車牌識別系統(tǒng)的設(shè)計(jì)

1、車牌識別系統(tǒng)的設(shè)計(jì)1摘要:汽車牌照自動識別系統(tǒng)是制約道路交通智能化的重要因素，包括車牌定位、字符分 割和字符識別三個(gè)主要部分。本文首先確定車輛牌照在原始圖像中的水平位置和垂直位 置,從而定位車輛牌照，然后采用局部投影進(jìn)行字符分割。在字符識別部分 ，提出了在無 特征提取情況下基于支持向量機(jī)的車牌字符識別方法。實(shí)驗(yàn)結(jié)果表明，本文提出的方法具有良好的識別性能。隨著公路逐漸普及，我國的公路交通事業(yè)發(fā)展迅速，所以人工管 理方式已經(jīng)不能滿著實(shí)際的需要，微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地 提高了交通管理效率。汽車牌照的自動識別技術(shù)已經(jīng)得到了廣泛應(yīng)用。2. 設(shè)計(jì)目的：1使學(xué)生在鞏固理論課上知識的同

2、時(shí)，加強(qiáng)實(shí)踐能力的提高，理論聯(lián)系實(shí)踐。2、激發(fā)學(xué)生的研究潛能，提高學(xué)生的協(xié)作精神，鍛煉學(xué)生的動手能力。3. 設(shè)計(jì)原理由于車輛牌照是機(jī)動車唯一的管理標(biāo)識符號，在交通管理中具有不可替代的作用, 因此車輛牌照識別系統(tǒng)應(yīng)具有很高的識別正確率，對環(huán)境光照條件、拍攝位置和車輛 行駛速度等因素的影響應(yīng)有較大的容閾，并且要求滿足實(shí)時(shí)性要求。圖1牌照識別系統(tǒng)原理圖該系統(tǒng)是計(jì)算機(jī)圖像處理與字符識別技術(shù)在智能化交通管理系統(tǒng)中的應(yīng)用，它主要由 圖像的采集和預(yù)處理、牌照區(qū)域的定位和提取、牌照字符的分割和識別等幾個(gè)部分組成, 如圖1所示。其基本工作過程如下：當(dāng)行駛的車輛經(jīng)過時(shí)，觸發(fā)埋設(shè)在固定位置的傳感器，系統(tǒng)被喚醒處于工

3、作狀態(tài)； 一旦連接攝像頭光快門的光電傳感器被觸發(fā)，設(shè)置在車輛前方、后方和側(cè)面的相機(jī)同時(shí) 拍攝下車輛圖像；i（2）由攝像機(jī)或CCD攝像頭拍攝的含有車輛牌照的圖像通視頻卡輸入計(jì)算機(jī)進(jìn)行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強(qiáng)、濾波和水平較正等；（3）由檢索模塊進(jìn)行牌照搜索與檢測，定位并分割出包含牌照字符號碼的矩形區(qū)域；（4）對牌照字符進(jìn)行二值化并分割出單個(gè)字符， 經(jīng)歸一化后輸入字符識別系統(tǒng)進(jìn)行識別。4詳細(xì)設(shè)計(jì)步驟4.1 提出總體設(shè)計(jì)方案。車輛牌照識別整個(gè)系統(tǒng)主要是由車牌定位和字符識別兩部分組成， 其中車牌定位又可 以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及分割模塊； 字符識別可以分為字符分割 與

4、特征提取和單個(gè)字符識別兩個(gè)模塊。為了用于牌照的分割和牌照字符的識別，原始圖象應(yīng)具有適當(dāng)?shù)牧炼?，較大的對比度 和清晰可辯的牌照圖象。 但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境， 加之車輛牌照 的整潔度、自然光照條件、 拍攝時(shí)攝像機(jī)與牌照的矩離和角度以及車輛行駛速度等因素的 影響，牌照圖象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷， 因此需要對原始圖象進(jìn)行識別前 的預(yù)處理。牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后 的原始灰度圖象中確定牌照的具體位置， 并將包含牌照字符的一塊子圖象從整個(gè)圖象中分 割出來，供字符識別子系統(tǒng)識別之用， 分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識別

5、系統(tǒng) 的識別率。由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué) 畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗 細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識別的準(zhǔn)確性。 因此，需要對字符在識別之前再進(jìn)行一次針對性的處理。車牌識別的最終目的就是對車牌上的文字進(jìn)行識別。主要應(yīng)用的為模板匹配方法。 因?yàn)橄到y(tǒng)運(yùn)行的過程中，主要進(jìn)行的都是圖像處理，在這個(gè)過程中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CP要求主頻在600HZ及以上，內(nèi)存在128MB及以上。系統(tǒng)可以運(yùn)行于 Windows98 Windows200或者Wi

6、ndows XP操作系統(tǒng)下，程序調(diào)試時(shí)使用 matlab 。4.2 預(yù)處理及邊緣提取輸入車牌圖象圖2預(yù)處理及邊緣提取流程圖421圖象的采集與轉(zhuǎn)換考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如，對藍(lán)底白字這種最常見的牌照，采用藍(lán)色B通道時(shí)牌照區(qū)域?yàn)橐涣恋木匦?，而牌照字符在區(qū)域中并不呈現(xiàn)。因?yàn)樗{(lán)色(255, 0，0)與白色(255, 255, 255)在B通道中 并無區(qū)分，而在G R通道或是灰度圖象中并無此便利。同理對白底黑字的牌照可用R通道，綠底白字的牌照可以用 G通道就可以明顯呈現(xiàn)出牌照

7、區(qū)域的位置，便于后續(xù)處理。 原圖、灰度圖及其直方圖見圖2與圖3。對于將彩色圖象轉(zhuǎn)換成灰度圖象時(shí)，圖象灰度值 可由下面的公式計(jì)算：(1)(2)G=BGR3圖3原圖圖4灰度圖G=0.110B+0.588G+0.302R422邊緣提取邊緣是指圖像局部亮度變化顯著的部分，是圖像風(fēng)、紋理特征提取和形狀特征提取等圖像分析的重要基礎(chǔ)。所以在此我們要對圖像進(jìn)行邊緣檢測。圖象增強(qiáng)處理對圖象牌照的可辯認(rèn)度的改善和簡化后續(xù)的牌照字符定位和分割的難度都是很有必要的。增強(qiáng)圖象對比度度的方法有：灰度線性變換、圖象平滑處理等。(1)灰度校正由于牌照圖象在拍攝時(shí)受到種種條件的限制和干擾，圖象的灰度值往往與實(shí)際景物不完 全匹配

8、，這將直接影響到圖象的后續(xù)處理。如果造成這種影響的原因主要是由于被攝物體的 遠(yuǎn)近不同，使得圖象中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡， 或是由于攝像頭在掃描時(shí)各點(diǎn)的靈敏 度有較大的差異而產(chǎn)生圖象灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這時(shí)就可以采用灰度校正的方法來處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，以達(dá)到增強(qiáng) 圖象的對比度和分辨率。我們發(fā)現(xiàn)車輛牌照圖象的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開到s=(0,255)之間，為此我們對灰度值作如下的變換:s = T(r) r= r min,，r max使得S S

9、in, Sax,其中，T為線性變換，小 Smax -Smin ± Smin r max-Smaxr min Srr max - r minr max - r min若 r(50,200)、s(0，255)則：255r-25L0：1.785150150圖5灰度線性變換(3)(4)(2)平滑處理對于受噪聲干擾嚴(yán)重的圖象，由于噪聲點(diǎn)多在頻域中映射為高頻分量， 因此可以在通過低 通濾波器來濾除噪聲，但實(shí)際中為了簡化算法也可以直接在空域中用求鄰域平均值的方4325i,j167823i,j14法萊削弱噪聲的影響，這種方法稱為圖象平滑處理。例如，某一象素點(diǎn)的鄰域S有兩種表示方法：8鄰域和4鄰域分別

10、對應(yīng)的鄰域平均值為1(5)g(i, j)f (i, j)M (i, j). s其中，M為鄰域中除中心象素點(diǎn)f(i,j)之外包括的其它象素總數(shù)，對于4鄰域M=4 8鄰域M=8然而，鄰域平均值的平滑處理會使得圖象灰度急劇變化的地方，尤其是物體邊緣區(qū) 域和字符輪廓等部分產(chǎn)生模糊作用。 為了克服這種平均化引起的圖象模糊現(xiàn)象，我們給中心點(diǎn)象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點(diǎn)才能替換為鄰域平均值，而差值不大于閾值時(shí)，仍保留原來的值，從而減少由于平均化引起的圖象模糊。圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩 形區(qū)域；其中字符串都是按水平方向排列的

11、；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。邊緣提取是較經(jīng)典的算法，此處邊緣的提取采用的是 Roberts算子。聞算子邊緣檢測圖6 robert算子邊緣檢測由上圖可以歸納起來以下方面：原始圖像清晰度比較高，從而簡化了預(yù)處理，結(jié)合MATLAB 實(shí)驗(yàn)過程，得出不是每一種圖像處理之初都適合濾波和邊界增強(qiáng)。本次汽車車牌的識別，為 了保存更多的有用信息。4.3牌照的定位和分割牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來,

12、供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識別系統(tǒng)的識別率。由于牌照圖象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說是水平度較高的橫向近似的長 方形，它在原始圖象中的相對位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而 在其邊緣形成了灰度突變的邊界，這樣就便于通過邊緣檢測來對圖象進(jìn)行分割。圖7牌照定位于分割流程圖431牌照區(qū)域的定位牌照圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。 此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本 思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別

13、的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算， 最后還用了 bwareaopen來去除對象中不相干的小對象圖8腐蝕后圖像4.3.2牌照區(qū)域的分割圖9平滑圖像的輪廓圖10從對象中移除小對象后圖像對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。 根據(jù)車牌底色等有關(guān)的先驗(yàn)知識，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RG對應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量， 設(shè)定合理的 閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)

14、 的數(shù)量，最終確定完整的車牌區(qū)域。行方向合理區(qū)域定拉剪切潔的彩色車牌圖像9#圖ii行方向區(qū)域和最終定位出來的車牌433車牌進(jìn)一步處理經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值 T,用T將圖像的數(shù)據(jù)分成兩部分：大于T 的像素群和小于T的像素群，即對圖像二值化。均值濾波是典型的線性濾波算法，它是指在圖像上對目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來代替原來像素值。1車牌灰度圖像2車牌二值圖像M均值濾波前4 一均值濾波后#5膨脹或腐蝕處理后#圖12裁剪出來的車牌的進(jìn)一步處理過程圖#4.

15、4字符的分割與歸一化#圖13字符分割與歸一化流程圖4.4.1字符分割在汽車牌照自動識別過程中，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)行字符識別。字符識別的算法很多，因?yàn)檐嚺谱址?間間隔較大，不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度 大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。#圖14分割出來的七個(gè)字符圖像4.4.2字符歸一化一般分割出來的字符要進(jìn)行進(jìn)一步的處理， 以滿足下一步字符識別的需要。但是對于車牌 的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的。在此只進(jìn)行了歸一化處理， 然后進(jìn)行后期處理。4564

16、. 5字符的識別字符的識別目前用于車牌字符識別(OCR)中的算法主要有基于模板匹配的 0C算法以及 基于人工神經(jīng)網(wǎng)絡(luò)的0C算法?；谀０迤ヅ涞?C的基本過程是：首先對待識別字符進(jìn)行二 值化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。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡單，當(dāng)字符較規(guī)整時(shí)對字符圖像的缺損、 污跡干擾適應(yīng)力強(qiáng)且識別率相當(dāng)高。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識別的 主要方法。模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象 區(qū)域f(i,j) 中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算

17、它們之間規(guī) 格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的 類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況 下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等 因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來構(gòu)建模板，就可以避免上述問題。圖16字符識別流程圖此處采用相減的方法來求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸

18、出。汽車牌照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接 其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)， 只建立了 4個(gè)數(shù)字26個(gè)字母與10個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。首先取字符模板，接著依次取待識別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的 0值個(gè)數(shù)保存，即為識別出來的結(jié)果。車牌號碼陜A 9 0 6 L4圖17識別結(jié)果5.設(shè)計(jì)結(jié)果及分析照的檢測，結(jié)果如圖通過以上的方法，我對多幅圖像進(jìn)行了檢測，有較

19、好的識別效果F面是對另一幅車牌18-24 所示。圖18EtBrfW子邊城栓測圖19行方向合理區(qū)域定位剪切后的彩色車牌圖像1車牌灰度圖像2車牌二值圖像3均值濾波前4均值濾波后爾waa5膨脹或腐蝕處理后圖21圖221234567圖2313車牌號碼R ABA223圖24對于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動態(tài)范圍擴(kuò)展和對比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照圖象的色彩信息， 簡化了算法的實(shí)現(xiàn)，加快了圖象的處理速 度，具有較高的檢出正確率，而且整個(gè)過程用 MATLAB語言編程實(shí)現(xiàn)，無時(shí)間滯后感，可以 滿足實(shí)時(shí)檢

20、出的要求。但是在設(shè)計(jì)的過程中發(fā)現(xiàn)， 使用另一幅圖像后，識別效果始終沒有那 么理想。需要做一定的設(shè)置后才能識別出相應(yīng)的字符。在車牌字符分割的預(yù)處理中，用到了對分割出的字符車牌進(jìn)行均值濾波，膨脹或腐蝕的處理。這在對于有雜點(diǎn)的車牌是很有用的，因?yàn)檫@樣可以把字符與字符之間的雜色點(diǎn)去除， 只有白色的字符和黑色的背景存在，這樣有利于的字符分割進(jìn)行。字符識別過程使用的是模板匹配的方法，利用兩幅圖片相減的方法，找到相減后值最小的，即為相似程度最大的。模板的制作很重要，必須要用精確的模板，否則就不能正確的識別。對于識別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致

21、的識別錯(cuò)誤；再就是部分字符的形狀相似性，比如， B和8； A和4等字符識別結(jié)果可能發(fā)生混淆的情況?？傊M管目前牌照字符的識別率還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識別率是完全可行的。6.程序源代碼：(基于matlab的程序代碼)fun cti on d=ma in (jpg)匸imread('car.jpg');figure(1),imshow(l);title('原圖');I1= rgb2gray(I);figure(2),subplot(1,2,1),imshow(

22、l1);title('灰度圖');figure(2),subplot(1,2,2),imhist(l1);title('灰度圖直方圖');I2=edge(l1,'robert',0.08,'both');figure(3),imshow(l2);title('robert 算子邊緣檢測')se=1;1;1;I3=imerode(I2,se); figure(4),imshow(I3);title(' 腐蝕后圖像 '); se=strel('rectangle',40,40);I4=i

23、mclose(I3,se);figure(5),imshow(I4);title(' 平滑圖像的輪廓 ');I5=bwareaopen(I4,2000);figure(6),imshow(I5);title(' 從對象中移除小對象 '); y,x,z=size(I5);myI=double(I5);%begin橫向掃描ticBlue_y=zeros(y,1);for i=1:yfor j=1:x if(myI(i,j,1)=1)%如果myl(i,j,1)即myl圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色%則Blue_y的相應(yīng)行的元素white_y(i,1)值加1Blue_

24、y(i,1)= Blue_y(i,1)+1;% 藍(lán)色像素點(diǎn)統(tǒng)計(jì) endendendMaxY為該值的索引temp MaxY=max(Blue_y);%temp 為向量 white_y的元素中的最大值, ( 在向量中的位置)PY1=MaxY;while (Blue_y(PY1,1)>=120)&&(PY1>1)PY1=PY1-1;endPY2=MaxY;while (Blue_y(PY2,1)>=40)&&(PY2<y)PY2=PY2+1;end lY=l(PY1:PY2,:,:);%IY為原始圖像I中截取的縱坐標(biāo)在PY1 : PY2之間的部

25、分%e nd橫向掃描%begin縱向掃描Blue_x=zeros(1,x);%進(jìn)一步確定x方向的車牌區(qū)域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)=1)Blue_x(1,j)= Blue_x(1,j)+1;endendendPX1=1;while (Blue_x(1,PX1)<3)&&(PX1<x) PX1=PX1+1;endPX2=x;while (Blue_x(1,PX2)<3)&&(PX2>PX1) PX2=PX2-1;end%e nc縱向掃描PX仁PX1-2;%對車牌區(qū)域的校正 PX2=PX2+2

26、;cw=I(PY1:PY2,:,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title(' 行方向合理區(qū)域 ');figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色車牌圖像') imwrite(cw,'cw.jpg');filename,filepath=uigetfile('dw.jpg',' 輸入一個(gè)定位裁剪后的車牌圖像 '); jpg=strcat(filepath,filename);a=imread('

27、;dw.jpg');b=rgb2gray(a);imwrite(b,'1.車牌灰度圖像.jpg'); figure(8);subplot(3,2,1),imshow(b),title('1.車牌灰度圖像') g_max=double(max(max(b); g_min=double(min(min(b);T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值 m,n=size(b);d=(double(b)>=T); % d:二值圖像imwrite(d,'2.車牌二值圖像.jpg');figure(8

28、);subplot(3,2,2),imshow(d),title('2. 車牌二值圖像 ') figure(8),subplot(3,2,3),imshow(d),title('3. 均值濾波前 ')% 濾波h=fspecial('average',3);d=im2bw(round(filter2(h,d);imwrite(d,'4. 均值濾波后 .jpg'); figure(8),subplot(3,2,4),imshow(d),title('4. 均值濾波后 ')% 某些圖像進(jìn)行操作% 膨脹或腐蝕% se=st

29、rel('square',3); %使用一個(gè)3X3的正方形結(jié)果元素對象對創(chuàng)建的圖像膨脹 % 'line'/'diamond'/'ball'.se=eye(2); % eye(n) returns the n-by-n identity matrix 單位矩陣 m,n=size(d);if bwarea(d)/m/n>=0.365d=imerode(d,se);elseif bwarea(d)/m/n<=0.235d=imdilate(d,se);endimwrite(d,'5.膨脹或腐蝕處理后.jpg'

30、);figure(8),subplot(3,2,5),imshow(d),title('5. 膨脹或腐蝕處理后 ')% 尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割 d=qiege(d);m,n=size(d);figure,subplot(2,1,1),imshow(d),title(n) k1=1;k2=1;s=sum(d);j=1;while j=nwhile s(j)=0j=j+1;endk1=j;while s(j)=0 && j<=n-1j=j+1;endk2=j-1;if k2-k1>=round(n/6.5

31、) val,num=min(sum(d(:,k1+5:k2-5);d(:,k1+num+5)=0; % 分割endend% 再切割d=qiege(d);% 切割出 7 個(gè)字符y1=10;y2=0.25;flag=0;word1=;while flag=0m,n=size(d);left=1;wide=0;while sum(d(:,wide+1)=0 wide=wide+1;endif wide<y1 % 認(rèn)為是左側(cè)干擾d(:,1:wide)=0;d=qiege(d);elsetemp=qiege(imcrop(d,1 1 wide m);m,n=size(temp); all=sum(

32、sum(temp); two_thirds=sum(sum(temp(round(m/3):2*round(m/3),:);if two_thirds/all>y2 flag=1;word1=temp; % WORD 1 endd(:,1:wide)=0;d=qiege(d);endend% 分割出第二個(gè)字符word2,d=getword(d);% 分割出第三個(gè)字符 word3,d=getword(d); % 分割出第四個(gè)字符 word4,d=getword(d); % 分割出第五個(gè)字符 word5,d=getword(d); % 分割出第六個(gè)字符 word6,d=getword(d);

33、% 分割出第七個(gè)字符 word7,d=getword(d); figure(9),imshow(word1),title('1'); figure(10),imshow(word2),title('2'); figure(11),imshow(word3),title('3'); figure(12),imshow(word4),title('4');figure(13),imshow(word5),title('5'); figure(14),imshow(word6),title('6'); f

34、igure(15),imshow(word7),title('7');m,n=size(word1);% 商用系統(tǒng)程序中歸一化大小為 40*20, 此處演示 word1=imresize(word1,40 20); word2=imresize(word2,40 20); word3=imresize(word3,40 20); word4=imresize(word4,40 20); word5=imresize(word5,40 20); word6=imresize(word6,40 20); word7=imresize(word7,40 20);figure(16),

35、 subplot(3,7,8),imshow(word1),title('1'); subplot(3,7,9),imshow(word2),title('2'); subplot(3,7,10),imshow(word3),title('3'); subplot(3,7,11),imshow(word4),title('4'); subplot(3,7,12),imshow(word5),title('5'); subplot(3,7,13),imshow(word6),title('6'); s

36、ubplot(3,7,14),imshow(word7),title('7');imwrite(word1,'1.jpg'); imwrite(word2,'2.jpg'); imwrite(word3,'3.jpg'); imwrite(word4,'4.jpg'); imwrite(word5,'5.jpg'); imwrite(word6,'6.jpg'); imwrite(word7,'7.jpg');liccode=char('0':'

37、;9' 'A':'Z' '蘇豫陜魯 '); %建立自動識別字符代碼表 SubBw2=zeros(40,20);l=1;for I=1:7ii=int2str(I);t=imread(ii,'.jpg');SegBw2=imresize(t,40 20,'nearest');if l=1%第一位漢字識別kmin=37;kmax=40;elseif l=2%第二位 AZ 字母識別kmin=11;kmax=36;else l>=3%第三位以后是字母或數(shù)字識別kmin=1;kmax=36;endfor k2=

38、kmin:kmaxfname=strcat(字符模板 ',liccode(k2),'.jpg');SamBw2 = imread(fname);for i=1:40for j=1:20 SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j);endend% 以上相當(dāng)于兩幅圖相減得到第三幅圖Dmax=0;for k1=1:40for l1=1:20if ( SubBw2(k1,l1) > 0 | SubBw2(k1,l1) <0 ) Dmax=Dmax+1;endendendError(k2)=Dmax;endError1=Error(kmin

39、:kmax);MinError=min(Error1);findc=find(Error1=MinError);l=l+1;endfigure(17),subplot(3,1,2),imshow(dw),title ('車牌號碼: 陜 A B A 2 2 3'); %子程序：(getword子程序)function word,result=getword(d)word=;flag=0;y1=8;y2=0.5;while flag=0m,n=size(d);wide=0;while sum(d(:,wide+1)=0 && wide<=n-2wide=wid

40、e+1;endtemp=qiege(imcrop(d,1 1 wide m);m1,n1=size(temp);if wide<y1 && n1/m1>y2 d(:,1:wide)=0; if sum(sum(d)=0 d=qiege(d); % 切割出最小范圍 else word=;flag=1;endelseword=qiege(imcrop(d,1 1 wide m); d(:,1:wide)=0;if sum(sum(d)=0;d=qiege(d);flag=1;else d=; end end end result=d;%(qiege子 程序)functi

41、on e=qiege(d)m,n=size(d); top=1;bottom=m;left=1;right=n; % init while sum(d(top,:)=0 && top<=m top=top+1;endwhile sum(d(bottom,:)=0 && bottom>1 bottom=bottom-1;endwhile sum(d(:,left)=0 && left<n left=left+1;endwhile sum(d(:,right)=0 && right>=1 right=right

42、-1;enddd=right-left; hh=bottom-top; e=imcrop(d,left top dd hh);7.源程序代碼：(基于C+的程序代碼)8總結(jié)本文主要解決了以下幾個(gè)問題： 1. 在背景的圖象中如何定位分割牌照區(qū)域； 2.對分割 來的牌照字符如何提取具有分類能力的特征； 3. 如何設(shè)計(jì)識別器。在車輛牌照字符識 別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識別技術(shù)和方法，從這些新技術(shù)和方 法中可以看到兩個(gè)明顯的趨勢：一是單一的預(yù)處理和識別技術(shù)都無法達(dá)到理想的結(jié)果， 多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上 一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié) 合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。根據(jù)車牌特點(diǎn)，一般采用的車牌定位算法有： 1.邊緣檢測定位算法； 2. 利用哈夫變換 進(jìn)行車牌定位； 3. 色彩分割提取車牌等。這里我采用的是邊緣檢測的方法實(shí)現(xiàn)定位的。字符分割的方法也有多種： 1. 基于聚類分析的字符分割； 2. 投影分割的方法； 3. 基 于模板匹配的字符分割等。最常用的是投影分割，主要是針對在車牌定位，圖像預(yù)處理后 比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作， 程序執(zhí)行時(shí)間短。字符識別的基本方法通常又三類： 1.結(jié)構(gòu)特征分