隨著現(xiàn)代交通的發(fā)展,，車牌自動識別技術(shù)越來越成為智能交通的重要組成部分。車牌識別技術(shù)主要是采用計(jì)算機(jī)圖像處理技術(shù)對車牌的圖像進(jìn)行分析,，以自動提取車牌信息,，確定車牌號。一般說來,，在車牌自動識別系統(tǒng)中,，處理的關(guān)鍵技術(shù)問題是車牌的定位及字符的分割。對于車牌自動識別系統(tǒng)已經(jīng)提出了許多方法,，如運(yùn)用多重特征的車牌定位算法,，基于彩色和紋理分析的車牌定位方法，用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行車牌自動識別等,。針對通過攝像頭動態(tài)采集到的圖像有可能存在模糊,、噪聲干擾等問題，我們先用改進(jìn)模糊C-均值聚類算法對采集到的圖像進(jìn)行分割,，然后根據(jù)車牌區(qū)域的特點(diǎn)對車牌進(jìn)行定位,。車牌定位后，根據(jù)車牌中字符的分布特點(diǎn),，對字符進(jìn)行分割及識別,。對于采集到的復(fù)雜背景的圖像進(jìn)行實(shí)驗(yàn)后，得到了較理想的車牌自動識別效果,。
1 車牌的定位
為提高聚類的收斂速度,，還需對隸屬度進(jìn)行修正，在半抑制式模糊C-均值聚類算法(HSFCM)中引入了一抑制門限參數(shù)β,，將最大隸屬度值uRj與該門限進(jìn)行比較,，若其大于該門限，則對其進(jìn)行修正,；否則就不對其修正,。為了更好地提高聚類的速度，將隸屬度修正公式變?yōu)椋?/p>
(5)如果||V(k)-V(k+1)||<ε，則停止,，否則令k=k+1,，重復(fù)步驟(2)、(3),、(4),、(5)。
1．2 車牌的定位
2 字符的分割
3 結(jié)論
車牌定位是車牌識別系統(tǒng)的核心,，它是從一個復(fù)雜背景的圖像找到車牌所在的區(qū)域。為了更好對車牌加以定位,，需先對采集到的圖像進(jìn)行分割,。
1．1 用改進(jìn)的模糊C-均值聚類算法進(jìn)行圖像分割
模糊C-均值(FCM)算法是常用的圖像分割方法，它是通過迭代法優(yōu)化目標(biāo)函數(shù)來實(shí)現(xiàn)圖像分割的,，該算法的不足是收斂速度較慢,。為了提高該算法的速度，已提出了不同的改進(jìn)FCM算法,，在文獻(xiàn)[5]中,，利用分層聚類把圖像數(shù)據(jù)分成一定數(shù)量的色彩相近的子集,，來提高FCM算法的計(jì)算速度。該改進(jìn)算法是通過減少聚類樣本來提高聚類的速度的,。
在FCM算法中,，初始聚類中心及聚類數(shù)目的選取對算法速度有一定的影響，較好的初始值,，有助于提高聚類的速度,。聚類中心與聚類數(shù)目與圖像的灰度直方圖的極值點(diǎn)相關(guān)聯(lián)。對一幅較復(fù)雜的圖像,，其灰度直方圖不是連續(xù)的圖形,，直方圖中存在很多的毛刺，確定出的極值點(diǎn)一般有很多個,。為了更有效地獲取其極值點(diǎn),，我們對圖像的灰度值做如下處理，將灰度值為[h,，h+n]間的像素的個數(shù)疊加在一起,，其中n為灰度區(qū)間，這可以避免一些像素值較小的極值點(diǎn)出現(xiàn),。通過處理后的圖像灰度值col[i](其中0≤i≤255),，來獲得灰度直方圖的極值點(diǎn)。當(dāng)col[i-1]
在式(1a),，當(dāng)最大隸屬度值uRi大于門限值β1時，uRi=1,，轉(zhuǎn)為硬C聚類算法,；當(dāng)uRi小于門限值β2時，不修正,；當(dāng)β1≥uRj>β 2時,，uRj增加為原來的2-uRj倍,，提高其隸屬度。在式(1b)中,，將其它隸屬度做相應(yīng)的修改,，以滿足
改進(jìn)后的模糊C-均值聚類算法的具體操作步驟如下：
(1)對圖像進(jìn)行灰度處理，獲得灰度值的極值點(diǎn)及個數(shù)來初始化聚類中心初始聚類中心V(0)及聚類數(shù)目C,，并具體選取ε>0,，令迭代次數(shù)k=0。
(2)計(jì)算U（K）,，如果∨j,，r,drj(k)>0，則
如果存在j,r,，使得drj(k)=0,，則令urj(k)=1，且i≠r,，uij(k)=0,。
(3)根據(jù)式(1a)、(1b),，修正隸屬度矩陣U(k),。
對圖1所示的原始圖像中,，處理后的灰度直方圖如圖2所示,，獲得的極值點(diǎn)的個數(shù)(即聚類數(shù)目)為4，聚類中心灰度值特征量的初始化值分別為(21,、66,、141、186),。通過改進(jìn)FCM算法后,，獲得分割后的圖像如圖3所示。
根據(jù)拍攝到的車牌圖像的特點(diǎn),，牌照一般是在圖像的下方,，且牌照下方多數(shù)是地面，在水平方向上,，地面的圖像灰度分布比較均勻,；而牌照區(qū)域由于圖像字符的分布,，使得圖像灰度值在水平方向上的變化頻率比較大，且變化間隔較均勻,。根據(jù)上面的分析,，車牌從下至上來定位可以避免上面復(fù)雜背景的干擾，縮短定位時間,。圖像不同部分的水平灰度值變化如圖4～7所示,，其中圖4是車牌區(qū)域中字符下邊緣的與上邊緣的水平灰度值的變化(圖中白線所示)，圖5是車牌區(qū)域外下邊緣與上邊緣的水平灰度值的變化,。根據(jù)灰度值的變化便可定位出車牌的字符區(qū)域,，如圖6所示。
經(jīng)過圖像分割后的車牌區(qū)域中,，字符與牌照底的內(nèi)部灰度較均勻,，而字符與底色在灰度上有較大差異，并且字符間有明顯的間距,。根據(jù)這個特點(diǎn),，將字符區(qū)域中字符像素的個數(shù)垂直投影來進(jìn)行字符的分割。設(shè)置一個閾值T用來區(qū)分字符與牌照底色,，hhi(0≤i
根據(jù)hhi的值，當(dāng)
根據(jù)式(2)分割后的字符如圖8所示,，分割效果比較明顯。
本文提出了一種改進(jìn)的模糊C均值聚類算法用來對車牌圖像進(jìn)行分割,，改進(jìn)算法中通過圖像灰度直方圖來初始化聚類中心與聚類數(shù)目,，并對聚類中的隸屬度做了相應(yīng)的修正。在車牌定位與字符分割中,，結(jié)合車牌中字符的分布特點(diǎn),，根據(jù)水平灰度值的變化曲線，來實(shí)現(xiàn)車牌的定位,；根據(jù)字符區(qū)域中字符像素個數(shù)的垂直投影,，來實(shí)現(xiàn)字符的分割。本文中的算法采用VC++6．0編程實(shí)現(xiàn),，并對多幅背景復(fù)雜的車輛圖像進(jìn)行了實(shí)驗(yàn),，實(shí)驗(yàn)結(jié)果表明該算法能夠較快、較準(zhǔn)確地獲得車牌自動識別效果,。