基于ARM车牌识别系统论文.doc

《基于ARM车牌识别系统论文.doc》由会员分享，可在线阅读，更多相关《基于ARM车牌识别系统论文.doc（76页珍藏版）》请在三一文库上搜索。

1、南 京 工 程 学 院 毕业设计说明书(论文) 作 者： 左左亚亚运运 学 号： 202090608 院 系： 计计算机工程算机工程学院学院 专 业： 电电子信息科学与技子信息科学与技术术 题 目： 基于基于 MATLAB 的的车车牌牌识别识别系系统设计统设计 指导者： 刘刘 勤勤 讲讲 师师 评阅者： 田田丽鸿丽鸿 副教授副教授 2013 年 5 月 南 京 毕业设计说明书（论文）中文摘要 随着计算机多媒体技术的发展，车牌自动识别技术(license plate recognition)已经成为智能交通系统的重要组成部分。在欧美许多发达国家， 车辆识别技术已经广泛的应用在交通管理的各个方面。

2、由于我国车牌种类 多，并且是由汉字 、英文字母和数字组成， 这给自动识别 系统的设计 带来 较大的难度。 本文在学习研究图像处理理论的基础上，设计了一个车牌自动识别系统。 本系统包括三个主要模块：车辆图像预处理、车牌定位和车牌字符识别。 识别系统处理过程主要包括 获取车辆源图像、图像 灰度化、图像增强 去噪、 边缘检测、 车牌定位、车牌图像预处理、车牌字符分割、字符识别等部分， 其中车牌定位和字符识别 部分是整个系统 设计的核心和难点。 车牌识别系统可以广泛应用在高速公路自动收费、小区无人停车场、城 市道路监控、车辆流量统计等方面，本系统具有一定的实用价值。 关关键键词词：车牌识别 车牌定位

3、LPR 模式识别 毕业设计说明书（论文）外文摘要 T Ti it tl le e Design of the license plate recognition A Ab bs st tr ra ac ct t With the development of computer multimedia technology, licen se plate recognition (LPR) has become an important component of I ntelligent Transportation Systems. In many developed countries of

4、Europe and America, the license plate recognition technology hasb een widely used in all aspects of traffic management. Because pla tes in China have many different styles, in addition, they consis t of Chinese letters, English letters and numbers. So, its very hard to identify Chinese license plate

5、s. This study propose a license plate recognition based on know ledge of image processing. This recognition has three main module s: preprocessing of original image, locate license plate and char acters identification. This license plate recognition mainly incl udes several parts: get original image

6、, make gray, enhance image, edge detect, locate license plate, preprocess plate image, segmen t characters and characters identification. The key of the whole system is location of license and character recognition. License plate recognition can be extensively used in highway toll collection，Intelli

7、gent parking, urban road monitoring, traf fic flow statistics and so on, what is more, this recognition can bring some practical value. K Ke ey y w wo or rd ds s: : plate recognition, plate locate, LPR, pattern recognition I 目 录 前言 .1 第一章 技术概览 2 1.1 MATLAB 简介 .2 1.2 MATLAB 图像处理工具箱简介 .2 1.3 车辆源图像 3 1

8、.4 车牌识别的主要流程 3 1.5 车牌识别系统的结构图 3 第二章 系统人机界面的设计与实现 5 2.1 GUI 简介 5 2.2 本文的 GUI 界面设计 5 第三章 图像预处理及实现 7 3.1 数字图像基本知识 7 3.2 车辆图像灰度化 8 3.3 车辆图像增强 9 3.4 二值化 .14 第四章 车牌定位及实现 .18 4.1 边缘检测 .18 4.2 车牌定位 .24 第五章 车牌字符识别及实现 .29 5.1 字符分割 .29 5.2 车牌字符识别 .32 第六章 系统测试及分析 .34 6.1 测试的目的 .34 6.2 车牌识别系统的测试 .34 6.3 测试效果 .35

9、 结束语 40 参考文献 42 致谢.44 II 附录 1：英文技术资料翻译.45 附录 2：程序清单.60 南京工程学院毕业设计说明书（论文） - 1 - 前言 由于我国道路交通的发展迅速，汽车数量特别是轿车数量不断增加，出现了 许多车辆管理方面问题。车辆牌照作为每一辆汽车的主要标识，可以通过车 辆牌照来识别 每一辆汽车 ，因此， 各类车牌识别系统应运而生。 车牌识别系 统设计运用 了许许多多的知识， 但核心均是基于 图像处理方面的相关原理对车 牌图像进行相应的处理，处理过程主要包 括灰度化、图像增强、二值化、边缘 检测、图像分割、 图像对比等部分。 因为车辆的主要信息来源于车牌，所以对车辆

10、管理也就是对车牌进行管理， 所以这个车牌识别问题迫切需要解决。车牌识别的研究对实现交通管理系统 智能化，快捷化，低成本化有重要的作用。车牌识别系统的出现能够更无人化、 数字化、智能化、 网络化的对车辆进行管理。 车牌识别技术广泛地 运用于交通监控和管理领域 ，可以这样说，凡是需要 车辆监控的地方都需要车牌识别技 术，例如收费站、停车场、交通路口等地方， 它可以解决例如违章罚款、社会治安、 信息查询等方面的问题，为社会和谐健 康的发展做出巨大的贡献。车牌识别 可以有效的减少交通监控和管理的成本， 实现小投入，大回报，带来巨大的经济和社会效益。 本次毕业设计 在研究大量资料以及运用所掌握的相关知识

11、的基础上，针对 车牌识别的诸多问题，开发基于MATLAB 的车牌识别系统，经过验证，该系统 性能优良，能够检测并识别出大部分的车牌，达到了设计的要求， 具有一定 的实用价值。 本文主要包括五个部分。第一部分是系统界面的实现，主要介绍了系统界面的 功能和作用，以及本系统的界面。第二部分主要包括车辆图像预处理及实现，主要 介绍了本系统的图像预处理及实现的主要步骤和原理，包括灰度化、图像增强、二 值化等处理。第三部分是车牌的定位，主要叙述了图像边缘检测和本系统所采用的 车牌定位方法。第四部分是车牌字符的分割与识别，分别介绍了字符分割和识别的 原理及方法，是本系统的最终实现结果。第五部分是对系统的测试

12、，通过测试验证 了系统的可靠性和准确性，本系统完成了此次设计的目标，可以参加答辩。 南京工程学院毕业设计说明书（论文） - 2 - 第一章 技术概览 1.1 MATLAB 简介 MATLAB 是 Matrix Laboratory 的缩写，它是 MathWorks 公司出品的商业 软件，广泛的应用于科学与工程领域， 主要用于算法开发、数据可视化、数据 分析以及 数值计算。MATLAB 的基本数据单位是矩阵，故 又被称为 “矩阵实 验室” ，因为它具有强大的矩阵计算功能 ，相比其他语言，许多问题用 MATLAB 解决要简单的多 。MATLAB 可以进行矩阵运算、创建用户界面、 图像处理、工程计算

13、、信号处理等众多工作，具备丰富的应用工具和友好的用 户界面，突出的数值和图形处理能力以及 对其它众多的语言 具有强大的支持 功能，为众多科学与工程领域提供了全面的解决问题的方案，是当今世界科学 软件的杰出代表，是世界四大软件之一 。 1.2 MATLAB 图像处理工具箱简介 MATLAB中的 Image Processing Toolbox（图像处理工具箱），提供许多 的图形工具和标准图像处理函数，主要 用于进行图像分析、 识别、可视化等 处理，本文中的图像处理方法均是参照MATLAB 中标准图像处理函数而设计和 编写程序的，因此得到较好的图像处理效果。该工具箱功能强大，支持多线程， 处理速度

14、快。 图像处理工具箱可以处理各种设备生成的各种类型的图像，诸如高分辨率 的图像、动态图像、 扫描图像等，可以对多种数据类型的图像进行处理，支持 单精度和双精度的数据，以及8、16、32 位整数，可以对图像进行检查和测量， 提取和分析特征、调节亮度和对比度、 构建多维图像、 投影图像、创建统计 图等处理。 图像处理 工具箱提供用于图像处理的标准算法，这些算法非常全面，可以 解决诸多常见的图像处理方面的问题， 包括灰度化、图像增强、边缘检测、图 像分割等众多算法 ,其中边缘检测算法中包括 Sobel、Prewitt、Roberts、Canny 和拉普拉斯高斯等 方法，图像分割算法包括 全局阈值法和

15、基于边缘提取法， MATLAB 图形工具箱还提供一系列统计函数 南京工程学院毕业设计说明书（论文） - 3 - 用以统计图像特征并分析，并可以用图像表示出来，如图1-1 所示。 图 1-1 带有红色通道柱状图的图像 1.3 车辆源图像 车辆图像是本系统中最为基础的物质材料，因此它也是车辆识别系统中最重 要的，车辆图像的质量关系着最后的识别结果，图像的质量由许多因素决定的， 拍照设备的性能，光照 是否充分，天气是否晴朗等因素均能造成车牌图像的 模糊，拍照位置是否恰当、路面是否平整、汽车是否正对摄像设备等因素造 成了车牌图像的倾斜， 总之车辆图像必须经过适当的处理，转化成易于识别的 形式。 1.4

16、 车牌识别的主要流程 首先将采集到的车牌图像进行灰度化处理 ，转化为灰度图，其次对灰度图 进行图像增强，采用的方法主要是灰度线性拉伸和直方图均衡，这个是必不 可少的，只有 直方图均衡化 的图像才能进行边缘检测，本系统所用的边缘检测 的算子是 sobel 算子，边缘检测完成以后，进行车牌定位与分割，此时大部分 工作已经完成，剩下的是最关键的工作 车字符分割和字符 识别。对车牌图 像首先进行二值化处理，然后进行字符分割，字符分割是字符识别的基础，字 符识别是建立在正确分割字符的基础上的，本文的字符识别采用的是模板匹配 的方法，匹配率比较高。 1.5 车牌识别系统的结构图 南京工程学院毕业设计说明书

17、（论文） - 4 - 本系统采用的是 MATLAB 实验软件，基于 MATLAB 的图像工具箱 （Image Processing Toolbox） ，该工具箱包含有标准的图像处理函数，可以多方 法，多角度地处理图像，在现实中应用很广泛。本系统主要包括车牌灰度化、 图像增强、边缘检测、车牌定位、 车牌预处理、 分割车牌、字符分割、字符识 别等部分，其 主要结构图如图 1-2 所示。 车牌识别系统 图像灰度化 字符识别 图像增强 边缘检测 车牌定位 分割车牌 车牌预处理 分割字符 图 1-2 系统结构图 南京工程学院毕业设计说明书（论文） - 5 - 第二章 系统人机界面的设计与实现 2.1 G

18、UI 简介 GUI 又被称为图形用户界面（ Graphical User Interfaces)，其是由窗口、光 标、按键、菜单、文字说明等 对象构成的。用户可以选择并激活这些对象，使 计算机进行如计算、绘图等动作 ，通过 GUI 界面设计的软件， 设计者可以向 用户提供应用程序，进行技术和方法的演示， GUI 可以被反复使用且操作简单。 GUI 是一个常见界面，包括一些控件 ，例如，按钮、滑块、列表框、菜单等， 这些控件相当于 “遥控器” ，用户可以通过他们进行相应的操作。 2.2 本文的 GUI 界面设计 (1)在查阅有关书籍和资料的基础上，熟悉MATLAB 的使用方法，开始设 计 GUI

19、 界面。 (2)考虑到本系统是对车牌图像的操作，故需要制作一个二维坐标图，用以 存放图片，此坐标图大小应该与所测试的图片大小所对应的，既不能太大，也 不能太小。 (3)基于本车牌识别系统原理，所有按钮对应着各个模块，本系统共采用11 个按钮： “打开图像 ” ， “灰度化”,“图像增强 ” ， “边缘检测 ”,“车牌定位 ” ， “分割车牌 ”,“车牌预处理 ” ， “字符分割 ”,“字符识别 ” ， “一步检测 ”, “退出” ，每一个按钮对应的回调函数即为该功能实现的程序代码。 (4)在粗略设计的基础上，对坐标图和按钮进行排列，实现合理的布局，从 而变成一种美观的效果图。 (5)GUI 界

20、面设计如图 2-1 所示。 南京工程学院毕业设计说明书（论文） - 6 - 图 2-1 系统界面图 南京工程学院毕业设计说明书（论文） - 7 - 第三章 图像预处理及实现 本章节主要介绍 车辆图像预处理及实现的原理和步骤，首先对 车辆图像 进行灰度化处理，然后对图像进行图像增强处理，包括灰度线性拉伸、灰度直 方图拉伸、图像滤波三部分，而图像二值化则是对分割出的车牌所进行的处理。 具体流程如 图 3-1 所示： 图 3-1 图像预处理流程图 3.1 数字图像基本知识 彩色空间是一种常用的表示彩色的方式，是一种数学模型， 实际生活中， 主要存在 RGB，CMY，HSI 三种彩色空间。 (1)RG

21、B RGB 三基色应用于几乎所有彩色成像设备和彩色显示设备，不仅如此，许多 的数字图像文件常用的存储形式是RGB 三基色，RGB 彩色空间是以 RGB 三基 色作为坐标的 。 RGB 被称为三基色是因为 R(红)、G(绿)、B(蓝)三种颜色 的光按不同比例 混合可以形成自然界任何色彩的光， 所以，任意光的组成在数学形式上是 R、G、B 三种分量百分比的和。 (2)CMY CMY 彩色空间是 由于自然界存在无源物体 （不发光的物体），其吸收和反 射的光决定了物体颜色 。 图 像 灰 度 化 灰 度 线 性 拉 伸 直 方 图 均 衡 图 像 维 纳 滤 波 车辆图像增强 南京工程学院毕业设计说明

22、书（论文） - 8 - 油墨和颜料的三基色是 CMY（Cyan / Magenta / Yellow，青 / 洋红 / 黄）而不是 RGB，CMY 又被称之为三减色，是因为CMY 三基色的特点，它减少 了为视觉系统识别颜色所需要的反色光，正如油墨和颜料用的越多，颜色越暗 （或越黑）所表现的那样。 (3)HSI HSI（Hue/Saturation/Intensity）是指色调，饱和度，强度。 色调表示颜色，颜色按波长可以分为红橙黄绿青蓝紫。 色彩饱和度表示色彩的鲜艳程度，也称为色彩的纯度，也就是白光在彩色光 中所占比列。白光和色彩的饱和度呈现负相关。饱和度采用百分数表示，灰色 光或白光为 0%

23、，纯色光为 100%。 强度也称之为亮度，它表示一种强弱程度，即人眼感受到彩色光的颜色的强 弱程度，是由彩色光的能量决定的，与能量呈现正相关。能量越大，强度越强， 能量越小，强度越低。 3.2 车辆图像灰度化 预处理前的汽车图像样本几乎都是彩色图像，因为现实中它们大都是通 过电子设备拍摄获取的，所以它们 是 RGB 图像，一个像素的颜色由 R、G、B 三种分量表示， R 表示红色， G 表示绿色， B 表示蓝色。 每个像素 的颜色有 1600(255*255*255)多万种情况。一般先将各种图像转变成灰度图像， 然后进行图像处理， 因为灰度图像是一种特殊的彩色图像，它的R、G、B 三 个分量是

24、完全一样的，每一个像素点的变化范围就减少为255 种，这样，图 像处理的计算量就变得比较少，从而节省处理时间和处理成本。灰度图像像素 点的变化减少了，但是它与彩色图像一样仍然表现图像的整体和局部的色度、 亮度的特征和规律。由于图像的每个像素 都具有三个不同的颜色分量，从而有 大量的颜色信息包含在彩色图像中，因此系统在存储上所占的资源很多，同时 系统的处理速度也会降低。 由于图像在包含的许多有用信息的同时还包含许许 多多的无用的信息，这些信息对图像识别形成了极大的干扰，因此必须对图像 进行灰度化，这样滤除了许多无用的信息，加快了处理的速度。 灰度颜色中的分量 R=G=B，它们的取值 叫做灰度值。

25、因为灰度值取值范 围是 0-255，所以灰度的级别 有 256 种。 南京工程学院毕业设计说明书（论文） - 9 - 对图像进行灰度化 ，就是把图像变为灰度图像，主要处理方法如下： (1)取最大值 ：取 R、G、B 三值中最大的一个，即 R=G=B=max（R、G、B) (3-1) (2)取平均值 ： R=G=B=(R+G+B)/3 (3-2) (3)加权平均 ，根据不同颜色在灰度过程化中的重要性不同，故采用数学上 常用的加权方法 即： R=G=B=Wr*R+Wg*G+Wb*B (3-3) 其中 R、G、B 的权值分别为 Wr、Wg、Wb。由于人眼对颜色的敏感度为绿 色红色蓝色，由相关理论知道

26、当 Wr=0.30，Wg=0.59，Wb=0.11 时，图像灰 度化后的效果最好，最适合人眼识别， 如图 3-2 所示，其中 (a)为变换前的车 辆 RGB 彩色图像，图 (b)为变换后的车辆灰度图 。 (a) 车辆 RGB 彩色图像 (b) 车辆灰度图 图 3-2 汽车灰度化前后图像 3.3 车辆图像增强 由于各种客观因素的作用，例如光照、天气、拍照设备等影响导致车辆图像 的质量比较低，为了得到更好的处理效果，往往首先对图像进行图像增强，即 将图像转换成更易被处理的形式，以便从图像中获取更有用的信息，图像增 强技术广泛的应用于图像处理领域。 通常情况下，通过图像增强后的图像，某些信息被突出，

27、其它信息被压缩， 图像视觉效果得到了改善，所以，图像增强是一种有损处理，它只是突出了 有用的信息，削弱了无用的信息 南京工程学院毕业设计说明书（论文） - 10 - 图像增强 处理过程所在 的空间不同，可分为 基于空间域和 基于频率域两大 方法： (1)空间域法 空间域法是在 图像的二维空间内 直接对像素灰度 进行处理。空间域方法 又分为点运算和空域滤波， 点运算又分为灰度变换增强和直方图增强，空域滤 波主要包括图像平滑和 图像锐化，本系统主要采用点运算即灰度变换增强和 直方图增强。 (2)频率域法 频率域法是一种逆变换的方法，是间接的。首先利用傅里叶变换将图像 变换到频率域，然后对 频谱进行

28、运算处理，然后再进行逆变换返回到空间域， 得到增强的图像。 3 3. .3 3. .1 1 灰灰度度线线性性拉拉伸伸 在实际生 活中，由于光照、天气、拍照设备的影响导致车牌图像即使经过 灰度化仍然 分辨不清，因此为了提高图像的对比度，改善视觉效果，必须进行 灰度线性拉伸。 灰度拉伸的作用是增强对比度，它是依据直方图的特征来对某一些灰度区间 进行拉伸。如图 3-3 所示。 g(x,y)=Tf(x,y) (3-4) 图 3-3 灰度拉伸 曲线 南京工程学院毕业设计说明书（论文） - 11 - 式(3-4)中 f(x,y)为点(x,y)的灰度，T 为映射函数， g(x,y)为变换后的灰度。 如果 f

29、(x,y)的取值范围为 s1,s2，变换后的 g(x,y)取值范围为 t1,t2，则 f(x,y)和 g(x,y)存在式 3-5 的数学关系： g(x,y)=(t2-t1)/(s2-s1)*f(x,y)+s1 (3-5) 从式(3-5)的关系中 ，我们可以知道 f(x,y)和 g(x,y)之间存在线性关系，所 以又称该灰度拉伸为线性拉伸 如图 3-4 所示，图像 进行线性拉伸后，图像更加清晰，视觉效果更好，车 牌更容易被识别， (a)为车辆灰度图， (b)为线性拉伸图。 (a)车辆灰度图 (b)车辆灰度拉伸图 图 3-4 车辆灰度线性拉伸 前后对比图 3 3. .3 3. .2 2 灰灰度度直

30、直方方图图均均衡衡 灰度直方图表示了灰度值的分布，它统计了图像中各灰度值的像素个数。 通常横坐标表示灰度级别，纵坐标表示频率。 直方图表示灰度级出现的频率，其对应的公式是式子（3-6） P(r)=nr/N (3-6) 式（3-6）中 nr表示灰度级为 r 的像素个数， N 表示整幅图像的像素个数。 因为 P(r)表示第 r 个灰度级出现的概率，直方图表示了原图的灰度值分布情况。 灰度直方图表示了图像的灰度分布情况，基本上可以描述一幅图像的相貌， 但是为了能更好的的进行图像识别，改善识别效果，必须对直方图进行修正。 如果用 s(0s1)表变换后 来图像的灰度， r(0r1) 表示原始图像 的灰度

31、(0 南京工程学院毕业设计说明书（论文） - 12 - 代表黑， 1 代表白)。 在0,1的区间任意取一个 r 值，都对应着一个 s 值，且 s=T(r)，T(r)为变 换函数。为了使这种灰度变换具有实际意义，T(r)应该满足下列条件： 1)在 0r1 区间，T(r)为单调递增函数； 2)在 0r1 区间。有 0T(r)1; 变换公式为： s=T(r)= (3-7) r o drrP)( 式 3-7 表明变换函数是原始图像的累计分布函数，具有非负递增性。 MATLAB 中 J = histeq(I, n)函数可以对直方图进行均衡化的操作， n 为均 衡化后的级数， 本文中所用的缺省值 256，

32、图 3-5 和图 3-6 为直方图均衡化前 后对比图。 (a)原始车辆灰度图 (b)原始直方图 图 3-5 原始灰度图和直方图 (a)车辆均衡化的灰度图 (b)均衡化的直方图 图 3-6 均衡化后的灰度图和直方图 3 3. .3 3. .3 3 图图像像滤滤波波 南京工程学院毕业设计说明书（论文） - 13 - 实际生活中，图像在获取和传输过程中会受到许多噪声的影响，为了去 除图像中的噪声，对车牌图像滤波，常 采用邻域平均法，中值滤波法和维纳滤 波法，各方法功能现分别介绍如下 ： (1)邻域平均法 邻域平均法属于空间域的一种，主要是在空间域上操作，邻域平均法的具体 原理是取平均值，即用该像素邻

33、域范围内的像素灰度平均值代替该像素的灰度 值。图像信号通过邻域平均处理得到平滑，效果与图像信号通过低通滤波器的 相似。 取图像 f(i,j)中的像素点 (m,n)，并取其邻域 S，S 通常为矩形，邻域内共有 M 个像素，求所有像素的平均值，该平均值即为像素点(m, n)处的灰度，点 (m, n)一般位于 S 的中心。如 S 为 3X3 邻域，点 (m,n)位于 S 中心，则 (3-8) 1 1 1 1 ),( 9 1 , ji jnimfyxf (2)中值滤波 法 由于邻域平均法会使图像中的细节变得模糊，而中值滤波不仅能消除噪声还 会防止细节变的模糊 ，中值滤波是一种非线性滤波， 简单的说就是

34、取所有像素 的中间值，图像滤波后所得到的结果即为图像中所有像素灰度的中值，它是 通过减少图像中某一邻域内的 像素灰度值 的差别来实现滤波的。 (3)维纳滤波 法 维纳滤波主要用于存在较大噪声的图像滤波的过程中，它能够从噪声中提 取信号波形，通过维纳滤波后所得到的图像在整体上较为平滑。维纳滤波是基 于图像的局部方差实现噪声滤除的，方差越小，噪声滤除效果越好。与其它滤 波相比，维纳滤波具有其优越的特性，它可以很好的保存图像边缘和高频细节 信息，同时特别是对于含有白色噪声的图像有较好的滤波效果。MATLAB 软 件中用于维纳滤波的函数为 Wiener2 函数，其采用的是基于像素的局部均值与 方差的算

35、法： (3-9) 2, 1 21),( 1 nn nna MN (3-10) 2 , 21 2 21 ),( 1 nn nn MN 式 3-10 中是图像中每个像素 的 n1*n2邻域，然后对每一个像素利用滤波 南京工程学院毕业设计说明书（论文） - 14 - 器估计出其灰度值 ： （v2是图像中噪声的方差） (3-11) ),(),(21 2 22 21 nna v nnb 基于维纳滤波的巨大的优点，本系统所用的即为维纳滤波，在对滤波后的灰 度图像进行较好的二值化处理。 维纳滤波前后对比如图 3-7 所示。 (a)维纳滤波前 (b)维纳滤波后 图3-7维纳滤波 前后对比图 3.4 二值化 二

36、值是指黑、白两种颜色，二值化就是就将图像变为黑、白两种颜色，这 样对二值化的图像再进行别的处理速度更快，得到的效果更好，二值化的图像 特征更明显，更容易被描述和分析。在现实生活中，存在许多二值图像，例如 书本文字、采集到的指纹，设计的图纸，因为图像二值化的众多优点导致我 们常常把本身是有灰度的图像变成二值化图像再处理，这样能够使车牌识别 系统提高处理效率， 加快处理速度，降低处理成本。 图像二值变换的原理是通过确定恰当的 阈值来分割对象与背景，并且要确 保变换后的图像不丢失原来图像的形状信息，不产生额外的空缺。 二值化的关键点是要找到恰当的阈值，此阈值用来分隔对象与背景。假 设 f(x,y)为

37、原灰度图 像，g (x,y)为二值化后的图像 ，阈值为 t，二值化的数学方 法表示如式 3-12，3-13 下： g(x,y)=1,f(x,y)t (3-12) g(x,y)=0,f(x,y)bottomtest 的 行，确定车牌底 i 行，且置 bottomflag 为 1。 (4)在找到车牌底后，对于黑白值改变的次数 lefttest=4，置 leftflag=1， 表示初步找到左边界。 (3)根据车牌的实际 字符宽高比是 430:90，结合上下边界定位时求出的车 牌的高度 plateheight，算出车牌宽度 platewidth。这样就确定了一个临时右 边界。 (4)计算整个临时车牌区

38、域内的黑白跳变次数 赋给 AreaCount，如果 AreaCount28*height,再计算左边界右边的 2 个字符区域的 黑 白跳变次数 赋给 temparray,如果 temparraybottomtest N Y top=i，topflag=1 bottom-toplefttest N Y 计算左右边界区域跳变点数，赋给 AreaCount AreaCount0,视为找到第一个字符左边界；继续向右 扫描，若 whitecounti=0，视为找到第一个字符右 边界；依次进行此操作， 记录所有字符区域的左右边界。 (3)根据字符先验知识进行分割校正 根据第(2)步的结果，若字符区域个数T

39、empwordcount7，表示字符区域需要 合并。从右至左的前六个字符是英文和数字，只有汉字区域可能出现左右或左 中右结构，可能出现分割错误。因此，如果汉字区域分割结果大于1，则将 这些分割出来的区域合并，得到一个正确的汉字区域。 字符分割流程图如图 5-1 所示。车牌字符分割效果如 图 5-1 所示。 南京工程学院毕业设计说明书（论文） - 33 - 找到字符的左边界，startflag=1(表示左边界找到)，startline(flagcount)=i 对图像进行从左至右 垂直直线扫描 将每列白色像素点数赋给 whitecounti whitecounti0 scene recognit

40、ion; salient image; matching strategy; fuzzy logic; hidden Markov model 1 1 IntroductionIntroduction Search and rescue in disaster area in the domain of robot is a burgeoning and challenging subject1. Mine rescue robot was developed to enter mines during emergencies to locate possible escape routes

41、for 南京工程学院毕业设计说明书（论文） - 48 - those trapped inside and determine whether it is safe for human to enter or not. Localization is a fundamental problem in this field. Localization methods based on camera can be mainly classified into geometric, topological or hybrid ones2. With its feasibility and effec

42、tiveness, scene recognition becomes one of the important technologies of topological localization. Currently most scene recognition methods are based on global image features and have two distinct stages: training offline and matching online. During the training stage, robot collects the images of t

43、he environment where it works and processes the images to extract global features that represent the scene. Some approaches were used to analyze the data-set of image directly and some primary features were found, such as the PCA method 3. However, the PCA method is not effective in distinguishing t

44、he classes of features. Another type of approach uses appearance features including color, texture and edge density to represent the image. For example, ZHOU et al4 used multidimensional histograms to describe global appearance features. This method is simple but sensitive to scale and illumination

45、changes. In fact, all kinds of global image features are suffered from the change of environment. LOWE 5 presented a SIFT method that uses similarity invariant descriptors formed by characteristic scale and orientation at interest points to obtain the features. The features are invariant to image sc

46、aling, translation, rotation and partially invariant to illumination changes. But SIFT may generate 1 000 or more interest points, which may slow down the processor dramatically. During the matching stage, nearest neighbor strategy(NN) is widely adopted for its facility and intelligibility6. But it

47、cannot capture the contribution of individual feature for scene recognition. In experiments, the NN is not good enough to express the similarity between 南京工程学院毕业设计说明书（论文） - 49 - two patterns. Furthermore, the selected features can not represent the scene thoroughly according to the state-of-art patt

48、ern recognition, which makes recognition not reliable7. So in this work a new recognition system is presented, which is more reliable and effective if it is used in a complex mine environment. In this system, we improve the invariance by extracting salient local image regions as landmarks to replace

49、 the whole image to deal with large changes in scale, 2D rotation and viewpoint. And the number of interest points is reduced effectively, which makes the processing easier. Fuzzy recognition strategy is designed to recognize the landmarks in place of NN, which can strengthen the contribution of indivi