基于matlab的汽車牌照識(shí)別程序.doc

精品文檔基于matlab的汽車牌照識(shí)別程序摘要：本次作業(yè)的任務(wù)是設(shè)計(jì)一個(gè)基于matlab的汽車牌照識(shí)別程序，能夠?qū)崿F(xiàn)車牌圖像預(yù)處理，車牌定位，字符分割，然后通過神經(jīng)網(wǎng)絡(luò)對(duì)車牌進(jìn)行字符識(shí)別，最終從一幅圖像中提取車牌中的字母和數(shù)字，給出文本形式的車牌號(hào)碼。關(guān)鍵詞：車牌識(shí)別，matlab，神經(jīng)網(wǎng)絡(luò)1 引言隨著我國交通運(yùn)輸?shù)牟粩喟l(fā)展，智能交通系統(tǒng)（Intelligent Traffic System，簡稱ITS）的推廣變的越來越重要，而作為ITS的一個(gè)重要組成部分，車輛牌照識(shí)別系統(tǒng)（vehicle license plate recognition system，簡稱LPR）對(duì)于交通管理、治安處罰等工作的智能化起著十分重要的作用。它可廣泛應(yīng)用于交通流量檢測(cè)，交通控制于誘導(dǎo)，機(jī)場(chǎng)，港口，小區(qū)的車輛管理，不停車自動(dòng)收費(fèi)，闖紅燈等違章車輛監(jiān)控以及車輛安全防盜等領(lǐng)域，具有廣闊的應(yīng)用前景。由于牌照是機(jī)動(dòng)車輛管理的唯一標(biāo)識(shí)符號(hào)，因此，車輛牌照識(shí)別系統(tǒng)的研究在機(jī)動(dòng)車管理方面具有十分重要的實(shí)際意義。2 車輛牌照識(shí)別系統(tǒng)工作原理車輛牌照識(shí)別系統(tǒng)的基本工作原理為：將攝像頭拍攝到的包含車輛牌照的圖像通過視頻卡輸入到計(jì)算機(jī)中進(jìn)行預(yù)處理，再由檢索模塊對(duì)牌照進(jìn)行搜索、檢測(cè)、定位，并分割出包含牌照字符的矩形區(qū)域，然后對(duì)牌照字符進(jìn)行二值化并將其分割為單個(gè)字符，然后輸入JPEG或BMP格式的數(shù)字，輸出則為車牌號(hào)碼的數(shù)字。3 車輛牌照識(shí)別系統(tǒng)組成（1）圖像預(yù)處理：對(duì)汽車圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強(qiáng)和邊緣檢測(cè)等。（2）車牌定位：從預(yù)處理后的汽車圖像中分割出車牌圖像。即在一幅車輛圖像中找到車牌所在的位置。（3）字符分割：對(duì)車牌圖像進(jìn)行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號(hào)碼的單個(gè)字符圖像（4）字符識(shí)別：對(duì)分割出來的字符進(jìn)行預(yù)處理（二值化、歸一化），然后分析提取，對(duì)分割出的字符圖像進(jìn)行識(shí)別給出文本形式的車牌號(hào)碼。4 汽車牌照識(shí)別系統(tǒng)的matlab實(shí)現(xiàn)4.1 圖像預(yù)處理與車牌定位輸入的彩色圖像包含大量顏色信息，會(huì)占用較多的存儲(chǔ)空間，且處理時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別等處理時(shí)，常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度。對(duì)圖像進(jìn)行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對(duì)車牌進(jìn)行定位。具體步驟如下：首先對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對(duì)圖像進(jìn)行閉合應(yīng)算使車牌所在的區(qū)域形成連通。在進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)域。I=imread(DSC01344.jpg);%讀取圖像figure(); subplot(3,2,1),imshow(I), title(原始圖像);I1=rgb2gray(I);%轉(zhuǎn)化為灰度圖像subplot(3,2,2),imshow(I1),title(灰度圖像);I2=edge(I1,robert,0.09,both);%采用robert算子進(jìn)行邊緣檢測(cè)subplot(3,2,3),imshow(I2),title(邊緣檢測(cè)后圖像);se=1;1;1; %線型結(jié)構(gòu)元素 I3=imerode(I2,se); %腐蝕圖像subplot(3,2,4),imshow(I3),title(腐蝕后邊緣圖像);se=strel(rectangle,25,25); 矩形結(jié)構(gòu)元素I4=imclose(I3,se);%圖像聚類、填充圖像subplot(3,2,5),imshow(I4),title(填充后圖像);I5=bwareaopen(I4,2000);%去除聚團(tuán)灰度值小于2000的部分subplot(3,2,6),imshow(I5),title(形態(tài)濾波后圖像);y,x,z=size(I5);I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end temp MaxY=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title(行方向像素點(diǎn)灰度值累計(jì)和),xlabel(行值),ylabel(像素); %求的車牌的行起始位置和終止位置% PY1=MaxY; while (Y1(PY1,1)=50)&(PY11) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)=50)&(PY2y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(3,2,2),plot(0:x-1,X1),title(列方向像素點(diǎn)灰度值累計(jì)和),xlabel(列值),ylabel(像數(shù)); %求的車牌的列起始位置和終止位置% PX1=1; while (X1(1,PX1)3)&(PX1x) PX1=PX1+1; end PX2=x; while (X1(1,PX2)PX1) PX2=PX2-1; end PX1=PX1-1; PX2=PX2+1; %分割出車牌圖像%dw=I(PY1:PY2,PX1:PX2,:); subplot(3,2,3),imshow(dw),title(定位剪切后的彩色車牌圖像)4.2 車牌字符分割確定車牌位置后下一步的任務(wù)就是進(jìn)行字符切分分離出車牌號(hào)碼的全部字符圖像。if isrgb(I) I1 = rgb2gray(I); %將RGB圖像轉(zhuǎn)化為灰度圖像else I1=I； endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值m,n=size(I1);% d:二值圖像%h=graythresh(I1);I1=im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title(二值化車牌圖像);I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title(形態(tài)學(xué)濾波后的二值化圖像);y1,x1,z1=size(I2);I3=double(I2);TT=1;%去除圖像頂端和底端的不感興趣區(qū)域%Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1)=1) Y1(i,1)= Y1(i,1)+1 ; end end endPy1=1;Py0=1;while (Y1(Py0,1)20)&(Py0=20)&(Py1y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title(目標(biāo)車牌區(qū)域);% 分割字符按行積累量%X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title(列方向像素點(diǎn)灰度值累計(jì)和),xlabel(列值),ylabel(累計(jì)像素量);Px0=1;Px1=1;%分割字符%for i=1:7 while (X1(1,Px0)3)&(Px0=3)&(Px1x1)|(Px1-Px0)10) Px1=Px1+1; end Z=I2(:,Px0:Px1,:); switch strcat(Z,num2str(i) case Z1 PIN0=Z; case Z2 PIN1=Z; case Z3 PIN2=Z; case Z4 PIN3=Z; case Z5 PIN4=Z; case Z6 PIN5=Z; otherwise PIN6=Z; end figure(3); subplot(1,7,i); imshow(Z); Px0=Px1;End4.3 車牌字符識(shí)別字符識(shí)別方法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鞘紫葘⒎指詈蟮淖址祷?并將其尺寸縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果。建立數(shù)字庫對(duì)該方法在車牌識(shí)別過程中很重要, 數(shù)字庫準(zhǔn)確才能保證檢測(cè)出的數(shù)據(jù)正確?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對(duì)特征提取待識(shí)別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別結(jié)果。在本程序中用基于人工神經(jīng)元網(wǎng)絡(luò)識(shí)別車牌字符。在車牌字符識(shí)別部分, 字符集中包含約50個(gè)漢字, 26個(gè)大寫英文字母及10個(gè)阿拉伯?dāng)?shù)字?？偟淖址麡颖静⒉惶?。4.3.1 構(gòu)造訓(xùn)練樣本如下圖所示的數(shù)字和字母， 將樣本進(jìn)行歸一化為50X20大小，再將圖像按列轉(zhuǎn)換成一個(gè)1000X1的行向量，將上述18個(gè)圖像的樣本排列在一起構(gòu)成1000X18的矩陣樣本，盡可能多的采集汽車圖像提取車牌，部分切分出車牌字符，構(gòu)造出更多1000X18的矩形樣本，用構(gòu)造好的樣本庫對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。function inpt = pretreatment(I)%YUCHULI Summary of this function goes here% Detailed explanation goes hereif isrgb(I) I1 = rgb2gray(I);else I1=I;endI1=imresize(I1,50 20);%將圖片統(tǒng)一劃為50*20大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);%將圖像按列轉(zhuǎn)換成一個(gè)行向量for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); endend4.3.2 構(gòu)造輸入樣本，按同樣的方法，將前面分割出的樣本歸一化。4.3.3 神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。close all;clear all;%歸一化訓(xùn)練樣本%I0=pretreatment(imread(0.jpg);I1=pretreatment(imread(1.jpg);I2=pretreatment(imread(2.jpg);I3=pretreatment(imread(3.jpg);I4=pretreatment(imread(4.jpg);I5=pretreatment(imread(5.jpg);I6=pretreatment(imread(6.jpg);I7=pretreatment(imread(7.jpg);I8=pretreatment(imread(8.jpg);I9=pretreatment(imread(9.jpg);I10=pretreatment(imread(A.jpg);I11=pretreatment(imread(C.jpg);I12=pretreatment(imread(G.jpg);I13=pretreatment(imread(L.jpg);I14=pretreatment(imread(M.jpg);I15=pretreatment(imread(R.jpg);I16=pretreatment(imread(H.jpg);I17=pretreatment(imread(N.jpg);P=I0,I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11,I12,I13,I14,I15,I16,I17;%輸出樣本%T=eye(18,18);%bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置net=newff(minmax(P),1000,32,18,logsig,logsig,logsig,trainrp);net.inputWeights1,1.initFcn =randnr;net.layerWeights2,1.initFcn =randnr;net.trainparam.epochs=5000;net.trainparam.show=50;%net.trainparam.lr=0.003;net.trainparam.goal=0.0000000001;net=init(net);%訓(xùn)練樣本%net,tr=train(net,P,T);%測(cè)試%I=imread(DSC01323.jpg);I=imread(DSC01344.jpg);dw=location(I);%車牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及處理%測(cè)試字符，得到識(shí)別數(shù)值%PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretreatment(PIN5);PIN6=pre