車牌自動識別系統的設計與研究車牌定位與分割畢業設計(編輯修改稿)

　

【文章內容簡介】 和字符識別的效果，所以有必要對車牌定位方法進行深入的研究。 車牌字符分割是把車牌的字符一個個分離出來，為車牌字符的識別做好準備工作。車牌字符分割屬于印刷體字符分割的范疇。印刷體字符分割的任務是從多行或多字符圖像中切割出單個字符。對于字符分割的問題常常不被重視，但是字符的正確分割對字符的識別又很關鍵。由于各種因素的影響，使得字符分割的復雜性大。目前的字符分割的算法一直在不斷完善。針對車牌圖像的字符分割，是字符分割的一個具體應用，目前人們根據車牌字符的特征已提出了一些算法，比如：基于先驗知識的分割算法，基于投影輪廓和拓撲結構的分割算法等。但是考慮到車牌中字符可能存在的粘連、斷裂情況，字符分割技術仍然需要進一步改進。 1．3 主要研究內容課題研究的主要內容是對數碼相機拍攝的車牌，進行基于數字圖像處理技術的車牌定位技術和車牌字符分割技術的研究與開發，涉及到圖像預處理、車牌定位、傾斜校正、字符分割等方面的知識,總流程圖如圖 11 所示，其中車牌定位的流程圖如圖 12 所示，字符分割與歸一化的流程圖如圖 13 所示。輸入車牌圖像 車牌圖像預處理 車牌定位傾斜校正字符分割圖 11 系統總流程圖 對車牌圖像進行預處理，得到車牌的基本形態去除非目標區域通過計算尋找 X 和Y 方向車牌的區域完成車牌定位 圖 12 車牌定位的流程圖 [m，n]=size（d） ，逐排檢查有沒有白色像素點，設置1=jn1，若圖像兩邊 s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據圖像的大小，設置一閾值，檢測圖像的 X軸，若寬度等于這一閾值則切割，分離出七個字符歸一化切割出來的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配 圖 13 字符分割與歸一化流程圖1．4 論文章節安排 第一章為緒論。介紹了選題的背景及意義,并對國內外車牌定位分割技術研究現狀進行了綜述。同時還給出了本文研究的主要內容和論文的章節安排。 第二章為圖像處理技術。詳細地闡述了車牌定位分割過程中涉及到的圖像處理技術的基本理論,并結合課題程序進行探討分析。第三章為車牌圖像的定位。分析了車牌定位的基本原理和現有的定位方法,利用圖像處理的技術,提出了基于數學形態學與邊緣檢測以及顏色相結合的車牌定位方法。最后對車牌定位實驗結果進行分析。第四章為傾斜校正。分析了傾斜校正的基本原理和一些傾斜校正方法,并對實驗結果進行分析。第五章為車牌字符分割。分析了各種字符分割算法，然后對分割出的車牌圖像進行灰度化、灰度拉伸、二值化、去邊框處理等一系列預處理后，提出了一種基于模板匹配與垂直投影相結合的字符分割方法。最后對字符分割實驗結果進行了分析。第六章對所做的工作進行了總結和展望。附錄為程序代碼。第二章 圖像處理技術2．1 圖像灰度化數字圖像包括彩色圖像和灰度圖像兩種。在 RGB 模型中，例如 R=G=B，則顏色表示一種灰度顏色，其中 R=G=B 的值叫做灰度值，我們用 g 來表示。灰度化處理就是由彩色轉換為灰度。由于彩色圖像的存儲大都占用很大的空間，在對圖像進行切割處理時經常將彩色圖像轉換為灰度圖像，以加快后續的處理速度。R,G,B 的取值范圍是 0255，所以灰度的級別是 256 級。灰度化的處理方法主要有如下三種:（1）最大值法:使 g 的值等于三值中的最大的一個，見式(21) （21)max(,)RGB? (2) 平均值法:使 g 的值等于三值和的平均值，見式(22) (22)3? (3)加權平均值法:根據重要性或其他指標給 R，G，B 賦予不同的權值，并使 g 等于它們的值的加權平均值，見式(23) (23)3RBWg??其中 , , 分別為 R，G，B 的權值。由于人眼對綠色的敏感度最高,對紅的RWGB敏感度次之，對藍色的敏感度最低，所以本實驗取 。??本文根據加權平均值法進行灰度化。原圖、灰度圖及其直方圖結果見圖 21 與圖 22，且彩色圖像灰度化代碼如下：I=imread(39。D:\MATLAB7\39。)。%讀入彩色車牌圖像figure(1),imshow(I)。title(39。原圖39。)I1=rgb2gray(I)。%灰度化figure(2),subplot(1,2,1),imshow(I1)。title(39。灰度圖39。)。figure(2),subplot(1,2,2),imhist(I1)。title(39。灰度圖直方圖39。)。圖 21 彩色車牌圖像圖 22 車牌圖像的灰度圖及其直方圖下面圖 23 到圖 25 是對其他車牌圖像進行灰度化和其直方圖的顯示結果。從直方圖中可以看出車牌圖像的直方圖中存在雙峰或多峰的情況，這些給后期的車牌圖像二值化過程中閾值的選擇帶來一定的影響。圖 23 車牌圖像的灰度圖及其直方圖圖 24 車牌圖像的灰度圖及其直方圖圖 25 車牌圖像的灰度圖及其直方圖2．2 圖像增強圖像在獲取和傳輸過程中通常都會混入很多噪聲，導致圖像質量的下降，使圖像的細節難以辨認、模糊、輪廓不清楚甚至畸變，不利于人和機器對圖像的理解。因此，在對原始圖像分析之前，必須改善圖像的質量。圖像增強是使用的比較多的一種方法，增強的目的是增強圖像的視覺效果，提高圖像的清晰度，使其更加便于人或者機器處理。圖像增強所使用的方法主要分為兩大類，一類是空域增強法，主要包括直方圖修正、圖像平滑和圖像銳化等；另外一類則是頻域增強法，主要有低通濾波、帶通濾波和高通濾波等。出于對實時性的考慮，在車牌識別系統中一般很少使用頻域增強法。造成圖像對比度低的幾個原因：，使得圖像中央區域和邊緣區域的灰度失衡； 攝像頭掃描時各點的靈敏度有較大的差異而產生圖像灰度失真；；。通過直方圖發現車輛牌照圖象的灰度取值范圍大多局限在 r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據圖象處理系統的條件，最好將灰度范圍展開到 s=(0,255)之間，為此對灰度值作如下的變換： （24）()[min,ax]sTrr??使得 S∈[Smin, Smax],其中，T 為線性變換， （25）inr ax iSirin maxr S???圖 26 灰度線性變換 圖像增強代碼和結果如下：J=imadjust(I1,stretchlim(I1),[])。%非線性變換figure(3),subplot(1,2,1),imshow(J)。title(39。灰度拉伸后的圖39。)。figure(3),subplot(1,2,2),imhist(J)。title(39。灰度圖直方圖39。)。圖 27 灰度拉伸后的圖像及其直方圖程序中使用 imadjust 函數來實現圖像的灰度拉伸。它使圖像的低灰度區得以擴展，而高灰度區得到壓縮，使圖像的灰度分布均勻，與人的視覺特性匹配。從圖 27 中可以看出原始車牌圖像視覺效果一般，經過灰度拉伸后，圖像感覺清晰了許多。利用灰度拉伸對于圖像中的高亮區和黑暗區具有保護細節的明顯作用。2．3 車牌圖像的二值化灰度圖像是有 256 個灰度級的單色圖像，多級別的圖像能夠呈現出較為豐富的明暗度，但對于目標搜索來說，總是希望盡可能地減少背景像素的干擾，而保存或增強目標區的色素度。圖像的二值化可把像素的灰度級分成黑與白二級，即把原灰度圖像轉化為二值圖像，在數字圖像處理中，二值圖像占有非常重要的地位。這是因為，一方面，有些需要處理的如文字圖像、指紋圖像、工程圖紙等圖像本身是二值的。另一方面，在某些情況下即使圖像本身是有灰度的，我們也設法使它變成二值圖像再進行處理(即灰度圖像的二值化)。這是考慮到在實際的圖像處理系統中，要求處理的速度高、成本低、信息量大的濃淡圖像處理的花銷太大。此外，二值化后的圖像能夠用幾何學中的概念進行分析和特征描述，比灰度圖像優勢大的多。如何將圖像分成兩級，關鍵看閾值的選取，要找到合適的閾值 t 來區分對象和背景。設原灰度圖像為 f(x，y)，二值化后的圖像為 g(x，y)，二值化過程表示如下: （26）1(,)(,)0fxytgxy?????? 　門限 t 的選擇是關鍵，它可以表示為一個三元函數，即： （2[(,),()]tfxyNxy7）其中（x,y）是圖像中像素位置，f（x,y）代表圖像中（x,y）處的灰度值，N(x,y)為(x,y)周圍鄰域的灰度特征。目前二值化有多種閾值選取方法。依閾值的應用范圍可分為全局閾值法、局部閾值法和動態閾值法等。全局閾值法是指在二值化過程中只使用一個閾值，典型的全局閾值方法包括 Ostu 方法、最大熵方法等，優點在于算法簡單，對于目標和背景明顯分離、直方圖分布呈雙峰的圖像效果良好，但對輸入圖像量化噪聲或不均勻光照等情況抵抗能力差，應用受到極大限制。局部閾值法則是由像素的灰度值和像素周圍局部灰度特性來確定二值化的閾值，Bernsen 算法是典型的局部閾值方法，局部閾值法的缺點和問題是實現速度慢、不能保證字符筆劃連通性、以及容易出現偽影現象等。動態閾值法的閾值確定不僅取決于該像素的灰度值及其周圍像素的灰度值，而且與像素位置信息有關。由于充分考慮了每個像素鄰域的特征，能夠更好的突出背景和目標的邊界，使得相距很近的兩條線不會產生粘連現象，二值化效果較好。缺點是算法復雜，耗費資源較多。盡管閾值選取的方法很多，但至今還沒有找到一種對所有圖像都可以有效分割的方法，一種閾值方法只能適用于某一類或幾類圖像。藍白車牌和黑白車牌車牌底色和字符顏色對比明顯，而黃黑車牌的車牌底色和字符顏色對比不太明顯。本文采用了基于灰度直方圖的全局閾值法的方法來處理藍白車牌。令 T 代表一副灰度圖像的閾值， 為圖像中實際像素的最高灰度值， 為相對最maxGminG小灰度值，對于一幅灰度級為 256 級的灰度圖像，從第 l 級開始，每 16 個灰度級分為一個灰度級組，從而把 256 級分為 16 組(分組序號 n=1，2...，16)，然后在整幅圖像中逐個搜索每一個像素，并根據該像素的灰度值將其歸入相應的灰度級組，整幅圖像掃描完畢后統計每個灰度級組的像素數量，記錄像素數量最多的灰度級組的分組序號 n，通過式(28)可求出 G: (28)mi(1)6G???得到 后，則閾值 T 可通過式(29)計算得到:minG (29)axminma3二值化代碼實現如下：figure(10)。subplot(3,2,1),imshow(b),title(39。39。)g_max=double(max(max(b)))。g_min=double(min(min(b)))。T=round(g_max(g_maxg_min)/3)。 % T 為二值化的閾值（四舍五入）[m,n]=size(b)。d=(double(b)=T)。 % d:二值圖像imwrite(d,39。39。)。figure(10)。subplot(3,2,2),imshow(d),title(39。39。)圖 28 車牌圖像二值化 圖 29 車牌圖像二值化圖 210 車牌圖像二值化以上圖片是對一些車牌圖像采用全局閾值分割方法的結果，從中可以看出，經過采用上述方法進行閾值分割后，能夠很好的把車牌字符與背景分割開，同時該方法簡單快捷，易于理解，實用性強。2．4 空間域濾波對于包含噪聲污染的車牌圖像，通常采用空間域法對車牌圖像進行濾波，常使用的方法有:線性濾波、中值濾波等。線性濾波可以去除圖像中某些類型的噪聲，如采用鄰域平均法的均值濾波器就非常適合去除用掃描方式得到的圖像中的顆粒噪聲。鄰域平均法對于給定的圖像 f(i,j)中的每個像素點(i,j)，取其鄰域 S,求鄰域 S 中像素值的平均值作為處理后所得圖像像素點(i，j)處的灰度。用一個像素鄰域內各像素灰度平均值來代替像素原來的灰度，即使用了鄰域平均技術。鄰域 S 的形狀和大小根據圖像特點確定。一般取的形狀是正方形、矩形及十字形等，S 的形狀和大小可以在全圖處理中保持不變，也可根據圖像的局部統計特性而變化，點(i，j)一般位于 S 的中心。如 S 為 33 鄰域，點(i，j)位于中心，則： （21(,)(,)9mnfijfijn?????10）假設噪聲 n 是加性噪聲，在空間各點互不相關，且期望為 0，方差為 ，g2?是未受污染的圖像，含有噪聲的圖像 f 經過鄰域平均后為: （2111(,)(,)(,)(,)fijijgijnijMM?????11）式中 M 為鄰域 S 內的像素總數。由公式 211 可知，經鄰域平均后，噪聲的均值不變，方差 。即239。 21??噪聲方差變小，說明噪聲強度減弱了，即抑制了噪聲。同時，由公式 210 還可看出，鄰域平均法也平滑了圖像