《基于彩色图像的车牌定位算法研究.doc》由会员分享，可在线阅读，更多相关《基于彩色图像的车牌定位算法研究.doc（66页珍藏版）》请在三一办公上搜索。
1、毕业设计（论文） 题 目 基于彩色图像的车牌定位 算法研究 专 业 软件工程 班 级 软件102 学 号 3100921035 姓 名 朱海斌 指导教师 吕林涛 2014 年摘 要随着机动车数量的大幅度增加以及计算机技术的发展，人们对交通控制系统的要求显著提高，智能交通系统被广泛地应用于高速公路收费、停车场车辆管理、违章车辆监控、交通诱导控制等场合。与传统的车辆管理方法比较，车牌识别系统可以提高交通管理的效率和水平，帮助实现车辆管理的规范化，优秀的车牌定位算法可以大大加快车牌识别的速率和准确性。本文介绍了一个车牌定位算法并设计系统来实现它。本系统以车牌定位算法为基础，使用C+编程语言对汽车图像
2、进行彩色转灰阶，分段灰度拉伸，中值滤波，Sobel边缘检测，动态二值化等一系列预处理，最终实现车牌的定位和显示。经过测试，在各种复杂情况下，本系统都能完成汽车图像的预处理、车牌区域边缘检测和图像标定，直至车牌的准确定位。关键词： 车牌识别，边缘检测，二值化ABSTRACTWith the development of a substantial increase in the number of motor vehicles and computer technology, peoples requirements for traffic control system significantl
3、y improved, intelligent transportation systems are widely used in highway fees, parking vehicles, illegal traffic monitoring, traffic guidance control occasions. Compared with the traditional method of vehicle management, license plate recognition system can improve the efficiency and level of traff
4、ic management, vehicle management to help achieve standardization, excellent license plate location algorithm can greatly accelerate the speed and accuracy of license plate recognition.This article describes a license plate positioning algorithm and system design to achieve it. It uses C+ for the ca
5、r color to grayscale images, segmented gray stretch, median filtering, Sobel edge detection, dynamic binary series preprocessing, and ultimately the license plate positioning and display.Tested in a variety of complex situations, the system can complete an image preprocessing car, license plate edge
6、 detection and image calibration, accurate positioning until the license plate.KEY WORDS: License plate recognition,edge detection,image binaryzation目 录前 言I第1章 引言11.1 课题研究的背景及意义11.2 国内外发展现状及发展趋势21.2.1 车牌识别国内外发展现状21.2.2 车牌识别发展趋势21.3 课题研究的主要内容41.3.1 模块划分及模块功能41.3.2车牌识别系统结构框图5第2章 课题相关基础知识和工具72.1 模式识别72
7、.1.1模式识别概念72.1.2模式识别方法82.1.3模式识别系统结构92.1.4图像识别过程112.2位图基础122.2.1图像文件格式介绍122.2.2 BMP文件结构142.3 BP神经网络172.4 MFC182.5开发工具19第3章 车牌定位算法概述213.1 预处理算法213.1.1 BMP彩色转灰阶213.1.2 分段灰度拉伸233.1.3 中值滤波243.1.4 Sobel边缘检测253.1.5 动态二值化273.2 基于二值图的定位算法28第4章 车牌定位算法实现314.1车牌定位算法的实现梗概314.2 车牌定位系统的设计框架314.2.1车牌定位系统处理过程图31 4.
8、2.2 车牌定位系统结构图324.3 车牌定位系统的功能模块图334.3.1 车牌定位系统预处理功能模块图334.3.2 车牌定位系统定位功能模块图34第5章 系统界面设计及系统测试375.1系统界面设计375.2 系统测试385.2测试结果分析42第6章 系统开发中的难点及对策456.1 难点一：主界面框架难以确定456.2 难点二：打开位图文件时报错456.3 难点三：图像预处理功能47第7章 结 论51第8章 毕业设计小节53参考文献57前 言随着我国经济的快速发展，人民生活水平的不断提高，私有车辆越来越多，交通需求量越来越大，现有的交通基础设施建设速度远远比不上机动车辆和其他交通工具的
9、增长速度。传统的人工管理方式已经越来越不能满足实际工作的需要。由于违章造成的交通事故日益频繁，以及城市交通堵塞造成的运输效率低下，严重的影响了我国城市经济的发展和人民的生活，在路桥收费、十字路口交通和停车场收费中实行车辆的自动识别已成为管理部门的迫切要求。因此，为了解决这些问题，在继续加快交通基础设施建设的同时，应该充分利用卫星导航、视屏监控和计算机调度管理等技术，发展智能交通系统来提高运输效率，保障交通安全，缓解交通拥挤和实现管理自动化。车牌自动识别是智能交通系统实现的前提。近年来，车辆识别技术发展很快，主要有：射频识别、条形码识别和车牌识别。其中，射频识别和条形码识别属于间接识别，难以核对
10、车与车牌信息是否相符。而车牌识别属于直接识别，与射频识别和条形码识别相比，车牌识别不需要在汽车上安装专门的条形码或者射频识别标志，可以对车辆图像进行检索、回放，升级和维护方便。因此，车牌识别系统具有更为广阔的应用前景。车牌识别涉及计算机视觉，图像处理和模式识别等技术，对它的研究也会促进这些领域的发展。该系统是计算机视觉、图像处理和模式识别等技术在智能交通领域的重要应用。基于以上背景，此次毕设内容是实现一个车牌识别系统原型，目的是通过原型系统的设计使车牌识别算法和实际应用有机的结合在一起。第1章 引言1.1 课题研究的背景及意义随着21世纪经济全球化的到来，高速度、高效率的生活节奏，使车辆普及成
11、为必然趋势，交通管理自动化越来越成为亟待解决的问题。近年来，通信和计算机技术在交通领域的应用受到人们广泛的关注，得到了迅速的发展。1我国的公路交通事业正在步入一个信息化、数字化的时代。各种各样的交通系统，如电子警察系统、事故管理系统、道路收费系统、车辆自动识别系统、全球定位系统等等都在为城市交通服务。车辆牌照识别(licenseplaterecognition,LPR)技术成为交通管理自动化的重要手段，其任务是分析、处理汽车图像，自动识别汽车牌号。LPR系统可以广泛用于电子收费、出入控制、公路流量监控、失窃车辆查询和停车场车辆管理等需要车牌认证的重要场合;尤其在高速公路收费系统中，实现不停车收
12、费提高公路系统的运行效率，LPR系统更具有不可替代的作用，因而从事LPR技术的研究具有及其重要的现实意义3。关于车牌定位系统的研究，国内外学者己经作了大量的工作，但实际效果并不是很理想，比如车牌图像的倾斜、车牌表面的污秽和磨损、光线的干扰等都是影响定位准确度的潜在因素11。为此，近来不少学者针对车牌本身的特点，车辆拍摄不良的现象及背景的复杂情况，先后提出了许多有针对性的定位方法，使车牌定位在技术和方法上都有了很大的改善。然而现代交通系统不断提高的快节奏，对车牌定位的准确率和实时性提出了更高的要求，因而进一步加深车牌定位算法的研究是非常必要的。1.2 国内外发展现状及发展趋势1.2.1 车牌识别
13、国内外发展现状 近年来汽车产业的迅猛发展，车牌识别算法具有很强的实用性，国内外学者对于车牌识别算法的研究从一开始就倾注了比较多的心血。但是诸如复杂的背景、车牌图像的几何畸变、光线的明暗等潜在因素严重影响了识别的实际定位效果。出于外在不确定因素过多，识别情况千差万别考虑，最初的算法仅仅是针对某一种特定情况6。 国外研究人员早在20世纪80年代就开始车牌识别算法的研究，和现在不同的是那时大都是简单的模块化设计，直到最近十几年，车牌识别才进入了系统化阶段。外界干扰因素过多，中国车牌类型较多，使得学者们追求具有较低的时间复杂度和较强的鲁棒性的车牌识别算法，促进了识别系统的进一步发展和推广。国内车牌识别
14、系统做的最好的的当属中科院自动化研究所汉王公司的“汉王眼”，另外上海交通大学的计算机科学与技术系、上海交通大学的图像处理与模式识别研究所、浙江大学的自动化系、清华大学人工智能国家重点实验室等也取得了一定的研究成果11。 车牌定位识别的研究在技术上己经取得了很大突破，然而离实用化要求还相差很远，许多新方法仅停留在理论和文章上或者限定在比较狭窄的约束范围内，并不能以产品的形式大范围投入使用，因而车牌定位识别的研究仍然有很长的路要走10。各种算法都或多或少的有这样那样的缺点，比较各种算法及其组合对车牌识别的影响已经成为许多学者研究的课题。1.2.2 车牌识别发展趋势车牌识别技术的研究最早出现在20世
15、纪80年代，而近些年来，随着图像处理和计算机技术的发展，在车牌图像处理和识别的各个环节上，国内外出现了很多不同的解决方法。一般来说，一个完整的车牌识别系统的工作过程主要分为三个部分：一是车牌区域的精确定位(确定牌照区域在整幅图像中的相对位置)，其输入是复杂背景下的整幅原始的包含车辆信息的图像，输出的是车牌牌照子图像。二是车牌字符分割，它从定位出来的车牌牌照区域子图像中把各个字符分别分割提取出来，输入的是矩形牌照图像，得到的是分割后的各个字符小区域。三是车牌字符的识别，用来自动识别出车牌号码中的各位字符，输入的是分割好的单个字符小区域，得到的是车牌号码6。车牌定位是利用车牌区域特征信息，将其从整
16、个车辆图像中检测出来并提取的一个过程。根据处理图像的性质不同大致可分为基于灰度图像和基于彩色图像的车牌检测与提取，具体又可分为基于角点、基于水平投影和垂直投影、基于窗口移动、基于纹理分析和基于数学形态学等车牌检测与提取方法。基于角点的定位方法:首先计算角点信息(替换水平边缘检测)，再采用窗口法进行定位。该方法速度较慢，但是定位比较准确，可以定位多个车牌。基于水平投影和垂直投影的方法:是较为传统的方法，首先进行水平边缘检测，对于边缘检测图像进行垂直和水平投影，先检测垂直方向上车牌的分布区域，再进行水平方向上的定位。优点是速度快，但是只能定位单个车牌，并且对于复杂背景下的车牌定位效果不佳。基于窗口
17、移动的方法(包括神经网络，Boost等方法):利用滑动窗口检测可能属于车牌的区域，速度很慢，定位准确，但是对于车牌大小的限制过于严格。基于纹理分析的方法:对于灰度图像(二值化图像或边缘图像)水平方向上的跳变信息进行检测以及记录，确定车牌的行可能区域，最后利用这些行可能区域生成车牌候选区域。这类方法是投影法的发展(实际上是投影法的改进算法)，国内用的很多，速度快，可以定位多车牌，但定位不准确。定位的车牌通常包含了一些车牌外的信息，对于复杂背景的滤除能力较弱。基于数学形态学的方法:Franeescaodonel61直接在黑色像素上使用形态学，并使用图像减法操作获得车牌图像。这类方法目前在国外的车牌
18、识别研究中比较热门，速度慢，定位准确，可以有效去除背景干扰，但对于车牌大小有一定的限制。基于彩色图像的车牌定位算法：在原始彩色图片的基础上，经过一系列的预处理，使得图片经过灰阶转换变为灰度图，经过灰度拉伸得到锐化，经过中值滤波和边缘检测得到对比度明显的图像，经过动态二值化选取合适的阀值得到最适合处理的二值图，最后选取合适的算法进行精确定位。结合我国基本国情，车牌的种类和颜色有很大的差异，识别起来比较麻烦。基于彩色图像的车牌定位算法可以适应各种光照环境和拍摄角度，权衡较低的时间复杂度和较强的鲁棒性，较之其他的方法有很大的优势，因此本文重点讨论此种算法，并通过系统来实现和检测算法的可行性。1.3
19、课题研究的主要内容1.3.1 模块划分及模块功能(1)汽车图像预处理：对待定位车牌图像通过进行读取，将其归一化为统一大小的待识别彩色或灰度图像； (2)车牌区域边缘检测：通过数字图像处理中的边缘检测或其它算法，针对图像查找牌照可能所在区域； (3)车牌区域图像标定：在待定位图像中可视化地标注出车牌所在区域，并在程序中显示出来； (4)车牌图像裁剪：将车牌区域图像从原图中裁剪出来，并在图像中显示； 1.3.2车牌识别系统结构框图 车牌识别系统结构框图如图 1-1所示。图1-1 车牌系统结构框图第2章 课题相关基础知识和工具随着车牌定位技术的发展，多学科交叉的现象日益明显，图像采集及图像预处理是车
20、牌定位的必要条件。本章介绍车牌定位所应用的重要技术及开发工具。2.1 模式识别2.1.1模式识别概念模式识别（Pattern Recognition）就是机器识别、计算机识别或机器自动识别，目的在于让机器自动识别事物。如本文所研究的图像中的文字就是将图像中的文字部分通过计算机的运算与处理后让计算机自动输出文字。模式识别研究的内容是利用计算机对客观物体进行分类，在错误概率最小的条件下，使识别的结果尽量与客观物体相符合10。模式识别中的一个基本概念是相似度（similarity），这和已知的其它一些学科方法都不相关。一般认为两个对象相似是因为他们具有相似的特征，相似度经常被描述成更加抽象的概念，它
21、并不是在几个对象之间衡量，而是在一个对象和一个目标概念（concept）之间进行衡量。让机器辨别事物的最基本的方法是计算待识别事物与标准模板之间的相似度。在模式识别学科中，就“模式”与“模式类”而言，“模式类”是一类事物的代表，而“模式”则是某一事物的具体体现。例如每一个汉字及标准符号是模式类，而用户任意手写的汉字则是“模式”，识别系统要识别的就是这样一个个“模式” 也就是我们所要研究的图像中的一个个文字字符也可称为样本。2.1.2模式识别方法在模式识别技术中，被观测的每个对象称为样品，例如本文中的每个字母可以作为一个样品，共有10个数字26个字母，所以就有36个样品（X1，X2，X3，X4，
22、X5，X6，X7，X8，X9，X10）（Xa，Xb，Xc，Xd，Xw，Xx，Xy，Xz），一共有36个不同的类别。对于一个样品来说，必须确定一些与识别有关的因素作为研究的根据，每一个因素称为一个特征。模式就是样品所具有的特征描述。模式的特征集由处于同一个特征空间的特征向量表示，特征向量的每个元素称为特征，该向量也因此称为特征向量。一般用小写字母x, y, z来表示特征。如果一个样品X有n 个特征，则可把X看成一个n维列向量，该向量称为特征向量X，记作： （2.1）抽取图像特征的目的是为了进行分类，识别图像。也就是把图像变成n维空间的一个向量，实际上就是看成n维空间中的一个点，这样有利于从几何上
23、考虑问题，计算上比较方便。如果一个对象的特征观察值为x1,x2,，xn,它可构成一个n维的特征向量值X，即X=x1,x2,，xnT,式中x1,x2,，xn为特征向量X的各个分量。在模式识别的过程中，要对许多具体对象进行测量，以获得许多观测值，其中有均值、方差、协方差与协方差矩阵12。1.均值N 个样品的均值可表示为： （2.2）其中是第i 个特征的平均值， （2.3）2.方差 方差用来描述一批数的分散程度，第i 个特征的N个数的方差公式是： （2.4） 3.协方差与协方差矩阵：在N个样品中，第i个特征和第j个特征之间的协方差定义为： （2.5）对于同一批样品来说，很明显有： （2.6）如果一批
24、样品有n个特征x1,x2,，xn。求出没两个特征的协方差，总共得到n2个值，将这n2个值排列成以下的n维方阵，称为协方差矩阵： （2.7）协方差矩阵是对称矩阵，而且主对角线元素sij就是特征xi的方差si2，i=1,2,3,n。2.1.3模式识别系统结构一个典型的模式识别系统如图2-1所示，由数据获取、预处理、特征提取、分类决策及分类器设计五部分组成，一般分为上下两部分。上半部分完成未知类别模式的分类；下半部分属于设计分类器的训练过程，利用样品进行训练，确定分类器的具体参数，完成分类器的设计。而分类决策在识别过程中起作用，对待识别的样品进行分类决策。模式识别系统图如图2-1所示。图2-1模式识
25、别系统图模式识别组成单元功能介绍如下。1.数据获取。用计算机可以运算的符号来表示所研究的对象，一般 获取的数据类型有以下几种。二维图像：文字、指纹、脸谱照片等。一维波形：脑电图、心电图、季节震动波形等。物理参量和逻辑值：体温、化验数据、参量正确与否的描述。2.预处理。对输入测量仪器或其他因素所造成的退化现象进行复原、去噪声、提取有用信息。3.特征提取。对原始数据进行变换，得到最能反映分类本质的特征。将维数较高的测量空间转变为维数较低的特征空间。4.分类决策。在特征空间中用模式识别方法把被识别的对象归为某一类。5.分类器设计。基本做法是收集样品训练集，在此基础上确定判别函数，改进判别函数和误差检
26、验。2.1.4图像识别过程图像识别过程分为四步：1.图像预处理为了研究图像内容的识别，首先要对获得的图像信息进行预处理，滤去干扰、噪声，当信息微弱无法辨识时，还须对图像进行增强处理，几何调整，颜色校正等，以便人、机分析。2.图像分割为了从图像中找到需要识别的物体，还要对图像进行分割，也就是定位和分离出不同的待识别的物体。这一过程输入是一幅图象，输出是像元图像。3.图像特征抽取在需要识别的物体被分割出来的基础上，提取需要的特征，并对某些参数进行计算、测量，根据测量结果进行分类。这一过程输入是庞大的信息图像，输出则是少量的特征信息，而且这些特征信息仅仅代表物体，无法还原回原物体。4.图像分类根据提
27、取的特征值，利用模式识别的方法进行分类，确定类别名称，以便对图像的重要信息得到一种理解和解释。这一过程输入的是特征信息，输出是类别名称。图像识别过程如图2-2所示。图2-2图像识别过程图2.2位图基础2.2.1图像文件格式介绍要利用计算机对数字化图像进行处理，首先要对图像的文件格式要有清楚的认识，自然界的图像以模拟信号的形式存在，在用计算机进行处理以前，首先要数字化，比如摄像头（CCD）摄取的信号在送往计算机处理前，一般情况下要经过模数转换，这个任务常常由图像采集卡完成，它的输出一般为裸图的形式；如果用户想要生成目标图像文件，必须根据文件的格式做相应的处理。随着科技的发展，人们可以利用数码像机
28、、数码摄像机作为图像处理系统的输入设备来为后续的图像处理提供信息源。无论是什么设备，它总是提供按一定的图像文件格式来提供信息，比较常用的有BMP 格式、JPEG格式、GIF格式等等16。除了最简单的图像外，所有的图像都有颜色，按颜色的不同可以将图像分为以下几种：1.单色图像单色图像是带有颜色的图像中比较简单的格式，它一般由黑色区域和白色区域组成，可以用一个比特表示一个像素，1表示黑色，0表示白色，当然也可以倒过来表示，这种图像称之为二值图像。2.灰度图像灰度图像的存储文件带有图像颜色表，此颜色表共有256项，图像颜色表中每一表项由红、绿、蓝颜色分量组成，并且红、绿、蓝颜色分量值都相等。我们也可
29、以用8个比特（一个字节）表示一个像素，相当于把黑和白等分为256个级别，0表示为黑，255表示为白，该字节的数值表示相应像素值的灰度值或亮度值，数值越接近0，对应像素点越黑，相反，则对应像素点越白。3.彩色图像这种图像要复杂一些，表示图像时，常用的图像彩色模式有RGB模式、CMYK模式和HIS模式，一般情况下我们只使用RGB模式，R 对应红色，G对应绿色，B对应蓝色，它们统称为三基色，这三中色彩的不同搭配，就可以搭配成各种现实中的色彩，此时彩色图像的每一个像素都需要3个样本组成的一组数据表示，其中每个样本用于表示该像素的一个基本颜色。下面简要介绍一下几种常用的图像文件格式。1.JPEG格式 J
30、PEG也是常见的一种图像格式，它由联合照片专家组（Joint Photographic Experts Group）开发并以命名为ISO 10918-1，JPEG仅仅是一种俗称而已。JPEG文件的扩展名为.jpg或.jpeg，其压缩技术十分先进，它用有损压缩方式去除冗余的图像和彩色数据，获取得极高的压缩率的同时能展现十分丰富生动的图像，换句话说，就是可以用最少的磁盘空间得到较好的图像质量。同时JPEG还是一种很灵活的格式，具有调节图像质量的功能，允许你用不同的压缩比例对这种文件压缩，比如我们最高可以把1.37MB的BMP位图文件压缩至20.3KB。当然我们完全可以在图像质量和文件尺寸之间找到平
31、衡点。由于JPEG优异的品质和杰出的表现，它的应用也非常广泛，特别是在网络和光盘读物上，肯定都能找到它的影子。目前各类浏览器均支持JPEG这种图像格式，因为JPEG格式的文件尺寸较小，下载速度快，使得Web页有可能以较短的下载时间提供大量美观的图像，JPEG同时也就顺理成章地成为网络上最受欢迎的图像格式。 2、SWF格式 利用Flash我们可以制作出一种后缀名为SWF（Shockwave Format）的动画，这种格式的动画图像能够用比较小的体积来表现丰富的多媒体形式。在图像的传输方面，不必等到文件全部下载才能观看，而是可以边下载边看，因此特别适合网络传输，特别是在传输速率不佳的情况下，也能取
32、得较好的效果。事实也证明了这一点，SWF如今已被大量应用于WEB网页进行多媒体演示与交互性设计。此外，SWF动画是其于矢量技术制作的，因此不管将画面放大多少倍，画面不会因此而有任何损害。综上，SWF格式作品以其高清晰度的画质和小巧的体积，受到了越来越多网页设计者的青睐，也越来越成为网页动画和网页图片设计制作的主流，目前已成为网上动画的事实标准。3、BMP格式BMP是英文Bitmap（位图）的简写，它是Windows操作系统中的标准图像文件格式，能够被多种Windows应用程序所支持。随着Windows操作系统的流行与丰富的Windows应用程序的开发，BMP位图格式理所当然地被广泛应用。这种格
33、式的特点是包含的图像信息较丰富，几乎不进行压缩，但由此导致了它与生俱生来的缺点-占用磁盘空间过大。在本文中主要用到的就是这种文件格式，下面对它做详细介绍。2.2.2 BMP文件结构1、 BMP文件组成 BMP文件由文件头、位图信息头、颜色信息和图形数据四部分组成。文件头主要包含文件的大小、文件类型、图像数据偏离文件头的长度等信息；位图信息头包含图像的尺寸信息、图像用几个比特数值来表示一个像素、图像是否压缩、图像所用的颜色数等信息。颜色信息包含图像所用到的颜色表，显示图像时需用到这个颜色表来生成调色板，但如果图像为真彩色，既图像的每个像素用24个比特来表示，文件中就没有这一块信息，也就不需要操作
34、调色板。文件中的数据块表示图像的相应的像素值，需要注意的是：图像的像素值在文件中的存放顺序为从左到右，从下到上，也就是说，在BMP文件中首先存放的是图像的最后一行像素，最后才存储图像的第一行像素，但对与同一行的像素，则是按照先左边后右边的的顺序存储的；另外一个需要关注的细节是：文件存储图像的每一行像素值时，如果存储该行像素值所占的字节数为4的倍数，则正常存储，否则，需要在后端补0，凑足4的倍数。 2、 BMP文件头 BMP文件头数据结构含有BMP文件的类型、文件大小和位图起始位置等信息。其结构定义如下: typedef struct tagBITMAPFILEHEADER WORD bfTyp
35、e; / 位图文件的类型，必须为BM DWORD bfSize; / 位图文件的大小，以字节为单位 WORD bfReserved1; / 位图文件保留字，必须为0 WORD bfReserved2; / 位图文件保留字，必须为0 DWORD bfOffBits; / 位图数据的起始位置，以相对于位图文件头的偏移量 /表示，以字节为单位 BITMAPFILEHEADER；该结构占据14个字节。 3、位图信息头 BMP位图信息头数据用于说明位图的尺寸等信息。其结构如下： typedef struct tagBITMAPINFOHEADER DWORD biSize; / 本结构所占用字节数 LO
36、NG biWidth; / 位图的宽度，以像素为单位 LONG biHeight; / 位图的高度，以像素为单位 WORD biPlanes; / 目标设备的平面数不清，必须为1 WORD biBitCount / 每个像素所需的位数，必须是1(双色), 4(16色)，/8(256色)或24(真彩色)之一DWORD biCompression; / 位图压缩类型，必须是 0(不压缩),1(BI_RLE8 /压缩类型)或2(BI_RLE4压缩类型)之一 DWORD biSizeImage; / 位图的大小，以字节为单位 LONG biXPelsPerMeter; / 位图水平分辨率，每米像素数
37、LONG biYPelsPerMeter; / 位图垂直分辨率，每米像素数 DWORD biClrUsed;/ 位图实际使用的颜色表中的颜色数 DWORD biClrImportant;/ 位图显示过程中重要的颜色数 BITMAPINFOHEADER；该结构占据40个字节。4、 颜色表 颜色表用于说明位图中的颜色，它有若干个表项，每一个表项是一个RGBQUAD类型的结构，定义一种颜色。RGBQUAD结构的定义如下: typedef struct tagRGBQUAD BYTErgbBlue;/ 蓝色的亮度(值范围为0-255) BYTErgbGreen; / 绿色的亮度(值范围为0-255)
38、BYTErgbRed; / 红色的亮度(值范围为0-255) BYTErgbReserved;/ 保留，必须为0 RGBQUAD; 颜色表中RGBQUAD结构数据的个数由BITMAPINFOHEADER 中的biBitCount项来确定，当biBitCount=1,4,8时，分别有2,16,256个颜色表项，当biBitCount=24时，图像为真彩色，图像中每个像素的颜色用三个字节表示，分别对应R、G、B值，图像文件没有颜色表项。位图信息头和颜色表组成位图信息，BITMAPINFO结构定义如下: typedef struct tagBITMAPINFO BITMAPINFOHEADER bm
39、iHeader; / 位图信息头 RGBQUAD bmiColors1; / 颜色表 BITMAPINFO; RGBQUAD数据结构中，增加了一个保留字段rgbReserved，它不代表任何颜色，必须取确定值0，同时， RGBQUAD结构中定义的颜色值中，红色、绿色和蓝色的排列顺序与一般真彩色图像文件的颜色数据排列顺序恰好相反，即：若某个位图中的一个像素点的颜色的描述为00，00，ff，00，则表示该点为红色，而不是蓝色。5、 位图数据 位图数据记录了位图的每一个像素值或该对应像素的颜色表的索引值，图像记录顺序在扫描行内是从左到右,扫描行之间是从下到上。这种格式我们又称为Bottom_Up位图
40、，当然与之相对的还有Up_Down形式的位图，它的记录顺序是从上到下的，对于这种形式的位图，也不存在压缩形式。位图的一个像素值所占的字节数：当biBitCount=1时，8个像素占1个字节；当biBitCount=4时，2个像素占1个字节；当 biBitCount=8时，1个像素占1个字节；当biBitCount=24时,1个像素占3个字节，此时图像为真彩色图像。当图像不是为真彩色时，图像文件中包含颜色表，位图的数据表示对应像素点在颜色表中相应的索引值，当为真彩色时，每一个像素用三个字节表示图像相应像素点彩色值，每个字节分别对应R、G、B分量的值，这时候图像文件中没有颜色表。2.3BP神经网络
41、目前，常用的神经网络主要有BP神经网络、Hopfield网络、Kohonen网络等，由于神经网络自身的复杂性，选用哪种类型的网络并没有最优化的方式，主要是针对神经网络进行分类的样本类型、数量决定。出于对机动车号牌自身特点的考虑，采用BP神经网络对机动车号牌进行训练和识别BP神经网络采用误差反向传播学习算法，该网络可将一组样本的I/O问题转化为一个非线性优化问题，并可近似实现从输入到输出的。任意连续的非线性映射。BP神经网络不仅有输入节点、输出节点，而且有隐含层节点(可以是一层或多层，本文采用含一个隐含层的网络)，如图所示。该算法分为两个阶段，第一阶段是正向传播，第二阶段是反向传播在正向传播过程
42、中，对号于输入信，要先向前传播到隐节点，经过作用函数后，再把隐节点的输出信息传播到输出节点，最后给出输出结果，其中每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望输出，则转入反向传播，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差达到最小。BP神经网络3层图如图2-3所示。图2-3 BP神经网络3层图(X1,X2.Xn)输入向量组，(Y1,Y2.Yn)输出向量组。最下面一层为输入层，中间一层为隐含层，最上面一层为输出层8。2.4 MFCMFC(MicrosoftFoundationClasses)是微软基础类库的简称，是微软公司实现的一个c+类库，主要封
43、装了大部分的windows API函数，vc+是微软公司开发的c/c+的集成开发环境，所谓集成开发环境，就是说利用它你可以编辑，编译，调试，而不是使用多种工具轮换操作，灵活性较大。有时人们说vc呢也指它的内部编译器，集成开发环境必须有一个编译器内核，要不有什么用，例如DevC+其中一个编译器内核就是gcc。 MFC除了是一个类库以外，还是一个框架，你应该试过，在vc+里新建一个MFC的工程，开发环境会自动帮你产生许多文件，同时它使用了mfcxx.dll。xx是版本，它封装了mfc内核，所以你在你的代码看不到原本的SDK编程中的消息循环等等东西，因为MFC框架帮你封装好了，这样你就可以专心的考虑
44、你程序的逻辑，而不是这些每次编程都要重复的东西，但是由于是通用框架，没有最好的针对性，当然也就丧失了一些灵活性和效率但是MFC的封装很浅，所以效率上损失不大，灵活性还可以，虽然也有很多缺陷，但还是一个比较好的东西。2.5开发工具开发平台包括硬件平台和软件平台。硬件平台指开发与运行所需要的硬件环境，主要包括计算机机型和硬件配置。本系统是一个车牌识别系统，使用的为CPU：Internet(R) Core i5-480m2.00GHz处理器；内存：2.00GB。软件平台指开发与运行所需要的软件环境。本系统是在Windows8.1环境下开发，兼容当前主流操作系统Windows95/98/NT/Me/2
45、000/XP,前台开发环境：Visual C+ 6.0。第3章 车牌定位算法概述3.1 预处理算法我们将借助彩色图像处理技术，对车牌图像依次进行以下预处理：（1）BMP彩色转灰阶（2）分段灰度拉伸（3）中值滤波（4）Sobel 边缘检测（5）动态二值化最终得到方便定位算法处理的二值化车牌图像，图像特征得到最大化的体现，给实现定位算法的时间可行性和鲁棒性做了充足的基础。3.1.1 BMP彩色转灰阶考虑到现有牌照的字符与背景的颜色搭配一般有蓝底白字、黄底黑字、白底红字、绿底白字和黑底白字等几种，利用不同的色彩通道就可以将区域与背景明显地区分出来，例如，对蓝底白字这种最常见的牌照，采用蓝色B 通道时牌照区域为一亮的矩形，而牌照字符在区域中并不呈现。因为蓝色（255，0，0）与白色（255，255，255）在B 通道中并无区分，而在G、R 通道或是灰度图象中并无此便利。同理对白底黑字的牌照可用R 通道，绿底白字的牌照可以用G 通道就可以明显呈现出牌照区域的位置，便于后续处理。对于将彩色图象转换成灰度图象时，图象灰度值可由下面的公式计算： （3.1）
