基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì)

1、基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì) 學(xué) 院 測(cè)控與通信工程學(xué)院專 業(yè) 信號(hào)與信息處理學(xué)生姓名 二妮子 學(xué) 號(hào) 1101101101 指導(dǎo)教師 么么噠 基于MATLAB的車牌識(shí)別系統(tǒng)設(shè)計(jì)摘要：本文主要介紹了基于MATLAB的有關(guān)數(shù)字圖像處理的車牌數(shù)字識(shí)別系統(tǒng)。系統(tǒng)是利用單張包含車牌的靜態(tài)圖片進(jìn)行識(shí)別的，整個(gè)識(shí)別過程主要分為車牌定位和字符分割和字符識(shí)別三個(gè)大的模塊。而其中的字符識(shí)別是系統(tǒng)的核心部分。字符識(shí)別目前運(yùn)用的最多的就是神經(jīng)網(wǎng)絡(luò)和模板匹配的方法，本文所介紹的就是基于神經(jīng)網(wǎng)絡(luò)的方法來實(shí)現(xiàn)車牌數(shù)字的識(shí)別。過程中也相應(yīng)結(jié)合了特征提取、直方圖統(tǒng)計(jì)等一系列方法。從實(shí)驗(yàn)得知，這種神經(jīng)網(wǎng)絡(luò)的方法實(shí)現(xiàn)簡(jiǎn)單，

2、且容易理解，在確保識(shí)別準(zhǔn)確率的前提下，可以提高識(shí)別的效率，使得系統(tǒng)在比較準(zhǔn)確地定位了車牌及分割出字符后，能更準(zhǔn)確地實(shí)現(xiàn)字符的識(shí)別。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(jiǎn)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，車牌識(shí)別系統(tǒng)（LPRS）是智能交通系統(tǒng)的重要組成部分。隨著機(jī)動(dòng)車輛數(shù)量的大幅度增加以及計(jì)算機(jī)技術(shù)的發(fā)展，人們對(duì)交通控制系統(tǒng)的要求顯著提高。因而智能交通系統(tǒng)被廣泛地應(yīng)用于交通控制系統(tǒng)當(dāng)中，比如高速公路收費(fèi)、停車場(chǎng)車輛管理、違章車輛監(jiān)控、交通誘導(dǎo)控制等場(chǎng)合。這使得

3、車牌識(shí)別系統(tǒng)也得到了更廣泛的關(guān)注。與傳統(tǒng)的車輛管理方法比較，車牌識(shí)別系統(tǒng)可以大大提高交通管理的效率和水平，幫助實(shí)現(xiàn)車輛管理的規(guī)范化。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.讀入圖像： 輸入的圖像由

4、于受到天氣影響，包括晴天、陰天、晚上等,由于光照影響和攝像機(jī)曝光的不同,再加上有些車牌老化污損、陳舊退色,這些都可能使車牌圖像產(chǎn)生對(duì)比度不足的弊端,圖像細(xì)節(jié)分辨不清,車牌字符部分不突出. 而且,對(duì)高速行進(jìn)中的汽車拍攝的圖像往往產(chǎn)生模糊、扭曲、變形等現(xiàn)象,這些都增加了預(yù)處理的難度。而這些處理需要很復(fù)雜的過程，因?yàn)橄到y(tǒng)把讀入的圖片默認(rèn)為比較清晰的、幾乎沒有傾斜角度的圖片。  2.圖像預(yù)處理：圖像預(yù)處理過程需要把圖像轉(zhuǎn)換成便于車牌定位的二值化圖像。需要經(jīng)過圖像灰度化，圖像增強(qiáng)，邊緣提取，二值化操作。  3.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

5、中找到車牌所在的位置。4.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5.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 圖像在形成、傳輸或變換過程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過量、相對(duì)運(yùn)動(dòng)等，往往會(huì)與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異，這種差異稱為降質(zhì)或退化。因此在圖像處理之前必須進(jìn)行預(yù)處理，包括去除噪音、邊界增強(qiáng)、增加亮度等。     輸入

6、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。再進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)域。圖像預(yù)處理原圖像灰度圖像邊緣檢測(cè)腐蝕圖像填充后圖像形態(tài)學(xué)濾波后圖像 通過對(duì)比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車牌位置了，因此后期

7、處理將通過這張圖來找出車牌位置。車牌定位  觀察經(jīng)過預(yù)處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形有明顯的矩形圖樣，通過對(duì)矩形區(qū)域的定位即可獲得具體的車牌位置。（1）車牌的行起始和終止位置的確定。車牌的列起始位置和終止位置的確定。（2） 最后拼合獲取的車牌在圖像的行列位置定位剪切后彩色車牌圖像（3） 字符分割     在汽車牌照自動(dòng)識(shí)別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別?；叶葓D像二值化車牌圖像 4.3 車牌字符識(shí)別建立字符模板數(shù)據(jù)庫     模板庫的合理建造是字符識(shí)別準(zhǔn)確的關(guān)鍵

8、之一，所以在字符識(shí)別之前必須把模板庫設(shè)置好。汽車牌照的字符一般有 7個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種,警別等有特定含義的字符簡(jiǎn)稱；緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，十個(gè)阿拉伯?dāng)?shù)字09， 26個(gè)大寫英文字母AZ以及相關(guān)的車牌用漢字：京、滬、蘇、臺(tái)、港、澳、甲、乙、丙、使、領(lǐng)、學(xué)、試、境、消、邊、警等，以及新式軍牌中的漢字南、蘭、廣、北、沈、濟(jì)、空、海等；車牌顏色：藍(lán)、白、黑、黃等。所以建立字符模板庫也極為方便。4.3.1 構(gòu)造訓(xùn)練樣本如下圖所示的數(shù)字和字母 建立模板數(shù)據(jù)庫時(shí)必須對(duì)這些圖片進(jìn)行統(tǒng)一處理，因?yàn)閷?duì)前面處理分割后的車牌圖像的測(cè)

9、量得知單個(gè)字符的最佳寬高比是1：2，所以將這些圖片歸一化為50×25大??；因?yàn)橹蟮淖址R(shí)別考慮使用神經(jīng)網(wǎng)絡(luò)算法進(jìn)行字符識(shí)別，所以再將上面歸一化后的模板圖像的樣本排列在一起構(gòu)成1250×18的矩陣樣本。 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。4.3.2 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)別總結(jié) 目前，基于數(shù)

10、字圖像的車牌數(shù)字識(shí)別系統(tǒng)已經(jīng)開發(fā)完畢。系統(tǒng)設(shè)計(jì)過程中，在對(duì)圖像處理概念和方法有了一定了解之后，開始了系統(tǒng)的開發(fā)，此過程大概用了一個(gè)半月時(shí)間。而后完成系統(tǒng)的實(shí)現(xiàn)和測(cè)試。系統(tǒng)基本完成了當(dāng)初預(yù)計(jì)的功能，根據(jù)輸入的包含車牌信息的靜態(tài)圖片，利用神經(jīng)網(wǎng)絡(luò)方法識(shí)別車牌內(nèi)部數(shù)字。就目前結(jié)果來看，系統(tǒng)基本實(shí)現(xiàn)了當(dāng)初預(yù)計(jì)的功能。  本系統(tǒng)的特點(diǎn)： 1. 原創(chuàng)性：在消化理解了現(xiàn)有一些圖像操作算法的基礎(chǔ)上，根據(jù)實(shí)際情況，將有關(guān)算法轉(zhuǎn)化為了個(gè)人的方法，從系統(tǒng)實(shí)驗(yàn)結(jié)果可以看到，這些算法起到了一定效果  2. 多方式運(yùn)行：系統(tǒng)可以實(shí)現(xiàn)一鍵運(yùn)行，即運(yùn)行程序立即顯現(xiàn)結(jié)果。同時(shí)，可以進(jìn)行分步運(yùn)行，幫

11、助用戶及使用者觀察到系統(tǒng)每一步運(yùn)行所產(chǎn)生的變化，進(jìn)而更加理解系統(tǒng)的作用，能夠更好的運(yùn)行系統(tǒng)。  3. 方法的豐富性：系統(tǒng)中運(yùn)用了多種圖像處理算法，并加之個(gè)人理解，從而形成了一個(gè)功能比較齊全的軟件系統(tǒng)。 展望 雖然系統(tǒng)目前完成了基本功能，但是由于圖像處理操作很多，并且其設(shè)計(jì)的知識(shí)也相當(dāng)?shù)膹V，在短時(shí)間內(nèi)很難全部理解和靈活運(yùn)用，再加之個(gè)人技術(shù)水平的限制，因此系統(tǒng)仍存在一些不足之處，總結(jié)起來主要有以下三個(gè)方面:  1. 系統(tǒng)默認(rèn)輸入圖片為具有一定清晰度的圖片，但是也會(huì)有模糊的情況，系統(tǒng)應(yīng)降低它的局限性，因此應(yīng)增加一些更進(jìn)一步的圖像增強(qiáng)的操作，以使得能夠處理大部分圖片，且能

12、更好的進(jìn)行車牌定位。  2. 車牌定位算法，雖然可以定位出車牌的位置，但有時(shí)還是會(huì)出現(xiàn)一定偏差，仍可以進(jìn)一步完善。  3.系統(tǒng)字符識(shí)別過程中的神經(jīng)網(wǎng)絡(luò)參數(shù)選擇如果更加精確，可以更加準(zhǔn)確的識(shí)別。附錄：clear all;close all;clc; I=imread('H:/532.jpg'); %讀取圖片 figure(1);imshow(I);I1=rgb2gray(I); %轉(zhuǎn)化為灰度圖像 figure(2);imshow(I1);I2=edge(I1,'roberts',0.09,'both'); %采用robert算子

13、進(jìn)行邊緣檢測(cè) figure(3);imshow(I2);se=1;1;1; %線型結(jié)構(gòu)元素 I3=imerode(I2,se); %腐蝕圖像figure(4);imshow(I3);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 figure(5);imshow(I4);I5=bwareaopen(I4,2000); %去除聚團(tuán)灰度值小于2000的部分<span style="color:#ff0000;"> figure(6);imshow(I5);y,x,=

14、size(I5); I6=double(I5); %繪制行曲線圖 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 figure(7); subplot(1,2,1); plot(0:y-1,Y1),title('行像素灰度值累計(jì)'),xlabel('行值'),ylabel('像素和'); temp, MaxY=max(Y1); PY1=MaxY; while (Y1(PY1,1)>=80)&&(PY1>

15、1) PY1=PY1-7; end PY2=MaxY; while (Y1(PY2,1)>=80)&&(PY2<y) PY2=PY2+7; end %繪制列曲線圖 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(1,2,2); plot(0:x-1,X1),title('列像素灰度值累計(jì)'),xlabel('列值'),ylabel('像數(shù)和'); PX1=1; while (X1

16、(1,PX1)<3)&&(PX1<x) PX1=PX1+7; end PX2=x; while (X1(1,PX2)<3)&&(PX2>PX1) PX2=PX2-7; end DW=I(PY1:PY2,PX1:PX2,:); figure(8); imshow(DW),title('車牌定位后圖像');% 車牌圖像轉(zhuǎn)為灰度 if isrgb(I) I1 = rgb2gray(I); else I1 = I; end % 二值化車牌圖像 I1 = im2bw(I1,graythresh(I1);%二值化圖像 I2 = bwa

17、reaopen(I1,16);%去除小于16像素的區(qū)塊 figure(); subplot(1,2,1); imshow(I2),title('二值化車牌圖像'); % 分割字符按行積累量 y,x=size(I2); I3=double(I2); X1=zeros(1,x); for j=1:x for i=1:y if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(1,2,2); plot(0:x-1,X1),title('車牌列像素點(diǎn)累計(jì)'),xlabel('列值'),ylabel(

18、'像素和'); % 分割字符 Px0=1; Px1=1; figure(); for i=1:7 while (X1(1,Px0)<3)&&(Px0<x) Px0=Px0+1; end Px1=Px0; while (X1(1,Px1)>=3)&&(Px1<x)|(Px1-Px0)<10) Px1=Px1+1; end Z=I2(:,Px0:Px1,:); switch strcat('Z',num2str(i) case 'Z1' PIN0=Z; case 'Z2'

19、PIN1=Z; case 'Z3' PIN2=Z; case 'Z4' PIN3=Z; case 'Z5' PIN4=Z; case 'Z6' PIN5=Z; otherwise PIN6=Z; end subplot(1,7,i); imshow(Z); Px0=Px1; end function inpt = Pretreatment(I) % 訓(xùn)練樣本前期處理 if isrgb(I) I1 = rgb2gray(I); else I1=I; end I1=imresize(I1,50 25);%將圖片統(tǒng)一劃為50*25大小

20、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); end end close all; clear all; % 歸一化訓(xùn)練樣本 I0=pretreatment(imread('BP/0.jpg'); I1=pretreatment(imread('BP/1.jpg'); I2=pretreatment(imread('BP/2.jpg'); I3=pretreatmen

21、t(imread('BP/3.jpg'); I4=pretreatment(imread('BP/4.jpg'); I5=pretreatment(imread('BP/5.jpg'); I6=pretreatment(imread('BP/6.jpg'); I7=pretreatment(imread('BP/7.jpg'); I8=pretreatment(imread('BP/8.jpg'); I9=pretreatment(imread('BP/9.jpg'); I10=pr

22、etreatment(imread('BP/A.jpg'); I11=pretreatment(imread('BP/B.jpg'); I12=pretreatment(imread('BP/C.jpg'); I13=pretreatment(imread('BP/D.jpg'); I14=pretreatment(imread('BP/G.jpg'); I15=pretreatment(imread('BP/K.jpg'); I16=pretreatment(imread('BP/L.jp

23、g'); I17=pretreatment(imread('BP/M.jpg'); P=I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17' T=eye(18,18); %輸出樣本 % bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置 net=newff(minmax(P),1250,32,18,'logsig','logsig

24、','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); net,tr=train(net,P,T); %訓(xùn)練樣本 % 測(cè)試 I=im

25、read('CAR/0.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=pretreatment(PIN6); P0=PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6' for i=2