隨著計算機技術(shù)的快速發(fā)展，基于計算機的圖像處理和分析技術(shù)也獲得了飛速的進步。圖像處理技術(shù)已進入了各個不同的領(lǐng)域，得到更加深入和廣泛的應(yīng)用。但是在具體工程實踐應(yīng)用中，由于具體問題的不同，圖像處理技術(shù)目前尚沒有統(tǒng)一的算法來解決實際問題，所以其運用仍存在著一定的限制。因此對具體問題的研究和解決方案的提出仍然是一個及其具有挑戰(zhàn)性的課題。目前，圖像處理技術(shù)的應(yīng)用研究已經(jīng)成為科學(xué)界的一個重要研究領(lǐng)域。 本文在分析圖像處理技術(shù)理論的基礎(chǔ)上，以車輛牌照為研究對象，主要研究如何通過圖像的預(yù)處理、車牌的定位、車牌字符切分和字符識別等一系列過程，以完成汽車牌照的識別。 本文的主要工作是分析了車輛圖像處理的方法，對現(xiàn)有的各種牌照預(yù)處理算法和定位算法進行了深入的分析和比較，并在此基礎(chǔ)上采用了一種根據(jù)字符豎向紋理特征的牌照定位算法，實現(xiàn)了牌照的準(zhǔn)確、快速定位；研究了車牌圖像二值化、圖像的邊緣檢測、圖像分割、圖像平滑和圖像增強標(biāo)準(zhǔn)化算法，對帶有傾斜的牌照采用邊緣檢測和Hough變換相結(jié)合的方法有效的區(qū)分了不同種類的車輛牌照，并利用投影法結(jié)合牌照先驗知識給各個字符區(qū)域進行了標(biāo)號；引入字符窄區(qū)域概念，將字符區(qū)域進行分類處理，提高了分割的準(zhǔn)確性；利用特征匹配法，通過分析字符的結(jié)構(gòu)特征或各種統(tǒng)計特征，來設(shè)計各種分類器，對切割出的車牌字符進行識別。 本文使用在各種實際交通環(huán)境下拍攝的車牌圖片對上述算法進行了試驗，試驗結(jié)果表明本文設(shè)計的車牌處理算法一方面提高的車牌處理的正確性，另一方面在一定程度上減少了車牌處理時間，因此更加適合應(yīng)用于實際的車牌識別系統(tǒng)中。

　　1 車牌定位及預(yù)處理

　　將汽車圖象文件以Raw格式文件輸入計算機后，計算機將車牌部分從整幅圖象中抽取出來，實現(xiàn)車牌定位。設(shè)定門限值為127,設(shè)定檢測閾值為16.然后對圖象自上而下逐行掃描，若某一行的0→1和1→0變化次數(shù)大于該閾值則假設(shè)其為待測車牌點，繼續(xù)逐行掃描直至0→1和1→0變化次數(shù)小于8的情況出現(xiàn)。將該值假設(shè)為待測車牌點。若點與點之差大于15則認(rèn)為目標(biāo)已檢測到，否則繼續(xù)進行掃描。如果未檢測到符合上述條件的目標(biāo)，則自動調(diào)整門限值重復(fù)以上的操作。直到找到目標(biāo)為止。

　　利用二值圖象在豎直方向上的投影作為特征，從左至右尋找目標(biāo)的中心點坐標(biāo)?？疾煲郧八玫哪繕?biāo)高度作為邊長的方形窗口內(nèi)的豎直方向投影之和，若該值小于經(jīng)驗閾值則視為無文字信息的背景部分，若該值首次大于閾值則視為待識車牌的左邊界部分；之后，若當(dāng)投影和首次由大變小時跳出循環(huán)，則取該窗口的中點橫坐標(biāo)為目標(biāo)中心點。以目標(biāo)中心點為基準(zhǔn)向右，以高度為所得目標(biāo)高度、寬度為30的窗口再次統(tǒng)計象素值為1的象素點個數(shù)，若該值首次小于經(jīng)驗閾值16則視為已到目標(biāo)右邊界，并取該點坐標(biāo)為目標(biāo)右點的坐標(biāo)。對目標(biāo)左點坐標(biāo)的確定同理可得。

　　由于車牌的高寬比固定，將之作為一種目標(biāo)評定標(biāo)準(zhǔn)，考慮變形因素，若高寬比不處于區(qū)間（0.2~0.6） 之內(nèi)則視為無效目標(biāo)，修正門限值后開始循環(huán)，終達(dá)到邊界。

　　目標(biāo)圖象預(yù)處理包括圖象平滑、字符與背景的分離、范圍調(diào)整和傾斜修正等。

　　根據(jù)實際情況，圖象的平滑采用八鄰域平均法。所用的掩模為：

　　實現(xiàn)字符與背景分離所采用的門限化算法是：在有256個元素的一維整型數(shù)數(shù)組元素A[i]中存放目標(biāo)圖象中所有灰度值為i的象素點個數(shù)。比較得到在目標(biāo)圖象中具有概率的灰度值a .研究發(fā)現(xiàn)有以下兩種不同的情況，分別如圖1和圖2所示。

　　對情況一，圖象信息主要位于灰度區(qū)間（0~a）之間，此時再找出灰度區(qū)間（0~b），使該區(qū)間內(nèi)象素點個數(shù)占目標(biāo)圖象總象素點個數(shù)的30%.取b為門限值，使灰度值大于該門限值的象素點取值為0,其他情況的象素點取值為1.對情況二同理處理。從左至右用與目標(biāo)圖象等高且寬度為30的檢測窗口掃描目標(biāo)圖象?？疾炱湎笏孛芏?，當(dāng)值為1的象素點個數(shù)小于50%時停止掃描。取此時檢測窗口的左坐標(biāo)為目標(biāo)的左邊界。目標(biāo)的右邊界同理可得。根據(jù)所得車牌圖象的范圍信息，在有必要的情況下，用旋轉(zhuǎn)變換進行傾斜修正。

　　2 自動單字符列切分

　　列切分是把定位后提取出的牌照圖象，切分成單個的字符圖象。字符塊在垂直方向上的投影必然在正確的分割位置上（即字符或字符內(nèi)的間隙處）取得了局部值，且這個位置應(yīng)該滿足書寫規(guī)則和字符尺寸限制。對字符圖象進行垂直方向的投影。在水平方向上從左至右檢測各坐標(biāo)的投影數(shù)值。檢測到個投影值不為0的坐標(biāo)可視為首字符的左邊界，從該坐標(biāo)向右檢測到的個投影值為0的坐標(biāo)可視為首字符的右邊界，其余字符的邊界坐標(biāo)同理可得。

　　通過字符的平均字寬和兩字符左邊界之間的平均距離去除可能存在的誤分。對于字寬小于平均字寬一定比例（如0.2）的字符視為無效字符；前后兩字符距離小于平均距離且此距離與字寬之和不大于平均距離，則合并之為一個字符；對于字寬大于平均字寬一定比例（如2.4）則視為兩字符出現(xiàn)粘連。

　　經(jīng)過上述處理可以得到準(zhǔn)確的切分結(jié)果。將字符變換到64×64的點陣空間上，以方便進行后續(xù)特征抽取等階段的處理。

　　3 輪廓化與細(xì)化

　　輪廓化處理采用四鄰域法，對噪聲平滑后的64×64的文字圖象F（i,j），掃描黑象素點（i,j） 的上、下、左、右四個鄰點，只要有一點不為黑，則點（i,j） 為字符輪廓上的點，置其灰度為1（即黑色），其他情況均令點（i,j）的灰度為0（即白色）。細(xì)化處理采用二次掃描細(xì)化法，該方法的速度較快，但由于是一種較為簡單的迭代算法，有時會造成一定程度的骨架形變。

　　圖3（b）和圖3（c）分別給出輪廓化和細(xì)化處理后的結(jié)果。

　　4 微結(jié)構(gòu)特征的提取

　　把字符分割成n×n的網(wǎng)絡(luò)，對每個小網(wǎng)絡(luò)統(tǒng)計出區(qū)域筆劃的方向特征。每個小區(qū)域突出字符的局部特征，且對微小的偏移或變形不敏感。把相鄰三點形成的兩條線素定義為微結(jié)構(gòu)。輪廓化后的字符，其中有十二種邊界線素的情況和字符筆劃相關(guān)（如圖4所示）。

　　根據(jù)字符筆劃的四個基本方向，可以相應(yīng)定義水平、垂直、±45°四種線素方向。并可以統(tǒng)計出區(qū)域筆劃方向密度向量。

　　把64×64的待識字符劃分為5×5的網(wǎng)格，前4×4的網(wǎng)格大小為13×13,一行、一列網(wǎng)格除一個為12×12外，一行為12×13,一列為13×12,統(tǒng)計其筆劃方向特征矢量，這樣就在每個區(qū)域上得到一個水平、垂直、+45°、-45°的四維方向特征，組成了整個字符的100維分類特征。

　　所抽取特征的穩(wěn)定性對識別的正確率至關(guān)重要，故在細(xì)分類中對字符進行8×8和7×7的二重分割。分別統(tǒng)計這64+49=113個小區(qū)域的區(qū)域筆劃方向向量（共有四個方向），組成113×4=452維的細(xì)分類特征。采用8×8的分割是為了在更小的區(qū)域內(nèi)抽取更精細(xì)的結(jié)構(gòu)特征。為了防止分割邊緣的不穩(wěn)定，進行了7×7的二重分割，使原來不穩(wěn)定的8×8網(wǎng)格邊緣的筆劃處于7×7網(wǎng)格的中央穩(wěn)定區(qū)域，提高了區(qū)域邊緣筆劃的穩(wěn)定性。

　　5 匹配策略

　　為了提高識別的準(zhǔn)確和速度，在匹配中采用多級分類的識別方案。

　　粗分類中，采用單純的區(qū)域筆劃方向特征，把字符分成5×5的網(wǎng)格（共25個小區(qū)域）分別統(tǒng)計線素的四個方向特性，構(gòu)成100維（25×4）的特征向量。采用距離判別準(zhǔn)則。設(shè)字典庫中的任一特征向量為，待識字符的特征向量為，,待識字符的特征向量為,字典中的任意一個模板與待識字符之間的距離為dj.

　　在dj中選取值的前10個字符作為初步匹配的結(jié)果，進入下一步進行細(xì)分類。

　　在細(xì)分類中，對候選字符通過二重分割提取452維的特征矢量作為細(xì)分類的特征。用與粗分類類似的判別準(zhǔn)則進行第二次匹配。通過試驗確定參數(shù)，用不同的權(quán)值系數(shù)與粗分類準(zhǔn)則結(jié)合起來決定待識字符與不同標(biāo)準(zhǔn)模板的匹配程度，取前四個作為終結(jié)果并將其輸出到指定的文本文件之中。

　　6 標(biāo)準(zhǔn)字典庫的建立

　　字庫是在眾多字庫中擇優(yōu)選取的。其中漢字從宋體字庫中選取，字母及數(shù)字從OCR-A字庫中選取。對標(biāo)準(zhǔn)字符分別進行歸一化、輪廓化和特征抽取，標(biāo)準(zhǔn)模板就是從中抽取特征得到的特征向量。

　　7 試驗結(jié)果

　　車牌定位非常理想；字符分割無誤；對漢字首字符的識別有時會出現(xiàn)誤識（可見漢字的識別難度較大，匹配算法和模板庫的建立方面是問題的關(guān)鍵所在）；對字母及數(shù)字的識別較好；在細(xì)分類優(yōu)先級的前兩級達(dá)到100%。

 車牌自動識別系統(tǒng)在大型停車的應(yīng)用，給管理人員帶來了很多的方便， 車牌自動識別系統(tǒng)具有很大的商業(yè)利益。