matlab車牌識別課程設(shè)計報告

1、<p>　　Matlab程序設(shè)計任務(wù)書</p><p>　　目 錄</p><p>　　一．課程設(shè)計目的……………………………………………3</p><p>　　二．設(shè)計原理…………………………………………………3</p><p>　　三．詳細(xì)設(shè)計步驟……………………………………………3</p><

2、p>　　四. 設(shè)計結(jié)果及分析…………………………………………18</p><p>　　五. 總結(jié)………………………………………………………19</p><p>　　六. 設(shè)計體會…………………………………………………20</p><p>　　七. 參考文獻(xiàn)…………………………………………………21</p><p><b>　　

3、一、課程設(shè)計目的</b></p><p>　　車牌定位系統(tǒng)的目的在于正確獲取整個圖像中車牌的區(qū)域，并識別出車牌號。通過設(shè)計實現(xiàn)車牌識別系統(tǒng)，能夠提高學(xué)生分析問題和解決問題的能力，還能培養(yǎng)一定的科研能力。</p><p><b>　　二、設(shè)計原理:</b></p><p>　　牌照自動識別是一項利用車輛的動態(tài)視頻或靜態(tài)圖像進(jìn)行牌照號碼

4、、牌照顏色自動識別的模式識別技術(shù)。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識別車牌號碼的處理機等，其軟件核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識別算法等。某些牌照識別系統(tǒng)還具有通過視頻圖像判斷車輛駛?cè)胍曇暗墓δ芊Q之為視頻車輛檢測。一個完整的牌照識別系統(tǒng)應(yīng)包括車輛檢測、圖像采集、牌照識別等幾部分。當(dāng)車輛檢測部分檢測到車輛到達(dá)時觸發(fā)圖像采集單元，采集當(dāng)前的視頻圖像。牌照識別單元對圖像進(jìn)行處理，定位出牌照位置，

5、再將牌照中的字符分割出來進(jìn)行識別，然后組成牌照號碼輸出。</p><p><b>　　三、詳細(xì)設(shè)計步驟:</b></p><p>　　1. 提出總體設(shè)計方案:</p><p>　　牌照號碼、顏色識別 </p><p>　　為了進(jìn)行牌照識別，需要以下幾個基本的步驟：</p><p>　　a.牌照定位

6、，定位圖片中的牌照位置；</p><p>　　b.牌照字符分割，把牌照中的字符分割出來；</p><p>　　c.牌照字符識別，把分割好的字符進(jìn)行識別，最終組成牌照號碼。</p><p>　　牌照識別過程中，牌照顏色的識別依據(jù)算法不同，可能在上述不同步驟實現(xiàn)，通常與牌照識別互相配合、互相驗證。</p><p><b>　　(1）牌照

7、定位:</b></p><p>　　自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。首先對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)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。</p><p><b>　　流程圖:</b&g

8、t;</p><p>　?。?）牌照字符分割 :</p><p>　　完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進(jìn)行識別。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>

9、<p>　?。?）牌照字符識別 :</p><p>　　字符識別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ紫葘⒎指詈蟮淖址祷?并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，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：一種是先對待識別字符進(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入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動

10、實現(xiàn)特征提取直至識別出結(jié)果。實際應(yīng)用中，牌照識別系統(tǒng)的識別率與牌照質(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；實際拍攝過程也會受到環(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別的識別率，也正是牌照識別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識別率，除了不斷的完善識別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利

11、于識別。</p><p>　　2. 各模塊的實現(xiàn):</p><p>　　2.1輸入待處理的原始圖像:</p><p><b>　　clear ;</b></p><p>　　close 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>

12、<p>　　Scolor = imread('3.jpg');%imread函數(shù)讀取圖像文件</p><p><b>　　圖2.1原始圖像</b></p><p>　　2.2圖像的灰度化:</p><p>　　彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此在對圖像進(jìn)行識別

13、等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細(xì)膩、容易識別。</p><p>　　%將彩色圖像轉(zhuǎn)換為黑白并顯示</p><p>　　Sgray = rgb2gray(Scolor);%rgb2gray轉(zhuǎn)換成灰度圖</p><p>　　

14、figure,imshow(Sgray),title('原始黑白圖像');</p><p>　　圖2.2原始黑白圖像</p><p>　　2.3對原始圖像進(jìn)行開操作得到圖像背景圖像:</p><p>　　s=strel('disk',13);%strei函數(shù)</p><p>　　Bgray=imopen(Sgr

15、ay,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><b>　　圖2.3背景圖像</b></p><p>　　2.4灰度圖像與背景圖像作減法，對圖像進(jìn)行增強處理:</p><p>　　Egray=i

16、msubtract(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><b>　　圖2.4黑白圖像</b></p><p>　　2.5取得最佳閾值，將圖像二值化:</p><p>　　二值圖

17、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(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閥值，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(jìn)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25

18、5，否則灰度值設(shè)置為255或0。</p><p>　　fmax1=double(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

19、</p><p>　　bw22=im2bw(Egray,level);%轉(zhuǎn)換圖像為二進(jìn)制圖像</p><p>　　bw2=double(bw22);</p><p>　　figure,imshow(bw2);title('圖像二值化');%得到二值圖像</p><p><b>　　圖2.5二值圖像</b>

20、</p><p><b>　　2.6邊緣檢測:</b></p><p>　　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(jìn)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

21、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?？梢酝ㄟ^求梯度局部最大值對應(yīng)的點，并認(rèn)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精確邊緣點。</p><p>　

22、　grd=edge(bw2,'canny')%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><b>　　圖2.6像邊緣提取</b></p><p>　　2.7對得到圖像作開操作進(jìn)行濾波:</p&

23、gt;<p>　　數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進(jìn)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，形成連通域。先腐蝕后膨脹的過程稱為開運算，它具有消除細(xì)小物體，并在纖細(xì)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

24、算，具有填充物體內(nèi)細(xì)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(xì)的鴻溝，消除小的孔洞，并彌補輪廓線中的斷裂。</p><p>　　bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的閉運算</p><p>　　figure,imshow(bg1)

25、;title('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&g

26、t;　　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>　　圖2.7.1閉運算的圖像 圖2.7.2開運算的圖像</p>&l

27、t;p>　　圖2.7.3開運算的圖像</p><p>　　2.8對二值圖像進(jìn)行區(qū)域提取，并計算區(qū)域特征參數(shù)。進(jìn)行區(qū)域特征參數(shù)比較，提取車牌區(qū)域:</p><p>　　a.對圖像每個區(qū)域進(jìn)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>　　[L,num] = bwlabel(bg2,8);%標(biāo)注二進(jìn)制圖像中已連接的部分

28、</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=[Feastats.BoundingBox];%[x y width height]車牌的框架大小</p>

29、<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');%輸出框架的彩色圖像</p><p>　　圖2.8.1彩色圖像</p><p

30、>　　b. 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>　　程序流程圖 圖2.8.2灰度子圖和二值子圖</p><p>　　2.9對水平投影進(jìn)行峰谷分析:</p><p>　　對水平投影進(jìn)行峰谷分析,計算出車牌上

31、邊框、車牌字符投影、車牌下邊框的波形峰上升點、峰下降點、峰寬、谷寬、峰間距離、峰中心位置參數(shù)。</p><p>　　histcol1=sum(sbw1); %計算垂直投影</p><p>　　histrow=sum(sbw1'); %計算水平投影</p><p>　　figure,subplot(2,1,1),bar(histcol1);

32、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><p>　　圖2.9.1垂直投影和水平投影</p><p>　　figure,subplot(2,1,1),bar(histrow);

33、 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(jìn)行峰谷分析:</p><p>　　圖2.9.2水平投影和二值圖 程序流程圖</p&g

34、t;<p>　　2.10計算車牌旋轉(zhuǎn)角度:</p><p>　　a.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為1的點擬合直線與水平X軸的夾角。</p><p><b>　　程序流程圖</b></p><p>　　(2)線性擬合，計算與x夾角</p&

35、gt;<p>　　fresult = fit(xdata',ydata','poly1'); %poly1表示一介擬合 Y = 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

36、><p><b>　　(3)旋轉(zhuǎn)車牌圖象</b></p><p>　　subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋轉(zhuǎn)車牌圖象</p><p>　　sbw = imrotate(sbw1,angle,'bilinear','crop

37、');%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>

38、;　　title(['車牌旋轉(zhuǎn)角: ',num2str(angle),'度'] ,'Color','r');%顯示車牌的旋轉(zhuǎn)角度</p><p>　　圖2.10.1旋轉(zhuǎn)后的灰度圖像和旋轉(zhuǎn)角度</p><p>　　b.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>　　h

39、istcol1=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('垂直投影（旋轉(zhuǎn)后）');</p><p>　　subplot(2,1,2),bar(histrow);

40、title('水平投影（旋轉(zhuǎn)后）');</p><p>　　圖2.10.2垂直投影（旋轉(zhuǎn)后）和水平投影（旋轉(zhuǎn)后）</p><p>　　figure,subplot(2,1,1),bar(histrow); title('水平投影（旋轉(zhuǎn)后）');</p><p>　　subplot(2,1,2),imshow(sbw);titl

41、e('車牌二值子圖（旋轉(zhuǎn)后）');</p><p>　　圖2.10.3水平投影（旋轉(zhuǎn)后）和車牌二值子圖（旋轉(zhuǎn)后）</p><p>　　2.11去水平（上下）邊框,獲取字符高度: </p><p>　　a.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>

42、<p>　　maxhight=max(markrow2);</p><p>　　findc=find(markrow2==maxhight);</p><p>　　rowtop=markrow(findc);</p><p>　　rowbot=markrow(findc+1)-markrow1(findc+1);</p><p>

43、;　　sbw2=sbw(rowtop:rowbot,:); %子圖為(rowbot-rowtop+1)行</p><p>　　maxhight=rowbot-rowtop+1; %字符高度(rowbot-rowtop+1)</p><p>　　b.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)

44、; %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</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： ',

45、int2str(maxhight)],'Color','r');%輸出車牌字符高度</p><p>　　%對垂直投影進(jìn)行峰谷分析</p><p>　　圖2.11垂直投影圖像和車牌字符高度 程序流程圖</p><p>　　c.計算車牌上每個字符中心位置，計算最大字符寬度maxwidth</p

46、><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>　　markcol4(k)=markcol3(k)-markcol(k); %字符寬度（上升點至下降點）</p

47、><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(markcol5); %字符中心距離（字符中心點至下一個字符中心點）</p><p>　　ma

48、xs=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>　　maxwidth=max(markcol6);%查找最大值，即為最大字符寬度</p><p>　　d

49、.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></p><p>　　for k=findmax-1:findmax+5</p>

50、<p>　　cleft=markcol5(k)-maxwidth/2;</p><p>　　cright=markcol5(k)+maxwidth/2-2;</p><p>　　if cleft<1</p><p><b>　　cleft=1;</b></p><p>　　cright=maxwidt

51、h;</p><p><b>　　end</b></p><p>　　if cright>n2</p><p>　　cright=n2;</p><p>　　cleft=n2-maxwidth;</p><p><b>　　end</b></p><

52、p>　　SegGray=sbw(rowtop:rowbot,cleft:cright);</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>　　subplot(2

53、,n1,l),imshow(SegGray);</p><p><b>　　if l==7</b></p><p>　　title(['車牌字符寬度： ',int2str(maxwidth)],'Color','r');</p><p><b>　　end</b></p

54、><p>　　subplot(2,n1,n1+l),imshow(SegBw2); </p><p>　　fname=strcat('F:\MATLAB\work\sam\image',int2str(k),'.jpg');%保存子圖備選入樣本庫,并建立樣本庫</p><p>　　imwrite(SegBw2,fname,&

55、#39;jpg') </p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p><p>　　2.12將計算計算獲取的字符圖像與樣本庫進(jìn)行匹配，自動識別出字符代碼:</p><p>　　進(jìn)行車牌識別前需要使用樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)

56、絡(luò)對車牌進(jìn)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(jìn)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(jìn)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(jìn)行識別，輸出識別結(jié)果。</p><p>　　程序流程圖 圖2.12識別的車牌號碼</p><p><b&

57、gt;　　四、設(shè)計結(jié)果及分析</b></p><p>　　原始圖像: 預(yù)處理后：</p><p>　　車牌定位和提?。?字符的分割和識別：</p><p>　　可以看出對于這個車牌，可以準(zhǔn)確的識別。</p><p>　　原始圖像:

58、 預(yù)處理：</p><p>　　車牌的定位和提?。?字符的分割和識別：</p><p>　　從上面結(jié)果可以看出，這張車牌的識別失敗了，將G誤識別為B了，K誤識為A，0識別為8，這在識別中是非常容易出錯的地方，因此需要在其他方面做些彌補，最后達(dá)到識別效果。</p><p>　　在車

59、牌識別的過程中數(shù)字庫的建立很重要,只有數(shù)字庫的準(zhǔn)確才能保證檢測出來的數(shù)據(jù)正確。切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，所以數(shù)據(jù)庫的數(shù)據(jù)尤為重要。</p><p><b>　　五、總結(jié):</b></p><p>　　實驗對車牌識別系統(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別等方面進(jìn)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

60、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(jìn)行預(yù)處理，再進(jìn)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。基于彩色分量的定位方法，運用基于藍(lán)色象素點統(tǒng)計特性的方法對車牌是藍(lán)色的車牌進(jìn)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，

61、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(jìn)行實驗，均有很高的正確率。本設(shè)計雖然只對藍(lán)底白字車牌進(jìn)行分割識別，對黑底白字車牌原則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(jìn)行調(diào)整，</p><p&g

62、t;<b>　　六、設(shè)計體會</b></p><p>　　經(jīng)過幾周的奮戰(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

63、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(jìn)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)上有很多很好的資料，對自己的自學(xué)能力也是很好的提高。我的心得也就這么多了，總之，不管學(xué)會的還是學(xué)不會的的確覺得困難比較多

64、，真是萬事開頭難，不知道如何入手。最后終于做完了有種如釋重負(fù)的感覺。此外，還得出一個結(jié)論：知識必須通過應(yīng)用才能實現(xiàn)其價值！有些東西以為學(xué)會了，但真正到用的時候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會用的時候才是真的學(xué)會了。也不</p><p><b>　　七、參考文獻(xiàn):</b></p><p>　　[1] 陳桂明、張明照、戚紅雨.應(yīng)用MATLAB語言處理數(shù)字信號與數(shù)字圖

65、像。科學(xué)出版社，2000</p><p>　　[2] 霍宏濤.數(shù)字圖像處理.機械工業(yè)出版社，2003.5</p><p>　　[3] 郁梅等，基于視覺的車輛牌照檢測,計算機應(yīng)用研究,1999(5),P65～67</p><p>　　[4] 葉晨洲，廖金周，一種基于紋理的牌照圖象二值化方法，微型電腦應(yīng)用，1999(6)，P28～29</p><p&

66、gt;　　[5] 周妮娜、王敏、黃心漢、呂雪峰、萬國紅.車牌字符識別的預(yù)處理算法.計算機工程與應(yīng)用，2003(15)</p><p>　　[6] 楊萬山等，基于BP 神經(jīng)網(wǎng)絡(luò)的工程圖紙圖形符號的識別，微型電腦應(yīng)用，Vol.16，No.2，2000</p><p>　　[7] 王年、李婕、任彬、汪炳權(quán).多層次汽車車牌照定位分割方法. 安徽大學(xué)學(xué)報，1999(6)Vol.23.No.2<