山东轻工业学院2012届本科生毕业设计（论文）
第二章 车牌识别算法和技术简介
2.1 图像的灰度化
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。
从图像输入装置得到的图像数据，以浓淡表示，各个像素与某一灰度值相对应。设原图像像素的灰度值 D = ?（x，y），处理后图像像素的灰度值D′=g（χ，у），则灰度增强可表示为：
g（χ，у）=T[?（χ，у）] 或 D′=T（D） 公式（2-1）
要求D和D’都在图像的灰度范围之内。函数T（D）称为灰度变换函数，它描述了输入灰度值和输出灰度值之间的转换关系。一旦灰度变换函数确定，则确定了一个具体的灰度增强方法。图像中每一点的运算就被完全确定下来。灰度变换函数不同，即使是同一图像也会得到不同的结果。选择灰度变换函数应该根据图像的性质和处理目的来决定。选择的标准是经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
2.2 图像的二值化和阈值处理
二值图像是指整幅图像画面内仅黑、白二值的图像。在数字图像处理中，二值图像占有非常重要的地位。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阈值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。二值化的阈值选取有很多方法，主要分为3类：全局阈值法、局部阈值法和动态阈值法。全局阈值二值化方法是根据图像的直方图或灰度的空间分布确定一个阈值，并根据该阈值实现灰度图像到二值化图像的转化。全局阈值方法的优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力差，应用
4
山东轻工业学院2012届本科生毕业设计（论文）
受到极大限制。局部阈值法则是由象素灰度值和象素周围点局部灰度特性来确定象素的阈值的，Bernsen算法是典型的局部阈值方法，非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，局部阈值法也存在缺点和问题，如实现速度慢、不能保证字符笔划连通性、以及容易出现伪影现象等。动态阈7阈值法的阈值选择不仅取决于该象素灰度值以及它周围象素的灰度值，而且还和该象素的坐标位置有关，由于充分考虑了每个像素邻域的特征，能更好的突出背景和目标的边界，使相距很近的两条线不会产生粘连现象。
阈值处理的操作过程是先由用户指定或通过算法生成一个阈值，如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
阈值化的变换函数表达式如下：
?0,x?Tf(x)???255,x?T 公式（2-2）
式中T 为指定的阈值，比它大就是白，比它小就是黑。
2.3 图像的倾斜矫正
由于拍摄时镜头与牌照的角度、车辆的运动及路面的状况等因素的影响，例如车牌在捕捉图像中的位置不固定，捕捉图像时车头或者镜头发生摆动以及车牌本身就挂歪了或路况较差，都可能使拍摄到的车牌图像有一定的倾斜度，为了正确识别需要进行倾斜度校正，否则将无法进行单个字符的正确分割，字符识别的误差率就会上升。但是若以某个固定的经验值对所有牌照统一进行旋转处理，又会使原本正常的牌照倾斜，导致新的错误。因此有必要针对特定的牌照图像提取其倾斜角度，再加以相应的旋转处理。如何从牌照中自动提取其倾斜度是预处理过程中的一个难点，一般使用Hough变换检测图像中的直线来对图像的倾斜进行相应的矫正。
Hough变换具有明了的几何解析性，一定的抗干扰能力和易于实现并处理等优点：但它存在着计算量大，需要巨大的储存空间等问题，所以不适合用在具有一定实时性要求的图像处理中。针对这个问题，Radon变换可以满足一定实时图像处理的要求。
2.4字符识别技术 2.4.1字符识别技术概念
字符识别技术，就是对输入的带有字符信息的数据通过图像分析和模式识别
5
山东轻工业学院2012届本科生毕业设计（论文）
技术，通过数学运算，输出对应的正确的附带在图像中的字符信息。在智能交通系统中，图像预处理技术，车牌定位技术，字符分割技术都可以认为，是字符识别技术的前期预处理技术，都是为了更好的识别字符信息进行的优化处理。因此，字符识别技术是整个系统最为核心的技术。
字符识别的基本思想也是匹配判别。首先对分割出来的字符进行预处理，并抽取出代表未知字符模式本质的各种特征，然后将此表达形式和预先储存在机器中的标准字符模式特征逐个匹配，最后用一定的判别准则进行判别，找出最接近输入字符模式的特征的标准字符，该表达模式所对应的字符就是识别的结果。
2.4.2常用字符识别技术简介
交通系统发展到现在，随着模式识别技术的进步也在不断的发展和更新，目前字符识别技术常用的一些技术有如下一些：
1)利用字符的结构特征和变换(如Fuorier)进行特征提取。这种方法对字符的倾斜变形有比较好的适应性，但是运算最大。
2)0cRcIptical Character Recognition)，OcR发展初期结构方法得到了广泛的研究，其基本思想是把字符图像分割为若干基元，如笔画，拓扑点，结构突变点等，与模板比较，看必要的基元是否存在，不可有的基元是否出现，从而判断所属的类别。
3）基于轮廓结构的方法
轮廓也可以反映字符图像的结构，由于存在内外轮廓和笔画宽度等因素的影响，轮廓提取方法简单，结果确定，因而它仍不失为一种好的结构信息源。轮廓大致有两种描述方法，其一如骨架一样用结构点和弧线构成图的方法来描述，识别也与骨架相同；其二则用标准化后的轮廓的最远、最近点和最大、最小突变点得到一系列结构特征，构成识别规律。轮廓相对于骨架，带入了更精确的位置，也节省了细化的运算量，但它易受到笔画宽度和断线的影响。
4)基于局部图像的结构方法
一些研究表明可以直接从图像中抽取结构特征，标准化后的图像中抽取具有拓扑意义的局部作为特征。所取局部中有空洞、内外凸凹点，这正是人在速读时注意的。用所得的局部图像与模板的对应像素作比较，根据匹配程度得到识别结果。
5)人工神经网络
人工神经网络是仿生学的产物，它通过网络结点间的连接来存储信息并完成分类计算。ANN分类器通过学习，根据训练样本集来调整连接的权值，构造出相应的分类曲面。ANN所具有的学习努力使其能够在复杂的分布中提取出人直观还不能理解的规律，在实际应用中，ANN表现出其优异的分类性能，并在一定程度上成为检验新特征性能的测试基。
6
山东轻工业学院2012届本科生毕业设计（论文）
6)模板匹配
模板匹配是最为直观的一种方法，就如字面所理解的，选用一些样本作为模板，当进行判断时，首先计算待测数据与模板之间的距离，例如它们之间的直线距离等。找出距离最短的那个模板，这个模板的输出值就可以作为该数据对应的输出值。模板匹配的最大优点就是实现简单而直观，但是作为实际应用还是有很多不足的，比如很容易过渡训练，选择合适的模板非常困难，加入一个新的模板可能把之前可以正确识别的样本误判；而且计算时间长，随着训练样本的增加，模板数量也会相应地增加到比较大的数量，而待测字符都要和每个模板进行比较，这对时间的消耗是非常巨大的。
2.5 模板匹配算法 2.5.1模板匹配算法原理
模板匹配法是实现离散输入模式分类的有效途径之一，其实质是通过度量输入模式与模板之间的相似性，取相似性最大的作为输入模式所属类别。此方法是由字符的直观形象抽取特征，用相关匹配原理确定的匹配函数进行判决，也就是将输入字符与标准模板字符在一个分类器中进行匹配。下面以一维图像的处理为例，相关匹配算法描述如下：
设输入字符用输入函数f(x，y)表示，标准模板用函数F(x，y)表示，在相关器中比较后输出为T(x，y)。随机变量用x1，x2 表示，相关器输出为：
T(x1- x2，y1- y2)=!!f(x，y)F(x+(x1- x2)，y+(y1- y2))dxdy
当x1=x2， y1=y2，且f(x，y)=F(x，y)时，T(0，0)=!!f2(x，y)dxdy，即为输入字符的自相关函数，且有T(0，0)≥T(x，y)成立。T(x，y)会在T(0，0)处出现主峰，而在其它标准字符处出现一些副峰，只要这些副峰和主峰不相等，就可通过选用适当的阈值进行鉴别，从而判断并识别出待识别的车牌字符。
模板匹配法根据建模时所取特征的不同，有图形匹配、笔划分析、几何特征抽取等几种形式。其中图形匹配法在建模和匹配比较时，都是基于字符的图形块本身进行匹配的，再根据其相似度得出识别结果。用图形匹配原理进行字符识别时，一般都是采用二值化字符：0 表示黑(背景)，1 表示白(字符)。其基本思想是为每个字符均建立一个标准模板Ti，待识别的图像用Y 表示，它们的大小均为M×N。将未知的模式逐个与模板匹配，由下式求出相似度Si：
其中，“Y×Ti”是指矩阵中对应象素相乘。上式也可以表述为待识图像上对应点均为“1”的数目与标准模板上“1”点的数目之比。若max Si>λ，则判定Y∈Ti，否则拒绝识别。在这里λ为拒识阈值(一般由实验分析得出)。从理论上讲，这种判别法在一定条件下，错误概率和拒识概率最小。
7
山东轻工业学院2012届本科生毕业设计（论文）
2.5.2常用模板匹配算法简介
1．AD算法
假设待搜索图像S的尺寸为M×M，模板T的尺寸为N×N，M>>N，其中M，N代表图像像素。模板T在图像S上平移，搜索窗口所覆盖的子图记作
sij，
在这i与j为子图的左上角顶点在图S中的坐标。最简单的基于灰度值的方法是利用灰度的绝对差值(absolute difference，简称AD)，即计算模板与搜索子图灰度值的L1距离：
D(i,j)???|si,j(m,n)?T(m,n)|m?1n?1NN 公式(2-3)
此种算法的时间复杂度是o(M2/V2)，灰度发生变化，算法将可能会失效。 2．差方和算法(sum of squared difference，简称SSD)计算模板与搜索子图灰度值的L2距离：
NND(i,j)???[si,j(m,n)?T(m,n)]2m?1n?1 公式(2-4)
根据L2距离进行相似度匹配。 3．NCC算法
在多数应用场合，实际使用的是SSD的变形——归一化交叉相关算法(normalized cross correlation，简称NCC)：
?|(sR(i,j?m,ni,j(m,n)?E(si,j))2||T(m,n)?E(T)|
E(
?(sm,ni,j(m,n)?E(si,j))2?(T(m,n)?E(T))2m,n 公式(2-5)
sij)与E(T)分别是搜索子图
sij与模板图T的灰度平均值。
8