烏魯木齊破胎器廠家闡明圖像處理在車(chē)牌識(shí)別中的應(yīng)用。隨著我國(guó)汽車(chē)普及率的提高，車(chē)牌識(shí)別，由此帶來(lái)的交通問(wèn)題越來(lái)越嚴(yán)重，人們開(kāi)始重視智能交通的發(fā)展。車(chē)牌識(shí)別是智能交通中的重要組成部分，該技術(shù)已經(jīng)廣泛的應(yīng)用于車(chē)輛的追查和跟蹤，停車(chē)收費(fèi)等領(lǐng)域。本文在分析各種車(chē)牌識(shí)別算法的基礎(chǔ)上加以改進(jìn)，最終確定了一套有效算法對(duì)車(chē)牌進(jìn)行識(shí)別。

1車(chē)牌定位

車(chē)牌定位是進(jìn)行車(chē)牌識(shí)別的重要步驟之一，其關(guān)鍵是能否找到有效的車(chē)牌特征。本文采取目前廣泛使用的小波變換方法提取邊緣，然后根據(jù)數(shù)學(xué)形態(tài)學(xué)進(jìn)行處理形成多聯(lián)通區(qū)域，最后根據(jù)車(chē)牌的顏色形狀紋理特征，逐步對(duì)各區(qū)域進(jìn)行分析和排除，最終定位車(chē)牌。

1.1車(chē)牌的初步定位

本文首先進(jìn)行圖像預(yù)處理，對(duì)讀入的圖像進(jìn)行灰度轉(zhuǎn)換、灰度拉伸，實(shí)現(xiàn)圖像增強(qiáng)。然后選擇圖像差分的邊緣檢測(cè)，采用Mallat小波變換算法，將圖像分解成為包含基本信息的低頻部分和細(xì)節(jié)的高頻部分。經(jīng)試驗(yàn)，進(jìn)行兩次小波分解即可滿足提取邊緣的要求。

1.2車(chē)牌的精確定位

經(jīng)過(guò)小波變換之后，圖像中包含大量的“偽車(chē)牌”，必須分別判斷去除“偽車(chē)牌”。依次對(duì)圖像進(jìn)行邊界對(duì)象抑制，腐蝕膨脹形態(tài)學(xué)操作使車(chē)牌區(qū)域和周?chē)母蓴_區(qū)域分離，然后用目標(biāo)鄰域點(diǎn)邊界跟蹤法分別對(duì)各個(gè)待判別區(qū)域提取。

本文采用的判斷方法主要有以下幾種：

1）HSV顏色空間。根據(jù)牌號(hào)、車(chē)身、背景不同的底色，按照HSV顏色空間中車(chē)牌的H，S，V值的取值范圍，計(jì)算出這些“車(chē)牌顏色”點(diǎn)的數(shù)量所占提取部分的總點(diǎn)數(shù)比例來(lái)判斷是否為車(chē)牌。

2）Radon變換。經(jīng)過(guò)形態(tài)學(xué)的變換后，車(chē)牌區(qū)域變成實(shí)心矩形，對(duì)其進(jìn)行水平和垂直方向上的Radon變換。

3）長(zhǎng)寬比。我國(guó)車(chē)牌照長(zhǎng)寬比標(biāo)準(zhǔn)為3.15，當(dāng)與3.15相差太大則非車(chē)牌。

經(jīng)過(guò)以上步驟，本系統(tǒng)取得了良好的定位效果。

2字符分割

2.1傾斜矯正

由于采集的車(chē)牌一般都會(huì)傾斜，而傾斜的字符和正的字符識(shí)別時(shí)有很大差別，因此必須進(jìn)行傾斜矯正。本文采用Hough變換檢測(cè)傾斜度，然后進(jìn)行旋轉(zhuǎn)。當(dāng)傾斜度過(guò)大時(shí)，則采用多次檢測(cè)多次旋轉(zhuǎn)的方式矯正。原始圖像（b）第一次調(diào)整后的圖像（c）第二次調(diào)整后的圖像

在旋轉(zhuǎn)的過(guò)程中會(huì)出現(xiàn)一些干擾，因此每次旋轉(zhuǎn)后都要進(jìn)行插值和去毛刺等操作。本文使用雙線性插值法在精度和效率上取得不錯(cuò)的效果。

2.2單個(gè)字符的分割

投影法是一種簡(jiǎn)單實(shí)用的字符分割法。車(chē)牌在水平方向上的投影沒(méi)有明顯頻繁的跳變，在垂直方向上的投影則明顯顯示出峰-谷-峰的特性，并且會(huì)有多個(gè)峰出現(xiàn)。

本文采用行掃描的方式分別從頂部和底部分別掃描。具體算法如下：

1）統(tǒng)計(jì)每一列非零點(diǎn)的數(shù)目，數(shù)目過(guò)少則繼續(xù)掃描。

2）當(dāng)非零點(diǎn)的數(shù)目大于閥值再判斷非零點(diǎn)是否都集中在某一區(qū)域，若集中則繼續(xù)掃描；若分散，則停止掃描，確定為邊界。

確定上下邊界后，就可以進(jìn)行單個(gè)字符的切割。具體算法如下：

1）根據(jù)每個(gè)字符所占的比例，將每個(gè)字符的邊界映射到垂直投影的數(shù)列中。

2）每個(gè)字符分別向兩邊檢測(cè)。若后面幾個(gè)點(diǎn)均為0，則判斷為邊界。若其后幾點(diǎn)均值大于1，則判定為字符相連，取兩字符之間10%的距離作為左右邊界。若其后點(diǎn)中前部分非零后部分為零則從零開(kāi)始判定為邊界。

3字符識(shí)別

準(zhǔn)確的識(shí)別分割出來(lái)的單個(gè)字符是最后一步，也是車(chē)牌識(shí)別的目的。識(shí)別字符的算法主要有以下幾種。

1）模板匹配法。待識(shí)別目標(biāo)大小歸一到與模板相同，與模板庫(kù)中每一個(gè)模板進(jìn)行重疊，根據(jù)重疊進(jìn)行判斷。此法實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，但是對(duì)噪音敏感度較高。

2）特征分析匹配法。抽取待識(shí)別目標(biāo)進(jìn)行特征提取，與模板的特征進(jìn)行比較。其優(yōu)點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，減輕了對(duì)噪聲的敏感度，是一種使用率較高的識(shí)別方法。

3）神經(jīng)網(wǎng)絡(luò)識(shí)別法。本文采用在模式識(shí)別中廣泛使用的BP神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)方法相比，BP神經(jīng)網(wǎng)絡(luò)法在環(huán)境信息復(fù)雜，背景知識(shí)不清，推理規(guī)則不明的問(wèn)題上更具優(yōu)點(diǎn)。能識(shí)別帶噪音的圖像，具有自適應(yīng)能力。但是基本的BP神經(jīng)網(wǎng)絡(luò)存在著收斂速度慢，存在局部極小，難以決定隱層和隱層節(jié)點(diǎn)的個(gè)數(shù)等缺點(diǎn)。本文采用有動(dòng)量的梯度下降法進(jìn)行改進(jìn)，即按照某一時(shí)刻的負(fù)梯度方向修正網(wǎng)絡(luò)權(quán)值，同時(shí)加入動(dòng)量因子，修正負(fù)梯度方向的值，使得整個(gè)網(wǎng)絡(luò)能夠更好的收斂。經(jīng)試驗(yàn)，430幅圖像中可以正確的識(shí)別411幅，準(zhǔn)確率達(dá)95.58%，平均每幅用時(shí)0.7s。

4結(jié)束語(yǔ)

在繼承前人研究成果的基礎(chǔ)上，本文將近年流行的方法進(jìn)行綜合改進(jìn)，正確識(shí)別率達(dá)到91.33%。在車(chē)牌識(shí)別領(lǐng)域，對(duì)光照適應(yīng)差，噪音干擾敏感等方面仍需研究各種算法。在字符識(shí)別算法方面，神經(jīng)網(wǎng)絡(luò)識(shí)別顯示出良好的應(yīng)用前景，今后的研究中應(yīng)對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)一步的改進(jìn)，使其可以識(shí)別較差條件下的車(chē)牌字符。

上面就是文章中心的介紹，現(xiàn)在大家已經(jīng)有所了解了吧，如果還有其他疑問(wèn)，請(qǐng)繼續(xù)瀏覽本站相關(guān)新疆懸浮門(mén)的文章，烏魯木齊破胎器廠家溫馨提醒：我們應(yīng)該要注意的就是，在我們選擇上有保證，如果是沒(méi)有很好的服務(wù)，這樣的話我們就一定不要選擇。