車牌識別課程設(shè)計--車牌識別的設(shè)計與實現(xiàn)

1、<p><b>　　課 程 設(shè) 計</b></p><p>　　車牌識別的設(shè)計與實現(xiàn)</p><p><b>　　姓名： </b></p><p><b>　　學(xué)號 ： </b></p><p><b>　　專業(yè)：信息工程</b></p&g

2、t;<p><b>　　指導(dǎo)老師： </b></p><p><b>　　2014年1月 </b></p><p>　　車牌識別的設(shè)計與實現(xiàn)</p><p>　　摘要：隨著我國經(jīng)濟、交通的的快速發(fā)展，車牌定位系統(tǒng)以及車牌字符自動識別技術(shù)也逐漸受到人們的重視。車牌識別是對采集的車牌圖像進行灰度變換、邊緣檢測、腐

3、蝕以及平滑處理，最后在取得的大對像中移除小對像，由此提出了一種基于車牌紋理特征的車牌定位算法，最終實現(xiàn)對車牌的定位。車牌字符分割是為了以便后續(xù)對車牌模板進行匹配從而對車牌進行識別，考慮到我國車牌的結(jié)構(gòu)構(gòu)成所采用的字符并不是很多，由此本文采用了模板匹配的方法，對輸出的圖像和模板庫里的模板進行匹配，通過處理后得到的圖片與模板字符相減，得到的0越多那么就越匹配，然后對其個數(shù)進行累計并找出數(shù)值最大的，即為識別出來的結(jié)果。</p>

4、<p>　　關(guān)鍵詞：字符識別；模式識別；車牌定位；模板匹配；邊緣檢測</p><p><b>　　1 引 言</b></p><p>　　近年來隨著社會經(jīng)濟的高速發(fā)展、汽車數(shù)量急劇增加，對交通管理的要求也日益提高，而相應(yīng)的人工管理方式以不能滿足實際的需要，微電子、通信和計算機技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理的效率。運用電子信息技術(shù)實現(xiàn)安全、高效的智能

5、交通成為交通管理的主要發(fā)展方向。汽車牌照號碼是車輛的唯一“身份”標(biāo)識，通過智能的車牌定位及識別技術(shù)將對于維護交通安全和城市治安，防止交通堵塞，實現(xiàn)交通自動化管理有著現(xiàn)實的意義。</p><p>　　車牌識別技術(shù)(Vehicle License Plate Recognition，VLPR) 是指能夠檢測到受監(jiān)控路面的車輛并自動提取車輛牌照信息進行處理的技術(shù)。車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分

6、廣泛。它以數(shù)字圖像處理、模式識別、計算機視覺等技術(shù)為基礎(chǔ)，對攝像機所拍攝的車輛圖像或者視頻序列進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。</p><p>　　車牌定位與字符識別技術(shù)是基于計算機圖像處理、模式識別等技術(shù)為基礎(chǔ)，通過對原圖像的處理，以及邊緣檢測技術(shù)實現(xiàn)對車牌的定位，然后對車牌圖像處理、歸一化處理、分割以及保存，最后進行分割圖像與模板庫的模板進行匹配，最后輸出匹配結(jié)果。車牌的智能定位以及

7、識別是一個完整的系統(tǒng)，考慮到其應(yīng)用的普遍性以及廣泛性，就要求我們在設(shè)計過程中考慮到以下幾方面：</p><p>　　（1）準(zhǔn)確性:盡可能的避開其他外界造成的干擾，準(zhǔn)確的識別車牌信息。</p><p>　?。?）實時性:考慮到車載行駛的過程中速度不一，對觸發(fā)超速攝像的抓拍應(yīng)當(dāng)及時的對其進行識別并且儲存，才能有效的提高工作效率。</p><p>　?。?）優(yōu)化性：采用竟

8、可能低的硬件要求，對其快速的做出的計算與識別。</p><p>　　本文采用的是選取不同的邊緣算子檢測，通過實驗分析不同算子的效果，最終選取了canny算子進行車牌的邊緣檢測，更好的對其進行檢測與識別，然后通過二值化等處理進行分割，最終與模板庫模板進行對比，達到車牌識別的目的。 2 車牌識別系統(tǒng)分析</p><p>　　2.1 車牌識別現(xiàn)狀分析</p><p>

9、　　模式識別[]是一門以應(yīng)用為基礎(chǔ)的學(xué)科，目的是將對像進行分類，這些對像與應(yīng)用領(lǐng)域有關(guān)，他們可以是圖像，信號波形或者是任何可測量且需要分類的對像，在機器視覺中，模式識別是非常重要的，機器視覺系統(tǒng)通過照相機捕捉圖像，然后通過分析生成圖像的描述信息。車牌識別技術(shù)是計算機模式識別技術(shù)在智能交通領(lǐng)域的典型應(yīng)用，是一個以特寫目標(biāo)為對像的專用計算機視覺系統(tǒng)[]。簡單地說，它使計算機能像人一樣認識汽車牌照(包括車牌的漢字、字母、數(shù)字)。</p&

10、gt;<p>　　車輛牌照識別技術(shù)推出以來，人們就對其進行了廣泛的研究。從20世紀(jì)90年代初，國外就已經(jīng)開始了對汽車牌照自動識別[]的研究，其主要途徑就是對車牌的圖像進行分析，自動提取車牌信息，確定汽車牌號。國外己有不少相關(guān)的文章發(fā)表，有的己經(jīng)非常成熟，投入實際使用。</p><p>　　我國車牌自動識別的研究起步較晚，大約發(fā)生在八十年代末。1988年戴營等利用常見的圖像處理技術(shù)方法提出漢字識別的分

11、類是在提取漢字特征的基礎(chǔ)上進行的。根據(jù)漢字的投影直方圖（ProjectionHIStogram），選取浮動閡值，進行量化處理后，形成一個變長鏈碼，再用動態(tài)規(guī)劃法，求出與標(biāo)準(zhǔn)模式鏈碼的最小距離，實現(xiàn)細分類，完成漢字省名的自動識別。 </p><p>　　目前我國市場上有二十幾家企業(yè)從事車牌識別產(chǎn)品的開發(fā)和生產(chǎn)，其中比較成熟的有香港的ASiavisionTeChnologyLtd公司（亞洲視覺科技有限公司）、北京

12、</p><p>　　漢王、沈陽聚德、川大智勝、上海高德威、清華紫光、杭州友通、深圳科安信、利普視覺中智交通電子系統(tǒng)有限公司等企業(yè)。</p><p>　　2.2 車牌識別的意義</p><p>　　結(jié)合我國的國情，由于我國地域廣闊，車輛道路復(fù)雜，安裝相應(yīng)的檢測設(shè)備或者人員配備投資巨大，且造成人力物力的浪費，因此我們急需對現(xiàn)有的檢測設(shè)備優(yōu)化，而車牌識別技術(shù)恰好能滿足這

13、一需求，通過車牌識別我們可以解決被納入“黑名單”的通緝車輛，可以統(tǒng)計一定時間范圍內(nèi)進出各省的車輛，還能有效的對該車輛進行定位，對公安機關(guān)等相關(guān)部門有著很重要的作用，具體歸結(jié)應(yīng)用方式如下：</p><p><b>　　1）監(jiān)測報警 </b></p><p>　　對于納入“黑名單”的車輛，例如：被通緝或掛失的車輛、欠交費車輛、未年檢車輛、肇事逃逸及違章車輛等，我們只需要把

14、其牌照的信息輸入系統(tǒng)，那么該車輛在通過裝有全國聯(lián)網(wǎng)系統(tǒng)的路口或者收費站等卡口時，信息采集設(shè)備將會對其進行采集并且與數(shù)據(jù)庫對比，實現(xiàn)其定位。這種方式可以通過程序?qū)崿F(xiàn)24小時工作，而且此過程保密性好，不會提醒黑名單車輛的死機。</p><p>　　2）車輛出入自動登記及放行</p><p>　　在需要管制的小區(qū)或者辦公場所門口裝設(shè)車牌識別系統(tǒng)，那么汽車進出此場所時間，車牌牌照等信息將會被存儲在

15、相應(yīng)的數(shù)據(jù)庫中，通過修改相應(yīng)的數(shù)據(jù)庫，添加車牌信息，我們還能讓自動門禁對相應(yīng)的車輛進行自動放行，如遇到非數(shù)據(jù)庫中的車輛則由保安進行相應(yīng)的咨詢，或批準(zhǔn)后人為放行。這不僅提高物業(yè)管理的效益，同時自動比對進出車輛，防止偷盜事件的發(fā)生。</p><p><b>　　3）違法違章管理 </b></p><p>　　車牌識別技術(shù)結(jié)合測速設(shè)備可以用于車輛超速違章處罰，一般用于高速公

16、路、容易肇事路段。還可以在紅綠燈路口加上紅外檢測實現(xiàn)違規(guī)檢測，對出現(xiàn)闖紅燈的現(xiàn)像或者違規(guī)轉(zhuǎn)彎的現(xiàn)像進行相應(yīng)的數(shù)據(jù)采集。將其傳送至相關(guān)部門，從而對其下發(fā)處罰通知書，實現(xiàn)對其處罰。</p><p>　　4）交通流控制指標(biāo)參量的測量</p><p>　　為達到交通流控制的目標(biāo)，一些交通流指標(biāo)的測量相當(dāng)重要。車牌識別系統(tǒng)能夠測量和統(tǒng)計很多交通流指標(biāo)參數(shù)例如車流量，車流高峰時間段，平均車速，車輛密度

17、等。這也為交通誘導(dǎo)系統(tǒng)提供必要的交通流信息。從而能夠有效的采取措施預(yù)防堵車，排隊，事故等交通異常現(xiàn)像。</p><p>　　5）移動電子警察系統(tǒng)</p><p>　　隨著我國公路基礎(chǔ)建設(shè)的快速發(fā)展，公路的質(zhì)量、里程都有了很大程度上的提高，但也出現(xiàn)了不交養(yǎng)路費等情況，給國家造成了巨大的經(jīng)濟損失。且丟失車輛稽查、車輛是否合法、攔車路檢等情況都需要公安人員對其進行相應(yīng)的檢查，由于人工判斷工作效率

18、很低且容易讓正常車主及乘客造成誤解，現(xiàn)在有了車牌自動識別技術(shù)之后將大大提高辦公效率以及檢查的準(zhǔn)確性，很大程度上解決了以上的問題。</p><p><b>　　3實現(xiàn)目標(biāo)和功能</b></p><p>　　車牌識別(Vehicle License Plate Recognition，VLPR) 是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分廣泛，車牌識別技術(shù)通過對信息

19、量較大的對像采集，然后經(jīng)過一系列的處理提取了相對較小的信息量且有價值的一部分信息，僅僅提取識別車“身份”的車牌信息。在交通管理過程中，通常采用視頻監(jiān)控方式對闖紅燈和超速等違章車輛進行監(jiān)督。對違章車輛，需要自動檢測車牌信息，提取車牌號碼，以便查找車主信息和監(jiān)督管理。對于維護交通安全和城市治安，防止交通堵塞，實現(xiàn)交通自動化管理有著現(xiàn)實的意義。</p><p><b>　　實現(xiàn)功能</b><

20、/p><p>　　1）對圖像進行預(yù)處理，增加圖像的對比度；</p><p>　　2）根據(jù)圖像的顏色對車牌區(qū)域定位</p><p>　　3）對圖像進行旋轉(zhuǎn)、二值化操作，并進行水平投影操作，根據(jù)直方圖峰值和谷值對字符進行分割；</p><p>　　4）可采用模板匹配方法，對數(shù)字和字母進行識別，并輸出識別后的結(jié)果。</p><p&g

21、t;　　4 實現(xiàn)所采用的方法</p><p>　　車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。</p><p>　　為了用于牌照的分割和牌照字符的識別，原始圖像應(yīng)具有適當(dāng)?shù)牧炼?，較大的對比度和清晰可辯的牌照圖像。但由于該系統(tǒng)的攝像部分工作于開放的戶外

22、環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖像可能出現(xiàn)模糊、歪斜和缺損等嚴重缺陷，因此需要對原始圖像進行識別前的預(yù)處理。</p><p>　　牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖像預(yù)處理后的原始灰度圖像中確定牌照的具體位置，并將包含牌照字符的一塊子圖像從整個圖像中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到

23、整個牌照字符識別系統(tǒng)的識別率。</p><p>　　由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細節(jié)不清、筆劃斷開或粗細不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準(zhǔn)確性。因此，需要對字符在識別之前再進行一次針對性的處理。</p><p>　　車牌識別的最終目的就是對車牌上的文字進行識

24、別。主要應(yīng)用的為模板匹配方法。</p><p>　　因為系統(tǒng)運行的過程中，主要進行的都是圖像處理，在這個過程中要進行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CPU要求主頻在600HZ及以上，內(nèi)存在128MB及以上。系統(tǒng)可以運行于Windows98、Windows2000或者Windows XP操作系統(tǒng)下，程序調(diào)試時使用matlab。</p><p>　　5實現(xiàn)目標(biāo)方法流程圖</p

25、><p>　　車牌定位與字符識別技術(shù)是基于計算機圖像處理、模式識別等技術(shù)為基礎(chǔ)，通過對原圖像的處理，以及邊緣檢測技術(shù)實現(xiàn)對車牌的定位，然后對車牌圖像處理、歸一化處理、分割以及保存，最后進行分割圖像與模板庫的模板進行匹配，最后輸出匹配結(jié)果。流程如下圖所示</p><p><b>　　車牌識別系統(tǒng)流程圖</b></p><p>　　圖1車牌識別系統(tǒng)流程

26、圖</p><p><b>　　6實現(xiàn)目標(biāo)主要步驟</b></p><p>　　1） 獲取圖像 裝入待處理彩色圖像并顯示原始圖像 </p><p>　　2） 圖像預(yù)處理 對Sgray 原始黑白圖像進行開操作得到圖像背景</p><p>　　3） 取得最佳閾值，將圖像二值化 </p><p>

27、;　　4） 對得到二值圖像作開閉操作進行濾波</p><p>　　5） 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。進行區(qū)域特征參數(shù)比較，提取車牌區(qū)域 </p><p>　　6） 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　7） 計算車牌旋轉(zhuǎn)角度 </p><p>　　8） 旋轉(zhuǎn)車牌后重新計算車牌水平投影，去掉車牌水平邊框

28、，獲取字符高度</p><p>　　9） 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　10） 計算車牌上每個字符中心位置，計算最大字符寬度</p><p>　　11） 提取分割字符,并變換為22行?14列標(biāo)準(zhǔn)子圖</p><p><b>　　7 程序結(jié)果顯示</b></p>

29、<p>　　Step1 獲取圖像 裝入待處理彩色圖像并顯示原始黑白圖像</p><p>　　圖1-1原始彩色圖像</p><p>　　圖1-2原始黑白圖像</p><p>　　Step2 圖像預(yù)處理 對原始黑白圖像進行開操作得到圖像背景</p><p>　　圖2-1原始黑白圖像

30、 </p><p><b>　　圖2-2背景圖像</b></p><p>　　圖2-3增強黑白圖像（原始黑白圖像與背景圖像相減）</p><p>　　Step3 取得最佳閾值，將圖像二值化 </p><p>　　二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在實際的車牌處理系統(tǒng)中，進行圖像二值變換的關(guān)

31、鍵是要確定合適的閾值，使得字符與背景能夠分割開來，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等等。車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大地提高處理效率。閾值處理的操作過程是先由用戶指定或通過算法生成一個閾值，如果圖像中某中像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。</p><p><b

32、>　　圖3-1圖像二值化</b></p><p>　　Step4 對得到二值圖像作開閉操作進行濾波 </p><p>　　1)邊緣檢測：兩個具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結(jié)果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎(chǔ)。為了對有意義的邊緣點進行分類，與這個點相聯(lián)系的灰度級必須比在這一點的背景上變換更有效，我們通過門限方法來決定一

33、個值是否有效。所以，如果一個點的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據(jù)事先定好的連接準(zhǔn)則相連的邊緣點就定義為一條邊緣。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個閾值，則確定該點為邊緣點，這樣會導(dǎo)致檢測的邊緣點太多。可以通過求梯度局部最大值對應(yīng)的點，并認定為邊緣點，去除非局部最大值，可以檢測出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對應(yīng)二階導(dǎo)數(shù)的零交叉點，這樣通過找圖像強度的二階導(dǎo)數(shù)的零交叉點就能找到

34、精確邊緣點。</p><p>　　圖4-1圖像邊緣提取</p><p>　　2)對得到圖像作開操作進行濾波：數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題。腐蝕是一種消除邊界點的過程，結(jié)果是使目標(biāo)縮小，孔洞增大，因而可有效的消除孤立噪聲點；膨脹是將與目標(biāo)物體接觸的所有背景點合并到物體中的過程，結(jié)果是使目標(biāo)增大，孔洞縮小，可填補目標(biāo)物體中的空洞，形成連通

35、域。先腐蝕后膨脹的過程稱為開運算，它具有消除細小物體，并在纖細處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過程稱為閉運算，具有填充物體內(nèi)細小空洞，連接鄰近物體和平滑邊界的作用。對圖像做了開運算和閉運算，閉運算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細的鴻溝，消除小的孔洞，并彌補輪廓線中的斷裂。</p><p><b>　　圖4-2圖像閉運算</b></p>

36、<p><b>　　圖4-3圖像開運算</b></p><p>　　Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。進行區(qū)域特征參數(shù)比較，提取車牌區(qū)域</p><p>　　1)對圖像每個區(qū)域進行標(biāo)記，然后計算每個區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。</p><p>　　圖5-1圖像彩色標(biāo)記</p>

37、;<p>　　2)計算出包含所標(biāo)記的區(qū)域的最小寬和高，并根據(jù)先驗知識，比較誰的寬高比更接近實際車牌寬高比，將更接近的提取并顯示出來。</p><p>　　圖5-2車牌灰度子圖與二值子圖</p><p>　　Step6 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　1)對水平投影進行峰谷分析,計算出車牌上邊框、車牌字符投影、車牌下邊框的

38、波形峰上升點、峰下降點、峰寬、谷寬、峰間距離、峰中心位置參數(shù)。</p><p>　　對水平投影進行峰谷分析:</p><p>　　圖6-2車牌二值子圖</p><p>　　Step7 計算車牌旋轉(zhuǎn)角度</p><p>　　1)車牌傾斜的原因?qū)е峦队靶Ч骞晒炔幻黠@，在這里需要做車牌矯正處理。這里采取的線性擬合的方法,計算出車牌上邊或下邊圖像值

39、為1的點擬合直線與水平X軸的夾角。</p><p>　　Step8 旋轉(zhuǎn)車牌后重新計算車牌水平投影，去掉車牌水平邊框 </p><p>　　圖8-1垂直與水平投影</p><p>　　Step9 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　1)通過以上水平投影、垂直投影分析計算，獲得了車牌字符高度、字符頂行

40、與尾行、字符寬度、每個字符的中心位置，為提取分割字符具備了條件。</p><p>　　Step10字符分割及輸出結(jié)果</p><p>　　進行車牌識別前需要使用樣本對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對車牌進行識別。其具體流程為:使用漢字、字母、字母數(shù)字、數(shù)字四個樣本分別對四個子網(wǎng)絡(luò)進行訓(xùn)練，得到相應(yīng)的節(jié)點數(shù)和權(quán)值。對已經(jīng)定位好的車牌進行圖像預(yù)處理，逐個的特征提取，然后從相應(yīng)的文件中讀

41、取相應(yīng)的節(jié)點數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進行識別，輸出識別結(jié)果。</p><p><b>　　結(jié)果圖</b></p><p>　　顯示結(jié)果為：除漢字外的字符BB88888 </p><p><b>　　8 結(jié)果總結(jié)及分析</b></p><p>　　實驗對車牌識別系統(tǒng)的軟件部分進行了研究，

42、分別從圖像預(yù)處理、車牌定位、字符分割以及字符識別等方面進行了系統(tǒng)的分析。整理和總結(jié)了國內(nèi)外在車牌定位、分割、字符識別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國車牌的固有特征，以及車牌識別的特點。在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進行預(yù)處理，再進行二值化操作的方法。實驗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，從而簡化了二值化處理過程，提高了后續(xù)處理的速度?；诓噬至康亩ㄎ环椒ǎ\用基于藍色像素點統(tǒng)計特性的

43、方法對車牌是藍色的車牌進行定位，實驗表明，用該方法實現(xiàn)的車牌定位準(zhǔn)確率較高。本設(shè)計用MATLAB編程運行結(jié)果可以得出，本設(shè)計采用的圖像預(yù)處理、CANNY邊緣檢測、開閉運算子[5，19]、車牌長寬比特征識別等對車牌的定位都是非常有效的，而本設(shè)計提出的二次水平投影分析和閾值技術(shù)有效檢測了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準(zhǔn)確實現(xiàn)的車牌字符的分割，對多個車牌進行實驗，均有很高的正確率。本設(shè)計雖然只對藍底白字車牌進行分割識別，對黑底白字車牌原則

44、上整個算法可直接適用，對白底黑字車牌、黃底黑字車牌，需要對車牌定位算法進行調(diào)整，</p><p><b>　　9設(shè)計體會</b></p><p>　　經(jīng)過近一周的奮戰(zhàn)我的課程設(shè)計終于完成了。課程設(shè)計不僅是對前面所學(xué)知識的一種檢驗，而且也是對自己能力的一種提高。以前老是覺得自己什么東西都不會，什么東西都不懂，而且又急于求成，結(jié)果造成什么都沒學(xué)好，還是什么都不會。通過這次

45、課程設(shè)計，我才明白學(xué)習(xí)是一個長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識和綜合素質(zhì)，特別是對于我，基礎(chǔ)比較差，一定不能太過于心急，要靜下心來慢慢的研究。在這次課程設(shè)計中也使我們的同學(xué)關(guān)系更進一步了，同學(xué)之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對我們更好的理解知識，所以在這里非常感謝幫助我的同學(xué)，我也明白學(xué)習(xí)不是埋頭苦讀書，而是合理的利用資源，從同學(xué)那里，老師那里得到的有用的想法和信息，特別是網(wǎng)上

46、有很多很好的資料，對自己的自學(xué)能力也是很好的提高。</p><p><b>　　參考文獻</b></p><p>　　[1]（希）西奧多里德斯等著.模式識別（第三版）[M].電子工業(yè)出版社，2006年12月。1-6</p><p>　　[2]孫增祈. 智能控制理論與技術(shù)[M]. 北京：清華大學(xué)出版社，1999</p><p&

47、gt;　　[3]鐘珞，潘昊，何平.模式識別[M]書.武漢：武漢大學(xué)出版社，2006年9月第1版：P1-P5，P62-P64</p><p>　　[4]葉晨洲等. 車輛牌照字符識別系統(tǒng)[J]. 計算機系統(tǒng)應(yīng)用，1999(5): 10-13</p><p>　　[5]袁志偉，潘曉露. 車輛牌照定位的算法研究[J]. 昆明理工大學(xué)學(xué)報，2001，26(2)： 56-60</p>&

48、lt;p>　　[6]岡薩雷斯. 數(shù)字圖像處理（第二版）[M]. 北京：電子工業(yè)出版社，2007</p><p><b>　　附錄</b></p><p><b>　　主要代碼程序</b></p><p><b>　　clear ;</b></p><p>　　close

49、all;</p><p>　　%Step1 獲取圖像 裝入待處理彩色圖像并顯示原始圖像</p><p>　　Scolor = imread（'3.jpg'）;%imread函數(shù)讀取圖像文件</p><p>　　%將彩色圖像轉(zhuǎn)換為黑白并顯示</p><p>　　Sgray = rgb2gray（Scolor）;%rgb2gr

50、ay轉(zhuǎn)換成灰度圖</p><p>　　figure,imshow（Scolor）,title（'原始彩色圖像'）;%figure命令同時顯示兩幅圖</p><p>　　figure,imshow（Sgray）,title（'原始黑白圖像'）;</p><p>　　%Step2 圖像預(yù)處理 對Sgray 原始黑白圖像進行開操作得到圖

51、像背景</p><p>　　s=strel（'disk',13）;%strel函數(shù)</p><p>　　Bgray=imopen（Sgray,s）;%打開sgray s圖像</p><p>　　figure,imshow（Bgray）;title（'背景圖像'）;%輸出背景圖像</p><p>　　%用原始圖像

52、與背景圖像作減法，增強圖像</p><p>　　Egray=imsubtract（Sgray,Bgray）;%兩幅圖相減</p><p>　　figure,imshow（Egray）;title（'增強黑白圖像'）;%輸出黑白圖像</p><p>　　%Step3 取得最佳閾值，將圖像二值化</p><p>　　fmax1=d

53、ouble（max（max（Egray）））;%egray的最大值并輸出雙精度型</p><p>　　fmin1=double（min（min（Egray）））;%egray的最小值并輸出雙精度型</p><p>　　level=（fmax1-（fmax1-fmin1）/3）/255;%獲得最佳閾值</p><p>　　bw22=im2bw（Egray,level）

54、;%轉(zhuǎn)換圖像為二進制圖像</p><p>　　bw2=double（bw22）;</p><p>　　%Step4 對得到二值圖像作開閉操作進行濾波</p><p>　　figure,imshow（bw2）;title（'圖像二值化'）;%得到二值圖像</p><p>　　grd=edge（bw2,'canny'

55、;）%用canny算子識別強度圖像中的邊界</p><p>　　figure,imshow（grd）;title（'圖像邊緣提取'）;%輸出圖像邊緣</p><p>　　bg1=imclose（grd,strel（'rectangle',[5,19]））;%取矩形框的閉運算</p><p>　　figure,imshow（bg1）;t

56、itle（'圖像閉運算[5,19]'）;%輸出閉運算的圖像</p><p>　　bg3=imopen（bg1,strel（'rectangle',[5,19]））;%取矩形框的開運算</p><p>　　figure,imshow（bg3）;title（'圖像開運算[5,19]'）;%輸出開運算的圖像</p><p>

57、　　bg2=imopen（bg3,strel（'rectangle',[19,1]））;%取矩形框的開運算</p><p>　　figure,imshow（bg2）;title（'圖像開運算[19,1]'）;%輸出開運算的圖像</p><p>　　%Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。進行區(qū)域特征參數(shù)比較，提取車牌區(qū)域</p>

58、<p>　　[L,num] = bwlabel（bg2,8）;%標(biāo)注二進制圖像中已連接的部分</p><p>　　Feastats = imfeature（L,'basic'）;%計算圖像區(qū)域的特征尺寸</p><p>　　Area=[Feastats.Area];%區(qū)域面積</p><p>　　BoundingBox=[Feastat

59、s.BoundingBox];%[x y width height]車牌框架大小</p><p>　　RGB = label2rgb（L, 'spring', 'k', 'shuffle'）; %標(biāo)志圖像向RGB圖像轉(zhuǎn)換</p><p>　　figure,imshow（RGB）;title（'圖像彩色標(biāo)記'）;%輸出框架的彩色

60、圖像</p><p><b>　　lx=0;</b></p><p>　　for l=1:num</p><p>　　width=BoundingBox（（l-1）*4+3）;%框架寬度的計算</p><p>　　hight=BoundingBox（（l-1）*4+4）;%框架高度的計算</p><p

61、>　　if （width>98 & width<160 & hight>25 & hight<50）%框架的寬度和高度的范圍</p><p><b>　　lx=lx+1;</b></p><p>　　Getok（lx）=l;</p><p><b>　　end</b>&

62、lt;/p><p><b>　　end</b></p><p>　　for k= 1:lx</p><p>　　l=Getok（k）; </p><p>　　startcol=BoundingBox（（l-1）*4+1）-2;%開始列</p><p>　　startrow=BoundingBox

63、（（l-1）*4+2）-2;%開始行</p><p>　　width=BoundingBox（（l-1）*4+3）+8;%車牌寬</p><p>　　hight=BoundingBox（（l-1）*4+4）+2;%車牌高</p><p>　　rato=width/hight;%計算車牌長寬比</p><p>　　if rato>2 &a

64、mp; rato<4 </p><p><b>　　break;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　sbw1=bw2（startrow:startrow+hight,startcol:s

65、tartcol+width-1）; %獲取車牌二值子圖</p><p>　　subcol1=Sgray（startrow:startrow+hight,startcol:startcol+width-1）;%獲取車牌灰度子圖</p><p>　　figure,subplot（2,1,1）,imshow（subcol1）;title（'車牌灰度子圖'）;%輸出灰度圖</

66、p><p>　　subplot（2,1,2）,imshow（sbw1）;title（'車牌二值子圖'）;%輸出車牌的二值圖</p><p>　　%Step6 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　histcol1=sum（sbw1）; %計算垂直投影</p><p>　　histrow=sum（

67、sbw1'）; %計算水平投影</p><p>　　figure,subplot（2,1,1）,bar（histcol1）;title（'垂直投影（含邊框）'）;%輸出垂直投影</p><p>　　subplot（2,1,2）,bar（histrow）; title（'水平投影（含邊框）'）;%輸出水平投影</p>&

68、lt;p>　　figure,subplot（2,1,1）,bar（histrow）; title（'水平投影（含邊框）'）;%輸出水平投影</p><p>　　subplot（2,1,2）,imshow（sbw1）;title（'車牌二值子圖'）;%輸出二值圖</p><p>　　%對水平投影進行峰谷分析</p><p>

69、;　　meanrow=mean（histrow）;%求水平投影的平均值</p><p>　　minrow=min（histrow）;%求水平投影的最小值</p><p>　　levelrow=（meanrow+minrow）/2;%求水平投影的平均值</p><p><b>　　count1=0;</b></p><p>

70、;<b>　　l=1;</b></p><p>　　for k=1:hight</p><p>　　if histrow（k）<=levelrow </p><p>　　count1=count1+1; </p>

71、;<p><b>　　else </b></p><p>　　if count1>=1</p><p>　　markrow（l）=k;%上升點</p><p>　　markrow1（l）=count1;%谷寬度（下降點至下一個上升點）</p><p><b>　　l=l+1;</b&g

72、t;</p><p><b>　　end</b></p><p><b>　　count1=0;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　markrow2=

73、diff（markrow）;%峰距離（上升點至下一個上升點）</p><p>　　[m1,n1]=size（markrow2）;</p><p><b>　　n1=n1+1;</b></p><p>　　markrow（l）=hight;</p><p>　　markrow1（l）=count1;</p>

74、<p>　　markrow2（n1）=markrow（l）-markrow（l-1）;</p><p><b>　　l=0;</b></p><p>　　for k=1:n1</p><p>　　markrow3（k）=markrow（k+1）-markrow1（k+1）;%下降點</p><p>　　mark

75、row4（k）=markrow3（k）-markrow（k）;%峰寬度（上升點至下降點）</p><p>　　markrow5（k）=markrow3（k）-double（uint16（markrow4（k）/2））;%峰中心位置</p><p><b>　　end </b></p><p>　　%Step7 計算車牌旋轉(zhuǎn)角度</p>

76、;<p>　　%（1）在上升點至下降點找第一個為1的點</p><p>　　[m2,n2]=size（sbw1）;%sbw1的圖像大小</p><p>　　[m1,n1]=size（markrow4）;%markrow4的大小</p><p>　　maxw=max（markrow4）;%最大寬度為字符</p><p>　　if

77、markrow4（1） ~= maxw%檢測上邊</p><p><b>　　ysite=1;</b></p><p><b>　　k1=1;</b></p><p>　　for l=1:n2</p><p>　　for k=1:markrow3（ysite）%從頂邊至第一個峰下降點掃描</p

78、><p>　　if sbw1（k,l）==1</p><p>　　xdata（k1）=l;</p><p>　　ydata（k1）=k;</p><p><b>　　k1=k1+1;</b></p><p><b>　　break;</b></p><p>

79、;<b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　else %檢測下邊</p><p><b>　　ysite=n1;</b></p><p>

80、;　　if markrow4（n1） ==0</p><p>　　if markrow4（n1-1） ==maxw</p><p>　　ysite= 0; %無下邊</p><p><b>　　else</b></p><p>　　ysite= n1-1;</p><p><b>　　e

81、nd</b></p><p><b>　　end</b></p><p>　　if ysite ~=0</p><p><b>　　k1=1;</b></p><p>　　for l=1:n2</p><p><b>　　k=m2;</b>&

82、lt;/p><p>　　while k>=markrow（ysite） %從底邊至最后一個峰的上升點掃描</p><p>　　if sbw1（k,l）==1</p><p>　　xdata（k1）=l;</p><p>　　ydata（k1）=k;</p><p><b>　　k1=k1+1;</b&

83、gt;</p><p><b>　　break;</b></p><p><b>　　end</b></p><p><b>　　k=k-1;</b></p><p><b>　　end</b></p><p><b>　

84、　end</b></p><p><b>　　end</b></p><p>　　end </p><p>　　%（2）線性擬合，計算與x夾角</p><p>　　fresult = fit（xdata',ydata','poly1'）; %poly1 Y

85、 = p1*x+p2</p><p>　　p1=fresult.p1;</p><p>　　angle=atan（fresult.p1）*180/pi; %弧度換為度，360/2pi, pi=3.14</p><p>　　%（3）旋轉(zhuǎn)車牌圖像</p><p>　　subcol = imrotate（subcol1,angle,'bi

86、linear','crop'）; %旋轉(zhuǎn)車牌圖像</p><p>　　sbw = imrotate（sbw1,angle,'bilinear','crop'）;%旋轉(zhuǎn)圖像</p><p>　　figure,subplot（2,1,1）,imshow（subcol）;title（'車牌灰度子圖'）;%輸出車牌旋轉(zhuǎn)后的灰度

87、圖像標(biāo)題顯示車牌灰度子圖</p><p>　　subplot（2,1,2）,imshow（sbw）;title（''）;%輸出車牌旋轉(zhuǎn)后的灰度圖像</p><p>　　title（['車牌旋轉(zhuǎn)角: ',num2str（angle）,'度'] ,'Color','r'）;%顯示車牌的旋轉(zhuǎn)角度</p>

88、<p>　　%Step8 旋轉(zhuǎn)車牌后重新計算車牌水平投影，去掉車牌水平邊框，獲取字符高度</p><p>　　histcol1=sum（sbw）; %計算垂直投影</p><p>　　histrow=sum（sbw'）; %計算水平投影</p><p>　　figure,subplot（2,1,1）,bar（histcol1）;title（

89、9;垂直投影（旋轉(zhuǎn)后）'）;</p><p>　　subplot（2,1,2）,bar（histrow）; title（'水平投影（旋轉(zhuǎn)后）'）;</p><p>　　figure,subplot（2,1,1）,bar（histrow）; title（'水平投影（旋轉(zhuǎn)后）'）;</p><p>　　subplo

90、t（2,1,2）,imshow（sbw）;title（'車牌二值子圖（旋轉(zhuǎn)后）'）;</p><p>　　%去水平（上下）邊框,獲取字符高度</p><p>　　maxhight=max（markrow2）;</p><p>　　findc=find（markrow2==maxhight）;</p><p>　　rowtop=

91、markrow（findc）;</p><p>　　rowbot=markrow（findc+1）-markrow1（findc+1）;</p><p>　　sbw2=sbw（rowtop:rowbot,:）; %子圖為（rowbot-rowtop+1）行</p><p>　　maxhight=rowbot-rowtop+1; %字符高度（rowbot-row

92、top+1）</p><p>　　%Step9 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　histcol=sum（sbw2）; %計算垂直投影</p><p>　　figure,subplot（2,1,1）,bar（histcol）;title（'垂直投影（去水平邊框后）'）;%輸出車牌的垂直投影圖像</

93、p><p>　　subplot（2,1,2）,imshow（sbw2）; %輸出垂直投影圖像</p><p>　　title（['車牌字符高度： ',int2str（maxhight）],'Color','r'）;%輸出車牌字符高度</p><p>　　%對垂直投影進行峰谷分析</p><p>　　

94、meancol=mean（histcol）;%求垂直投影的平均值</p><p>　　mincol=min（histcol）;%求垂直投影的平均值</p><p>　　levelcol=（meancol+mincol）/4;%求垂直投影的1/4</p><p><b>　　count1=0;</b></p><p>&l

95、t;b>　　l=1;</b></p><p>　　for k=1:width</p><p>　　if histcol（k）<=levelcol </p><p>　　count1=count1+1;</p><p><b>　　else </b></p><p>　　if

96、 count1>=1</p><p>　　markcol（l）=k; %字符上升點</p><p>　　markcol1（l）=count1; %谷寬度（下降點至下一個上升點）</p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p>

97、<p><b>　　count1=0;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　markcol2=diff（markcol）;%字符距離（上升點至下一個上升點）</p><p>　　[m1,n

98、1]=size（markcol2）;</p><p><b>　　n1=n1+1;</b></p><p>　　markcol（l）=width;</p><p>　　markcol1（l）=count1;</p><p>　　markcol2（n1）=markcol（l）-markcol（l-1）;</p>

99、<p>　　%Step10 計算車牌上每個字符中心位置，計算最大字符寬度maxwidth</p><p><b>　　l=0;</b></p><p>　　for k=1:n1</p><p>　　markcol3（k）=markcol（k+1）-markcol1（k+1）;%字符下降點</p><p>　

100、　markcol4（k）=markcol3（k）-markcol（k）; %字符寬度（上升點至下降點）</p><p>　　markcol5（k）=markcol3（k）-double（uint16（markcol4（k）/2））;%字符中心位置</p><p><b>　　end </b></p><p>　　markcol6=diff（ma

101、rkcol5）; %字符中心距離（字符中心點至下一個字符中心點）</p><p>　　maxs=max（markcol6）; %查找最大值，即為第二字符與第三字符中心距離</p><p>　　findmax=find（markcol6==maxs）;</p><p>　　markcol6（findmax）=0;</p><p>　　maxwi

102、dth=max（markcol6）;%查找最大值，即為最大字符寬度</p><p>　　%Step11 提取分割字符,并變換為22行14列標(biāo)準(zhǔn)子圖</p><p><b>　　l=1;</b></p><p>　　[m2,n2]=size（subcol）;</p><p><b>　　figure;</b

103、></p><p>　　for k=findmax-1:findmax+5</p><p>　　cleft=markcol5（k）-maxwidth/2;</p><p>　　cright=markcol5（k）+maxwidth/2-2;</p><p>　　if cleft<1</p><p><

104、b>　　cleft=1;</b></p><p>　　cright=maxwidth;</p><p><b>　　end</b></p><p>　　if cright>n2</p><p>　　cright=n2;</p><p>　　cleft=n2-maxwidth

105、;</p><p><b>　　end</b></p><p>　　SegGray=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw1=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw2 = imresize（SegBw1,[

106、22 14]）;%變換為22行14列標(biāo)準(zhǔn)子圖 </p><p>　　subplot（2,n1,l）,imshow（SegGray）;</p><p><b>　　if l==7</b></p><p>　　title（['車牌字符寬度： ',int2str（maxwidth）],'Color','

107、;r'）;</p><p><b>　　end</b></p><p>　　subplot（2,n1,n1+l）,imshow（SegBw2）; </p><p>　　fname=strcat（'c:\work\sam\image',int2str（k）,'.jpg'）;<

108、;/p><p>　　imwrite（SegBw2,fname,'jpg'） </p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p><p>　　%Step12 將計算計算獲取的字符圖像與樣本庫進行匹配，自動識別出字符代碼。</p>

109、;<p>　　liccode=char（['0':'9' 'A':'Z' ]）; %建立自動識別字符代碼表 </p><p>　　SubBw2=zeros（22,14）;</p><p><b>　　l=1;</b></p><p>　　[m2,n2]=size（s

110、bw）;</p><p>　　for k=findmax-1:findmax+5</p><p>　　cleft=markcol5（k）-maxwidth/2;</p><p>　　cright=markcol5（k）+maxwidth/2-2;</p><p>　　if cleft<1</p><p><

111、b>　　cleft=1;</b></p><p>　　cright=maxwidth;</p><p><b>　　end</b></p><p>　　if cright>n2</p><p>　　cright=n2;</p><p>　　cleft=n2-maxwidth

112、; end</p><p>　　SegBw1=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw2 = imresize（SegBw1,[22 14]）;%變換為22行14列標(biāo)準(zhǔn)子圖 </p><p>　　if l==1 %第一位漢字識別</p><p>

113、;<b>　　kmin=37;</b></p><p><b>　　kmax=45;</b></p><p>　　elseif l==2 %第二位 A~Z 字母識別</p><p><b>　　kmin=11;</b></p><p><b>

114、　　kmax=36;</b></p><p>　　elseif l>=3 & l<=5 %第三、四位 0~9 A~Z字母和數(shù)字識別</p><p><b>　　kmin=1;</b></p><p><b>　　kmax=36;</b></p><p>　

115、　else %第五～七位 0~9 數(shù)字識別</p><p><b>　　kmin=1;</b></p><p><b>　　kmax=10;</b></p><p><b>　　end</b></p><p>　　for k2=kmin:k

116、max</p><p>　　fname=strcat（'H:\work\sam\Sam',liccode（k2）,'.jpg'）;</p><p>　　SamBw2 = imread（fname）; </p><p>　　for i=1:22</p><p>　　for j=1:14<

117、;/p><p>　　SubBw2（i,j）=SegBw2（i,j）-SamBw2（i,j）;</p><p><b>　　end</b></p><p>　　end %SubBw2 = SamBw2-SegBw2;</p><p><b>　　Dmax=0;</b></p><p&g

118、t;　　for k1=1:22</p><p>　　for l1=1:14</p><p>　　if （ SubBw2（k1,l1） > 0 | SubBw2（k1,l1） <0 ）</p><p>　　Dmax=Dmax+1;</p><p><b>　　end</b></p><p&g

119、t;<b>　　end</b></p><p><b>　　end</b></p><p>　　Error（k2）=Dmax;</p><p><b>　　end</b></p><p>　　Error1=Error（kmin:kmax）;%比較誤差</p>&l

120、t;p>　　MinError=min（Error1）;%取誤差的最小值</p><p>　　findc=find（Error1==MinError）;%查找最小誤差的圖像</p><p>　　RegCode（l*2-1）=liccode（findc（1）+kmin-1）;</p><p>　　RegCode（l*2）=' ';%輸出最小誤差圖像