对于图像空间中的任意一点?x0,y0?，将其变换为参数空间??,r?中的l条曲线r?x0cos??y0sin?，对位于同一直线l上的n个点逐一进行上述变换，则在
参数空间??,r?中对应得到n条曲线，由变换公式可知，这n条曲线必定经过同一点??0,r0?。找到参数空间中的这个点就知道了图像空间中的对应直线l，因此，Hough变换可以用来在二值图像中检测直线。
3.4 基于纹理特性的车牌定位
图像边缘都是灰度不连续的点，或者是灰度值或色彩急剧变化之处，因而可以利用微分运算来进行图像边缘的检测，也就是用各种锐化模板对图像进行卷积运算，可以检测出图像的边缘。由于车辆图像中背景区域的边缘相对较少，而车牌区域含有的边缘信息较丰富，所以针对拍摄车辆图像的这种特点，可以选择采用边缘检测算法将车牌区域与背景区域分离开。下图是几种常见的微分算子的模板和其算子的特点。
由分析可以得出，Sobel算子由于不像普通算子那样用两个像素的差值，而是引人了加权平均因素，对图像中的随机噪声起到了一定的平滑作用，而且它是相隔两行或者两列的差分，故边缘两侧元素得到了增强，边缘显得粗而亮，其对边缘定位的精度相对较高。Sobel算子的缺点是得到的边缘不连续，封闭性不好并且对噪声敏感，其缺点可以运用形态学运算进行弥补。
卷积运算如下[13]：
g1?x,y????f?x?1,y?1??2f?x,y?1??f?x?1,y?1??g2?x,y??k??1i??1??S?k,l?f?x?k,y?l???f?x?1,y?1??2f?x,y?1??f?x?1,y?1??1111??f?x?1,y?1??2f?x?1,y??f?x?1,y?1??2?x,y? g?x,y??g12?x,y??g2k??1i??1??S?k,l?f?x?k,y?l???f?x?1,y?1??2f?x?1,y??f?x?1,y?1??
21若g1?x,y??g2?x,y?，说明像素点?x,y?处有垂直方向的边缘通过，反之则
为有水平方向的边缘通过。
如果像素点?x,y?处的像素值f?x,y?满足下面两个条件组之一时，则判断它为边缘像素点，该点在输出的边缘图像中用“0”表示；否则判断该点为非边缘像素点，在输出的边缘图像中用“1”表示。
条件组一：
①g?x,y??cutoff ②g1?x,y??g2?x,y? ③g?x,y?1??g?x,y? ④g?x,y??g?x,y?1? 条件组二：
①g?x,y??cutoff
②g1?x,y??g2?x,y? ③g?x?1,y??g?x,y? ④g?x,y??g?x?1,y?
假设图像的行数和列数分别为row和list，g?x,y?为边缘图像中点?x,y?的值。其中cutoff按下述公式计算，这样就可以将其边缘从原来的灰度图像中提取并表示出来。
cutoff?4???g2?i,j?I?row?list?
i?1j?1rowlist3.5图像分割技术
3.5.1图像分割技术简介
图像分割是把图像分割成若干特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。在对图像的研究和应用中，人们往往仅对图像的某些部分感兴趣，它们一般对应图像中特定的、具有独特性质的区域。为了分析和识别目标，需要将它们分割并提取出来。
图像分割是由图像处理转到图像分析的关键。
图像分割算法的研究一直受到人们的高度重视，到目前为止，提出的分割算法已经多达上千种。基本包括以下几种算法：
1.灰度阈值分割 阈值化分割算法是图像分割中应用数量最多的一类。即是根据阈值将图像二值化，分析二值化图像特征，按特征分割图像。
2.彩色分割
对颜色的感受是人类对电磁辐射中可见部分里不同频率知觉的体现。根据分割需要将感兴趣的颜色部分分割出来。
3.特殊方法的图像分割
基于数学形态学的分割技术。形态学一般指生物学中研究动物和植物结构的一个分支。后来人们用数学形态学表示以形态为基础的对象进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。
3.5.2 车牌字符分割技术简介
字符分割就是把牌照上的字符分割成一个个单个的字符，传统的字符分割方法有投影法、模板匹配法、聚类分析法[14]。
投影法是指：先自下由上对图像进行扫描，遇到第一个白色点，记录下来。在自上由下进行逐行扫描，这样就得到图像的大致高度，再从左至右扫描，当碰到第一个白色点时，作为字符起点，继续扫描直到没有白色象素点时作为第一个字符的终点，然后继续按这种方法扫描，直至全部扫描完毕。
模板匹配法是指：先把二值图像进行垂直投影，得到一个函数W(X)，搜索W(X)的波谷值，并分别把各个波谷标上序号，在相邻的两个波谷之间分别作为左右边界进行分割。
聚类分析法是指：众所周知汽车牌照一般是由7个字符组成，以等于车牌宽度的1/7为阀值，对车牌图像按行进行扫描，若发现有线段长大于阀值，则认为是牌照的上下边框。再以等于车牌高度的3/5为阀值，对车牌图像按列进行扫描，若发现有线段长大于该阀值，则认为是牌照的左右边框，因此可除去边框部分。最后把车牌平均分割成7块，达到分割的目的。
本文采用投影法，因为投影法比较准确且编程较简单，易于实际操作，能满足在复杂环境下，分割汽车牌照字符。
直投求垂 平均影的值 求垂直投影的最小值 取阈值 计算字符上升点 计算谷宽度 输出分割字符 找到字符中心位置 计算字符距离 图2-1车牌分割的MATLAB算法流程图
3.6 字符识别技术
字符识别是本系统中的最后一步，也是最重要的一步，字符识别的精确度直接影响车牌识别系统的精确度。字符识别的方法一般有三种：人工神经网络算法、模板匹配法和BP神经网络。
人工神经网络算法是模拟人脑或自然神经网络，是近些年来提出的新型技术，它的优点是： ① 具有强大的逼近功能可任意逼近复杂的非线性关系； ② 具有很强的自适应功能； ③ 具有很好的鲁棒性和容错性；
④ 具有储存功能，但系统还不成熟，编程复杂。
模板匹配法是将归一化的字符分别与字符库的字符进行比较识别。我国的车牌字符包括50多个汉字，25个大写英语字母，10个数字，可以把这些字符做成标准的模块并建立一个数据库。实践证明模板匹配法操作简单，抗干扰能力强，识别率高。
BP神经网络又叫误差反向传播算法的人工神经网络，具有多学科交叉技术领域的特点。在MATLAB工具箱中可调用newlin 和adapt函数进行字符识别。
建立数据库 样本与数据库中图片相减 计算误差 找到误差最小图片 输出识别结果 依次次识别并识别 图2-2字符识别的MATLAB算法流程图
3.6.1 字符归一化技术
像的归一化包括位置、大小、旋转和倾斜归一化。下面主要介绍位置归一化和大小归一化。
1.位置归一化
位置归一化即是把数字图像都放到某一固定的位置，能够消除数字点阵位置上的偏差，并能方便数字特征描述、提取。
2.大小归一化
大小归一化是指对不同大小的数字图像作变换，使之成为同一尺寸大小的文字，图像大小归一化方法分为两大类：线性归一化和非线性归一化。
1）线性归一化
线性归一化是将数字图像的笔画按比例线性放缩或缩小到规定尺寸的图像，仅与原始数字图像和归一化后图像的大小有关系。
设?x,y?为原图像像素点坐标，?m,n?为归一化后的像素点坐标，则其变换关系如下所示：
?x??a1b1??x??c1???y?????y?????ab????c?? (2-9) ???22????2??a1b1??c1????其中系数矩阵?决定了图像的比例和和旋转变换尺度，????体现了图abc?22??2?像的平移变换。如果数字图像已经经过位置归一化，且没有旋转，则上述公式可以简化为：
?m??fx0??x???? ??n????? （2-10） ?0f??y???y???2）非线性归一化[15]
线性归一化的变换函数为线性函数，不能解决图像的变形问题，故提出了非线性归一化方法。非线性归一化是通过密度均衡的方法实现大小归一化，以消除输入模式的各种变形，这些方法大致分为以下三种：点密度均衡法、线密度均衡法和笔画穿透数均衡法。
由于数码相机拍摄的汽车图像大小不一样，所以得到的牌照上的字符大小
就不一样，为了便于字符的识别，需要对字符进行归一化处理。归一化处理的目的就是使车牌字符同标准模块里面的字符特征一样。归一化处理分为倾斜度校正和大小归一化，而倾斜度校正前面已经调用MATLAB工具箱中的imrote涵数，而大小归一是指在长度和宽度方向上分别乘以一个比例因子，使其等于标准模块的字符大小，大小归一化常用的方法有两种：一种是将整个牌照图像按线性比例放大或缩小到标准模块尺寸，这样字符就自然的变为标准模块尺寸；另一种是分别从水平投影和垂直投影两个方向上对字符象素的大小进行归一化处理。在本文中运用MATLAB工具箱中的imresize涵数，进行归一化处理。
归一化图像就是要把原来各不相同的字符统一到同一尺寸。因为扫描进来的图像中字符大小存在较大的差异，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高。具体算法如下：先得到原来字符的高度和宽度，与系统要求的作比较，得出要变换的系数，然后根据得到的系数按照插值的方法映射到原图像中。
3.6.2 模板匹配
模板匹配是将从待识别的图像提取若干特征与模板对应的特征进行比较，计算图像和模板特征量之间的距离，用最小距离法判定所属类。用模板匹配法进行模式识别时通常需要事先建立标准模版库。该方法是图像识别中最具有代表性的方法之一。具有算法实现容易、匹配速度快的特点。
模板匹配方法是将要识别的字符与预告构造好了的模板进行比较，根据与模板的相似度大小来确定最终的识别结果 。基本思想是：首先根据字符模板大小，确定一幅带有加权因子的骨架模板，然后，将切割下来的字符按照模板的大小进行归一化，包括大小的归一化和灰度的归一化，归一化后的字符图像与创建的模板进行匹配。变换后的图像中，亮度的高低指示相应区域与模板的匹配程度。通过检查匹配后图像的最大值，试验确定一个合适的阈值，显示亮度大于该阈值的点，也就是与模板的匹配程度最高的位置。
由于车辆牌照字符中只有25个大写英文字母、10个阿拉伯数字和约50个汉字，所以字符集合较小，该方法对于有一定变形、污损或笔画缺损的字符图像有较好的识别效果，总体识别率较高，同时也能满足实时性的要求。经过实验分析，采用模板匹配算法，将分割出来的字符图像与模板图像相减，差值最小的便是与之匹配的模板，从而识别出字符。
3.7本章小结
本章主要介绍了一下车牌的特征，以及利用该特征对其进行提取和字符分割、识别的相关技术，加深对系统相关技术的理解，为后续的系统设计做参考。