大学本科毕业论文（设计）
根据车牌的特征(2)可以知道，车牌在垂直方向的投影呈现有规律的“峰、谷、峰”的分布。字符与字符之间的间隔是近似相等的，而且字符的宽度是近似相等的，而车牌具有7个字符，所以车牌区域在垂直方向上的投影应该存在6个低谷点，而且相邻低谷点之间的距离是近似相等的，第二和第三字符之间的距离略大于其他字符间的距离。但在现实中得到二值图像的“峰、谷、峰”的特点并不十分明显，采用这种方法对车牌的垂直位置进行定位效果不是很好，这里考虑使用形态学的方法来对车牌进行垂直定位。
用形态学定位的具体算法为:
1. 对得到的带状区域用结构算子B先进行一次腐蚀运算，消除一些独立的亮点，
但使用的结构算子不能太大，否则会失去一部分车牌的信息。
2. 再进行二次膨胀运算，由于膨胀的目的是要把车牌区域连通，因此使用的结
构算子和腐蚀的结构算子不一样，要略大一些。
3. 最后进行一次开运算，将车牌区域平滑一下。可以发现车牌在图像中形成了
一个块状区域。
将得到的图像再投影到垂直方向，再根据车牌的宽度信息，设定一个范围，可以把这个范围设置大些，这是因为经过形态学变化后，车牌的长度会变大，而且有可能把附近的一些杂点连在一起了，从而增大了车牌连通区域的长度，如果范围定的太小，就有可能检测不到车牌区域。在本文中所采用的范围是70^115个象素。这里腐蚀使用的结构算子是2×2的全1矩阵，膨胀使用结构算子是5×5的全1矩阵。
图2-10垂直投影
Fig.2-10 Vertical projection
21
大学本科毕业论文（设计）
图2-11垂直定位
Fig.2-11 Vertical positioning
2.4实验结果及分析
本文所提出的车辆牌照定位算法对边缘图像进行二值化，对其进行水平投影，可以明显的发现车牌在水平方向的投影具有峰值特性，而且车牌一般悬挂在车身的下部，所以在搜索时从下往上搜索，遇到的第一个满足条件的峰值就判定其为包含了车牌的水平区域。这样就能够准确地得到车牌的水平位置。在得到车牌水平位置的图像以后，再进行一系列的形态学变化，将车牌区域连通，将得到的图像再投影到垂直方向，再根据车牌的宽度信息设定的范围，从而确定车牌的垂直位置，该算法复杂度低，能够满足快速、准确定位的要求。
3.字符分割方法简介
在汽车牌照自动识别过程中，字符分割有承前启后的作用。它在前期牌照定位的基础上进行字符的分割，然后再利用分割的结果进行字符识别。字符识别的算法很多，常采用垂直面积投影法来实现。面积投影法的公式如下: k(j)??i?0N?f(i,j)
j?0W由于字符块在竖直方向上的投影必然在字符间或字符内的间隙处取得局部最小值，并且这个位置应满足车牌的字符书写格式、字符尺寸和其他一些条件的限制。下图是图10在垂直方向上的面积投影图。从图形中我们很直观的看出投影值中出现了8条间隙， 7个字母中间的间隙只有6个，还有三个间隙是字符间的。有字符的列其灰度值比较高，无字符的则相对比较低。依据这一点，再结合图的特征，很容易得到每个字符的起始终止位置。第一个字符:1-10 第二个字符：0-18 第三个字符：28-41 第四个字符：42-48第五个字符：60-68 第六个字符：68-78
22
大学本科毕业论文（设计）
图3-1 垂直面积投影
Fifure.3-1 Vertical projection area
图3-2 车牌垂直投影图
Fifure.3-2 Vertical projection
23
大学本科毕业论文（设计）
将图2-11按照上面的分析行数不变，列数分为六组，分别影射到六个不同的数组中。又因为在字符的模式识别中，其模板大小统一，因此得到的六个数组必须变换其大小，均统一成26×14的形式。分割出来的六个字符如下所示，分别命名为M1.jpg，M2.jpg，M3.jpg，M4.jpg，M5.jpg，M6jpg并用imwrite函数写入图像文件夹中，以便在后期处理中可以直接进行调用。
图3-3 分割出来的六个字符图像
Fifure.3-3 Separating the six characters Image
一般分割出来的字符要进行进一步的处理，以满足下一步字符识别的需要。因为图像中含有许多燥声，这在预处理的图像中已经看出来了。因此必须进行滤波，然后归一化，二值处理。使其最后得到的图像与标准模板一样。只含有两种灰度值,黑与白。但是对于车牌的识别，并不需要这么多的处理就已经可以达到正确识别的目的。在此简化了处理过程，未经滤波归一化，直接进行后期处理。
4.字符的识别
字符的识别目前用于车牌字符识别(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神经网络的OCR算法。基于模板匹配的OCR的基本过程是:首先对待识别字符进行二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。用人工神经网络进行字符识别主要有两种方法:一种方法是先对待识别字符进行特征提取，然后用所获得的特征来训练神经网络分类器。识别效果与字符特征的提取有关，而字符特征提取往往比较耗时。因此，字符特征的提取就成为研究的关键。另一种方法则充分利用神经网络的特点，直接把待处理图像输入网络，由网络自动实现特征提取直至识别。模板匹配的主要特点是实现简单，当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。综合模板匹配的这些优点我们将其用为车牌字符识别的主要方法。
字符识别的算法如下:
24