毕业论文
F(i,j)是原图像,G(i,j)是输出的图像,S、T、W为常数。这种线形滤波器将图像中每一行中S个连续的水平方向梯度值相加,而梯度值则是由水平方向相隔T-1个点的像素点灰度的差值。参数S和T可通过实验的方法取得。它们与字符的大小、背景、图像的对比度等都有关系,而参数W可用于增大的响应输出。
以上两种方法，都可以得到水平的纹理的变化的情况，在具体的实践中到底采用哪一中，要根据后续的算法来定,这种方法的关键是构造出一个合理的函数,可以反映出车牌区的纹理特征。
5.2.1.利用车牌的纹理的几何变化的实验
针对上面的算法，我们来作一些试验，试验中使用的车牌宽度120至150点，试验共分为以下几个步骤：
（1）利用水平方向的一维梯度算子，对图像进行处理，在这里我们选用了第一种的方法,公式（5.1）取R=6，d=6，T=60。
（2）二值化
采用平均值的办法进行二值化，取阈值为：
(5.3)
G(i,j)为像素灰度值，图像的宽度为Y，高度为X。 （3）牌照位置的确定
首先，进行水平方向的投影值分析，以确定哪些区域有可能存在牌照。假设图像的宽度为X，高度为Y，设定数组Hsum[i]来存放水平方向的投影值。
求得水平投影值后，依次从图像的下方开始查找，当满足以下条件时，即认为找到了牌照可能存在的区域。这里取m为10。
然后需要确定车牌的列位置。对于每一个可能存在车牌的区域，仍然采用先投影的办法。设定数组VSum[i]来存放垂直方向的投影值。当Vsum[i+k]>0时,认为可能是车牌。然后利用车牌的长宽比固有特性，去除不是车牌的区域，这里设nWidth为检测车牌区的长度，nHeight为检测车牌区的高度，当3 11 毕业论文 图5.1原图 图5.1是原图,经过步骤(1)水平梯度算子处理后,得到的图为图5.2，图5.3是二值化处理以后的图像，图5.4和图5.5是牌照定位的两个过程。 图5.2 水平梯度算子原理 图5.3 二值化处理 12 毕业论文 图5.4 确定车牌的水平位置 图5.5 牌照定位 图5.6 切分出的车牌 图5.6是切分出来的最后的结果，可以发现第一幅图片中车牌的切分不成功，主要是二值化不成功使得车牌和车身粘在一起，其它几幅图像切分的结果还可以。 利用图像信息差进行车牌定位的方法 这种方法是利用两帧或两场车辆图片之间的信息差，进行车牌的定位，所以这种方法也叫基于互相关矢量图的车牌定位算法[154]，是在反复研究车牌特征及借鉴粒子图像测速互相关原理的基础上而形成的。该算法基于车牌字符笔画两个边缘互相关值最大的原理，由原始图像构造两幅图像，用类似粒子图像测速互相关方法求出“位移矢量图”，再从中依据先验知识进行车牌定位的算法。该算法的特点是可在车牌两倍大小范围内自适应车牌大小，同时还可以得到对后续处理非常有用的信息。 13 毕业论文 5.2.2.图像测速互相关基本原理 粒子图像测速互相关算法的基本原理是：在极短时间间隔内 拍摄两帧含 有示踪粒子的照明流场图像。合适的粒子大小、浓度下两幅图像中粒子只发生很小的位移，并且可以假设粒子之间的相对位置几乎不变。这时在第1幅图像中取一块小区域，在第2幅图像对应位置附近一个搜索区域内搜索、计算出互相关值最大的位置即为第1幅图像所取区域所代表的点于第2时刻所处的位置，这样就可求出该区域代表的流场中，局部区域的平均位移，进而得出该区域所代表点的速度，并形成整个流场的位移或速度矢量图，称为互相关矢量图。 互相关计算所用的公式为 （5.4） 其中，i,j为图像坐标；C1（i，j）为t1时刻，即第1幅图像中，匹配窗内的对应点像素灰度值，C1（i，j）≥0；C2（i，j）为t2时刻，即第2幅图像中，匹配窗内的对应点素灰度值C2（i，j）≥0。显然0≤σ≤1，当且仅当C1（i，j）=C2（i，j）时σ=1。 通过对车牌特征的研究分析不难发现，车牌区别于背景的最大特征就是车牌中含有汉字、英文字母和阿拉伯数字等字符，进一步研究后还可发现，字符（特别是英文宇母和阿拉伯数宇）含有统计相关性极强的两个边缘，例如进行常规横向差分边缘检测时，字符有两个边沿：一个是正向沿，另一个是负向沿，而这两个沿的距离就是字符笔画的宽度。在含有车牌的图像中，其他字符（包括车标、非车牌编号、广告等）、进气栅格板等也具有这种特征，但又不难发现，非车牌字符在字符笔画宽度、字符相互间隔、字符数量上都与车牌字符有显区别。进气栅格板在宏观尺寸上与车牌的大小是有明显区别的，并且二者之间的相对位置也是基本确定的。这些先验知识可以将它们区分开来。 粒子图像测速互相关（Particle Image Velocimetry缩写PIV）图像的特征为均匀暗背景中含有对比度很强的分散粒子，所计算的相关性为局部粒子群的统计相关性。将粒子图像互相关法测速原理应用于车牌定位，关键在于构造出类似P IV的图像。将车牌图像求水平差分，就可提取出字符笔画的两个边沿，然后在设定的自适应阈值下（取阈值可大大降低噪声干扰）将差分结果为正的数据放入一个图中，差分结果为负的数据反相后放入另外一个图中，这样就形成了如同粒子图像互相关法测速那样的图像对，且图像特征也是均匀暗背景中含有互相关的亮边缘，再经过图像对之间局部互相关计算，就可得到类似的“位移矢量图”。 在位移矢量图中，车牌区域应该是一块位移方向相同、大小相等或接近的矩形区域。显然，（l）车牌处位移矢量的大小就是字符笔画宽度的一个粗略的统计估计；（2）位移矢量的正负反映了车牌字符与背底的对比关系。 由于位移矢量图的引入即由原始图像向位移矢量图映射，使车牌定位空间大大降维（由原始图像768×576降至10×10数量级），这就为车牌大小自适应提供了良好的条件，同时也为实时定位创造了良好条件。 14 毕业论文 5.2.3基于互相关矢量图的车牌定位算法的实现 基于互相关矢量图的车牌定位算法具体实现时需要考虑如下因素： (1)差分结果阈值的选取，阈值太大，则车牌无法显现完整，阈值太小，则噪声干扰严重，影响后续步骤；(2)互相关匹配窗口大小的选取；(3)互相关匹配搜索区域的选取，由于车牌字符水平方向相关性最强，故只在水平方向搜索匹配。 基于互相关矢量图的车牌定位算法具体步骤如下： （l）对全图做模板为［1，-1］的运算，求出全图的水平差分结果图X（i，j）； （2）取差分结果绝对值最大的1%为自适应阈值T； （3）如下规则形成两幅待求相关的图像C1(i，j)、C2(i，j)：IF X(i，j)>T THEN C1(i，j)=X(i，j)；C2(i，j)=5IF X(i，j)<-T THEN C2(i，j)=-X(i，j)；C1(i，j)=5IF-T （4）选取包含3～4倍字符宽度作为匹配窗宽，1/3至1/2倍字符高度作为匹配窗高，最大字符笔画宽度1.5倍为搜索范围进行左右扫描搜索，取互相关值σ最大点对应位移为该点的位移.由此得到位移矢量图（由于所给图片均为768×576，选取的匹配窗大小为8×4，搜索宽度为左右5个像素）； （5）在降噪滤波后的位移矢量图中，按先验知识搜索车牌，得到定位结果。以下是几幅照片的试验情况,总体来讲可以达到一定的定位效果,但是其抗干扰的能力还是有一些问题。 图5.7、图5.10、图5.13、图5.16为图像的原图，图5.8、图5.11、图5.14、图5.17为中间结果，图5.9、图5.12、图5.15为最后结果。图3.7至图3.9是一组公共汽车的图像,可以看出在矢量图中,车牌区域为一长方形点的区域,和周围的点组成的区域有明显的区别，但是也可以看出它上面有一排数字‘48209’也是一长方形区域，但是其长宽比明显不对。图5.10至图5.15是两组小车的图片,可以看出车辆前端纹理比较丰富的区域并没有,影响车牌的定位。 图5.16至图5.17是一辆牌照区光照不均的车辆,其车辆的标识英文,也有一定的干扰作用,这些只有通过后续一些手段来确定，好在这幅图片车牌区的阴影部分并不大，有阴影和无阴影的各占一半，那将会十分麻烦。 图5.7 原图1 图5.8 位移矢量图1 图5.9 切分出的车牌1 15