汽车车牌识别系统的设计文献综述

计算机图形学

课

程

设

计

题目名称：汽车车牌识别系统的设计综述班级：

学号：

学生姓名：

汽车车牌识别系统的设计综述

摘要

车牌的自动识别是计算机视觉、图像处理与模式识别技术在智能交通领域应用的重要研究课题之一, 是实现交通管理智能化的重要环节, 主要包括车牌识别、字符预处理和特征提取三个关键环节。

车牌识别包括车牌定位、灰度（或彩色）图像二值化、字符切分及字符识别等。

图像预处理包括图像灰度变换、图像增强、图像二值化、梯度锐化、噪声去除、倾斜度调整、车牌边框去除、字符分割、尺寸标准归一化、紧缩重排。

特征提取本文采用逐象素特征提取法来对支付进行识别。

理论上，本系统可以对中国大陆普通汽车车牌的字符进行识别。

关键词：车牌识别，图像预处理，特征提取

引言

1.1 问题概述

随着我国汽车产业的飞速发展，大量在公共场合的汽车需要得到监管，为了更好地进行管理，必须对车辆进行一种确认，而车牌识别就是其中最有效的确认方法，汽车车牌识别VLPR 是Vehicle License Plate Recognition 的简称，他是智能交通系统(Intelligent Transportation Systems，ITS)的一个重要组成部分。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。车牌识别技术在高速公路收费站、路口监测(电子警察)、大型停车场等场所具有广阔的发展前景。

1.2 目的和意义

车牌识别LPR[1]是智能交通系统(ITS)的一个重要组成部分。在社会生活，治安管理等方面有很大的作用。车牌识别技术的运用使得“大输入小输出”成为了可能——输入一幅很大存储量的图像，输出时仅仅是很小存储量的数字，这必然使得其在大量存储和管理数据库相连等方面有无可替代的优越性。

由于光照、气候引起的车牌图像上字符光照不均，车牌本身污损造成的字符笔画不清和字符间粘连，汽车行驶速度较快，使拍摄出的车牌字符产生变形、模糊不清，因此图像需要增强。另外又由于拍摄角度及拍摄点的高度、路面的倾斜等情况造成了车牌图像的倾斜，从而需要对车牌进行校正。另外字符的识别也是一个重点问题。

1.3 思路和方法

借助数字图像处理和模式识别技术，我们对车牌图像依次进行以下处理：彩色的256 色的BMP 图进行灰度转换－>图像增强－>图像二值化－>梯度锐化（Roberts 梯度算子）->离散点噪声去除->倾斜度调整->边框切除->字符切割->字符尺寸归一化->字符紧缩重排->神经网络的字符识别，最后得出车牌字符。

正文

2.1 模式识别概述

2.1.1 模式识别概述

模式识别(Pattern Recognition)是人类的一项基本智能，在日常生活中，人们经常在进行“模式识别”。随着20世纪40年代计算机的出现以及50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动。(计算机)模式识别在20世纪60年代初迅速发展并成为一门新学科。

模式识别在数字图像处理和分析中占有非常重要的地位，识别所得到的结果往往接近于甚至就是整个数字图像处理和分析的最终结果。模式识别属于图像分析的范畴，它所得到的结果是一副由明确意义的数值或符号构成的图像或图形文件，而不再是一副具有随机分布性质的图像。模式识别的目的是对图像中的物体进行分类,或者可以说找出图像中有哪些物体。分类的依据是从原始图像中提取的不同物体的特征，包括光谱特征、空间纹理特征和时间特征等。因此，模式识别包括特征提取和分类两方面的内容[2]。

2.1.2 模式识别的步骤

1.特征提取

对于待识别的事物，进行特征提取，这些特征可以应用一定的数学方法通过计算进行量化表示。特征提取过程产生一组特征，组合在一起就形成了特征向量，该特征向量所包含的信息与原始图像相比虽然有所减小，但它却包含了后续分类决策所必须的全部向量[2]。

2.决策分类

确定每个物体应该归属的预定义类别，即每个物体（模式）被识别为某一特定类型，这是通过一个分类过程加以实现的[2]。

2.1.3 模式识别的应用

1.字符识别

2.生物特征提取

3.遥感应用

4.医学诊断[2]

2.2 数字图像及数字图像处理

图像信息使人类认识世界的重要知识来源，国外学者曾做过统计，人类所获得的外界信息70％以上来自眼睛摄取的图像。在许多场合，没有其他形式比图像所传达的信息更为丰富和真确。而通常意思上的图像都是一些连续的图像，所产生的图像信号也都是模拟信号，由于模拟信号自身的原因和对模拟处理手段的限制，人们把研究对象从模拟领域延伸到数字领域，于是产生了数字图像的概念。本节将概述一下数字图像和数字图像处理[3]。

2.2.1.数字图像的基本概念

一般的图像都是模拟图像，即图像上的信息是连续变化的模拟量。如一幅黑白灰度照片上的物体是通过照片上各点的光的强度不同体现出来的，而照片上的光强是一个连续变化的量，也就是说，在一定的范围内，光强的任何值都可能体现。对于这种模拟图像只能采用模拟的处理方式进行处理，例如按照光学原理用透镜将照片放大。计算机不能接受和处理模拟信号，只有将图像在空间和灰度上都离散化为数字信号后，或者说将模拟图像变换为数字图像方能接受[4]。

而数字图像是将连续的模拟图像经过离散化处理后变成计算机能够辨识的点阵图像。严格的数字图像是一个经过等矩形网格采样，对幅度进行等间隔量化的二维函数，因此，数字图像实际上就是被量化的二维采样数组[3]。

2.2.2 数字图像的两种存储形式

1.位映射图像——即位图图像，它是每一个栅格内不同颜色的点来描述图像属性的，这些点就是常说的像素。位图图像的分辨率不是独立的，因为描述图像的数据是对待特定大小栅格中的图像而言的，因此，编辑位图会改变它的显示质量，尤其是缩放位图，会因为图像在栅格内的重新分配而导致图像边缘粗糙。在比位图图像本身的分辨率低的输出设备上显示位图也会降低图像的显示质量[3]。

2.矢量图像――指用包含颜色和位置属性的直线或曲线（即称为矢量）来描述的一种图像。

比如说一个椭圆，它就是包括由通过椭圆边缘的一些点组成的轮廓和轮廓内的点的两部分。矢量图像是用一系列绘图指令来表示一幅图，如AutoCAD 中的绘图语句。这种方法的本质是数学（更确切的说是几何学）公式描述一幅图像。图像中的每一个形状都是一个完整的公式，称为一个对象。对象是一个封闭的整体，所以定义图像上对象的变化和对象与其他对象的关系对计算机来说简单的，所有这些变化都不会影响到图像中的其他变化[3]。

2.2.3 数字图像处理的概念

数字图像处理（Digital Image Processing）是一门关于如何使用计算机对图像进行处理的学科，就是对图像信息进行加工以满足人的视觉心理或者应用需求的行为。图像处理的手段有光学方法、电子学（数学）方法。后者正是要讨论数字图像处理，它是使用计算机加工处理图像，通过各种算法来实现对图像内容处理。它通常有一个微型、小型、至大型计算机与图像处理机或有一个专用计算机来执行。

2.2.

3.2 数字图像处理的目的

1．提高图像的视感质量，以达到赏心悦目的目的；

2．提取图像中所包含的某些特征或特殊信息，以便于计算机进行分析；

3. 对图像数据进行变换、编码和压缩，以便于图像的存储和传输。

2.2.

3.1 数字图像处理的主要内容

1.图像获取、表示和表现；

2.图像复原；

3.图像增强；

4.图像分割；

5.图像分析

6.图像重建；

7.图像压缩编码。

2.2 系统的设计

2.2.1 系统的流程图

系统总流程图

图2.1 系统总流程图

●预处理部分流程图

图2.2 图像预处理流程图

●字符识别部分流程图

图2.3 字符识别流程图

2.2.2 图像采集（车牌定位）

汽车牌照识别( Car License Plate Recognit ion,简称CLPR) 是实现智能交通系统的关键技术。其核心技术在近年来取得了飞速的发展。例如, 偷窃车辆的跟踪, 控制停车场车辆的进入, 地段通行的限制等等[ 5]。但在识别正确率及系统稳定性方面仍有待提高, 仍然是一个研究热点。在CLPR 系统中, 主要分车牌定位、字符切分和字符识别三部分, 其中车牌定位是整个系统的关键所在, 定位正确率将大大影响整个

系统的最终识别性能。

目前, 国内外的车牌定位主要采用以下几种方法:

史忠科, 左奇一[6]提出了基于数学形态学的实时车牌图象分割方法; 李树广, 吴舟舟, 罗小伟[7]提出基于边缘统计和颜色特征的车牌综合自动定位方法; 齐永奇, 王文凡, 赵岩, 赵耀[8]提出基于纹理特征和垂直投影的车牌定位算法研究等。这些方法对图像的清晰度要求较高。Rodolfo and Stefano[9]设计了一种基于矢量量子化(VQ) 的方法。VQ 图像表现法是一种通过特殊的编码机制的方形树表现法, 它能够给系统提供一些图像区域满意度的信息, 这些信息推进了定位的执行。Park et al. .[10]用神经网络来定位车牌。Zimic et al. [11]应用模糊逻辑学来解决车牌定位的问题。但是这些方法对于车牌的颜色和亮度很敏感, 而且需要很长的处理时间。Zhu et al.andWei et al. 提出用颜色特征来定位车牌, 这些方法对于不同的环境没有较好的鲁棒性。汽车图像的边缘特征非常重要, 针对车牌的特有特征, 边缘密度可以很好的用于探测车牌位置。Ming etal.发展了一种改进边缘图像的方法, 通过消除图像中边缘密度最大和最小的部分来简化整幅图像。但是这种方法可能使车牌区域的部分特征丢失。

2.2.3汽车牌照自动识别

汽车牌照自动识别，关键技术包括车牌定位、灰度（或彩色）图像二值化、、字符切分及字符识别等。

首先要求正确的分割出车牌区域，为此提出了很多方法，如Hough变换以检测直线来提取车牌边界区域、使用灰度分级及区域生长进行区域分割，或使用纹理特征分析技术等。Hough变换方法对车牌区域变形或图像被污染时，失效的可能会急剧增加，而灰度风格则比直线检测方法要稳定，但当图像中有许多预车牌灰度非常相似的区域时，该方法也无能为力了。纹理分割在遇到与车牌纹理特征的其他干扰时，车牌定位正确率也会受到影响。因此，单用一种方法难以达到实际应用的需要，本文利用车牌彩色信息的彩色分割方法，提高车牌区域定位与分割的正确率。

图2.1 汽车图像

图2.2蓝色像素点行方向统计

图2.3 行方向的车牌区域

图2.4 列方向上的蓝色像素点统计

图2.5分割出的完整的车牌区域

根据车牌底色的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域。下面以蓝底白字车牌区域为例说明彩色像素点统计分割方法。CCD摄像头拍摄的头像一般为RGB彩色图像（如图2.1），确定车牌底色（蓝色）RGB对应的各自灰度范围，然后行方向上统计此颜色范围内像素点数量如图2，设定合理阈值，确定车牌在行方向上的合理区域如图3。然后，在分割出的行区域内，统计列方向蓝色像素点的数量如图2.4，最终确定的完整车牌区域如图2.5。

评价衡量车牌定位方法性能的主要指标是定位分割精确率和算法的灵活性。目前还没有哪种算法能满足各各种性能要求: 适用于不同拍摄地点、拍摄角度、不同环境气候和光照强度的汽车图像[12]。

不同环境气候和光照强度的汽车图像具有不同的特性。例如, 白天场景的图像, 由于光照相对比较均匀, 整体亮度高, 因而颜色信息丰富; 而夜间场景的图像, 由于

主要由车灯给光, 图像各区域的亮度分布极不均匀, 因而车体颜色失真很大。

2.2.4 图像预处理

1．图像灰度化[13]

汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的，因而预处理前的图像都是彩色图像。彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。灰度图像就是只有强度信息而没有颜色信息的图像，存储灰度图像只需要一个数据矩阵，矩阵每个元素表示对应位置像素的灰度值。彩色图像的像素色为RGB(R，G，B)，灰度图像的像素色为RGB(r，r，r),R，G，B 可由彩色图像的颜色分解获得。而R，G，B 的取值范围是0~255，所以灰度的级别只有256 级。灰度化的处理方法主要有如下三种:分别为最大值法、平均值法和加权平均值法。

(1)最大值法:使R. G, B的值等于三值中最大的一个，即

R＝G＝B=max(R,G,B)

(2)平均值法:使R, G, B·的值值等于三值和的平均值，即

R＝G＝B= R+G+B

(3)加权平均值法:根据重要性或其它指标给R, G, B赋予不同的权值，并使R, G, B 等于它们的值的加权和平均，即

R=G =B=WrR十WcG十WaB

(4)其中Wr Wc,Wa，分别为R, G, B 的权值。由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，当Wr=0.299, Wa=0.587, Wc=0.144 时，能得到最合理的灰度图像。

2. 图像增强[14]

由于车辆牌照识别系统是全天候的，若没有理想的补充光照明，自然光照度的昼夜变化会引起牌照图像的对比度严重不足，使图像中牌照字符分辨不清，甚至根本无法定位和分割，更无法识别。采用图像灰度拉伸的方法可有效地增强图像对比度，增强后的图像中字符清晰、区域分明，便于图像二值化和字符分割处理。

对比度增强是一种比较简便但又十分重要的空域法图像增强。这种处理只是逐点修改输入图像每一个像素的灰度，图像个像素的位置并不改变，是一种输入与输出像素间一对一的运算。对比度增强又叫点运算。对比度增强一般用来扩大图像的

灰度范围。设输入图像的灰度记为f(x,y)，输出图像灰度记为g(x,y)，那么对比度增强数学上可表达成

g(x,y)=T[f(x,y)]

图像输出与输入灰度之间的映射关系完全由函数T 确定。

3.图像二值化[15]

二值图像是指整幅图像画面内仅黑、白二值的图像。在数字图像处理中，二值图像占有非常重要的地位。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。二值化的阀值选取有很多方法，主要分为3 类:全局阀值法、局部阀值法和动态阀值法。全局阀值二值化方法是根据图像的直方图或灰度的空间分布确定一个阀值，并根据该阀值实现灰度图像到二值化图像的转化。全局阀值方法的优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力差，应用受到极大限制。局部阀值法则是由象素灰度值和象素周围点局部灰度特性来确定象素的阀值的，Bernsen算法是典型的局部阀值方法，非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质，局部阀值法也存在缺点和问题，如实现速度慢、不能保证字符笔划连通性、以及容易出现伪影现象等。动态阀值法的阀值选择不仅取决于该象素灰度值以及它周围象素的灰度值，而且还和该象素的坐标位置有关，由于充分考虑了每个像素邻域的特征，能更好的突出背景和目标的边界，使相距很近的两条线不会产生粘连现象。

4.梯度锐化

由于需要处理的图像由拍摄而来，所以在很多情况下字符模糊，对识别造成了一定的困难，所以要对图像进行锐化处理使模糊的图像变的清晰，图像锐化的实质就是增强图像的边缘或轮廓，其锐化后的结果通过微分而使图像边缘突出、清晰。图像锐化的方法有两种:微分法和高通滤波法[15]。

5．去除离散的杂点噪声

图像可能在扫描或者传输过程中夹带了噪声，去噪声是图像处理中常用的手法。通常去噪声用滤波的方法，比如中值滤波、均值滤波。但是那样的算法不适合用在处理字符这样目标较长的图像中，因为在滤波的过程中很有可能会去掉字符本身的象素。

6．图像的倾斜矫正

因为读进来的图像可能存在倾斜，所以必须对它进行调整，使得字符都处于同一水平位置，那样即便利字符的分割也可以提高字符识别的准确率。调整的算法主要是根据图像上左右两边的黑色象素的平均高度来的。一般来说，众多的字符组成的图像它的左右两边的字符象素的高度应该是处于水平位置附近的，如果两边字符象素的平均位置有比较大的起落，那就说明图像存在倾斜，需要进行调整。

具体来说，首先要分别计算图像左半边和右半边的象素的平均高度，然后求斜率，根据斜率重新组织图像，里面包含了一个从新图像到旧图像的象素的映射。如果新图像中的象素映射到旧图像中时超出了旧图像的范围，则把新图像中的该象素置白色。

7．车牌边框的去除

二值化后车牌的图像，图像仅黑、白二值。白色像素点(灰度值255)取1,黑色像素点(灰度值0)取0。

由于车牌上下边框的干扰对车牌的分割非常不利，因此，必须去除车牌的上下边框。车牌图像中字符上下边沿处像素灰度值是我们首先想到的依据。如果横向扫描牌照图像，理想情况下字符区域的亮暗跳变频繁，而背景区域没有跳变。对于黑底白字且没有其他干扰的牌照图像而言，字符的左右间隔处的竖直投影值应该为零。但实际处理中，由于前面车牌的定位不可能做到恰好卡在牌照的边框上，即使卡在边框上，在牌照的上下边缘处会有许多其它的干扰。在这些干扰中:有的是牌照上本身有与字符的灰度值相同的矩形框；有的则是牌照上的铆钉；有的则是牌照本身的污秽，还有的则是由于汽车行驶速度较快，造成的字符变形和模糊。无论是那种干扰都对分割不利，因为它使原来应该作为分割依据的零值投影点的数值不为零。

为了不受上下边框的干扰，我们采用的行扫描方法是由车牌高度的上面1/3处往上扫描，车牌高度的下面1/3处往下扫描。为了更加准确的区分，我们将字符区域在整个牌照中大致的位置(即高度比例信息)作为先验知识，限定由扫描得到的判别点.字符与背景的分割处有明显的从白到黑的跳变，当搜索到字符与背景的分界行时，将这个分界行所界定的字符区域之外部分全部切除。

对于下边框，左右边框干扰的去除，除了加上牌照本身的长宽约束之外，方法大致一样。

8．字符分割

经过上面一系列预处理后，得到的是一条上下边缘紧贴字符的水平二值图像，

其中，车牌的背景像素为白色，用1 表示;车牌的字符像素为黑色，用0 表示。在识别时系统只能根据每个字符的特征来进行判断，为了最终能准确识别牌照上的汉字、英文字母及数字，必须将单个字符从矫正的牌照中逐个提取分离出来。

9．图像的归一化处理[15]

因为扫描进来的图像中字符大小存在较大的差异，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高，标准化图像就是要把原来各不相同的字符统一到同一尺寸，在系统实现中是统一到同一高度，然后根据高度来调整字符的宽度。

2.2.5 特征提取[16]

经过图像预处理后，分布不规律的各个字符变成了一个个大小相同，排列整齐的字符。下面就要从被分紧缩重排后的字符中，提取最能体现这个字符特点的特征向量。

将提取出训练样本中的特征向量代入BP 网络之中就可以对网络进行训练，提取出待识别的样本中的特征相量代入到训练好的BP 网络中，就可以对字符进行识别。特征向量的提取方法多种多样，有逐象素特征提取发，骨架特征提取法，垂直方向数据统计特征提取法，13 点特征提取法，弧度梯度特征提取法等很多种方法，根据具体情况的不同我们可以来选择不同的方法。

1．逐象素特征提取法

这是一种最简单的特征提取方法，对图像进行逐行逐列的扫描当遇到黑色象素时取其特征值为1，遇到白色象素时取其特征值为0，这样当扫描结束以后就形成了一个维数与图像中象素点的个数相同的特征向量矩阵。

这种特征提取方法的特点是算法简单，运算速度快，可以使BP 网络很快的收敛，训练效果好，缺点是适应性不强。但可以通过加大训练样本数目的方法来增强其适应性。

2．骨架特征提取法

两副图像由于它们的线条的粗细不同，使得两幅图像差别很大，但是将它们的线条进行细化以后，统一到相同的宽度，如一个象素宽时，这时两幅图像的差距就不那么明显。利用图形的骨架作为特征来进行数码识别，就使得识别有了一定的适应性。我们一般使用细化的方法来提取骨架，细化的算法又很多如Hilditch 算法，Rosenfeld算法[17]等。

骨架特征提取的方法对于线条粗细不同的数码有一定的适应性，但是图像一旦出现偏移就难以识别。

3．垂直方向数据统计特征提取法

这种特征提取方法的算法就是自左向右对图像进行逐列的扫描，统计每列的黑色的象素的个数，然后自上而下逐行扫描，统计每行的黑色象素的个数，将统计结果作为字符的特征向量，如果字符的宽度为w，长度为h，则特征向量的维数是w＋h。

4．13 特征点提取法

上述的特征点提取方法多少都存在有适应性不强的特点，当字符存在倾斜和偏移时都会对识别产生误差，下面来介绍一种适应性较好的13 点特征提取方法，即从每个字符中提取13 个特征点。

首先把字符平均分成8 份统计每一份内黑色象素点的个数作为8 个特征，如图2.6 所示。（这里我们以字符“3”举例。）分别统计这8 个区域中的黑象素的数目，可以得到8 个特征。

图2.6 13特征点提取法

然后统计水平方向中间两列和竖直方向中间两列的黑色象素点的个数作为4 个特征，最后统计所有黑色象素点的个数作为第13 个特征。也就是说，画4 道线，统计线穿过的黑象素的数目。可以得到4 个特征示意图如图2.7所示。

图2.7 13特征点提取法

最后，将字符图像的全部黑色象素的数目的总和作为一个特征。总共即得到13个特征。

13 特征提取法有着极好的适应性，但是由于特征点的数目太少所以在样本训练的时候比较难收敛。

以上就是几种基本的特征向量提取方法，还有梯度统计，弧度统计等其他的特征向量提取方法，请读者自行尝试。

另外，还有一种效率极高的特征提取方法－角点提取方法。角点提取的方法目前一般分为基于灰度的角点提取和基于弧度的角点提取。基于弧度的角点提取要求首先要做边缘提取。比较成熟的边缘提取算法有Canny 算法等。角点提取算法较复杂，而且用到的很多技术也较专业化。

附录

[1] 陆福宏.车牌识别技术在智能交通系统中的应用[ J].中国科技博览, 2010(12):3 02.

[2] 霍宏涛.数字图像处理.北京：机械工程出版社，2003

[3] 高守传,姚领田.Visual C++实践与提高－数字图像处理与工程应用北京：中国铁道出版社，2006

[4] 四维科技，胡小锋，赵辉.VisualC++/MATLAB 图像处理与识别案例精选.北京：人民邮电出版社，2004

[5] Gang Li , Ruili Zeng , and L ing Lin, Research on Vehicle License Plat e Locat ion Based on Neural Netw orks, Proceedings ofthe First Int ernational Conference on Innovat ive Computing[J] .In format ion and Control ( ICICIC 06 ) 0 - 7695- 2616 - 0/ 06$ 20. 00 (c) 2006.

[6] 史忠科,左奇一. 一种基于数学形态学的实时车牌图象分割方法[J] .中国图象图形学报.2003,8( 3):281-285.

[7] 李树广,吴舟舟,罗小伟.基于边缘统计和颜色特征的车牌综合自动定位方法[J] .山东大学学报:工学版,2005,35(3):44-49.

[8] 齐永奇,王文凡,赵岩,赵耀.基于纹理特征和垂直投影的车牌定位算法研究[J] .现代电子技术.2007,17:184-186.

[9] Rodolfo and St efano,2000 Z.Rodolf o an d R.St ef ano,Vectorquant izat ion for license plat e locat ion and image coding, IEEET rans[J] .Indust rial Elect ron.47(2000)(1) , pp. 159-167.

[10] Park et al. ,1999 S.H.Park,K.I.Kim,K.Jung and H .J.Kim,Locat ing car license plat e us ing neural networks[J].Electron.Let t . 35 ( 1999) ( 17) , pp. 1475- 1477. Full Text viaC rossRef View Record in S copus | Cit ed By in Scopus (20) .

[11] Zimic et al.,1997 Zimic N. Ficz ko, J . ,Mraz, M. , Virant ,J. , 1997. The fuzzy logic approach to car number plat e locatingproblem[J] . In: Proc. Int elligent Inf ormation Systems, pp.227- 230.

[12] 智斌, 黎绍发, 余棉水. 车辆牌照定位算法研究[J] .微型电脑应用,2006, 27(21) : 4059- 4059.

[13] 余章明. 数字图像增强中灰度变换方法研究[J].电子质量,2009(6):18-20.

[14] 黄涛.数字图像的增强[J].肇庆学院学报,2004,25(2):23-24.

[15] 冈萨雷斯.数字图像处理[M].北京:机械工业出版社,

[16] 杨淑莹. 图像模式识别:VC++技术实现[M].北京:清华大学出版社,北京:北京交通大学出版社,2005 :5 - 7.

[17] TAMURA H,MORI S,YAMAW A KI T. Texture features corresponding to visual perception [J].IEEE Trans on Sys2tem , Man and Cybernetics ,1978 ,8(6):460-473