中分布在一个宽度是 45mm，高度是 90mm 的矩形范围内，字符间隔为 12mm，因为第二和第三字符间存在一个 10mm 的间隔符，因此，二、三字符的间隔为 22mm。 如图 所示。 图 车牌的规格 湖南工业大学本科毕业设计（论文） 7 车牌图像去噪 车牌图像 去噪目的是为了改善车牌图像的质量，减少图片上的噪声干扰。 在获取到的车牌图像中第一步就要先消除噪声干扰。 经常影响图片质量的噪声源可分为三类。 首先，记录在感光片上的图像会受到感光颗粒噪声的影响；其次图像从光学到电子形式的转换是一个统计过程，这是因为每个图像像素接收到的光子数目是有限的；最后处理信号的电子放大器会引入热噪声 [8]。 这三种噪声都有相应的数学模型，主要是要对噪声进行滤除，滤波的方法有许多种，例如中值滤波、变换域滤波 、小波去噪等等。 这些滤波方法在文献 [7]、 [8]、 [9]中有详细说明 . 中值滤波也称为中值平滑是一种空间域非线性滤波技术 ，它能够在滤除噪声的同时保持边缘 不被模糊。 中值滤波的做法是以处理窗内原灰度值得“中值”作为“窗口”中心处的新值。 不论孤立噪声有多大，都可以被彻底滤除；若噪声不是孤立的，有可能就无法滤除，总之若像素变化的空间尺寸不大于窗宽的一半，则可用中值滤波完全滤除。 如果原图中本身就含有这类像素，也会被滤除掉，因此，在选择窗的大小是应尽量在去除噪声的同时又能保留图像中的细节。 中值滤波器是最常用的非线性滤波技术，它是一种领域运算，类似于卷积，但是计算的不是加权求和，而是把领域中的像素按灰度级进行排序，然后选择该组的中间值作为输出像素值。 对于一个 N N的中 值滤波器（ N为奇数），若某输入像素的灰度级大于或等于领域中 2( 1)/2N  个像素的灰度级，则该像素的灰度级就作为输出灰度级。 中值滤波器计算一般来说比卷积运算要慢，这是由于它需要对领域中的所有像素按灰度级排序。 和相近的低通线性滤波器相比，中值滤波器能够在衰减随机噪声的同时不使边界模糊。 一般来说小于中值滤波器面积一半的亮或暗的物体基本上会被滤掉，而较大的物体则几乎会原封不动地保存下来。 因此中值滤波器的空间尺度必须根据遇到的问题不同而进行相应的调整。 指导中值滤波器设计的理论要 比指导线性滤波器设计的理论少得多，所以用实验代替分析。 车牌 图像的灰度化和二值化 在进行视频流目标识别与跟踪时，通常第 一 个步骤就是对采集到的彩色图像进行灰度化，这是因为黑白照片数据量小，相比彩照更易实现实时算法，另一方面黑白照片是由未处理的光线所形成的照片，因此从图像处理学角度 来看，这种未经特殊滤光处理的图片所涵盖的信息更有价值。 目前，在图像处理过程中，最常用的彩色图片格式有 RGB， HSV、 YUV 以及 HLS 三种。 以下分别对这三种格式的彩色图像进行灰度化实现。 （ 1） RGB 空间图像 定义于 RGB 空 间的彩色图，其每个像素点的色彩由 R、 G、 B三个分量共同决定。 每湖南工业大学本科毕业设计（论文） 8 个分量在内存所占的位数共同决定了图像深度，即每个像素点所占的字节数。 以常见的24深度彩色 RGB图来说，其三个分量各占 1个字节，这样每个分量可以取值为 0~255，这样一个像素点可以有 1600 多万（ 255*255*255）的颜色的变化范围。 对这样一幅彩色图来说，其对应的灰度图则是只有 8 位的图像深度（可认为它是 RGB 三个分量相等），这也说明了灰度图图像处理所需的计算量确实要少。 不过需要注意的是，虽然丢失了一些颜色等级，但是从整幅图像的整体和局部的色彩以 及亮度等级分布特征来看，灰度图描述与彩色图的描述是一致的。 对于 RGB 图像进行灰度化，通俗点说就是对图像的 RGB三个分量进行加权平均得到最终的灰度值。 最常见的加权方法如下 五种 ： 1) G r a y B G r a y G G r a y R  ； ； 2)  G ra y m a x B G R   3）  G ray B G R / 3   4） G r a y 0 .0 7 2 1 6 9 B 0 .7 1 5 1 6 0 G 0 .2 1 2 6 7 1 R   5) G r a y 0 .1 1 B 0 .5 9 G 0 .3 R   这 五 种方法中，第一种为分量 法，即用 RGB 三个分量的某一个分量作为该点的灰度值；第二种方法为最大值法，将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。 第三种方法将彩色图像中的三分量亮度求平均得到一个灰度图；后两种都是属于加权平均法，其中第四种是 OpenCV 开放库所采用的灰度权值，第五种为从人体生理学角度所提出的一种权值（人眼对绿色的敏感最高，对蓝色敏感最低）。 （ 2）他颜色空间的灰度化 关于 YUV 空间的彩色图像，其 Y 的分量的物理意义本身就是像素点的亮度，由该值反映亮度等级，因此可根据 RGB 和 YUV 颜色空间的变化关系建立亮度 Y与 R、 G、 B三个颜色分量的对应： Y=++，以这个亮度值表达图像的灰度值。 二值化处理是一种将图像变为只有黑白两色的二值图像的灰度处理方法，对图像进行二值化处理是接下来对车牌字符进行分割的关键步骤。 二值化的关键是阈值的选取，选择恰当的阈值，不仅能够有效去除图像噪声的干扰，而且能够使整个图像被明显地划分成目标和背景两个部分，进而把图像特征清晰的突显出来，以减少信息量，提高处理速度。 通常可将阈值的选取方法分为全局阈值法和部分阈值法两种。 全局阈值法，是用同一阈值对整个图像中的每个像素进行二值 化。 常用的方法有直方图变化法、 Otsu 算法等；而局部阈值法则是对图像中的每个像素使用不同的阈值。 当图像的灰度直方图呈双峰，或图像的目标灰度和背景灰度分离明显，使用全局阈值方法处理图像速度较快而且效果较好。 湖南工业大学本科毕业设计（论文） 9 字符 分割 图像分割是图像识别工作的基础，图像分割是将图像分成一些有意义的区域，然后对这些有意义的区域进行描述，相当于提取出某些目标区域图像的特征，判断图像中是否有感兴趣的目标。 图像分割的基础是像素间的相似性和跳变性。 所谓“相似性”是指在某个区域内像素具有某种相似的特性，如灰度一样，纹理相同；所谓 “跳变性”是指特性不连续，如灰度值突变等。 从总体上来说，图像分割就是 把 图像分成若干有意义的区域的处理技术。 这些区域互不相交叠，每一个区域内部 的某种特性或特征相同或接近，而不同区域间的图像特征则有明显差别 ，即同一区域内部特性变化平缓，相对一致，而区域边界处则特性变化比较剧烈。 区域内是一个所有像素都有相邻或相接触的像素的集合，是像素的连通集。 在一个连通集中任意两个像素之间，都存在一条完全由这个集合的元素构成的连通路径。 连通路径是一条可在相邻像素间移动的路径。 图像分割的度量准则不是惟一的，它与应用场景图像及应用 目的有关，用于图像分割的场景图像特征信息有亮度、色彩、纹理、结构、温度、频谱、运动、形状、位置、梯度和模型等。 由于图像的多义性和复杂性，许多分割的工作无法依靠计算机自动完成，而手工分割 又存在工作量大，定位不准确的难题，因此，人们提出了一些人工交互和计算机自动定位相结合的方法，利用各自的优势，实现目标轮廓的快速定位。 图像分割的方法又多种，依据工作对象来分，可分为点相关分割和区域相关分割；按照算法分类，可分为阈值法、界限检测法、匹配法、跟踪法等。 近年来出现了一些新的算法和设想。 如先使用经典的边缘检测算子对图像做 初步的边缘检测，然后再利用边缘之间空间结构关系来协调，增强初始检测结果。 经典提取算法通过首先对原图像进行平滑，再进行边缘检测能较成功地检测出真正的边缘。 在边缘检测之后，找出目标物体的轮廓，进行目标物体的分析、识别、测量等。 这些内容在数字图像处理应用中，有着广泛的用途。 借助集合的概念可以将图像分割进行定义如下， 设一幅数字图像中所有像素的集合为 R， P 为逻辑谓词（分类准则），则图像分割将 R 分成 N个子集  12, , , Ns s s ，这些子集满足： 1）1Nii sR ； 2） ijss ，其中 ij ； 3） ()jP s TRUE ； 4）对于 ij ， ()ijP s s FALS E ； 5）相对于 is 的那个区域是连通的。 其中，条件 2）表示分割结果中的每个子区域是互不重叠的。 条件 3）表示同一个子区域内部具有相似的特性。 条件 4）表示不同的子区域具有不同的特性。 根据像素特性在目标区域内部性质一致性和区域边界上不连续性，分割算法可分为基于边缘的分割算法和基于区域的分割算法。 湖南工业大学本科毕业设计（论文） 10 边缘检测 图像边缘是图像基本特征之一。 边缘可以定义为图像局部特性的不连续性，例如，灰度的突变，颜色的突变，纹理结构的突变等等。 边缘通常意味着一个区域的终结和另一个区域的开始。 边缘信息对信息分析和人的视觉都是很重要的。 边缘的检测常借助空域微分算子进行，通过微分模板与图像卷积完成。 如果一个像素落在图像中某一个物体的边界上，那么它的领域将 成为一个灰度级变化的带。 对这种变化最有用的两个特征是灰度的变化率和方向，他们分别以梯度向量的幅度和方向来表示。 边缘检测算子检查每个像素的领域并对灰度变化率进行量化，通常也包括方向的确定。 有若干种方法可以使用，其中大多数是基于导数掩模求卷积的方法。 1） Robert 边缘检测算子 Robert 边缘检测算子是一种利用局部差分算子寻找边缘的算子。 它由下式给出出：   1 / 222( , ) ( , ) ( 1 , 1 ) ( 1 , ) ( , 1 )g x y f x y f x y f x y f x y              其中 ( , )f xy 是具有整数像素坐标的输入图像。 其中的平方 根运算使该处理类似于人类视觉系统中发生的过程。 2） Sobel 边缘检测算子 如图所示的两个卷积核形成了 Sobel 边缘算子。 图像中的每个点都用这两个核做卷积。 一个核对通常的垂直边缘响应最大而另一个对水平边缘响应最大。 两个卷积的最大值作为该点的输出值。 运算结果是一幅边缘幅度图像。 1 2 101 20 01 1 0 1 2 1 00 21 图 Sobel边缘检测算子 3） Prewitt 边缘检测算子 如图所示的两个卷积核形成了 Prewitt 边缘算子。 与使用 Sobel 算子的方法一样，图像中的每个点都用这两个卷 积核进行卷积，取最大值作为输出。 Prewitt 算子也产生一幅边缘幅度图像。 湖南工业大学本科毕业设计（论文） 11 1 1 101 10 011 0 111 00 1 1 图 Prewitt边缘检测算子 4） 阈值分割 阈值分割算法是图像分割中算法数量最多的一类，阈值话分割技术是基于下列假设的：每个区域是由许多灰度值相近的像素构成的，物体和背景之间或不同物体之间的灰度值有明显地差别，这样可以通过区域之来区分。 待分割图像的特性越接近于这个假设，用这个方法分割的效果越好。 该分割技术的基本原理是确定一个处于图像灰度变化范围内的灰度阈值 T，让后 把图像中每一个像素的灰度和这个阈值 T相比较，并且根据一定规则将像素分为两类，例如：把灰度值大于阈值的像素归为一类；像素值小于阈值的像素归为另一类。 不同的像素一般属于图像中不同的区域，这样根据阈值对像素进行分类即可以达到区域分割的目的。 阈值分割算法可分为两个步骤： 1）根据一定的规则确定适当的分割阈值； 2）将该阈值和像素值相比较来分类像素。 在上述步骤中， 确定适当的阈值是该分割算法的关键。 阈值 T的正确选择对于正确检测目标是十分重要的，直接关系到分割精度。 要特别注意的是，阈值分割时只要考虑了像素的本身值，未考 虑像素的空间位置。 因此根据阈值划分同一类的像素可能属于图像中不连通的区域，这时，通常需要借助于其他一些方法来进一步确定目标区域。 字符 切 割 字符分割 是将车牌图像的七个字符分割成一个个独立的字符 图像。 字符分割时识别的基础，分割的好坏直接影响到识别的效果。 而大致的分割方法有如下几种： 1）直接分割法即基于车牌字符的规格来分割的，其优点是方便简单，局限在于需要找到精准分割点。 2）基于投影法的分割方法即基于对二值图像像素的列进行叠加，也就是对车牌进行水平投影。 这样就得到投影图像，而投影图像就会出现波峰 和波谷，而 最低的谷底就是要找的分割点。 此方法主要优点在于程序逻辑设计简单，便于设计程序。 但是由于车湖南工业大学本科毕业设计（论文） 12 牌字符中的汉字有些并不连通，投影法也存在着一些问题。 3） 上述两种办法是基本的字符切割方法，但都是有缺点的，可以结合两种办法来设计一种办法。 由于投影法存在问题主要是由汉字的不连通性造成的，那么可以根据直接分割原理大约估计第一个字符的宽度，在利用投影方法进行切割，当第一个最低波谷的列数比直接分割的列数要小那么就。