基于MATLAB的車牌識(shí)別課程設(shè)計(jì)報(bào)告

1、-PAGE . z.MATLAB課程設(shè)計(jì)報(bào)告書課題名稱基于MATLAB的車牌識(shí)別課程設(shè)計(jì)姓 名學(xué) 號(hào)學(xué) 院專 業(yè)指導(dǎo)教師2016年 6月 21日基于MATLAB的車牌識(shí)別課程設(shè)計(jì)目 錄一課程設(shè)計(jì)目的二設(shè)計(jì)原理三詳細(xì)設(shè)計(jì)步驟四. 設(shè)計(jì)結(jié)果及分析五. 總結(jié)六. 設(shè)計(jì)體會(huì)七. 參考文獻(xiàn)一、課程設(shè)計(jì)目的車牌定位系統(tǒng)的目的在于正確獲取整個(gè)圖像中車牌的區(qū)域，并識(shí)別出車牌號(hào)。通過(guò)設(shè)計(jì)實(shí)現(xiàn)車牌識(shí)別系統(tǒng)，能夠提高學(xué)生分析問(wèn)題和解決問(wèn)題的能力，還能培養(yǎng)一定的科研能力。二、設(shè)計(jì)原理:牌照自動(dòng)識(shí)別是一項(xiàng)利用車輛的動(dòng)態(tài)視頻或靜態(tài)圖像進(jìn)展牌照、牌照顏色自動(dòng)識(shí)別的模式識(shí)別技術(shù)。其硬件根底一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備

2、、圖像采集設(shè)備、識(shí)別車牌的處理機(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(shí)別算法等。*些牌照識(shí)別系統(tǒng)還具有通過(guò)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(cè)。一個(gè)完整的牌照識(shí)別系統(tǒng)應(yīng)包括車輛檢測(cè)、圖像采集、牌照識(shí)別等幾局部。當(dāng)車輛檢測(cè)局部檢測(cè)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(shí)別單元對(duì)圖像進(jìn)展處理，定位出牌照位置，再將牌照中的字符分割出來(lái)進(jìn)展識(shí)別，然后組成牌照輸出。三、詳細(xì)設(shè)計(jì)步驟:1. 提出總體設(shè)計(jì)方案:牌照、顏色識(shí)別 為了進(jìn)展牌照識(shí)別，需要以下幾個(gè)根本的步驟：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(lái)；c.牌照字符識(shí)

3、別，把分割好的字符進(jìn)展識(shí)別，最終組成牌照。牌照識(shí)別過(guò)程中，牌照顏色的識(shí)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(shí)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(shí)別過(guò)程的關(guān)鍵。首先對(duì)采集到的視頻圖像進(jìn)展大*圍相關(guān)搜索，找到符合汽車牌照特征的假設(shè)干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最正確的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來(lái)。車牌定位 對(duì)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

4、計(jì)算水平投影進(jìn)展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)展識(shí)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(duì)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(shí)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*與數(shù)據(jù)庫(kù)的圖片相減切割出的字符送入庫(kù)中字符識(shí)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(kù)中模板的大小，然后與所有的模

5、板進(jìn)展匹配，最后選最正確匹配作為結(jié)果?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種：一種是先對(duì)待識(shí)別字符進(jìn)展特征提取，然后用所獲得特征來(lái)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)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。實(shí)際應(yīng)用中，牌照識(shí)別系統(tǒng)的識(shí)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(huì)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(guò)程也會(huì)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(shí)別的識(shí)別率，也正是牌照識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷的完善識(shí)別算法，還應(yīng)該想方法克制各

6、種光照條件，使采集到的圖像最利于識(shí)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Scolor = 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(chǔ)上開銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)展識(shí)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(guò)程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后，像素的動(dòng)態(tài)*圍增加，圖像的比照度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。%將彩色圖

7、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(原始黑白圖像);圖2.2原始黑白圖像2.3對(duì)原始圖像進(jìn)展開操作得到圖像背景圖像:s=strel(disk,13);%strei函數(shù)Bgray=imopen(Sgray,s);%翻開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灰度圖像與背景圖像作減法，對(duì)圖像進(jìn)展增強(qiáng)處理:Egray=imsubtract(Sgray,Bgray);%兩幅圖相減figure,imshow(E

8、gray);title(增強(qiáng)黑白圖像);%輸出黑白圖像圖2.4黑白圖像2.5取得最正確閾值，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)展圖像二值變換的關(guān)鍵是要確定適宜的閥值，使得字符與背景能夠分割開來(lái)，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(huì)產(chǎn)生額外的空缺等等。車牌識(shí)別系統(tǒng)要求處理的速度高、本錢低、信息量大，采用二值圖像進(jìn)展處理，能大大地提高處理效率。閾值處理的操作過(guò)程是先由用戶指定或通過(guò)算法生成一個(gè)閾值，如果圖像中*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。fma*1=do

9、uble(ma*(ma*(Egray);%egray的最大值并輸出雙精度型fmin1=double(min(min(Egray);%egray的最小值并輸出雙精度型level=(fma*1-(fma*1-fmin1)/3)/255;%獲得最正確閾值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(cè):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根底。為了對(duì)有意

10、義的邊緣點(diǎn)進(jìn)展分類，與這個(gè)點(diǎn)相聯(lián)系的灰度級(jí)必須比在這一點(diǎn)的背景上變換更有效，我們通過(guò)門限方法來(lái)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(guò)一階的導(dǎo)數(shù)的邊緣檢測(cè)，所求的一階導(dǎo)數(shù)高于*個(gè)閾值，則確定該點(diǎn)為邊緣點(diǎn)，這樣會(huì)導(dǎo)致檢測(cè)的邊緣點(diǎn)太多?？梢酝ㄟ^(guò)求梯度局部最大值對(duì)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(cè)出準(zhǔn)確的邊緣。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零穿插點(diǎn)，這樣通過(guò)找圖像強(qiáng)度的二階導(dǎo)數(shù)的零穿插點(diǎn)就能找到準(zhǔn)確邊緣點(diǎn)。grd=edge(bw2,canny)%用can

11、ny算子識(shí)別強(qiáng)度圖像中的邊界figure,imshow(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(duì)得到圖像作開操作進(jìn)展濾波:數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進(jìn)展特征提取、邊緣檢測(cè)、圖像分割等圖像處理問(wèn)題。腐蝕是一種消除邊界點(diǎn)的過(guò)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(guò)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(guò)程稱為開運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處別離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過(guò)程稱為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接

12、鄰近物體和平滑邊界的作用。對(duì)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(lái)消掉狹窄的連續(xù)和長(zhǎng)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=imopen(bg3,strel(rectangle,19,1);

13、%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(duì)二值圖像進(jìn)展區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)。進(jìn)展區(qū)域特征參數(shù)比擬，提取車牌區(qū)域:a.對(duì)圖像每個(gè)區(qū)域進(jìn)展標(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)制圖像中已連接的局部Feastats = imfeature(L,basic);%計(jì)算圖像區(qū)域的特征尺寸Area=Feastats.Area;%區(qū)域面積BoundingBo*=Feastats.

14、BoundingBo*;%* 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(shí)，比擬誰(shuí)的寬高比更接近實(shí)際車牌寬高比，將更接近的提取并顯示出來(lái)。計(jì)算矩形的高度框架的寬度和高度的*圍車牌的開場(chǎng)列車牌的開場(chǎng)行計(jì)算車牌長(zhǎng)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(duì)水平投影進(jìn)展峰谷分析:對(duì)水平投影進(jìn)展峰谷分析,計(jì)算出車

15、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(2,1,2),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),i

16、mshow(sbw1);title(車牌二值子圖);%輸出二值圖對(duì)水平投影進(jìn)展峰谷分析: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骞晒炔幻黠@，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*軸的夾角。求最大寬度為字符檢測(cè)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*夾角fresult = fit(*data,ydata,p

17、oly1); %poly1表示一介擬合 Y = p1*+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 = imrotate(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),im

18、show(sbw);title();%輸出車牌旋轉(zhuǎn)后的灰度圖像title(車牌旋轉(zhuǎn)角: ,num2str(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垂直投影旋轉(zhuǎn)后和水平投

19、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(guò)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。ma*hight=ma*(markrow2);findc=find(markrow2=ma*hight);rowtop=markrow(findc);rowbot=markrow(f

20、indc+1)-markrow1(findc+1);sbw2=sbw(rowtop:rowbot,:); %子圖為(rowbot-rowtop+1)行ma*hight=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subplot(2,1,2),imshow(sbw2); %輸出垂直投影圖像title(車牌字符高度： ,in

21、t2str(ma*hight),Color,r);%輸出車牌字符高度%對(duì)垂直投影進(jìn)展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ma*widthl=0;for k=1:n1 markcol3(k)=markcol(k+1)-markcol1(k+1);%字符下降點(diǎn) markcol4(k)=markcol3(k)-markcol(k); %字符寬度上升點(diǎn)至下降點(diǎn) markcol5(k)=markcol3(k)-double(uint16(mar

22、kcol4(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)ma*s=ma*(markcol6); %查找最大值，即為第二字符與第三字符中心距離findma*=find(markcol6=ma*s);markcol6(findma*)=0;ma*width=ma*(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*14列標(biāo)準(zhǔn)子圖l=1;m2,n2=size(subcol);figure;for k=findma*-1:findma*+5 cleft=markcol5(k)-ma*wi

23、dth/2; cright=markcol5(k)+ma*width/2-2; if cleftn2 cright=n2; cleft=n2-ma*width; end SegGray=sbw(rowtop:rowbot,cleft:cright); SegBw1=sbw(rowtop:rowbot,cleft:cright); SegBw2 = imresize(SegBw1,22 14); %變換為22行*14列標(biāo)準(zhǔn)子圖 subplot(2,n1,l),imshow(SegGray); if l=7 title(車牌字符寬度： ,int2str(ma*width),Color,r); en

24、d subplot(2,n1,n1+l),imshow(SegBw2); fname=strcat(F:MATLABworksamimage,int2str(k),.jpg);%保存子圖備選入樣本庫(kù),并建立樣本庫(kù) imwrite(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(kù)進(jìn)展匹配，自動(dòng)識(shí)別出字符代碼:進(jìn)展車牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)展訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車牌進(jìn)展識(shí)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(duì)四個(gè)子網(wǎng)絡(luò)進(jìn)展訓(xùn)練，得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對(duì)已經(jīng)定位好的車牌進(jìn)展圖像預(yù)處理，逐個(gè)的特征提取，然后從相應(yīng)的

25、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)展識(shí)別，輸出識(shí)別結(jié)果。樣本與數(shù)據(jù)庫(kù)中圖片相減計(jì)算誤差找到誤差最小圖片依次識(shí)別并識(shí)別建立數(shù)據(jù)庫(kù)程序流程圖 圖2.12識(shí)別的車牌四、設(shè)計(jì)結(jié)果及分析原始圖像: 預(yù)處理后：車牌定位和提?。?字符的分割和識(shí)別：可以看出對(duì)于這個(gè)車牌，可以準(zhǔn)確的識(shí)別。原始圖像: 預(yù)處理：車牌的定位和提?。?字符的分割和識(shí)別： 從上面結(jié)果可以看出，這*車牌的識(shí)別失敗了，將G誤識(shí)別為B了，K誤識(shí)為A，0識(shí)別為8，這在識(shí)別中是非常容易出錯(cuò)的地方，因此需要在其他方面做些彌補(bǔ)，最后到達(dá)識(shí)別效果。在車牌識(shí)別的過(guò)程中數(shù)字庫(kù)的建立很重要,只有數(shù)字庫(kù)的準(zhǔn)確才能保證檢測(cè)出來(lái)的數(shù)據(jù)正確

26、。切割出來(lái)的數(shù)據(jù)要與數(shù)據(jù)庫(kù)的數(shù)據(jù)作比擬，所以數(shù)據(jù)庫(kù)的數(shù)據(jù)尤為重要。五、總結(jié):實(shí)驗(yàn)對(duì)車牌識(shí)別系統(tǒng)的軟件局部進(jìn)展了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)展了系統(tǒng)的分析。整理和總結(jié)了國(guó)內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和開展方向，系統(tǒng)介紹了我國(guó)車牌的固有特征，以及車牌識(shí)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(duì)圖像進(jìn)展預(yù)處理，再進(jìn)展二值化操作的方法。實(shí)驗(yàn)說(shuō)明本方法既保存了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過(guò)程，提高了后續(xù)處理的速度?；诓噬至康亩ㄎ环椒ǎ\(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對(duì)車牌是藍(lán)色的車牌進(jìn)展定位，實(shí)驗(yàn)說(shuō)明，用

27、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(cè)、開閉運(yùn)算子5，19、車牌長(zhǎng)寬比特征識(shí)別等對(duì)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(cè)了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對(duì)多個(gè)車牌進(jìn)展實(shí)驗(yàn)，均有很高的正確率。本設(shè)計(jì)雖然只對(duì)藍(lán)底白字車牌進(jìn)展分割識(shí)別，對(duì)黑底白字車牌原則上整個(gè)算法可直接適用，對(duì)白底黑字車牌、黃底黑字車牌，需要對(duì)車牌定位算法進(jìn)展調(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。六、設(shè)計(jì)體會(huì)經(jīng)過(guò)幾周的奮戰(zhàn)我的課程設(shè)計(jì)終于完成了。課程設(shè)計(jì)不僅是對(duì)

28、前面所學(xué)知識(shí)的一種檢驗(yàn)，而且也是對(duì)自己能力的一種提高。以前老是覺(jué)得自己什么東西都不會(huì)，什么東西都不懂，而且又急于求成，結(jié)果造成什么都沒(méi)學(xué)好，還是什么都不會(huì)。通過(guò)這次課程設(shè)計(jì)，我才明白學(xué)習(xí)是一個(gè)長(zhǎng)期積累的過(guò)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(shí)和綜合素質(zhì)，特別是對(duì)于我，根底比擬差，一定不能太過(guò)于心急，要靜下心來(lái)慢慢的研究。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(duì)我們更好的理解知識(shí)，所以在這里非常感謝幫助我的同學(xué)，我也明白學(xué)習(xí)不是埋頭苦讀書，而是合理的利用資源，從同學(xué)那里，教師那里得到的有用的想法和信息，特別是網(wǎng)上有很多很好的資料，對(duì)自己的自學(xué)能力也是很好的提高。我的心得也就這么多了，總之，不管學(xué)會(huì)的還是學(xué)不會(huì)的確實(shí)覺(jué)得困難比擬多，真是萬(wàn)事開