车牌字符的识别和分割

第一章绪 第二章车牌识别系统的构 车牌图像定位研究现 车牌图像定位实现方 第三 图像的预处 灰度变化的实 图像的灰度拉 全局化阈 自适应阈 车牌的倾斜类 以线性回归法对车牌图像的校 第四章车牌字符的分 车牌图像上字符的粗切 去掉车牌图像上字符的多余空 连通域矩形的位置关 连通域的合 连通域提取字符分 误连接区的分 第五 车牌字符的识别算法分 神经网络概 神经网络的工作过 支持矢量机基本原 基于SVM的车牌汉字识 第六章总结与展 参考文 致 附 本文主要介绍了车牌识别的过程，车牌识别系统是制约道路交通智能化的重要因素其流程主要包括图像图像预处理与图像识别车牌字符的分割是图像预处上的字符通常模糊不清而破损不清晰的车牌图像对于字符的分割是很的因此软件编程实现了整个系统，并验证了所方法的可行性。Thearticleintroducestheprocessoflicenseterecognitionwhoselaggardrestrainstheroadtrafficfrombeinginligent.Theproceduresmainlyincludeimageacquisition,imagepre-processingandimagerecognition,andthelicensetecharactersegmentationisanimportantprocessofimagepre-processing.Duetotheparticularityoflicenseteimagecaptureandlossofthelicenseteitselfmakingthecharactersonthelicenseteimageisusuallyblurred,Whilethedamageandunclearlicenseteimagescausecharacterssegmentationdifficult,sothelicensetecharactersegmentationhas eaproblemthatmustbesettledinlicenseterecognitionsystem.Thisdesignysestheprincipleandalgorithmofthecompositionofthelicenseteimagesegmentationmethodtoachieveadetailedysisofacompletesystemandsoftwareimplementationusingsoftwaretoprogramtheentiresystem,andverifythethefeasibilityoftheproposedmethod.Thispapergivesseveralmethodsoflicenseteimagesegmentationanddetailsoftheprincipletocompletetheimagesegmentationalgorithm,specificproceduresfortheimplementationprocess,thesimulationresultsandexpoundstheiradvantagesand：licenseterecognition，charactersegmentation，image要具有深厚的专业知识和良好的创新能力。通过的写作，使我们发现自己的长处和另外撰写的过程是训练我们独立进行科学研究的过程。通过撰写毕业论文可以使学生了解科学研究的过程掌握怎样怎样观察和作样本的分析怎收集整理和利用材料怎样在网上收索文献资料怎样使用馆里的相关书籍习的一个很好的机会！因为在的写作过程中不仅有老师的传授与指导，可以让我们中所涉及到的全部过程和各环节，是一次系统的、全面的实践机会。在写的过程同随着社会经济的发展，人民生活水平的不断提高，私人拥有机动车辆的数量迅速增加车辆普及成为必然的趋势在此情况下伴随而来的交通事故违章逃逸屡见不鲜,但仅仅依靠大力发展和改造交通设施，现在已经不能解决掉交通事故的发生、交通比较拥挤和环境污染越来越严重等问题虽然世界上的诸多国家仍然主要靠修建的公路基本设施并建设完善的公路网络来缓解交通拥挤的问题但由于修建新的道路所需要的比较多以及环境污染严重呢的压力和城市空间的不断减小将使得建设道路的空间将受到限制因此只有道路建设和现代化管理齐头并进在加强交通建设的同时大力发展智能交通系统才有可能真正地解决日益严重的交通问题车辆牌照识别技术是智能交通系统中的一个重要环节它在交通监视和控制中占有很重要的地位车辆牌照识别技术作为交通信息服务系统的重要其任务是分析处理车辆图像自动识别汽车牌号码为了避免人工干预所带来的弊端提高管理效率对车辆牌照自动识别系统的需求和标准的要求越来越高汽车牌照自动识别技术己经越来越受到人们的重视。车牌牌照自动识别系统的目的是在车辆图像中自动定位牌照位置并识别牌照号码，是数字图像处理与模式识别技术的典型应用系统可以解决通缉车辆停车场交通堵塞等问题还可以通过最简单的方式完通部门的车辆信息联网解决数据统计自动化模糊查询的问题系统在桥梁路口自动 停车场无人管理的 和自动放行方面1②.交通道路的3.管理系统在桥梁高速公路与隧道等诸多地点LPR系统应用在管理系统当中，系统还能够节省的大量开车时间汽车牌照识别系统也能够应用在路桥卡口和交通管理部门等单位进行车流量的统这样有利于了管理部门的巡视和处理突发的情况同时LPR328198，52%。分割准确96.51%R.Mullot别与集装箱的识别共用一套硬件系统。Youngsungso 2.1图2.1如图2.2所示：当有汽车经过时，车辆检测单元（这里指的是地感装置)就会受到触发，接着图像装置会被触发自动获取车辆上的或正面图像，并且将所到的中心去或处一些应用场合。图2.2因为车牌图像的定位对于整个识别系统对牌照的识别的成功与失败起着很关键性存计算机发展的早期，由于受到了计算机硬件，如内存、CPU的速度方面的限制而不得第二种技术是彩像处理技术这种技术的基本思想就是车牌颜近年来随着计算机技术的发展和硬件价格的大幅度降有很多学者在车牌的处理方面应用了后一种彩像处理技术。这种技术又可以分为四种方法：(1)(2)首先利用神经的宽高比相定位和提取车牌；(3)利用颜色空间距离和相似度进行车牌的底色的颜色分割再利用投影法根据车牌的宽高比确定车牌区域最后对车牌区域的灰度图(4)虽然，这些方法都有自己的优点：但是它们也或多或少存在着一定的缺点。牌的几何特征以及车牌区域内的边缘灰度直方图统计特征删除伪车牌，即得到真实车牌。④.DTFDTFDTF 图2.3水平和垂直两个方向的灰度投影直方 图2.4车牌定位后的图第三章任何光的颜色可以表示为式（3.1） 其中权值r/g/bR/G/BCIE- x/y/zXYZx、y、zZ=0.010G+0.990B（0.33，0.33CIE-RGBx(1)y(1)z(1)灰度图(GrayScale)是指只包含亮度信息，不包含色彩信息的图像，例如平时看到的亮度由暗到明连续变化的黑白要表示灰度图就需要把亮度值量化通常分成0～255共256O255256若是彩像其颜色种类较多不利于图像处理因此一般部是将彩像转换为灰度图进行处理。其转化式可为式(3.3)。灰度值 灰度花就是使彩色的R、G、B分量值相等的过程，由于R、G、B的取值范围一般是①.最大值法：使R、G、BR=G=B=max(R、G、 本方形成亮度很高的灰度图像②用R、G、BR=G=B=（R+G+B）/ 本方形成较为柔和的灰度图像③.平均值法R=G=B（WRRWGGWBB 式中的WR、WG、WB分别为R、G、B的权值。WR、WG、WB取不同的值，平均蓝色的敏感度最低，所以使WRWGWB将得到合理的灰度图像。当WR=0.587WG=0.229，WB=0.114由于一般通过机获得的是RGB彩，所以使用Gray=(Red×299+Green×587+Blue×114)/1000 3.1车牌的灰度图 3.2灰度图的直方 y1

xf(x)y2y1(xx

xx 22

255y2(xx) x255

图3.3x1x2之间的灰度拉伸到y1和y2位车牌的上下左右边界。对图像进行二值化可以给后续的分割识别工作带来很大的方便。割效果。如图4-7所示，我们能够看出该图像的灰度级直方图有两个波峰和一个波谷；使用固定阈值来对图像进行二值化操作。这时候我们可以定义灰度阈值T对物体面积进行计算的表达式为：A

H

显然，如果阈值对应于直方图的谷，阈值从T增加到T+AT只会引起面积略微减少。图3.4灰度的取值变化 图3.5二值化后的车牌图等干扰，影响进一步的图想想处理，所以须对图像进行增强处理。器、滤波器和中值滤波器。领域内所有值的均值来代替，其为：F(x,y)

fi,

M(i,jN3×3、5×5态分布的噪声十分有效。一维零均值函数为：xg(x)e2

离散函数作平滑滤波器，函数表达式为：(i2j2gi,j

式类似，但滤波过程不是运算，以3×3邻域为列求点[i,j]的灰度值计算方法为：①按灰度值顺序排列[i,j]②取排序像素集的中间值作为[i,j]图3.6均值滤波 图3.7均值滤波车牌图像由于受到镜头与车牌之间的距离道路坡度汽车驾驶速度以及带来了一定的因此在后续的处理之间必须要对其进行倾斜校正根据许多文献资料的记载，目前车牌倾斜校正的主要方法有：1、通过模板匹配来寻找车牌固定时的二牌倾斜校正目的。这种方法的主要缺点就是当车牌的背景颜色与车子的颜色差别不大时，所取得的车牌的倾斜校正的结果将不理想。2、通过求取车牌字符区域的极大特征的结果将很不理想。3、通过求得车牌上各个字符连通域的中心点，然后拟合成近似的4Hough通过Hough变换来求得车牌的区域边框，这样进一步地确定了车牌的倾斜角；虽后冉对的噪卢比较大时，所取得的结果将很不理想。5、先进行水平边缘的检测，然后再旋转边缘图像并进行垂直投影，并把垂直投影的最大投影值所得到的角作为车牌的倾斜角。6通过采用水平和垂直边缘检测法相结合的办法来旋转投影求取车牌的水平和垂直倾斜所得到的结果不够理想因此本文将人车牌在水平方向上发生了倾斜使得所得到的图像的像素在不同列之间发生了错位或：对于下一步字符的切割来说，众所周知，车牌都是一个矩形。它在不同的车辆上可能有不同的倾斜类型3.8不管它是向上倾斜或是向下倾斜(从x轴的正方向看)，只要将车牌图像向下或向上旋转Y轴的正方向看)，只要将车牌图像向外或向内旋转所倾斜的角度即可。对于水平垂直倾斜，这也是最多的一种情况为了解决这种情况须先在水平方向上进行向下或向上旋转 图3.8（a）图像的水平倾斜（b）（c）3.9y01x

D2

设上图中点的坐标分别是(x1,y1(x2,y2(xn,yn0和1yi01xi

I=1,2,3,…i

，D

QQ(0,求Q

))i

nn(

ixi

nQn

(y

x)2

1

Q

x(y

x)2

1

1

0n

y

n

(

x

x2nxiin

(xix)(yiy)xiyi

的话就可以判为边界点[6]ab。Lrot=atan（L由于车牌图像字符切割足下一步字符识别的前提，而且字符切割的好坏将直接影响算值逐个定位切割各个字符。②根据车牌图像在垂直方向上的投影直方图的数学期望E和方差D来确定一个阈值T=E—Dpiexl[i]<T<piexl[i+1]字符的起始位置，当像素值满足piexl[O<T<piexl[i-l]时，判别该点piexl[i]<T<piexl[i-l]为字符的结束位置，就这样划出所有的字符。当然这种方法的切割效果主要取决于阈值T，因此这种方法要求每次对切割的结果进行研究，如果偏离然后再符串中原有的表示各个字符之间关系的各个参数之间的相互关系不会发生太大的变化。符之间断裂的现象，图像中算符的笔画可能产生字符之间粘连或者字符断裂的现象;算近误差几个象素;并且字符为白字，还将有汽车杠与牌照四边边框的残留图像以及四种类型1)小功率汽车所用的蓝底白字牌照;(2)大功率汽车所用的黄底黑字牌照;()或的白底黑字红字牌照;(4)国外驻华机构用的黑底白字牌照这四种牌照的45Omm150mm7个(小圆点)。标准的民用车辆牌照(、、车、车除外)均为七个字符，首位为省名缩写(汉字)次位为英文字母再次位为英文字母或数字末四位字409mm45mm90mm34mm(10mm12mm以 车牌的特征①L

③

字符不包含‘1’)，Wc为字符‘1’的宽度，Wc为字符‘1’的两侧的字符间隙。上面的44.1图 影相比，上下边缘投影具有较好的单波峰特性，对投影曲线使用4.2的图像不可避免的损失一部分有用的信息，给进一步的处理造成不必要的，可能引字、数字。当然还有其它的样式的车牌，但他们的数目特别少，可以忽略不记。加上一个点的实际车牌会发现，它们的的确确是以第四字符，也就是倒数第四个④切割第三到第符。这两个字符的切割方式与第五到第七个字符一样对于第一个字符从第一行开始向下扫描把那些一行中所有的点的灰度值全为000时为0直到扫描到有一行不全为0时为止。最后从最后一列开始向左扫描把那些一列中所有的点的灰度值全为00图4.3mn，mn，LeftnLeftmBottomnBottommRightnRightm且Topn

PointInRectptR，矩形的定点为Vk，k

Vm,pointInRect(Vm,m),k

1nWavg nin1n1M i

mn，WmWavg且WnWavgM（m,n）或者

M

其中、、为常数，式（4.8）的意义为两个矩形宽度小于平均宽度并且两者集合中一个或者若干个矩形的并集，即Ci

RkMRCiiLeftRightTopBottommnkTopkmin(TopmTpon

通过图像的预处理后,一般车牌的第2个到第7个字符,构成了独立的连通域。于是只要得到每个连通域行列的起始位置和终止位置,构成一个矩形区,就得到了包含连通域的最小矩形区,最后,将每个矩形分别剪切,分割出各个字符,算法具体的实①初始化。将标记数组flag0。扫描中值为0N(自然数1开始)表示该像素点被扫描过,且表示该点在第N个连通域。0,为1且未被标记,则依次扫描相邻像素的标记值,当全为零,说明当前像素是新连通域的起始点,标记值为前一个标记值加1。③确定同一连通区域的像素集合。从起始点开始顺序扫描,当目标像素标记值为N时个像素点的灰度值为1,且未被标记,则这m个像素与当前像素属于同一连通域,标记值都置为N。之后该连通域的所有目标像素只需扫描右侧的3个相邻像素。而当目标像素标记值不为N时,停止前向扫描,转到第②步。标记数组的标记值,当找到第一个像素点标记值为NX1N时,记录该点像素的纵坐标为方框左上顶点的纵坐标y1;同理,逆向扫描,找出方框的右X2,Y2照这种方法,最后也能把二值图像中的所有独立的连通域都用方框标示出来,如图4.4(a)了汉字外,其它都是连通的,因此,按左顶点坐标的大小从右到左切割出6个字符后,X2X1,字符块的高为Y2Y1切出各个字符。分割结果如图4.4(b)所示。下仅使用连通域方法不能把他们分割出来，我们可以用以下的来确定有无误连区WWavg或者WHmax

式中的和为根据实验确定的常数，发现有误连区域后，可以使用垂直投影的方第五章归一化图像就是要把原来各不相同的字符统一到同一尺寸。因为扫描进来的图像中字符大小存在较大的差异，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高。具体算法如下：先得到原来字符的高度和宽度，与系统要求的作比较，得出要变换的系数，然后根据得到的系数按照插值的方法映射到原图像中。归一化仿真图如图5.1所示：5.1、工神经网络在不同程度和层次上对人脑神经系统的信息处理和检索等功能进行了另外，由于其具有能力，在进行图像识别时，可以先把许多不同的图像样板和对应的识别结果输入到人工神经网络，这样网络就会在训练中通过功能慢慢学会识别类似的图像。这种功能对于预测有着特别重要的意义。总而言之，人工神经网络在模解少；②可对特征空间进行较为复杂的划分；③适合高速并行处理系统来实现。但是，人工神经网络同其他理论一样也不是完美的，也有其固有的弱点，比如需要的、究有着广阔的探索空间人工神经网络根据结构可以分为前向网络反向网络、自组织竞争网络、交互网络和随机网络等多咱。目前常用的神经网络模型已有数十(ProcessingElementPE)构成的，具体到每一个PE，其动作一般比较简单(基本上是对输入向量与权向量的乘积求和)，各个PE从前向的几个PE接受输入信号，并在产生一个标量后将其输出给后向PE(如图6-1PE通常是将PE分成不同的层，各层PE数量也要视情况而定。在流程E，有的神经网络当前层的每个PE从前一层的所有PEPEPE接受后一层PE的输出。图5.2OOg[XW]g[xw] TiiW(a)

nni

2i

yi

jK(xi,xj

K（x,y)x

xy2

K（x,y）tanh(k(xy)

SVMSVM分类器是二分类器，因此本文采用多个二分类器组合的one．against-the—确定使用的核函数K，将训练样本值带入优化函数式(5.2)中，求出最优解ai及其非零(5.3)即得到判别函数f(x“l“l，“1图5.3其中特征提取模块的主要功能就是对切割下来的字符进行特征提取，为下一步真正的3层B-P13和8T和Q、0、D和0进行重新识别。车牌字符识别仿真图像如图5.35.4检查每一个错误。表明，本设计有以下几条优点①.充分利用中已有的函数库，使整个程序设计简单易行②.使用了的自定义函数功能，使程序设计更简洁30车牌识别程序设计能够得以顺利完成。在很大程度上得利于这套软件，像处理操作有:图像的几何操作、邻域和区域操作、图像变换、图像恢复与增强、线性滤波和滤波器设计、变换(DCT变换等)、图像分析和统计、二值图像操作等。在图像的显示方面提供了图像文件读入函数imread()用来如:bmptifjpgpcxtiffjpeghdfxwdimwriteimageimshow()①.对于复杂场景、灰度低质量差的图像识别能力好。经过对多幅大场景、夜晚等②.对固体场景的图像可以去除背景提高识别速度和精度。使用去除背景的方法可3C 集,1997,1-8. 集,1997,15-22.．图像工程上册：图像处理和分析[M].：,1999.231-8.。[]，大学2006RichardE.woods数字图像处理[M]（版：电子工业，2005，285-.图像工程（上册）图像处理[M]（第二版：.授，为人谦和，具有严谨的治学态度，在的创作中一直给与我无私的帮助和关心。在此表达我对老师的崇高的敬意，感谢老师从立题到完成整个过程对我的悉心直接指导下完成这次。感谢老师的耐心指导，并教给我一些很有意义的方法，尤其是在整个研究的思想和思维方式老师为提供了准确的指引和参照。 function[d]=main(jpg)figure(2),subplot(1,2,1),imshow(I1);title('fori=1:yfor%如果myI(i,j,1)即myI图像中坐标为(i,j)Blue_y(i,1)=Blue_y(i,1)+1;%蓝色像素点统计[tempMaxY]=max(Blue_y);%temp为向量white_y的元素中的最大值，MaxY为该值的索引（在向量中的位置）while((Blue_y(PY1,1)>=120)&&(PY1>1))while((Blue_y(PY2,1)>=40)&&(PY2<y))%IY为原始图像I中截取的纵坐标在PY1：PY2%end%beginforj=1:xforBlue_x(1,j)=Blue_x(1,j)+1;while((Blue_x(1,PX1)<3)&&(PX1<x))while((Blue_x(1,PX2)<3)&&(PX2>PX1))%endT=round(g_max-(g_max-g_min)/3);%T d:二值图像figure(8),subplot(3,2,3),imshow(d),title('3.%滤波imwrite(d