搜索
计算机图形学课程设计题目名称：汽车车牌识别系统的设计综述班级：学号：学生姓名：1汽车车牌识别系统的设计综述摘要车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一,是实现交通管理智能化的重要环节,主要包括车牌识别、字符预处理和特征提取三个关键环节。车牌识别包括车牌定位、灰度（或彩色）图像二值化、字符切分及字符识别等。图像预处理包括图像灰度变换、图像增强、图像二值化、梯度锐化、噪声去除、倾斜度调整、车牌边框去除、字符分割、尺寸标准归一化、紧缩重排。特征提取本文采用逐象素特征提取法来对支付进行识别。理论上，本系统可以对中国大陆普通汽车车牌的字符进行识别。关键词：车牌识别，图像预处理，特征提取2引言1.1问题概述随着我国汽车产业的飞速发展，大量在公共场合的汽车需要得到监管，为了更好地进行管理，必须对车辆进行一种确认，而车牌识别就是其中最有效的确认方法，汽车车牌识别VLPR是VehicleLicensePlateRecognition的简称，他是智能交通系统(IntelligentTransportationSystems，ITS)的一个重要组成部分。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。车牌识别技术在高速公路收费站、路口监测(电子警察)、大型停车场等场所具有广阔的发展前景。1.2目的和意义车牌识别LPR[1]是智能交通系统(ITS)的一个重要组成部分。在社会生活，治安管理等方面有很大的作用。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。由于光照、气候引起的车牌图像上字符光照不均，车牌本身污损造成的字符笔画不清和字符间粘连，汽车行驶速度较快，使拍摄出的车牌字符产生变形、模糊不清，因此图像需要增强。另外又由于拍摄角度及拍摄点的高度、路面的倾斜等情况造成了车牌图像的倾斜，从而需要对车牌进行校正。另外字符的识别也是一个重点问题。1.3思路和方法借助数字图像处理和模式识别技术，我们对车牌图像依次进行以下处理：彩色的256色的BMP图进行灰度转换－图像增强－图像二值化－梯度锐化（Roberts梯度算子）-离散点噪声去除-倾斜度调整-边框切除-字符切割-字符尺寸归一化-字符紧缩重排-神经网络的字符识别，最后得出车牌字符。3正文2.1模式识别概述2.1.1模式识别概述模式识别(PatternRecognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。模式识别在数字图像处理和分析中占有非常重要的地位，识别所得到的结果往往接近于甚至就是整个数字图像处理和分析的最终结果。模式识别属于图像分析的范畴，它所得到的结果是一副由明确意义的数值或符号构成的图像或图形文件，而不再是一副具有随机分布性质的图像。模式识别的目的是对图像中的物体进行分类,或者可以说找出图像中有哪些物体。分类的依据是从原始图像中提取的不同物体的特征，包括光谱特征、空间纹理特征和时间特征等。因此，模式识别包括特征提取和分类两方面的内容[2]。2.1.2模式识别的步骤1.特征提取对于待识别的事物，进行特征提取，这些特征可以应用一定的数学方法通过计算进行量化表示。特征提取过程产生一组特征，组合在一起就形成了特征向量，该特征向量所包含的信息与原始图像相比虽然有所减小，但它却包含了后续分类决策所必须的全部向量[2]。2.决策分类确定每个物体应该归属的预定义类别，即每个物体（模式）被识别为某一特定类型，这是通过一个分类过程加以实现的[2]。2.1.3模式识别的应用1.字符识别2.生物特征提取3.遥感应用4.医学诊断[2]42.2数字图像及数字图像处理图像信息使人类认识世界的重要知识来源，国外学者曾做过统计，人类所获得的外界信息70％以上来自眼睛摄取的图像。在许多场合，没有其他形式比图像所传达的信息更为丰富和真确。而通常意思上的图像都是一些连续的图像，所产生的图像信号也都是模拟信号，由于模拟信号自身的原因和对模拟处理手段的限制，人们把研究对象从模拟领域延伸到数字领域，于是产生了数字图像的概念。本节将概述一下数字图像和数字图像处理[3]。2.2.1.数字图像的基本概念一般的图像都是模拟图像，即图像上的信息是连续变化的模拟量。如一幅黑白灰度照片上的物体是通过照片上各点的光的强度不同体现出来的，而照片上的光强是一个连续变化的量，也就是说，在一定的范围内，光强的任何值都可能体现。对于这种模拟图像只能采用模拟的处理方式进行处理，例如按照光学原理用透镜将照片放大。计算机不能接受和处理模拟信号，只有将图像在空间和灰度上都离散化为数字信号后，或者说将模拟图像变换为数字图像方能接受[4]。而数字图像是将连续的模拟图像经过离散化处理后变成计算机能够辨识的点阵图像。严格的数字图像是一个经过等矩形网格采样，对幅度进行等间隔量化的二维函数，因此，数字图像实际上就是被量化的二维采样数组[3]。2.2.2数字图像的两种存储形式1.位映射图像——即位图图像，它是每一个栅格内不同颜色的点来描述图像属性的，这些点就是常说的像素。位图图像的分辨率不是独立的，因为描述图像的数据是对待特定大小栅格中的图像而言的，因此，编辑位图会改变它的显示质量，尤其是缩放位图，会因为图像在栅格内的重新分配而导致图像边缘粗糙。在比位图图像本身的分辨率低的输出设备上显示位图也会降低图像的显示质量[3]。2.矢量图像――指用包含颜色和位置属性的直线或曲线（即称为矢量）来描述的一种图像。比如说一个椭圆，它就是包括由通过椭圆边缘的一些点组成的轮廓和轮廓内的点的两部分。矢量图像是用一系列绘图指令来表示一幅图，如AutoCAD中的绘图语句。这种方法的本质是数学（更确切的说是几何学）公式描述一幅图像。图像中的每一个形状都是一个完整的公式，称为一个对象。对象是一个封闭的整体，所以定义图像上对象的变化和对象与其他对象的关系对计算机来说简单的，所有这些变化都不会影响到图像中的其他变化[3]。52.2.3数字图像处理的概念数字图像处理（DigitalImageProcessing）是一门关于如何使用计算机对图像进行处理的学科，就是对图像信息进行加工以满足人的视觉心理或者应用需求的行为。图像处理的手段有光学方法、电子学（数学）方法。后者正是要讨论数字图像处理，它是使用计算机加工处理图像，通过各种算法来实现对图像内容处理。它通常有一个微型、小型、至大型计算机与图像处理机或有一个专用计算机来执行。2.2.3.2数字图像处理的目的1．提高图像的视感质量，以达到赏心悦目的目的；2．提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析；3.对图像数据进行变换、编码和压缩，以便于图像的存储和传输。2.2.3.1数字图像处理的主要内容1.图像获取、表示和表现；2.图像复原；3.图像增强；4.图像分割；5.图像分析6.图像重建；7.图像压缩编码。2.2系统的设计2.2.1系统的流程图系统总流程图图2.1系统总流程图6预处理部分流程图图2.2图像预处理流程图字符识别部分流程图图2.3字符识别流程图2.2.2图像采集（车牌定位）汽车牌照识别(CarLicensePlateRecognition,简称CLPR)是实现智能交通系统的关键技术。其核心技术在近年来取得了飞速的发展。例如,偷窃车辆的跟踪,控制停车场车辆的进入,地段通行的限制等等[5]。但在识别正确率及系统稳定性方面仍有待提高,仍然是一个研究热点。在CLPR系统中,主要分车牌定位、字符切分和字符识别三部分,其中车牌定位是整个系统的关键所在,定位正确率将大大影响整个7系统的最终识别性能。目前,国内外的车牌定位主要采用以下几种方法:史忠科,左奇一[6]提出了基于数学形态学的实时车牌图象分割方法;李树广,吴舟舟,罗小伟[7]提出基于边缘统计和颜色特征的车牌综合自动定位方法;齐永奇,王文凡,赵岩,赵耀[8]提出基于纹理特征和垂直投影的车牌定位算法研究等。这些方法对图像的清晰度要求较高。RodolfoandStefano[9]设计了一种基于矢量量子化(VQ)的方法。VQ图像表现法是一种通过特殊的编码机制的方形树表现法,它能够给系统提供一些图像区域满意度的信息,这些信息推进了定位的执行。Parketal..[10]用神经网络来定位车牌。Zimicetal.[11]应用模糊逻辑学来解决车牌定位的问题。但是这些方法对于车牌的颜色和亮度很敏感,而且需要很长的处理时间。Zhuetal.andWeietal.提出用颜色特征来定位车牌,这些方法对于不同的环境没有较好的鲁棒性。汽车图像的边缘特征非常重要,针对车牌的特有特征,边缘密度可以很好的用于探测车牌位置。Mingetal.发展了一种改进边缘图像的方法,通过消除图像中边缘密度最大和最小的部分来简化整幅图像。但是这种方法可能使车牌区域的部分特征丢失。2.2.3汽车牌照自动识别汽车牌照自动识别，关键技术包括车牌定位、灰度（或彩色）图像二值化、、字符切分及字符识别等。首先要求正确的分割出车牌区域，为此提出了很多方法，如Hough变换以检测直线来提取车牌边界区域、使用灰度分级及区域生长进行区域分割，或使用纹理特征分析技术等。Hough变换方法对车牌区域变形或图像被污染时，失效的可能会急剧增加，而灰度风格则比直线检测方法要稳定，但当图像中有许多预车牌灰度非常相似的区域时，该方法也无能为力了。纹理分割在遇到与车牌纹理特征的其他干扰时，车牌定位正确率也会受到影响。因此，单用一种方法难以达到实际应用的需要，本文利用车牌彩色信息的彩色分割方法，提高车牌区域定位与分割的正确率。8图2.1汽车图像图2.2蓝色像素点行方向统计图2.3行方向的车牌区域9图2.4列方向上的蓝色像素点统计图2.5分割出的完整的车牌区域根据车牌底色的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域。下面以蓝底白字车牌区域为例说明彩色像素点统计分割方法。CCD摄像头拍摄的头像一般为RGB彩色图像（如图2.1），确定车牌底色（蓝色）RGB对应的各自灰度范围，然后行方向上统计此颜色范围内像素点数量如图2，设定合理阈值，确定车牌在行方向上的合理区域如图3。然后，在分割出的行区域内，统计列方向蓝色像素点的数量如图2.4，最终确定的完整车牌区域如图2.5。评价衡量车牌定位方法性能的主要指标是定位分割精确率和算法的灵活性。目前还没有哪种算法能满足各各种性能要求:适用于不同拍摄地点、拍摄角度、不同环境气候和光照强度的汽车图像[12]。不同环境气候和光照强度的汽车图像具有不同的特性。例如,白天场景的图像,由于光照相对比较均匀,整体亮度高,因而颜色信息丰富;而夜间场景的图像,由于10主要由车灯给光,图像各区域的亮度分布极不均匀,因而车体颜色失真很大。2.2.4图像预处理1．图像灰度化[13]汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的，因而预处理前的图像都是彩色图像。彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。灰度图像就是只有强度信息而没有颜色信息的图像，存储灰度图像只需要一个数据矩阵，矩阵每个元素表示对应位置像素的灰度值。彩色图像的像素色为RGB(R，G，B)，灰度图像的像素色为RGB(r，r，r),R，G，B可由彩色图像的颜色分解获得。而R，G，B的取值范围是0~255，所以灰度的级别只有256级。灰度化的处理方法主要有如下三种:分别为最大值法、平均值法和加权平均值法。(1