汽車車牌識別系統(tǒng)畢業(yè)論文（帶外文翻譯）

1、<p><b>　　汽車車牌識別系統(tǒng)</b></p><p>　　---車牌定位子系統(tǒng)的設計與實現(xiàn)</p><p><b>　　摘 要</b></p><p>　　汽車車牌識別系統(tǒng)是近幾年發(fā)展起來的計算機視覺和模式識別技術在智能交通領域應用的重要研究課題之一。在車牌自動識別系統(tǒng)中，首先要將車牌從所獲取的圖像中分割

2、出來實現(xiàn)車牌定位，這是進行車牌字符識別的重要步驟，定位的準確與否直接影響車牌識別率。</p><p>　　本次畢業(yè)設計首先對車牌識別系統(tǒng)的現(xiàn)狀和已有的技術進行了深入的研究，在此基礎上設計并開發(fā)了一個基于MATLAB的車牌定位系統(tǒng)，通過編寫MATLAB文件，對各種車輛圖像處理方法進行分析、比較,最終確定了車牌預處理、車牌粗定位和精定位的方法。本次設計采取的是基于微分的邊緣檢測，先從經(jīng)過邊緣提取后的車輛圖像中提取車牌

3、特征，進行分析處理，從而初步定出車牌的區(qū)域，再利用車牌的先驗知識和分布特征對車牌區(qū)域二值化圖像進行處理，從而得到車牌的精確區(qū)域，并且取得了較好的定位結果。</p><p>　　關鍵詞：圖像采集，圖像預處理，邊緣檢測，二值化，車牌定位</p><p>　　ENGLISH SUBJECT</p><p><b>　　ABSTRACT</b><

4、/p><p>　　The subject of the automatic recognition of license plate is one of the most significant subjects that are improved from the connection of computer vision and pattern recognition. In LPSR, the first st

5、ep is for locating the license plate in the captured image which is very important for character recognition. The recognition correction rate of license plate is governed by accurate degree of license plate location.<

6、/p><p>　　Firstly, the paper gives a deep research on the status and technique of the plate license recognition system. On the basis of research, a solution of plate license recognition system is proposed throug

7、h the software MATLAB,by the M-files several of methods in image manipulation are compared and analyzed. The methods based on edge map and das differential analysis is used in the process of the localization of the licen

8、se plate, extracting the characteristics of the license plate in the car images</p><p>　　KEY WORDS：imageacquisition，image preprocessing，edge detection，binarization，licence，license plate location</p>&

9、lt;p><b>　　目　錄</b></p><p><b>　　前　言1</b></p><p><b>　　第1章緒 論2</b></p><p>　　§1.1 課題研究的背景2</p><p>　　§1.2 車牌的特征2</p&g

10、t;<p>　　§1.3 國內外車輛牌照識別技術現(xiàn)狀3</p><p>　　§1.4車牌識別技術的應用情況4</p><p>　　§1.5 車牌識別技術的發(fā)展趨勢5</p><p>　　§1.6車牌定位的意義6</p><p>　　第2章MATLAB簡介7</p>

11、<p>　　§2.1 MATLAB發(fā)展歷史7</p><p>　　§2.2 MATLAB的語言特點7</p><p>　　第3章圖像預處理10</p><p>　　§3.1 灰度變換10</p><p>　　§3.2 圖像增強11</p><p>　

12、　§3. 3 圖像邊緣提取及二值化13</p><p>　　§3. 4 形態(tài)學濾波18</p><p>　　第4章 車牌定位21</p><p>　　§4.1 車牌定位的主要方法21</p><p>　　§4.1.1基于直線檢測的方法22</p><p>　　§

13、;4.1.2 基于閾值化的方法22</p><p>　　§4.1.3 基于灰度邊緣檢測方法22</p><p>　　§4.1.4 基于彩色圖像的車牌定位方法25</p><p>　　§4.2 車牌提取26</p><p><b>　　結 論30</b></p><

14、;p><b>　　參考文獻31</b></p><p><b>　　致 謝33</b></p><p><b>　　前　言</b></p><p>　　隨著交通問題的日益嚴重，智能交通系統(tǒng)應運而生。從20世紀90年代起，我國也逐漸展開了智能交通系統(tǒng)的研究和開發(fā)，探討在現(xiàn)有的交通運輸網(wǎng)的基礎上

15、，提高運輸效率，保障運輸安全。我國加強智能交通系統(tǒng)（ITS）的研究與開發(fā)勢在必行，特別是考慮到我國的國情和我國經(jīng)濟的快速發(fā)展，社會信息化程度日益提高，交通管理智能化成為發(fā)展的趨勢。</p><p>　　汽車牌照自動識別系統(tǒng)是近幾年發(fā)展起來的計算機視覺和模式識別技術在智能交通領域應用的重要研究課題之一。車牌識別的目的是對攝像頭獲取的汽車圖像進行預處理,確定車牌位置,提取車牌上的字符串，并對這些字符進行識別處理,用文

16、本的形式顯示出來。車牌自動識別技術在智能交通系統(tǒng)中具有重要的應用價值。在車牌自動識別系統(tǒng)中，首先要將車牌從所獲取的圖像中分割出來，這是進行車牌字符識別的重要步驟，定位準確與否直接影響車牌識別率。本次設計主要對車牌的定位做了比較詳細的研究。</p><p>　　汽車牌照自動識別系統(tǒng)作為一種交通信息的獲取技術在交通車輛管理、園區(qū)車輛管理、停車場管理有著特別重要的應用價值，受到業(yè)內人士的普遍關注。車牌自動識別的處理有三

17、部分組成，其中車牌定位作為最關鍵的技術，成為重點研究的對象。</p><p>　　車牌定位的成功與否以及定位的準確程度將會直接決定后期能否進行車牌識別以及識別的準確度。由于在現(xiàn)實中，汽車的車牌圖像受到光照、背景、車型等外界干擾因素以及拍攝角度、遠近等人為因素的影響，造成圖像受光不均勻，車牌區(qū)域不明顯，給車牌區(qū)域的提取帶來了較大的困難。</p><p>　　車牌定位的方法有很多種，目前比較經(jīng)

18、典的定位方法大都在基于灰度圖像的基礎上。本次畢業(yè)設計就針對灰度圖像的定位進行了研究。針對不同背景和光照條件下的車輛圖像，提出了一種基于灰度圖像灰度變化特征進行車牌定位的方法。依據(jù)車牌中不同區(qū)域的灰度分布，車牌定位時可以首先將彩色車牌進行灰度化然后再進行車牌定位。</p><p><b>　　緒 論</b></p><p>　　§1.1 課題研究的背景<

19、/p><p>　　隨著21世紀經(jīng)濟全球化的到來，高速度、高效率的生活節(jié)奏，使車輛普及成為必然的趨勢，交通管理自動化越來越成為亟待解決的問題?，F(xiàn)代智能交通系統(tǒng) (Intelligent Transportation System，ITS)中，車輛牌照識別(License Plate Recognition，LPR)技術是計算機視覺與模式識別技術在交通領域應用的重要研究課題之一，是實現(xiàn)交通管理能夠智能化的重要環(huán)節(jié)，其任務

20、是分析、處理汽車圖像，自動識別汽車牌號。LPR系統(tǒng)可以廣泛應用于電子收費、出入控制、公路流量監(jiān)控、失竊車輛查詢和停車場車輛管理等需要車牌認證的場合；尤其在高速公路收費系統(tǒng)中，實現(xiàn)不停車收費提高公路系統(tǒng)的運行效率，LPR系統(tǒng)更具有不可替代的作用。因而從事LPR技術的研究具有極其重要的現(xiàn)實意義和巨大的經(jīng)濟價值。LPR系統(tǒng)中的兩個關鍵子系統(tǒng)是車牌定位系統(tǒng)和車牌字符識別系統(tǒng)。關于車牌定位系統(tǒng)的研究，國內外學者已經(jīng)做了大量的工作，但實際效果并不是

21、很理想，比如車牌圖像的傾斜、車牌表面的污穢和磨損、光線的干擾等都是影響定位準確度的潛在因素。為此，近年來不少學者針對車牌本身的特點、車輛拍攝的不良現(xiàn)象及背景復</p><p>　　§1.2 車牌的特征</p><p>　　車牌的本身具有許多固有特征，這些特征對不同的國家是不同的，我國現(xiàn)在使用的車牌主要根據(jù)中華人民共和國機動車牌號GA36-92標準，具有以下特征： </p&

22、gt;<p>　?。?）形狀特征：標準的車牌外輪廓尺寸440*140，字符高90，寬45，字符間距12，間隔符寬10。整個字符的高寬比例近似為3:1，車牌的邊緣是線段圍成的有規(guī)則的矩形。主要用在車牌的定位分割。</p><p>　　（2）顏色特征：現(xiàn)有的字符顏色與車牌底色搭配有四種類型，藍底白字，黃底黑字，白底黑字，黑底白字。這部分特征主要用在對彩色圖像進行車牌的定位。</p><

23、;p>　?。?）字符的特征：標準的車牌上有7個字符，呈水平排列，待識別的字符模板可以分為一下三類，漢字，英文字母，阿拉伯數(shù)字，主要用于對字符匹配識別方面。</p><p>　?。?）其他國家的汽車牌照格式(如汽車牌照的尺寸大小，牌照上的字符排列等)通常只有一種，而我國則根據(jù)不同車輛、車型、用途，規(guī)定了多種牌照格式(例如分為軍車、警車、普通車等)。</p><p>　?。?）我國汽車牌

24、照的規(guī)范懸掛位置不唯一。</p><p>　?。?）由于環(huán)境、道路或人為因素造成汽車牌照污染嚴重，這種情況下，國外發(fā)達國家不允許上路，而在我國仍可上路行駛。</p><p>　　車牌與汽車的其它區(qū)域相比，還有以下主要特征：</p><p>　　（1）車牌區(qū)域中的垂直邊緣比水平邊緣密集，而車身其它部分的水平邊緣</p><p>　　明顯，垂直邊

25、緣較少。</p><p>　?。?）灰度變化特征：車牌的底色、邊緣顏色，車輛外部的顏色都是不同的，</p><p>　　表現(xiàn)在圖像中就是灰度級互不相同，這就在車牌邊緣形成了灰度突變邊界。實際上，車牌的邊緣在灰度上的表現(xiàn)是一種屋脊狀邊緣。在車牌區(qū)域內部，字符和車牌底的灰度較均勻的呈現(xiàn)波峰波谷。 </p><p>　?。?）有相對集中和規(guī)則的紋理特征。</p>

26、;<p>　　由于我國汽車車牌識別的特殊性，這就導致了采用任何單一識別技術都是難以奏效的。</p><p>　　§1.3 國內外車輛牌照識別技術現(xiàn)狀</p><p>　　目前，國內外有大量關于車牌識別方面的研究報道。國外在這方面的研究工作開展較早。在上世紀70 年代，英國就在實驗室中完成了“實時車牌檢測系統(tǒng)”的廣域檢測和開發(fā)。同時代，誕生了面向被盜車輛的第一個實時自

27、動車牌監(jiān)測系統(tǒng)。發(fā)展到今日，國外對車牌檢測的研究已經(jīng)取得了一些令人矚目的成就，如Yuntao Cui提出了一種車牌識別系統(tǒng)，在車牌定位以后，利用馬爾科夫場對車牌特征進行提取和二值化，對樣本的識別達到了較高的識別率。Eun Ryung 等利用圖像中的顏色分量，對車輛照進行定位識別，其中提到了三種方法：①以Hough 變換為基礎的邊緣檢測定位識別；②以灰度值變換為基礎的識別算法；③以HLS彩色模式為基礎的車牌識別系統(tǒng)，識別率分別為81.25

28、%、85%、91.2%。日本對車牌圖像的獲取也做了大量的研究，并為系統(tǒng)產(chǎn)業(yè)化做了大量工作。Luis開發(fā)系統(tǒng)應用于公路收費站，全天識別率達到了90%以上，即使在天氣不好的情況下也達到了70%。國外對車牌識別的研究起步早，總體來講其技術已比較領先，同時由于他們車牌種類單一規(guī)范程度較高，易于定位識別。目前，已經(jīng)實現(xiàn)了產(chǎn)品化，并在實際的交通系統(tǒng)中得到了廣泛的應用。由于</p><p>　　§1.4車牌識別技術的

29、應用情況</p><p>　　車輛牌照識別系統(tǒng)技術能夠從一幅車輛圖像中準確定位出車牌圖像，經(jīng)過字符切分和識別后實現(xiàn)車輛牌照的自動識別，從而為以上應用提供信息和基礎功能。</p><p>　　目前車牌識別系統(tǒng)主要應用于以下領域：</p><p>　?。?）停車場管理系統(tǒng)。利用車牌識別技術對出入車輛的號牌進行識別和匹配，與停車卡結合實現(xiàn)自動計時、計費的車輛收費管理系統(tǒng)。

30、</p><p>　?。?）高速公路超速自動化管理系統(tǒng)。以車牌自動識別技術為基礎，與其他高科技手段結合，對高速公路交通流狀況進行自動監(jiān)測、自動布控，從而降低交通事故的復發(fā)生率，確保交通順暢。</p><p>　?。?）公路布控。采用車牌識別技術實現(xiàn)對重點車輛的自動識別，快速報警，既可以有效查找被盜車輛，同時又為公安、檢察機關提供了對犯罪嫌疑人的交通工具進行遠程跟蹤與監(jiān)查的技術手段。<

31、/p><p>　　（4）城市十字交通路口的“電子警察”。可以對違章車輛進行責任追究，也可以輔助進行交通流量統(tǒng)計，交通監(jiān)測和疏導。</p><p>　　(5）小區(qū)車輛管理系統(tǒng)。社區(qū)保安系統(tǒng)將出入社區(qū)的車輛通過車牌識別技術進行記錄，將結果與內部車輛列表對比可以實現(xiàn)防盜監(jiān)管。</p><p>　　§1.5 車牌識別技術的發(fā)展趨勢</p><p&g

32、t;　　車牌識別技術作為智能交通系統(tǒng)中的關鍵技術，在各國學者的共同努力下，已經(jīng)得到了長足的發(fā)展，并且已經(jīng)得到了不同程度的實際應用，但目前還存在著種種不足。</p><p>　　對于未來車牌識別產(chǎn)品的技術發(fā)展趨勢，漢王科技智能交通部總經(jīng)理喬炬認為，首先，由于市場需求不同，對識別產(chǎn)品的需求也有差異，因此就要求研發(fā)針對不同細分市場的車牌識別產(chǎn)品。其次，隨著算法的不斷改進，基于視頻觸發(fā)技術的車牌識別產(chǎn)品將得到大范圍的應用

33、，但是視頻觸發(fā)技術取代外觸發(fā)裝置尚需時日。第三，現(xiàn)在的車牌識別系統(tǒng)設備過多，系統(tǒng)集成難度大，系統(tǒng)穩(wěn)定性差，系統(tǒng)維護是一個讓人頭疼的問題。隨著技術不斷進步，以往多個設備實現(xiàn)的功能可能由一個設備實現(xiàn)。</p><p>　　目前，車牌識別技術和產(chǎn)品性能進入實用階段的時間還不是很長，隨著人工智能以及自動識別技術的進步，未來的技術發(fā)展空間還會非常大。例如，核心算法繼續(xù)發(fā)展，識別率和識別速度進一步改善，圖像處理中對模糊圖像預

34、處理能力增強，畫質改善技術的提高等等</p><p>　　§1.6車牌定位的意義</p><p>　　現(xiàn)在社會已經(jīng)進入信息時代，隨著計算機技術、通信技術和計算機網(wǎng)絡技術的法杖，自動化的信息處理能力和水平不算提高，并在人們社會活動和生活的各個領域得到廣泛應用。在這種情況下，作為信息來源的自動檢測、圖像識別技術越來越受到人們的的重視。作為現(xiàn)代社會的主要交通工具之一的汽車，在人們的生產(chǎn)

35、、生活的各個領域得到大量使用，對它的信息自動采集和管理在交通車輛管理、園區(qū)車輛管理、停車場管理等方面有十分重要的意義，成為信息處理技術的一項重要課題。</p><p><b>　　MATLAB簡介</b></p><p>　　§2.1 MATLAB發(fā)展歷史</p><p>　　MATLAB是一門計算機編程語言，取名來源于Matrix

36、 Laboratory，本意是專門以矩陣的方式來處理計算機數(shù)據(jù)，它把數(shù)值計算和可視化環(huán)境集成到一起，非常直觀，而且提供了大量的函數(shù)，使其越來越受到人們的喜愛，工具箱越來越多，應用范圍也越來越廣泛。</p><p>　　MATLAB 以商品形式出現(xiàn)后，僅短短幾年，就以其良好的開放性和運行的可靠性，使原先控制領域里的封閉式軟件包（如英國的 UMIST ，瑞典的 LUND 和 SIMNON ，德國的 KEDDC ）紛紛

37、淘汰，而改以 MATLAB 為平臺加以重建。在時間進入 20 世紀九十年代的時候， MATLAB 已經(jīng)成為國際控制界公認的標準計算軟件。 </p><p>　　到九十年代初期，在國際上 30 幾個數(shù)學類科技應用軟件中， MATLAB 在數(shù)值計算方面獨占鰲頭，而 Mathematica 和 Maple 則分居符號計算軟件的前兩名。 Mathcad 因其提供計算、圖形、文字處理的統(tǒng)一環(huán)境而深受中學生歡迎。 </

38、p><p>　　國際學術界， MATLAB 已經(jīng)被確認為準確、可靠的科學計算標準軟件。在許多國際一流學術刊物上，（尤其是信息科學刊物），都可以看到 MATLAB 的應用。 </p><p>　　在設計研究單位和工業(yè)部門， MATLAB 被認作進行高效研究、開發(fā)的首選軟件工具。如美國 National Instruments 公司信號測量、分析軟件 Lab VIEW ， Cadence 公司信號

39、和通信分析設計軟件 SPW 等，或者直接建筑在 MATLAB 之上，或者以 MATLAB 為主要支撐。又如 HP 公司的 VXI 硬件， TM 公司的 DSP ， Gage 公司的各種硬卡、儀器等都接受 MATLAB 的支持。</p><p>　　§2.2 MATLAB的語言特點</p><p>　　一種語言之所以能如此迅速地普及，顯示出如此旺盛的生命力，是由于它有著不同于其他

40、語言的特點。正如同F(xiàn)ORTRAN和C等高級語言使人們擺脫了需要直接對計算機硬件資源進行操作一樣，被稱作為第四代計算機語言的MATLAB，利用其豐富的函數(shù)資源，使編程人員從繁瑣的程序代碼中解放出來。MATLAB的最突出的特點就是簡潔。MATLAB用更直觀的、符合人們思維習慣的代碼，代替了C和FORTRAN語言的冗長代碼。MATLAB給用戶帶來的是最直觀、最簡潔的程序開發(fā)環(huán)境。以下簡單介紹一下MATLAB的主要特點：</p>

41、<p>　?。?）語言簡潔緊湊，使用方便靈活，庫函數(shù)極其豐富。MATLAB程序書寫形式自由，利用其豐富的庫函數(shù)避開繁雜的子程序編程任務，壓縮了一切不必要的編程工作。由于庫函數(shù)都由本領域的專家編寫，用戶不必擔心函數(shù)的可靠性?？梢哉f，用MATLAB進行科技開發(fā)是站在專家的肩膀上。</p><p>　　（2）運算符豐富。由于MATLAB是用C語言編寫的，MATLAB提供了和C語言幾乎一樣多的運算符，靈活使用M

42、ATLAB的運算符將使程序變得極為簡短。</p><p>　?。?）MATLAB既具有結構化的控制語句（如for循環(huán)、while循環(huán)、break語句和if語句），又有面向對象編程的特性。</p><p>　?。?）語法限制不嚴格，程序設計自由度大。例如，在MATLAB里，用戶無需對矩陣預定義就可使用。</p><p>　?。?）程序的可移植性很好，基本上不做修改就可

43、以在各種型號的計算機和操作系統(tǒng)上運行。</p><p>　?。?）MATLAB的圖形功能強大。在FORTRAN和C語言里，繪圖都很不容易，但在MATLAB里，數(shù)據(jù)的可視化非常簡單。MATLAB還具有較強的編輯圖形界面的能力。</p><p>　?。?）MATLAB的缺點是，它和其他高級程序相比，程序的執(zhí)行速度較慢。由于MATLAB的程序不用編譯等預處理，也不生成可執(zhí)行文件，程序為解釋執(zhí)行，

44、所以速度較慢。</p><p>　?。?）功能強勁的工具箱是MATLAB的另一重大特色。MATLAB包含兩個部分：核心部分和各種可選的工具箱。核心部分中有數(shù)百個核心內部函數(shù)。其工具箱又可分為兩類：功能性工具箱和學科性工具箱。功能性工具箱主要用來擴充其符號計算功能、圖示建模仿真功能、文字處理功能以及與硬件實時交互功能。功能性工具箱能用于多種學科。而學科性工具箱是專業(yè)性比較強的，如control、toolbox、si

45、gnal processing toolbox、communication toolbox等。這些工具箱都是由該領域內的學術水平很高的專家編寫的，所以用戶無需編寫自己學科范圍內的基礎程序，而直接進行高、精、尖的研究。下表列出了MATLAB的核心部分及其工具箱等產(chǎn)品系列的主要應用領域。</p><p><b>　　圖像預處理</b></p><p>　　圖像預處理是車牌

46、定位的準備工作，以提高車牌圖片的適用性。從采集卡獲得的原始圖像不僅包括車牌照，而且還有汽車本身和汽車背景圖像，因此必須去掉這些非牌照圖像的影響，才有可能正確的提取出牌照區(qū)域，為以后的車牌字符識別打下基礎。在實際應用中，由于季節(jié)的更替、自然光照度的晝夜變化、光照的穩(wěn)定性與均勻性、車輛自身的運動、觀察點(攝像機的角度、位置、觀察角度等)、采集圖像的設備本身的因素等的影響，圖像傳感器所獲取的圖像有時并不令人十分滿意，存在各種各樣的噪聲。因而必

47、須對圖像進行預處理，以改善圖像質量，提高字符識別率。</p><p><b>　　§3.1 灰度變換</b></p><p>　　灰度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時看到的亮度連續(xù)變化的黑白照片就是一幅灰度圖?；叶然幚砭褪菍⒁环噬珗D像轉化為灰度圖像的過程。彩色圖像分為R、G、B 三個分量，分別顯示出紅、綠、藍等各種顏色，灰度化就是使彩

48、色的R、G、B 分量相等的過程?；叶戎荡蟮南袼攸c比較亮（像素值最大為255，為白色），反之比較暗（像素值最小為0，是黑色）。</p><p>　　本次灰度圖像變換的實現(xiàn)采用了rgb2gray函數(shù)</p><p>　　rgb2gray：轉換RGB圖像或顏色映像表為灰度圖像</p><p>　　格式：I=rgb2gray(RGB)</p><p>

49、;　　I=rgb2gray(A)</p><p>　　原始圖像和灰度圖如圖3-1、3-2所示：</p><p>　　圖 3-1 原始圖像</p><p>　　圖 3-2 灰度圖像</p><p>　　§3.2 圖像增強</p><p>　　對車輛圖像進行灰度化處理之后，車牌部分和非車牌部分圖像的對比度并不是

50、很高，此時如果直接進行邊緣提取，由于車牌界限較為模糊，難以提取出車牌邊緣，因而難以準確定位車牌。為了增強牌照部位圖像和其他部位圖像的對比度，使其明暗鮮明，有利于提高識別率，需要將車輛圖像進行增強。</p><p>　　圖像增強的目的是對圖像進行加工，以得到對具體應用來說視覺效果更適于計算機識別的圖像。增強圖像的方法有很多，如灰度變換、圖像平滑處理和線性濾波等，根據(jù)處理圖像域又可分為空間增強與頻域增強。目前用于車牌

51、圖像增強的方法有：灰度拉伸、直方圖均衡、中值濾波、高斯濾波、鄰域濾波、圖像腐蝕、多圖像平均、同態(tài)濾波等等。</p><p>　　在本設計中用到運動目標檢測—圖像開操作，圖像的開操作時先腐蝕后膨脹，用來消除小物體、在纖細點處分離物體、平滑較大物體的邊緣同時并不明顯改變其面積。</p><p>　　（1）對原始圖像進行開操作得到背景圖像：</p><p>　　s=str

52、el('disk',13); %調用strel函數(shù)</p><p>　　Bgray=imopen(Sgray,s); %對圖像進行開運算</p><p>　　figure,imshow(Bgray);title('背景圖像');</p><p>　　輸出背景圖像，如圖 3-3 所示：</p><p

53、>　　圖 3-3 背景圖像</p><p>　?。?）原始灰度圖像與背景圖像做減法，對圖像進行增強處理：</p><p>　　Egray=imsubtract(Sgray,Bgray);</p><p>　　figure,imshow(Egray);title('增強黑白圖像');</p><p>　　輸出黑白圖像如圖

54、3-4 所示：</p><p>　　圖 3-4 增強后的黑白圖像</p><p>　　§3. 3 圖像邊緣提取及二值化</p><p>　　§3.3.1 圖像邊緣提取</p><p>　　邊緣主要存在于目標與目標、目標與背景、區(qū)域與區(qū)域（包括不同色彩）之間，邊緣檢測主要是精確定位邊緣和抑制噪點，原理是：由于微分算子具有突出

55、灰度變化的作用，對圖像進行微分運算，在圖像邊緣處及其灰度變化較大，故該處微分計算值較高，可將這些為分支作為相應點的邊緣強度，通過閾值判別來提取邊緣點，即如果為分支大于閾值，則為邊緣點。其基本步驟是首先利用邊緣增強算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強度”，通過設置門限的方法提取邊緣點集。</p><p>　　常用的傳統(tǒng)邊緣檢測算子有 Robert 算子、Sobel 算子、Prewitt 算子、Lapl

56、ace算子和Canny 算子。</p><p>　　Robets算子：邊緣定位準確，但對噪聲敏感，去噪聲作用小，適合于邊緣明顯且噪聲較小的圖像分割；</p><p>　　Sobel算子：它是方向性的，在水平和垂直方向上形成了最強烈的邊緣。Sobel算子不僅能檢測邊緣點，而且能抑制噪聲影響，對灰度漸變和噪聲較多的圖像處理得較好；</p><p>　　Prewitt算子

57、：與Sobel算子相比，對噪聲抑制較弱；</p><p>　　Laplace算子：它是一個與方向無關的各向通行邊緣檢測算子，對細線和孤立點檢測效果好，但邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對噪聲有雙倍加強作用，很少直接用于檢測邊緣；</p><p>　　Canny算子：邊緣檢測的方法是尋找圖像梯度的局部極大值，它使用兩個閾值來分別檢測強邊緣和弱邊緣，而且僅當弱邊緣和強邊緣相連時，弱邊緣才

58、會包含在輸出中。</p><p>　　通過實驗圖對幾種邊緣檢測算子進行仿真（圖3-5至3-8），可知：</p><p>　　（1）Roberts算子定位比較準確，但由于不包括平滑，所以對噪聲比較敏感。</p><p>　　（2） Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權平均濾波，對噪聲具有一定的抑制能力，但不能完全排除檢測結

59、果中出現(xiàn)偽邊緣。該類算子對灰度漸變和具有噪聲的圖像處理比較好。其中Sobel算子比Prewitt算子更能抑制噪聲的影響。</p><p>　?。?）Canny算子同樣采用高斯函數(shù)對圖像做平滑處理，因此具有較強的去噪能力，但同樣存在容易平滑掉一些邊緣信息。同時它所采用的一階微分算子的方向性較好，因此邊緣定位準確性較高。</p><p>　　邊緣檢測算子的實現(xiàn)代碼：</p>&l

60、t;p>　　I2=edge(I1,'Robert',0.09,'both');</p><p>　　Figure，imshow（I2）；title(‘Robert算子’);</p><p>　　圖 3-6 Robert算子</p><p>　　圖 3-7 Prewitt算子</p><p>　　圖 3-8

61、 Sobel算子</p><p>　　圖 3-9 Canny算子</p><p>　　通過邊緣檢測仿真結果圖可見，幾個邊緣檢測算子都可以較好的提取所需的車牌邊緣。為了車牌的定位，希望車輛圖像的車牌區(qū)域突現(xiàn)出來的同時，其它邊緣能夠很好的得到抑制。Canny算子提取邊緣能有效地檢測出車牌區(qū)域的紋理特征，所以，本次設計選用Canny算子。</p><p>　　§

62、3.3.2 灰度圖像二值化</p><p>　　灰度圖像的二值化處理就是將圖像上的點的灰度置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。即將256個亮度等級的灰度圖像通過適當?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，要進行二值圖像的處理與分析，首先 要把灰度圖像二值化，得到二值化圖像，這樣子有利于再對圖像做進一步處理時，圖像的集合性質只與像素

63、值為0或255的點的位置有關，不再涉及像素的多級值，使處理變得簡單，而且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。如果某特定物體在內部有均勻一致的灰度值，并且其處在一個具有其他等級灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。如果物體同

64、背景的差別表現(xiàn)不在灰度值上（比如紋理不同），可以將這個差別特征轉換為灰度的差別，然后利用閥值選取技術來分割該圖像。動態(tài)調節(jié)閥值實現(xiàn)圖像的二值化可動態(tài)觀察其分割圖像的具體結果。</p><p>　　本文采用的圖像二值化最佳閾值計算方法如下：</p><p>　　Level=(fmax1-(fmax1-fmin1)/3)</p><p>　　式中Level為最佳閥值，f

65、max為最大灰度，fmin為最小灰度，將圖像二值化：</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-

66、fmin1)/3)/255; %獲得最佳閾值</p><p>　　bw22=im2bw(Egray,level); %轉換圖像為二進制圖像</p><p>　　bw2=double(bw22);</p><p>　　figure,imshow(bw2);title('圖像二值化');%得到二值圖像，如圖 3-10：</p

67、><p>　　圖 3-10 圖像二值化</p><p>　　§3. 4 形態(tài)學濾波</p><p>　　形態(tài)學是法國和德國的科學家在研究巖石結構時建立的一門學科。形態(tài)學的用途主要用來獲取物體拓撲和結果信息，他通過物體和結構元素相互作用的某些運算，得到物體更本質的形態(tài)。人們后來用數(shù)學形態(tài)學表示以形態(tài)為基礎對圖像進行分析的數(shù)學工具。他的基本思想是用一個被稱為結構元

68、素的探針收集圖像的信息。當探針在圖像中不斷移動時，便可考察圖像各個部分間的相互關系，從而了解圖像各個部分的結構特征。作為探針的結構元素，可直接攜帶知識（形態(tài)大小以及灰度和色度信息）來探測所研究圖像的結構特征。</p><p>　　數(shù)學形態(tài)是一種非線性濾波的方法，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。數(shù)學形態(tài)學首先被用來處理二值圖像，后來也被用來處理灰度圖像，現(xiàn)在又有學者開始用軟數(shù)學形態(tài)

69、學和模糊形態(tài)學來解決計算機視覺方面的問題。</p><p>　　腐蝕是一種消除邊界點的過程，結果是使目標縮小，空洞增大，因而可有效地消除孤立噪聲點；膨脹是將于目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大，孔洞減小，可填補目標物體中的空洞，形成聯(lián)通域。先腐蝕后膨脹的過程為開運算，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為閉運算，具有填充物體內細小空洞，連接臨

70、近物體和平滑邊界的作用。</p><p>　　本次畢業(yè)設計是運用了這種方法來實現(xiàn)其中重要步驟的。對圖像做了開運算和閉運算，這兩種運算是數(shù)學形態(tài)學中的重要運算。開運算就是對圖像先進行腐蝕，然后在用同一結構元素對圖像進行膨脹運算。閉運算就是反過來，先對圖像膨脹再腐蝕。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，并彌補輪廓中的斷裂。</p><p>　　

71、se=[1;1;1]; %線型結構元素</p><p>　　I3=imerode(I2,se); %腐蝕圖像</p><p>　　subplot(3,2,4),imshow(I3),title('腐蝕后邊緣圖像');</p><p>　　圖 3-11 腐蝕后的邊緣圖像</p><p>　　se=stre

72、l('rectangle',[25,25]); %矩形結構元素</p><p>　　I4=imclose(I3,se); %形態(tài)學中的閉運算，聚類、填充圖像，se為結構元素</p><p>　　subplot(3,2,5),imshow(I4),title('填充后圖像');</p><p>　　圖 3-12 填充（膨脹）后的圖像&

73、lt;/p><p>　　I5=bwareaopen(I4,2000);%去除聚團灰度值小于2000的部分</p><p>　　subplot(3,2,6),imshow(I5),title('形態(tài)濾波后圖像');</p><p>　　圖 3-13形態(tài)學濾波后的圖像</p><p>　　經(jīng)分析采用矩形算子能有效地將車牌區(qū)域連接成片，

74、去除非車牌區(qū)域，通過程序處理后的圖可以清楚地看到對圖像經(jīng)過開操作濾波后的可能的車牌區(qū)域都清楚的保留了下來，是非常成功的。</p><p><b>　　第4章 車牌定位</b></p><p>　　§4.1 車牌定位的主要方法</p><p>　　所謂車牌定位算法是指在實際拍攝的圖像中確定車牌區(qū)域的位置以便提取分割出車牌區(qū)域圖像的問題。

75、牌照的快速準確定位是車牌自動識別技術中非常關鍵的一步，是典型的圖像分割問題，因此定位方法與車牌特征和圖像處理技術是分不開的。</p><p>　　經(jīng)典的車牌定位分割算法包括從簡單的灰度閾值方法、頻域和空間分割方法到復雜的連接元素方法以及Hough變化法等，在背景較復雜和光照不均勻條件下，這些方法難以取得令人滿意的分割效果。近年來，人們針對這種情況，提出了各種各樣的定位算法。目前沒有一個標準圖像數(shù)據(jù)庫來評價無限制條

76、件車牌定位算法的性能，這個問題的研究目前剛剛起步。</p><p>　　本次畢業(yè)設計中所用的方法是基于圖像的特征來做的，先初步確定車牌大致區(qū)域，再通過計算對車牌進行精確定位</p><p>　　流程圖如圖4-1所示：</p><p>　　圖4-1 車牌定位流程圖</p><p>　　§4.1.1基于直線檢測的方法</p>

77、;<p>　　這類方法一般采用Hough變化等方法來檢測直線（車牌周圍邊框形成）。利用車牌形狀特性來定位車牌，在實際運用中憂郁光照不均勻等影響和攝像機畸變，曝光不足和動態(tài)范圍太窄等原因，導致圖像存在偽影，加上車牌上的灰塵、臟污等使形狀特性表現(xiàn)的不明顯，從而影響定位效果，此外傳統(tǒng)的Hough變換法應用在車牌定位中，只是單純的進行直線的檢測，沒有和車牌形狀特性結合起來，而且Hough空間與原圖像空間不是一一對應的，由Hough

78、空間中檢測到的特征點無法確定出車牌輪廓的起始位置，無法避免直線干擾的問題，因此在有直線干擾時及未進行邊框提取時的可能性會大大增加。Hough變化計算量較大，對于邊框不連續(xù)的實際車牌，需要附加量加大的運算。</p><p>　　§4.1.2 基于閾值化的方法</p><p>　　圖像經(jīng)過閾值化得到一個字符和背景分離的二值圖像是這類方法的特點。目前已經(jīng)提出了多種閾值化策略，但簡單算法

79、二值化效果不好，復雜算法計算時間長、計算量大限制了實際應用。</p><p>　　§4.1.3 基于灰度邊緣檢測方法</p><p>　　此類方法通常利用車牌區(qū)域局部對比度明顯和灰度有規(guī)律變化的紋理特征來定位。中國車牌類型較多，在不同光照條件下車牌對比度更加不一，需要進行圖像增強處理，還要考慮圖像中與車牌特征非常相似的非車牌區(qū)域的排除問題。</p><p>

80、;　　1.基于灰度直方圖的門限化邊緣檢測</p><p>　　基于灰度直方圖的門限化邊緣檢測是一種最常用、最簡單的邊緣檢測方法。</p><p>　　檢測目標——背景圖像中目標的邊緣效果很好。這種圖像的灰度直方圖呈雙峰狀態(tài)。</p><p>　　2.基于微分的邊緣檢測</p><p>　?。?）基于差分的邊緣檢測</p><

81、;p><b>　?、僖浑A差分邊緣檢測</b></p><p>　　對位于邊緣兩側的點，像素點灰度值將發(fā)生急劇變化，因此有較大的差分值。當差分方向和邊界方向垂直時將獲得最大差分，因此，只要對f(i ,j) 各方向的差分值再進行一次門限化處理，即可檢出邊緣像素點，從而求得其邊緣圖像。</p><p><b>　　②二階差分邊緣檢測</b><

82、;/p><p>　　這是利用在圖像的邊緣處，灰度發(fā)生急劇變化這一特性，采用圖像灰度值沿著確定方向(x，y或對角線)取二次差分后的某些性質進行邊緣檢測的</p><p>　?。?）基于梯度的邊緣檢測</p><p>　　由于邊緣發(fā)生在圖像灰度值變化比較大的地方，對應連續(xù)情形就是函數(shù)梯度最大 的地方。Roberts算子、Prewitt算子和Sobel算子就是比較簡單而常用的

83、例子。還有一種比較直觀的方法就是利用當前像素臨域中的一些像素值擬合一個曲面，然后求這個連續(xù)曲面在該像素處梯度。從統(tǒng)計角度上說，我們可 以通過回歸分析得到一個曲面，然后做類似的處理。</p><p>　?、?Robert算子</p><p>　　在圖 像中邊緣的銳利程度是由圖像的梯度來決定的。梯度是一個向量,of指出梯度變化最快的方向和數(shù)量.</p><p><

84、b>　　（4-1）</b></p><p>　?、?Prewitt算子和Sobel算子</p><p>　　1970 年左右，Prewitt和Sobel分別提出了一個算子，即Prewitt算子Sobel算子。</p><p>　　Prewitt邊緣檢測算子使用兩個有向算子(一個是水平的，一個是垂直的一般稱為模版，每一個逼近一個偏導數(shù)):</p

85、><p><b>　?。?-2）</b></p><p>　　Sobel算子和Prewitt算子的不同在于使用的模板不一樣 ：</p><p><b>　?。?-3）</b></p><p>　　對一些圖像噪聲結構，Sobel算子和Prewitt算子能產(chǎn)生比較好的結果，但是他們存在一些共同的問題:<

86、;/p><p>　　A 檢測結果對噪聲很敏感，圖像的離散差分對噪聲比對原圖像更敏感;</p><p>　　B 可以通過對圖像做平滑來改善結果，但是又會產(chǎn)生一個問題，會把一些靠在一起的邊緣平滑掉，而且會影響對邊緣的定位。</p><p>　　C 用上述模板卷積后得到的邊緣可能是跨越好幾個點而不是一個點，為了改善這個問題 ，還要做一些改進。邊緣像素不只是要大于閩值，而且梯度

87、方向上梯度的 大小要大于它的前者和后者，這個方法稱之為非極值抑制.</p><p>　?、跜anny邊緣檢側算子</p><p>　　提起圖像邊緣檢測就不得不提Canny準則及Canny算子。1986年JohnC anny提出了劃時代的邊緣檢測的三條準則，并在此基礎上得到了一個很不錯的使用算法。Canny三準則:</p><p>　　A 好的檢測結果，或者說對邊緣的

88、錯誤檢測率要盡可能的低:就是在圖像上邊 緣出現(xiàn)的地方檢測結果不應該沒有:另一方面也不要出現(xiàn)虛假邊緣。這是因為所有用邊緣檢測做更深入工作的系統(tǒng)，它的性能依賴于邊緣檢測的誤差 。</p><p>　　B 對邊緣的定位要準確:檢測出的邊緣位置和圖像上真正的邊緣中心位置充分接近 。</p><p>　　C 對同一邊緣要有低的響應次數(shù)。</p><p>　　Canny還提出一

89、種對噪聲進行估計的使用方法。假設邊緣信號的響應是比較少的而且是比較大的值而噪聲的響應是很多但是值相對較小，那么閾值就可以通過濾波后的圖像的統(tǒng)計累積直方圖得到(實踐數(shù)據(jù)表明取閾值為這個累積直方圖的0.8，而Matlab取其0.7)。在Canny準側的基礎上，人們進行了更深入的研究，得到了很多的結果。</p><p>　　但是僅僅有一個閾值是不夠的。由于噪聲的影響邊緣信號響應只有差不多一半大于這個閾值的，由此造成了斑

90、紋現(xiàn)象，也就是邊緣是斷的.如果我們把這個閾值降低，我們往往發(fā)現(xiàn)出現(xiàn)錯誤的“邊緣”。為了解決這個問題，Canny提出一種雙閾值方法。前面利用累計統(tǒng)計直方圖得到一個高閾值T,，然后再取一個低閾值Tz (Matlab6.5中使用的是T2=0.4T,)。如果圖像信號的響應大于高閾值，那么它一定邊緣;如果低于低閾值，那么它一定不是邊緣;如果在低閾值和高閾值之間，我們就看它的8個鄰接像素有沒有大大于高閾值的邊緣，如果有，則它是邊緣。 </p&

91、gt;<p>　　§4.1.4 基于彩色圖像的車牌定位方法</p><p>　　目前的車牌分割受限于灰度圖像，所以定位效果受陰影和光照條件的限制。由于人類視覺對彩色信息比較敏感，人眼能分辨的灰度只有20多級，而分辨的色彩卻有35000種，彩色圖像可以提供更多的視覺信息，有圖像學者提出了利用車牌的顏色信息來搜索牌照，將處理對象改為彩色圖像以求可以精確地定位車牌。</p><

92、;p>　　比如一些系統(tǒng)采用BP神經(jīng)網(wǎng)絡對彩色圖像進行彩色分割，把每個像素通過網(wǎng)絡學習歸類為期望的顏色，然后利用水平和數(shù)值直方圖的方法確定牌照的位置，但是當車牌區(qū)域顏色域附近顏色非常相似且牌照傾斜的情況下彩色定位分割錯誤將會增加。</p><p>　　但是基于彩色圖像的定位算法最大的缺點是計算量和存儲量都比較大，如基于神經(jīng)網(wǎng)絡的彩色圖像車牌分割方法，此方法需要處理好網(wǎng)絡局部收斂問題，定位時間長。此外當車牌區(qū)域

93、顏色和附近顏色相似時，定位錯誤增加。</p><p>　　也有一些系統(tǒng)采用彩色邊緣檢測算子計算二值邊緣圖像，然后采用形態(tài)學方法來生成連通區(qū)域圖像，再進行輪廓跟蹤，通過標記候選牌照區(qū)域，得到n個候選牌照區(qū)域，最后對候選牌照進行分析與分解，進而提取牌照區(qū)域，但是當途中相似顏色區(qū)塊較多時，定位速度會急劇下降。 </p><p>　　也有的系統(tǒng)首先利用顏色信息對輸入圖像進行彩色粗分割，得到了顏色為

94、車牌照的一些區(qū)域。然后將分割結果中的偽目標（即除了車牌區(qū)域以外的區(qū)域）分為兩類（一類是與汽車牌照顏色相近的背景，一類是可能與牌照顏色相近的汽車外殼），分別進行處理，最終利用投影法得到準確的車牌位置。雖然這種方法的定位率比較準確，但是識別速度卻很慢。</p><p>　　這類方法一般都是將輸入的RGB彩色圖像轉換成HIS彩色圖像，然后進行基于模糊邏輯或神經(jīng)網(wǎng)絡的色彩分割，再進一步定位車牌，計算量巨大。目前，基本上處

95、于理論研究階段，隨著計算機運算速度的提高，應該逐步走向實用階段。</p><p>　　上述4種方法中，基于直線檢測的方法對我國車牌來講并不完全適用，因為我國車牌的懸掛明顯不夠規(guī)范，有些車牌邊框不夠明顯必然造成定位算法失效，如果結合別的算法則需要在本身運算量很大的情況下額外增加系統(tǒng)開銷。車牌的最明顯特點是其紋理特征，這樣看來，在兼顧到實時心要求和定位成功率的情況下，基于灰度邊緣檢測的方法不失為一個理想選擇。此外，基

96、于顏色（提取像素點）的車牌定位也是比較普遍的定位方法。</p><p><b>　　§4.2 車牌提取</b></p><p>　　首先對圖像進行區(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，根據(jù)先驗知識和調試中的經(jīng)驗，設定了車牌長寬的范圍作為判斷依據(jù)。</p><p>　　（1）首先求圖像行方向像素點灰度值累積和

97、，然后計算車牌行起始位置和終止位置,結果如圖4-2所示。</p><p><b>　　核心代碼如下：</b></p><p>　　[y,x,z]=size(I5);%讀取I5的大小</p><p>　　I6=double(I5); %將I5轉換為double類型</p><p>　　Y1=zeros(y,1);

98、%給Y1賦初值為0</p><p><b>　　for i=1:y</b></p><p><b>　　for j=1:x</b></p><p>　　if(I6(i,j,1)==1) %如果I5第一頁中的元素為1，則是Y1像素</p><p>　　Y1(i,1)= Y1(i,1)+1; %Y1像素

99、點統(tǒng)計</p><p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p>　　[temp MaxY]=max(Y1);%Y方向車牌區(qū)域的確定，temp為最大值，MaxY為最大值位置</p><p&

100、gt;<b>　　figure();</b></p><p>　　subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素點灰度值累計和'),xlabel('行值'),ylabel('像素');</p><p>　　圖 4-2行方向像素點灰度值累積和</p><p>　

101、　（2）首先求圖像列方向像素點灰度值累積和，然后計算車牌列起始位置和終止位置結果如圖4-3所示</p><p><b>　　核心代碼如下：</b></p><p>　　PY1=MaxY; %最大值的位置賦給PY1</p><p>　　while ((Y1(PY1,1)>=50)&&(PY1>1))<

102、/p><p>　　PY1=PY1-1;</p><p>　　end %這個循環(huán)是在Y方向，向上求離最大值最近的像素小于50的點的位置，存在PY1中</p><p><b>　　PY2=MaxY;</b></p><p>　　while ((Y1(PY2,1)>=50)&&(PY2<y

103、))</p><p>　　PY2=PY2+1;</p><p>　　End %在Y方向，向下求離最大值最近的像素小于50的點的位置，存在PY2中</p><p>　　IY=I(PY1:PY2,:,:); %截取PY1和PY2之間的像素矩陣，X方向暫不限制。因為車牌是個矩形，是原圖像中矩陣的一部分，所以要將其提取出來，先確定Y方向上取值的區(qū)間，再確定X方向。<

104、;/p><p>　　X1=zeros(1,x);</p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(I6(i,j,1)==1)</p><p>　　X1(1,j)= X1(1,j)+1; <

105、;/p><p><b>　　end </b></p><p><b>　　end </b></p><p><b>　　end</b></p><p>　　subplot(3,2,2),plot(0:x-1,X1),title('列方向像素點灰度值累計和'

106、;),xlabel('列值'),ylabel('像數(shù)');</p><p>　　圖 4-3 列方向像素點灰度值累積和</p><p>　　（3）分割出車牌圖像，根據(jù)車牌的特征，車牌的行方向灰度值比較窄車牌的列方向灰度值較為密集，因此在車牌的行列方向上連續(xù)第一個和最后一個灰度值的和作為車牌的邊緣進行提取。結果如圖4-4所示。</p><p&

107、gt;　　圖 4-4定位后的車牌圖像</p><p><b>　　核心代碼如下：</b></p><p><b>　　PX1=1;</b></p><p>　　while ((X1(1,PX1)<3)&&(PX1<x))</p><p>　　PX1=PX1+1;</

108、p><p><b>　　end </b></p><p><b>　　PX2=x;</b></p><p>　　while ((X1(1,PX2)<3)&&(PX2>PX1))</p><p>　　PX2=PX2-1;</p><p><b

109、>　　end</b></p><p>　　PX1=PX1-1; %對車牌區(qū)域進行矯正</p><p>　　PX2=PX2+1;</p><p>　　dw=I(PY1:PY2,PX1:PX2,:); %車牌矩陣存在變量dw中</p><p>　　subplot(3,2,3),imshow(dw),title

110、('定位剪切后的彩色車牌圖像')</p><p>　　經(jīng)上述一系列的處理車牌被成功定位，車牌定位系統(tǒng)，其關鍵部分已經(jīng)完成，下一步對其進行字符分割和字符識別有同組成員來完成。</p><p><b>　　結 論</b></p><p>　　車牌識別系統(tǒng)作為智能交通系統(tǒng)中重要的一部分，近年來引起專家們的重視，并已有部分產(chǎn)品投入使用。

111、為了能夠很好的實現(xiàn)車牌識別，車牌定位是最關鍵的，不可忽視的一個重要步驟。</p><p>　　本文以 MATLAB 為開發(fā)工具，對車牌定位進行了研究，對多種算法進行了分析比較與改進，并提出了一些自己的見解，效果較好。</p><p>　　在課題的研究過程中，主要完成了以下工作：</p><p>　　(1)在對國內外大量文獻的閱讀研究基礎上，使用MATLAB 開發(fā)了一

112、套車牌定位系統(tǒng)，完成了車牌定位，基本滿足實際要求。</p><p>　　(2)在車牌定位中，最重要的是邊緣的提取，邊緣提取的效果好，后面進行形態(tài)學處理后車牌特征明顯，車牌定位的準確性就高。本文采用微分邊緣檢測提取邊緣，在其后選用初步定位與精確定位相結合的方法實現(xiàn)了車牌定位。</p><p>　　(3)車牌的二值化對于車牌定位有著非常重要的作用。二值化效果好，車牌圖像的特征就明顯。</

113、p><p><b>　　參考文獻</b></p><p>　　Markos Papageorgiou,Christina Diakaki,Vaya Dinopoulou,Apostolos Kotsialos,Yibing wang.Review of Road Traffic Contronl Strategies[J].Proceedings of the IEEE,