基于MATLAB的字符識(shí)別研究--汽車(chē)牌照識(shí)別程序的設(shè)計(jì)

1、畢 業(yè) 論 文基于MATLAB的字符識(shí)別研究汽車(chē)牌照識(shí)別程序的設(shè)計(jì)摘要：本次課程設(shè)計(jì)的目的是通過(guò)對(duì)基于MATLAB的字符識(shí)別的研究，以汽車(chē)牌照識(shí)別的設(shè)計(jì)為實(shí)例，詳細(xì)介紹字符識(shí)別的相關(guān)原理。整個(gè)汽車(chē)牌照識(shí)別的過(guò)程分為預(yù)處理、邊緣提取、車(chē)牌定位、字符分割、字符識(shí)別五大模塊，用MATLAB軟件編程來(lái)實(shí)現(xiàn)每一個(gè)局部，最后識(shí)別出汽車(chē)牌照。在研究的同時(shí)對(duì)其中出現(xiàn)的問(wèn)題進(jìn)行了具體分析，處理。尋找出對(duì)于具體的汽車(chē)牌照識(shí)別過(guò)程的最好的方法。關(guān)鍵詞：MATLAB字符識(shí)別車(chē)牌識(shí)別神經(jīng)網(wǎng)絡(luò)圖像處理引言在MATLAB的字符識(shí)別研究中，汽車(chē)牌照的識(shí)別是最經(jīng)典的樣例，因?yàn)檐?chē)輛牌照識(shí)別系統(tǒng)License Plate Reco

2、gnition System，簡(jiǎn)稱(chēng)LPRS是建設(shè)智能交通系統(tǒng)不可或缺的局部?；?MATLAB 圖像處理的汽車(chē)牌照識(shí)別系統(tǒng)是通過(guò)引入數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的圖像處理 模式識(shí)別和人工智能技術(shù)，通過(guò)對(duì)圖像的采集和處理，獲得更多的信息，從而到達(dá)更高的智能化管理程度。車(chē)牌識(shí)別系統(tǒng)整個(gè)處理過(guò)程分為預(yù)處理、邊緣提取、車(chē)牌定位、字符分割、字符識(shí)別五大模塊，用 MATLAB軟件編程來(lái)實(shí)現(xiàn)每一個(gè)局部處理工程，最后識(shí)別出汽車(chē)牌照。MATLAB及其圖像處理工具概述MATLAB 是 MATrix LABoratory 矩陣實(shí)驗(yàn)室的縮寫(xiě)，是 Math Works 公司開(kāi)發(fā)的一種功能強(qiáng) 效率高 簡(jiǎn)單易

3、學(xué)的數(shù)學(xué)軟件。MATLAB 的圖像處理工具箱，功能十分強(qiáng)大，支持的圖像文件格式豐富，如 *.BMP、*.JPG、 *.JPEG、 *.GIF、 *.TIF 、*.TIFF、 *.PNG 、*.PCX、 *.XWD、 *.HDF、*.ICO 、*.CUR 等。MATLAB 7.X 提供了20 多類(lèi)的圖像處理函數(shù)，幾乎涵蓋了圖像處理的所有技術(shù)方法，是學(xué)習(xí)和研究圖像處理的人員難得的珍貴資料和加工工具箱。這些函數(shù)按其功能可分為：圖像顯示、 圖像文件 I/O、圖像算術(shù)運(yùn)算、幾何變換、圖像登記、像素值與統(tǒng)計(jì) 圖像分析、圖像增強(qiáng)、線(xiàn)性濾波、線(xiàn)性二元濾波設(shè)計(jì)、圖像去模糊、圖像變換、鄰域與塊處理、灰度與二值圖像

4、的形態(tài)學(xué)運(yùn)算、基于邊緣的處理、色彩映射表操作 色彩空間變換 圖像類(lèi)型與類(lèi)型轉(zhuǎn)換。MATLAB 還著重在圖形用戶(hù)界面GUI的制作上作了很大的改善，對(duì)這方面有特殊要求的用戶(hù)也可以得到滿(mǎn)足。本文將給出 MATLAB 的圖像處理工具箱中的圖像處理函數(shù)實(shí)現(xiàn)圖像處理與分析的應(yīng)用技術(shù)實(shí)例?；?MATLAB圖像處理的汽車(chē)牌照識(shí)別系統(tǒng)系統(tǒng)組成基于 MATLAB圖像處理的汽車(chē)牌照識(shí)別系統(tǒng)主要包括車(chē)牌定位 字符車(chē)牌分割和車(chē)牌字符識(shí)別三個(gè)關(guān)鍵環(huán)節(jié)其識(shí)別流程圖如圖 1所示。原始圖像圖像預(yù)處理車(chē)牌定位字符分割字符數(shù)據(jù)庫(kù)字符識(shí)別圖1 識(shí)別流程圖其中，原始圖像：由數(shù)碼相機(jī)或其它掃描裝置拍攝到的圖像；圖像預(yù)處理：對(duì)動(dòng)態(tài)采集到

5、的圖像進(jìn)行濾波、邊界增強(qiáng)等處理以克服圖像干擾；車(chē)牌定位：計(jì)算邊緣圖像的投影面積，尋找峰谷點(diǎn)，大致確定車(chē)牌位置，再計(jì)算此連通域內(nèi)的寬高比，剔除不在域值范圍內(nèi)的連通域，最后得到的便為車(chē)牌區(qū)域；字符分割：利用投影檢測(cè)的字符定位分割方法得到單個(gè)的字符；字符數(shù)據(jù)庫(kù)：為第6步的字符識(shí)別建立字符模板數(shù)據(jù)庫(kù)；字符識(shí)別：通過(guò)基于模板匹配的OCR算法或基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法，通過(guò)特征比照或訓(xùn)練識(shí)別出相關(guān)的字符，得到最后的汽車(chē)牌照，包括英文字母和數(shù)字。圖像預(yù)處理圖像在形成 傳輸或變換過(guò)程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、曝光缺乏或過(guò)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

6、某種差異，這種差異稱(chēng)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)、增加亮度等等。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(chē)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(chē)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I1=rgb2gr

7、ay(I); %轉(zhuǎn)化為灰度圖像I2=edge(I1,robert,0.09,both); %采用robert算子進(jìn)行邊緣檢測(cè)se=1;1;1; %線(xiàn)型結(jié)構(gòu)元素 I3=imerode(I2,se); %腐蝕圖像se=strel(rectangle,25,25); %矩形結(jié)構(gòu)元素I4=imclose(I3,se); %圖像聚類(lèi)、填充圖像I5=bwareaopen(I4,2000); %去除聚團(tuán)灰度值小于2000的局部通過(guò)比照原始圖片，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(chē)牌位置了，因此后期處理將通過(guò)這張圖來(lái)找出車(chē)牌位置。車(chē)牌定位觀察經(jīng)過(guò)預(yù)處理后得到的圖像發(fā)現(xiàn)車(chē)牌位置有明顯的矩形有明顯的矩形

8、圖樣，通過(guò)對(duì)矩形區(qū)域的定位即可獲得具體的車(chē)牌位置。車(chē)牌的行起始和終止位置確實(shí)定y,x,=size(I5);I6=double(I5);%繪制行曲線(xiàn)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 endendfigure();subplot(1,3,1);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)&(PY11)PY1=PY1-7;en

9、dPY2=MaxY;while (Y1(PY2,1)=80)&(PY2y)PY2=PY2+7;end車(chē)牌的列起始位置和終止位置確實(shí)定%繪制列曲線(xiàn)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 endendsubplot(1,3,2);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(1,PX1)3)&(PX1x)PX1=PX1+7;endPX2=x;while (X1(1,PX2)PX1)PX2=

10、PX2-7;end最后拼合獲取的車(chē)牌在圖像的行列位置DW=I(PY1:PY2,PX1:PX2,:);subplot(1,3,3);imshow(DW),title(車(chē)牌定位后圖像);字符分割在汽車(chē)牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前啟后的作用。它在前期牌照定位的根底上進(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。% 車(chē)牌圖像轉(zhuǎn)為灰度if isrgb(I)I1 = rgb2gray(I);elseI1 = I;end% 二值化車(chē)牌圖像I1 = im2bw(I1,graythresh(I1);%二值化圖像I2 = bwareaopen(I1,16);%去除小于16像素的區(qū)塊figure();su

11、bplot(1,2,1);imshow(I2),title(二值化車(chē)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:xfor i=1:y if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; endendendsubplot(1,2,2);plot(0:x-1,X1),title(車(chē)牌列像素點(diǎn)累計(jì)),xlabel(列值),ylabel(像素和);% 分割字符Px0=1;Px1=1;figure();for i=1:7while (X1(1,Px0)3)&(Px0=3)&(Px1x)|(Px1-P

12、x0)10) Px1=Px1+1;endZ=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;endsubplot(1,7,i);imshow(Z);Px0=Px1;end分割成七塊后的車(chē)牌圖像建立字符模板數(shù)據(jù)庫(kù)模板庫(kù)的合理建造是字符識(shí)別準(zhǔn)確的關(guān)鍵之一，所以在字符識(shí)別之前必須把模板庫(kù)設(shè)置好。汽車(chē)牌照的字符一般有 7 個(gè)，大局部車(chē)牌第一位

13、是漢字，通常代表車(chē)輛所屬省份，或是軍種 警別等有特定含義的字符簡(jiǎn)稱(chēng)；緊接其后的為字母與數(shù)字。車(chē)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(xiě)英文字母 AZ 以及相關(guān)的車(chē)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(chē)牌顏色：藍(lán)、白、黑、黃等。所以建立字符模板庫(kù)也極為方便。通過(guò)前面實(shí)驗(yàn)獲取的幾幅不同的車(chē)牌圖片截取到的圖片加上使用PhotoShop制作的局部圖片如下： 建立模板數(shù)據(jù)庫(kù)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(chē)牌圖像的測(cè)量得知單個(gè)字符的最正確寬高比是1

14、：2，所以將這些圖片歸一化為5025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125018的矩陣樣本，程序設(shè)計(jì)如下：function inpt = Pretreatment(I)% 訓(xùn)練樣本前期處理if isrgb(I) I1 = rgb2gray(I);elseI1=I;endI1=imresize(I1,50 25);%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(gè)行向量for j=1:nfor i=1:m inpt(1,m

15、*(j-1)+i)=I1(i,j);endend這是一個(gè)自定義函數(shù)的Pretreatment.m 文件，可以解決頻繁寫(xiě)重復(fù)代碼的問(wèn)題，前面的圖像預(yù)處理及車(chē)牌定位的代碼可以寫(xiě)進(jìn)文件中，通過(guò)代碼DW = Location(I); 取得車(chē)牌定位后的圖像；同時(shí)字符分割的代碼亦可寫(xiě)進(jìn)StringSplit.m 文件中，可以通過(guò)代碼PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(DW); 取得的字符分割后的圖像。字符識(shí)別字符的識(shí)別目前用于車(chē)牌字符識(shí)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?；谀０迤ヅ涞腛CR的根本過(guò)程

16、是：首先對(duì)待識(shí)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(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最正確匹配作為結(jié)果。用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別主要有兩種方法：一種方法是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類(lèi)器。識(shí)別效果與字符特征的提取有關(guān)，而字符特征提取往往比擬耗時(shí)。因此，字符特征的提取就成為研究的關(guān)鍵。另一種方法那么充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別。本文主要研究基于人工神經(jīng)網(wǎng)絡(luò)的方法來(lái)識(shí)別車(chē)牌字符。設(shè)計(jì)代碼如下：close all;clear all;% 歸一化訓(xùn)練樣本I0=pretreatment(imre

17、ad(BP/0.jpg);I1=pretreatment(imread(BP/1.jpg);I2=pretreatment(imread(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(

18、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(imread(BP/L.jpg);I17=pretreatment(imread(BP/M.jpg);P=I0,I1,I2,I3,I4,I

19、5,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,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.

20、goal=0.0000000001;net=init(net);net,tr=train(net,P,T);%訓(xùn)練樣本% 測(cè)試I=imread(CAR/0.jpg);DW=Location(I);%車(chē)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=

21、pretreatment(PIN5);PIN6=pretreatment(PIN6);P0=PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6;for i=2:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d = find(T1 = 1) - 1; if (d=10) str=A; elseif (d=11) str=B; elseif (d=12) str=C; elseif (d=13) str=D; elseif (d=14) str=G; elseif (d=15) str=K; elseif (d=16) str=L; els

22、eif (d=17) str=M; elseif (d=0) str=0; elseif (d=1) str=1; elseif (d=2) str=2; elseif (d=3) str=3; elseif (d=4) str=4; elseif (d=5) str=5; elseif (d=6) str=6; elseif (d=7) str=7; elseif (d=8) str=8; elseif (d=9) str=9; else str=num2str(d); end switch i case 2 str2=str; case 3 str3=str; case 4 str4=st

23、r; case 5 str5=str; case 6 str6=str; otherwise str7=str; endend% 識(shí)別出的結(jié)果以標(biāo)題形式顯示在圖上S=strcat(粵,str2,str3,str4,str5,str6,str7); figure();imshow(DW),title(S);第一次訓(xùn)練后識(shí)別出的車(chē)牌號(hào)碼：發(fā)現(xiàn)第二個(gè)字符識(shí)別錯(cuò)誤，在進(jìn)行第二次識(shí)別：可以看出完成了準(zhǔn)確識(shí)別車(chē)牌的目的?？偨Y(jié)在汽車(chē)車(chē)牌識(shí)別的整個(gè)過(guò)程中，查找了很多資料，綜合了各方面的信息。車(chē)牌實(shí)現(xiàn)的每一步都有許多的方法，各種方法都有其優(yōu)劣，但是對(duì)于具體的圖像處理，并不是每一種理論在實(shí)踐中都可以實(shí)現(xiàn)，即使實(shí)現(xiàn)了也很難說(shuō)哪一種方法最適宜，還得在具體的實(shí)驗(yàn)中比擬選擇。第二點(diǎn)在程序調(diào)試的過(guò)程中要耐心的檢查每一個(gè)錯(cuò)誤。測(cè)試結(jié)果說(shuō)明，本設(shè)計(jì)有以下幾條優(yōu)點(diǎn):充分利用MATLAB中已有的函數(shù)庫(kù)，使整個(gè)程序設(shè)計(jì)簡(jiǎn)單易行；使用了MATLAB的自定義函數(shù)功能，使程序設(shè)計(jì)更簡(jiǎn)潔。但也發(fā)現(xiàn)了更多的缺點(diǎn)：程序的局限性：只能針對(duì)圖像中