２６卷第４期微电子学与计算机Ｖ．０１．２６Ｎｏ．４２００９年４月ＭＩａ叉０ＥＬＥＣｒＲＯＮＩＣＳ＆ｃｏＭＰＵ’ｎ：ＲＡｐｒｉｌ２００９一种自适应车牌识别系统设计方法李波，曾致远，周建中（华中科技大学数字化工程与仿真中心，湖北武汉４３００７４）摘要：基于多种格式车牌的共性，提取车牌图像的纵向边缘，然后根据车牌区边缘灰度跳变和边缘密度等特征，采用一系列步骤去除无效和干扰边缘，保留类车牌特征区域；通过横向形态算，使类车牌区闭合，有效克服了形态学结构元素难以随车牌大小变化自适应选取的问题．基于扫描线种子填充算法来搜索车牌区域，利用颜色信息进行反色判断，并基于边缘检测的方法来进行车牌区域二值化，利用形态学和连通域检测方法进行字符的精细切分．对实际场景中大量车牌样本加以验证表明，算法准确率高，对车牌大小自适应性良好，具有较好实用价值．关键词：车牌识别；车牌定位；字符分割；图像处理；边缘特征；自适应性中图分类号：ＴＰ３９１．４１文献标识码：Ａ文章编号：１０００—７１踟（２００９）０４—０２１７—０５ＡｎＡｄａｐｔｉｖｅＡｌｇｏｒｉｔｈｍｆｏｒＬｉｃｅｎｓｅＰｌａｔｅＲｅｃｏｇｎｉｔｉｏｎＳｙｓｔｅｍＬＩｔ３０，ＺＥＮＧＺｈｉ—ｙｕａｎ，ＺＨＯＵＪｉａｎ－ｚｈｏｎｇ（ＤｉｇｉｔａｌＥｎｇｉｎｅｅｒｉｎｇａｎｄＥｍｕｌａｔｉｏｎＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＨｌａｚｈｏｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００７４，Ｃｈｉｎａ）Ａｂｓｈ矗ｃｔ：ＢａｓｅｄＯｉｌｔｈｅｏ蹑ｎｎ跏ｆｅａｔｕｒｅｓｏｆａｖａｒｉｅｔｙｏｆｌｉｅ曲ｓｅｐｌａｔｅｓ。ｔｈｅｖｅｒｔｉｃａｌｅｄｇｅｗａｓｆｉｒｓｔｄｅｔｅｃｔｅｄ．Ｔｈｅｎ，８嘎艘ａｐｐｒｏａｃｈｅｓｗｅｒｅａｄｏｐｔｅｄｔＯｒｅⅡ跳ｔｈｅ．ｍｖａｈｄｅｄｇｅｄｕｅｔｏｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｅｄｇｅｇｒａｙｌｅｖｅｌｊｕｍｐａｎｄｅｄｇｅｄｅｎｓｉｔｙ，８０ｔｈａｔｔｈｅｒｅｇｉｏｎｓｈａｖｉｎｇｆｅａｔｕｒｅｓｏｆｌｉｃｅｎｓｅｐｌａｔｅｗｅｒｅｐｒｅｓｅｒｖｅｄ．Ｎｅｘｔ。ｈａｄｍｎｔａｌｍａｔｈｅｍａｔｉｃａｌｍｏｒｐｈｏｌｏｇｙ（／ＶＩＭ）ｏｐｅｒａ—ｔｉｏｎＷＳＳｃｏｎｄｕｃｔｅｄｔＯｃｌｏｓｅｔｈｅｃａｎｄｉｄａｔｅｒｅｇｉｏｎｓ。ａｎｄｔｈｅａｂｏｖｅｍｅｔｈｏｄｏｖｅｉ＇００１Ｔｌｅ８ｔｈｅｐｒｏｂｌｄＩｌｈｏｗｔｈｅＭＭｓｔｒｕｃｔｕｒｅｄ・ｄＩｌ触ｔｗｓｓａｄｊｕｓｔｅｄｔＯｔｈｅｓｉｚｅｃ｝ｌａＩｌＩ雷ｅｏｆｌｉｃｅｎｓｅｐｌａｔｅｓ．Ｂｙｓｃａｎ－ｌｉｎｅｓｅｅｄｆｉｌｌａｌｇｏｒｉｔｈｍ，ｔｈｅｌｉｅｅｍｅｐｌａｔｅｒｅｇｉｏｎｗａｓｓｅａｒｃｈｅｄ．Ｔｈｅｎ，ｍｌｏｒ－ｒｅｖｅｒｓｉｎｇｊｕｄｇｄｉｌｅｔａｔｗａｓｃｏｎｄｕｃｅｄｂｙｃｏｌｏｒ，ａｎｄｂｉｎａｒｉｚａｔｉｏｎｗａｓｄｏｎｅｂａｓｅｄｏｎｅｄｇｅｄ嗽ｔｉｏｎ．Ａｆｔｅｒｗａｒｄ．ｃｈａｒａｃｔｅｒｓ呲ｓｅｇｍｅｎｔｅｄｏｎｔｈｅｂａｓｈｏｆＭＭａｎｄｃｏｎｎｅｃｔｅｄｃｏｍＩｘｍｅｎｔｓａｎａｌｙｓｉｓ．ｗｉｔ｝ｌ锄ａｂｕｎｄａｎｔｓａｍｐｌｅｓｖｅｒｉｆｉｅｄｉｎｄａｒｋｈｏｕｒｓａｒ以ｄａｙｔｉｍｅｉｎ陀ａｌｃｏｎｄｉｔｉｏｎｓ，ｔ｝１ｅ曰耳－ｅｒｉｍｄｌｔｉｎｄｋａｔｅｓｔｈａｔｉｔｉｓｆｅａｓｉｂｌｅｔＯａｄｏｐｔｔｈｉｓａｌｇｏｄｔｈｍｉｎｌｉｏｍｓｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｔＯａｃｈｉｅｖｅａｃｃｕｒａｃｙａｎｄａｄａｐｔａｂｉｌｉｔｙ．１畸ｗｏｒｄｓ：ｌｉｅｅｍｅｐｌａｔｅｒｅｃｏｇｎｉｔｉｏｎ；ｆｉｏｍｓｅｐｌａｔｅｏｒｉｅｎｔａｔｉｏｎ；ｃｈａｒａｃｔｅｒｓｅｇｍｅｎｔａｔｉｏｎ；ｉｌｍｇｅｐｒｏｃｅｓｓｉｎｇ；ｅｄｇｅｃｈａｒａｃｔｅｒ－ｉｓｔｉｃ；ａｄａｐｔａｂｉｌｉｔｙ引言用的不多，或者往往针对一些特定场景。本文的研究目的在于寻求各种场景下自适应性车牌识别系统是现代社会智能交通系统的核心好的车牌定位与字符切分算法，寻求解决以往形态学结构元素难以自适应选取的问题，以及不同大小字符的自适应切分问题．２算法流程车牌区域最基础的特征是纵向纹理有规律的排万方数据１部分之一，主要分为车牌图像采集、车牌定位、字符切分和字符识别四部分．车牌定位和字符分割作为该系统的核心技术，对系统成功起到非常关键的作用．关于车牌定位有很多种方法ｕ圳，由于自适应性、实时性、识别率等因素的影响，真正投入实际应收稿日期：２００８—０５—２２基金项目：教育部跨世纪优秀人才培养计划基金项目（２００３７１４）２１８微电子学与计算机２００９年列，因此，先进行纵向边缘提取，并根据车牌区域的纹理灰度跳变及边缘密度等特征，设计若干步骤来去除无效和干扰边缘，接着，进行横向水平形态算，使车牌区域形成连通区域．然后基于扫描线种子填充算法进行连通区域搜索，寻找候选区域，进行车牌粗定位。然后进行字符切分．算法流程如图１所示．墨隧孽耀磊边缘提取Ｈ毳鏊委蒸Ｈ躺％Ｉ字符分割卜－（磊菊图１算法流程图３车牌候选区域生成３．１纵向边缘提取与干扰边缘去除采用Ｓｏｂｅｌ纵向边缘算子来提取车牌纵向边缘，然后作反向思维，不利用车牌纹理和灰度跳变相关特征来直接定位车牌，而是用来排除明显不属于“准车牌”的无效和干扰边缘，为后续定位减少难度．车牌区域的纹理和灰度变换特征如下：（１）车牌区字符与背景存在明显灰度差，如蓝底白字车牌，灰度差约为６０～１４０．因此，对待处理图像作差分运算，然后加以判断。（２）车牌区域内的每行的跳变次数相对稳定，考虑比较极端的情况，如“川Ｃ１１１１１”，跳变次数也有１８次．（３）车牌区域的灰度投影后，有比较明显的“峰一谷”分布特征．（４）车牌区内边缘密度稳定且较大．对于每个像素点，设领域半径为Ｒ，该领域内包含其他边缘点个数为Ｎ，则该点的边缘点密度定义为Ｐ２：磊Ｎ（１）这里考虑在同一扫描行内，某边缘点的左右水平方向领域内的边缘点密度．根据以上特征，采用以下步骤去除无效和干扰边缘：图像自底向上扫描，对每一扫描行：（１）Ｉｆ（像素值＜Ｔｈｒｅｓｈｏｌｄｌ）置为０；（２）对图像作相邻列之间的差分：Ｄｉｆｆ（ｙ）＝｛二Ｉ１Ｉ（ｘ，Ｙ＋１）一Ｉ（ｘ，Ｙ）Ｊ＞万方数据Ｔｈｒｅｓｈｏｌｄ２（２）Ｃｏｕｎｔ＝∑Ｄｉｆｆ（ｙ），Ｙ∈［０，ｉｍｇＷｉｄｔｈ）（３）式中，Ｉ（ｘ，ｙ）为图像像素值，Ｔｈｒｅｓｈｏｌｄ２为差分阈值．Ｉｆ（Ｃｏｕｎｔ＜Ｔｈｒｅｓｈｏｌｄ３）则本行像素置０．（３）取横向线性边缘点密度模板，从左自右移动，ｉｆ（模板内边缘点密度＜Ｔｈｒｅｓｈｏｌｄ４）则模板内左端点像素置０．然后，对图像再作第二次自底向上扫描，对每一扫描行，重新计算Ｄｉｆｆ（ｙ），Ｃｏｕｎｔ，判断Ｃｏｕｎｔ满足阈值要求的连续行的高度Ｈ，ｉｆ（高度Ｈ＜Ｔｈｅｓｈｏｌｄ５），则将这些行置０．以上５个阈值较易确定，只需要取各种情况的下限即可，如根据车牌灰度跳变的次数下限，可以将Ｔｈｒｅｓｈｌｏｌｄ３定为１８左右．因此不影响算法自适应性．３．２形态学处理数学形态学是以形态为基础对图象进行分析的数学工具，基本操作有：膨胀，腐蚀，开启，闭合［４Ｊ．（１）膨胀：Ａ用Ｂ来膨胀写作Ａ④Ｂ，其定义为Ａ０Ｂ＝｛ｚＩ［（Ｂ）。ｎＡ］≠Ｄ｝（４）（２）腐蚀：Ａ用Ｂ来腐蚀写作Ａ＠Ｂ，其定义为Ａ＠Ｂ＝｛ｚｌ（Ｂ）：∈Ａ｝（５）（３）开启：Ａ用Ｂ来开启写作Ａ。Ｂ，其定义为Ａ。Ｂ＝（Ａ＠Ｂ）ｏＢ（６）（４）闭合：Ａ用Ｂ来开启写作Ａ・Ｂ，其定义为Ａ・Ｂ＝（Ａ④Ｂ）＠Ｂ（７）数学形态学方法一般要求结构元素的大小和车牌字符的大小有一定的关系，这使得结构元素的自适应性较差．也有研究者从事过自适应形态学的研究，如有研究者根据车牌图像中的灰度极大值和极小值来决定结构元素大小［５Ｊ．但是，这些算法的判断过程会耗费时间，在复杂背景下效果可能会受影响．经过前一步处理，车牌附近的干扰边缘由于纹理特征和车牌差异较大，一般都去除了，因此文中对剩下的有效边缘采用横向闭合的方法，即结构元素采用横向一维的．设上一步结果图像为Ｅ，结构元素为Ｂ１×。，Ｂ１×。为１×７ｚ的结构元素处理过程如下：（１）Ｅ２＝Ｅ・ＢＩ×。＝（Ｅ④Ｂ１×。）ＯＢｌ×。（８）（２）Ｅ３＝Ｅ２。ＢＩ×（。一１）＝（Ｅ２０８１×（。一１））ｏＢｔｘ（＾一１）（９）经过以上两步处理，各个准车牌区域得到了有效闭合，即形成了连通域，横向闭合运算可以减少运第４期李波，等：一种自适应车牌识别系统设计方法２１９算时间复杂度，同时还可以避免扩大在纵向的干扰区域．第二步采用横向结构元素尺寸减小的开运算是为了进一步去除一些较小的干扰区域．在各种场合下，即使车牌大小变化较大，由于文中采用的是横向一维结构元素，纵向尺度不变，而横向尺度可以针对较大图像分辨率来确定，这样保证所有图像车牌区域均能在横向上闭合．由此就避免了在各种场合下，随车牌大小的改变，必须不断判断和选择适合尺度结构元素的问题．４候选区域判别经过上面的处理，候选区域形成，下面就要根据车牌区域的其他特征来进行判别．文中基于扫描线种子填充算法来进行连通区搜索．找到各个连通域后，文中遵循“底部优先”的原则，从底向上对各个连通域进行判断，判别准则如下：（１）连通域的绝对高、宽度必须大于一定阈值；（２）最小外接矩形宽高比大于２．５：１；（３）颜色应符合车牌底色．当找到一个完全符合条件的连通域后，结束．颜色识别将ＲＧＢ模型转为ＨＳＶ模型进行，统计该候选区域内的象素，考查以下颜色是否占有一定比例，如果不符合则排除，寻找下一个候选区域．车牌颜色区间值根据统计分析所得的表１来判断．表１车牌颜色区间值以上确定车牌边界位置后，可以向周围适当扩大若干像素，然后进入字符切分模块．５灰度调整一般而言，以上流程可以收到较好的定位效果．但在某些情况下，文中需要利用灰度调整模块．即如果没有检测到候选区，则返回灰度调整模块．如某些情况下由于光线不足，造成图像灰度偏低，边缘检测后车牌区域丢失了，则必须进行灰度调整．文中主要采用灰度拉伸的方法．如图２所示，图２（ａ）由于光线原因，处理后连通区太小，经过灰度拉伸后效果改善，车牌连通区明显变大．然后再进行边缘提取及后续处理步骤．万方数据图２灰度拉伸后效果改善掣蓊磊兰誊酬嘴№到躺。ＦＪ难…车牌粗定位后，字符切分流程如图３所示．臀Ｈ蓉羹雾Ｈ蓑鬲孳霁棼刳Ｈ墓鋈嚣鬓Ｈ材图３字符切分流程图二值化的目的是为了把字符和车牌区背景分下面按照以下算法确定二值化的阈值：Ｆｏｒ（ｉ＝Ｏ；ｉ＜ｈｅｉｇｈｔ；ｉ＋＋）Ｆｏｒ（ｊ＝Ｏ；Ｊ＜ｗｉｄｔｈ；Ｊ＋＋）ｌｉｆ（Ｇｂ妇ｅｄｇｅ（ｉ，歹）＝＝２５５）＆Ⅱ１１＝Ｓｕｍ＋Ｇ鲫ｙ（ｉ，Ｊ）＊Ｇｇｒａｙｅｄｇｅ（ｉ，ｊ）；Ｓｌ址＿，ｄｇｅ＝ＳｕｍＥｄｇｅ＋Ｇｇｒａｙｅｄｇｅ（ｉ，ｊ）；｝ＢｉｍＴｈｒｅｓｈ＝Ｓｕｍ／Ｓ曲Ｅｄｇｅ；ＢｉｎａＴｈｒｅｓｈ即为所求二值化阈值．以上方法的车牌区域在二值化后，会出现黑底白字和白底６车牌字符切分６．１基于边缘检测的二值化开．而字符边缘正好是字符和背景交界之处．采用基于ｓ０１）ｅｌ边缘检测的二值化方法．设经过初定位后的灰度图为Ｇｇｒａｙ（设宽和高分别为ｗｉｄｔｈ，ｈｅｉｇｈｔ），Ｇｇｒａｙ首先经过ｓｏｂｅｌ纵向边缘检测，得到Ｇｇｒａｙｅｄｇｅ，然后，利用ＯＴＳＵ算法确定阈值，对Ｇｇｍｙｅｄｇｅ作一个初步的二值化（０和２５５），得到Ｇｂｉｎａｅｄｇｅ．实质是通过寻找边缘点，在相应的边缘点位置求取原来灰度图像素值与边缘点灰度值乘积之和，再求与灰度边缘值和的商．边缘值起到了加权的作用．６．２统一车牌背景色黑字两种情况，为了方便后续识别，需要统一背景色．考虑到国内的蓝色车牌所占比例最大，所以文中微电子学与计算机２００９年将车牌区底色统一为黑底白字．反色判断在ＨＳＶ空间依据车牌区颜色进行．在车牌粗定位后，原图像中和车牌区颜色相似的区域自然也被去除，所以不会受到干扰色的影响．对颜色的判断依据表１．文中的判断逻辑如下：（１）设置是否需要反色的标志变量ｅｏｌｏｒＲｅ—ｖｅｒｓｅＦｌａｇ＝０，即初始假定不需要反色；（２）只判断是否需要反色．当统计的车牌区黄色像素点占总像素数比例＞Ｏ．２５，或者白色像素点占总像素数比例＞０．４时，ｃｏｌｏｒＲｅｖｅｒｓｅＦｌａｇ＝１，即需要反色．６．３精定位精定位主要目的是把初定位的区域范围尽可能的缩小．在上一步二值化结果基础上，求取相邻列像素差分，如差分值为负，置为０，然后在差分结果中判断．分别在图象中自下向上和自上向下逐行扫描，根据横向每行的白点数目，可以确定车牌区的精确上下界位置．然后，分别自右向左和自左向右逐列扫描，根据每列中自点数目来判断，可以去除左右端可能存在的全白区域，从而进一步将区域左右界逼近车牌字符．二值化、反色、精定位结果如图４所示．（自左至右依次为粗定位结果，边缘检测结果，二值化结果，反色结果，差分结果，精定位结果）图４二值化、反色与精定位６．４基于连通域判别的字符分割文中采用连通域判别来进行字符分割，是考虑到该方法对字符大小的适应性较好．首先作一次去噪处理，去除明显高度不符合的字符．针对中国车牌的汉字各个部首往往分散的特点，文中在连通域判别前，首先在精定位的区域中，确定汉字的大致位置，利用数学形态学对汉字区域分别作一次横向和纵向的膨胀运算，其结构元素很小，分别为１×３、３×１．当然，对于分辨率较小的车牌，汉字往往已经连接在一起了，则不需要作膨胀运算．字符分割过程如图５所示．在上一步精定位确定的区域进行连通域判断．通过递归方法找出各个连通域，并记下每个连通域的上下左右边界．由于采用递归法，判断并输出的连通体需要根据左边界排序，这样就可以得出正确的字符连通体序列．同时，由于车牌字符可能有部分粘连情况，因此可能有２个字符甚至３个字符相连的情况，这时需要根据连通体的左右宽度来判断是否万方数据（（ａ），（ｂ），（ｃ）中字符像素分辨率约为１３×１０，（ｄ）字符约为４３×２８．（ａ）图中分别为精定位结果，连通域判断结果，排序，去噪结果．（ｂ），（ｃ），（ｄ）同理．其中（ｃ）中有字符粘连，（ｄ）中汉字经形态学处理后连通．）图５字符分割需要拆分连通体，得到单个字符．为保证字符切分的大小自适应，文中把精定位的区域高度作为字符高度ｃｈａｒＨ，而字符宽度ｃｈａｒＷ＝ｃｈａｒＨ／１．５．分割后，对于一些质量较差的车牌图象，可能还是会存在一些噪声，但是这些噪声的外形、大小，长宽特点和字符还是有区别的，所以可以逐步判断，进行第二次去噪，从而保留真正的字符．当完成字符切分后，还需要进行字符归一化，然后就可以将字符送入识别模块了．７实验结果与讨论实验结果表明，文中算法是切实有效的，具有较好的自适应性，能够适应各种车牌大小图像．尤其是文中特意选用的３２０×２４０的一组样本，车牌大小约为５０×１５，样本质量较差，汉字肉眼几乎难以辨认。而文中算法收到了较好效果．文中对无效干扰边缘的去除是有效的，其中边缘点密度模板宽度取图像宽度的１／２０，差分阈值取１３０，收效明显，减少了后面处理的复杂性．横向闭合运算不用考虑结构元素的自适应性，较好地解决了以往形态学对结构元素选择的困难．文中的车牌区二值化方法对噪声不敏感，基于连通域判别的字符分割方法对字符大小具有较好适应性．实验的准确率和运行时问如表２所示．第４期表２实验结果表李波，等：一种自适应车牌识别系统设计方法２２１均能有效处理，尤其对车牌大小有良好自适应能力．文中算法在智能交通系统中具有较好实用价值．参考文献：［１］Ｂａｉｒｔｏｎｇ—ｔｉ；ａｎｇ，ＬｉｕＣｈａｎｇ—ｐｉｎｇ．ＡｈｙｂｒｉｄｌｉｃｅｎｓｅＰ０１１ｌａｔｅｅｘｔｒａｃｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｅｄｇｅｓｔａｔｉｓｔｉｃｓａｎｄ１７ｔｈｎ－ｌｏｒ－对于定位失败的样本，是由于少数样本经过处理后，连通区过小或有较大断开，没有满足设定的阈值．这可以通过进一步优化阈值的选定来解决．也有的是由于夜晚光线不足，经处理后依然检测不到车牌边缘．改善光照条件，提高采集图像质量，有助于处理效果的改善．而在字符分割中，由于文中选用的３２０×２４０样本质量不高，因而在后续处理中产生了一些噪声，或者有笔画断裂或粘连，影响了分割效果．在实际应用中，如果横向形态学处理后，车牌区连通效果不好，可以适当将横向一维结构元素调大，以改善连通效果．如图片质量较好，可以取消开运算．文中的算法满足一定实时性，但是算法的效率还有待于优化．ｐｈｏｌｏｇｙ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅｆｅｒｅｎｅｅ０１＂１．Ｐａｔｔｅｒｎ８３１—８３４．ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎ—Ｒｅｃｏｇｎｉｔｉｏｎ．Ｃａｍｂｎｃ妊，ＵＫ，２００４：ｃｏｉｎ—［２］ＪｉｎＮｉｎｇ，Ｙｕａｎｐｌｅｘｂａｃｌ，删ｕｓｉｎｇＹＴａｎｇ．Ｔｅｘｔ黼ｌｏｃａｌｉｚａｔｉｏｎｕｎｄｅｒｗａｖｅｌｅｔｄｅｃｏｍｐｏｓｉｔｉｏｎ［Ｃ］／／Ｐｒｏ－ｃｅｅｄｉｎｇｓｏｆｔｈｅＳｉｘ幽ＩｎｔｅｒｎａｔｉｏｎａｌａｎｄＣｂｎｆ㈣ｃｅ∞Ｄｏｃｕ－ｍｅｍＡｎａｌｙｓｉｓＲｅｃｏｇｎｉｔｉｏｎ．Ｓｅａｔｔｌｅ，ＷＡ，ＵＳＡ，２００１：１１２６—１１３０．［３］陈振学，汪国有，刘成云．一种新的车牌图像字符分割与识别算法［Ｊ］．微电子学与计算机，２００７，２４（２）：４２—４４．［４］ＪｅａｎＳＲ．Ｉｎｔｒｏｄｕｃｔｉｏｎｔｏｍａｔｈ锄ｎａｔｉｃａｌｎｘⅪ－ｐｈｏｌｏｇｙ［Ｊ］．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ，ＧｒａｐｈｉｃｓａｎｄＩ／ｒｌａｇｅ，１９８６，３５（３）：２８３—３０５．［５］黄豪杰，李榕，常鸿森．基于自适应灰度形态学滤波的车牌图像分割［Ｊ］．微电子学与计算机，２００７，２４（４）：９５—９８．８结束语作者简介：文中提出了一种自适应的车牌图像定位和字符分割方法，有效克服了以往形态学结构元素难以自适应选取的问题，对车牌大小具有较好适应性．从实际交通部门采集到的几组样本进行的验证表明，该方法对背景复杂、车牌污损较严重、光照不均的情况李波男，（１９７５一），博士研究生．研究方向为数字图像处理与模式识别．曾致远男，（１９５７一），教授．研究方向为数字视频技术、图像处理．周建中男，（１９５９一），教授，博士生导师．研究方向为工业控制及自动化系统、模糊控制与人工智能理论．（上接第２１６页）参考文献：［１］ＧｅｏｒｇｅＦ［５］ＪｈａｎＬｕｇｅｒ．ＡｒｔｉｆｉｃｉａｌｉｎｔｅｌｌｉｇｅｎｃｅｓｔｒｕｃｔｕｒｅｓＰｄ，ＬｉＭｉｎｇＺｈａｏ，ＤｅｊｔｉｌｌＷａｎｇ，ｅｔａ１．ＦｕｚｚｙＰＩＤａｎｄｃｏｎｔｒｏｌｏｆｔ／ａｃｔｉｏｎＬｅａｒｎｉｎｇａｎｄｓｙｓｔｅｍｆｏｒｖｅｃｈｉｄｅｓ［Ｊ］．Ｍａｃｈｉｎｅｓｔｒａｔｅｇｉｅｓｆｏｒｏａ－ｎｐｌｅｘｐｒｏｂｌ日ｎｓｏｌｖｉｎｇ［Ｍ］．Ｂｅｉｊｉｎｇ：Ｃｈｉ—Ｃｙｂｅｒｎｅｔｉｃｓ。２００５（２）：７７３—７７７．ｍＭａｃｈｉｎｅＰｒｅｓｓ．２００６：１３７—１４５．［２］马鸣远．人工智能与专家系统导论［Ｍ］．北京：清华大学出版社，２００６：６７—７５．［３］ＤｅｆｔＬ，ｎｍｇｂｏＬ．Ａ［Ｍ］．ＮｅｗＹｏｒｋ：Ｗｉｌｅｙ—４６．［６］刘林，刘臻．基于知识的网上监控系统的研究［Ｊ］．微电子学与计算机，２００７，２４（１０）：１５６—１５８．ｆｕ珂ＰＲＯＬＯＧｄａｔａｂａｓｅｓｙｓｔｅｍ作者简介：张聪品女，（１９６８一），副教授，硕士生导师．研究方向为逻辑程序设计语言形式语义．胡伟强男，（１９８２一），硕士研究生．研究方向为逻辑程序设ＲｅｓｅａｒｃｈＳｔｕｄｉｅｓＰｒｅｓｓ，１９９０：３４［４］张天成，岳德君，陈迪生，等．分布式专家系统中时序控制的研究与设计［Ｊ］．微电子学与计算机，２００７，２４（１０）：１８４—１８６．计语言机制．万方数据
