基于matlab的車牌識(shí)別系統(tǒng)設(shè)計(jì)論文

1、<p><b>　　目錄</b></p><p><b>　　1 緒論1</b></p><p>　　1.1 車牌號(hào)識(shí)別研究背景1</p><p>　　1.2 車牌號(hào)識(shí)別技術(shù)研究現(xiàn)狀和趨勢(shì)2</p><p>　　1.3 車牌識(shí)別研究?jī)?nèi)容4</p><p>

2、　　2 車牌識(shí)別系統(tǒng)設(shè)計(jì)原理概述6</p><p>　　3 車牌識(shí)別系統(tǒng)程序設(shè)計(jì)8</p><p>　　3.1 開發(fā)環(huán)境選擇8</p><p>　　3.2 圖像讀取及車牌區(qū)域提取8</p><p>　　3.3 字符切割15</p><p>　　3.4 字符識(shí)別19</p><p>

3、;　　4 仿真結(jié)果及分析22</p><p>　　4.1 車牌定位及圖像讀取及其圖像處理22</p><p>　　4.2 車牌字符分割及其圖像處理22</p><p>　　4.3 車牌字符識(shí)別及其圖像處理23</p><p><b>　　5 結(jié)論24</b></p><p><

4、b>　　參考文獻(xiàn)25</b></p><p><b>　　致謝26</b></p><p>　　附錄：程序清單27</p><p><b>　　1 緒論</b></p><p>　　1.1 車牌號(hào)識(shí)別研究背景</p><p>　　隨著我國(guó)公路交通事業(yè)

5、的發(fā)展，車輛的數(shù)量正在迅速增長(zhǎng)，在給出行提供方便的同時(shí)，車輛管理上存在的問題日益突出，人工管理的方式已經(jīng)不能滿足實(shí)際的需要。微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理效率。作為信息來源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來越受到人們的重視。近年來計(jì)算機(jī)的飛速發(fā)展和數(shù)字圖像技術(shù)的日趨成熟，為傳統(tǒng)的交通管理帶來巨大轉(zhuǎn)變，先進(jìn)的計(jì)算機(jī)處理技術(shù)，不但可以將人力從繁瑣的人工觀察、監(jiān)測(cè)中解放出來，而且能夠大大提高其精確度，汽車牌照自動(dòng)識(shí)別系

6、統(tǒng)就是在這樣的背景與目的下進(jìn)行開發(fā)的。汽車牌照等相關(guān)信息的自動(dòng)采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。</p><p>　　關(guān)于車牌識(shí)別技術(shù)及定位系統(tǒng)研究，在我國(guó)已經(jīng)有了十幾年的發(fā)展歷程，目前系統(tǒng)的應(yīng)用還處于起步階段，大規(guī)模投入使用的成熟系統(tǒng)還沒有出現(xiàn)，汽車牌照識(shí)別系統(tǒng)作為改進(jìn)交通管理的有效工具，技術(shù)水平仍需完善。國(guó)內(nèi)外學(xué)者對(duì)此已

7、經(jīng)有了較多工作，但實(shí)際效果并不理想，尤其是對(duì)車牌自適應(yīng)性強(qiáng)、速度快、準(zhǔn)確率高的高速車牌定位方法還有待進(jìn)一步研究。另外，對(duì)輔助光源要求高，也很難有效解決復(fù)雜背景下多車牌移動(dòng)識(shí)別的技術(shù)難題，如：車牌圖像的傾斜、車牌表面污穢或磨損、光線干擾等都會(huì)影響定位的準(zhǔn)確性。傳統(tǒng)車牌識(shí)別一般僅支持單一車輛，背景比較簡(jiǎn)單。而當(dāng)今許多實(shí)際應(yīng)用場(chǎng)合，如在繁忙交通路口臨時(shí)對(duì)欠稅費(fèi)、報(bào)廢、掛失等車輛的稽查，則監(jiān)視區(qū)域比較復(fù)雜，現(xiàn)有識(shí)別方法無法直接應(yīng)用；而且多數(shù)情況

8、下，同時(shí)出現(xiàn)多輛汽車，背景有廣告牌、樹木、建筑物、斑馬線以及各種背景文字等，現(xiàn)有的識(shí)別方法也不能很好的適應(yīng)多變的環(huán)境，所以對(duì)車牌識(shí)別技術(shù)的研究依然是目前高科技領(lǐng)域的熱門課題之一。車牌識(shí)別系統(tǒng)的成功設(shè)計(jì)、開發(fā)和應(yīng)用具有相當(dāng)大的社會(huì)效益、經(jīng)濟(jì)效益和學(xué)術(shù)意義。</p><p><b>　　車牌識(shí)別的難點(diǎn)：</b></p><p>　　1）由于車牌圖像多在室外采集，會(huì)受到光照

9、條件、天氣條件的影響，會(huì)出現(xiàn)圖像模糊，對(duì)比度低，目標(biāo)區(qū)域過小，色彩失真等影響，并且會(huì)伴隨復(fù)雜的背景圖像，這些都會(huì)影響車牌定位及識(shí)別。</p><p>　　2）每次采集時(shí)目標(biāo)所處位置不會(huì)一樣，采集視角會(huì)有很大變化，并且由于車牌掛的不正，都將導(dǎo)致車牌出現(xiàn)扭曲。</p><p>　　3）牌照多樣性。其他國(guó)家的汽車牌照格式，如尺寸大小，牌照上字符的排列等，通常只有一種。而我國(guó)則根據(jù)不同車型、用途，

10、規(guī)定了多種牌照格式，例如分為軍車、警車、普通車等。我國(guó)標(biāo)準(zhǔn)車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字組成的，漢字的識(shí)別與字母和數(shù)字的識(shí)別有很大的不同，增加了識(shí)別的難度。</p><p>　　4）我國(guó)汽車牌照的底色和字符顏色多樣，藍(lán)底白字、黃底黑字、黑底白字、紅底黑字、綠底白字等多種。</p><p>　　5）由于環(huán)境、道路或人為因素造成汽車牌照污染嚴(yán)重，這種情況下國(guó)外發(fā)達(dá)國(guó)家不允許上路，而在我國(guó)

11、仍可上路行駛。使得車牌的對(duì)比度降低，特征不是很明顯，即使在定位準(zhǔn)確的情況下，字符的識(shí)別也會(huì)受到很大影響。</p><p>　　目前在國(guó)內(nèi)存在多種牌照格式，且存在以上種種困難和特殊性，加大了我國(guó)車牌自動(dòng)識(shí)別的難度，使得中國(guó)車輛牌照識(shí)別遠(yuǎn)遠(yuǎn)難于國(guó)外的車輛牌照識(shí)別。因而如何提高識(shí)別率和識(shí)別處理的實(shí)時(shí)性及實(shí)用性成了一個(gè)緊要的任務(wù)。</p><p>　　1.2 車牌號(hào)識(shí)別技術(shù)研究現(xiàn)狀和趨勢(shì)</

12、p><p>　　1.2.1國(guó)內(nèi)外車牌識(shí)別技術(shù)情況及我國(guó)車牌特點(diǎn)</p><p>　　目前，一些發(fā)達(dá)國(guó)家車牌識(shí)剮系統(tǒng)在實(shí)際交通系統(tǒng)中已經(jīng)成功應(yīng)用，而我國(guó)的開發(fā)應(yīng)用進(jìn)展緩慢，基本停留在實(shí)驗(yàn)室階段。這是因?yàn)槲覈?guó)的實(shí)際情況與國(guó)外有所區(qū)別。國(guó)外車牌比較規(guī)范統(tǒng)一，而我國(guó)車牌規(guī)范不夠，較為多樣化。不同汽車類型有不同的規(guī)格、大小和顏色，所以車牌的顏色多，且字符位數(shù)不統(tǒng)一，對(duì)處理造成了一定的困難。雖然很多研究人

13、員已對(duì)車牌識(shí)別進(jìn)行了較為深入的研究，但目前在車牌定位和字符分割這兩個(gè)關(guān)鍵環(huán)節(jié)還存在著有待解決的難題。一是當(dāng)車牌圖像的對(duì)比度較小、光照不均勻、車牌磨損褪色以及有類似車牌紋理特征的干擾時(shí)，有效定位率下降；其次在車牌字符分割時(shí)，光照不均、對(duì)比度較小、傾斜、污跡、字符粘連和斷裂等嚴(yán)重退化的車牌圖像的字符分割效果也不理想。而對(duì)于車牌字符的識(shí)別來說，其識(shí)別的準(zhǔn)確率很大程度上依賴于車牌定位和字符分割是否成功。車牌字符的識(shí)別作為最終對(duì)車牌圖像的理解，可

14、以借鑒光學(xué)字符識(shí)別的寶貴經(jīng)驗(yàn)，相對(duì)于車牌定位和字符分割來說反而比較容易實(shí)現(xiàn)。</p><p>　　國(guó)內(nèi)外有大量關(guān)于車牌識(shí)別方面的研究報(bào)道。國(guó)外在這方面的研究工作開展較早。在上世紀(jì)70 年代，英國(guó)就在實(shí)驗(yàn)室中完成了“實(shí)時(shí)車牌檢測(cè)系統(tǒng)”的廣域檢測(cè)和開發(fā)。同時(shí)代，誕生了面向被盜車輛的第一個(gè)實(shí)時(shí)自動(dòng)車牌監(jiān)測(cè)系統(tǒng)。發(fā)展到今日，國(guó)外對(duì)車牌檢測(cè)的研究已經(jīng)取得了一些令人矚目的成就，識(shí)別率都在80%以上，甚至有高于90%。并且已經(jīng)

15、實(shí)現(xiàn)了產(chǎn)品化，并在實(shí)際的交通系統(tǒng)中得到了廣泛的應(yīng)用。</p><p>　　由于中國(guó)車牌的格式與國(guó)外有較大差異，所以國(guó)外關(guān)于識(shí)別率的報(bào)道只具有參考價(jià)值，其在中國(guó)的應(yīng)用效果可能沒有在其國(guó)內(nèi)的應(yīng)用效果好，但其識(shí)別系統(tǒng)中采用的很多算法具有很好的借鑒意義。從車牌識(shí)別系統(tǒng)進(jìn)入中國(guó)以來，國(guó)內(nèi)有大量的學(xué)者在從事這方面的研究，提出了很多新穎快速的算法。中國(guó)科學(xué)院自動(dòng)化所的劉智勇等開發(fā)的系統(tǒng)在一個(gè)樣本量為3180 的樣本集中，車牌定

16、位準(zhǔn)確率為99.42%，切分準(zhǔn)確率為94.52%，這套系統(tǒng)后來應(yīng)用于漢王公司的車牌識(shí)別系統(tǒng)，取得了不錯(cuò)的效果。但是包括其他研究人員提出的算法，都存在計(jì)算量和存儲(chǔ)量大的問題，難以滿足實(shí)時(shí)性的要求。此外，當(dāng)車輛區(qū)域的顏色和附近顏色相近時(shí)，定位失誤率會(huì)增加。國(guó)內(nèi)還有許多學(xué)者一直在進(jìn)行這方面的研究，并且取得了大量的研究成果。</p><p>　　目前我國(guó)有普通地方車牌號(hào)、武警車牌號(hào)、軍隊(duì)車牌號(hào)三種類型，普通地方車牌號(hào)又叫

17、自選號(hào)牌車牌（如圖1所示），自選號(hào)牌車牌尺寸是，即車牌長(zhǎng)寬比為4.5:1，一共7個(gè)字符，每個(gè)字符的高寬比為2:1。首個(gè)字符為中文字符，為各個(gè)省或直轄市的簡(jiǎn)稱，第二個(gè)字符為英文大寫字符，前兩個(gè)字符確定該車牌所在地，后五個(gè)字符由阿拉伯?dāng)?shù)字及英文大寫字符組合而成，并且后五個(gè)字符間距相同，七個(gè)字符大小也相同。</p><p>　　圖 1.1 我國(guó)車牌號(hào)示例</p><p>　　1.2.2車牌識(shí)別技

18、術(shù)的應(yīng)用前景</p><p>　　車輛牌照自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要組成部分，廣泛應(yīng)用于交通的監(jiān)控及管理。車輛牌照識(shí)別系統(tǒng)技術(shù)能夠從一幅車輛圖像中準(zhǔn)確定位出車牌區(qū)域，然后經(jīng)過字符切割和識(shí)別實(shí)現(xiàn)車輛牌照的自動(dòng)識(shí)別。目前車牌識(shí)別系統(tǒng)主要應(yīng)用于以下領(lǐng)域：</p><p>　　1）停車場(chǎng)管理系統(tǒng)。利用車牌識(shí)別技術(shù)對(duì)出入車輛的號(hào)牌進(jìn)行識(shí)別和匹配，與停車卡結(jié)合實(shí)現(xiàn)自動(dòng)計(jì)時(shí)、計(jì)費(fèi)的車輛收費(fèi)管理

19、系統(tǒng)。</p><p>　　2）公路自動(dòng)管理系統(tǒng)。以車牌自動(dòng)識(shí)別技術(shù)為基礎(chǔ)，與通信等其他高科技結(jié)合，對(duì)高速公路交通流狀況進(jìn)行自動(dòng)監(jiān)測(cè)、自動(dòng)布控，從而降低交通事故的發(fā)生率，確保交通順暢。</p><p>　　3）安防布控。采用車牌識(shí)別技術(shù)實(shí)現(xiàn)對(duì)車輛的自動(dòng)識(shí)別，快速報(bào)警，既可以有效查找被盜車輛，同時(shí)又為公安機(jī)關(guān)提供了對(duì)犯罪嫌疑人的交通工具進(jìn)行遠(yuǎn)程跟蹤與監(jiān)查的技術(shù)手段。</p>&

20、lt;p>　　4）城市十字交通路口的“電子警察”。可以對(duì)違章車輛進(jìn)行責(zé)任追究，也可以輔助進(jìn)行交通流量統(tǒng)計(jì)，交通監(jiān)測(cè)和疏導(dǎo)。</p><p>　　5）小區(qū)、校園車輛管理系統(tǒng)。社區(qū)保安系統(tǒng)將出入的車輛通過車牌識(shí)別技術(shù)進(jìn)行記錄，將結(jié)果與內(nèi)部車輛列表對(duì)比可以實(shí)現(xiàn)防盜監(jiān)管。</p><p>　　1.3 車牌識(shí)別研究?jī)?nèi)容</p><p>　　車牌系統(tǒng)是計(jì)算機(jī)視覺和模式識(shí)別

21、技術(shù)在智能交通領(lǐng)域的重要應(yīng)用課題之一。車牌識(shí)別系統(tǒng)是一特定目標(biāo)位對(duì)象的專用計(jì)算機(jī)系統(tǒng)，該系統(tǒng)能從一幅圖像中自動(dòng)提取車牌圖像、自動(dòng)分割自符，進(jìn)而對(duì)分割自符的圖像進(jìn)行圖像識(shí)別。系統(tǒng)一般由硬件和軟件構(gòu)成。硬件設(shè)備一般由車體感應(yīng)設(shè)備、輔助光源、攝像機(jī)、圖像采集卡和計(jì)算機(jī)。軟件部分是系統(tǒng)的核心，主要實(shí)現(xiàn)車牌自符的識(shí)別功能。</p><p>　　車牌識(shí)別學(xué)科主要有模式識(shí)別、人工智能、圖像處理、計(jì)算機(jī)視覺和信號(hào)處理等。這些領(lǐng)域

22、的許多技術(shù)都可以應(yīng)用到車牌識(shí)別系統(tǒng)中，車牌識(shí)別技術(shù)的研究也必然推動(dòng)這些相關(guān)學(xué)科的發(fā)展。車牌識(shí)別的關(guān)鍵技術(shù)有：車牌定位、字符切割和字符識(shí)別等。</p><p>　　車牌定位是要完成從圖像中確定車牌位置并提取車牌區(qū)域圖像，目前常用的方法有：基于直線檢測(cè)的方法、機(jī)遇與域值化的方法、基于灰度邊緣檢測(cè)方法、基于彩色圖像的車牌分割方法、神經(jīng)網(wǎng)絡(luò)法和基于矢量量化的牌照的定位的方法等。</p><p>　

23、　字符切割時(shí)完成車牌區(qū)域圖像的切分處理從而得到所需要的單個(gè)字符圖象。目前常用的方法有：基于投影的方法和基于連通字符的提取等方法。</p><p>　　字符識(shí)別是利用字符識(shí)別的原理識(shí)別提取出的字符圖像，目前常用的方法有：基于模板匹配的方法、基于特征的方法和神經(jīng)網(wǎng)絡(luò)法等。</p><p>　　2 車牌識(shí)別系統(tǒng)設(shè)計(jì)原理概述</p><p>　　一個(gè)完整的車牌號(hào)識(shí)別系統(tǒng)要

24、完成從圖像采集到字符識(shí)別輸出，過程相當(dāng)復(fù)雜，基本可以分成硬件部分跟軟件部分，硬件部分包括系統(tǒng)觸發(fā)、圖像采集，軟件部分包括圖像預(yù)處理、車牌位置提取、字符分割、字符識(shí)別四大部分，一個(gè)車牌識(shí)別系統(tǒng)的基本結(jié)構(gòu)如圖2.1所示：</p><p>　　圖 2.1 車牌識(shí)別系統(tǒng)基本結(jié)構(gòu)框圖</p><p>　　一：原始圖像：由停車場(chǎng)固定彩色攝像機(jī)、數(shù)碼相機(jī)或其他掃描裝置拍攝到的圖像。</p>

25、<p>　　二：圖像預(yù)處理:對(duì)動(dòng)態(tài)采集到的圖像進(jìn)行濾波，邊界增強(qiáng)等處理以克服圖像處理。</p><p>　　三：車牌位置提取：通過運(yùn)算得到圖像的邊緣，再計(jì)算邊緣圖像的投影面積，尋找谷峰點(diǎn)以大概確定車牌的位置，再計(jì)算連通域的寬高比，剔除不在閾值范圍內(nèi)的連通域，最后便得到了車牌區(qū)域。</p><p>　　四：字符分割：利用投影檢測(cè)的字符定位分割方法得到單個(gè)的字符。</p>

26、;<p>　　五：字符識(shí)別：利用模板匹配的方法與數(shù)據(jù)庫(kù)中的字符進(jìn)行匹配從而確認(rèn)出字符。</p><p>　　六：輸出結(jié)果：得到最后的汽車牌照，包括漢字、字母和數(shù)字。</p><p>　　車牌號(hào)圖像識(shí)別要進(jìn)行牌照號(hào)碼、顏色識(shí)別 。為了進(jìn)行牌照識(shí)別，需要以下幾個(gè)基本的步驟：</p><p>　　a.牌照定位，定位圖片中的牌照位置；</p>&

27、lt;p>　　b.牌照字符分割，把牌照中的字符分割出來；</p><p>　　c.牌照字符識(shí)別，把分割好的字符進(jìn)行識(shí)別，最終組成牌照號(hào)碼。</p><p>　　牌照識(shí)別過程中，牌照顏色的識(shí)別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與牌照識(shí)別互相配合、互相驗(yàn)證。</p><p><b>　?。?）牌照定位:</b></p>

28、<p>　　自然環(huán)境下，由于汽車圖像背景復(fù)雜、光照不均勻等原因，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)識(shí)別過程的關(guān)鍵。一般采用的方案是首先對(duì)采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。通過以上步驟，牌照一般能夠被定位。</p><p>　?。?）牌照字符分割 :</

29、p><p>　　在完成牌照區(qū)域的定位后，還需要將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行字符識(shí)別，最后輸出結(jié)果。字符分割一般采用垂直投影法。垂直投影法的原理是由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。所以利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像的字符分割有較好的效果。</p><p>　　（3）牌照字符識(shí)

30、別：</p><p>　　字符識(shí)別方法目前主要得算法有兩種即基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法首先將分割后的字符二值化,并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種：</p><p>　　一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸

31、入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。實(shí)際應(yīng)用中，牌照識(shí)別系統(tǒng)的識(shí)別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過程也會(huì)受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識(shí)別的識(shí)別率，也正是牌照識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷的完善識(shí)別算法，還應(yīng)該想辦法克服各種光照條件，

32、使采集到的圖像最利于識(shí)別。</p><p>　　3 車牌識(shí)別系統(tǒng)程序設(shè)計(jì)</p><p>　　3.1 開發(fā)環(huán)境選擇</p><p>　　車牌號(hào)識(shí)別系統(tǒng)的軟件部分大都采用VC++,VB或者M(jìn)atlab,本課題選用Matlab，主要是因?yàn)镸atlab具有以下優(yōu)點(diǎn)</p><p>　　1) Matlab繪圖功能很強(qiáng)大，但在VC++，VB語(yǔ)言里繪圖

33、都很不容易，但Matlab里數(shù)據(jù)的可視化程度非常高，并且具有較強(qiáng)的編輯圖形界面的能力。</p><p>　　2) Matlab語(yǔ)言簡(jiǎn)單，入門容易，程序設(shè)計(jì)不嚴(yán)格，自由度大，例如用戶無需對(duì)矩陣預(yù)定義即可使用。</p><p>　　3)Matlab語(yǔ)言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)豐富，并且內(nèi)部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊。</p><p>　　4)Matl

34、ab的可移植性很好，基本上不做修改就可以在在各種型號(hào)的計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行。</p><p>　　3.2 圖像讀取及車牌區(qū)域提取</p><p>　　圖像讀取及車牌區(qū)域提取主要有：圖像灰度圖轉(zhuǎn)化、圖像邊緣檢測(cè)、灰度圖腐蝕、圖像的平滑處理以及車牌區(qū)域的邊界值計(jì)算。其程序流程圖如下:</p><p>　　圖 3.1 預(yù)處理及邊緣提取框圖</p><

35、p>　　目前比較常用的圖像格式有*.BMP、*.JPG、*.GIF、*.PCX、*.TIFF 等，本課題采集到的圖片是*.JPG 的格式。因?yàn)槭褂?.JPG圖像時(shí)有一個(gè)軟件開發(fā)聯(lián)合會(huì)組織制定、有損壓縮格式，能夠?qū)D像壓縮在很小的儲(chǔ)存空間，而且廣泛支持 Internet 標(biāo)準(zhǔn)，是面前使用最廣的圖片保存和傳輸格式，大多數(shù)攝像設(shè)備都以*.JPG格式保存。利用圖像工具箱的</p><p>　　Car_Image_R

36、GB=imread(‘Image_Name’);</p><p>　　即可將圖像讀取出來，這樣讀取得到的是RGB圖像，RGB圖像分別用紅、綠、藍(lán)三個(gè)色度值為一組代表每個(gè)像素的顏色，因此Car_Image_RGB是一個(gè) 的數(shù)組，m、n表示圖像像素的行、列數(shù)。</p><p>　　3.2.1圖像灰度圖轉(zhuǎn)化</p><p>　　我國(guó)車牌顏色及其RGB值如下，藍(lán)底(0,0,

37、255)白字(255,255,255)、黃底(255,255,0)黑字(0,0,0)、黑底(0,0,0)白字(255,255,255)、紅底(255,0,0)黑字(0,0,0),由于車牌的底色不同，所以從RGB圖像直接進(jìn)行車牌區(qū)域提取存在很大困難，但不管哪種底色的車牌，其底色與上面的字符顏色的對(duì)比度大，將RGB圖像轉(zhuǎn)化成灰度圖像時(shí)，車牌底色跟字符的灰度值會(huì)相差很大。例如藍(lán)色（255，0，0）與白色（255，255，255）在R通道中并無

38、區(qū)分，而在G、R 通道或是灰度圖象中數(shù)值相差很大。同理對(duì)白底黑字的牌照可用R 通道，綠底白字的牌照可以用G 通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。原圖、灰度對(duì)于將彩色圖象轉(zhuǎn)換成灰度圖象時(shí)，圖象灰度值H可由下面的公式計(jì)算：</p><p><b>　　(3.1)</b></p><p><b>　　(3.2)</b></p>

39、<p>　　(3.1)式使用了權(quán)值加重法，(3.2)式使用均值法，使用權(quán)值法的好處是可以突出某個(gè)通道，Matlab內(nèi)的RGB轉(zhuǎn)灰度圖函數(shù)rgb2gray()就是使用的(3.1)式權(quán)值比例公式，這樣就可以利用邊緣檢測(cè)方法，識(shí)別出臨近區(qū)域灰度值相差大的分界區(qū)。通過程序運(yùn)行其效果圖見圖3.2和圖3.3：</p><p>　　圖 3.2 原始圖像</p><p><b>　

40、　圖 3.3灰度圖像</b></p><p>　　由原圖和灰度圖運(yùn)行結(jié)果可知，能清晰地讀出原彩色圖樣，通過圖形的對(duì)比分析，原始圖中車牌區(qū)域的灰度明顯不同于其他區(qū)域，藍(lán)底部分最為明顯。經(jīng)過程序運(yùn)行出來的灰度圖可以比較容易的識(shí)別出車牌的區(qū)域，達(dá)到了預(yù)期的灰度效果。</p><p>　　3.2.2圖像的邊緣檢測(cè)</p><p>　　在Matlab中利用函數(shù)ed

41、ge()實(shí)現(xiàn)邊緣檢測(cè)，具體的用法如下所示：</p><p>　　Car_Image_Bin=edge(Car_Image_Gray,'robert',0.15,'both');</p><p>　　在edge()函數(shù)中有Sobel算子，Prewitt算子，Roberts算子，Log算子，Canny算子及Robert算子，幾種算法相比之下，Roberts算子是

42、一種最簡(jiǎn)單的算子，是一種利用局部差分算子尋找邊緣的算子，他采用對(duì)角線方向相鄰兩象素之差近似梯度幅值檢測(cè)邊緣。檢測(cè)垂直邊緣的效果好于斜向邊緣，定位精度高，對(duì)噪聲敏感,無法抑制噪聲的影響。因此本課題使用了Robert算子。</p><p>　　由于Roberts邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算子, 根據(jù)任一相互垂直方向上的差分都可用來估計(jì)梯度，Robert 算子采用對(duì)角方向相鄰兩像素之差，其計(jì)算公式如

43、下：</p><p><b>　?。?.3）</b></p><p><b>　?。?.4）</b></p><p>　　其幅值為： \* MERGEFORMAT （3.5）</p><p>　　Robert梯度以為中心，所以他度量了

44、點(diǎn)處和 \* MERGEFORMAT 方向(相互正交)的灰度變化。適當(dāng)取門限T，做如下判斷：,(x,y)為階躍狀邊緣點(diǎn)。Roberts邊緣檢測(cè)算子相當(dāng)于用和 \* MERGEFORMAT 對(duì)圖像進(jìn)行卷積。both表示雙向0.15為敏感度值檢測(cè)算法。使用邊緣檢測(cè)，腐蝕效果如圖3.4所示:</p><p>　　圖 3.4 邊緣效果圖</p><p>　　從邊緣效果圖可以看出，經(jīng)過處理以后車

45、牌的輪廓已經(jīng)非常明顯了，車牌區(qū)域及汽車標(biāo)志的邊緣呈現(xiàn)白色條紋，基本上達(dá)到了邊緣檢測(cè)的效果。但是，在車牌附近的其他區(qū)域也由于各種干擾的影響，也存在一些白色區(qū)域。所以要對(duì)圖像做進(jìn)一步的處理，用灰度圖腐蝕來消除多余的邊界點(diǎn)。</p><p>　　3.2.3灰度圖腐蝕</p><p>　　所謂腐蝕即一種消除邊界點(diǎn)，使邊界向內(nèi)部收縮的過程。利用它可以消除小而且無意義的物體。腐蝕的規(guī)則是輸出圖像的最小

46、值是輸入圖像領(lǐng)域中的最小值，在一個(gè)二值圖像中，只要有一個(gè)像素值為0，則相應(yīng)的輸出像素值為0。假設(shè)B對(duì)X腐蝕所產(chǎn)生的二值圖像E是滿足以下條件的點(diǎn)（x,y)的集合：如果B的原點(diǎn)平移到點(diǎn)（x,y），那么B將完全包含于X中。本系統(tǒng)使用imerode()函數(shù)，</p><p>　　Car_Image_Erode=imerode(Car_Image_Bin,Se);</p><p>　　其中結(jié)構(gòu)元素S

47、e又被形象成為刷子，用于測(cè)試輸入圖像，一般比待處理圖像小很多。結(jié)構(gòu)元素的大小形狀任意，一般是二維的。二維結(jié)構(gòu)元素為數(shù)值0和1組成的矩陣，結(jié)構(gòu)元素中數(shù)值為1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素在進(jìn)行腐蝕操作時(shí)是否需要參加運(yùn)算。結(jié)構(gòu)元素太大，會(huì)造成腐蝕過度，造成信息丟失，太小起不了預(yù)期的效果，這里使用矩陣的線性結(jié)構(gòu)元素，即。腐蝕后如圖：</p><p>　　圖 3.5 腐蝕效果圖</p><p>　　從

48、腐蝕的結(jié)果分析，腐蝕的目的是消除小而無意義的物體，對(duì)比邊緣效果檢測(cè)圖與腐蝕效果圖可以看出，在邊緣檢測(cè)圖中還有的小的無意義的圖像已經(jīng)被完全消除了，留下來的僅僅是車牌區(qū)域以及車的標(biāo)志。已經(jīng)得到了車牌圖像的輪廓線了，只要再經(jīng)過適當(dāng)?shù)奶幚砑纯砂衍嚺铺岢龀鰜怼?lt;/p><p>　　3.2.4圖像平滑處理</p><p>　　得到車牌區(qū)域的圖像輪廓線后，由于圖像的數(shù)字化誤差和噪聲直接影響了腳點(diǎn)的提取，

49、因此在腳點(diǎn)提取之前必須對(duì)圖像進(jìn)行平滑處理，Matlab有一個(gè)圖像平滑處理函數(shù)imclose(),它與開運(yùn)算相反，融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。</p><p>　　Car_Image_Perform=imclose(Car_Image_Erode,Se);</p><p>　　結(jié)構(gòu)單元中Se一個(gè)小于對(duì)象閉合圖形，只要兩個(gè)封閉域的距離小于Se，就將這兩個(gè)連接成一個(gè)連通

50、域，Se生成方式采用</p><p>　　Se=strel('rectangle',[25,25]);</p><p>　　即Se是一個(gè)一個(gè)的矩形，使用矩形是因?yàn)檐嚺剖且粋€(gè)矩形，這樣，可以是提取的圖像最接近預(yù)期效果。由于車牌圖像經(jīng)過腐蝕以后只剩下車牌區(qū)域以及車的標(biāo)志。在程序運(yùn)行的圖像平滑后效果如下：</p><p>　　圖 3.6 平滑處理后效果&l

51、t;/p><p>　　從平滑后的效果圖分析，達(dá)到了預(yù)定的目標(biāo)。消除了圖像的數(shù)字化誤差和噪聲對(duì)腳點(diǎn)的直接提取的影響。</p><p>　　3.2.5移除小對(duì)象</p><p>　　圖像平滑處理了，可能會(huì)有多個(gè)閉合區(qū)域，對(duì)于不是車牌區(qū)域的必須予以刪除，Matlab提供了一個(gè)函數(shù)bwareaopen()，用于刪除二值圖像中面積小于一個(gè)定值的對(duì)象，默認(rèn)情況下使用8鄰域，<

52、/p><p>　　Car_Image_Perform2=bwareaopen(Car_Image_Perform,2000);</p><p>　　這樣，Car_Image_Perform中面積小于2000的對(duì)象都被刪除了。</p><p>　　小對(duì)象被刪除后的圖像如圖3.7所示：</p><p>　　圖 3.7 移除小對(duì)象后效果圖</p&

53、gt;<p>　　移除小對(duì)象后的效果圖已經(jīng)非常明顯了，圖像中最后只存在車牌區(qū)域，其他的圖像已經(jīng)完全濾除掉了，包括小物體，車的標(biāo)志等影響已經(jīng)沒有了。</p><p>　　3.2.6車牌區(qū)域的邊界值計(jì)算</p><p>　　在將原始圖像進(jìn)行二值化，然后輪廓平滑處理后，圖像的每個(gè)點(diǎn)為兩個(gè)離散值中的一個(gè)，這兩個(gè)值代表開(1)與關(guān)(0)，即只有黑與白的特殊灰度圖像，并且整個(gè)圖像只有兩個(gè)

54、域(如果有多個(gè)域需改變參數(shù)后重新進(jìn)行一此剔除干擾對(duì)象處理)，全1的域即為車牌區(qū)域，并且近似矩形，長(zhǎng)寬比為4.5:1,也可以用這兩個(gè)特性去檢驗(yàn)提取的區(qū)域是否為車牌區(qū)域。</p><p>　　經(jīng)區(qū)域確定了，即可將車牌的四個(gè)邊界值確定下來。這里采用水平與垂直雙向投影法。</p><p>　　水平坐標(biāo)的確定，先定義一個(gè)的數(shù)組，其中 \* MERGEFORMAT 為原始圖像的寬度值，然后將二值圖像

55、垂直投影到軸。從直方圖中基本可以看書水平方向上的兩個(gè)分界線，為了便于處理，該課題將像素值臨界值定量化，取值5個(gè)像素。從左向右尋找第一個(gè)1值像素大于5的 \* MERGEFORMAT 坐標(biāo)為水平方向左側(cè)分界線，從右向左尋找到第一個(gè)1值像素量大于5的為右側(cè)分界線，程序可以用for循環(huán)語(yǔ)句。</p><p>　　垂直方向的分界線可用同樣的方法實(shí)現(xiàn)。分界線計(jì)算后，即可從原圖像中剪切出只包含車牌的區(qū)域圖像。剪切得到的圖像

56、如下。圖3.8為二值圖切割的車牌區(qū)域，圖3.9為RGB圖像切割出來的圖像：</p><p>　　圖 3.8 車牌區(qū)域二值圖裁減圖像</p><p>　　圖 3.9 原圖中的車牌區(qū)域圖像</p><p>　　對(duì)比原始圖像與二值圖裁減圖可以看出，車牌的四個(gè)邊界值基本上被確定下來了，這樣就可以從原始圖像中直接確定車牌的區(qū)域了。所以車牌就成功地被提取出來了。</p&g

57、t;<p><b>　　3.3 字符切割</b></p><p>　　3.3.1字符切割前的圖像去噪處理</p><p>　　由于圖像車牌號(hào)區(qū)域提取后獲得的是從原始圖像中剪切的，是RGB圖像，分割同樣采取投影法，故同樣需要先將RGB圖像轉(zhuǎn)換成灰度值，再將灰度圖轉(zhuǎn)化成二進(jìn)制圖，轉(zhuǎn)化的方法就是限定一個(gè)閥值，如果大于閥值則為1，小于閥值為0,閥值采用全局閥值，

58、全局閥值是指整幅圖像都采用相同的閥值T處理，適用于背景和前景有明顯對(duì)比的圖像。雖然圖像間受背景、光照等影響存在較大的差異，但計(jì)算簡(jiǎn)單，程序運(yùn)算效率高。在Matlab實(shí)現(xiàn)方式如下：</p><p>　　T=round(License_Image_Gray_max-(License_Image_Gray_max-License_Image_Gray_min)/3); </p><p>　　同時(shí)

59、采集大的圖像噪點(diǎn)依然存在，因此可以通過處理圖像的低頻部分來銳化圖像。這里采用高通濾波算法。由此可得出濾波前后的圖像如下所示： </p><p>　　圖 3.10 車牌區(qū)域圖像濾波前效果</p><p>　　圖 3.11 車牌區(qū)域圖像濾波后效果</p><p>　　可以對(duì)比濾波前跟濾波后的圖像，如圖3.10和圖3.11所示，很明顯，不但噪聲去除了，而且圖像得到了銳化。

60、</p><p>　　3.3.2字符切割前的圖像膨脹和腐蝕處理</p><p>　　腐蝕已經(jīng)在在上文介紹，膨脹剛好與腐蝕相反，運(yùn)算規(guī)則是輸出圖像的像素值是輸入圖像鄰域中的最大值，在一個(gè)二值圖像中，只要一個(gè)像素值為1，則相應(yīng)的輸出像素值為1。</p><p>　　根據(jù)經(jīng)驗(yàn)值，車牌圖像中，字符面積與車牌面積之比在(0.235,0.365)之間，因此計(jì)算字符面積與車牌面積

61、比值，如果大于0.365則對(duì)圖像進(jìn)行腐蝕，如果小于0.235則對(duì)圖像進(jìn)行膨脹，</p><p>　　在這里結(jié)構(gòu)元素Se使用一個(gè)二維單位矩陣 \* MERGEFORMAT 。</p><p>　　對(duì)于此對(duì)象，系統(tǒng)給予膨脹處理，效果圖如圖3.12所示：</p><p>　　圖 3.12 車牌區(qū)域圖像腐蝕、膨脹后效果</p><p><b&

62、gt;　　3.3.3字符切割</b></p><p>　　完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 </p><p>　　

63、圖 3.13 牌照字符切割框圖</p><p>　　2007年頒布的我國(guó)車牌規(guī)范(普通中小型汽車)規(guī)定車牌總長(zhǎng)440mm，牌照中的7個(gè)字符的實(shí)際總長(zhǎng)為409mm 左右，寬140mm，每個(gè)字符45mm寬，90mm高，字符間距為10mm，其中第二個(gè)字符與第三個(gè)字符的間距較為特殊，為15.5mm，最后一個(gè)字符與第一個(gè)字符距邊界25mm。這樣，如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，那么每個(gè)字符寬度為：width/7（w

64、idth 為車牌圖像的寬度）。但是，實(shí)際上，第二個(gè)第三個(gè)字符之間存在一個(gè)黑點(diǎn)，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個(gè)字符的寬度應(yīng)該小于width/7。考慮所有的情況，一般情況下最小的寬度為width/9。因此，字符的寬度可以從width/9 到width/7 之間漸進(jìn)的變化得到,程序流程圖。</p><p>　　字符切割流程圖如下圖所示： </p><p>　　圖 3.14

65、字符切割流程圖</p><p>　　字符分割一般采用垂直投影法。在這之前還必須切除周邊空白，由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。</p><p>　　經(jīng)過切割，切割的字符圖像如下：</p><p>

66、　　圖 3.15 經(jīng)切割的七個(gè)字符</p><p>　　切割后一連串的字符串變成了單個(gè)字符，為后面的字符匹配識(shí)別奠定了基礎(chǔ)。</p><p><b>　　3.4 字符識(shí)別</b></p><p>　　3.4.1字符識(shí)別方法選擇</p><p>　　目前字符識(shí)別的方案有使用神經(jīng)網(wǎng)絡(luò)和模板匹配法進(jìn)行比對(duì)。人工神經(jīng)網(wǎng)絡(luò)是模擬人

67、腦思維功能和組織建立起來的數(shù)學(xué)模型，雖然現(xiàn)在神經(jīng)網(wǎng)絡(luò)正在迅速發(fā)展，但總體來說應(yīng)用還是相對(duì)復(fù)雜的。模板匹配法雖然識(shí)別率低，但實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，只有矩陣的加減與統(tǒng)計(jì)，而且車牌字符是有阿拉伯?dāng)?shù)字，英文大寫字母，還有部分漢字，雖有字庫(kù)量不大，字符較規(guī)整時(shí)對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高，因此本課題使用這種方法。對(duì)于模板匹配，首先建立標(biāo)準(zhǔn)模板庫(kù)，庫(kù)中字符使用統(tǒng)一的尺寸，這里使用。</p><p>　　3.

68、4.2字符歸一化</p><p>　　由于圖像采集時(shí)圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會(huì)不一樣，所以在進(jìn)行匹配前必須先進(jìn)行字符圖像歸一化。使圖像字符大小跟模板圖像大小一致，Matlab提供一個(gè)改變圖像大小的函數(shù)imresize(I，Size，Model)，Model是插值運(yùn)算方法，這里選用'nearest'最近鄰插值法,經(jīng)歸一化后的圖像如下。</p><p>　　

69、圖 3.16 經(jīng)歸一化后的七個(gè)字符</p><p>　　切割的字符經(jīng)過歸一化之后，每個(gè)字符的大小基本一致，由此便解決了像素值不一致帶來的問題，并且利于和庫(kù)中的字符進(jìn)行匹配比較。</p><p>　　3.4.3字符匹配識(shí)別</p><p>　　字符匹配識(shí)別的是要前提要簡(jiǎn)歷可以與之相比較的字庫(kù)表，再將已切割并進(jìn)行了歸一化處理的單個(gè)字符相比較，逐個(gè)字符進(jìn)行匹配比較，再將待

70、識(shí)別的字符的特征值和模板字符相減，找到相減值為最小的那個(gè)即為匹配得最好的字符。字符識(shí)別步驟如下：</p><p>　　圖 3.17 字符匹配框圖</p><p>　　字符匹配的準(zhǔn)確度是車牌識(shí)別中的關(guān)鍵部分，所以首先要簡(jiǎn)歷精準(zhǔn)有效的模板字庫(kù)表，便于切割完的字符與庫(kù)中內(nèi)容相比較，接下來是讀取切割的字符，從第一個(gè)字符開始一次與庫(kù)中字符相比較匹配，切割后的字符特征值與庫(kù)中模板字符相減，找到值最小的

71、那個(gè)就是匹配得最恰當(dāng)?shù)淖址?lt;/p><p>　　匹配方法采用將目標(biāo)圖像與模板圖像逐點(diǎn)做差，得到第三幅圖像，程序?qū)崿F(xiàn)如下</p><p>　　for ii=1:40</p><p>　　or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)-Word_Image_Code(ii,jj);</p&g

72、t;<p><b>　　end</b></p><p><b>　　end</b></p><p>　　最后計(jì)算第三幅二進(jìn)制圖像中像素值為1的個(gè)數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對(duì)比可得相似度最高的數(shù)字</p><p>　　圖 3.18 字符相似度比較</p><p>　　如圖3.1

73、8所示：第一個(gè)字符在Lib_Code_No=39處取得最大相似度，查字庫(kù)Lib_Code_No=39的字符為“魯”，則可以確定該字符為“魯”，同理可得出其他6個(gè)字符。</p><p>　　4 仿真結(jié)果及分析</p><p>　　4.1 車牌定位及圖像讀取及其圖像處理</p><p>　　車牌定位后系統(tǒng)邊緣檢測(cè)的仿真結(jié)果圖如下圖所示:</p><

74、p>　　圖 4.1 圖像讀取及檢測(cè)結(jié)果圖</p><p>　　結(jié)果分析：圖像車牌區(qū)域提取就是從原圖中截取含車牌的部分，即RGB圖像，然后進(jìn)行字符的切割與識(shí)別。為了去除圖像中的噪聲點(diǎn)必須對(duì)截取的圖像進(jìn)行濾波處理，經(jīng)濾波后，不僅去除了噪聲，并且使圖像得到了銳化。經(jīng)過這些步驟可以使得最終識(shí)別出的圖像與原圖的相似度更高，即結(jié)果更精確。仿真的結(jié)果也使得車牌部分從原圖被準(zhǔn)確的提取出來了，達(dá)到了車牌定位及圖像讀取及其圖像

75、處理的目的。</p><p>　　4.2 車牌字符分割及其圖像處理</p><p>　　對(duì)經(jīng)邊緣檢測(cè)掃描后的圖像經(jīng)字符切割后的圖像如下圖所示：</p><p>　　圖 4.2 字符分割及歸一化結(jié)果圖</p><p>　　結(jié)果分析：從MATLAB編程運(yùn)行結(jié)果看，便于圖像進(jìn)行匹配識(shí)別，必須先將連續(xù)的字符切割成單個(gè)字符，并且在切割字符之前要將周邊空

76、白切除掉。由以上結(jié)果圖可以看到，車牌被切成只含字符部分，并且七個(gè)字符被切成清晰的七個(gè)字符，實(shí)現(xiàn)了字符切割。由右側(cè)的歸一化圖像可以看出，切割出的圖像像素值和模板圖像達(dá)到了一致，由此便避免了切割出的圖像像素值不一致所帶來的問題。</p><p>　　4.3 車牌字符識(shí)別及其圖像處理</p><p>　　圖像經(jīng)上述處理后再進(jìn)行識(shí)別，次圖像和原圖有一定的差異，其字符相似度曲線成一定規(guī)律，其曲線圖如

77、下圖所示：</p><p>　　圖 4.3 字符識(shí)別結(jié)果圖</p><p>　　結(jié)果分析:字符識(shí)別是這樣一個(gè)過程，根據(jù)建立的模板字符庫(kù)將分割出來的字符和模板庫(kù)中的字符一一匹配，將切割的字符和模板相減得到一個(gè)差值，差值越小表明字符匹配程度越高。由圖4.3可知，字符匹配識(shí)別的難易程度不一致，但總體能識(shí)別出漢字、字母和數(shù)字。</p><p><b>　　5 結(jié)

78、論</b></p><p>　　本課題對(duì)車牌識(shí)別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析。主要工作內(nèi)容及結(jié)論如下:</p><p>　?。?）整理和總結(jié)了國(guó)內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國(guó)車牌的固有特征，以及車牌識(shí)別的特點(diǎn)。</p><p>　?。?）在車牌定位

79、我們采用基于灰度跳變的定位方法，采用先對(duì)圖像進(jìn)行預(yù)處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過程，實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過程，提高了后續(xù)處理的速度。</p><p>　　（3）基于彩色分量的定位方法，運(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對(duì)車牌是藍(lán)色的車牌進(jìn)行定位。實(shí)驗(yàn)表明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)

80、確率較高。</p><p>　　（4）用MATLAB編程運(yùn)行結(jié)果可以得出，本設(shè)計(jì)采用的圖像預(yù)處理、邊緣檢測(cè)、開閉運(yùn)算子、車牌長(zhǎng)寬比特征識(shí)別等對(duì)車牌的定位都是非常有效的，而本設(shè)計(jì)提出的二次水平投影分析和閾值技術(shù)有效檢測(cè)了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對(duì)多個(gè)車牌進(jìn)行實(shí)驗(yàn)，均有很高的正確率。</p><p>　　本設(shè)計(jì)雖然只對(duì)藍(lán)底白字車牌進(jìn)行分割識(shí)別，對(duì)黑底白字車牌

81、原則上整個(gè)算法可直接適用，對(duì)白底黑字車牌、黃底黑字車牌，需要對(duì)車牌定位算法進(jìn)行調(diào)整，并將圖像反轉(zhuǎn)（0變1、1變0），而車牌字符的分割算法仍然行之有效。</p><p>　　因此，本設(shè)計(jì)提出的車牌字符的分割算法實(shí)驗(yàn)證明是準(zhǔn)確、有效、可行的。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1]. 趙丹，丁金華.基于Matlab

82、的車牌識(shí)別[J].大連：大連大連理工學(xué)報(bào)，2008.6，14（4）：44～48</p><p>　　[2]. 冀小平.基于Matlab的車牌識(shí)別系統(tǒng)研究[J].北京：電子設(shè)計(jì)工程,2009.11，11（3）：18～21</p><p>　　[3]. 徐輝.基于Matlan實(shí)現(xiàn)汽車車牌自動(dòng)識(shí)別系統(tǒng)[M]. 北京：國(guó)防工業(yè)出版社，2010.6</p><p>　　[4]

83、. 王愛玲，葉明生等.MATLAB R2007圖像處理技術(shù)與應(yīng)用[M].北京：電子工業(yè)出版社，2008.1</p><p>　　[5]. 張德豐.MATLAB模糊系統(tǒng)設(shè)計(jì)[M].北京：國(guó)防工業(yè)出版社,2009.2</p><p>　　[6]. 葉晨洲等.車輛牌照字符識(shí)別[J].上海：上海交通大學(xué)學(xué)報(bào),2000.4～6</p><p>　　[7]. 劉智勇等.車牌識(shí)別

84、（LPR）中的圖像提取及分割[J].北京：中文信息學(xué)報(bào),2000,14(4):29～34</p><p>　　[8]. 賀興華、周媛媛、王繼陽(yáng)等.MATLAB 圖像處理[M].北京：人民郵電出版社,2006.96～100</p><p>　　[9].劉佐濂 , 鄧榮標(biāo) , 孔嘉圓.中國(guó)科技信息 [J].2005（23期）9～12.</p><p>　　[10]. 張

85、禹、馬駟良、韓笑、張忠波.車牌識(shí)別中的圖像提取及分割算法[J].吉林大學(xué)學(xué)報(bào),2006. 第44卷第3期，407～410</p><p>　　[11]. 霍宏濤.數(shù)字圖像處理[M].北京：機(jī)械工業(yè)出版社,2003.5</p><p>　　[12]. 許志影、李晉平.MATLAB極其在圖像處理中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化,2004(4)：20～28</p><p&g

86、t;　　[13]. 戚飛虎.模式識(shí)別與圖象處理［M］.上海：上?？茖W(xué)技術(shù)出版社,1998 </p><p>　　[14]. 雷英杰. MATLAB遺傳算法工具箱及應(yīng)用[M].西安:西安電子科技大學(xué)出版社,2005</p><p>　　[15]. 楊淑瑩.模式識(shí)別與智能計(jì)算:Matlab技術(shù)實(shí)現(xiàn)[M].北京：電子工業(yè)出版社,2008</p><p>　　[16]. 張

87、強(qiáng),王正林.精通MATLAB圖像處理[M].北京:電子工業(yè)出版社,2009</p><p>　　[17]. D. S. Kim and S. I. Chien,. Automatic car license plate extraction using modified generalized symmetry transform and image warp ing[ J ]. in Proc. IEEE In

88、t. Symp. Industrial Elec2tronics, vol. 3, 2001, pp. 2022 - 2027</p><p><b>　　致謝</b></p><p>　　非常感謝張恒老師、張小林老師在我大學(xué)的最后學(xué)習(xí)階段——畢業(yè)設(shè)計(jì)階段給自己的指導(dǎo)，從最初的校外畢設(shè)申請(qǐng)、定題，到資料收集、寫作、修改以及論文定稿，他們給了我耐心的指導(dǎo)和無私的幫助。為

89、了指導(dǎo)我們的畢業(yè)論文，他們放棄了自己的休息時(shí)間，他們的這種無私奉獻(xiàn)的敬業(yè)精神令人欽佩，在此我向她們表示我誠(chéng)摯的謝意。同時(shí)，感謝所有任課老師和所有同學(xué)在這四年來給自己的指導(dǎo)和幫助，是他們教會(huì)了我專業(yè)知識(shí)，教會(huì)了我如何學(xué)習(xí)，教會(huì)了我如何做人。正是由于他們，我才能在各方面取得顯著的進(jìn)步，在此向他們表示我由衷的謝意，并祝所有的老師身體健康、工作順利，培養(yǎng)出越來越多的優(yōu)秀人才，桃李滿天下！</p><p><b>

90、;　　附錄：程序清單</b></p><p>　　function [d]=main(jpg)</p><p><b>　　close all</b></p><p><b>　　clc</b></p><p>　　%I=imread('car1.JPG');</p

91、><p>　　I=imread('chepai.jpg');</p><p>　　figure(1),imshow(I);title('原圖')</p><p>　　I1=rgb2gray(I);</p><p>　　figure(2),subplot(1,2,1),imshow(I1);title('灰度

92、圖');</p><p>　　figure(2),subplot(1,2,2),imhist(I1);title('灰度圖直方圖');</p><p>　　I2=edge(I1,'robert',0.15,'both');</p><p>　　figure(3),imshow(I2);title('ro

93、bert算子邊緣檢測(cè)')</p><p>　　se=[1;1;1];</p><p>　　I3=imerode(I2,se);</p><p>　　figure(4),imshow(I3);title('腐蝕后圖像');</p><p>　　se=strel('rectangle',[25,25]);&

94、lt;/p><p>　　I4=imclose(I3,se);</p><p>　　figure(5),imshow(I4);title('平滑圖像的輪廓');</p><p>　　I5=bwareaopen(I4,2000);</p><p>　　figure(6),imshow(I5);title('從對(duì)象中移除小對(duì)象&

95、#39;);</p><p>　　[y,x,z]=size(I5);</p><p>　　myI=double(I5);</p><p><b>　　tic</b></p><p>　　Blue_y=zeros(y,1);</p><p><b>　　for i=1:y</b>

96、;</p><p><b>　　for j=1:x</b></p><p>　　if(myI(i,j,1)==1) </p><p>　　Blue_y(i,1)= Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì) </p><p><b>　　end </b></p><p>

97、　　end </p><p><b>　　end</b></p><p>　　[temp MaxY]=max(Blue_y);%Y方向車牌區(qū)域確定</p><p><b>　　PY1=MaxY;</b></p><p>　　while ((Blue_y(PY1,1)>=5)&

98、;&(PY1>1))</p><p>　　PY1=PY1-1;</p><p><b>　　end </b></p><p><b>　　PY2=MaxY;</b></p><p>　　while ((Blue_y(PY2,1)>=5)&&(PY2<y

99、))</p><p>　　PY2=PY2+1;</p><p><b>　　end</b></p><p>　　IY=I(PY1:PY2,:,:);</p><p>　　%%%%%% X方向 %%%%%%%%%</p><p>　　Blue_x=zeros(1,x);%進(jìn)一步確定x方向的車牌區(qū)域&

100、lt;/p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(myI(i,j,1)==1)</p><p>　　Blue_x(1,j)= Blue_x(1,j)+1; </p><p><b>

101、;　　end </b></p><p>　　end </p><p><b>　　end</b></p><p><b>　　PX1=1;</b></p><p>　　while ((Blue_x(1,PX1)<3)&&(PX1<x))</

102、p><p>　　PX1=PX1+1;</p><p><b>　　end </b></p><p><b>　　PX2=x;</b></p><p>　　while ((Blue_x(1,PX2)<3)&&(PX2>PX1))</p><p>　

103、　PX2=PX2-1;</p><p><b>　　end</b></p><p>　　PX1=PX1+50;%對(duì)車牌區(qū)域的校正</p><p>　　PX2=PX2-50;</p><p>　　PY1=PY1+45;</p><p>　　PY2=PY2-45;</p><p&g

104、t;　　dw=I(PY1:PY2-8,PX1:PX2,:);</p><p><b>　　t=toc; </b></p><p>　　figure(7),subplot(1,2,1),imshow(IY),title('行方向合理區(qū)域');</p><p>　　figure(7),subplot(1,2,2),imshow(dw

105、),title('定位剪切后的彩色車牌圖像')</p><p>　　imwrite(dw,'dw.jpg');</p><p>　　[filename,filepath]=uigetfile('dw.jpg','輸入一個(gè)定位裁剪后的車牌圖像');</p><p>　　jpg=strcat(filepat

106、h,filename);</p><p>　　a=imread('dw.jpg');</p><p>　　b=rgb2gray(a);</p><p>　　imwrite(b,'1.車牌灰度圖像.jpg');</p><p>　　figure(8);subplot(3,2,1),imshow(b),title(

107、'1.車牌灰度圖像')</p><p>　　g_max=double(max(max(b)));</p><p>　　g_min=double(min(min(b)));</p><p>　　T=round(g_max-(g_max-g_min)/2); % T為二值化的閾值</p><p>　　[m,n]=size(b);&

108、lt;/p><p>　　d=(double(b)>=T); % d:二值圖像</p><p>　　imwrite(d,'2.車牌二值圖像.jpg');</p><p>　　figure(8);subplot(3,2,2),imshow(d),title('2.車牌二值圖像')</p><p>　　figur

109、e(8),subplot(3,2,3),imshow(d),title('3.均值濾波前')</p><p><b>　　% 濾波</b></p><p>　　h=fspecial('average',3);</p><p>　　d=im2bw(round(filter2(h,d)));</p>&

110、lt;p>　　imwrite(d,'4.均值濾波后.jpg');</p><p>　　figure(8),subplot(3,2,4),imshow(d),title('4.均值濾波后')</p><p>　　% 某些圖像進(jìn)行操作</p><p><b>　　% 膨脹或腐蝕</b></p>&

111、lt;p>　　% se=strel('square',3); % 使用一個(gè)3X3的正方形結(jié)果元素對(duì)象對(duì)創(chuàng)建的圖像進(jìn)行膨脹</p><p>　　% 'line'/'diamond'/'ball'...</p><p>　　se=eye(2); % eye(n) returns the n-by-n identity ma

112、trix 單位矩陣</p><p>　　[m,n]=size(d);</p><p>　　if bwarea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</p><p>　　elseif bwarea(d)/m/n<=0.235</p><p>　　d=imdilate

113、(d,se);</p><p><b>　　end</b></p><p>　　imwrite(d,'5.膨脹或腐蝕處理后.jpg');</p><p>　　figure(8),subplot(3,2,5),imshow(d),title('5.膨脹或腐蝕處理后')</p><p>　　%

114、 尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割</p><p>　　d=qiege(d);</p><p>　　[m,n]=size(d);</p><p>　　figure,subplot(2,1,1),imshow(d),title(n)</p><p>　　k1=1;k2=1;s=sum(d);j=1;<