汽車車牌識別系統中字符識別方法的研究(編輯修改稿)

　

【文章內容簡介】 符分割 在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎上進行字符的分割，然后再利用分割的結果進行字符識別。字符識別的算法很多，因為車牌字符間間隔較大，不會出現字符粘連情況，所以此處采用的方法為 尋找連續有文字的塊，若長度大于某閾值，則認為該塊有兩個字符組成，需要分割。 字符大小歸一化 歸一化的目的是把提取的車牌圖像中的字符調整到與標準模板中的字符特征一致，以便進行識別。由于分割出來的字符圖像尺寸大小可能不一樣，因此需 12 對字符圖像進行歸一化處理，使每個標準字符的圖像窗口大小為 20x40. 我們假設 f(x,y)為未歸一化的圖像， g(x, y)為歸一化以后的圖像。設 (x0, y0)為 f(x, y)中的任一點， (x1, y1)為在 g(x, y) 中的對應點。 w1和 w2分別為字符圖像在原車牌圖像中的左邊緣和右邊緣列坐標， Width為模板寬度，此處為 20；h1和 h2分別為字符圖像在原車牌圖像中的上邊緣 和下邊緣的行坐標， Height為模板高度，此處為 40。 采用的歸一化的公式如下所示 : 下圖給出了字符大小歸一化的例子 . ?? ?? 歸一化 大小為 17x34原圖 大小為 20x40 ?? ?? 歸一化 大小為 30x60 大小為 20x30 模板設計 分析字符分割得到的圖像以及其他車牌圖像中字符的特點，將模板大小定為20x40 背景為黑色，代表灰度值 0，字符邊緣為白色。代表灰度值 255。 設計過程如下： 1. 用畫圖工具先分別畫出 10個數字， 26個字母， 8個數字， 并分別保存為0,1,2...A,B C，晉，京，遼，魯，陜 ....根據畫圖的經驗 其大小應略大于 2040，以利于后面的處理 , 所得到的字符均為黑字白底。 2. 對 1中獲得的粗略圖像用 MATLAB進行處理。處理的方面包括 : ，利用二維數組的映射關系實現，去掉開始行 (列 )與結束行 (列 )即所有外圍像素點。 ，實現圖像銳化。 13 ，切割為標準的 20x40格式。 3. 整個處理過程結束后，再用 imwrite 函數寫入圖像庫中，作為標準模板使用。 本文中建立的模板幾個實例 ....... 模板的制作很重要，必須要用精確的模板，否則就不能正確的識別。 字符識別 傳統的模板匹配法它是將從待識別的圖象或圖象區域 f(i,j)中提取的若干特征量與模板 T(i,j)相應的特征量逐個進行比較，計算它們之間規格化的互相關量，其中互 相關量最大的一個就表示期間相似程度最高，可將圖象歸于相應的類。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產生較大的噪聲干擾，或圖象經預處理和規格化處理后，使得圖象的灰度或像素點的位置發生改變。在實際設計模板的時候，是根據各區域形狀固有的特點，突出各類似區域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設計的特征量來構建模板，就可以避免上述問題。 ↓ ↓ 讀取字符分割出的七個字符 建立字符模板庫用來識別字符 14 ↓ ↓ ↓ ↓ ↓ ↓ 圖 31 字符識別流程圖 此處采用 相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出，解決了 在計算相似度的時候計算機需要進行大量的乘除法運算。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡稱；緊接其后的為字母與數字。車牌字符識別與一般文字識別在于它的字符數有限，漢字共約 50 多個，大寫英文字母 26個，數字 10 個。所以建立字符模板庫也極為方便。為了實驗方便，結合本次 設計所選汽車牌照的特點，只建立了 8 個數字， 26個字母與 10 個數字的模板。其他模板設計的方法與此相同。 首先取字符模板，接著依次取待識別字符與模板進行匹配，將其與模板字符相減，得到的 0 越多那么就越匹配。把每一幅相減后的圖的 0 值個數保存，然后找數值最大的，即為識別出來的結果。 第一個字符與模板中的漢字模板匹配 第三，四個字符與模板中的字母與數字模板進行匹配 待識別字符與模板字符相減，找到結果中 0 最多的即是找到匹配最好的一個字符 第二個字符與模板中的字母模板匹配 第五，六，七字符與 模板中的數字模板進行匹配 識別完成 15 第四章 實驗結果與討論 實驗條件 ： CPU: AMD 速龍 4000+ 內存 : 1GB 顯卡 : 集成顯卡 操作系統 : Windows 7 開發環境 : MATLAB R2021a 實驗結果與分析 (1) 通過選取合適的閥值將牌照圖像二值化 ,將會去掉光線變化的影響 .全局閥值速度較快 ,但是容易造成牌照筆畫丟失 。而局部閥值則可能造成筆畫斷裂 . (a) (b) (c) 圖 41 光照不均車牌圖像的二值化方法比 較 (a)原始灰度圖像 。 (b)全局閥值 。 (c)分段自適應確定二值化閥值 為避免兩類二值化閥值選取的缺點 ,可以將牌照分成若干個小圖像 ,對每個小圖像求取全局閥值 . (2) (a) 二值化處理后圖像 (b) 腐蝕后圖像處理 (c) 字符分割處理 圖 42 識別流程圖 16 實驗分析 ： a. 灰度校正 : 由于牌照圖象在拍攝時受到種種條件的限制和干擾，圖象的灰度值往往與實際景物不完全匹配，這將直接影響到圖象的后續處理。如果造成這種影響的原因主要是由于被攝物體的遠近不同，使得圖象中央區域和邊緣區域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產生圖象灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這時就可以采用灰度校正的方法來處理，增強灰度的變化范圍、豐富 灰度層次，以達到增強圖象的對比度和分辨率。我們發現車輛牌照圖象的灰度取值范圍大多局限在 r=(50,200)間，而且總體上灰度偏低，圖象較暗 圖 42 灰度增強后的圖像 : 對于受噪聲干擾嚴重的圖象，由于噪聲點多在頻域中映射為高頻分量，因此可以在通過低通濾波器來濾除噪聲，但實際中為了簡化算法，也可以直接在空域中用求鄰域平均值的方法來削弱噪聲的影響，這種方法稱為圖象平滑處理。 圖 43 去噪效果比較 (a) 原始圖像 。 (b) 加入噪聲 。 (c) 單一結構元素 。 (d) 多結構元素 17 實驗結果：從上圖的 兩 個車牌仿真實驗可知，車牌識別的結果準確率受到車牌圖像預處理，車牌定位，字符分割的影響力 ，表 明此種方法可以提高字符識別正確率，另外速度上也得到提升。 18 小結 本文以 PC機和數碼相機作為車牌圖像采集設備，以 MATLAB軟件作為作為實現字符識別的主要工具，進行了汽車牌照中字符識別技術的相關研究，利用改進的模板匹配在計算相似度時避免了大量的乘除法運算，帶來了字符識別速度。另外，利用不同的字符庫對特定字符區域進行匹配也提升了字符識別正確 率。 19 參考文獻 [1] 岡薩雷斯．數字圖像處理（第二版）．電子工業出版社， 2021． 8 [2] 趙書蘭 .MATLAB數字圖像處理與分析實例教程 .化學工業出版社， [3] 藍章禮、李益才 .數字圖像處理與通信 . [4] 陳桂明、張明照、戚紅雨 .應用 MATLAB語言處理數字信號與數字圖像?？茖W出版社，2021 [5] 葉晨洲，廖金周．梅帆．車輛牌照字符識別系統叨．計算機系統應用。 (5)：10— 13． [6] 崔江，王友仁．車牌 自動識別方法中的關鍵技術研究【 J】．計算機測量與控制， 2021，1l(4)： 260— 262． [7] 宋建才．字符結構知識在車牌識別中的應用．電子技術應用， 2021,3(4)： 18～ 19 [8] 陳景航 ,楊宜民 . 基于小波變換和神經網絡的車牌識別系統 [J].計算機工程 ,2021,31(15):175177. [9] 童建軍 ,鄒明福 . 車牌字符的一種精判別識別方法 [J].計算機工程與應用 ,2021,41(2):223226. [10] 宋建才 . 字符結構知識在車牌識別中的應用 [ J ] . 計算機 應用 ,2021 , 21(3) : 33 36. [11] 沈庭芝，方子文 .數字圖像處理及模式識別 [M].北京：北京理工大學出版社 .1998 [12] 魏武 .一種基于模板匹配的車牌識別方法 [J] 中國公路學報 ,2021,14(1):104106 [13] 閻建國 ， 高亮 ， 盧京潮 .圖象處理技術在車牌識別中的應用 [期刊論文 ]電子技術應用 2021(1) [14] 鄭南寧 .張西寧 .戴瑩行駛車輛牌照自動識別系統 1991(01) [15] 趙明生 , 包叢笑等 . 車牌識別技術在交通工程和城市安全中 的作用及應用前景〔 M 〕 . 北京 : 人民交通出版杜 . 1997. 20 附錄 .1 % 讀取原始車牌圖像 I=imread(39。39。)。 % 讀取車牌分割出來的七個字符 word1=imread(39。39。)。 word2=imread(39。39。)。 word3=imread(39。39。)。 word4=imread(39。39。)。 word5=imread(39。39。)。 word6=imread(39。39。)。 word7=imread(39。39。)。 % 商用系 統程序中歸一化大小為 40*20 word1=imresize(word1,[40 20])。 word2=imresize(word2,[40 20])。 word3=imresize(word3,[40 20])。 word4=imresize(word4,[40 20])。 word5=imresize(word5,[40 20])。 word6=imresize(word6,[40 20])。 word7=imresize(word7,[40 20])。 subplot(3,7,15