基于MATLAB的字符識別研究

1、精品感謝下載載PixcoxP(x|(卜=>functionBayes2%算法視線見模式識別P33P44(各類樣本的協(xié)方差不相等)%為了提高實驗樣本測試的精度，故采用多次模擬求平均值的方法N=input('實驗?zāi)M次數(shù)N(N最好為奇數(shù))=');Result(1:3,1:3)=0;%判別矩陣的初始化fork=1:N%控制程序模擬次數(shù)N%生成二維正態(tài)分布的樣本2XN維的矩陣X1=mvnrnd(12,40;06,300)'%2XNX2=mvnrnd(53,50;01,200)'X3=mvnrnd(47,20;09,500)'%樣本程序%測試樣本X10=mv

2、nrnd(12,40;06,100)'%2XNX20=mvnrnd(53,50;01,100)'X30=mvnrnd(47,20;09,100)'%先驗概率P(1)=length(X1)/(length(X1)+length(X2)+length(X3);P(2)=length(X2)/(length(X1)+length(X2)+length(X3);P(3)=length(X3)/(length(X1)+length(X2)+length(X3);%計算相關(guān)量cov(X)：協(xié)方差矩陣Ave:均值%W1=-1/2*inv(cov(X1');W2=-1/2*in

3、v(cov(X2');W3=-1/2*inv(cov(X3');%Ave1=(sum(X1')/length(X1)'Ave2=(sum(X2')/length(X2)'Ave3=(sum(X3')/length(X3)'%計算平均值(2維列向量)w1=inv(cov(XT)*Ave1;w2=inv(cov(X2')*Ave2;w3=inv(cov(X3')*Ave3;%2w10=-1/2*Ave1'*inv(cov(X1')*Ave1-1/2*log(det(cov(XT)+log(P(1);w2

4、0=-1/2*Ave2'*inv(cov(X2')*Ave2-1/2*log(det(cov(X2')+log(P(2);w30=-1/2*Ave3'*inv(cov(X3')*Ave3-1/2*log(det(cov(X3')+log(P(3);%fori=1:3forj=1:100ifi=1g1=X10(:,j)'*W1*X10(:,j)+w1'*X10(:,j)+w10;g2=X10(:,j)'*W2*X10(:,j)+w2'*X10(:,j)+w20;g3=X10(:,j)'*W3*X10(:,j)

5、+w3'*X10(:,j)+w30;ifg1>=g2&g1>=g3Result(1,1)=Result(1,1)+1;elseifg2>=g1&g2>=g3Result(1,2)=Result(1,2)+1;%記錄誤判情況elseResult(1,3)=Result(1,3)+1;%記錄誤判情況endelseifi=2g1=X20(:,j)'*W1*X20(:,j)+w1'*X20(:,j)+w10;g2=X20(:,j)'*W2*X20(:,j)+w2'*X20(:,j)+w20;g3=X20(:,j)'

6、*W3*X20(:,j)+w3'*X20(:,j)+w30;ifg2>=g1&g2>=g3Result(2,2)=Result(2,2)+1;elseifg1>=g2&g1>=g3Result(2,1)=Result(2,1)+1;elseResult(2,3)=Result(2,3)+1;endelseg1=X30(:,j)'*W1*X30(:,j)+w1'*X30(:,j)+w10;g2=X30(:,j)'*W2*X30(:,j)+w2'*X30(:,j)+w20;g3=X30(:,j)'*W3*X30

7、(:,j)+w3'*X30(:,j)+w30;ifg3>=g1&g3>=g2Result(3,3)=Result(3,3)+1;elseifg2>=g1&g2>=g3Result(3,2)=Result(3,2)+1;elseResult(3,1)=Result(3,1)+1;endendendendend%畫出各樣本的分布情況subplot(2,1,1)plot(X1(1,:),X1(2,:),'r.','LineWidth',2),holdonplot(X2(1,:),X2(2,:),'go',

8、'LineWidth',2),holdonplot(X3(1,:),X3(2,:),'b+','LineWidth',2),holdontitle('訓(xùn)練樣本分布情況')legend('訓(xùn)練樣本1','訓(xùn)練樣本2','訓(xùn)練樣本3')subplot(2,1,2)plot(X10(1,:),X10(2,:),'r.','LineWidth',2),holdonplot(X20(1,:),X20(2,:),'go','LineWidt

9、h',2),holdonplot(X30(1,:),X30(2,:),'b+','LineWidth',2),holdontitle('測試樣本分布情況')legend('測試樣本1','測試樣本2','測試樣本3')%由于多次循環(huán)后存在小數(shù)，根據(jù)實際情況判別矩陣須取整%如果N為偶數(shù)，可能出現(xiàn)小數(shù)為0.5的情況，此時將無法更加準(zhǔn)確判斷矩陣Result=Result/N%判別矩陣，反映Bayes的判別效果fori=1:length(Result)ifround(sum(Result(i,:)-

10、fix(Result(i,:)=1m,n=find(max(Result(i,:)-fix(Result(i,:)=(Result(i,:)-fix(Result(i,:);n=min(n);%存在小數(shù)點相同的情況隨即選取一個forj=1:length(Result)ifj=nResult(i,j)=fix(Result(i,j)+1;elseResult(i,j)=fix(Result(i,j);endendelseifround(sum(Result(i,:)-fix(Result(i,:)=2m,n1=find(max(Result(i,:)-fix(Result(i,:)=(Resul

11、t(i,:)-fix(Result(i,:);m,n2=find(min(Result(i,:)-fix(Result(i,:)=(Result(i,:)-fix(Result(i,:);n1=min(n1);n2=min(n2);%如果有存在小數(shù)點相同的情況,隨即選取一個forj=1:length(Result)ifj=n1Result(i,j)=fix(Result(i,j)+1;elseifj=n2Result(i,j)=fix(Result(i,j);elseResult(i,j)=fix(Result(i,j)+1;endendelsecontinue,endend圖像預(yù)處理具體步驟

12、如下：首先對圖像進(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。I=imread('CAR/0.jpg');%讀取圖片博始圖像I1=rgb2gray(I);%轉(zhuǎn)化為灰度圖像灰度圖像I2=edge(I1,'roberts',0.09,'both');%采用robert算子進(jìn)行邊緣檢測se=1;1;1;%線型結(jié)構(gòu)元素I3=imerode(I2,se);%腐蝕圖像se=strel('rectangle',2

13、5,25);%矩形結(jié)構(gòu)元素I4=imclose(I3,se);%圖像聚類、填充圖像I5=bwareaopen(I4,2000);%去除聚團(tuán)灰度值小于2000的部分通過對比原始圖片，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，因此后期處理將通過這張圖來找出車牌位置。2.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y,x=size(I5);I6=double(I5);%繪制行曲線圖Y1=zeros(y,1);fori=1:yforj=1:xif(I6(i,j)=1)Y1(i,1

14、)=Y1(i,1)+1;endendendfigure();subplot(1,3,1);plot(0:y-1,Y1),title('行像素灰度值累計'),xlabel('行值'),ylabel('像素和');temp,MaxY=max(Y1);PY1=MaxY;while(Y1(PY1,1)>=80)&&(PY1>1)PY1=PY1-7;endPY2=MaxY;while(Y1(PY2,1)>=80)&&(PY2<y)PY2=PY2+7;end2 2)車牌的列起始位置和終止位置的確定%繪制

15、列曲線圖X1=zeros(1,x);forj=1:xfori=PY1:PY2if(I6(i,j)=1)X1(1,j)=X1(1,j)+1;endendendsubplot(1,3,2);plot(0:x-1,X1),title('列像素灰度值累計'),xlabel('列值'),ylabel('像數(shù)和');PX1=1;while(X1(1,PX1)<3)&&(PX1<x)PX1=PX1+7;endPX2=x;while(X1(1,PX2)<3)&&(PX2>PX1)PX2=PX2-7;end鼻

16、 帳 a品111L1一11列信:素灰度值累計4540353D25201510500200400600 時0列值(3)最后拼合獲取的車牌在圖像的行列位置DW=I(PY1:PY2,PX1:PX2,:);subplot(1,3,3);imshow(DW),title('車牌定位后圖像');3 .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。%車牌圖像轉(zhuǎn)為灰度ifisrgb(I)I1=rgb2gray(I);elseI1=I;end%二值化車牌圖像I1=im2bw(I1,graythresh(I1)

17、;%二值化圖像I2=bwareaopen(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);forj=1:xfori=1:yif(I3(i,j)=1)X1(1,j)=X1(1,j)+1;endendendsubplot(1,2,2);plot(0:x-1,X1),title('車牌列像素點累計),xlabel('歹!J值'),ylabel('像素和'

18、;);列值%分割字符Px0=1;Px1=1;figure()；fori=1:7while(X1(1,Px0)<3)&&(Px0<x)Px0=Px0+1;endPx1=Px0;while(X1(1,Px1)>=3)&&(Px1<x)|(Px1-Px0)<10)Px1=Px1+1;endZ=I2(:,Px0:Px1);switchstrcat('Z',num2str(i)case'Z1'PIN0=Z;case'Z2PIN1=Z;case'Z3'PIN2=Z;case'Z4&

19、#39;PIN3=Z;case'Z5'PIN4=Z;case'Z6'PIN5=Z;otherwisePIN6=Z;endsubplot(1,7,i);imshow(Z);Px0=Px1;end分割成七塊后的車牌圖像4. 建立字符模板數(shù)據(jù)庫汽車牌照的字符一般有7個，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稱；緊接其后的為字母與數(shù)字。十個阿拉伯?dāng)?shù)字09,26個大寫英文字母AZ以及相關(guān)的車牌用漢字：京、滬、蘇、臺、港、澳、甲、乙、丙、使、領(lǐng)、學(xué)、試、境、消、邊、警等。functioninpt=Pretreatment(I)%訓(xùn)練樣

20、本前期處理ifisrgb(I)I1=rgb2gray(I);elseI1=I;endI1=imresize(I1,5025);%將圖片統(tǒng)一劃為50*25大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);%將圖像按列轉(zhuǎn)換成一個行向量forj=1:nfori=1:minpt(1,m*(j-1)+i)=I1(i,j);endend這是一個自定義函數(shù)的Pretreatment.m文件，可以解決頻繁寫重復(fù)代碼的問題，前面的圖像預(yù)處理及車牌定位的代碼可以寫進(jìn)Location.m文件中，通過代碼DW=Location(I);取得車牌定位后的圖像；同時字符分割

21、的代碼亦可寫進(jìn)StringSplit.m文件中，可以通過代碼PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(DW);取得的字符分割后的圖像。5. 字符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OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法。設(shè)計代碼如下：closeall;clearall;%歸一化訓(xùn)練樣本I0=pretreatment(imread('BP/0.jpg');I1=pretreatment(imread('BP/1.jpg');I2=pretreatment(imread(&#

22、39;BP/2.jpg');I3=pretreatment(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(&

23、#39;BP/9.jpg');I10=pretreatment(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(

24、imread('BP/L.jpg');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'

25、,'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);net,tr=train(net,P,T);%訓(xùn)練樣本%測試I=imrea

26、d('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%測試字符，得到識別數(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'