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) 一、 摘要:隨這圖形圖像技術(shù)的發(fā)展，現(xiàn)在的車牌識別技術(shù)準(zhǔn)確率越來越高，識別速度越來越快。無論何種形式的車牌識別系統(tǒng)，它們都是由觸發(fā)、圖像采集、圖像識別模塊、輔助光源和通信模塊組成的。車牌識別系統(tǒng)涉及光學(xué)、電器、電子控制、數(shù)字圖像處理、計(jì)算視覺、人工智能等多項(xiàng)技術(shù)。觸發(fā)模塊負(fù)責(zé)在車輛到達(dá)合適位置時(shí)，給出觸發(fā)信號，控制抓拍。輔助光源提供輔助照明，保證系統(tǒng)在不同的光照條件下都能拍攝到高質(zhì)量的圖像。圖像預(yù)處理程序?qū)ψヅ牡膱D像進(jìn)行處理，去除噪聲，并進(jìn)行參數(shù)調(diào)整。然后通過車牌定位、字符識別，最后將識別結(jié)果輸出。二、 設(shè)計(jì)目的和意義:設(shè)計(jì)目的：1、讓學(xué)生鞏固理論課上所學(xué)的知識，理論聯(lián)系實(shí)

2、踐。2、鍛煉學(xué)生的動手能力，激發(fā)學(xué)生的研究潛能，提高學(xué)生的協(xié)作精神。設(shè)計(jì)意義：車牌定位系統(tǒng)的目的在于正確獲取整個(gè)圖像中車牌的區(qū)域，并識別出車牌號。通過設(shè)計(jì)實(shí)現(xiàn)車牌識別系統(tǒng)，能夠提高學(xué)生分析問題和解決問題的能力，還能培養(yǎng)一定的科研能力。三、 設(shè)計(jì)原理:牌照自動識別是一項(xiàng)利用車輛的動態(tài)視頻或靜態(tài)圖像進(jìn)行牌照號碼、牌照顏色自動識別的模式識別技術(shù)。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識別車牌號碼的處理機(jī)等，其軟件核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識別算法等。某些牌照識別系統(tǒng)還具有通過視頻圖像判斷車輛駛?cè)胍曇暗墓δ芊Q之為視頻車輛檢測。一個(gè)完整的牌照識別系統(tǒng)應(yīng)包括車

3、輛檢測、圖像采集、牌照識別等幾部分。當(dāng)車輛檢測部分檢測到車輛到達(dá)時(shí)觸發(fā)圖像采集單元，采集當(dāng)前的視頻圖像。牌照識別單元對圖像進(jìn)行處理，定位出牌照位置，再將牌照中的字符分割出來進(jìn)行識別，然后組成牌照號碼輸出。四、 詳細(xì)設(shè)計(jì)步驟:1. 提出總體設(shè)計(jì)方案:牌照號碼、顏色識別 為了進(jìn)行牌照識別，需要以下幾個(gè)基本的步驟：a.牌照定位，定位圖片中的牌照位置；b.牌照字符分割，把牌照中的字符分割出來；c.牌照字符識別，把分割好的字符進(jìn)行識別，最終組成牌照號碼。牌照識別過程中，牌照顏色的識別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與牌照識別互相配合、互相驗(yàn)證。(1）牌照定位:自然環(huán)境下，汽車圖像背景復(fù)雜、光照

4、不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)識別過程的關(guān)鍵。首先對采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。車牌定位 對圖像開閉運(yùn)算邊緣提取圖像預(yù)處理增強(qiáng)效果圖像導(dǎo)入原始圖像流程圖: （2）牌照字符分割 :按左右寬度切割出字符分析垂直投影找到每個(gè)字符中心位置去掉車牌的框架計(jì)算水平投影進(jìn)行車牌水平校正完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的

5、附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 （3）牌照字符識別 :字符依次分析顯示誤差最小的圖片名字分析之差最小的圖片是哪張與數(shù)據(jù)庫的圖片相減切割出的字符送入庫中字符識別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ紫葘⒎指詈蟮淖址祷?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?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種：一種是先對待識別字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)

6、絡(luò)自動實(shí)現(xiàn)特征提取直至識別出結(jié)果。實(shí)際應(yīng)用中，牌照識別系統(tǒng)的識別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì)量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過程也會受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識別的識別率，也正是牌照識別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識別率，除了不斷的完善識別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識別。 2. 各模塊的實(shí)現(xiàn):2.1輸入待處理的原始圖像:clear ;close all;%Step1 獲取圖像 裝入待處理彩色圖像并顯示原始圖像Sco

7、lor = imread('3.jpg');%imread函數(shù)讀取圖像文件圖2.1原始圖像2.2圖像的灰度化:彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此在對圖像進(jìn)行識別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識別。%將彩色圖像轉(zhuǎn)換為黑白并顯示Sgray = rgb2gray(Scolor);%rgb2gray轉(zhuǎn)換成灰度圖figure,imshow(Sgray),title('

8、原始黑白圖像');圖2.2原始黑白圖像2.3對原始圖像進(jìn)行開操作得到圖像背景圖像:s=strel('disk',13);%strei函數(shù)Bgray=imopen(Sgray,s);%打開sgray s圖像figure,imshow(Bgray);title('背景圖像');%輸出背景圖像圖2.3背景圖像2.4原始圖像與背景圖像作減法，對圖像進(jìn)行增強(qiáng)處理:Egray=imsubtract(Sgray,Bgray);%兩幅圖相減figure,imshow(Egray);title('增強(qiáng)黑白圖像');%輸出黑白圖像圖2.4黑白圖像2.5取得最

9、佳閾值，將圖像二值化:二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在實(shí)際的車牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閥值，使得字符與背景能夠分割開來，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等等。車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進(jìn)行處理，能大大地提高處理效率。閾值處理的操作過程是先由用戶指定或通過算法生成一個(gè)閾值，如果圖像中某中像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。fmax1=double(max(max(Egray);%egray的最大值并輸出雙精度型fmin1

10、=double(min(min(Egray);%egray的最小值并輸出雙精度型level=(fmax1-(fmax1-fmin1)/3)/255;%獲得最佳閾值bw22=im2bw(Egray,level);%轉(zhuǎn)換圖像為二進(jìn)制圖像bw2=double(bw22);figure,imshow(bw2);title('圖像二值化');%得到二值圖像圖2.5二值圖像2.6邊緣檢測:兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結(jié)果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎(chǔ)。為了對有意義的邊緣點(diǎn)進(jìn)行分類，與這個(gè)點(diǎn)相聯(lián)系的灰度級必須比在這一點(diǎn)的背景上變

11、換更有效，我們通過門限方法來決定一個(gè)值是否有效。所以，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點(diǎn)是一個(gè)邊緣點(diǎn)，一組這樣的依據(jù)事先定好的連接準(zhǔn)則相連的邊緣點(diǎn)就定義為一條邊緣。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個(gè)閾值，則確定該點(diǎn)為邊緣點(diǎn)，這樣會導(dǎo)致檢測的邊緣點(diǎn)太多?？梢酝ㄟ^求梯度局部最大值對應(yīng)的點(diǎn)，并認(rèn)定為邊緣點(diǎn)，去除非局部最大值，可以檢測出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn)，這樣通過找圖像強(qiáng)度的二階導(dǎo)數(shù)餓的零交叉點(diǎn)就能找到精確邊緣點(diǎn)。grd=edge(bw2,'canny')%用canny算子識別強(qiáng)度圖像中的邊界figure,i

12、mshow(grd);title('圖像邊緣提取');%輸出圖像邊緣圖2.6像邊緣提取2.7對得到圖像作開操作進(jìn)行濾波:數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進(jìn)行特征提取、邊緣檢測、圖像分割等圖像處理問題。腐蝕是一種消除邊界點(diǎn)的過程，結(jié)果是使目標(biāo)縮小，孔洞增大，因而可有效的消除孤立噪聲點(diǎn)；膨脹是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過程，結(jié)果是使目標(biāo)增大，孔洞縮小，可填補(bǔ)目標(biāo)物體中的空洞，形成連通域。先腐蝕后膨脹的過程稱為開運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過程稱為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用

13、。對圖像做了開運(yùn)算和閉運(yùn)算，閉運(yùn)算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓線中的斷裂。bg1=imclose(grd,strel('rectangle',5,19);%取矩形框的閉運(yùn)算figure,imshow(bg1);title('圖像閉運(yùn)算5,19');%輸出閉運(yùn)算的圖像bg3=imopen(bg1,strel('rectangle',5,19);%取矩形框的開運(yùn)算figure,imshow(bg3);title('圖像開運(yùn)算5,19');%輸出開運(yùn)算的圖像bg2=imope

14、n(bg3,strel('rectangle',19,1);%取矩形框的開運(yùn)算figure,imshow(bg2);title('圖像開運(yùn)算19,1');%輸出開運(yùn)算的圖像圖2.7.1閉運(yùn)算的圖像 圖2.7.2開運(yùn)算的圖像圖2.7.3開運(yùn)算的圖像2.8對二值圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)。進(jìn)行區(qū)域特征參數(shù)比較，提取車牌區(qū)域:a.對圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。L,num = bwlabel(bg2,8);%標(biāo)注二進(jìn)制圖像中已連接的部分Feastats = imfeature(L,'basic

15、');%計(jì)算圖像區(qū)域的特征尺寸Area=Feastats.Area;%區(qū)域面積BoundingBox=Feastats.BoundingBox;%x y width height車牌的框架大小RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %標(biāo)志圖像向RGB圖像轉(zhuǎn)換figure,imshow(RGB);title('圖像彩色標(biāo)記');%輸出框架的彩色圖像圖2.8.1彩色圖像b. 計(jì)算出包含所標(biāo)記的區(qū)域的最小寬和高，并根據(jù)先驗(yàn)知識，比較誰的寬高比更接近實(shí)際車牌寬高比，將更接近的提取

16、并顯示出來。計(jì)算矩形的高度框架的寬度和高度的范圍車牌的開始列車牌的開始行計(jì)算車牌長寬比獲取車牌二值子圖計(jì)算矩形的寬度 程序流程圖 圖2.8.2灰度子圖和二值子圖2.9對水平投影進(jìn)行峰谷分析:對水平投影進(jìn)行峰谷分析,計(jì)算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升點(diǎn)、峰下降點(diǎn)、峰寬、谷寬、峰間距離、峰中心位置參數(shù)。histcol1=sum(sbw1); %計(jì)算垂直投影histrow=sum(sbw1'); %計(jì)算水平投影figure,subplot(2,1,1),bar(histcol1);title('垂直投影（含邊框）');%輸出垂直投影subplot(2,1,

17、2),bar(histrow); title('水平投影（含邊框）');%輸出水平投影圖2.9.1垂直投影和水平投影figure,subplot(2,1,1),bar(histrow); title('水平投影（含邊框）');%輸出水平投影subplot(2,1,2),imshow(sbw1);title('車牌二值子圖');%輸出二值圖對水平投影進(jìn)行峰谷分析:求水平投影的最小值取閾值計(jì)算谷寬度計(jì)算峰距離計(jì)算下降點(diǎn)找到峰中心位置求水平投影的平均值圖2.9.2水平投影和二值圖 程序流程圖2.10計(jì)算車牌旋轉(zhuǎn)角度:a.車牌傾斜的原因?qū)е峦队靶Ч骞晒?/p>

18、不明顯，在這里需要做車牌矯正處理。這里采取的線性擬合的方法,計(jì)算出車牌上邊或下邊圖像值為1的點(diǎn)擬合直線與水平X軸的夾角。求最大寬度為字符檢測上邊從頂邊至第一個(gè)峰下降點(diǎn)掃描從底邊至最后一個(gè)峰的上升點(diǎn)掃描找第一個(gè)為1的點(diǎn)標(biāo)示出圖像大小程序流程圖%(2)線性擬合，計(jì)算與x夾角fresult = fit(xdata',ydata','poly1'); %poly1 Y = p1*x+p2p1=fresult.p1;angle=atan(fresult.p1)*180/pi; %弧度換為度，360/2pi, pi=3.14%(3)旋轉(zhuǎn)車牌圖象subcol = imrota

19、te(subcol1,angle,'bilinear','crop'); %旋轉(zhuǎn)車牌圖象sbw = imrotate(sbw1,angle,'bilinear','crop');%旋轉(zhuǎn)圖像figure,subplot(2,1,1),imshow(subcol);title('車牌灰度子圖');%輸出車牌旋轉(zhuǎn)后的灰度圖像標(biāo)題顯示車牌灰度子圖subplot(2,1,2),imshow(sbw);title('');%輸出車牌旋轉(zhuǎn)后的灰度圖像title('車牌旋轉(zhuǎn)角: ',num2str(

20、angle),'度' ,'Color','r');%顯示車牌的旋轉(zhuǎn)角度圖2.10.1旋轉(zhuǎn)后的灰度圖像和旋轉(zhuǎn)角度b.旋轉(zhuǎn)車牌后重新計(jì)算車牌水平投影，去掉車牌水平邊框，獲取字符高度:histcol1=sum(sbw); %計(jì)算垂直投影histrow=sum(sbw'); %計(jì)算水平投影figure,subplot(2,1,1),bar(histcol1);title('垂直投影（旋轉(zhuǎn)后）');subplot(2,1,2),bar(histrow); title('水平投影（旋轉(zhuǎn)后）');圖2.10.2垂直投影（

21、旋轉(zhuǎn)后）和水平投影（旋轉(zhuǎn)后）figure,subplot(2,1,1),bar(histrow); title('水平投影（旋轉(zhuǎn)后）');subplot(2,1,2),imshow(sbw);title('車牌二值子圖（旋轉(zhuǎn)后）');圖2.10.3水平投影（旋轉(zhuǎn)后）和車牌二值子圖（旋轉(zhuǎn)后）2.11去水平（上下）邊框,獲取字符高度: a.通過以上水平投影、垂直投影分析計(jì)算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置，為提取分割字符具備了條件。maxhight=max(markrow2);findc=find(markrow2=maxhight

22、);rowtop=markrow(findc);rowbot=markrow(findc+1)-markrow1(findc+1);sbw2=sbw(rowtop:rowbot,:); %子圖為(rowbot-rowtop+1)行maxhight=rowbot-rowtop+1; %字符高度(rowbot-rowtop+1)b.計(jì)算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度histcol=sum(sbw2); %計(jì)算垂直投影figure,subplot(2,1,1),bar(histcol);title('垂直投影（去水平邊框后）');%輸出車牌的垂直投影圖像sub

23、plot(2,1,2),imshow(sbw2); %輸出垂直投影圖像title('車牌字符高度： ',int2str(maxhight),'Color','r');%輸出車牌字符高度%對垂直投影進(jìn)行峰谷分析求垂直投影的最小值取閾值計(jì)算字符上升點(diǎn)計(jì)算谷寬度計(jì)算字符距離找到字符中心位置求垂直投影的平均值圖2.11垂直投影圖像和車牌字符高度 程序流程圖c.計(jì)算車牌上每個(gè)字符中心位置，計(jì)算最大字符寬度maxwidthl=0;for k=1:n1 markcol3(k)=markcol(k+1)-markcol1(k+1);%字符下降點(diǎn) markcol4

24、(k)=markcol3(k)-markcol(k); %字符寬度（上升點(diǎn)至下降點(diǎn)） markcol5(k)=markcol3(k)-double(uint16(markcol4(k)/2);%字符中心位置end markcol6=diff(markcol5); %字符中心距離（字符中心點(diǎn)至下一個(gè)字符中心點(diǎn)）maxs=max(markcol6); %查找最大值，即為第二字符與第三字符中心距離findmax=find(markcol6=maxs);markcol6(findmax)=0;maxwidth=max(markcol6);%查找最大值，即為最大字符寬度d.提取分割字符,并變換為22行*

25、14列標(biāo)準(zhǔn)子圖l=1;m2,n2=size(subcol);figure;for k=findmax-1:findmax+5 cleft=markcol5(k)-maxwidth/2; cright=markcol5(k)+maxwidth/2-2; if cleft<1 cleft=1; cright=maxwidth; end if cright>n2 cright=n2; cleft=n2-maxwidth; end SegGray=sbw(rowtop:rowbot,cleft:cright); SegBw1=sbw(rowtop:rowbot,cleft:cright);

26、 SegBw2 = imresize(SegBw1,22 14); %變換為32行*16列標(biāo)準(zhǔn)子圖 subplot(2,n1,l),imshow(SegGray); if l=7 title('車牌字符寬度： ',int2str(maxwidth),'Color','r'); end subplot(2,n1,n1+l),imshow(SegBw2); fname=strcat('F:MATLABworksamimage',int2str(k),'.jpg');%保存子圖備選入樣本庫,并建立樣本庫 imwrite(

27、SegBw2,fname,'jpg') l=l+1;end2.12將計(jì)算計(jì)算獲取的字符圖像與樣本庫進(jìn)行匹配，自動識別出字符代碼:進(jìn)行車牌識別前需要使用樣本對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對車牌進(jìn)行識別。其具體流程為:使用漢字、字母、字母數(shù)字、數(shù)字四個(gè)樣本分別對四個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理，逐個(gè)的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識別，輸出識別結(jié)果。樣本與數(shù)據(jù)庫中圖片相減計(jì)算誤差找到誤差最小圖片依次識別并識別建立數(shù)據(jù)庫程序流程圖 圖2.12識別的車牌號碼五、 設(shè)計(jì)結(jié)果及分析原

28、始圖像: 預(yù)處理后：車牌定位和提取： 字符的分割和識別： 從上面結(jié)果可以看出，這張車牌的識別失敗了，將A誤識別為4了。在識別中還可能出錯(cuò)的有0和8，因此需要在其他方面做些彌補(bǔ)，最后達(dá)到識別效果。原始圖像: 預(yù)處理： 車牌的定位和提取： 字符的分割和識別： 在車牌識別的過程中數(shù)字庫的建立很重要,只有數(shù)字庫的準(zhǔn)確才能保證檢測出來的數(shù)據(jù)正確。切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，所以數(shù)據(jù)庫的數(shù)據(jù)尤為重要。六、 總結(jié):實(shí)驗(yàn)對車牌識別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識別等方面進(jìn)行了系統(tǒng)的分析。整理和總結(jié)了國內(nèi)外在車牌定位、分割、字符識別方面的研究成果和發(fā)展方向，系統(tǒng)

29、介紹了我國車牌的固有特征，以及車牌識別的特點(diǎn)。在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進(jìn)行預(yù)處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后續(xù)處理的速度。基于彩色分量的定位方法，運(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對車牌是藍(lán)色的車牌進(jìn)行定位，實(shí)驗(yàn)表明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)確率較高。本設(shè)計(jì)用MATLAB編程運(yùn)行結(jié)果可以得出，本設(shè)計(jì)采用的圖像預(yù)處理、CANNY邊緣檢測、開閉運(yùn)算子5，19、車牌長寬比特征識別等對車牌的定位都是非常有效的，而本設(shè)計(jì)提出的二次水平投影分析和閾值技術(shù)有效檢測了車牌圖像的上下左右邊框、旋

30、轉(zhuǎn)角度，準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對多個(gè)車牌進(jìn)行實(shí)驗(yàn)，均有很高的正確率。本設(shè)計(jì)雖然只對藍(lán)底白字車牌進(jìn)行分割識別，對黑底白字車牌原則上整個(gè)算法可直接適用，對白底黑字車牌、黃底黑字車牌，需要對車牌定位算法進(jìn)行調(diào)整，并將圖像反轉(zhuǎn)（0變1、1變0），而車牌字符的分割算法仍然行之有效。七、 體會經(jīng)過幾周的奮戰(zhàn)我的課程設(shè)計(jì)終于完成了。在沒有做課程設(shè)計(jì)以前覺得課程設(shè)計(jì)只是對這幾年來所學(xué)知識的單純總結(jié)，但是通過這次做課程設(shè)計(jì)發(fā)現(xiàn)自己的看法有點(diǎn)太片面。課程設(shè)計(jì)不僅是對前面所學(xué)知識的一種檢驗(yàn)，而且也是對自己能力的一種提高。通過這次課程設(shè)計(jì)使我明白了自己原來知識還比較欠缺。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什

31、么東西都會，什么東西都懂，有點(diǎn)眼高手低。通過這次課程設(shè)計(jì)，我才明白學(xué)習(xí)是一個(gè)長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識和綜合素質(zhì)。在這次課程設(shè)計(jì)中也使我們的同學(xué)關(guān)系更進(jìn)一步了，同學(xué)之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對我們更好的理解知識，所以在這里非常感謝幫助我的同學(xué)。我的心得也就這么多了，總之，不管學(xué)會的還是學(xué)不會的的確覺得困難比較多，真是萬事開頭難，不知道如何入手。最后終于做完了有種如釋重負(fù)的感覺。此外，還得出一個(gè)結(jié)論：知識必須通過應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會用的時(shí)候才是真的學(xué)會了。在此要感謝我們的指導(dǎo)老師喬靜老師對我們悉心的指導(dǎo)，感謝老師給我們的幫助。在設(shè)計(jì)過程中，我通過查閱大量有關(guān)資料，與同學(xué)交流經(jīng)驗(yàn)和自學(xué)，并向老師請教等方式，使自己學(xué)到了不少知識，也經(jīng)歷了不少艱辛，但收獲同樣巨大。在整個(gè)設(shè)計(jì)中我懂得了許多東西，也培養(yǎng)了我獨(dú)立工作的能力，樹立了對自己工作能力的信心，相信會對今后的學(xué)習(xí)工作生活有非常重要的