基于matlab車牌識(shí)別畢業(yè)論文

1、<p><b>　　摘 要</b></p><p>　　伴隨著時(shí)代的發(fā)展，車輛的逐漸走進(jìn)千家萬(wàn)戶，車輛的管理日益困難，于是車牌識(shí)別系統(tǒng)的應(yīng)用得到了廣泛發(fā)展。車牌識(shí)別系統(tǒng)主要包括了圖像采集、圖像預(yù)處理、車牌定位、字符分割、字符識(shí)別五個(gè)核心部分。本文側(cè)重于介紹圖像預(yù)處理、車牌定位、字符分割三個(gè)模塊的實(shí)現(xiàn)。車牌識(shí)別系統(tǒng)使車輛管理更智能化，數(shù)字化，有效的提升了交通管理的方便性和有效性。本文

2、的圖像預(yù)處理環(huán)節(jié)則采用圖像灰度化和用Roberts算子對(duì)車牌進(jìn)行邊緣檢測(cè)。車牌定位和分割采用的是利用數(shù)學(xué)形態(tài)法來(lái)確定車牌位置，然后利用車牌彩色信息的彩色分割法來(lái)完成車牌部位分割。分割后的字符先進(jìn)行二值化處理，再對(duì)垂直投影進(jìn)行掃描后完成對(duì)字符的分割。本課題是基于Matlab下的環(huán)境下對(duì)其進(jìn)行仿真。</p><p>　　關(guān)鍵詞：圖像預(yù)處理 圖像定位 圖像分割</p><p><b&g

3、t;　　Abstract </b></p><p>　　With the development of era, the car gradually into the homes, vehicles management is becoming more and more difficult, so the application of license plate recognition system

4、 has been widely developed. License plate recognition system mainly includes image acquisition, image preprocessing, license plate location, character segmentation, character recognition five core part. This paper focuse

5、s on the image preprocessing, license plate location, character segmentation, the realization of the three</p><p>　　Key Words：image preprocessing, license plate localization, character segmentation .</p&g

6、t;<p><b>　　目 錄</b></p><p>　　第1章 緒論……………………………………………………………….….……1</p><p>　　1.1本課題的研究背景………………………………………………................ 2</p><p>　　1.2本課題研究的意義和目.......………………………

7、.…………….................2</p><p>　　1.3 本課題研究的內(nèi)容..........................................................................................................2</p><p>　　本課題程序設(shè)計(jì)……………………..….…… …………………..

8、.............3</p><p>　　2.1 開發(fā)環(huán)境………………………………………………….……………... ....3</p><p>　　2.1.1設(shè)計(jì)方案....................................................................................................3</p&g

9、t;<p>　　2.2 圖像預(yù)處理…………………………….…………………………...……......3</p><p>　　2.2.1 圖像灰度化.............................................................................................. 3</p><p>　　2.2.2 圖像邊

10、緣檢測(cè)............................................................................................5</p><p>　　2.3 圖像的定位和分割.........................................................................................

11、.....................6</p><p>　　2.3.1車牌定位........................................................................................................................6</p><p>　　2.3.2車牌分割.............

12、...........................................................................................................9</p><p>　　2.4 對(duì)定位后的車牌再處理...........................................................................

13、..........................10</p><p>　　2.5 字符的分割與歸一化.....................................................................................................11</p><p>　　2.5.1 字符的分割...................

14、...............................................................................................12</p><p>　　2.5.2 字符的歸一化........................................................................................

15、......................13</p><p>　　3 實(shí)驗(yàn)結(jié)果與分析................................................................................................................14</p><p>　　總結(jié).........................

16、......................................................................................................................15</p><p>　　致謝……………………………….……………………..………………...………...16</p><p>　　參考文獻(xiàn)……………………

17、…….…………………..……..……………….……...17</p><p>　　附錄………………………….…………………..……..……………… ........……...18</p><p><b>　　緒 論</b></p><p>　　1.1本課題的研究背景</p><p>　　伴隨著我國(guó)現(xiàn)代化事業(yè)的高速發(fā)展，

18、人民的生活水平也正逐步提高，車輛的數(shù)量也日益增加，給人們的出行帶來(lái)了便捷的同時(shí)，也對(duì)公路車輛的管理帶來(lái)了巨大的壓力，人工管理的方式也不能滿足實(shí)際的需要。</p><p>　　電子科技領(lǐng)域在交通管理的應(yīng)用越來(lái)越頻繁，比如自動(dòng)檢測(cè)，圖像處理技術(shù)便進(jìn)入了人們的視野中。并且隨著計(jì)算機(jī)的推陳出新速度加快，數(shù)字圖像處理技術(shù)日趨成熟，先進(jìn)的計(jì)算機(jī)處理技術(shù)給傳統(tǒng)的管理方式帶來(lái)了轉(zhuǎn)折點(diǎn)，不僅簡(jiǎn)化了工作流程，節(jié)省了人力，也最大限度的

19、提高了精確度，于是汽車車牌識(shí)別系統(tǒng)便是在此背景與目的下研發(fā)的。汽車車牌等相關(guān)信息的自動(dòng)采集和管理有著非常重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。</p><p>　　在我國(guó)該系統(tǒng)的應(yīng)用仍處于起步階段，只是成熟的系統(tǒng)還沒出現(xiàn)在市場(chǎng)中， 車牌識(shí)別系統(tǒng)作為管理交通的有效工具仍然需要逐步的完善，尤其是對(duì)車牌的自適應(yīng)強(qiáng)，速度快，精準(zhǔn)度高的高速車牌定位識(shí)別需要進(jìn)一步的完善。</p><p>　

20、　1.2本課題研究的意義和目的</p><p>　　隨著人們生活水平的逐漸提高，私家車的出現(xiàn)越來(lái)越多，城市交通的壓力便開始擴(kuò)大，如何高效進(jìn)行交通管理也成為現(xiàn)在生活中所關(guān)注的焦點(diǎn)問(wèn)題，于是各種各樣運(yùn)用于各種交通道路監(jiān)視，管理的系統(tǒng)出現(xiàn)在了人們的視線當(dāng)中，這些系統(tǒng)主要是通過(guò)對(duì)其過(guò)往的車輛進(jìn)行檢測(cè)，提取中間的交通數(shù)據(jù)，以達(dá)到監(jiān)控，管制，指揮調(diào)度的目的。汽車車牌的識(shí)別是當(dāng)中的重要環(huán)節(jié)，是實(shí)現(xiàn)現(xiàn)代化交通管理和智能化的關(guān)鍵，

21、也是現(xiàn)今交通工程研究領(lǐng)域的重點(diǎn)。識(shí)別算法的好壞關(guān)系到識(shí)別的正確性好高效性，而傳統(tǒng)設(shè)備如IC卡識(shí)別因價(jià)格昂貴，設(shè)備復(fù)雜無(wú)形中增加了企業(yè)的成本，因此基于圖像處理的車牌識(shí)別方法，努力提高車牌識(shí)別系統(tǒng)的性能是有非常重要的現(xiàn)實(shí)意義。</p><p>　　1.3本課題研究的內(nèi)容</p><p>　　車牌系統(tǒng)是計(jì)算機(jī)視覺和模式識(shí)別技術(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

22、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。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。車牌識(shí)別系統(tǒng)的一般流程：</p><p>　　1.圖像采集：通過(guò)數(shù)碼相機(jī)采集，由于圖像采集是整個(gè)系統(tǒng)的第一步，所以必須保障圖像的質(zhì)量，這樣在后續(xù)的識(shí)別階段才能減少誤差。不過(guò)由于技術(shù)的進(jìn)步，現(xiàn)在手機(jī)的像素也得到了大幅度的提升，所以我覺得也可以用手機(jī)來(lái)采集圖像。<

23、/p><p>　　2.圖像預(yù)處理：一般情況下車牌的拍攝都是在室外，因此就會(huì)受到自然光線，季節(jié)等因素影響，所以需對(duì)圖像進(jìn)行預(yù)處理。由于采集的圖像是彩色的，數(shù)據(jù)量較大，所以需對(duì)其轉(zhuǎn)換為灰色圖像，然后轉(zhuǎn)化成二值圖像，接著進(jìn)行邊緣檢測(cè)，濾波等。</p><p>　　3.車牌定位：由于車牌圖像是在室外拍攝，難免會(huì)受到自然因素的影響，。一般</p><p>　　采用的方案是首先對(duì)采

24、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(lái)。通過(guò)以上步驟，牌照一般能夠被定位。</p><p>　　4.字符分割：完成車牌定位后，將車牌區(qū)域的字符分割成單獨(dú)的個(gè)體，一般用垂直投影的方法。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

25、符書寫格式、字符、尺寸限制和一些其他條件，所以垂直投影法可以取得較好的效果。</p><p>　　5.字符識(shí)別：主要采用模版匹配算法和人工神經(jīng)網(wǎng)絡(luò)算法。模版匹配算法是講分割后的字符二值化，然后對(duì)其模版進(jìn)行匹配，選取比較理想的作為結(jié)果。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(guò)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。為

26、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，使采集到的圖像最利于識(shí)別。</p><p>　　第2章 本課題程序設(shè)計(jì)</p><p><b>　　2.1 開發(fā)環(huán)境</b></p><p>　　本課題選用Matlab來(lái)對(duì)車牌識(shí)別系統(tǒng)進(jìn)行實(shí)現(xiàn)，因?yàn)镸atlab繪圖功能很強(qiáng)大，它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

27、力；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；)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；Matlab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><b>　　2.1.1設(shè)計(jì)方案</b></p><p>　　該系統(tǒng)主要由圖像處理和字符識(shí)別兩部分構(gòu)成

28、。其中圖像處理部分包括圖像預(yù)處理，邊緣提取，車牌的定位和字符的分割。字符部分可以分為字符識(shí)別分割與特征提取和單字符識(shí)別。</p><p>　　字符識(shí)別對(duì)圖像的清晰度要求很高，但由于光照條件，拍攝角度和距離，車輛自身?xiàng)l件，以及車輛行駛速度的因素，所以必須對(duì)拍攝的圖像進(jìn)行預(yù)處理，比如圖像灰度化，圖像的邊緣檢測(cè)等。</p><p>　　車牌定位和分割是系統(tǒng)的核心，它將預(yù)處理過(guò)后的灰度圖的車牌區(qū)域

29、提取出來(lái)，并從中把字符挨個(gè)的分割出來(lái)，以便供字符識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)識(shí)別系統(tǒng)的準(zhǔn)確性。本課題主要研究圖像的預(yù)處理，車牌的定位和字符分割三個(gè)模塊。</p><p><b>　　2.2 圖像預(yù)處理</b></p><p>　　2.2.1 圖像灰度化</p><p>　　因?yàn)檐嚺谱R(shí)別系統(tǒng)采集的圖像是彩色的，圖像的背景有時(shí)候會(huì)與車牌顏

30、色類似，并且彩色圖像比較占存儲(chǔ)空間，導(dǎo)致計(jì)算機(jī)運(yùn)行緩慢，加重計(jì)算機(jī)運(yùn)算，所以需要對(duì)拍攝的圖像進(jìn)行灰度化處理。</p><p>　　目前較常用的灰度化方法是平均值法，公式：H=0.229R+0.588G+0.144B</p><p>　　其中H表示灰度圖的亮度值，R表示彩色圖像中紅色分量值，G代表圖像中的綠色分量值，B表示圖像中的藍(lán)色分量值。RGB三分量的系數(shù)是經(jīng)驗(yàn)加權(quán)值。加權(quán)值是建立在人眼

31、的視網(wǎng)模型上，人眼不敏感的顏色取較小值，反之取較大值，通過(guò)該公式可以較好的反應(yīng)原圖像的亮度信息。在Matlab中可以用imrgb2gray函數(shù)來(lái)對(duì)圖像進(jìn)行灰度化。</p><p><b>　　例如：</b></p><p>　　I=imread(‘E:\chepai’); %讀取圖像</p><p>　　I1=inrgb2gray

32、(I); %彩色圖轉(zhuǎn)換灰色圖像</p><p>　　Figure(1); </p><p>　　Subplot(3,3,1);</p><p>　　Imshow(I1); %顯示灰色圖</p><p><b>　　圖1：原始圖像</b&

33、gt;</p><p><b>　　圖2：灰色圖像 </b></p><p>　　2.2.2 圖像的邊緣檢測(cè)</p><p>　　邊緣指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合。在采集過(guò)程中由于受到自然因素（噪聲干擾和車速）的影響。使得獲取理想圖像變得比較困難。在對(duì)車牌進(jìn)行定位和分割之前需要對(duì)圖像進(jìn)行邊緣檢測(cè)處理，以便提高圖像的

34、質(zhì)量，方便后面的識(shí)別所需。通過(guò)邊緣檢測(cè)可以將干擾降到最低，分離出復(fù)雜環(huán)境中的車牌圖像，保留較好的車牌字符信息。因?yàn)槠滠嚺埔话愣加泄潭ǖ膶傩?，所以我們可以觀察到車輛的車牌一般都處于水平位置，在圖像中較為固定，車牌字符都是按水平方向排列，因此可以通過(guò)這些特征經(jīng)過(guò)適當(dāng)?shù)膱D像變換將車牌區(qū)域顯示出來(lái)。用Robert邊緣檢測(cè)算子對(duì)圖像進(jìn)行邊緣檢測(cè)。具體的用法如下所示: </p><p>　　Car_Image_Bin=

35、edge(Car_Image_Gray,'robert',0.09,'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

36、直邊緣的效果好于斜向邊緣,定位精度高,對(duì)噪聲敏感,無(wú)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(lái)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)算公式如下:</p><p>　　Δ xf=f(x,y)-f(x-1,y-1)   

37、 (3.3)    </p><p>　　Δ yf=f(x-1,y)-f(x,y-1)    (3.4)</p><p>　　其幅值為:!錯(cuò)誤,未找到引用源。  (3.5) </p><p>　　Robert梯度以(x-1/2,y-1/2)為中心,所以他度量了(x-1/2

38、,y-1/2)點(diǎn)處45°和135°錯(cuò)誤！未找到引用源。方向(相互正交)的灰度變化。適當(dāng)取門限T，做如下判斷：G （x， y）>T,(x，y)為階躍狀邊緣點(diǎn)。Roberts邊緣檢測(cè)算子相當(dāng)于用[0 1 1 0]和錯(cuò)誤!未找到引用源。對(duì)圖像進(jìn)行卷積。both表示雙向0.09為敏感度值檢測(cè)算法。</p><p><b>　　例如：</b></p><

39、p>　　I2=edge(I1,’robert’,0.09,’both’); %robert邊緣檢測(cè)</p><p>　　Figure(2);</p><p>　　Imshow(I2);</p><p><b>　　二值化圖像：</b></p><p><b>　　圖3：二值化圖像<

40、;/b></p><p>　　2.3車牌定位和分割</p><p>　　系統(tǒng)采集的是整個(gè)車輛的圖片，但只有車牌部分對(duì)系統(tǒng)有用，因此需要對(duì)車牌進(jìn)行定位和分割。車輛圖像中的車牌部分是一個(gè)水平度很高的長(zhǎng)方形區(qū)域，在原圖中比較集中，且灰色值和周圍圖樣有明顯的差異，因此比較容易用邊緣檢測(cè)來(lái)對(duì)圖像進(jìn)行分割。</p><p><b>　　2.3.1車牌定位<

41、/b></p><p>　　車輛圖像經(jīng)過(guò)灰色化和邊緣檢測(cè)后，邊緣得到加強(qiáng)，車牌區(qū)域已經(jīng)顯示出來(lái)。本課題采用數(shù)學(xué)形態(tài)學(xué)來(lái)進(jìn)行圖像處理和模式識(shí)別。數(shù)學(xué)形態(tài)學(xué)用具有一定形態(tài)的機(jī)構(gòu)元素去度量和提取圖像中對(duì)應(yīng)形狀以達(dá)到對(duì)圖像的分析和識(shí)別，能有效的去除雜質(zhì)，保留有用的信息，并使圖像的邊緣平滑，出現(xiàn)的圖像骨架斷點(diǎn)少。通過(guò)對(duì)圖像進(jìn)行腐蝕和去除噪聲，而腐蝕是即消除邊界點(diǎn)，是邊界向內(nèi)部收縮的過(guò)程，腐蝕的規(guī)則是輸出圖像的最小值是

42、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），而在Matlab中用imerode（）函數(shù)來(lái)實(shí)現(xiàn)：</p><p>　　Car_Image_Erode=imerode(Car_Image_Bin,Se);</p><p>　　其中結(jié)構(gòu)元素Se又被形象成

43、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(guò)度，造成信息丟失，太小起不了預(yù)期的效果，這里使用3x1矩陣的線性結(jié)構(gòu)元素,即se=[1;1;1]。</p><p><b>　　車牌的腐蝕圖像：</b></p&

44、gt;<p>　　Se=[1;1;1];</p><p>　　I3=imerode(I2,se);</p><p>　　Figure(3);</p><p>　　Imshow(I3);</p><p><b>　　圖4：邊緣檢測(cè)</b></p><p>　　從圖中可以看到，對(duì)于一些小

45、的目標(biāo)通過(guò)腐蝕的方法已經(jīng)消除留下了的大體就是車牌區(qū)域部分。</p><p>　　雖然對(duì)圖像進(jìn)行了必要的腐蝕處理，但由于圖像在存在數(shù)字 化誤差和噪聲，所以需要對(duì)圖像進(jìn)行平滑處理，可以使用Matlab中的imclose（）函數(shù)來(lái)解決，公式如下：</p><p>　　Car_Image_Perform=imclose(Car_Image_Erode,Se);</p><p&g

46、t;　　它的作用是融合窄的缺口和細(xì)長(zhǎng)的彎口，去除小洞以及填補(bǔ)輪廓中的縫隙。公式中的se采用50x50的矩形將幾個(gè)封閉的區(qū)域連接起來(lái)，從而形成一個(gè)矩形，這樣能方便的提取需要的圖像區(qū)域。</p><p><b>　　平滑后圖像：</b></p><p>　　Se=imstrel(‘rectangle’,[50,50]);</p><p>　　I4=

47、imclose(I3,se);</p><p>　　Figure(4);</p><p>　　Imshow(I4);</p><p><b>　　圖5：平滑后圖像</b></p><p>　　圖像平滑處理后，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，這時(shí)需要使用Matlab中的bwareaopen()函數(shù)刪除

48、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鄰居。</p><p>　　Car_Image_Perform2=bwareaopen(Car_Image_Perform,10000); </p><p>　　這樣，Car_Image_Perform中面積小于10000的對(duì)象都被刪除了。</p><p>　　形態(tài)學(xué)處理后的圖像：</p><p&

49、gt;　　I5=bwareaopen(I4,10000);</p><p>　　Figure(5);</p><p>　　Imshow(I5);</p><p>　　圖6：形態(tài)濾波后圖像</p><p><b>　　2.3.2車牌分割</b></p><p>　　車牌部分采用的是車牌色彩信息分割。

50、使用統(tǒng)計(jì)色彩圖像素點(diǎn)的方法分割出車牌區(qū)域。經(jīng)區(qū)域確定了即可將車牌的四個(gè)邊界值確定下來(lái)。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)1xX的數(shù)組，其中X錯(cuò)誤！未找到引用源。為原始圖像的寬度值，然后將二值圖像垂直投影到x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X錯(cuò)誤！未找到引用源。坐

51、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，即可分割出車牌圖。 </p><p>　　圖7：分割后的彩色圖像區(qū)域 </p><p>　　2.4對(duì)定位后的車牌再處理</p><p>

52、;　　定位后的圖像需要對(duì)其進(jìn)行二值化，避免對(duì)計(jì)算機(jī)的存儲(chǔ)空間的過(guò)多的占用，減少存在的噪聲。圖像的二值化處理是將圖像上的點(diǎn)的灰度值設(shè)置為兩個(gè)數(shù)值（0和255），是圖像呈現(xiàn)黑白效果。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-Lic

53、ense_Image_Gray_min)/3);</p><p>　　然后通過(guò)濾波來(lái)去除噪聲。均值濾波是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，再用模板中的全體像素的平均值代替原有的像素值。這里采用的是高通濾波算法。通過(guò)對(duì)比濾波前后對(duì)比，不僅去除了噪聲，還銳化了圖像。濾波后的圖像需要進(jìn)行腐蝕或者膨脹處理，膨脹的運(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

54、。</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，在這里結(jié)構(gòu)元素Se使用一個(gè)二維單位矩陣[1 0 01]錯(cuò)誤!未找到引用源。從圖像中可以看到膨脹后的圖像更加的清晰。</p><p>　　圖9 ：分割區(qū)域處理后圖像</p>

55、<p>　　2.5字符分割與歸一化</p><p>　　字符分割與歸一化流程圖：</p><p><b>　　2.5.1字符分割</b></p><p>　　得到二值化圖像后對(duì)其進(jìn)行垂直投影，此時(shí)可以用直方圖來(lái)表示，通過(guò)對(duì)波形從左到右進(jìn)行</p><p>　　掃描，根據(jù)谷和峰的特征來(lái)判斷每個(gè)字符的位置 ，計(jì)

56、算垂直峰，檢測(cè)合理的字符高寬比?？梢酝ㄟ^(guò)對(duì)字符的寬度的統(tǒng)計(jì)來(lái)減少字符分割的不準(zhǔn)確性，并將切割過(guò)寬的字符進(jìn)行分裂處理出來(lái)。 </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)字符的間距較為為15.5mm，最后一個(gè)字符與第一個(gè)字符距邊界25mm

57、。如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，則每個(gè)字符寬度為：width/7（width 指字符寬度）。實(shí)際情況中，往往第二個(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。所以一般情況下字符的寬度可以以width/9 到width/7范圍內(nèi)進(jìn)行切割。</p><p><b>　　分割流程圖：</b></p><

58、p><b>　　Y</b></p><p>　　Y </p><p><b>　　N</b></p><p><b>　　N</b></p><p>　　Y

59、 </p><p><b>　　Y</b></p><p>　　通過(guò)算法將字符分割出來(lái)。</p><p>　　圖10：分割后字符圖像</p><p>　　2.5.2字符歸一化</p><p>　　因采集的汽車圖像大小不統(tǒng)一，需對(duì)分割后的字符進(jìn)一步的處

60、理，用歸一化處理的目的就是使車牌字符同標(biāo)準(zhǔn)模塊里的特征一樣。大小歸一化是在長(zhǎng)度和寬度方向分別乘以一個(gè)比例因子，使其等于標(biāo)準(zhǔn)模塊的大小。</p><p><b>　　3實(shí)驗(yàn)結(jié)果與分析</b></p><p>　　為了說(shuō)明該系統(tǒng)的準(zhǔn)確性以及實(shí)用性，于是進(jìn)行了多次不同車牌的定位以及分割識(shí)別，下面是另一組圖片數(shù)據(jù)：</p><p>　　定位后的車牌彩色

61、照：</p><p>　　分割后的字符效果圖：</p><p><b>　　字符識(shí)別效果圖：</b></p><p>　　字符分割效果主要取決于系統(tǒng)識(shí)別前期的充足準(zhǔn)備，講車牌圖像進(jìn)行灰度化和邊緣檢測(cè)處理，然后在對(duì)其進(jìn)行定位，講定位好的圖像進(jìn)行字符分割。得到的字符歸一化，運(yùn)用Matlab中的函數(shù)，對(duì)其進(jìn)行編譯。</p><p&

62、gt;　　分割后的圖像我們依舊采取了均值化，膨脹和腐蝕，將圖像中的雜質(zhì)過(guò)濾掉，只留下黑白圖像。雖然成功的分割出了字符，但還是有錯(cuò)誤產(chǎn)生比如在采集的時(shí)候，由于拍攝角度不同，得到的有些圖像中會(huì)產(chǎn)生大量的噪聲，不便于需要部分的提?。辉谧址指畹臅r(shí)候，若圖像中噪聲未降低至最小，則會(huì)造成后面字符的大小不一。如若提高圖像的質(zhì)量，分割字符的準(zhǔn)確率還是可以提高。</p><p><b>　　總 結(jié)</b>

63、</p><p>　　本文主要是側(cè)重于軟件部分的應(yīng)用，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別幾個(gè)方面對(duì)系統(tǒng)進(jìn)行分析。主要工作內(nèi)容及結(jié)論如下：</p><p>　?。?）收集，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)別等特點(diǎn)。 </p><p>　?。?）在車牌定位后我們先通過(guò)圖像灰度化處

64、理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法不僅保留了車牌區(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(guò)程，提高了后面分割的準(zhǔn)確性。 </p><p>　?。?）采用彩色分量的定位方法，通過(guò)對(duì)藍(lán)色象素點(diǎn)的統(tǒng)計(jì)對(duì)車牌是藍(lán)色的車牌進(jìn)行定位，實(shí)驗(yàn)表明，通過(guò)該方法得到的車牌定位準(zhǔn)確率較為理想。 </p><p>　?。?）該設(shè)計(jì)采用的圖像預(yù)處理、邊緣檢測(cè)、車牌長(zhǎng)寬比特征識(shí)別等對(duì)車牌的定位都比

65、較成功，并且本設(shè)計(jì)提出的垂直投影分析和閾值技術(shù)有效檢測(cè)到了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，較為準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，并對(duì)多個(gè)車牌進(jìn)行實(shí)驗(yàn)，準(zhǔn)確性都比較高。</p><p>　　本設(shè)計(jì)盡管只是藍(lán)底白字車牌進(jìn)行分割識(shí)別，但由于整個(gè)算法原則上對(duì)黑底白字車牌也適用，而對(duì)白底黑字車牌、黃底黑字車牌，則需對(duì)車牌定位算法進(jìn)行調(diào)整，并將圖像反轉(zhuǎn)，但車牌字符的分割算法仍然適用。 因此，本設(shè)計(jì)提出的車牌字符的分割算法實(shí)驗(yàn)證明在

66、實(shí)際運(yùn)用中是準(zhǔn)確、有效、可行的。</p><p><b>　　致 謝</b></p><p>　　四年的大小的學(xué)習(xí)生活即將結(jié)束，在此，我要感謝所有曾經(jīng)教導(dǎo)過(guò)我的老師和關(guān)心過(guò)我的同學(xué)，他們?cè)谖页砷L(zhǎng)過(guò)程中給予了我很多的幫助。本文能夠成功的完成，要特別感謝我的指導(dǎo)老師的關(guān)懷和教導(dǎo)，同時(shí)感謝各位同學(xué)的關(guān)心和幫助。</p><p>　　最后也要感謝我的

67、父母，是他們讓我學(xué)會(huì)了獨(dú)立自主，也學(xué)會(huì)了擁有一顆執(zhí)著奮斗的心，讓我明白要想在社會(huì)立足，就必須要有實(shí)力，只有通過(guò)自己的不懈的努力，才能在社會(huì)闖出屬于自己的一片天地。</p><p>　　不管以后會(huì)遇到什么樣的環(huán)境，都要時(shí)刻記得“活到老，學(xué)到老”，用熱情和專注去做好每一件事情，并要堅(jiān)定的相信通過(guò)自己誠(chéng)實(shí)勤勞的雙手是可以鑄就成功，再此感謝我的老師和同學(xué)。</p><p><b>　　參

68、考文獻(xiàn)</b></p><p>　　[1] 武良臣,王裕清，趙俊偉.無(wú)心軸新型托輥的研制.煤礦機(jī)械，1996(4):37-38</p><p>　　[2] 謝盛嘉,梁競(jìng)敏.車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].微計(jì)算機(jī)信息,2010（6）</p><p>　　[3] 王廣宇.車輛牌照識(shí)別系統(tǒng)的原理及算法研究[D].鄭州大學(xué),2000</p>

69、<p>　　[4] 許志影,李晉平.MATLAB在圖像處理中的應(yīng)用[J].計(jì)算機(jī)與現(xiàn)代化，2004（4）</p><p>　　[5] 白利波.車牌檢測(cè)與識(shí)別算法研究[D].北京交通大學(xué),2007.30-31.</p><p>　　[6] 崔江,王友仁.車牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究[J].計(jì)算機(jī)測(cè)量與控制，2003.11（4）</p><p>　

70、　[7] 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>　　[8] 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>　　[9] 張強(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

71、>　　[10] 張禹、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] 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><b>　　附件：</b></p><p><b>　　cle

72、ar all</b></p><p>　　a=imread('E:\che.jpg');</p><p>　　i1=rgb2gray(a);</p><p>　　i2=edge(i1,'robert',0.09,'both');</p><p>　　se=[1;1;1];</p

73、><p>　　i3=imerode(i2,se);</p><p>　　se=strel('rectangle',[50,50]);</p><p>　　i4=imclose(i3,se);</p><p>　　i5=bwareaopen(i4,10000);</p><p>　　[y,x,z]=size(

74、i5);</p><p>　　myi=double(i5);</p><p><b>　　tic</b></p><p>　　blue_y=zeros(y,1);</p><p>　　for i=1:y</p><p>　　for j=1:x</p><p>　　

75、if(myi(i,j,1)==1)</p><p>　　blue_y(i,1)=blue_y(i,1)+1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p&g

76、t;　　[temp MaxY]=max(blue_y);</p><p><b>　　py1=MaxY;</b></p><p>　　while((blue_y(py1,1)>=5)&&(py1>1))</p><p>　　py1=py1-1;</p><p><b>　　end&l

77、t;/b></p><p><b>　　py2=MaxY;</b></p><p>　　while((blue_y(py2,1)>=5)&&(py2<y))</p><p>　　py2=py2+1;</p><p><b>　　end</b></p>

78、<p>　　IY=a(py1:py2,:,:);</p><p>　　blue_x=zeros(1,x);</p><p>　　for j=1:x</p><p>　　for i=py1:py2</p><p>　　if(myi(i,j,1)==1)</p><p>　　blue_x(1,j)=blue

79、_x(1,j)+1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　px1=1;</b></p><p>　　whil

80、e((blue_x(1,px1)<3)&&(px1<x))</p><p>　　px1=px1+1;</p><p><b>　　end</b></p><p><b>　　px2=x;</b></p><p>　　while((blue_x(1,px2)<3)&a

81、mp;&(px2>px1))</p><p>　　px2=px2-1;</p><p><b>　　end</b></p><p>　　px1=px1+25;</p><p>　　px2=px2-20;</p><p>　　py1=py1+47;</p><p&g

82、t;　　py2=py2-25;</p><p>　　dw=a(py1:py2,px1:px2,:);</p><p><b>　　t=toc;</b></p><p>　　figure(1);</p><p>　　subplot(3,3,1);</p><p>　　imshow(IY);</

83、p><p>　　subplot(3,3,2);</p><p>　　imshow(dw);</p><p>　　imwrite(dw,'dw.jpg');</p><p>　　[filename,filepath]=uigetfile('dw.jpg','輸入一個(gè)定位后的圖像');</p>

84、;<p>　　jpg=strcat(filepath,filename);</p><p>　　a=imread('dw.jpg');</p><p>　　b=rgb2gray(a);</p><p>　　imwrite(b,'1.車牌灰色圖像.jpg');</p><p>　　figure(2)

85、;</p><p>　　subplot(3,3,1);</p><p>　　imshow(b);title('1.車牌灰色圖像');</p><p>　　g_max=double(max(max(b)));</p><p>　　g_min=double(min(min(b)));</p><p>　　T

86、=round(g_max-(g_max-g_min)/2);</p><p>　　[m,n]=size(b);</p><p>　　d=(double(b)>=T);</p><p>　　imwrite(d,'2.車牌二值化.jpg');</p><p>　　figure(2);</p><p>

87、　　subplot(3,3,2);</p><p>　　imshow(d);title('2.車牌二值化圖像');</p><p>　　subplot(3,3,3);</p><p>　　imshow(d);title('3.均值濾波前圖像');</p><p><b>　　%濾波</b>

88、</p><p>　　h=fspecial('average',3);</p><p>　　d=im2bw(round(filter2(h,d)));</p><p>　　imwrite(d,'4.均值濾波.jpg');</p><p>　　figure(2);</p><p>　　su

89、bplot(3,3,4);</p><p>　　imshow(d);title('4.均值后化圖像')</p><p><b>　　%膨脹或者腐蝕</b></p><p>　　se=eye(2);</p><p>　　[m,n]=size(d);</p><p>　　if bwa

90、rea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</p><p>　　else if bwarea(d)/m/n<=0.235</p><p>　　d=imdilate(d,se);</p><p><b>　　end</b></p><p>

91、;<b>　　end</b></p><p>　　imwrite(d,'5.膨脹或者腐蝕后.jpg');</p><p>　　figure(2);</p><p>　　subplot(3,3,5);</p><p>　　imshow(d);title('5.腐蝕或膨脹后圖像');</

92、p><p>　　%%%%%%%%尋找字塊，判斷并分割</p><p>　　d=qiege(d);</p><p>　　[m,n]=size(d);</p><p><b>　　k1=1;</b></p><p><b>　　k2=1;</b></p><p&g

93、t;<b>　　s=sum(d);</b></p><p><b>　　j=1;</b></p><p>　　while j~=n</p><p>　　while s(j)==0</p><p><b>　　j=j+1;</b></p><p><

94、;b>　　end</b></p><p><b>　　k1=j;</b></p><p>　　while s(j)~=0 && j<=n-1</p><p><b>　　j=j+1;</b></p><p><b>　　end</b>&l

95、t;/p><p><b>　　k2=j-1;</b></p><p>　　if k2-k1>=round(n/6.5)</p><p>　　[val,num]=min(sum(d(:,[k1+5:k2-5])));</p><p>　　d(:,k1+num+5)=0;</p><p><b

96、>　　end</b></p><p><b>　　end</b></p><p><b>　　%%%%%再分割</b></p><p>　　d=qiege(d);</p><p><b>　　y1=10;</b></p><p><

97、;b>　　y2=0.25;</b></p><p><b>　　flag=0;</b></p><p><b>　　word1=[];</b></p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p>

98、　　left=1;wide=0;</p><p>　　while sum(d(:,wide+1))~=0</p><p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　if wide<y1</p><p>　　d(:,[1:wide])=0;

99、</p><p>　　d=qiege(d);</p><p><b>　　else</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m,n]=size(temp);</p><p>　　all=sum(sum(temp));

100、</p><p>　　two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));</p><p>　　if two_thirds/all>y2;</p><p>　　flag=1;word1=temp;</p><p><b>　　end</b></p>

101、;<p>　　d(:,[1:wide])=0;d=qiege(d);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　[word2,d]=getword(d);</p><p>　　[word3,d]=getword(d);&

102、lt;/p><p>　　[word4,d]=getword(d);</p><p>　　[word5,d]=getword(d);</p><p>　　[word6,d]=getword(d);</p><p>　　[word7,d]=getword(d);</p><p>　　figure(4);</p>

103、<p>　　subplot(5,7,1);imshow(word1);title('1');</p><p>　　subplot(5,7,2);imshow(word2);title('2');</p><p>　　subplot(5,7,3);imshow(word3);title('3');</p><p&g

104、t;　　subplot(5,7,4);imshow(word4);title('4');</p><p>　　subplot(5,7,5);imshow(word5);title('5');</p><p>　　subplot(5,7,6);imshow(word6);title('6');</p><p>　　sub

105、plot(5,7,7);imshow(word7);title('7');</p><p>　　[m,n]=size(word1);</p><p>　　word1=imresize(word1,[40,20]);</p><p>　　word2=imresize(word2,[40,20]);</p><p>　　word3

106、=imresize(word3,[40,20]);</p><p>　　word4=imresize(word4,[40,20]);</p><p>　　word5=imresize(word5,[40,20]);</p><p>　　word6=imresize(word6,[40,20]);</p><p>　　word7=imresiz

107、e(word7,[40,20]);</p><p>　　figure(5);</p><p>　　subplot(5,7,1);imshow(word1);title('1');</p><p>　　subplot(5,7,2);imshow(word2);title('2');</p><p>　　subpl

108、ot(5,7,3);imshow(word3);title('3');</p><p>　　subplot(5,7,4);imshow(word4);title('4');</p><p>　　subplot(5,7,5);imshow(word5);title('5');</p><p>　　subplot(5,7,

109、6);imshow(word6);title('6');</p><p>　　subplot(5,7,7);imshow(word7);title('7');</p><p>　　%%%%%%%%%%%%%%%%%%%%分割字符%%%%%%%%%%%%%%%%%%%%</p><p>　　function [word,result]

110、=getword(d)</p><p>　　word=[];flag=0;y1=8;y2=0.5;</p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p><b>　　wide=0;</b></p><p>　　while sum(d(

111、:,wide+1))~=0 && wide<=n-2</p><p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m1,n1]=size(temp);<

112、;/p><p>　　if wide<y1 && n1/m1>y2</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d))~=0</p><p>　　d=qiege(d);</p><p>　　else word=[];flag=1;<

113、/p><p><b>　　end</b></p><p><b>　　else</b></p><p>　　word=qiege(imcrop(d,[1 1 wide m]));</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d

114、))~=0;</p><p>　　d=qiege(d);flag=1;</p><p>　　else d=[];</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></

115、p><p><b>　　%end</b></p><p><b>　　result=d;</b></p><p>　　function e=qiege(d)</p><p>　　[m,n]=size(d);</p><p>　　top=1;bottom=m;left=1;righ

116、t=n;</p><p>　　while sum(d(top,:))==0&&top<=m</p><p>　　top=top+1;</p><p><b>　　end</b></p><p>　　while sum(d(bottom,:))==0&&bottom>=1&l

117、t;/p><p>　　bottom=bottom-1;</p><p><b>　　end</b></p><p>　　while sum(d(:,left))==0&&left<=n</p><p>　　left=left+1;</p><p><b>　　end&l

118、t;/b></p><p>　　while sum(d(:,right))==0&&right>=1</p><p>　　right=right-1;</p><p><b>　　end</b></p><p>　　dd=right-left;</p><p>　　h