模板比較的車牌識別算法的研究與實現(xiàn)

1、本科畢業(yè)設(shè)計(論文)題目 基于模板比較的車牌識別算法的研究與實現(xiàn)學(xué)院名稱信息學(xué)院專業(yè)班級 計科08-1學(xué)生姓名郝高祥導(dǎo)師姓名姚進(jìn)二一二 年 六 月 十一 日齊魯工業(yè)大學(xué)本科畢業(yè)設(shè)計（論文）原創(chuàng)性聲明本人鄭重聲明：所呈交的畢業(yè)設(shè)計（論文），是本人在指導(dǎo)教師的指導(dǎo)下獨立研究、撰寫的成果。設(shè)計（論文）中引用他人的文獻(xiàn)、數(shù)據(jù)、圖件、資料，均已在設(shè)計（論文）中加以說明，除此之外，本設(shè)計（論文）不含任何其他個人或集體已經(jīng)發(fā)表或撰寫的成果作品。對本文研究做出重要貢獻(xiàn)的個人和集體，均已在文中作了明確說明并表示了謝意。本聲明的法律結(jié)果由本人承擔(dān)。畢業(yè)設(shè)計（論文）作者簽名：年月日齊魯工業(yè)大學(xué)關(guān)于畢業(yè)設(shè)計（論文）使

2、用授權(quán)的說明本畢業(yè)設(shè)計（論文）作者完全了解學(xué)校有關(guān)保留、使用畢業(yè)設(shè)計（論文）的規(guī)定，即：學(xué)校有權(quán)保留、送交設(shè)計（論文）的復(fù)印件，允許設(shè)計（論文）被查閱和借閱，學(xué)?？梢怨荚O(shè)計（論文）的全部或部分內(nèi)容，可以采用影印、掃描等復(fù)制手段保存本設(shè)計（論文）。指導(dǎo)教師簽名：畢業(yè)設(shè)計（論文）作者簽名：年月日年月日目 錄摘要IIIABSTRACTIV第一章緒論11.1 課題背景和意義11.2 國內(nèi)外研究現(xiàn)狀11.3 本文所做主要工作21.4章節(jié)安排3第二章車牌識別算法和技術(shù)簡介42.1 圖像的灰度化42.2 圖像的二值化和閾值處理42.3 圖像的傾斜矯正52.4字符識別技術(shù)5字符識別技術(shù)概念5常用字符識別技術(shù)

3、簡介62.5 模板匹配算法7模板匹配算法原理7常用模板匹配算法簡介8第三章系統(tǒng)分析與設(shè)計93.1系統(tǒng)需求及功能分析93.2功能模塊設(shè)計9圖像預(yù)處理模塊9車牌定位模塊9字符分割模塊10字符識別模塊103.3系統(tǒng)流程設(shè)計103.4技術(shù)開發(fā)平臺113.4.1 Microsoft Visual Studio 2008簡介11第四章系統(tǒng)功能與實現(xiàn)124.1圖像預(yù)處理模塊12圖像灰度化12圖像的灰度均衡14圖像的高斯濾波154.2 車牌定位模塊184.2.1 Sobel邊緣檢測184.2.2 車牌定位分割224.3 字符分割模塊244.3.1 車牌人工矯正244.3.2 車牌的灰度化和二值化284.3.3

4、 車牌字符的分割304.4 字符識別模塊324.5 壓縮模板匹配技術(shù)34樣本集分類預(yù)處理34壓縮模板生成34壓縮模板集構(gòu)造與擴展35基于壓縮模板集的模板匹配354.6 車牌識別系統(tǒng)的測試36結(jié)束語37參考文獻(xiàn)38致謝39摘 要車牌識別問題作為現(xiàn)代交通工程領(lǐng)域中研究的重點和熱點問題之一，受到越來越多人們的關(guān)注。車牌識別系統(tǒng)一般分為車牌定位、牌照上字符的分割和字符識別三個主要組成部分。從車輛圖像中準(zhǔn)確的定位分割出車牌區(qū)域是車牌識別中最為關(guān)鍵的步驟之一。圖像分割是圖像提取中的重要組成部分，只有有效地完成分割，才能進(jìn)一步提取目標(biāo)特征并識別目標(biāo)。本文對車牌圖片的預(yù)處理主要包括車牌圖像的二值化、傾斜校正、

5、去除邊框干擾、切割出最小范圍等步驟。本文通過投影分析和連通域分析，對車牌字符進(jìn)行分割，并對分割后的字符進(jìn)行規(guī)格化。最后運用基于模板匹配的車牌字符識別算法對其進(jìn)行字符識別。課題設(shè)計實現(xiàn)一個基于模板對比算法的車牌識別系統(tǒng)，該管理系統(tǒng)主要分為四大模塊：圖像預(yù)處理模塊、車牌定位模塊、字符分割模塊、字符識別模塊。該系統(tǒng)的設(shè)計是由美國Microsoft公司開發(fā)的可視化開發(fā)工具M(jìn)icrosoft Visual Studio 2008進(jìn)行，在代碼方面主要是以C#為主的設(shè)計語言。通過測試驗證，本車牌識別系統(tǒng)具有一定的實用價值，可以實現(xiàn)特定車牌圖像的字符識別。 關(guān)鍵詞：字符分割字符識別模板識別 車牌識別ABSTR

6、ACTThe vehicle license plate image,we separate the character and normalize the character. Through researching the traditionaltemplate match algorithm, we supply As one of the focal points and hot problems of studying in the field of modem traffic engineering,the license plate recognition (LPR) has a

7、ttracted more and more attentionLicense plate recognition algorithm consists of three modules in general,those are：license plate location,character segmentation and character recognition.An image from the vehicle positioning accurate segmentation of license plate identification license plate region

8、is the most critical one of the steps. Image segmentation is the extraction of an important component of the partition only effectively in order to further extract and identify the characteristics of the target goal. In this paper, pre-treatment plates include images of license plate image lineariza

9、tion, tilt correction, removal of border interference, such as cutting out the minimum steps. Projection-domain analysis and connectivity analysis, segmentation of license plate characters, and after the partition of standardized characters. Template matching based on the final use of the license pl

10、ate character recognition algorithm for character recognition.Program Design and Implementation of an algorithm based on the template contrast license plate recognition system, the management system is divided into four modules： image preprocessing module, the license plate locating module, characte

11、r segmentation module, the character recognition module. The design of the system developed by Microsoft Corporation USA, visual development tool Microsoft Visual Studio 2008, language in the code is C #.Verification test, the license plate recognition system has a certain practical value, can achie

12、ve a specific license plate image character recognition.Key words：character segmentation;character recognition; patternrecognition;licenseplaterecognition第一章 緒論1.1課題背景和意義經(jīng)濟(jì)的迅速發(fā)展和人民生活水平的不斷提高促進(jìn)了汽車數(shù)量的急速增長，截至2011年底我國機動車保有量達(dá)到2.25億輛，交通管理自動化越來越成為亟待解決的問題?，F(xiàn)代智能交通系統(tǒng) (Intelligent Transportation System，ITS)中，車輛牌

13、照識別(LicensePlate Recognition，LPR)技術(shù)是計算機視覺與模式識別技術(shù)在交通領(lǐng)域應(yīng)用的重要研究課題之一，是實現(xiàn)交通管理能夠智能化的重要環(huán)節(jié)，其任務(wù)是分析、處理汽車圖像，自動識別汽車牌號。LPR系統(tǒng)可以廣泛應(yīng)用于電子收費、出入控制、公路流量監(jiān)控、失竊車輛查詢和停車場車輛管理等需要車牌認(rèn)證的場合；尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停車收費提高公路系統(tǒng)的運行效率，LPR系統(tǒng)更具有不可替代的作用因而從事LPR技術(shù)的研究具有極其重要的現(xiàn)實意義和巨大的經(jīng)濟(jì)價值。LPR系統(tǒng)中的兩個關(guān)鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符識別系統(tǒng)。關(guān)于車牌定位系統(tǒng)的研究，國內(nèi)外學(xué)者已經(jīng)做了大量的工作，但實際

14、效果并不是很理想，比如車牌圖像的傾斜、車牌表面的污穢和磨損、光線的干擾等都是影響定位準(zhǔn)確度的潛在因素。為此，近年來不少學(xué)者針對車牌本身的特點、車輛拍攝的不良現(xiàn)象及背景復(fù)雜狀況，先后提出了許多有針對性的定位方法，使車牌定位在技術(shù)和方法上都有了很大的改善。然而現(xiàn)代化交通系統(tǒng)不斷提高的快節(jié)奏，將對車牌定位的準(zhǔn)確率和實時性提出更高的要求，因而進(jìn)一步加深車牌定位的研究是非常有必要的。車牌字符識別是在車牌準(zhǔn)確定位的基礎(chǔ)上，對車牌上的漢字、字母、數(shù)字進(jìn)行有效確認(rèn)的過程，其中漢字識別是一個難點，許多國外的LPR系統(tǒng)也往往是因為漢字難識別而無法打入中國市場，因而探尋好的方法解決字符的識別也是至關(guān)重要的。目前已有

15、的方法很多，但其效果與實際的要求相差的很遠(yuǎn)，難以適應(yīng)現(xiàn)代化交通系統(tǒng)的高速度、快節(jié)奏的要求，因而對字符識別的進(jìn)一步研究也同樣具有緊迫性和必要性。車牌定位與識別方法，總體來說是圖像處理技術(shù)與車牌本身特點的有機結(jié)合，當(dāng)然也包括模式識別、神經(jīng)網(wǎng)絡(luò)、數(shù)學(xué)形態(tài)學(xué)、小波分析、模糊理論等知識的有效運用。一個車牌定位與識別系統(tǒng)基本包括：圖像預(yù)處理、車牌搜索、車牌定位、車牌校正、車牌字符切分和字符識別結(jié)果的輸出。本文主要研究車牌字符識別的算法問題。1.2 國內(nèi)外研究現(xiàn)狀車輛牌照識別技術(shù)自1988年以來，人們就對它進(jìn)行了廣泛的研究，目前國內(nèi)外已經(jīng)有眾多的算法，一些實用的LPR技術(shù)已經(jīng)開始用于車輛監(jiān)控、出入控制、電子

16、收費等場合。如以色列的HiTech公司，新加坡的Optasia公司，Zamir公司分別研制了名為SeeCar system，VLPRS，Insignia的LPR系統(tǒng)，這三種產(chǎn)品所能識別的汽車圖像均為單車牌灰度圖像，即每一幅灰度圖像只含有一個車牌的灰度圖像。SeeCar系統(tǒng)只能識別字母和數(shù)字，不能識別漢字。Insignia是針對歐洲和遠(yuǎn)東地區(qū)實際的車牌識別系統(tǒng)。香港的Asia VisionTechnology Ltd公司的產(chǎn)品慧光車牌號碼自動識別系統(tǒng)，此系統(tǒng)能自動偵測、識別及驗證行駛或停泊中車輛的車牌號碼，并能辨認(rèn)以文字和數(shù)字排列的車牌號碼，如含有中、英及韓文的車牌。該軟件識別準(zhǔn)確率達(dá)到95，要

17、求車牌的寬度至少占整個圖像寬度的15，識別時間小于1秒。歐洲的LPR產(chǎn)品大多只適合于該國的車牌格式的牌照，不能識別漢字。最近深圳吉通電子有限公司也推出了基于車牌識別技術(shù)的系統(tǒng)，這個平臺是基于二值特征和灰度特征相結(jié)合的識別算法，因此也只能處理灰度圖像，此外還有深圳創(chuàng)興達(dá)科技有限公司的車牌識別系統(tǒng)。然而無論是LPR算法還是LPR產(chǎn)品都存在一定的局限性，都需要適應(yīng)新的要求而不斷完善。雖然國外汽車牌照識別系統(tǒng)研究工作已有一定進(jìn)展；但并不盡合我國國情；這主要是因為以下五個方面的原因：（1）我國標(biāo)準(zhǔn)汽車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字組成；漢字的識別與字母和數(shù)字的識別有很大的不同，從而增加了識別的難度。

18、（2）國外許多國家汽車牌照的底色和字符顏色通常只有對比度較強的兩種顏色，例如韓國，其車牌底色為紅色，車牌上的字符為白色；而我國汽車牌照僅底色就有藍(lán)、黃、黑、白等多種顏色；字符顏色也有黑、紅、白等若干種顏色。（3）其他國家的汽車牌照格式，如汽車牌照的尺寸大小，牌照上字符的排列等，通常只有一種；而我國則根據(jù)不同車輛、車型、用途；規(guī)定了多種牌照格式，例如分為軍車、警車、普通車等。（4）我國汽車牌照的規(guī)范懸掛位置不唯一。（5）由于環(huán)境道路或人為因素造成汽車牌照污染嚴(yán)重，這種情況下國外發(fā)達(dá)國家不允許上路；而在我國仍可上路行駛。 由于我國汽車車牌識別的特殊性；采用任何一種單一識別技術(shù)均難以奏效，目前正在研

19、制的無源型汽車牌照智能識別系統(tǒng)綜合利用了車輛檢測技術(shù)、計算機視覺技術(shù)、圖像處理技術(shù)、人工智能技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)等，是一個比較有發(fā)展前途的車牌識別系統(tǒng)。1.3 本文所做主要工作車牌識別系統(tǒng)中，研究的重點和難點是軟件算法的設(shè)計，本課題所做主要工作是深入研究了車牌識別系統(tǒng)中所需要的圖像處理和模式識別的關(guān)鍵算法，基于Visual Studio2008環(huán)境，運用C#語言，設(shè)計并實現(xiàn)了一個完整的車牌識別系統(tǒng)。本文闡述了圖像預(yù)處理算法、字符分割算法和車牌識別算法；改進(jìn)了圖像預(yù)處理過程中圖像灰度化過程，使圖像更加細(xì)膩清晰，提高了圖像的識別度；采用基于模板匹配的車牌字符識別算法來解決車輛牌照識別問題，針對現(xiàn)

20、有的字符算法來對車牌識別技術(shù)的關(guān)鍵算法進(jìn)行了改進(jìn)，依據(jù)現(xiàn)行的車牌設(shè)計原則，采用了一種自適應(yīng)分割方法，將車牌圖像分割7個待識別字符，并對分割后的字符進(jìn)行了歸一化處理；對分割后的字符，通過模板匹配的車牌識別算法進(jìn)行識別，然后輸出最終識別結(jié)果。1.4章節(jié)安排第一章：本章主要介紹了課題的研究背景，國內(nèi)外研究現(xiàn)狀，闡明了本文所做的工作。第二章：本章主要介紹了車牌識別設(shè)計的一些算法和相關(guān)技術(shù)的原理。第三章：本章主要對車牌識別系統(tǒng)進(jìn)行了系統(tǒng)分析，平臺技術(shù)簡介。第四章：本章主要通過實例對系統(tǒng)各模塊的原理和功能實現(xiàn)進(jìn)行了分析。第二章 車牌識別算法和技術(shù)簡介2.1 圖像的灰度化汽車圖像樣本目前大都是通過攝像機、數(shù)

21、碼相機等設(shè)備拍攝獲取的，因而預(yù)處理前的圖像都是彩色圖像。彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此在對圖像進(jìn)行識別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。灰度圖像就是只有強度信息而沒有顏色信息的圖像，存儲灰度圖像只需要一個數(shù)據(jù)矩陣，矩陣每個元素表示對應(yīng)位置像素的灰度值。彩色圖像的像素色為RGB(R，G，B)，灰度圖像的像素色為RGB(r，r，r)，R，G，B可由彩色圖像的顏色分解獲得。而R，G，B的取值范圍是0255，所以灰度的級別只有256級。從圖像輸入裝置得到的圖像數(shù)據(jù)，以濃淡表示，各個像

22、素與某一灰度值相對應(yīng)。設(shè)原圖像像素的灰度值D = （x，y），處理后圖像像素的灰度值D´=g（，），則灰度增強可表示為： g（，）=T（，） 或 D´=T（D）公式（2-1）要求D和D都在圖像的灰度范圍之內(nèi)。函數(shù)T（D）稱為灰度變換函數(shù)，它描述了輸入灰度值和輸出灰度值之間的轉(zhuǎn)換關(guān)系。一旦灰度變換函數(shù)確定，則確定了一個具體的灰度增強方法。圖像中每一點的運算就被完全確定下來?；叶茸儞Q函數(shù)不同，即使是同一圖像也會得到不同的結(jié)果。選擇灰度變換函數(shù)應(yīng)該根據(jù)圖像的性質(zhì)和處理目的來決定。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細(xì)膩、容易識別。

23、2.2 圖像的二值化和閾值處理二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位。在實際的車牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閾值，使得字符與背景能夠分割開來，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等等。車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進(jìn)行處理，能大大地提高處理效率。二值化的閾值選取有很多方法，主要分為3類：全局閾值法、局部閾值法和動態(tài)閾值法。全局閾值二值化方法是根據(jù)圖像的直方圖或灰度的空間分布確定一個閾值，并根據(jù)該閾值實現(xiàn)灰度圖像到二值化圖像的轉(zhuǎn)化。全局閾值方法的優(yōu)

24、點在于算法簡單，對于目標(biāo)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(yīng)用受到極大限制。局部閾值法則是由象素灰度值和象素周圍點局部灰度特性來確定象素的閾值的，Bernsen算法是典型的局部閾值方法，非均勻光照條件等情況雖然影響整體圖像的灰度分布卻不影響局部的圖像性質(zhì)，局部閾值法也存在缺點和問題，如實現(xiàn)速度慢、不能保證字符筆劃連通性、以及容易出現(xiàn)偽影現(xiàn)象等。動態(tài)閾7閾值法的閾值選擇不僅取決于該象素灰度值以及它周圍象素的灰度值，而且還和該象素的坐標(biāo)位置有關(guān)，由于充分考慮了每個像素鄰域的特征，能更好的突出背景和目標(biāo)的邊界，使相距很近的兩條線不會產(chǎn)生

25、粘連現(xiàn)象。 閾值處理的操作過程是先由用戶指定或通過算法生成一個閾值，如果圖像中某中像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。閾值化的變換函數(shù)表達(dá)式如下：公式（2-2）式中T 為指定的閾值，比它大就是白，比它小就是黑。2.3圖像的傾斜矯正由于拍攝時鏡頭與牌照的角度、車輛的運動及路面的狀況等因素的影響，例如車牌在捕捉圖像中的位置不固定，捕捉圖像時車頭或者鏡頭發(fā)生擺動以及車牌本身就掛歪了或路況較差，都可能使拍攝到的車牌圖像有一定的傾斜度，為了正確識別需要進(jìn)行傾斜度校正，否則將無法進(jìn)行單個字符的正確分割，字符識別的誤差率就會上升。但是若以某個固定的經(jīng)驗值對

26、所有牌照統(tǒng)一進(jìn)行旋轉(zhuǎn)處理，又會使原本正常的牌照傾斜，導(dǎo)致新的錯誤。因此有必要針對特定的牌照圖像提取其傾斜角度，再加以相應(yīng)的旋轉(zhuǎn)處理。如何從牌照中自動提取其傾斜度是預(yù)處理過程中的一個難點，一般使用Hough變換檢測圖像中的直線來對圖像的傾斜進(jìn)行相應(yīng)的矯正。Hough變換具有明了的幾何解析性，一定的抗干擾能力和易于實現(xiàn)并處理等優(yōu)點：但它存在著計算量大，需要巨大的儲存空間等問題，所以不適合用在具有一定實時性要求的圖像處理中。針對這個問題，Radon變換可以滿足一定實時圖像處理的要求。2.4字符識別技術(shù)字符識別技術(shù)概念字符識別技術(shù)，就是對輸入的帶有字符信息的數(shù)據(jù)通過圖像分析和模式識別技術(shù)，通過數(shù)學(xué)運算

27、，輸出對應(yīng)的正確的附帶在圖像中的字符信息。在智能交通系統(tǒng)中，圖像預(yù)處理技術(shù)，車牌定位技術(shù)，字符分割技術(shù)都可以認(rèn)為，是字符識別技術(shù)的前期預(yù)處理技術(shù)，都是為了更好的識別字符信息進(jìn)行的優(yōu)化處理。因此，字符識別技術(shù)是整個系統(tǒng)最為核心的技術(shù)。字符識別的基本思想也是匹配判別。首先對分割出來的字符進(jìn)行預(yù)處理，并抽取出代表未知字符模式本質(zhì)的各種特征，然后將此表達(dá)形式和預(yù)先儲存在機器中的標(biāo)準(zhǔn)字符模式特征逐個匹配，最后用一定的判別準(zhǔn)則進(jìn)行判別，找出最接近輸入字符模式的特征的標(biāo)準(zhǔn)字符，該表達(dá)模式所對應(yīng)的字符就是識別的結(jié)果。常用字符識別技術(shù)簡介交通系統(tǒng)發(fā)展到現(xiàn)在，隨著模式識別技術(shù)的進(jìn)步也在不斷的發(fā)展和更新，目前字符識

28、別技術(shù)常用的一些技術(shù)有如下一些：1)利用字符的結(jié)構(gòu)特征和變換(如Fuorier)進(jìn)行特征提取。這種方法對字符的傾斜變形有比較好的適應(yīng)性，但是運算最大。2)0cRcIptical Character Recognition)，OcR發(fā)展初期結(jié)構(gòu)方法得到了廣泛的研究，其基本思想是把字符圖像分割為若干基元，如筆畫，拓?fù)潼c，結(jié)構(gòu)突變點等，與模板比較，看必要的基元是否存在，不可有的基元是否出現(xiàn)，從而判斷所屬的類別。3）基于輪廓結(jié)構(gòu)的方法輪廓也可以反映字符圖像的結(jié)構(gòu)，由于存在內(nèi)外輪廓和筆畫寬度等因素的影響，輪廓提取方法簡單，結(jié)果確定，因而它仍不失為一種好的結(jié)構(gòu)信息源。輪廓大致有兩種描述方法，其一如骨架一樣

29、用結(jié)構(gòu)點和弧線構(gòu)成圖的方法來描述，識別也與骨架相同；其二則用標(biāo)準(zhǔn)化后的輪廓的最遠(yuǎn)、最近點和最大、最小突變點得到一系列結(jié)構(gòu)特征，構(gòu)成識別規(guī)律。輪廓相對于骨架，帶入了更精確的位置，也節(jié)省了細(xì)化的運算量，但它易受到筆畫寬度和斷線的影響。4)基于局部圖像的結(jié)構(gòu)方法一些研究表明可以直接從圖像中抽取結(jié)構(gòu)特征，標(biāo)準(zhǔn)化后的圖像中抽取具有拓?fù)湟饬x的局部作為特征。所取局部中有空洞、內(nèi)外凸凹點，這正是人在速讀時注意的。用所得的局部圖像與模板的對應(yīng)像素作比較，根據(jù)匹配程度得到識別結(jié)果。5)人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)是仿生學(xué)的產(chǎn)物，它通過網(wǎng)絡(luò)結(jié)點間的連接來存儲信息并完成分類計算。ANN分類器通過學(xué)習(xí)，根據(jù)訓(xùn)練樣本集來調(diào)整

30、連接的權(quán)值，構(gòu)造出相應(yīng)的分類曲面。ANN所具有的學(xué)習(xí)努力使其能夠在復(fù)雜的分布中提取出人直觀還不能理解的規(guī)律，在實際應(yīng)用中，ANN表現(xiàn)出其優(yōu)異的分類性能，并在一定程度上成為檢驗新特征性能的測試基。6)模板匹配模板匹配是最為直觀的一種方法，就如字面所理解的，選用一些樣本作為模板，當(dāng)進(jìn)行判斷時，首先計算待測數(shù)據(jù)與模板之間的距離，例如它們之間的直線距離等。找出距離最短的那個模板，這個模板的輸出值就可以作為該數(shù)據(jù)對應(yīng)的輸出值。模板匹配的最大優(yōu)點就是實現(xiàn)簡單而直觀，但是作為實際應(yīng)用還是有很多不足的，比如很容易過渡訓(xùn)練，選擇合適的模板非常困難，加入一個新的模板可能把之前可以正確識別的樣本誤判；而且計算時間長

31、，隨著訓(xùn)練樣本的增加，模板數(shù)量也會相應(yīng)地增加到比較大的數(shù)量，而待測字符都要和每個模板進(jìn)行比較，這對時間的消耗是非常巨大的。2.5模板匹配算法模板匹配算法原理模板匹配法是實現(xiàn)離散輸入模式分類的有效途徑之一，其實質(zhì)是通過度量輸入模式與模板之間的相似性，取相似性最大的作為輸入模式所屬類別。此方法是由字符的直觀形象抽取特征，用相關(guān)匹配原理確定的匹配函數(shù)進(jìn)行判決，也就是將輸入字符與標(biāo)準(zhǔn)模板字符在一個分類器中進(jìn)行匹配。下面以一維圖像的處理為例，相關(guān)匹配算法描述如下：設(shè)輸入字符用輸入函數(shù)f(x，y)表示，標(biāo)準(zhǔn)模板用函數(shù)F(x，y)表示，在相關(guān)器中比較后輸出為T(x，y)。隨機變量用x1，x2 表示，相關(guān)器輸

32、出為：T(x1- x2，y1- y2)=!f(x，y)F(x+(x1- x2)，y+(y1- y2)dxdy當(dāng)x1=x2， y1=y2，且f(x，y)=F(x，y)時，T(0，0)=!f2(x，y)dxdy，即為輸入字符的自相關(guān)函數(shù)，且有T(0，0)T(x，y)成立。T(x，y)會在T(0，0)處出現(xiàn)主峰，而在其它標(biāo)準(zhǔn)字符處出現(xiàn)一些副峰，只要這些副峰和主峰不相等，就可通過選用適當(dāng)?shù)拈撝颠M(jìn)行鑒別，從而判斷并識別出待識別的車牌字符。模板匹配法根據(jù)建模時所取特征的不同，有圖形匹配、筆劃分析、幾何特征抽取等幾種形式。其中圖形匹配法在建模和匹配比較時，都是基于字符的圖形塊本身進(jìn)行匹配的，再根據(jù)其相似度得

33、出識別結(jié)果。用圖形匹配原理進(jìn)行字符識別時，一般都是采用二值化字符：0 表示黑(背景)，1 表示白(字符)。其基本思想是為每個字符均建立一個標(biāo)準(zhǔn)模板Ti，待識別的圖像用Y 表示，它們的大小均為M×N。將未知的模式逐個與模板匹配，由下式求出相似度Si：其中，“Y×Ti”是指矩陣中對應(yīng)象素相乘。上式也可以表述為待識圖像上對應(yīng)點均為“1”的數(shù)目與標(biāo)準(zhǔn)模板上“1”點的數(shù)目之比。若max Si>，則判定YTi，否則拒絕識別。在這里為拒識閾值(一般由實驗分析得出)。從理論上講，這種判別法在一定條件下，錯誤概率和拒識概率最小。2.5.2常用模板匹配算法簡介1AD算法假設(shè)待搜索圖像S的

34、尺寸為M×M，模板T的尺寸為N×N，M>>N，其中M，N代表圖像像素。模板T在圖像S上平移，搜索窗口所覆蓋的子圖記作，在這i與j為子圖的左上角頂點在圖S中的坐標(biāo)。最簡單的基于灰度值的方法是利用灰度的絕對差值(absolute difference，簡稱AD)，即計算模板與搜索子圖灰度值的L1距離：公式(2-3)此種算法的時間復(fù)雜度是o(M2/V2)，灰度發(fā)生變化，算法將可能會失效。2差方和算法(sum ofsquared difference，簡稱SSD)計算模板與搜索子圖灰度值的L2距離：公式(2-4)根據(jù)L2距離進(jìn)行相似度匹配。3NCC算法在多數(shù)應(yīng)用場合，實

35、際使用的是SSD的變形歸一化交叉相關(guān)算法(normalized cross correlation，簡稱NCC)： 公式(2-5)E()與E(T)分別是搜索子圖與模板圖T的灰度平均值。第三章 系統(tǒng)分析與設(shè)計本系統(tǒng)是使用C#語言編寫的車牌識別系統(tǒng)，基于模版匹配的車牌字符識別算法來解決車輛牌照識別問題，對于道路交通管理有著一定的實用價值。3.1系統(tǒng)需求及功能分析本車牌識別系統(tǒng)主要包括四個模塊：圖像預(yù)處理模塊、車牌定位模塊、字符分割模塊、字符識別模塊。車牌識別系統(tǒng)結(jié)構(gòu)如圖3-1所示：圖3-1 車牌識別系統(tǒng)結(jié)構(gòu)圖3.2功能模塊設(shè)計圖像預(yù)處理模塊本模塊功能是對獲取原始圖像經(jīng)過一系列如：灰度化、灰度均衡、

36、高斯濾波等預(yù)處理，目的是盡可能的改變圖像質(zhì)量，為車牌區(qū)域定位與車牌識別做準(zhǔn)備。將彩色圖像用加權(quán)平均值法轉(zhuǎn)換成灰度圖像，直方圖均衡增加圖像對比，高斯濾波去除噪聲干擾，通過以上處理，提高了圖像的質(zhì)量，強化了圖像區(qū)域。3.2.2車牌定位模塊本模塊包含邊緣檢測和車牌區(qū)域定位兩個子功能模塊。為了突出汽車牌照的邊緣，采用Sobel算法實現(xiàn)圖像的邊緣檢測，尋找圖像灰度值發(fā)生急劇變化的區(qū)域；選擇基于邊緣檢測和投影法相結(jié)合的定位方法，提取大致的需要的車牌區(qū)域；經(jīng)過邊界調(diào)整和去除邊框等操作，進(jìn)一步的精確車牌區(qū)域。3.2.3字符分割模塊本模塊功能是根據(jù)水平投影和垂直投影，從車牌區(qū)域中提取字符，進(jìn)行字符歸一化，統(tǒng)一字

37、符圖像的大小，為字符識別做好準(zhǔn)備。3.2.4字符識別模塊本模塊功能是對提取后的字符進(jìn)行編碼后識別并輸出。我們選用基于模板匹配算法首先將分割后的字符二值化，并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。3.3系統(tǒng)流程設(shè)計本課題研制的車牌識別系統(tǒng)軟件主要分為四大塊，即圖像預(yù)處理模塊以及車牌定位、車牌字符分割和字符識別模塊。根據(jù)系統(tǒng)模塊的劃分，制定系統(tǒng)流程圖如下圖所示：圖3-2 系統(tǒng)流程圖原始圖像 ：載入由停車場數(shù)碼相機或其它掃描裝置拍攝到的圖像。圖像預(yù)處理：對載入系統(tǒng)的圖像進(jìn)行灰度變換、高斯濾波等預(yù)處理以克服圖像干擾。車牌定位 ：進(jìn)行邊緣檢測，計算邊

38、緣圖像的投影面積，尋找峰谷點，大致確定車牌位置，再計算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域，最后得到車牌區(qū)域。字符分割 ：利用投影檢測的字符定位分割方法得到單個的字符。字符識別 ：利用模板匹配的方法與數(shù)據(jù)庫中的字符進(jìn)行匹配從而確認(rèn)出字符，得到最后的汽車牌照，包括英文字母和數(shù)字。3.4技術(shù)開發(fā)平臺合理選取開發(fā)工具，不僅會對系統(tǒng)的開發(fā)效率和周期產(chǎn)生重大影響，而且還有可能大幅度降低開發(fā)成本，并提高系統(tǒng)的穩(wěn)定性和可維護(hù)性。車牌定位識別功能的開發(fā)屬于一個較為復(fù)雜的圖像處理程序，涉及到大量內(nèi)存處理和與圖像處理，因此對于該功能穩(wěn)定性、可維護(hù)性以及系統(tǒng)開銷問題要求極為嚴(yán)格。本系統(tǒng)的采用在VS2008

39、 環(huán)境下基于C#語言的開發(fā)平臺。在成熟的算法基礎(chǔ)上迅速開展自己的工作，減少編程工作量，有效提高開發(fā)效率和程序運行的可靠性。3.4.1Microsoft Visual Studio 2008簡介Visual Studio 是微軟公司推出的開發(fā)環(huán)境，Visual Studio 可以用來創(chuàng)建 Windows 平臺下的 Windows 應(yīng)用程序和網(wǎng)絡(luò)應(yīng)用程序，也可以用來創(chuàng)建網(wǎng)絡(luò)服務(wù)、智能設(shè)備應(yīng)用程序和 Office 插件。Microsoft Visual Studio 2008是面向Windows Vista、Office 2007、Web 2.0的下一代開發(fā)工具，代號“Orcas”，是對Visual

40、 Studio 2005一次及時、全面的升級。 VS2008引入了250多個新特性，整合了對象、關(guān)系型數(shù)據(jù)、XML的訪問方式，語言更加簡潔。使用Visual Studio 2008可以高效開發(fā)Windows應(yīng)用。設(shè)計器中可以實時反映變更，XAML中智能感知功能可以提高開發(fā)效率。同時Visual Studio 2008支持項目模板、調(diào)試器和部署程序。Visual Studio 2008可以高效開發(fā)Web應(yīng)用，集成了AJAX 1.0，包含AJAX項目模板，它還可以高效開發(fā)Office應(yīng)用和Mobile應(yīng)用。VS2008主要技術(shù)特點：可視化編程、支持面向?qū)ο蠹夹g(shù)以及支持.NET。VS2008提供了一

41、系列可視化開發(fā)工具，如應(yīng)用程序向?qū)ppWizard、屬性窗口等，通過使用可視化編程技術(shù)使得Wi ndows 編程更為直觀、方便、快捷。VS2008支持的面向?qū)ο缶幊碳夹g(shù)包裝了windows內(nèi)在的復(fù)雜運行機制，使得Windows編程更為簡單易學(xué)。第四章 系統(tǒng)功能與實現(xiàn)本車牌識別系統(tǒng)主要包括四個模塊，即圖像預(yù)處理模塊、車牌定位模塊、字符分割模塊、字符識別模塊。下面將顯示系統(tǒng)的主要功能模塊。4.1圖像預(yù)處理模塊攝像時的光照條件，牌照的整潔程度，攝像機的狀態(tài)（焦距，角度和鏡頭的光學(xué)畸變），以及車速的不穩(wěn)定等因素都會不同程度的影響圖像效果，出現(xiàn)圖像模糊，歪斜或缺損，車牌字符邊界模糊不清，細(xì)節(jié)不清，筆畫

42、斷開，粗細(xì)不均等現(xiàn)象，從而影響車牌區(qū)域的分割與字符識別的工作，所以識別之前要進(jìn)行預(yù)處理。4.1.1圖像灰度化1、原理彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此在對圖像進(jìn)行識別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細(xì)膩、容易識別。在RGB模型中，如果R=G=B時，則彩色表示一種灰度顏色，其中R=G=B的值叫灰度值，因此，灰度圖像每個像素只需一個字節(jié)存放灰度值（又稱強度值、亮度值），灰度范圍為0-255。加權(quán)平

43、均法對彩色圖像進(jìn)行灰度化： 根據(jù)重要性及其它指標(biāo)，將三個分量以不同的權(quán)值進(jìn)行加權(quán)平均。由于人眼對綠色的敏感最高，對藍(lán)色敏感最低，因此，按下式對RGB三分量進(jìn)行加權(quán)平均能得到較合理的灰度圖像。 f(i,j)=0.30R(i,j)+0.59G(i,j)+0.11B(i,j)公式（4-1）本文對輸入的圖像進(jìn)行循環(huán)掃描，根據(jù)灰度公式得到圖像灰度，輸出灰度圖像。2、代碼實現(xiàn)for (int y = 0; y < nHeight; +y) for (int x = 0; x < nWidth; +x) blue = p0; green = p1; red = p2;tt = p0 = p1 =

44、 p2 = (byte)(.301 * red + .591 * green + .108 * blue);rrred+;gggreen+;bbblue+; graytt+; p += 3;3、效果圖圖4-1 打開的原始圖像圖4-2 灰度化后的圖像4、結(jié)果分析本文采用加權(quán)平均值法，在公式的使用上對公式權(quán)值進(jìn)行了精確的改動，使灰度化后的圖像更加容易識別，提高了識別率。4.1.2圖像的灰度均衡1、原理由于白天和夜晚、晴天和陰天的光線強度有很大差異, 在某些情況下拍攝的牌照出現(xiàn)對比度不足的現(xiàn)象, 使圖像的細(xì)節(jié)分辨不清, 嚴(yán)重干擾字符的識別。因此對于這類牌照必須進(jìn)行圖像增強, 而這種圖像增強處理應(yīng)盡量

45、避免對正常的牌照產(chǎn)生干擾, 為此可采用基于點運算的圖像增強方法, 即對圖像的灰度級進(jìn)行變換, 使圖像對比度得到調(diào)整, 從而達(dá)到圖像增強的目的。其中, 以直方圖均衡法的實驗效果最為理想, 他不僅使光照不均的牌照變得較為清晰, 而且對正常牌照進(jìn)行同樣的處理后也能得到較清晰的結(jié)果。直方圖均衡是把已知灰度概率分布的圖像, 經(jīng)過變換最終演變成具有均勻灰度概率分布的圖像。設(shè)一幅圖像的象素總數(shù)為N, 分為L個灰度級, 用NK代表灰度級rk 出現(xiàn)的頻數(shù), 于是第k 個灰度級出現(xiàn)的頻率為：Pr(rk) = NKöN, 0 rk 1,k = 0, 1, 2,L 1公式（4-2）各灰度直方圖均衡離散變換公

46、式為：Sk = T(rk) = kj= 1Pr(rj) = kj= 1NjN(1) 公式（4-3）因此可以根據(jù)原圖像的直方圖統(tǒng)計量, 求得均衡后各象素的灰度變換值。2、代碼實現(xiàn)unsafe byte* p = (byte*)(void*)Scan0; int nHeight = m_Bitmap.Height; int nWidth = m_Bitmap.Width; SumGray0 = gray0;/灰度均衡化 for (int i = 1; i < 256; +i)/灰度級頻度數(shù)累加 SumGrayi = SumGrayi - 1 + grayi; for (int i = 0;

47、i < 256; +i) SumGrayi = (int)(SumGrayi * 255 / count); for (int i = 0; i < 256; i+) grayi = 0; for (int y = 0; y < nHeight; +y) for (int x = 0; x < nWidth; +x) tt = p0 = p1 = p2 = (byte)(SumGrayp0); graytt+; p += 3; 3、效果圖圖4-3 灰度均衡后的圖像4、結(jié)果分析本文采用直方圖均衡化，把原始圖像的灰度直方圖從比較集中的某個灰度區(qū)間變成在全部灰度范圍內(nèi)的均勻分

48、布，對圖像進(jìn)行非線性拉伸，重新分配圖像像素值，使一定灰度范圍內(nèi)的像素數(shù)量大致相同，把給定圖像的直方圖分布改變成“均勻”分布直方圖分布。4.1.3圖像的高斯濾波1、原理高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。通俗的講，高斯濾波就是對整幅圖像進(jìn)行加權(quán)平均的過程，每一個像素點的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到。高斯濾波的具體操作是：用一個模板(或稱卷積、掩模)掃描圖像中的每一個像素，用模板確定的鄰域內(nèi)像素的加權(quán)平均灰度值去替代模板中心像素點的值。一般的模板為3*3或5*5大小，其權(quán)值分布如下圖：圖4-4 高斯濾波模板圖本文采用5*5的高斯濾波

49、模板對圖像進(jìn)行去噪處理。2、代碼實現(xiàn) int, gaussianMatrix = 1, 2, 3, 2, 1 , 2, 4, 6, 4, 2 , 3, 6, 7, 6, 3 , 2, 4, 6, 4, 2 , 1, 2, 3, 2, 1 ;/高斯濾波器所選的n=5模板 for (int y = 0; y < nHeight; +y) for (int x = 0; x < nWidth; +x) if (!(x <= 1 | x >= nWidth - 2 | y <= 1 | y >= nHeight - 2) pp = p; sum = 0; int dividend = 79; for (int i = -2; i <= 2; i+) for (int j = -2; j <= 2; j+) pp += (j * 3