畢業(yè)設(shè)計(jì)--基于matlab的汽車牌照識(shí)別方法研究

1、<p>　　編 號(hào)： </p><p>　　審定成績(jī)： </p><p><b>　　畢業(yè)設(shè)計(jì)（論文）</b></p><p>　　填表時(shí)間：二0一四 年 五 月</p><p>　設(shè)計(jì)（論文）題目：基于Matlab的汽車牌照識(shí)別方法研究</p>

2、<p><b>　　摘 要</b></p><p>　　近幾年，車牌識(shí)別系統(tǒng)作為智能交通的一個(gè)重要方向越來(lái)越受到重視。車牌識(shí)別系統(tǒng)可應(yīng)用于停車場(chǎng)管理系統(tǒng)、智能交通管理系統(tǒng)、小區(qū)車輛管理系統(tǒng)等各個(gè)領(lǐng)域，對(duì)交通管理及治安管理有著十分重要的作用。</p><p>　　本文針對(duì)車牌識(shí)別系統(tǒng)的現(xiàn)有技術(shù)進(jìn)行了更加深入的研究。在研究的基礎(chǔ)上開(kāi)發(fā)出一個(gè)基于MATLAB

3、的車牌號(hào)識(shí)別系統(tǒng)。該設(shè)計(jì)方案只進(jìn)行Matlab軟件的開(kāi)發(fā)，圖像采用已經(jīng)采集的車牌顯示清晰的汽車圖片，軟件包括車牌定位、車牌字符分割及車牌字符識(shí)別三個(gè)模塊。車牌定位模塊中使用了基于車牌顏色的的車牌車牌定位算法；車牌字符分割模塊中，是采用基于垂直投影法的算法將牌照區(qū)域分割為單個(gè)字符；車牌字符識(shí)別模塊中，采用的是基于模板匹配的OCR算法進(jìn)行識(shí)別，同時(shí)將字符分為三部分，第一部分為漢字部分，第二部分為車牌的第二個(gè)字母，第三部分為其余的字母與數(shù)字部

4、分，三部分單獨(dú)建模識(shí)別。根據(jù)上述算法搭建了一個(gè)測(cè)試平臺(tái)，通過(guò)測(cè)試平臺(tái)，對(duì)大量照片進(jìn)行車牌識(shí)別，測(cè)試系統(tǒng)的性能。測(cè)試結(jié)果表明，本課題設(shè)計(jì)的車牌識(shí)別系統(tǒng)可有效地實(shí)現(xiàn)車牌識(shí)別，為今后的產(chǎn)品化奠定了很好的技術(shù)基礎(chǔ)。</p><p>　　【關(guān)鍵詞】車牌識(shí)別 車牌定位 字符分割 字符識(shí)別</p><p><b>　　ABSTRACT</b></p><p

5、>　　In recent years, the license plate recognition system is an important direction of intelligent traffic more and more attention. License plate recognition system can be applied to various parking management system,

6、intelligent traffic management system, vehicle management system of community and other fields, plays an important role in traffic management and security management.</p><p>　　本文針對(duì)車牌識(shí)別系統(tǒng)的現(xiàn)有技術(shù)進(jìn)行了更加深入的研究。在研究的基

7、礎(chǔ)上開(kāi)發(fā)出一個(gè)基于MATLAB 的車牌號(hào)識(shí)別系統(tǒng)。該設(shè)計(jì)方案只進(jìn)行Matlab軟件的開(kāi)發(fā)，圖像采用已經(jīng)采集的車牌顯示清晰的汽車圖片，軟件包括車牌定位、車牌字符分割及車牌字符識(shí)別三個(gè)模塊。車牌定位模塊中使用了基于數(shù)學(xué)形態(tài)學(xué)的的車牌車牌定位算法；車牌字符分割模塊中，是采用基于采用垂直投影法將牌照區(qū)域分割為單個(gè)字符；車牌字符識(shí)別模塊中，采用的是SVM算法進(jìn)行識(shí)別，同時(shí)將模型分為三部分，第一部分為漢字部分，第二部分為車牌的第二個(gè)字母，第三部分為

8、其余的字母與數(shù)字部分，三部分單獨(dú)建模識(shí)別。根據(jù)上述算法搭建了一個(gè)測(cè)試平臺(tái)，通過(guò)測(cè)試平臺(tái)，對(duì)大量照片進(jìn)行車牌識(shí)別，測(cè)試系統(tǒng)的性能。測(cè)試結(jié)果表明，本課題設(shè)計(jì)的車牌識(shí)別系統(tǒng)可有效地實(shí)現(xiàn)車牌識(shí)別，為今后的產(chǎn)品化奠定了很好的技術(shù)基礎(chǔ)。</p><p>　　In this paper, the existing technology for license plate recognition system has been

9、studied deeply. On the basis of the research to develop a license plate recognition system based on MATLAB. The development of the design of Matlab software, the plate is already collected images show clear picture of a

10、car, the software including the license plate location, license plate character segmentation and character recognition of license plate three modules. The license plate location module used in th</p><p>　　【K

11、ey words】LPR Vehicle license plate location Character segmentation Character recognition</p><p><b>　　目 錄 </b></p><p><b>　　第一章 緒論1</b></p><p>　　第一節(jié) 本課

12、題的研究背景1</p><p>　　第二節(jié) 本課題的研究目的及意義2</p><p>　　第三節(jié) 國(guó)內(nèi)外發(fā)展?fàn)顩r2</p><p>　　第二章 圖像處理概述4</p><p>　　第一節(jié) 圖像的讀取4</p><p>　　第二節(jié) 圖像的預(yù)處理4</p><p><b&

13、gt;　　一、圖像的基礎(chǔ)4</b></p><p>　　二、數(shù)字圖像的表示4</p><p>　　三、圖像的灰度化5</p><p>　　四、圖像的二值化5</p><p>　　第三節(jié) 本章小結(jié)6</p><p>　　第三章 系統(tǒng)方案設(shè)計(jì)7</p><p>　　第一節(jié)

14、 車牌識(shí)別系統(tǒng)設(shè)計(jì)方案概述7</p><p>　　第二節(jié) 系統(tǒng)開(kāi)發(fā)環(huán)境選擇7</p><p>　　第三節(jié) 本章小結(jié)8</p><p>　　第四章 測(cè)試結(jié)果與分析9</p><p>　　第一節(jié) 車牌定位9</p><p>　　一、圖像的灰度化9</p><p><b&g

15、t;　　二、邊緣檢測(cè)11</b></p><p>　　三、灰度圖腐蝕12</p><p>　　四、圖像的平滑處理13</p><p>　　五、車牌區(qū)域定位15</p><p>　　第二節(jié) 車牌字符分割16</p><p>　　一、字符切割前彩色車牌圖像的進(jìn)一步處理16</p>

16、<p>　　二、字符分割和歸一化處理17</p><p>　　第三節(jié) 字牌字符識(shí)別19</p><p>　　第四節(jié) 實(shí)驗(yàn)結(jié)果分析21</p><p>　　第五節(jié) 本章小結(jié)22</p><p><b>　　結(jié) 論23</b></p><p><b>　　致 謝

17、24</b></p><p><b>　　參考文獻(xiàn)25</b></p><p><b>　　附 錄26</b></p><p>　　一、英文原文：26</p><p>　　二、英文翻譯：30</p><p><b>　　三、源程序33<

18、;/b></p><p><b>　　緒論</b></p><p>　　第一節(jié) 本課題的研究背景</p><p>　　隨著社會(huì)經(jīng)濟(jì)的發(fā)展，汽車成為人們出行的重要工具之一，因此汽車的數(shù)量正在迅速增長(zhǎng)，然而在給出行提供便利的同時(shí)，車輛管理上存在的問(wèn)題日益突出，人工管理的方式已經(jīng)不能滿足實(shí)際的需要。而微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極

19、大地提高了交通管理效率，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的重視。近年來(lái)計(jì)算機(jī)的飛速發(fā)展和數(shù)字圖像處理技術(shù)的日趨成熟，為傳統(tǒng)的交通管理帶來(lái)了巨大轉(zhuǎn)變，先進(jìn)的計(jì)算機(jī)處理技術(shù)，不僅可以將人力從繁瑣的人工觀察，監(jiān)測(cè)中解放出來(lái)，而且能夠大大提高其精確度，智能交通系統(tǒng)就是在這樣的背景與目的下進(jìn)行開(kāi)發(fā)的。</p><p>　　在智能交通系統(tǒng)中，車牌自動(dòng)識(shí)別系統(tǒng)是一個(gè)非常重要的發(fā)展方向。汽車牌照等相關(guān)信息的自動(dòng)

20、采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題[1]。</p><p>　　關(guān)于車牌識(shí)別系統(tǒng)研究，在我國(guó)已經(jīng)有了十幾年的發(fā)展歷程，目前系統(tǒng)的應(yīng)用還處于起步階段，大規(guī)模投入使用的成熟系統(tǒng)還沒(méi)有出現(xiàn)，汽車牌照識(shí)別系統(tǒng)作為改進(jìn)交通管理的有效工具，技術(shù)水平仍需完善。現(xiàn)目前國(guó)內(nèi)車牌識(shí)別的難點(diǎn)有：</p><p>　　1）由于

21、車牌圖像采集，會(huì)受到光照條件、天氣條件的影響，會(huì)出現(xiàn)圖像模糊，對(duì)比度低，目標(biāo)區(qū)域過(guò)小，色彩失真等影響，并且會(huì)伴隨復(fù)雜的背景圖像，這些都會(huì)影響車牌定位及識(shí)別。</p><p>　　2）每次采集時(shí)目標(biāo)所處位置不會(huì)一樣，采集視角會(huì)有很大變化，且由于車牌歪斜，將導(dǎo)致圖像出現(xiàn)扭曲，</p><p>　　3）牌照的多樣性。其他國(guó)家的汽車牌照格式，通常只有一種。而我國(guó)則根據(jù)不同車型、用途，規(guī)定了多種牌照

22、格式，例如分為軍車、警車、普通車等。我國(guó)標(biāo)準(zhǔn)車牌照是由漢字、英文字母和阿拉伯?dāng)?shù)字組成的，而漢字的識(shí)別與字母和數(shù)字的識(shí)別有很大的不同，增加了識(shí)別的難度。</p><p>　　4）我國(guó)汽車牌照的底色和字符顏色多樣，藍(lán)底白字、黃底黑字、黑底白字、紅底黑字、綠底白字、黃底黑字多種， </p><p>　　5）由于環(huán)境、道路或人為因素造成汽車牌照污染嚴(yán)重，使得車牌的對(duì)比度降低，特征不是很明

23、顯，即使在定位準(zhǔn)確的情況下，字符的識(shí)別也會(huì)受到很大影響。</p><p>　　因此現(xiàn)有的識(shí)別方法也不能很好的適應(yīng)多變的環(huán)境，所以對(duì)車牌識(shí)別技術(shù)的研究依然是目前高科技領(lǐng)域的熱門(mén)課題之一。</p><p>　　第二節(jié) 本課題的研究目的及意義</p><p>　　車牌識(shí)別系統(tǒng)的主要任務(wù)是分析和處理采集到的復(fù)雜背景下的車輛圖像，定位分割牌照，最后自動(dòng)識(shí)別汽車牌照上的字符。

24、車牌識(shí)別是利用車輛牌照的唯一性來(lái)識(shí)別車輛，它是以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)為基礎(chǔ)的智能識(shí)別系統(tǒng)。在現(xiàn)代化交通發(fā)展中車牌識(shí)別系統(tǒng)是提升交通系統(tǒng)智能化、現(xiàn)代化的重要因素，車牌識(shí)別系統(tǒng)能夠從一幅圖像中自動(dòng)提取車輛圖像，自動(dòng)分割牌照?qǐng)D像，對(duì)字符進(jìn)行正確識(shí)別，從而降低交通管理工作的復(fù)雜度。車牌識(shí)別系統(tǒng)將獲取的車輛圖像進(jìn)行一系列的處理后，以字符串的形式輸出結(jié)果[2]，因此車牌識(shí)別系統(tǒng)的便捷性是人工車牌識(shí)別所不能比擬的，它擁有著很大的經(jīng)

25、濟(jì)價(jià)值和發(fā)展空間，對(duì)車牌識(shí)別技術(shù)的研究是非常有意義的。在車牌識(shí)別系統(tǒng)中最重要的兩個(gè)技術(shù)是車牌定位和車牌字符識(shí)別，這兩個(gè)技術(shù)的好壞將直接影響到整個(gè)車牌識(shí)別系統(tǒng)的實(shí)時(shí)性和準(zhǔn)確性。國(guó)內(nèi)外己有不少學(xué)者對(duì)車牌定位技術(shù)做了大量的研究，但在實(shí)際的應(yīng)用中還沒(méi)有一個(gè)有效可行的方法，如由于車輛抖動(dòng)造成車牌圖像的歪斜、由于污跡和磨損造成車牌字符的模糊、由于光照不均造成車牌圖像的模糊等都會(huì)或多或少影響到車牌定位的準(zhǔn)確度。針對(duì)以上實(shí)際情況，很多學(xué)者開(kāi)始在鑒于車牌

26、圖像本身特征</p><p>　　車牌字符識(shí)別的實(shí)質(zhì)是對(duì)車牌上的漢字、字母和數(shù)字進(jìn)行快速準(zhǔn)確的識(shí)別并以字符串的形式輸出結(jié)果，字符識(shí)別技術(shù)是整個(gè)車牌識(shí)別系統(tǒng)的關(guān)鍵。車牌識(shí)別系統(tǒng)與其它圖像識(shí)別系統(tǒng)相比較而言要復(fù)雜很多，在字符識(shí)別中，漢字識(shí)別是最難的部分，很多國(guó)外較為成熟的車牌識(shí)別系統(tǒng)無(wú)法進(jìn)入中國(guó)市場(chǎng)的原因就在于無(wú)法有效的識(shí)別漢字。此外，由于外界環(huán)境的影響，系統(tǒng)必須保證能夠在任何天氣情況下全天不間斷的正常工作。到目前為

27、止，在眾多的車牌自動(dòng)識(shí)別方法中還沒(méi)有一個(gè)可以達(dá)到理想的效果，因此對(duì)車牌識(shí)別技術(shù)的研究意義重大。</p><p>　　第三節(jié) 國(guó)內(nèi)外發(fā)展?fàn)顩r</p><p>　　車牌自動(dòng)識(shí)別技術(shù)的研究國(guó)外起步較早。早在20世紀(jì)80年代，便有一些零零散散的圖像處理方法用于車牌自動(dòng)識(shí)別技術(shù)的某些具體應(yīng)用。在這個(gè)階段，車牌自動(dòng)識(shí)別技術(shù)的研究還沒(méi)有形成完整的體系，一般采用簡(jiǎn)單的圖像處理方法來(lái)處理一些問(wèn)題，且最終結(jié)

28、果需要人工干預(yù)。</p><p>　　進(jìn)入20世紀(jì)90年代后，國(guó)外汽車牌照識(shí)別系統(tǒng)的研究開(kāi)始正式起步，典型的如A.S.Johoson等提出的汽車牌照自動(dòng)識(shí)別系統(tǒng)的圖像分割（Image Segment)、特征提?。‵eature Extraction)、模板構(gòu)造（Template Formation)和字符識(shí)別（Character Recognition)等四個(gè)部分，完成車牌的自動(dòng)識(shí)別。由于我國(guó)的車牌格式和外國(guó)的有

29、較大差異，所以對(duì)于國(guó)外的車牌識(shí)別系統(tǒng)的技術(shù)研究，我們只能作為參考，而不能直接應(yīng)用。雖然我國(guó)的車牌識(shí)別需要識(shí)別漢字，但是對(duì)于英文字母和數(shù)字的識(shí)別，我們可以借鑒國(guó)外的研究技術(shù)。</p><p>　　國(guó)內(nèi)在90年代也開(kāi)始了自己的車牌識(shí)別系統(tǒng)的研究。目前較成熟的產(chǎn)品有中科院自動(dòng)化研究所漢王公司的“漢王眼”，香港亞洲視覺(jué)科技有限公司的慧光車牌識(shí)別系統(tǒng)等等。另外清華大學(xué)人工智能國(guó)家重點(diǎn)實(shí)驗(yàn)室、上海交通大學(xué)的計(jì)算機(jī)科學(xué)和工程系

30、、浙江大學(xué)自動(dòng)化系、西安交通大學(xué)的圖像處理和識(shí)別實(shí)驗(yàn)室等都做過(guò)類似的研究。雖然這些車牌識(shí)別系統(tǒng)的識(shí)別率大多都較高，能達(dá)到95%甚至97%、98%，但是這些車牌識(shí)別系統(tǒng)的識(shí)別檢測(cè)結(jié)果大多都是在簡(jiǎn)單受限制的場(chǎng)景下取得的，在實(shí)際的交通場(chǎng)合和更加復(fù)雜的背景環(huán)境的情況下，這些車牌識(shí)別系統(tǒng)的識(shí)別率一般都較低，在90%左右，甚至更低。</p><p>　　從目前一些產(chǎn)品的性能指標(biāo)看得出，車牌識(shí)別系統(tǒng)的識(shí)別率和識(shí)別速度還有待提高

31、。現(xiàn)代交通的高速發(fā)展以及車牌識(shí)別系統(tǒng)應(yīng)用范圍的日益拓寬給車牌識(shí)別系統(tǒng)提出來(lái)更高的要求。因此，研究高速、準(zhǔn)確的定位與識(shí)別算法是目前的主要任務(wù)，而圖像處理技術(shù)的發(fā)展和攝像設(shè)備、計(jì)算機(jī)性能的提高都會(huì)促進(jìn)車牌識(shí)別技術(shù)的發(fā)展，提高車牌識(shí)別系統(tǒng)的性能。</p><p>　　第二章 圖像處理概述</p><p>　　第一節(jié) 圖像的讀取</p><p>　　圖像是由一系列排列有

32、序的像素組成的。在計(jì)算機(jī)中常用的存儲(chǔ)格式有：BMP、TIFF、EPS、JPEG、GIF、PSD、PDF等格式。本課題采集到的圖片是*.JPG的格式，因?yàn)?.JPG格式可利用可變的壓縮比來(lái)控制文件的大小，有損壓縮格式，且廣泛支持 Internet 標(biāo)準(zhǔn)，是目前廣泛使用的圖片保存和傳輸格式，大多數(shù)攝像設(shè)備都是以*.JPG格式保存圖像。在Matlab中，利用圖像工具箱的imread函數(shù)即：</p><p>　　Car_

33、Image_RGB=imread(‘Image_Name’）;</p><p>　　就可將圖像讀取出來(lái)，而這樣讀取到的圖像是RGB圖像，RGB圖像分別用紅、藍(lán)、綠三個(gè)色度值為一組代表每個(gè)像素的顏色，因此Car_Image_RGB是一個(gè)的數(shù)組，m、n表示圖像像素的行、列數(shù)。</p><p>　　第二節(jié) 圖像的預(yù)處理</p><p><b>　　一、圖像的基

34、礎(chǔ)</b></p><p>　　圖像就是所有具有視覺(jué)效果的畫(huà)面，它包括：紙介質(zhì)上的、底片或照片上的、電視、投影儀或計(jì)算機(jī)屏幕上的。圖像根據(jù)圖像記錄方式的不同可分為兩大類：模擬圖像和數(shù)字圖像。模擬圖像可以通過(guò)某種物理量（如光、電等）的強(qiáng)弱變化來(lái)記錄圖像亮度信息，例如模擬電視圖像；而數(shù)字圖像則是用計(jì)算機(jī)存儲(chǔ)的數(shù)據(jù)來(lái)記錄圖像上各點(diǎn)的亮度信息。</p><p><b>　　二

35、、數(shù)字圖像的表示</b></p><p>　　數(shù)字圖像，又稱數(shù)碼圖像或數(shù)位圖像，是二維圖像用有限數(shù)字?jǐn)?shù)值像素的表示[3]。由數(shù)組或矩陣表示，其光照位置和強(qiáng)度都是離散的。數(shù)字圖像是由模擬圖像數(shù)字化得到的、以像素為基本元素的、可以用數(shù)字計(jì)算機(jī)或數(shù)字電路存儲(chǔ)和處理的圖像。我們一般將其分為兩類，分別為灰度圖像與彩色圖像。</p><p>　　灰度圖像 (Gray Scale Image

36、)，也稱為灰階圖像: 灰度是黑白之間的差距分級(jí)量化，圖像中每個(gè)像素可以由0(黑)到255(白)的亮度值表示，0-255之間表示不同的灰度級(jí)。其級(jí)數(shù)的大小代表了圖像中像素的亮度。</p><p>　　彩色圖像 (Color Image)：每幅彩色圖像是由三幅不同顏色的灰度圖像組合而成，對(duì)應(yīng)于人類視覺(jué)的三基色，即一個(gè)為紅色，一個(gè)為綠色，另一個(gè)為藍(lán)色。</p><p><b>　　三、

37、圖像的灰度化</b></p><p>　　在運(yùn)算中由三種顏色所組成的彩色圖像使得某些圖像處理算法無(wú)法展開(kāi)，因此必須對(duì)其進(jìn)行灰度處理?；叶然褪鞘共噬腞、G、B分量值相等的過(guò)程，由于R、G、B的取值范圍是0~255，所以灰度的級(jí)別只有256級(jí)，即灰度圖像只能表現(xiàn)256種顏色（灰度）。圖像灰度化的處理方法主要有以下三種：</p><p>　　最大值法：使R、G、B的值等于三個(gè)值中

38、最大的一個(gè)，即</p><p>　　(2-1) </p><p>　　最大值法會(huì)形成亮度很高的灰度圖像。</p><p>　　2、平均值法：使 R、G、B的值求出平均值，即 </p><p><b>　　(2-2)</b></p><p>　　平均值法會(huì)形成比較柔和的灰度圖像。</p

39、><p>　　3、加權(quán)平均值法：根據(jù)重要性或其他指標(biāo)給R、G、B賦予不同的權(quán)值，并使R、G、B的值加權(quán)平均，即</p><p><b>　　(2-3)</b></p><p>　　其中，，，分別為R、G、B的權(quán)值。，，取不同的值，加權(quán)平均值法就形成不同的灰度圖像。由于人眼對(duì)綠色敏感度最高，紅色次之，對(duì)藍(lán)色最低，因此使將得到比較合理化的圖像。實(shí)驗(yàn)和理

40、論推導(dǎo)證明，當(dāng)，，時(shí)，即當(dāng)</p><p><b>　　（2-4）</b></p><p>　　時(shí)，能得到最合理的灰度圖像。本設(shè)計(jì)采用的是加權(quán)平均值法來(lái)得到灰度圖像。</p><p><b>　　四、圖像的二值化</b></p><p>　　圖像二值化是指用灰度變換來(lái)研究灰度圖像的一種常用方法，即設(shè)

41、定某一閾值將灰度圖像的像素分成大于閾值的像素群和小于閾值的像素群[4]。其圖像二值化的表達(dá)式如下：</p><p><b>　　（2-5）</b></p><p>　　其中為二值圖像輸出函數(shù)，為灰度圖像輸入函數(shù)，T為指定的閾值。</p><p>　　圖像的二值化處理就是將圖像上的點(diǎn)的灰度置為0或255，也就是使整個(gè)圖像呈現(xiàn)出明顯的黑白效果。即將

42、256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈撝颠x取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。</p><p><b>　　第三節(jié) 本章小結(jié)</b></p><p>　　本章主要介紹了本次設(shè)計(jì)當(dāng)中所需要用到的一些圖像處理的基本知識(shí)，對(duì)于本次設(shè)計(jì)而言，彩色圖像對(duì)于整個(gè)系統(tǒng)而言的用處并不大，因此將圖像轉(zhuǎn)化成為了灰度圖像。在某些時(shí)候，灰度信息對(duì)于處理的作用并不大，所以在下

43、面的一些步驟時(shí)會(huì)進(jìn)行一次二值化。</p><p>　　對(duì)于灰度圖與二值圖的處理時(shí)本次設(shè)計(jì)的重要內(nèi)容。對(duì)于灰度圖而言，可進(jìn)行一些灰度增強(qiáng)。同時(shí)本章中提到的二值圖像中的閾值選取也有很多不同的選取算法，而不同的閾值對(duì)于圖像的處理至關(guān)重要。</p><p>　　本章所提的知識(shí)為后面章節(jié)的內(nèi)容做了鋪墊，由于圖像的預(yù)處理對(duì)于整個(gè)設(shè)計(jì)而言至關(guān)重要，在預(yù)處理時(shí)必須要根據(jù)不同類型的圖像選取正確的算法。<

44、;/p><p>　　第三章 系統(tǒng)方案設(shè)計(jì)</p><p>　　第一節(jié) 車牌識(shí)別系統(tǒng)設(shè)計(jì)方案概述</p><p>　　一個(gè)完整的車牌號(hào)識(shí)別系統(tǒng)要完成從圖像采集到字符識(shí)別輸出，過(guò)程相當(dāng)復(fù)雜，基本可以分成硬件部分跟軟件部分，硬件部分包括系統(tǒng)觸發(fā)、圖像采集，軟件部分包括圖像預(yù)處理、車牌位置提取、字符分割、字符識(shí)別四大部分，由于本課題只研究的是軟件部分，因此一個(gè)車牌識(shí)別系統(tǒng)的

45、基本結(jié)構(gòu)如圖3.1所示：</p><p>　　→ → →</p><p><b>　　↓</b></p><p>　　← </p><p>　　圖3.1 車牌識(shí)別系統(tǒng)基本結(jié)構(gòu)圖</p><p>　　整體設(shè)計(jì)思路： 該系統(tǒng) 擬采用的圖像預(yù)處理

46、方法：……..該方法的優(yōu)點(diǎn)：……. 比其他方法好的地方。。圖像分割…. 識(shí)別方法（模板匹配）。。</p><p>　　第二節(jié) 系統(tǒng)開(kāi)發(fā)環(huán)境選擇</p><p>　　車牌號(hào)識(shí)別系統(tǒng)的軟件部分大都采用VC++,VB或者M(jìn)atlab。</p><p>　?。∣penCV庫(kù)…）</p><p>　　本課題選用Matlab，主要是因?yàn)镸atlab具

47、有以下優(yōu)點(diǎn)[5]：</p><p>　?。?）語(yǔ)言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)極其豐富。Matlab程序書(shū)寫(xiě)形式自由，利用其豐富的庫(kù)函數(shù)避開(kāi)繁雜的子程序編程任務(wù)，壓縮了一切不必要的編程工作。</p><p>　?。?) Matlab繪圖功能很強(qiáng)大，但在VC++，VB語(yǔ)言里繪圖都很不容易，但Matlab里數(shù)據(jù)的可視化程度非常高，并且具有較強(qiáng)的編輯圖形界面的能力。</p>&l

48、t;p>　　（3）運(yùn)算符豐富。由于Matlab是用C語(yǔ)言編寫(xiě)的，Matlab提供了和C語(yǔ)言幾乎一樣多的運(yùn)算符，靈活使用Matlab的運(yùn)算符將使程序變得極為簡(jiǎn)短。</p><p>　?。?）Matlab既具有結(jié)構(gòu)化的控制語(yǔ)句（如for循環(huán)、while循環(huán)、break語(yǔ)句和if語(yǔ)句），又有面向?qū)ο缶幊痰奶匦浴?lt;/p><p>　?。?) Matlab語(yǔ)言簡(jiǎn)單，入門(mén)容易，程序設(shè)計(jì)不嚴(yán)格，自

49、由度大，例如用戶無(wú)需對(duì)矩陣預(yù)定義即可使用</p><p>　?。?)Matlab語(yǔ)言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)豐富，并且內(nèi)部集成了很多工具箱，為程序開(kāi)發(fā)提供現(xiàn)成模塊。</p><p><b>　　第三節(jié) 本章小結(jié)</b></p><p>　　本章主要講解了車牌識(shí)別系統(tǒng)的基本組成結(jié)構(gòu)，共包括四個(gè)部分：圖像的預(yù)處理、車牌定位、車牌字符分割和車

50、牌字符識(shí)別。另外還介紹了本次設(shè)計(jì)采用的研究平臺(tái)Matlab的一些相比其他軟件的優(yōu)勢(shì)。這為下面的研究打好了基礎(chǔ)。</p><p>　　第四章 測(cè)試結(jié)果與分析</p><p><b>　　第一節(jié) 車牌定位</b></p><p>　　車牌圖像的采集與預(yù)處理</p><p><b>　　一、圖像的采集</b

51、></p><p>　　通過(guò)道路監(jiān)控系統(tǒng)中的攝像頭對(duì)汽車牌照信息進(jìn)行采集和定位</p><p><b>　　一、圖像的灰度化</b></p><p>　　汽車圖像樣本目前大都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的，因而預(yù)處理前的圖像都是彩色圖像。（轉(zhuǎn)換成灰度圖像的原因）在本設(shè)計(jì)中，對(duì)于將彩色圖像轉(zhuǎn)換成灰色圖像是（圖像灰度化的方法有……），

52、本文采用的是采用的是加權(quán)平均值法。（加權(quán)平均值的有點(diǎn)。。一句話）其公式為：</p><p><b>　　（4-1）</b></p><p>　　其中，表示灰度圖的亮度值，R代表彩色圖像紅色分量值，G代表彩色圖像綠色分量值，B代表彩色圖像藍(lán)色分量值。</p><p>　　在Matlab中，我們通過(guò)調(diào)用rgb2gray函數(shù)來(lái)實(shí)現(xiàn)彩色車牌圖像的灰度化

53、。而它的原理是以R、G、B為軸建立空間直角坐標(biāo)系，則RGB圖像的每個(gè)像素的顏色可以用該三維空間的一個(gè)點(diǎn)來(lái)表示，而Gray圖的每個(gè)像素的顏色可以用直線R=G=B上的一個(gè)點(diǎn)來(lái)表示。于是rgb轉(zhuǎn)gray圖的本質(zhì)就是尋找一個(gè)三維空間到一維空間的映射，最容易想到的就是映射，即過(guò)rgb空間的一個(gè)點(diǎn)向直線R=G=B做垂線。其調(diào)用格式為：I1=rgb2gray(I)；將真彩色圖像轉(zhuǎn)換為灰度圖像（RGB并不發(fā)生變化）。其中，I1表示轉(zhuǎn)換后灰度圖像，I表示

54、RGB圖像。其原圖和其灰度圖見(jiàn)圖4.1和圖4.2所示。</p><p><b>　　圖4.1 原圖</b></p><p><b>　　圖4.2 灰度圖</b></p><p><b>　　二、邊緣檢測(cè)</b></p><p>　　在數(shù)字圖像中，邊緣是指圖像局部變化最顯著的

55、部分，邊緣主要是存在于目標(biāo)與目標(biāo)，目標(biāo)與背景之間，是圖像局部的不連續(xù)性，如灰度的突變、紋理結(jié)構(gòu)的突變、顏色的突變等[6]。</p><p>　　由于用攝像機(jī)采集到的機(jī)動(dòng)車圖像會(huì)受到噪聲干擾以及車輛本身的影響，獲得的圖像質(zhì)量并不理想。因此，在對(duì)汽車牌照進(jìn)行定位及字符分割識(shí)別之前需要先對(duì)車輛圖像進(jìn)行邊緣檢測(cè)處理，以提高圖像的質(zhì)量，使其易于后面的分割和識(shí)別。通過(guò)良好的邊緣檢測(cè)可以大幅度的降低噪聲、分離出復(fù)雜環(huán)境中的車輛

56、圖像、保留完好的車牌字符信息，方便后面的車牌精確定位與字符識(shí)別。</p><p>　　本MATLAB中，利用edge函數(shù)來(lái)實(shí)現(xiàn)邊緣檢測(cè)，即：</p><p>　　Car_Image_Bin=edge(Car_Image_Gray,'robert',0.15,'both');</p><p>　　在edge函數(shù)中，有sobel算子，pr

57、ewitt算子，roberts算子，Laplacian of Gaussian算子，zero-cross算子及canny算子。幾種算法相比較之下，roberts算法算法簡(jiǎn)單，計(jì)量最小。因此，在本設(shè)計(jì)中，采用的是roberts算子來(lái)進(jìn)行邊緣檢測(cè)。</p><p>　　Roberts算子是一種利用局部差分來(lái)尋找邊緣的算子。Roberts梯度算子所采用的是對(duì)角方向相鄰兩像素值之差，算子形式如下：</p>

58、<p><b>　?。?-2）</b></p><p><b>　　（4-3）</b></p><p><b>　?。?-4）</b></p><p>　　Roberts梯度算子對(duì)應(yīng)的卷積模板為：</p><p><b>　　（4-5）</b>&

59、lt;/p><p>　　用以上兩個(gè)卷積算子與圖像運(yùn)算后，可求出圖像的梯度幅值，然后選擇適當(dāng)?shù)拈撝?若 ，則 為邊緣點(diǎn)，否則，判斷 為非邊緣點(diǎn)。由此得到一個(gè)二值圖像 ，即邊緣圖像。Roberts算子采用的是用對(duì)角線方向上相鄰兩像素的差近似梯度幅值來(lái)檢測(cè)邊緣，它的定位精度高，對(duì)于水平和垂直方向的邊緣，檢測(cè)效果較好，而對(duì)于有一定傾角的斜邊緣，檢測(cè)效果則不理想，存在著許多的漏檢。另外，在含噪聲的情況下，Roberts 算子不

60、能有效的抑制噪聲，容易產(chǎn)生一些偽邊緣。因此，該算子適合于對(duì)低噪聲且具有陡峭邊緣的圖像提取邊緣。</p><p>　　在matlab中，邊緣檢測(cè)的效果圖如圖4.3所示：</p><p>　　圖4.3 roberts算子邊緣檢測(cè)圖</p><p><b>　　三、灰度圖腐蝕</b></p><p>　　腐蝕是一種消除邊界

61、點(diǎn)，使邊界向內(nèi)部收縮的過(guò)程?？梢杂脕?lái)消除小且無(wú)意義的目標(biāo)物，如果兩目標(biāo)物間有細(xì)小的連通，可以選取足夠大的結(jié)構(gòu)元素，將細(xì)小連通腐蝕掉[7]。結(jié)構(gòu)元素又是指具有某種確定形狀的基本結(jié)構(gòu)元素，例如一定大小的矩形，圓形或者菱形等。</p><p>　　設(shè)二值圖像為F，其連通域設(shè)為X，結(jié)構(gòu)元素為S，當(dāng)一個(gè)結(jié)構(gòu)S的原點(diǎn)移到(x,y)處時(shí)，我們將其記作元素。此時(shí)圖像X被結(jié)構(gòu)元素S腐蝕的運(yùn)算可表示如下：</p>&l

62、t;p>　　⊙ （4-6）</p><p>　　其含義是,當(dāng)結(jié)構(gòu)元素S原點(diǎn)移動(dòng)到點(diǎn)（x,y）位置，如果S完全含在X中,則在腐蝕后的圖像上該點(diǎn)為1,否則為0。腐蝕的運(yùn)算規(guī)則為輸出圖像的像素值是輸入圖像領(lǐng)域中的最小值，在一個(gè)二值圖像中，只要一個(gè)像素值為0，則相應(yīng)的輸出像素值為0。</p><p>　　在matlab中，通過(guò)調(diào)用strel函數(shù)來(lái)創(chuàng)建結(jié)構(gòu)元素

63、se，即:</p><p>　　se=strel('rectangle',[25,25]); %構(gòu)造結(jié)構(gòu)元素，以長(zhǎng)方形構(gòu)造一個(gè)se</p><p>　　在本設(shè)計(jì)中，通過(guò)imerode函數(shù)來(lái)實(shí)現(xiàn)圖像的腐蝕，imerode函數(shù)需要兩個(gè)基本輸入?yún)?shù)：待處理的輸入圖像以及結(jié)構(gòu)元素對(duì)象。即：</p><p>　　I3=imerode(I2,se); %圖像

64、的腐蝕</p><p>　　其中，I2是待處理的圖像，se是結(jié)構(gòu)元素。而結(jié)構(gòu)元素的選擇對(duì)圖像處理結(jié)果有很大的影響，結(jié)構(gòu)元素太大，會(huì)造成腐蝕過(guò)度，造成信息丟失，太小起不了預(yù)期的效果，這里使用矩陣的線性結(jié)構(gòu)元素，即se=[1;1;1];腐蝕后的效果圖如圖4.4所示。</p><p>　　圖4.4 腐蝕效果圖</p><p><b>　　四、圖像的平滑處理&l

65、t;/b></p><p>　　在得到車牌圖像的輪廓后，圖像的數(shù)字化誤差和噪聲會(huì)直接影響腳點(diǎn)的提取，因此為了抑制噪聲改善圖像質(zhì)量進(jìn)行的處理稱為圖像平滑或去噪[8]。常用的平滑處理操作有均值濾波、中值濾波和高斯濾波。在matlab中，通過(guò)調(diào)用imclose函數(shù)對(duì)圖像執(zhí)行形態(tài)學(xué)閉運(yùn)算，即使用同樣的結(jié)構(gòu)元素先對(duì)圖像進(jìn)行腐蝕操作后進(jìn)行膨脹操作。閉運(yùn)算也能平滑圖像的輪廓，但與開(kāi)運(yùn)算相反，它一般融合窄的缺口和細(xì)長(zhǎng)的彎口

66、，去掉小洞，填補(bǔ)輪廓上的縫隙。閉運(yùn)算的定義為：</p><p>　　? （4-7）</p><p>　　這個(gè)公示表明，使用結(jié)構(gòu)元素B對(duì)集合A的閉運(yùn)算就是用B對(duì)A進(jìn)行膨脹，然后用B對(duì)結(jié)果進(jìn)行腐蝕。其在matlab中的調(diào)用格式為：</p><p>　　I4=imclose(I3,se);</p><p>　

67、　結(jié)構(gòu)元素se的生成方式為：se=strel('rectangle',[25,25])，由于車牌是一個(gè)矩形，所以se是一個(gè)25×25的矩形。這樣提取到的圖像最接近預(yù)期效果，平滑處理后的效果圖如圖4.5所示。</p><p>　　圖4.5 平滑圖像效果圖</p><p>　　在經(jīng)過(guò)圖像平滑處理之后，可能會(huì)有多個(gè)閉合區(qū)域，而對(duì)于不是車牌區(qū)域的部分必須予以刪除。在m

68、atlab中，可以通過(guò)調(diào)用bwareaopen函數(shù)來(lái)從二進(jìn)制圖像中移除所有少于p像素的連接的組件（對(duì)象），產(chǎn)生另一個(gè)二進(jìn)制圖像。其在matlab中的調(diào)用格式為：</p><p>　　I5=bwareaopen(I4,2000);</p><p>　　這樣，I4中像素小于2000的部分都被刪除了。移除小對(duì)象之后的效果圖如圖4.6所示。</p><p>　　圖4.6

69、 移除小對(duì)象后效果圖</p><p><b>　　五、車牌區(qū)域定位</b></p><p>　　我國(guó)的車牌按照字符顏色和底色的搭配不同，可以分為以下4類：藍(lán)底白字、黃底黑字、黑底白字和白底黑字。其中，底色占車牌區(qū)域70%左右，故車牌區(qū)域顏色特征以底色為主。在本設(shè)計(jì)中，車牌區(qū)域的定位采用的就是基于車牌顏色的彩色定位法[9]。由于在本設(shè)計(jì)中，采用的車牌圖片是藍(lán)底白字，所以

70、就用藍(lán)色為例來(lái)分析一下此方法。統(tǒng)計(jì)行方向在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，即該行對(duì)藍(lán)色的投影值，把此區(qū)域的所有像素行的投影值都統(tǒng)計(jì)出來(lái)，得到此區(qū)域?qū)λ{(lán)色的水平投影。水平投影操作是把二維圖像的像素分布特征簡(jiǎn)化為X軸和Y軸的兩個(gè)一維函數(shù)。車牌邊緣為白色或者被邊框包圍，在圖像對(duì)藍(lán)色的水平投影上表現(xiàn)為波谷。而要設(shè)定合理的閾值，也就是取兩個(gè)波谷的區(qū)域?yàn)檫吔?，確定車牌在行方向的區(qū)域。在分割出的行區(qū)域內(nèi)，用相同的方法統(tǒng)計(jì)列方向的底色像素點(diǎn)數(shù)量，取圖像對(duì)藍(lán)色

71、的垂直投影的兩個(gè)波谷為左右邊界，最終確定完整的車牌區(qū)域。車體和車牌顏色的明顯對(duì)比為此算法提供了基礎(chǔ)，而此算法的缺陷在于：車牌顏色必須不同于圖像整體背景色，否則無(wú)法提取出 車牌區(qū)域。車牌區(qū)域的定位圖如圖4.7所示。</p><p>　　圖4.7 車牌區(qū)域定位圖</p><p>　　第二節(jié) 車牌字符分割</p><p>　　一、字符切割前彩色車牌圖像的進(jìn)一步處理

72、</p><p>　　由于定位后的車牌圖像是彩色的，會(huì)占用較大的存儲(chǔ)空間和增加計(jì)算機(jī)的負(fù)擔(dān)，而且在定位的圖片中不可避免的會(huì)存在噪聲，因此在對(duì)車牌字符進(jìn)行分割前必須對(duì)車牌區(qū)域圖像進(jìn)行灰度化、二值化、濾波處理和膨脹或腐蝕處理。圖像的二值化就是限定一個(gè)閾值，如果大于閾值則為1，小于閾值為0，閾值采用全局閾值，全局閾值是指整幅圖像都采用相同的閾值T處理，適用于背景和前景有明顯對(duì)比的圖像。在matlab中的調(diào)用格式為：&l

73、t;/p><p>　　T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值</p><p>　　濾波則是為了消除圖像的噪聲，而本設(shè)計(jì)采用的是均值濾波。均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素（以目標(biāo)象素為中心的周圍8個(gè)像素，構(gòu)成一個(gè)濾波模板，即去掉目標(biāo)像素本身），再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值

74、[10]。其采用的主要方法為鄰域平均法，線性濾波的基本原理是用均值代替原圖像中的各個(gè)像素值，即對(duì)待處理的當(dāng)前像素點(diǎn)（x，y），選擇一個(gè)模板，該模板由其近鄰的若干像素組成，求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)（x，y），作為處理后圖像在該點(diǎn)上的灰度g（x，y），即 ，m為該模板中包含當(dāng)前像素在內(nèi)的像素總個(gè)數(shù)。</p><p>　　膨脹和腐蝕剛好相反，膨脹是將與物體接觸的所有背景點(diǎn)合并到該物體中，使邊界向

75、外部擴(kuò)張的過(guò)程[7]。可以用來(lái)填補(bǔ)物體中的空洞。其定義是：</p><p><b>　?。?-8）</b></p><p>　　其算法是用3×3的結(jié)構(gòu)元素掃描圖像的每一個(gè)元素，，用結(jié)構(gòu)元素與其覆蓋的二值圖像做“或”操作，如果都為0，結(jié)果圖像的該像素為0，否則為1。根據(jù)經(jīng)驗(yàn)值，車牌圖像中字符面積與車牌面積之比在(0.235，0.365)之間，因此計(jì)算字符面積與

76、車牌面積比值，如果大于0.365則對(duì)圖像進(jìn)行腐蝕，如果小于0.235則對(duì)圖像進(jìn)行膨脹。在matlab中，通過(guò)調(diào)用imdilate函數(shù)來(lái)實(shí)行圖像的膨脹操作。其調(diào)用格式為：</p><p>　　d=imdilate(d,se); %實(shí)現(xiàn)膨脹操作</p><p>　　其中，d為待處理的圖像，se為結(jié)構(gòu)元素，這里的結(jié)構(gòu)元素是一個(gè)自己定義的表示結(jié)構(gòu)元素鄰域的二進(jìn)制矩陣。進(jìn)一步處理后的效果圖如圖4.

77、8所示。</p><p>　　圖4.8 車牌圖像進(jìn)一步處理后的效果圖</p><p>　　二、字符分割和歸一化處理</p><p><b>　　字符分割</b></p><p>　　字符分割的任務(wù)是把多行或多字符圖像中的每個(gè)字符從整個(gè)圖像中分割出來(lái)，成為單個(gè)字符[11]。然而對(duì)于字符分割的問(wèn)題往往不被重視，但是字符分割

78、的質(zhì)量直接決定了識(shí)別正確率的高低。我國(guó)車牌的主要信息除了邊框，就剩下數(shù)字、漢子和字母共同組成的7個(gè)字符，它們的高、寬和字符間隔在一定的范圍內(nèi)，每個(gè)字符寬45mm，字符高90mm，字符間隔寬10mm。根據(jù)以上車牌的固有特征，本設(shè)計(jì)采用垂直投影法對(duì)車牌字符進(jìn)行分割。</p><p>　　垂直投影法的原理：對(duì)車牌灰度圖像進(jìn)行灰度垂直投影，可知車牌區(qū)域的垂直投影可以清晰地看出7個(gè)區(qū)域，即車牌的7個(gè)字符灰度圖像的垂直投影[

79、12]。通過(guò)垂直投影圖的特征，分割字符就轉(zhuǎn)化為只需要得到每個(gè)區(qū)域的左右邊界即可。</p><p>　　垂直投影的具體算法是在車牌字符的垂直投影圖上的橫向從左側(cè)到右側(cè)依次檢測(cè)每一個(gè)坐標(biāo)的投影數(shù)值，將檢測(cè)到的投影數(shù)值出現(xiàn)第一個(gè)不為零時(shí)，那么將這個(gè)投影數(shù)值所屬的像素點(diǎn)即看做是第一個(gè)投影區(qū)域的左邊界線。然后繼續(xù)向右檢測(cè)，將檢測(cè)到的投影數(shù)值出現(xiàn)第一個(gè)為零時(shí)，那么將這個(gè)投影數(shù)值所屬的像素點(diǎn)即看做是第一個(gè)投影區(qū)域的右邊界限。根

80、據(jù)此算法可以得到其他6個(gè)投影區(qū)域的左右界限。</p><p>　　依據(jù)算法經(jīng)過(guò)處理得到的字符投影塊數(shù)目等于7，同時(shí)每個(gè)字符投影塊都在標(biāo)準(zhǔn)字符寬度的閾值范圍內(nèi)，那么就可進(jìn)行分割車牌字符；若當(dāng)檢測(cè)到的投影塊數(shù)目小于7，可知車牌的字符有粘連，則需進(jìn)一步分割投影塊，直至投影塊數(shù)目為7，同時(shí)滿足字符寬度的閾值范圍；如果投影塊數(shù)目大于7，可知車牌字符有斷裂，則需進(jìn)一步對(duì)投影塊進(jìn)行合并處理，直至投影塊數(shù)目為7，同時(shí)滿足字符寬度

81、的閾值范圍。其算法流程圖如圖4.9所示。</p><p>　　圖4.9 垂直投影算法流程圖</p><p>　　經(jīng)過(guò)切割之后的單個(gè)字符圖如圖4.10所示。</p><p>　　圖4.10 分割之后的7個(gè)單獨(dú)字符</p><p>　　2.字符的歸一化處理</p><p>　　由于圖像采集時(shí)圖像的像素值不一樣，經(jīng)切割出

82、來(lái)的字符的大小也會(huì)不一樣，所以在進(jìn)行匹配前必須先對(duì)字符圖像進(jìn)行歸一化處理，使圖像大小跟模板圖像大小一致。而大小歸一是指在長(zhǎng)度和寬度方向上分別乘以一個(gè)比例因子，使其等于標(biāo)準(zhǔn)模塊的字符大小，本文采用的大小歸一的方法是分別從水平投影和垂直投影兩個(gè)方向上對(duì)字符象素的大小進(jìn)行歸一化處理。在matlab中，通過(guò)調(diào)用imresize函數(shù)來(lái)實(shí)現(xiàn)字符大小的歸一化。其調(diào)用格式為：</p><p>　　word1=imresize(w

83、ord1,[32 16]); %對(duì)圖像做縮放處理，高32，寬16</p><p>　　這里選用‘nearest’最近鄰插值法,這個(gè)參數(shù)也是默認(rèn)的。經(jīng)歸一化后的圖像如圖4.11所示。</p><p>　　圖4.11 歸一化處理后的字符圖</p><p>　　第三節(jié) 字牌字符識(shí)別</p><p>　　目前用于車牌字符識(shí)別中的算法主要有基于模板匹

84、配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法[13]?；谀０迤ヅ涞腛CR的基本過(guò)程是: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，最后選最佳匹配作為結(jié)果。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí)對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識(shí)別的主要方法。</p><p>　　模板匹配是圖象識(shí)別方法中最具代表

85、性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和歸一化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的

86、時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過(guò)程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來(lái)構(gòu)建模板，就可以避免上述問(wèn)題。其流程圖如圖4.12所示。</p><p>　　圖4.12 字符識(shí)別流程圖</p><p>　　此處采用相減的方法來(lái)求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個(gè)，大部分車

87、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(jiǎn)稱；緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫(xiě)英文字母26個(gè)，數(shù)字10個(gè)。所以建立字符模板庫(kù)也極為方便。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)，且考慮到字符O與0，字符I與1比較相似，所以只建立了32個(gè)漢字24個(gè)字母與10個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。</p><p>　　首

88、先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個(gè)數(shù)保存，即為識(shí)別出來(lái)的結(jié)果。其識(shí)別結(jié)果圖如圖4.13所示。</p><p>　　圖4.13 字符識(shí)別結(jié)果圖</p><p>　　第四節(jié) 實(shí)驗(yàn)結(jié)果分析</p><p>　　本文以MATLAB7.0為實(shí)驗(yàn)平臺(tái)，以攝取的彩色車牌照片為對(duì)象進(jìn)行實(shí)驗(yàn)，

89、實(shí)驗(yàn)的最終結(jié)果如圖4.13所示。在得到這個(gè)結(jié)果之前，需要對(duì)車牌圖像進(jìn)行預(yù)處理、車牌定位、車牌分割等處理。 </p><p>　　由于攝像部分多工作于開(kāi)放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時(shí)攝像機(jī)與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照?qǐng)D象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對(duì)原始圖象進(jìn)行識(shí)別前的預(yù)處理。預(yù)處理包括灰度化、車牌校正、平滑處理等。對(duì)于光照條件不理想的圖象，可先進(jìn)行

90、一次圖象增強(qiáng)處理，使得圖象灰度動(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。在本文中根據(jù)采集到的圖像本身的特點(diǎn)，對(duì)它進(jìn)行了灰度化的處理。因?yàn)椴噬珗D像包含著大量的顏色信息，不但在存儲(chǔ)上開(kāi)銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此將彩色圖像轉(zhuǎn)化為灰度圖像，以縮短處理速度。圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定

91、。正是由于牌照?qǐng)D象的這些特點(diǎn)，再經(jīng)過(guò)適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣，于是對(duì)其邊緣提取，此處邊緣的提取采用的是Roberts算子。</p><p>　　在定位方面。本文采用的是車牌顏色與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的定位方法。首先，將預(yù)處理后的圖像用數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行處理。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。本文中對(duì)圖像進(jìn)行了腐蝕、平滑處理，腐蝕和平滑都具有濾波的作

92、用，腐蝕是對(duì)圖像內(nèi)部做濾波處理，平滑是對(duì)噪聲進(jìn)行濾波。這樣可以把字符與字符之間的雜色點(diǎn)去除，只有白色的字符和黑色的背景存在，這樣有利于的字符分割進(jìn)行。最后還用了bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。再根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法，先確定行方向的車牌區(qū)域，再確定列方向的區(qū)域，得出最終的車牌區(qū)域。 </p><p>　　車牌分割即把車牌的整體區(qū)域分割成單字符區(qū)域，具有承上啟下的作用

93、。其難點(diǎn)在于噪聲合字符粘連，斷裂對(duì)字符的影響，因此必須先將定位后的車牌進(jìn)一步處理。包括灰度化、二值化、均值濾波、膨脹或腐蝕處理。分割采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值T，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。為滿足下一步字符識(shí)別的需要，將分割后的字符歸一化。 </p><p>　　最后將分割出來(lái)的字符運(yùn)用模板匹配的方法與模板字符進(jìn)行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖

94、的0值個(gè)數(shù)保存，然后找數(shù)值最大的，即為識(shí)別出來(lái)的結(jié)果。模板的制作很重要，必須要用精確的模板，否則就不能正確的識(shí)別。 </p><p>　　對(duì)于識(shí)別錯(cuò)誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二是牌照字符的分割失敗導(dǎo)致的識(shí)別錯(cuò)誤；再就是部分字符的形狀相似性，比如B 和8；A 和4 等字符識(shí)別結(jié)果可能發(fā)生混淆的情況。 </p><p>　　總之，盡管目前牌照字符的識(shí)別率

95、還不理想，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。</p><p><b>　　第五節(jié) 本章小結(jié)</b></p><p>　　在本章中，對(duì)整個(gè)系統(tǒng)都進(jìn)行了分析研究，具體到系統(tǒng)的每個(gè)部分所使用的函數(shù)及算法。在其中，講解了每個(gè)算法的定義及原理，也說(shuō)明了每個(gè)函數(shù)的作用及其調(diào)用

96、格式。在最后也對(duì)整個(gè)實(shí)驗(yàn)結(jié)果進(jìn)行了分析，指出了這個(gè)系統(tǒng)的優(yōu)勢(shì)和一些需要在以后的研究中去改進(jìn)的地方。</p><p><b>　　結(jié) 論</b></p><p>　　在本次設(shè)計(jì)中基本上實(shí)現(xiàn)了對(duì)與車牌自動(dòng)識(shí)別系統(tǒng)的Matlab仿真，并且有著不錯(cuò)的效果，但不可忽略的是在這個(gè)程序中有很多地方仍然需要改進(jìn)。首先在車牌定位方面，本文采用的是車牌顏色與數(shù)學(xué)形態(tài)學(xué)相結(jié)合的定位方法，

97、這些在數(shù)字圖像處理中屬于比較基礎(chǔ)的算法，因此局限性比較大，例如將本設(shè)計(jì)中的采集樣本的攝像機(jī)換一個(gè)高度，可能會(huì)對(duì)定位產(chǎn)生比較大的影響，因?yàn)樵诔绦蛑行螒B(tài)學(xué)算子是固定的，若高度發(fā)生變化，車牌在圖像中的比率也會(huì)發(fā)生相應(yīng)改變，因此若仍沿用舊的算子則會(huì)對(duì)定位產(chǎn)生較大的影響，因此可以看出這種算法雖然穩(wěn)定性較高，但是其適應(yīng)性卻略低。而且若是車牌顏色與背景整體顏色相近的話，很難正確定位出車牌區(qū)域。在最近的研究中比較廣泛的是根據(jù)車牌區(qū)域存在豐富的紋理，從而

98、可以利用小波分析的方法進(jìn)行定位，因此這可以作為今后的改進(jìn)方向。</p><p>　　在字符識(shí)別方面，采用的是垂直投影法。垂直投影分割法對(duì)變形不是很嚴(yán)重的車牌能很</p><p>　　好地分割，但是這種方法對(duì)鉚釘、字符粘連及車牌左右邊框等噪聲敏感，而且若漢字為左右結(jié)構(gòu)（如“滬”）或左中右結(jié)構(gòu)（如“川”），則很容易錯(cuò)分字符。因此為進(jìn)一步提高字符分割的準(zhǔn)確率，我們應(yīng)該對(duì)這種方法進(jìn)行改進(jìn)，而可以考

99、慮的是模板匹配—垂直投影結(jié)合法[14]，其能夠更好地解決車牌字符粘連、斷裂等問(wèn)題。</p><p>　　識(shí)別部分在整個(gè)設(shè)計(jì)占有重要的地位，本次設(shè)計(jì)采用的是模板匹配法。模板的制作相當(dāng)?shù)年P(guān)鍵，如若模板制作得不夠精確，那么將很難正確識(shí)別出結(jié)果。因此在以后的研究中，需要對(duì)這種算法進(jìn)行改進(jìn)。一種基于數(shù)據(jù)流修正的自適應(yīng)模板匹配法[15]，就能夠避免了設(shè)置固定模板的缺陷，使模板匹配的效率得到提高。</p><

100、;p><b>　　致 謝</b></p><p>　　隨著大學(xué)本科畢業(yè)設(shè)計(jì)的完成，我的大學(xué)生活也即將結(jié)束。在此，我非常感謝我的指導(dǎo)老師徐洋教授和其他教導(dǎo)過(guò)我的老師們以及幫助過(guò)我的師兄師姐們，他們?cè)谖彝瓿烧撐牡倪^(guò)程中給予了非常大的幫助。從最初的定題，到資料收集，到寫(xiě)作，修改，再到最后的定稿，在這期間，他們給了我耐心的知道和無(wú)私的幫助，他們?yōu)榱酥笇?dǎo)我完成畢業(yè)設(shè)計(jì)，放棄了自己的休息時(shí)間，對(duì)

101、于他們的這種無(wú)私奉獻(xiàn)的敬業(yè)精神，在此我向他們表達(dá)我最真摯的謝意。同時(shí)，也對(duì)那些在大學(xué)四年里，教會(huì)了我我專業(yè)知識(shí)，教會(huì)了我如何學(xué)習(xí)，教會(huì)了我如何做人的老師們，表達(dá)我由衷的謝意，正是由于他們的監(jiān)督和教導(dǎo)，我才能在各方面取得顯著的進(jìn)步，在這里，愿所有的老師及師兄師姐們身體健康！</p><p>　　在這里，也要感謝陪我渡過(guò)大學(xué)四年時(shí)光的全體同學(xué)，和四年里基本上朝夕相處的舍友們，正是在他們的關(guān)心和幫助下，我才能順順利利的

102、結(jié)束我的大學(xué)生活。四年里，他們讓我擁有了許多美好的時(shí)光，不管是學(xué)習(xí)上還是生活中，我都沒(méi)有感覺(jué)到枯燥，謝謝他們！</p><p>　　當(dāng)然，我必須感謝我的家人和朋友，他們的關(guān)愛(ài)和支持永遠(yuǎn)是我前進(jìn)的最大動(dòng)力，在任何時(shí)候，他們都給予我最大的鼓勵(lì)和支持，謝謝他們！</p><p>　　最后，像審閱我論文和參加答辯的老師們表示衷心的感謝，感謝你們抽出寶貴的時(shí)間來(lái)參加我的論文答辯會(huì)，感謝你們對(duì)論文不當(dāng)

103、之處提出的寶貴意見(jiàn)和建議。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　[1] 王豐元.計(jì)算機(jī)視覺(jué)在交通工程測(cè)量中的應(yīng)用，中國(guó)公路學(xué)報(bào)，1999，Vol.15（7）：</p><p><b>　　32－34</b></p><p>　　[2] 宋建才.汽車牌照識(shí)別技術(shù)研究[

104、J].工業(yè)控制計(jì)算機(jī)，2004,44-45</p><p>　　[3] 岡薩雷斯.數(shù)字圖像處理(第二版)[M]. 電子工業(yè)出版社，2007</p><p>　　[4] 江明，劉輝，黃歡.圖像二值化技術(shù)的研究[J].軟件導(dǎo)刊，2009年04期：72－85</p><p>　　[5] 許志影，李晉平.MATLAB及其在圖像處理中的應(yīng)用.計(jì)算機(jī)與現(xiàn)代化，2004（4

105、）</p><p>　　[6] 魏偉波, 芮攸亭.圖像邊緣檢測(cè)方法研究[J].計(jì)算機(jī)工程，2006，7(30)：88-91</p><p>　　[7] 劉立波.數(shù)學(xué)形態(tài)學(xué)在二值圖像處理與分析中的研究及應(yīng)用[D].西北大學(xué)，2002年：</p><p><b>　　11－15</b></p><p>　　[8] 李世

106、進(jìn).數(shù)字圖像的平滑處理[A].湖南科技學(xué)院學(xué)報(bào)，2008年，Vol.29 No.12：23-24</p><p>　　[9] 趙學(xué)春，戚飛虎.基于彩色分割的車牌自動(dòng)識(shí)別技術(shù)[J]. 上海交通大學(xué)學(xué)報(bào)，1998，32(10)： 4-9</p><p>　　[10] 舒志龍,阮秋琦.一種二維均值濾波快速算法及其應(yīng)用[J].北方交通大學(xué)學(xué)報(bào),2001年,Vol.25 No.02:24-36&

107、lt;/p><p>　　[11] 張禹.車牌識(shí)別中的圖像提取及分割算法[J].吉林大學(xué)學(xué)報(bào)，2006,44（3）：406-410</p><p>　　[12] 張引.面向車牌照字符識(shí)別的預(yù)處理算法[J]. 計(jì)算機(jī)應(yīng)用研究，1999，6(7): 85-87</p><p>　　[13] 王敏，黃心漢等.一種基于模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別方法[J]. 華中科技大學(xué)學(xué)

108、報(bào)，2001 ,29(3) : 48-50</p><p>　　[14] 潘中杰，譚洪舟.模板匹配法和垂直投影法相結(jié)合的一種新的車牌字符分割方法.應(yīng)用技術(shù)，自動(dòng)化與信息工程，2007年02期</p><p>　　[15] 張晶，李志敏,黃凡.一種改進(jìn)的自適應(yīng)模板匹配法[J].微型計(jì)算機(jī)信息，2008,24,166-167</p><p>　　參考文獻(xiàn) 25左右

109、 格式特別注意</p><p><b>　　附 錄</b></p><p><b>　　一、英文原文：</b></p><p>　　A configurable method for multi-style license plate recognition </p><p>　　Automat

110、ic license plate recognition (LPR) has been a practical technique in the past decades. Numerous applications, such as automatic toll collection, criminal pursuit and traffic law enforcement , have been benefited from it

111、. Although some novel techniques, for example RFID (radio frequency identification), WSN (wireless sensor network), etc., have been proposed for car ID identification, LPR on image data is still an indispensable techniqu