課程設(shè)計---簡易車牌識別系統(tǒng)設(shè)計

1、 電子科技大學光電信息學院課程設(shè)計論文 課程名稱 光電圖像處理 題目名稱 簡易車牌識別系統(tǒng)設(shè)計 學 號 2705302012 姓 名 周之川 指導(dǎo)老師 彭真明 起止時間 2010年5月1日至2010年5月30日 2010年5 月 30 日電子科技大學光電信息學院課 程 設(shè) 計 任 務(wù) 書一、課程名稱 _ 光電圖像處理_ 二、課程設(shè)計題目_ 簡易車牌識別系統(tǒng)設(shè)計_ _ 二、課程設(shè)計目的 通過簡易車牌識別系統(tǒng)的設(shè)計，能夠?qū)怆妶D像處理系統(tǒng)及應(yīng)用有一個整體認識。對圖像識別中涉及的關(guān)鍵技術(shù)，如圖像增強、直方圖分析、閾值分割、特征匹配等有更進一步的理解。培養(yǎng)學生在小系統(tǒng)設(shè)計中的總體思路、關(guān)鍵技術(shù)分析、簡

2、單程序設(shè)計等能力。三、課程設(shè)計要求1、了解車牌識別的關(guān)鍵技術(shù)及難點問題；2、明確小型車牌識別系統(tǒng)的各功能模塊；3、圖像處理算法的程序設(shè)計；4、提交綜合課程設(shè)計報告。四、課程設(shè)計任務(wù)和內(nèi)容1、查閱相關(guān)文獻，了解車牌識別技術(shù)現(xiàn)狀及關(guān)鍵知識點分析；2、提交小型車牌識別系統(tǒng)設(shè)計方案，需畫出模塊及流程圖；3、關(guān)鍵算法，如圖像分割、字符識別的程序?qū)崿F(xiàn)(可用Matlab或Visual C+等)。4、撰寫綜合課程設(shè)計報告。五、參考文獻1 周妮娜，王敏，黃心漢，等.車牌字符識別的預(yù)處理算法.計算機工程與應(yīng)用，2003，(15)2 董慧穎，曹仁帥.汽車牌照自動識別系統(tǒng)中字符分割算法研究.沈陽工業(yè)學院學報2003(

3、12)Vol.22 No.43 崔江，王友仁.車牌自動識別方法中的關(guān)鍵技術(shù)研究.計算機測量與控制，2003.11(4)：260-2624 馬俊莉，莫玉龍，王明祥.一種基于改進模板匹配的車牌字符識別方法.小型微型計算機系統(tǒng)，2003,23（2）指導(dǎo)教師簽名：彭真明 日期：2010年4月23日基于MATLAB的簡易車牌識別系統(tǒng)設(shè)計周之川摘要：汽車車牌識別技術(shù)在圖像識別領(lǐng)域有其典型性與實用性的意義，而MATLAB有其突出的處理圖像數(shù)據(jù)的能力，這里運用MATLAB實現(xiàn)對圖像的預(yù)處理、車牌定位、車牌字符分割以及字符識別，最終設(shè)計出一套簡易車牌識別系統(tǒng)。該系統(tǒng)能準確定位在自然背景下的藍色車牌，并通過統(tǒng)計手

4、段分離出每個字符，最后識別出每個字符。經(jīng)過多次測試，結(jié)果表明該系統(tǒng)對藍色車牌有相當好的識別能力。關(guān)鍵詞：MATLAB；圖像處理；車牌定位；字符分割；字符識別1 引言車牌識別對于交通管理有著重要的意義，車牌是車輛的唯一標志，在交通系統(tǒng)之正逐漸向智能化自動化發(fā)展的今日，自動車牌識別系統(tǒng)有著至關(guān)重要的意義。比如，通過交通監(jiān)控系統(tǒng)自動識別獲得違規(guī)、超速、肇事車輛的車牌信息做到實時監(jiān)控就現(xiàn)今車牌系統(tǒng)而言，有很多出色的系統(tǒng)，但對于100%識別率還沒有絕對可靠的系統(tǒng)，所以這還是一項有待完善的技術(shù)，有著很大的研究空間與價值。就現(xiàn)今的研究成果看車牌識別多分為四步1，即圖像預(yù)處理、車牌定位、字符分割、字符識別。本

5、系統(tǒng)也以這四個方面為模塊用MATLAB進行設(shè)計實現(xiàn)。車牌定位圖像預(yù)處理字符分割字符識別 輸出結(jié)果2 系統(tǒng)實現(xiàn)2.1 系統(tǒng)簡介 如上圖，為本系統(tǒng)的基本框架。首先通過圖像預(yù)處理得到清晰圖像，再通過車牌定位算法定位車牌，然后對得到的車牌進行字符分割，再對分割出的字符一一識別，最后輸出結(jié)果。其中車牌定位最為關(guān)鍵，準確的定位將使下面的工作事半功倍的進行下去。2.2 圖像預(yù)處理 對于采集到的圖像不都是滿意的圖像，總伴有各種各樣的噪聲幾失真。對于交通監(jiān)控系統(tǒng)采集的圖像多會由于天氣、被測物速度等因素使得圖像產(chǎn)生失真，而這些因素有些是可以事先估計到的。比如一天下雨造成的圖像較暗淡或造成一些顏色的色差，可以通過圖

6、像增強將圖中的重要信息突出出來，如通過灰度直方圖對圖像亮度進行調(diào)整增加圖像的可分辨度或通過相匹配的濾波器對圖像濾波去除噪聲。又如，對運動物體拍攝的圖像很可能存在拖影的現(xiàn)象2，可通過圖像復(fù)原技術(shù)對速度產(chǎn)生的圖象退化做逆運算，從而得到較好的物體圖像。2.3 車牌定位自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準確地確定牌照區(qū)域是整個識別過程的關(guān)鍵。如何在自然背景下準確選取車牌區(qū)域有多種辦法，如區(qū)域大小匹配3、灰度二值化后直方圖特征選取4或顏色投影匹配等。其中顏色投影匹配方法最具特征性，也最容易準確識別車牌區(qū)域。本系統(tǒng)就是采用了這個思想，考慮到車牌為標準化的物體，其中小型民用車輛都為藍

7、底白字，識別時可針對車牌特有的藍色背景進行選取。經(jīng)過多張圖像統(tǒng)計發(fā)現(xiàn)車牌的顏色比起背景很具特征，其RGB值約在R(0,30),G(20,100),B(110,250)范圍內(nèi)所以可以用以下程序找出 r1=0; r2=30; g1=10; g2=100; b1=110; b2=250; if(I(i,j,1)<=r2&&(I(i,j,1)>=r1)&&(I(i,j,2)<=g2)&&(I(i,j,2)>=g1)&&(I(i,j,3)<=b2)&&(I(i,j,3)>=b1) Blue

8、_y(i,1)= Blue_y(i,1)+1; End 這樣判斷條件設(shè)立，考慮到車牌在縱向上比橫向加總特征更加明顯，故先用循環(huán)語句縱向加總，進行縱向投影統(tǒng)計，選出統(tǒng)計量大于一定閾值Pmx要求的,對于低于要求的則不予考慮。從而篩選找出橫向范圍，找到縱向的端點坐標。再對橫軸做同樣的篩選找出橫向范圍，則可選出車牌的區(qū)域。具體操作為：（1）經(jīng)判斷得到每縱符合判斷的像素總和Blue_y(i,1)（2）temp MaxY=max(Blue_y); %取出其中極大值坐標（3）while (Blue_y(PY1,1)>=5)&&(PY1>1) PY1=PY1-1;End %以極大值

9、為中心向兩邊判斷符合閾值的縱列。此處閾值為5.（4）IY=I(PY1:PY2,:,:);此即為縱向范圍（5）同上方法找出橫向范圍下圖為截取的車牌圖像： 選取時可適當放寬選區(qū)從而保證車牌的完整。2.4 字符分割這將是承前啟后的一步。車牌定位后節(jié)的圖像可很容易的發(fā)現(xiàn)其顏色上大體上只有藍白兩種色彩，其中包含的有用信息也多在藍白分別代表的區(qū)域上，若對其進行二值化處理則可去除多余的顏色信息而突出其區(qū)域性。而分割的優(yōu)劣則將直接影響車牌識別的結(jié)果。2.4.二值化二值化就是將原圖RGB圖像變?yōu)橛谩?”“1”表示的二值圖像，只保留歸類后的區(qū)域信息，而把其他次要信息忽略。首先將RGB圖像變?yōu)?56級的灰度圖像。接

10、著就此灰度圖二值化，對此灰度圖像進行二值化實質(zhì)是將圖像中的每一個象素按一定規(guī)則進行分類，也就是將圖像轉(zhuǎn)換為只有“0”“1”（黑，白）表示的二值圖像。最簡單的分類規(guī)則是依據(jù)區(qū)域相似性和不連續(xù)性，取定一灰度閾值。大于此閾值的象素點置成黑（白），而小于此閾值的象素點置成白 （黑）。常用的二值化算法有：Otsu 算法、Bernsern 算法和熵函數(shù)算法等。文獻報道中多數(shù)系統(tǒng)都是采用這種灰度閾值二值化的方法。有時為了簡化算法，減少運算時間，取圖像平均值為閾值21；有的考慮到牌照光照不均，采取了牌照字幅分別二值化的方法25，也就是先對牌照圖像進行分割，再對分割出來的字符圖像進行獨立梯度統(tǒng)計，取各自不同的閾

11、值進行分類；這里用簡單的最小值最大值之間的45%做閾值。具體做法如下：（1）I2=rgb2gray(Plate)%將圖像變?yōu)榛叶葓D像（2）fmax=double(max(max(I2);fmin=double(min(min(I2);lvl=(fmax1-(fmax-fmin)/2.2)/255;%獲得最佳閾值（3）bw22=im2bw(I2,lvl);%將圖像轉(zhuǎn)換為二進制圖像（4）bw11=imresize(bw22,50,200);figure,imshow(bw11)%將圖像標準化等待下一步處理處理完畢的圖像：接下來就是分割的部分了。2.4.2字符分割從上面處理完的圖形可見每個字符之間都

12、有一段間斷，正以利用這段間斷帶來的統(tǒng)計規(guī)律將字符分割開。這類似于上面顏色統(tǒng)計，這里將二值圖進行統(tǒng)計，結(jié)果如下圖：很明顯看出每個字符間一段一段的間斷，這里再運用二值化將小于閾值的全部歸零大于的全部置一，則值為一的部分就為有效字符部分如圖所示：此時通過檢測上升下降沿，并為上升下降沿分別建立數(shù)組位置一一對應(yīng)，則每一組上升下降沿就對應(yīng)一個字符的橫坐標位置范圍，從圖中可見其中有些噪聲條紋，則可將寬度小于18像素（前面已經(jīng)標準化過）剔除達到去噪聲效果。具體程序?qū)崿F(xiàn)如下：（1）for j=1:x2 for i=1:y2 if P(i,j)=0 Px(1,j)= Px(1,j)+1; end end end%

13、統(tǒng)計（3）for i=1:201 if Px3(i)=0 && Px3(i+1)=1 m1(a1)=i; a1=a1+1; elseif Px3(i)=1 && Px3(i+1)=0 m2(a2)=i; a2=a2+1; end end %上升沿下降沿分別建立數(shù)組（2）for i=1:x2 if Px(1,i)>1 Px2(i)=1; else Px2(i)=0; endend %二值化（4）t=0;for i=1:a2-1 if (m2(i)-m1(i)>=18 t=t+1; m2(t)=m2(i); m1(t)=m1(i); endend%去掉噪

14、聲這樣基本完成了字符的分割，效果如下：2.5 字符識別分割好的字符將進入最后一步識別?，F(xiàn)今的識別技術(shù)很多，但各有優(yōu)缺點，就字符識別而言有如下幾類5：（1）利用字符的結(jié)構(gòu)特征和變換進行特征提取，如：Fourier 變Karhuren-Loeve 變換等，這種方法對字符的傾斜、變形都有較高的容忍度，但運算量巨大，對計算機性能要求高；（2）利用字符的統(tǒng)計特征進行特征提取，目前多數(shù)字符識別系統(tǒng)均采用此方法，如提取字符號的投影特征、網(wǎng)格特征和輪廓特征組成字符特征矢量，進行特征匹配，結(jié)果具有較高的識別率；（3）基于字符結(jié)構(gòu)分析的識別方法，這種方法可以識別有較大旋轉(zhuǎn)、變形、縮放的字符圖像，但需要進行復(fù)雜的字

15、符筆劃分析和抽取，對牌照字符圖像質(zhì)量要求較高；（4）模板匹配法，此法方法簡便，廣泛采用，這種方法對于有輕微變形、筆劃缺損、污跡干擾的字符圖像有較好的識別率，識別速度與匹配庫大小有關(guān)。（5）基于人工神經(jīng)網(wǎng)絡(luò)算法（ANNS）的識別，這是對人腦或自然神經(jīng)網(wǎng)絡(luò)若干基本特性的抽象和模擬，其優(yōu)點為可以學習自適應(yīng)不確定系統(tǒng)，可以充分逼近任意復(fù)雜的非線性關(guān)系，具有聯(lián)想儲存功能，但其程序復(fù)雜，識別前需要多次訓(xùn)練，且運算較大?？紤]到本字符識別只涉及31個漢字26個字母以及十個數(shù)字，字符庫很容易建立，運用模板匹配法應(yīng)該是最好的選擇。首先需要建立字庫，可將每個字符模板(模板均為二值圖像)按約定好的順序大小依次排入一張

16、.bmp圖中，再用matlab調(diào)用圖片與所要識別圖像用corr2（）函數(shù)一一比較，找出其中最大值及其對應(yīng)位置編號再用switch函數(shù)賦相應(yīng)的值即完成。3 結(jié)論經(jīng)過幾幅圖像的測試，本系統(tǒng)都能較好的識別出來，但系統(tǒng)還是存在適用范圍，本簡易系統(tǒng)只考慮了藍色車牌情況，所以只適用于藍色車牌識別，當然對參數(shù)稍作改動也能適應(yīng)其他車牌。由于運用的是顏色識別，對于背景中有大面積藍色物體的就不能很好識別了，但可以通過與區(qū)域匹配程序結(jié)合完成識別。參考文獻 1崔江、王友仁.車牌自動識別方法中的關(guān)鍵技術(shù)研究.計算機測量與控制，2003.112彭真明，雍楊，楊先明.光電圖像處理，電子科技大學出版社，2008.33王剛，冀

17、小平.基于MATLAB 的車牌識別系統(tǒng)的研究.中國科技論文在線4魯小平，陳阿林.基于MATLAB的車牌識別.測繪通報，2007.Vol.105孫彬.車牌自動識別圖像處理關(guān)鍵技術(shù)研究.電子科技大學學位論文課程設(shè)計總結(jié) 通過這次車牌識別系統(tǒng)的課程設(shè)計的完成，對光電圖像處理課程的作用和意義有了更深的理解，對課程所教授的內(nèi)容也在實踐中靈活運用加深了印象，也學會了運用MATLAB這一數(shù)學編程工具。對于科研的一般過程有了了解。同時也提升了獨立解決問題的能力，以及一些自己的創(chuàng)新能力。在此感謝彭真明老師在課堂上的悉心授教，光電圖像處理這門課讓我學習了很多有實踐價值的東西。附錄程序：clc;close all;

18、clear all;I=imread('3.jpg');%ͨ¹ýÑÕɫͳ¼ÆÑ¡Ôñ³µÅÆÇøÓòy,x,z=size(I);dbI=double(I);Blue_y=zeros(y,1);r1=0;r2=30;g1=10;g2=100;b1=110;b2=250;for i=1:y for j=1:x if(dbI(i,j,1)&l

19、t;=r2&&(dbI(i,j,1)>=r1)&&(dbI(i,j,2)<=g2)&&(dbI(i,j,2)>=g1)&&(dbI(i,j,3)<=b2)&&(dbI(i,j,3)>=b1) % À¶É«RGBµÄ»Ò¶È·¶Î§ Blue_y(i,1)= Blue_y(i,1)+1; % À¶É«Ï

20、;óËصãͳ¼Æ end end endtemp MaxY=max(Blue_y); % Y·½Ïò³µÅÆÇøÓòÈ·¶¨PY1=MaxY;while (Blue_y(PY1,1)>=5)&&(PY1>1) PY1=PY1-1;end PY2=MaxY;while (Blue_y(PY2,1)>=5)&

21、;&(PY2<y) PY2=PY2+1;endIY=I(PY1:PY2,:,:); % X ·½Ïò % Blue_x=zeros(1,x); % ½øÒ»²½È·¶¨X·½ÏòµÄ³µÅÆÇøÓòfor j=1:x for i=PY1:PY2 if(dbI(i,j,1)<=30)&&

22、;(dbI(i,j,2)<=100)&&(dbI(i,j,2)>=51)&&(dbI(i,j,3)<=255)&&(dbI(i,j,3)>=119) Blue_x(1,j)= Blue_x(1,j)+1; end end end PX1=1;while (Blue_x(1,PX1)<3)&&(PX1<x) PX1=PX1+1;end PX2=x;while (Blue_x(1,PX2)<3)&&(PX2>PX1) PX2=PX2-1;endPX1=PX1-2; % &

23、#182;Ô³µÅÆÇøÓòµÄÐÞÕýPX2=PX2+4; Plate=I(PY1+2:PY2-2,PX1:PX2,:);figure,imshow(Plate) %³µÅÆÇøÓò¶þÖµ»¯I2=rgb2gray(Plate);%figure,imshow(I2)fmax1=double(max(max

24、(I2);fmin1=double(min(min(I2);level=(fmax1-(fmax1-fmin1)/2.2)/255;%»ñµÃ×î¼ÑãÐÖµbw22=im2bw(I2,level);%½«Í¼Ïñת»»Îª¶þ½øÖÆͼÏñ%figure

25、,imshow(bw22)%±ê×¼»¯Îª¡¾50£¬200¡¿bw11=imresize(bw22,50,200);figure,imshow(bw11) %y1,x1=size(bw11);P1=double(bw11);Px1=zeros(y1,1); for j=1:y1 for i=1:x1 if P1(j,i)=0 Px1(j)= Px1(j)+1; end end end% figure,plot(Px1);gridtol=0;for i=

26、1:50 tol=Px1(i)+tol; endel=tol/50;for i=1:50 if Px1(i)>=0.5*el break end endfor j=50:-1:1 if Px1(j)>=0.2*el break end endbw11=bw11(i:j,:);% figure,imshow(bw11)%±ê×¼»¯Îª¡¾50£¬200¡¿bw11=imresize(bw11,50,200);%figure,imshow(bw1

27、1) % %ÊúÏòͳ¼Æ°×É«ÇøÓòy2,x2=size(bw11);P=double(bw11);Px=zeros(1,x2);Px3=zeros(1,x2);for j=1:x2 for i=1:y2 if P(i,j)=0 Px(1,j)= Px(1,j)+1; end end end%figure,plot(Px);grid % %¶þÖµ»¯for i=1:x

28、2 if Px(1,i)>1 Px2(i)=1; else Px2(i)=0; endend figure,bar(Px2);grid%ͨ¹ýÉÏÉýÑØϽµÑØ·Ö¸ô×Ö·ûPx3=0,Px2,0;a2=1;a1=1; for i=1:201 if Px3(i)=0 && Px3(i+1)=1 m1(a1)=i; a1=a1+

29、1; elseif Px3(i)=1 && Px3(i+1)=0 m2(a2)=i; a2=a2+1; end end %ͨ¹ýÉÏÉýÑØϽµÑØ·Ö¸ô×Ö·û% %È¥µôһЩÔëÉù t=0;for i=1

30、:a2-1 if (m2(i)-m1(i)>=18 t=t+1; m2(t)=m2(i); m1(t)=m1(i); endend %ÏÔʾͼÏñ m2(t)=m2(t)-1; for i=1:t Plat=bw11(:,m1(i):m2(i); subplot(1,a2-1,i),imshow(Plat) end for i=1:t PP(:,:,i)=imresize(bw11(:,m1(i):m2(i),59,47); c=fincode(PP(:,:,i),i) ; char(c) endfunction zi=fincode(P,n)std1=imread('chinese.bmp')