图像识别技术的基本原理范文

图像识别技术的基本原理篇1

关键词：神经网络 图像识别 企业应用

中图分类号：TP183 文献标识码：A 文章编号：1007-9416（2016）10-0124-01

1 神经网络的发展、应用及其特点

现代计算机的应用前提下，计算和信息处理能力均较高，但感知能力和驮踊肪持械呐卸夏芰均不如人类，并且短期内难以实施。特别是，缺乏在特定环境的学习和适应能力，只能按照一定的程序进行分解及工作、执行。本世纪初，人们对于人类大脑的工作方式已经有了一定程度的了解，有着非常大的规模的基本单元，被称为神经元，这些经过高度复杂的统一结合，形成复杂的、非线性、平行处理的信息综合处理系统，这和当代的计算机处理方式是完全不同的。单个的神经元的反应速度比起类似计算机的基本单元逻辑反应时间，是毫秒级别的。

1.1 图像识别及分类技术概况

随着计算机技术和数字图像处理技术的发展，为了满足当前迫切需要，通过对机器视觉设备所获得的图像识别和分类，己成为当前的迫切需要。研制机器的视觉系统是图像识别的最终目的。因此，他们自行区别分类是可能的。通过一些手段使各类图像的重要显性数据通过一定的数值来表示出来，除了对图像进行数据化处理之外，通常特征范围的提取工作也是必要的。但反应某一类特征时，计算工作的繁杂、内容的庞大，为计算带来了很大压力的同时，产生了不精确的可能，难免有一些误差。所以进一步的工作量需要对特征进行选择与处理，减小特征值的误差而保留图像特征信息，这种找出比原来特征数目少而精的综合指标的方法称之为特征选择。

1.2 神经网络应用于图像识别技术的现况

在世界范围内掀起了探索和研究神经网络的热潮，来自发展了的学习算法。目前国内外研究较多的有字符识别技术、车牌识别技术、脸部识别技术、各种纸币识别技术、印章识别技术及对一些军事目标的识别等方面。人工神经网络的发展己渗透到各种研究领域，特别是在模式识别的图像分类技术方面，所取得的应用也日益增多。

2 图像识别原理简介

2.1 图像识别系统

图像模式识别系统的三个重要组成部分，有如下三种，第一是图像有关信息的采集和收集，他等同于对被研究对象的深入了解和调查，取得有关数据后，进行整体的加工、修改、归纳、整合，并且进一步提出反应其点的一些潜质。最重要的一部分特点是将类似空间的映射量折射到空间中。相当于人类的感性和理性认识的转换，并作出结论的过程。图像识别系统如图1所示。

2.2 模糊模式识别法

模糊特征，本质就是根据一定的模糊化规则，经过多重加工后，将图像的一个特征或者一组特征分成多个模糊变量，使每个模糊变量能表达原特征的一部分特性。这些新的模糊特征取代原来的特征进行模式识别，提高了分类器的性能。

2.3 人工神经网络模式识别法

图像输入预处理特征提取神经网络识别识别结果。

3 神经网络图像识别系统设计

3.1 网络分类器的设计

新的性能指标函数，通过反复使用，可以在保证网络误差尽可能小的情况下使网络具有较小的权值，使得网络的有效权值尽可能少，这实际上相当于自动缩小了网络的规模。

3.2 样本的选择及组织

选择标准且合理的样本，对提高网络的学习速度、使网络具有良好的识别精度都有着举足轻重的作用。本实验中，样本的选择可以遵循以下原则，当网络用于分类属性时，首先选取各类的样本进行训练，在使网络的总体性能不高时，另一方面可以大幅度提高训练程序速度，避免网络陷入瘫痪。如此反复，结果会使网络产生振荡。要使网络对模式的旋转、伸缩等具有不变性，因为网络并不具有不变识别的能力，所以就要选择各种可能情况的样本，这样可以保证网络具有比较高的识别率。

4 传统企业应用技术分析

无限制地共享数据和业务处理是企业应用集成（EAI）是指企业内部和企业之间的任何相连的应用之间。公共对象请求体系结构（CORBA）、分布式组件对象模型（DCOM）和远程方法调用是传统的系统集成方式。目前用的比较多的集成方式是 Web Services。

5 结语

本文首先综述了人工神经网络的发展、应用、特点和神经网络应用于图像识别技术的现况。重点介绍了目前在目标识别中用的最多的前馈神经网络模型及其采用的算法的同时，介绍了图像识别原理和几种模式识别常用的神经网络模型。

随着有关研究的不断深入、计算机运行技术、数字图像处理技术的发展，对机器视觉设备信息操作，所获得的图像识别和分类已成为当前的迫切需要。

目前所做的工作离实用要求的距离还有很大的距离。不过，结合企业实际情况设计了基于ESB的企业应用集成技术。这一课题必然会得到较好的解决。

参考文献

[1]袁建国，高亮，刘向军等.需求链管理的研究.中国机械工程，2003，14：89-93.

[2]孙晋文，肖建国.企业应用集成与基于Web Services 的构架应用.计算机工程与应用，2003，8：25-29.

收到日期：2016-09-02

作者简介：宋学超（1988―），男，辽宁沈阳人，本科，毕业于沈阳航空航天大学计算机科学与技术（机器翻译），研究方向：视觉传达，人机交互，艺

图像识别技术的基本原理篇2

【关键词】支持向量机 分类器 车牌识别

1 前言

随着经济全球化的到来，社会经济快速发展，机动车保有量迅速增长，城市交通问题突出，城市交通智能化管理的要求越来越高。基于计算机网络的智能化交通管理系统能有效提高对车辆的管理，在城市交通管理中占有十分重要的地位。

汽车牌照号码是车辆唯一准确、特定的身份标识，车牌识别技术是指能够检测到受监控路面的车辆并自动提取车辆牌照信息进行处理的技术。车牌识别技术可以在汽车不做任何改动的情况下实现汽车“身份”的自动登记及验证，应用在以下一些领域：公路收费管理系统，车辆出入管理，牌照号码自动登记，公路管理系统等。

2 车牌识别技术的研究现状

20世纪80年代，国内外就开始了对车牌识别系统的研究，一般采用简单的图像处理来解决问题，通常还需要人工干预，而且由于光线、灰尘、污损等，车牌识别系统没有很好的应用到实际中。20世纪90年代后，国外车牌照识别系统的研究工作已经有了一定的进展，而我国的汽车牌照因悬挂位置不统一、车牌底色不同以及汉字字母数字相结合的组成方式等原因，有了一定的特殊性。目前结合了计算机视觉技术、人工智能技术和神经网络技术等，有了比较好的发展。

3 支持向量机

支持向量机，又称SVM，1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。核心思想是在一个实空间内，把两个类别的分类问题转化为通过一个线性的超平面对样本进行区分。有时样本是线性不可分的，可以采用超曲面的方法。工作原理是输入空间或样本空间的线性分类器，优点在于通过区分超平面，把样本分到两个空间中，从而实现对目标的分类判别。

4 车牌识别系统总体结构

车牌识别系统包括以下三大领域：图像定位、字符分割和字符识别。当车辆通过监测车道时，触发信号，图像采集设备开始采集图像，再利用车辆牌照识别系统在计算机中对车辆牌照进行定位、分割和识别处理。

4.1 车牌定位技术

目前我国车牌定位主要有以下几种方法：

4.1.1 基于纹理信息的车牌定位方法

车牌内的字符基本成水平排列，字符和牌照底在灰度值上存在跳变，车牌这个矩形区域内有边缘存在，且呈现规则的纹理特征，与车牌的几何特征、数学形态等处理方法相结合达到比较好的定位效果。这种方法速度快、漏检率低，但受到图像背景、光照等干扰，误识率较高。

4.1.2 基于车牌颜色信息的车牌定位方法

由于车辆牌照有与牌号、车身、背景不同的底色，可以采用色彩分割及多级混合集成分类器等，将彩色图像进行色彩分割，利用投影法分割出潜在的各种区域。这种方法不受大小限制，精度高，但车牌底色与周围颜色相近时，图像质量较差，定位效果不佳。

4.1.3 利用数学工具的车牌定位方法

利用小波变换，分形理论，遗传算法，支持向量机等方法进行车牌定位。要提高车牌定位的精度，就要充分利用车牌自身的信息，车牌区域有着丰富的纹理，要凸显这种纹理特征，使其与其他区域区分，支持向量机正是这样一种分类学习的机制，建立在结构风险最小化的准则上，已经在人脸识别、纹理分类等领域取得了成功。

基于支持向量机的车牌定位，对每幅车牌图像切分成若干个N×N大小的子块，把每个字块标注为车牌和非车牌区域，然后使用提取图像特征向量的分类器对测试图像中的各个像素进行分类，通过后期处理结合车牌的先验知识实现车牌区域的定位。

在对采集到的车牌图像进行字符分割之前，要对车牌进行校正处理。由于车牌悬挂、道路坡度和摄像机与车辆之间的角度等，得到的车牌图片倾斜，影响字符的分割和识别，通过图像旋转可以得到解决。

车牌字符分割的准确与否，决定了整个识别系统性能的优劣。传统的字符分割算法可以归纳为三类：直接分割法、基于识别基础的分割法和自适应分割线聚类法。

车牌字符在进行识别前进行了定位、倾斜校正、分割等处理，得到的字符图像大小不定但高宽比一定，要做归一化处理。

4.2 车牌字符识别

传统的支持向量机是为了解决线性可分的两类分类问题而提出的，它通过寻找一个可以将两类样本完全分开的最优分类面来构造决策函数，一个支持向量机对应一个最优超平面。构造SVM分类器的核心思想是找到一条能够将两类样本完全分开并且使得边界距离Margin最大化的直线。车牌字符的识别过程中，对预处理后的图像特征提取和训练模型的建立直接决定分类器的识别性能，判决方法的选取也会影响到分类器的性能。

用支持向量机的方法实现车牌字符识别主要采用下面两种方法：一种是对字符图像进行预处理后提取车牌图像的主要特征，送入支持向量机进行样本学习和样本训练。这种方法先分析字符图像中那些特征能够表示这个字符，然后利用已有的先验知识提取能够表示这个字符的特征，再利用支持向量机网络对车牌字符图像进行分类识别，其识别效果与提取的字符特征息息相关，但受环境的影响较大，并且字符的特征提取比较费时。另一种是利用支持向量机实现字符的特征提取，把将要识别的字符图像点阵直接输入网络，由网络完成字符图像特征的自动地提取和识别。这种方法可能将增加网络结构的复杂度，但抗干扰性能良好。

5 总结

车牌识别对推动交通管理的智能化和自动化具有十分重要的意义。车牌定位和字符分割是车牌字符识别系统的基础和前提，车牌字符特征提取和识别是关键环节。在整个过程中，学习了支持向量机的原理，并利用其进行分类，得到分类结果。

参考文献

[1]李占斌.不停车收费系统中的车牌识别技术研究[J].计算机应用技术，2005.

[2]袁航松.基于支持向量机技术的告诉公路车牌识别方法研究与仿真实现[D].电子科技大学，2010.

[3]刘锤.车牌定位与车辆字符识别技术研究[D].中南大学，2011.

[4]吕文强.基于Adaboost和SVM的车牌识别方法研究[D].南京理工大学，2013.

[5]张吉斌.基于图像处理及支持向量机的车牌识别技术研究[D].兰州交通大学，2013.

[6]卢吉国.车牌识别系统研究[D].长安大学，2012.

作者单位

1.中石化管道储运有限公司沧州输油处 河北省沧州市 061000

2.河北工业大学信息工程学院 天津市 300401

3.中石化管道储运有限公司南京输油处 江苏省南京市 210046

图像识别技术的基本原理篇3

[关键词]数字图像技术 刑事图像 图像增强 图像处理

中图分类号：TP 文献标识码：A 文章编号：1009-914X（2014）31-0203-01

随着数字图像技术的理论和方法的不断进步，它在刑事技术领域的应用也不断的扩展和深入，显示出了无可比拟的优势和广阔的发展前景。本文拟对数字图像处理技术在刑事技术工作中的应用作初步探讨。

1、数字图像处理的概念

图像处理是指运用一定的理论，使用特定的设备和技术方法，对已经获得的图像进行加工改造，达到某种特殊目的的一种技术。根据处理对象和方法不同，图像处理可分为摹拟图像处理和数字图像处理两大类。摹拟图像处理的对象是具有连续色调的摹拟图像，即客观景物所生成的原始图像。由于摹拟图像大多可用一个连续函数来描述，所以摹拟图像处理也称作“连续图像处理”。摹拟图像处理是利用光学、化学等技术方法和相应设备，对图像本身进行的加工和处理。例如在暗房中对正负片进行减薄、加厚、变形矫正、放大、遮挡、着色、虚化、浮雕化、剪裁等。摹拟图像处理精度较差，处理方式也不够灵活。数字图像处理是利用计算机对数字图像进行去除噪声、增强、复原、分割、特征提取、图像重建等处理的理论和方法的总称。数字图像处理的对象是数字图像，即由一组带有不同颜色，具有一定尺寸，被称为像素的点有规律排列组成的。数字图像的特点决定了数字图像处理的灵活性。

2、数字图像处理的内容

在进行数字图像处理时，必须先将摹拟图像数字化，即通过取样与量化，将摹拟图像变换成能够用计算机识别和处理的数字形式。图像数字化最常用的方法是扫描和数码相机拍摄。在物证检验中，常用的数字图像处理技术包括：图像增强、对比度增强、图像的平滑处理、图像的锐化处理、图像消除背景处理、图像的彩色增强处理、变形图像矫正、图像复原、图像合成、图像识别等。

3、数字图像技术在刑事技术工作中的应用

3.1 图像采集、传输技术在刑事照相中的应用

3.1.1 应用于现场照相

传统的刑事照相使用胶片照相，只有经过拍照、暗房冲洗和印放的过程才能看到最终结果，工作中任何一个环节出现问题就会带来不可挽回的损失。数码照相的方法可以即时显示结果，又无需化学冲洗等繁琐过程，极大简化了工作。现场照相完成之后，可以将照片输入计算机，可使用图像处理软件对数字照片进行编辑、裁切、标注、打印，按照刑事照相制卷质量标准制作成卷。现场照相获取的各类物证图像信息可借助各类公安图像管理系统，如指纹自动识别系统、足迹查询系统、人相识别系统等，进行方便的归档、管理、查询、传报；也可借助于网络传输发送到异地进行移动办案或进行网上，网上追逃等。

3.1.2 应用于物证照相

物证照相中的分色照相技术根据物质对不同色光的反射与吸收的特性不同，借助滤光镜来加强被摄物体之间的色彩反差，从而分离物证与背景。如今数字图像处理利用颜色模式与通道可以方便有效的实现数字图像的分色，基本淘汰了分色照相的方法。目前普通数码相机感光范围基本达到350-1100nm，而物证摄影专用的全波段ccd系统感光范围达到200-1200nm，对远红外、可见光、紫外光谱都有很好的响应，可以方便的进行长波紫外照相和红外照相，以进行文件字迹、体液、弹药残留、足迹等的显见和检验。

3.1.3 应用于辨认照相

利用数字图像存储与管理技术，对采集到的海量人犯面貌辨认照片、尸体照片、物证辨认照片进行有效管理，可快速的进行登记、查询、比对等。对于一些面貌不易辨识的尸体照片，可以进行适当修复，改善辨认条件。对于高度腐烂甚至白骨化的尸体可以使用颅像重合技术来辨认尸源。计算机人像组合技术使得没有专业绘画功底的人员也能方便快速的组合出嫌疑人像，增加效率并降低由手工模拟画像带来的主观性，使画像的辨识度大幅提高。

3.2 图像复原技术在刑事模糊图像处理中的应用。

图像在采集、传输的过程中，由于成像设备、外界条件、传输介质、人为等各种因素而引起图像质量降低从而形成模糊图像。图像复原技术分析图像退化的原因，试图建立起精确的图像退化模型，并对退化过程逆转从而将退化图像恢复本来面目。如监控中运动车辆的车牌号码识别是当前刑事图像复原的一个研究热点。针对不同类型的退化图像，图像复原技术建立相应的退化模型，运用维纳滤波、逆滤波等方法去除干扰和模糊。

3.3 图像几何矫正、标注、测量技术为物证对比鉴定提供辅助工具

图像几何变换可实现对图像进行坐标变换、缩放、旋转、变形、配准等，是对图像预先处理的常规方法。在物证检验经常出现存在于非平面客体上的痕迹，例如圆柱圆锥、弯曲物体的转弯处、不规则弧面上的手印、文字等，变形的痕迹给检验鉴定带来极大的困难，可以预先运用数字图像处理的几何变换方法矫正，降低工作难度。图像的标注和测量在物证鉴定中应用最广，传统人工测量检验操作复杂且误差较大，而使用数字图像测量比对技术，测量精确操作简单。如对印章印文进行测量比对、拼接比对；人相鉴定；笔迹分析鉴定；指纹对比鉴定；工具痕迹鉴定等工作均可以用数字图像处理工具进行辅助检验。

3.4 图像识别、比对、分析技术在刑事图像内容辨认与分析中的作用

图像识别与分析技术是建立在图像测量的基础之上自动识别场景中的目标特征，包括形状、颜色、纹理、运动、空间等特征，从图像信息得出数据和判断等结论。这项技术在刑事图像理解中有很重要的应用价值。如在影像资料中对人物衣着、毒物等的识别；基于几何形状对比根据面部器官形态符合程度进行自动的人像识别与检验；和法医人类学相结合的通过比较无名颅骨与失踪人照片的形态特征的颅骨与人相重合鉴定等。目前结合数据库管理的指纹自动识别系统，人像自动识别比对，dna图谱自动检索等广泛应用于刑事技术实战中，极大提高工作效率和减轻工作强度。

3.5 数字图像取证技术在刑事图像鉴定中的应用

随着数字图像技术的发展与图像处理工具的广泛普及，数字图像的编辑修改变得异常简单，伪造图像的大量出现给社会安全稳定带来隐患，因此数字图像取证技术成为当前图像处理与信息安全的研究热点。数字图像盲取证技术根据图像自身的成像原理、场景特征、设备引入噪声、篡改留痕的特征对可疑图像运用数学方法计算分析从而对图像真伪做出量化的鉴定结论。图像取证技术在刑事图像领域主要应用于数字图像真实性与原始性的检验。

3.6 数字图像合成重建技术在刑事影像合成演示中的应用

数字图像合成技术是利用计算机绘图技术来形成图像。数字图像重建技术则利用输入的空间、形态、时间等数据信息生成二维或三维图像。目前这两项技术在现场勘查、法医人类学中已成功应用。计算机人像组合技术可以根据目击者的描述用数据库中的面部器官部件组成人面部像，用于排查犯罪嫌疑人。计算机颅骨复原系统可以根据无名颅骨还原其生前的二维或三维头像。在犯罪现场获取的平面图像与空间测量信息可利用计算机图形学进行影像与事件的三维重建，例如对现场三维图像自动生成，对犯罪事件进行案情模拟演示等。

参考文献

[1]任玉苓.试析数字图像处理在刑侦技术工作中的应用[m].云南警官学院学报，2004，（3）64-65

[2]张颜华.数码影像技术在刑事照相中的全程应用[m].江苏警官学院学报，2007，（1）174-177

图像识别技术的基本原理篇4

关键词：车牌定位；字符分割；BP神经网络；车牌识别；VC++

目录

第1章绪论1

1.1课题研究背景1

1.2车辆牌照识别系统原理1

1.3车辆牌照识别在国内外研究现状2

1.4本文主要工作及内容安排3

第2章车辆牌照的定位方法4

2.1车辆牌照图像的预处理4

2.1.1256色位图灰度化4

2.1.2灰度图像二值化5

2.1.3消除背景干扰去除噪声6

2.2车辆牌照的定位方法简介6

2.3系统采用的定位方法7

2.3.1车辆牌照的水平定位7

2.3.2车辆牌照的垂直定位7

2.3.3定位的算法实现10

2.4实验结果分析12

第3章车辆牌照的字符分割13

3.1车牌预处理13

3.1.1去边框处理13

3.1.2去噪声处理13

3.1.3梯度锐化15

3.1.4倾斜调整16

3.2字符分割方法简介17

3.3系统采用的分割方法19

3.3.1算法介绍19

3.3.2算法的实现20

3.4字符分割实验结果21

第4章特征提取与字符识别22

4.1字符的特征提取22

4.2字符的识别方法简介23

4.3系统采用的识别方法24

4.3.1人工神经网络简介24

4.3.2BP神经网络识别车牌25

4.3.3BP神经网络识别算法实现28

4.4实验结果分析29

总结32

致谢33

参考文献34

第1章绪论

1.1课题研究背景

现代社会已经进入信息时代，计算机技术、通信技术和计算机网络技术的不断发展，自动化信息处理能力的不断提高，在人们社会活动和生活的各个领域得到了广泛的应用，在这种情况下，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。

随着汽车数量的急剧增加，车牌自动识别(licenseplaterecognition,LPR)技术日益成为交通管理自动化的重要手段[1]。车牌自动识别技术是计算机视觉、图像处理技术与模式识别等技术的融合，是智能交通系统中一项非常重要的技术。通过车辆牌照自动识别，就可以对运动车辆查询相关的数据库，根据提取的车辆信息，实现有针对性的车辆检查，极大的提高工作人员的效率，降低工作强度，同时也减少了国家财政收入的流失，减少交通事故的发生以及加强社会治安。因此对车牌识别技术研究有巨大的经济价值和现实意义。

由于车牌自动识别技术在智能化交通控制管理中发挥的重要作用，吸引了各国的科研工作者对其进行广泛的研究，目前已有众多的算法，有些已应用于交叉路口、车库管理、路口收费、高速公路等场合。由于需适应各种复杂背景，加之要识别的车辆种类繁多，颜色变化多端，以及检测时要适应不同天气变化导致的不同光照条件，因此，目前的系统都或多或少地存在一些问题。但随着计算机性能的提高和计算机视觉理论及技术的发展，这种技术必将日趋成熟。

车牌的定位与识别技术，总体来说是图像处理技术与车牌本身特点的有机结合，当然也包括小波分析、神经网络、数学形态学、模糊理论等数学知识的有效运用[2]。

本课题是对汽车图像进行分析，从算法角度来研究车牌的定位与识别。

1.2车辆牌照识别系统原理

一个典型的车辆牌照识别系统(LPR)是由图像采集系统和图像识别系统组成的，如图1-1[3]。当系统发现有车时，图像采集系统便开始采集车辆牌照信息，得到的信息是图像识别系统的输入。通过识别系统的预处理，为目标搜索提供一个良好的定位环境。在预处理的基础上把图像中的车牌从背景中分割出来。对车牌中的字符做字符分割，最后把分割后的字符进行识别，便得到了汽车牌照的号码。

图像识别技术的基本原理篇5

关键词：缺素玉米；图像处理；识别颜色特征；图表表示法

近阶段以来，计算机图像处理技术在各种领域越来越多的进行运用，同时提升了各个领域的操作水平。在研究缺素叶片颜色特征识别过程当中，计算机图像处理技术得到了一定的应用和认可。例如，在农业方面对缺素叶片颜色滕成识别方面就有相应的应用，研究人员通过对不同种农作物的缺素症的研究可以改善农作物病变的现象。本文就农作物当中较为广泛的缺素玉米叶片进行了研究和分析。

一、对缺素玉米叶片进行取

在对缺素玉米叶片进行取样的过程当中，实验室的光箱可以是自制的也可以是标准光箱，摄像头采用美国Punix公司的CCD摄像头，摄像头型号为：TMC-7DSP，CCD的面阵为768*494（V）。图像采集卡为Matrox公司的转换精度较高的Meteor/MC4。计算机可以选择DELLI5-6400。采集过程如下：取生长在不同阶段的玉米采用配方施肥技术进行培植，从培植第一天开始对玉米叶片间隔相同时间段进行采样，取样过程中要注意在不同关照条件下各取一片叶片进行分析，样本数量要相同，当玉米叶片缺素症的症状比较明显的时候可以停止采样进行样本的分析。由于在玉米缺素叶片取样过程中会对植株产生一定的损伤，所以需要注意在取样过程当中不可以过多取样以免造成植株死亡的严重后果。采样过程会出现不同程度的外界影响，比如研究环境的声音、叶片本身的结构构造等等，所以对叶片图像要进行滤波。这种滤波方法可以使得图像更为清晰的展现，同时可以保护图像的真实度。最后要从样品中取出一定的数量进行图像处理以及分析，采用计算机图像处理的方法。

二、颜色特征的识别方法及图像预处理

针对颜色特征，识别方法是建立在标准的颜色测量领域的，我们虽然对颜色有着一定的定义，但是在实验过程中，为确保精度和准确度我们采用国际照明委员会（CIE）所规定的一系列的颜色系统。本文当中所采用的是RGB系统模型，这种模型在研究颜色特征识别方面中应用较为广泛。对缺素玉米叶片进行取样后，应该对叶片的边缘部分进行处理，从而减少边缘部分的色彩对样品颜色特征识别研究的影响。缺素玉米叶片形状和大小会对颜色提取过程产生一定的影响，所以我们采用一些特殊算法来进行颜色特征的统计和分析，以避开这样的影响因素。通过对颜色特征的收集可以对颜色参数进行统计计算和相关系数的计算，它们的均值、方差、标准偏差以及同一颜色系统的颜色参数的相关系数进行总结和分析后，我们可以发现实验过程所涉及到的明显特征。另外根据RGB系统可以判别出比较明显的颜色并可以取这样的样本进行细致分析。实验过程一定要注意细节，秉承细致认真的态度，由于后续工作涉及到数据的分析以及图表设计，数据的真实性准确性极大的影响着后续工作的进行，一旦数据出现误差，所有的实验过程就必须重做了。

三、计算机图像处理技术的简述以及实验联系

简单的计算机图像处理技术就好比生活中我们所用的Photoshop，对现有图像进行一定的修整和提光，让图像看起来更舒服。但是涉及到实验过程，就需要保证图像的真实度和清晰度，我们在进行对玉米缺素叶片颜色特征识别的过程中要用到的图像处理技术是GDI+技术，这种技术不仅最大限度的还原了图像的真实度，同时降低了在提高图像的清晰度过程中对图像造成的损伤和改变。在颜色特征识别过程中我们已经收集到一定的数据和图像，利用数据库原理和计算机VB程序设计技术进行图像分析和数据分析，与此同时利用GDI+技术不断改善图像以得到更精准的结论。从实验过程当中找到关键性的影响因素，计算机图像处理技术最大的优点就是在不改变原有图像基本特征的基础上进行图像改善，对图像的伤害达到最低限度。计算机VB程序设计技术会进行一定的程序设计进行颜色特征与颜色标准的比对和分析，运用数据库原理进行数据分析其实是减少了实验者对数据分析的工作量以及对实验数据产生误差的情况。在进行计算机图像处理过程中，同时需要用到统计算法来对所得数据进行更加细致的分析，其内容和分布可以用建立图表的形式进行表达，这样能够更加直观的将实验数据表现出来，有利于后续工作的进行。虽然用到了计算机图像处理技术，但是仍需要对数据有一个自己的标准，因为实验数据的分布较散，需要实验者在观察数据过程当中对数据的敏感度更加明显，一旦出现相异数据一定要再次进行测量、图像分析，以保证数据图像的准确性。

四、如何将计算机图像处理技术应用到缺素叶片颜色特征识别方面

计算机图像处理技术运用的最广泛的就是在医学上的运用，我们常见的B超、X光拍摄技术、核磁共振图像处理技术都是计算机图像处理技术的表现。而在对农作物缺素症上的运用也是相同的目的，患有缺素症的农作物就好比一个个病人，而我们所要用到的计算机图像处理技术也就好比对病人进行B超分析一样。由于计算机图像处理技术的复杂性，需要程序技术、数据技术、图像处理技术多方位技术相结合，所以在使用这种技术进行玉米缺素叶片颜色特征识别过程当中，一定要有专业的技术设计团队。GDI+图像处理技术处理图像过程一定要全面处理玉米不同种缺素症的分析，比如：在缺铁、缺氮的玉米缺素症分析过程中，对叶片进行正反面、左右侧面等不同方位的图像分析，以保证实验数据以及实验结果的准确性。对玉米叶片缺素症的分析过程中，会发现各种影响缺素症发展的因素，通过计算机图像处理技术可以更明显的发现影响因素而不受肉眼观察的影响。

总之，计算机图像处理技术在农作物方面的运用还不是很多，在未来需要更多投入来进行农作物病变情况的改善。本文仅以玉米缺素叶片颜色特征识别过程作为例子进行简要的分析，其中还略有不足以及需要改善之处，笔者十分希望技术及图像处理技术能够更好更多的应用到农作物改善方面。计算机图像处理在缺素叶片颜色特征识别方面的应用还是比较广泛的，现阶段所出现的黄瓜缺素叶片颜色特征识别研究就是特例之一。

参考文献：

[1]穗波信雄等，图像处理在植物生长信息提取中的应用[R]农业机械学会关西支部研究会资料（日）1922。

[2]王合生。花卉蔬菜技术培养[M]长沙：湖南科学技术出版社1999。

[3]阮秋琦。数字图像处理技术[M]北京：电子工业出版社，2001，1。

图像识别技术的基本原理篇6

【关键词】安检系统 智能X光机 图像处理 图像识别 人工智能 GPU云计算 大数据

1 引言

安检作业是铁路运输安全至关重要的一步，X光安检机是该环节中的关键设备，但是长期以来，都是人工看图识别，员工上岗前要经过相对长时间的培训，同时人工作业会在疲劳的时候产生误检和漏检。随着GPU云计算的高速发展，计算机的计算力成本迅速降低，为以计算力和大数据为基础的人工智能技术提供了突破阈值的基础。通过软、硬件及线上线下结合，汇集与分析各种安检领域（包括海关、机场等）的图像与数据，将之应用于高铁站安检作业作为底层初始数据，再在运行过程中使用人工智能的深度学习算法，可以有效提高人工智能X光安检机（简称，智能X光机）禁限带物品的识别率、降低劳动强度、减少人为误差；同时汇聚大量单一作业点数字化的安全信息到公共安全大数据中枢平台，反馈回的大数据喂养人工智能算法，机器学习后的结果再次应用到具体某一单作业点时，便整体提高所有单一作业点的识别率（图1）。

由于乘客所携带物品种类相当复杂，智能X光机的智能识别系统如何快速、准确的识别出乘客所携带的禁限带物品面临着巨大的挑战。本文使用基于图像处理、图像识别以及机器深度自主学习的计算机算法，在X光机图像智能识别方面进行了深入开发和实地试验。智能X光机的模式智能识别系统是智能X光机的重要组成部分。为智能X光机的闸门提供控制信号以及各种报警信号。最后，根据以上的试验结果，研发实用的智能X光机的模式识别系统。本文主要介绍了该图像处理与识别的过程以及智能识别系统。从而解决一下三个方面的主要问题：

（1）解决一线安检人员不足、过度劳累的问题，以及因此而产生的误检和漏检等问题；消除和减少安全隐患，同时实现减员增效；

（2）降低对于人员素质要求，缩短上岗前的培训周期，直接胜任物品安检岗位；

（3）解决传统安检无法联网、无法数据积累、海量数据资源浪费的问题。

2 图像异物检测原理

2.1 图像识别方法

本论文设计的基于图像理的高铁站智能X光机检测过程主要包括六个部分，分别是：图像采集、新拍图片和原始图片特征点提取、新拍图片和原始图片特征点匹配、求得新拍图片和原始图片之间的空间变换矩阵、对新拍图片进行透视变换、对变换后图片与原始图片进行相减。

计算机视觉的相关应用中经常会提到一个概念：特征点。特征点也称作关键点或者兴趣点，顾名思义，图像中的特征点一般指一些独立的物点，例如：烟肉、避雷针、旗杆、电视塔等等；或者图像中的一些线型要素的交叉点或者面状要素边界线拐点。如：桌子角、墙角、树枝交叉点等等。特征点的概念常常被用来解决一些生活中的实际应用问题，例如：图像的配准、物体的识别、图像的三维重建等等。假如我们可以检测到充足的此类特殊的特征点，由于它们的区分度比较高，就没有必要观察整幅图像，只对这些特征点进行局部的分析，并且利用它们精确的定位图像的某些稳定的特征。

2.2 比对流程

通过两幅图像之间的匹配点对，求解出它们之间对应的单应矩阵，然后可以通过该单应矩阵对新拍图像进行变换，能够得到与原始图像配准程度很高的图像。

要检测新拍图像上的异物，我们需要对经过变换过后的新拍图像和原始图像进行配准操作，变换过后的新拍图像由于透视变换出现一部分黑色区域，这样会对后续的图像对比操作造成很大的影响，因此，我们首先需要一定的手段将该黑色区域去掉，在计算机视觉处理技术当中有一种图像剪切技术可以达到此目的，需要注意的是，为了能够对两幅图像的相同区域进行对比，我们需要对原始图像进行同样尺寸的剪切动作。

经过剪切过后的两幅图像尺寸大小一致，此时可以用图像像素值差法对该两幅处理后的图像进行图像相减，我们可以事先预设一个阈值，如果相同位置的像素点的值相同或者两像素点差值未超过预设的阈值，则可以认定此两像素点是相同的，反映在结果上则是该位置为一个黑色点斑，反之，若相同位置像素点的像素差值超过预设的阈值，则该位置显示一个白色点斑。我们可以通过图像相减的结果图像上的白色斑点直观的判断两图像之间的差异或者是否存在异物。

3 测试试验

长春西高铁站对使用的人工智能X光安检设备，进行了改造，融入了图像处理技术和人工智能云端计算力应用的检测，并进行试验和实物操作检验。

（1）设计了一套基于图像处理技术的高铁站智能检测软件系统。整个图像处理过程分为新拍图像与原始图像特征点检测及匹配、对检测出的新拍图像与原始图像特征点对精选、新拍图像与原始图像之间空间转换矩阵的估计、新拍图片的透视变换、图像剪裁、新拍图像与原始图像相减、图像异物标记、腐蚀除去噪声等8个步骤，针对上述8个步骤编写了相应算法。

（2）在实际的图像摄取过程当中，拍摄视角无法保证每一次都完全相同，尤其是当拍摄环境较为复杂时，由于物体的遮挡效应，摄像头在比较大视角变化情况下拍摄出的图像相较于原始图像会出现很多“新”的内容，这样在图像相减时可能会出现很大的差异，可以考虑在一个角度变化范围内实现很多张微小角度变化的图片的拍摄，然后连续对相邻的图片进行空间转换，最终达到效果比较好的大角度空间转换。

（3）由于实际的拍摄角度和环境亮暗的不同，物体表面反射光强度不可避免会存在差异，由此，在两图像像素值差算法的过程中，也可能会出现噪声，为消除噪声，本设计的系统用的是图像腐烛算法，使系统异物检测效果更好。实验测试表明，在环境的亮暗、图像位移、旋转、倾斜、缩放等因子的变化不超过容许范围的条件下，本次试验提及的基于图像处理的高铁站智能检测系统基本能够取得较好的效果。

（4）根据不同的应用场景，灵活配置安检效率和阅图效率的匹配关系：

快速安检模式：安检效率高于阅图效率，增加安检人数以满足业务量的需求，适用于业务高峰期，快件量巨大的应用场景；

快速阅图模式：安检效率小于阅图效率，平均每位阅图人员可管理多个通道；适用于业务低谷期、安检包裹较少的情况，以节约人力成本。以上两种测试也很成功。

（5）长春西高铁站的人工智能X光安检机测试结果想到优异。已经具备200-1000亿次/秒的图形运算能，自动识别肉眼难以辨认的复杂背景后的枪支，经过大数据分析，甚至能查验出分批寄运的枪支零件，可对3D打印枪进行识别（图2）而传统X光机无能为力。该大数据的云平台系统，运算速度已经达到毫秒速度。当前版本的智能X光机，可识别常见的一百种以上刀具、数十种30种以上枪支、常见的上百种瓶装液体、一百种以上的锂电池（图2）。

4 展望及结束语

未来下一步的工作是进行各个单一作业点的人工智能X光安检机联网，实现数据的实时向大数据运营中心传送；在运营中心GPU计算力的使用和机器深度学习的迭代升级，会持续不断地增强实现智能判断力、并通过智能语音播报提醒。每个车站都配备一个分指挥中心，可以完全实现培训、指挥的功能。可以实现24小时值机和支持一人值双机的工作的方案，并能实现远程值机、移动值机等功能。极大地提高了火车站X光机安检环节的工作效率和升级了安全保障的能力，并实现减员增效。

本文报道了人工智能X光机的安检系统在长春西高铁站的实地应用和测试原理、方案、过程和结果，讨论了智能X光机通过运用图像处理和图像识别技术，结合与人工智能机器深度学习的算法，和GPU云计算的大数据处理能力，经过反复实测试验，初步实现了高铁站安检作业异物检测功能的需求，但仍存在很多实际应用问题需要改进和完善，仍然需要大量的基础数据建立数据库，累积大量机器学习数据，从而进行更高维度比对运算，减低误报率。随着人工智能技术的进一步发展，以及计算机图像处理技术和图像识别技术的更加成熟、完善，人工智能X光安检设备将会在保障铁路运用安全方面发挥越来越重要的作用。

参考文献

[1]Robert Laganiere. OpenCV计算机视觉编程手册[M].科学出版社，2013（07）.

[2]敬淇文.基于Harris角点检测的零件形状识别[J].微计算机信息，2010.

[3]吴毅良.一种基于SIFT和SUSAN特征的图像匹配方法[D].暨南大学，2011（06）.

[4]张少辉，沈晓蓉.一种基于图像特征点提取及匹配的方法[D].北京航空航天大学，2008.

[5]刘学，姚洪利.基于扩展的SURF描述符的彩色图像配准技术[J].计算机应用研究，2011（03）.

[6]刘禾.数字图像处理及应用[M].北京：中国电力出版社，2005.

[7]陈书海，傅录祥.实用数字图像处理[M].北京：科学出版社，2005.

[8]段佳佳，杨迎春.图像处理在自动焊接中的应用[J].电子测试，2012（02）.

作者简介

米仲勇（1975-），男，吉林省长春市人。现沈阳铁路局长春站工程师。主要研究方向为铁路运输管理。

作者单位

图像识别技术的基本原理篇7

关键词：图像 并行处理 研究 应用

中图分类号：TP751 文献标识码：A 文章编号：1007-9416（2013）12-0060-02

1 并行处理技术在图像处理领域的应用

数字图像处理技术是现代信息处理技术中的一个重要内容，也是计算机应用领域中的主要内容，随着我国信息技术的发展，广大学者对于图像的并行处理技术研究热情也日渐高涨起来。

1.1 图像分割技术

在图像处理技术中，为有效实现对图像信息的识别，分析以及数据编码处理，图像分割技术成为图像处理中的重要组成部分。在图像的分割处理过程中，对分割细节的处理提出了较高的要求，细节的精细化处理为之后的图像处理奠定了稳固的统计基础。为有效提升图像分割技术的精准性，在对图像进行分割处理时，会利用并行处理量对分割计算作进一步加工。图像分割方法的实际应用分为二阶统计和三阶统计两种计量方式，而由于统计量的不同数据特点，又会将不同阶的统计量分为不同阶矩，以此保证图像分割技术的精细化。在对图形进行分割处理过程中，首先应对图像局部进行非监督非参数变化检测，对于图像中的不同区域进行边缘数据的统计估算，以此实现对分割后图像进行并行处理的目的。为保证并行处理的计算精度，在对图像进行分割处理时，应进一步对图像中不同纹理的并行处理方差进行计算，以此确定图像的峰态和偏态特性，进而实现以并行处理技术对图像的精确分割。

1.2 图像滤波技术

在以并行处理量对图像的高斯过程进行统计时，由于高斯过程会在图像中形成高斯背景噪声，并对图像的滤波产生影响，因此将并行处理应用于图像的高斯计算中，通过对高斯过程进行有效的噪声控制，能够在最大程度上减小图像的滤波处理中高斯噪声的影响。在将并行处理量应用于图像的高斯过程中时，通常采用数学中迭代重建的计算方法，即通过在对图像进行并行处理谱计算时，通过对图像进行双阶谱相位的测定和幅值的测量，使图像的空间域能够有效避免噪声的影响，进而得到去噪后的图像信息。并行处理量在图像的滤波技术应用中，实现了对并行处理谱域的重置和构建，有效实现了图像的去噪处理，并在同时保留了图像数据的细节，最大限度的维护了图像的高斯特性，保证了并行处理处理中图像的完整性。

1.3 图像的特性识别和提取

为有效解决图像处理中不变性图像识别和处理的问题，通过将并行处理应用于图像的变量计算中，并对图像中低阶矩和频域进行并行处理测定，能够实现对问题的有效处理。图形的特性识别和提取，即对图像的局部特征和构造不变量的方式进行并行处理的统计计算，并通过获取图像的幅值信息，实现对图像性信息的获取。图像特性识别和提取技术的发展是基于超光谱图像的自动目标识别技术基础上进一步深入而产生的，图像处理学者通过结合并行处理量和数字虚拟维，将二维傅里叶精确的转化为了图像的一维投影，以此实现了对图像平移和尺度的测量。而在对图像进行旋转系数测定时，由于图像旋转造成的图形特性紊乱使得其并行处理矩在并行处理时失去常数的稳定性，进而造成图像的特定发生变化，无法实现有效的图像特性识别和提取。为有效维护图像特性的稳定性，在对图像内容进行分析时通常采用图像内容识别技术，通过并行处理量和PCA技术相结合，加强图并行处理技术中的线性判别能力，以此实现对图像特性的识别和提取。

1.4 图像检测技术

所谓的图像检测技术就是通过一定的技术手段对于图像中有价值信息进行获取，实现图像的高效利用，对于图像的分析和使用更准确以及更具针对性，图像检测技术现阶段主要有两个方面的应用，其一就是图像边缘检测技术，再者就是图像中具体有价值信息技术检测。比如交通管理中交管局对于交通状况的分析，都是通过对于图像中车辆以及行人数量和通行情况进行图像检测处理，还有遥测遥感技术领域中地理检测对于某地段的土壤分析、大气气候条件分析等都是通过卫星遥感技术获取对应的图像，在由图像检测技术获取相关的信息来实现。利用并行处理量在处理图像检测技术时提取图像边缘信息，在图像小模块中利用并行处理技术综合分析其非对称分布的信息。再有就是利用HOS技术在生物医学中对于病变组织实行检测，其关键是要先对生物组织进行扫描确定，然后利用数字射频技术对扫描空间的HOS进行分析。并行处理量在图像检测中的较为常见的应用还有对于乳腺的检测，现阶段X线图像都是通过子带分解滤波器进行处理，然后将带子的图像分解成为交替叠加的正方形区域，利用并行处理量中的并行处理矩估计各个区域的偏态数据，这些由并行处理量算出来的技术参数都能够作为确定区域的非对称性和脉冲幅度，实际应用效果表明并行处理量在检测微钙化方面有着较为明显的效果。还有较为常见的利用是在机动车的检测中，并行处理量在机动车检测中，能够通过扫描产生的HOS信号对于机动车进行车身进行检测，并且在检测前期并不需要了解待检机动车的型号，就算检测条件比较复杂，也能够实现对于待检车辆的检测。

1.5 图像复原技术

图像复原技术的开发是为了改善有价值图像的质量，比如在网络传输中容易出现图像质量损失的情况，或者是对于图像要进行特效处理，再者就是对于失误操作引起的图像的恢复技术。图像处理领域对于图像的恢复技术从上世纪就开始了，当时在图像处理领域掀起了较大的波澜，许多研究者相继发表了自己的图像恢复技术，但是随着图像恢复要求的不断增高，原有的图像恢复技术已经不能够满足图像复原的要求了，因此人们开始着力于并行处理量技术。通过研究发现，采用并行处理量对图像进行修复，不用对于原始图像进行评估来建立修复模型，并行处理技术能够估计出原始图像和现有图像的模糊数据。尤其是后期盲图像恢复技术的研究成功，为图像复原技术带来了新的技术革命。盲图像恢复技术包括模糊投影技术和恢复投影技术两部分内容。对于模糊投影处理技术而言，要首先对需要处理的图像进行投影变换，将二维图像转换为一维图片，然后再通过盲图像处理技术进行点扩散估计。对于恢复投影技术，则是先利用并行处理量技术采用去卷积操作，是喜爱那投影回到原图像中实现图像复原的目的。目前还有更为先进的含噪模糊图喜爱那个PSF技术来实现图像的复原，这种技术能够对图像别细微的地方进行修复处理，并建立基础的模型，图像的基础参数用并行处理图像处理法来进行确定，主要是利用并行处理量中的并行处理累积量来确定，之前的使用模拟实验验证了该技术的可行性。还有研究人员将研究方向转向模糊类型的并行处理量技术研究，从目前的研究进展来看，该技术在图像恢复中有着较为明朗的应用前景。

2 并行处理中存在的问题及其前景展望

在并行处理技术的不断进步中，由于其理论知识和实际应用仍存在一定差距，使得图像的并行处理研究领域中仍存在技术瓶颈，如在图像内容和信号处理的融合过程中，由于HOS理论仍侧重于对图像处理技术的讨论，而导致图像与信号处理无法实现有机融合，使得图像和信号的转化技术出现漏洞。在图像和信号处理过程中，并行处理中存在的问题会对图像的处理产生直接的影响，因此有效解决并行处理问题，是图像处理技术发展的关键。在并行处理对图像进行处理时，由于并行处理次的HOS技术开发仍不成熟，使得并行处理在对图像进行多维处理时，无法做到精确的数据测量，进而影响到图像的并行处理谱测定。

基于现阶段的图像并行处理技术基础，在伴随并行处理理论进步的同时，也会有力带动实用并行处理技术的发展，HOS技术的成熟，会使得并行处理在图像的分割，滤波及特性势识别提取等技术中得到更为深入的应用，随着图像维数研究的进一步深入，图像与信号处理会更为优化，并通过高效结合有效完善并行处理技术。通过在图像处理技术中应用并行处理，实现了HOS技术和其他信号处理理论的有机结合，使得图像处理能够应用到FPGA和DSP等技术的实际应用中，并伴随并行处理的深入研究受到更为广泛的应用，进一步提高图像处理技术的高效性和完整性。

现阶段对于并行处理的研究还有实现统一的理论能够使HOS在信号滤波、检测及获取等全过程的较为完整的技术知识体系。伴随着工业生产的要求越来越高，对于图像处理技术的要求也越来越高，传统的二维处理技术已经不能够满足图像处理的要求，图像处理会向着三维甚至是多维方向发展，图像维数的增加会对并行处理图像处理技术的数据处理量增高，进而导致数据处理时间变长，因此提高并行处理的算法速度是目前急需解决的技术难题之一。再者对于并行处理的图像处理技术，目前为止还没有完整的优化修复技术标准，这对于并行处理技术在图像处理方面的大范围推广和长久发展带来了一定程度的困扰。因此并行处理的未来研究势必会向着建立统一的优化标准为方向，提高并行处理的适用范围，为其进一步发展提供理论上的可能。现阶段并行处理在小波变形、人工神经网络分析等领域还没有很好的应用，因此研究人员必须在小波变形等领域进一步挖掘并行处理的适用内容，提高并行处理的应用效率，进一步推广并行处理在图像处理领域的适用范围。

3 结语

虽然现阶段并行处理技术取得了较大的成就，但是现阶段还没有形成统一的使用方法，因此还不能建立有效完整的评价体系，因此必须在现有的科学技术水平上，继续挖掘并行处理与其他学科和工业的内在联系，将并行处理的应用更加的完善和健全，进一步提高我国工业生产及人们生活的水平。

参考文献

[1]苏光大.图像并行处理技术[J].北京清华大学出版社，2013.

[2]汪润生.图像理解[J].长沙国防科技大学出版社，2013.

[3]朱述龙.遥感图像获取与分析[J].北京科学出版社，2013.

[4]赵忠明.基于小波提取边缘特征点的遥感图像配准技术[J].西北工业大学，2012.

[5]杨博.并行图像分割技术的研究[J].中国科学技术大学，2012.

图像识别技术的基本原理篇8

【关键词】车牌识别系统；图像预处理；车牌分割；字符识别；MATLAB仿真

Research and Implementation of License Plate Recognition System Based on MATLAB

WANG Hai-tao CHEN Yan-li PENG Hao

（School of Information Science and Engineering，Hunan International Economics University，Changsha Hunan 410205，China）

【Abstract】License plate recognition as an important part of intelligent transportation system，can realize the automatic monitoring of the vehicle，it has important significance for the automatic management of traffic system.Based on the principle of computer graphics recognition and processing，this paper firstly studies the key technology of license plate recognition system in image preprocessing，license plate character segmentation and recognition， and developed a license plate recognition system based on MATLAB.The test results show that the license plate recognition system has a good effect.

【Key words】License Plate Recognition System；License Plate Location；Character Recognition；MATLAB Simulation

0 引言

S着经济的高速发展，汽车数量急剧增加，智能交通系统（Intelligent Transport System，ITS）中的车牌识别（License Plate Recognition，LPR）技术在实际应用领域的作用也越来越明显。其可应用于停车场管理、高速公路不停车收费、超速管理、道路交通监控系统、城市“电子警察”、小区车辆智能化管理等各个领域[1]。

LPR 需要图像采集、计算机图像处理、模式识别技术等技术的支撑。在一套完整的车牌识别系统（LPRS）中，软件是核心，主要包括图像预处理、车牌定位、字符分割、字符识别等 [2]。其流程如图1所示：

图1 车牌识别系统

1 图像预处理

在实际应用环境中，车牌识别系统会因采集的车牌图像质量不高、牌照本身的多样性、车牌污染严重等方面的限制，使得车牌的对比度降低，字符特征不明显，这给后期车牌的识别造成很多困扰，因此对采集到的车牌图像进行图像预处理是十分有必要的。通过预处理除去图像数据中的多余信息，加强图像数据的基本特征，以提高车牌识别的准确度和效率。

1.1 图像灰度化

从摄像机中捕获的图像通常为RGB彩色图像，因为其包含着大量的颜色信息，所以通常会占用大量的存储空间，另外处理速度慢，很难实现图像处理的实时性要求。因此在对车牌图像定位前需要对图像进行灰度化预处理。所谓灰度化处理就是将一幅彩色图像转化为灰度图，以减少颜色信息量。灰度化处理常用的主要有以下三种方法[3]：

1）最大值法：将彩色图像中R、G、B三个分量中最大值作为灰度值。其算式如（1）所示：

f（i，j）=max（R（i，j），G（i，j），B（i，j）） （1）

2）平均值法：对彩色图像中R、G、B三个分量值的和求平均值，其算式（2）所示：

f（i，j）=（R（i，j）+ G（i，j）+B（i，j））/3 （2）

3）加权平均：根据人眼对彩色图像中R、G、B三个分量的敏感度不同，分别赋予不同的权值，然后求加权平均值。根据经验可设R、G、B三个颜色的权重分为0.3，0.59，0.11得算式（3）：

f（i，j）=0.3R（i，j）+0.59 G（i，j）+0.11 B（i，j） （3）

本文采用算式（3）的方法对车牌图像进行灰度化处理，结果如图2所示：

1.2 图像增强

由于图像采集设备或光线原因，会造成车牌图像的对比度不足、层次不清，这给车牌定位识别带来了很大的影响。因此需要对灰度化的图像进行图像增强处理。系统采用灰度拉伸方法来实现的，其效果如图3所示。

1.3 二值化

在进行完灰度化处理后，为了将车牌图像中的字符与背景分离，需对车牌的灰度图进行二值化处理。二值化处理一种区域分割技术，它对物体与背景有较强对比的景物的分割特别有用。通过二值化处理可以删除过多的冗余数据，提高图像局部的特征值，使车牌字符信息更加突出、清晰的[4]。

在车牌图像中，字符与背景之间的差别一般比较明显，可采用最大类间方差法（OTSU）对车牌图像进行二值化处理，OTSU计算简单，易实现[5-7]。通过增大目标和背景的类间方差使图像内仅黑、白二值。假设T为阈值，I（x，y）表示原图像（x，y）处的灰度值，I’（x，y） 表示二值化后的灰度值，其表达式如（4）所示：

但阈值T的选取的合适与否会直接影响后续的处理。本系统中对车牌灰度化图像进行二值化后的效果如图4所示：

1.4 滤波

由于雨雪、光线等原因，图像会存在许多噪声，还需要进一步处理。图像滤波的目的是为了消除噪声。在对车牌去噪声技术中，通常有图像的平滑技术、邻域平均法、中值滤波等[8]。中值滤波与其他技术相比能够很好地滤除孤点噪声，保持图像的边缘特性，不会使图像产生显著的模糊，比较适合车牌去噪处理[9]。本文采用了模板大小为3×3区域对车牌图像进行中值滤波，其效果如图5所示。

2 基于灰度图像的车牌定位

对滤波后的图像通过计算车牌二值图像的跳变次数进行水平定位。先对整个二值图像进行水平方向扫描，每一行从白变到黑或从黑变到白都记为一次灰度跳变。第i行的扫描行可表示为new_b_vec（i），令diff（i）=new_b_vec（i）-new_b_vec（i+1）。其算法流程如下：

function [the_begin the_end]=Locate_length（vec，threshod）

b_vec=vec>=threshod；

len=max（size（b_vec））；

new_b_vec=zeros（1，len+2）；

new_b_vec（2：end-1）=b_vec；

diff=zeros（1，len）；%将len-1调整为len了

for i=1：len+1

diff（i）=new_b_vec（i）-new_b_vec（i+1）；%表示每一行的跳变

end

begins=find（diff==-1）；%保存候选车牌的上边界和下边界

ends=find（diff==1）；%保存候选车牌的下边界

lengths=ends-begins；

%根据车牌先验知识，筛选出高度值同45最接近的区域，即可获取车牌的上下边界位置

[min_length，the_index]=min（abs（lengths-45））；

the_begin=begins（the_index）；

the_end=ends（the_index）-1；

水平定位后的的结果如图6所示。

车牌水平定位后还需进行竖直定位。由于车牌区域内的字符排列紧密有规则，竖直定位根据此特征，通过Roberts边缘算子进行边缘提取，形态学闭运算平滑图像的轮廓，形态学开运算消除一些无意义的小物体，得到车牌精确定位图如图7所示。

3 字符分割与归一化

3.1 字符分割

我国标准车牌由汉字、字母、数字等7个字符水平混合排列而成，其第一个字符通常为汉字，第二个字符为大写英文字母，第三至第七个字符为大写英文字母或阿拉伯数字[10]。每个字符宽度为34mm，除第二第三字间隔34mm以外，其他字符间距都是12mm。鉴于第二三字符间的间隔符，可通过字符的几何分布特征，用优先确定车牌的第三字符位置后，再根据车牌宽度和字符间距，将车牌区域逐一分割成七个单一的字符块。系统用基于连通域的字符分割方法[11]分割结果如图8所示。

3.2 字符归一化

由于采集到的车牌的拍摄距离和角度的差异，会造成分割后的字符图像大小尺寸不一，所以需要对已经提取的字符图像进行归一化处理，将其统一到同一尺寸，以提高后续字符识别的正确率，增强系统的稳定性。系统中归一化处理采用插值的方法，通过在像素点相应的位置插上一些像素值，将字符尺寸统一为40×20的像素点阵，便于后期识别。

4 字符识别

实现车牌的定位与分割后，需对切割后的车牌字符块进行识别。模板匹配方法是一种简单有效的模式识别方法。该方法对二值图像识别速度快，可满足车牌识别的实时性要求。由于牌字符数量有限，可通过事先建立标准的模板库，进行字符的相似度匹配来选择最优结果[12]。如果车牌图片的预处理质量较高的话，识别率基本能达到要求。即便是字符分割不够精确，可以使用大的模板或多模板进行匹配以提高的识别率[13]。部分识别后的结果如图9所示。

5 结束语

车牌识别系统的关键技术是车牌区域定位和字符识别。本文重点对这两大模块进行了研究和设计。在图像的预处理中采用OTSU算法，车牌定位中采用Roberts边缘算子，在字符识别的过程采用了模板匹配方法，设计了一个基于MATLAB的车牌识别系统。系统对 300 幅车库入口处采集的车辆图像进行测试，车牌定位准确率高于 96%，定位后的字符识别率高于93%，识别平均时间小于1.985（s）。表明设计的车牌识别系统有较好的准确性、快速性。

【参考文献】

[1]刘彤.汽车牌照识别系统中相关技术的研究[D].济南：山东科技大学，2006.

[2]崔媛媛.基于神经网络的新型车牌识别技术研究[D].华东交通大学，2009.

[3]良义.停车场车牌识别技术研究与实现[D].长沙：湖南大学，2011.

[4]彭健敏.车牌识别中的车牌定位与字符识别技术研究及实现[D].长沙：湖南大学，2006.

[5]孔平，严广乐，戴秦，等.基于分形维数的车牌识别二值化算法[J].计算机工程与应用，2007，43（30）：184-185.

[6]胡斌，宫宁生.一种改进的OTSU阈值分割算法[J].微电子学与计算机，2009，26（12）：153-155.

[7]王爱侠.面向智能监控系统的动态场景建模与目标跟踪算法研究[D].沈阳：东北大学，2012.

[8]胡蕾，张伟，覃庆炎.几种图像去噪算法的应用分析[J].信息技术，2007，31（7）：81-83.

[9]高宏娟.实时人脸识别系统的设计和实现[J].科技信息，2011（10）：407-408.

[10]邵玉芹.图像处理技术在车牌识别中的应用研究[D].合肥：合肥工业大学，2007.

[11]甘玲，林小晶.基于连通域提取的车牌字符分割算法[J].计（下转第43页）（上接第34页）算机仿真，2011（4）：336-339.

[12]Miao L.License plate character segmentation algorithm based on variable-length template matching.Signal Processing（ICSP），2012[C].IEEE 11th International Conference on.2012.

[13]顾晨勤，葛万成.基于模板匹配算法的字符识别研究[J].通信技术，2009（3）：220-222.