畢業(yè)設(shè)計(jì)基于數(shù)字圖像處理的車(chē)牌定位與識(shí)別的設(shè)計(jì)與實(shí)現(xiàn)

1、 畢 業(yè) 設(shè) 計(jì)（論 文）題 目 基于數(shù)字圖像處理的車(chē)牌定位與識(shí)別 基于數(shù)字圖像處理的車(chē)牌定位與識(shí)別目 錄摘 要10abstract11第一章 緒論131.1 車(chē)牌定位技術(shù)的研究意義131.2車(chē)牌定位技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀141.3車(chē)牌定位技術(shù)的難點(diǎn)151.4論文的研究?jī)?nèi)容以及章節(jié)安排151.5 本課題的研究?jī)?nèi)容16第二章 車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)172.1車(chē)牌識(shí)別系統(tǒng)總體設(shè)計(jì)172.2系統(tǒng)硬件設(shè)計(jì)182.3 系統(tǒng)軟件設(shè)計(jì)182.4 本章小結(jié)19第三章 車(chē)牌圖像預(yù)處理213.1圖像的灰度化223.2灰度拉伸233.3.圖像去噪23第四章 車(chē)牌定位254.1牌照區(qū)域的定位254.2牌照區(qū)域的分割26

2、4.2.1候選區(qū)域的提取264.2.2車(chē)牌進(jìn)一步處理264.3 傾斜校正284.4分割與歸一化284.4.1字符分割304.4.2字符歸一化30第五章：字符識(shí)別315.1模版匹配法原理簡(jiǎn)介315.2本文方法具體步驟345.3識(shí)別結(jié)果及對(duì)比35第六章 基于matlab的程序源代碼36第一章 緒論1.1 車(chē)牌定位技術(shù)的研究意義隨著我國(guó)經(jīng)濟(jì)的快速發(fā)展，人民生活水平的不斷提高，私有車(chē)輛越來(lái)越多，交通需求量越來(lái)越大，現(xiàn)有的交通基礎(chǔ)設(shè)施建設(shè)速度遠(yuǎn)遠(yuǎn)比不上機(jī)動(dòng)車(chē)輛和其他交通工具的增長(zhǎng)速度;傳統(tǒng)的人工管理方式已經(jīng)越來(lái)越不能滿(mǎn)足實(shí)際工作的需要。由于違章造成的交通事故日益頻繁，以及城市交通堵塞造成的運(yùn)輸效率低下，

3、嚴(yán)重地影響了我國(guó)城市經(jīng)濟(jì)的發(fā)展和人民的生活，在路橋收費(fèi)、十字路口交通和停車(chē)場(chǎng)收費(fèi)中實(shí)行車(chē)輛自動(dòng)識(shí)別(automatic vehicle identification, avi)已成為管理部門(mén)的迫切要求。因此，為了解決這些問(wèn)題，在繼續(xù)加快交通基礎(chǔ)設(shè)施建設(shè)的同時(shí)，應(yīng)該充分利用衛(wèi)星導(dǎo)航、視頻監(jiān)控和計(jì)算機(jī)調(diào)度管理等技術(shù)，發(fā)展智能交通系統(tǒng)(intelligent transportation system, its)來(lái)提高運(yùn)輸效率，保障交通安全，緩解交通擁擠和實(shí)現(xiàn)管理自動(dòng)化。車(chē)輛自動(dòng)識(shí)別是智能交通系統(tǒng)(its)實(shí)現(xiàn)的前提。近年來(lái)，車(chē)輛識(shí)別技術(shù)發(fā)展很快，主要有:射頻識(shí)別(radio frequency i

4、dentification),條形碼識(shí)別(bar code based identification)和車(chē)牌識(shí)別(licenseplate recognition, lpr)。其中，射頻識(shí)別和條形碼識(shí)別屬于間接識(shí)別，難以核對(duì)車(chē)與車(chē)牌信息是否相符。而車(chē)牌識(shí)別屬于直接識(shí)別，與射頻識(shí)別和條形碼識(shí)別相比，車(chē)牌識(shí)別不需要在汽車(chē)上安裝專(zhuān)門(mén)的條形碼或射頻識(shí)別標(biāo)志，可以對(duì)車(chē)輛圖像進(jìn)行檢索、回放，升級(jí)和維護(hù)方便。因此，車(chē)牌識(shí)別系統(tǒng)具有更為廣闊的應(yīng)用前景。但是，目前國(guó)內(nèi)現(xiàn)有的車(chē)牌識(shí)別系統(tǒng)對(duì)環(huán)境的依賴(lài)性較大，而且對(duì)外界的干擾比較敏感;國(guó)外的車(chē)牌識(shí)別系統(tǒng)對(duì)漢字的識(shí)別率較低，所以必須研究新的車(chē)牌識(shí)別方法。車(chē)牌識(shí)別系統(tǒng)主

5、要由車(chē)牌定位、字符分割和字符識(shí)別三部分組成。其中，車(chē)牌定位是字符分割和字符識(shí)別的基礎(chǔ)，對(duì)整個(gè)系統(tǒng)的性能起著至關(guān)重要的作用，決定著系統(tǒng)的識(shí)別速度和識(shí)別精度。因此，車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)中的最為關(guān)鍵的技術(shù)之一。由于車(chē)輛圖像采集于戶(hù)外，圖像背景復(fù)雜、噪聲干擾嚴(yán)重。因此，車(chē)牌的自動(dòng)定位一直都不是很理想，使得它一直是該領(lǐng)域的研究熱點(diǎn)。車(chē)牌識(shí)別系統(tǒng)涉及計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和模式識(shí)別等技術(shù)，對(duì)它的研究也會(huì)促進(jìn)這些領(lǐng)域的發(fā)展。該系統(tǒng)是計(jì)算機(jī)視覺(jué)、數(shù)字圖像處理和模式識(shí)別等技術(shù)在智能交通領(lǐng)域的重要應(yīng)用。它能自動(dòng)獲取車(chē)輛圖像，采集車(chē)輛信息和實(shí)現(xiàn)智能化管理，廣泛應(yīng)用于以下場(chǎng)合，如高速公路電子收費(fèi)和流量監(jiān)控、失竊車(chē)

6、輛查詢(xún)、停車(chē)場(chǎng)車(chē)輛管理、監(jiān)測(cè)黑車(chē)牌機(jī)動(dòng)車(chē)輛和違章車(chē)輛等，大大提高了交通管理運(yùn)行效率，節(jié)省了人力、物力，有利于交通管理的科學(xué)化、規(guī)范化和智能化。因此，對(duì)車(chē)牌識(shí)別中的首要問(wèn)題一車(chē)牌定位技術(shù)研究，不僅具有重要的理論意義，而且具有重要的現(xiàn)實(shí)意義。1.2車(chē)牌定位技術(shù)的國(guó)內(nèi)外研究現(xiàn)狀 90年代，隨著計(jì)算機(jī)視覺(jué)技術(shù)和圖像處理技術(shù)的發(fā)展，開(kāi)始出現(xiàn)車(chē)牌識(shí)別系統(tǒng)化研究，取得了顯著的成效。運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)和圖像處理技術(shù)建立了車(chē)輛牌照自動(dòng)識(shí)別系統(tǒng)。近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，新興技術(shù)的出現(xiàn)，很多國(guó)家開(kāi)始探討用人工神經(jīng)網(wǎng)絡(luò)技術(shù)和生物遺傳技術(shù)等對(duì)車(chē)牌識(shí)別問(wèn)題進(jìn)行研究，并將研究重點(diǎn)轉(zhuǎn)向彩色圖像的車(chē)牌識(shí)別和一幅

7、圖像多個(gè)牌照車(chē)牌識(shí)別問(wèn)題上。國(guó)外的研究人員對(duì)于車(chē)牌識(shí)別的研究工作開(kāi)展較早，究方向主要是分析車(chē)牌圖像，提取車(chē)牌信息，確定車(chē)牌號(hào)?，F(xiàn)如今，國(guó)外在車(chē)牌檢測(cè)、識(shí)別方面的研究已取得一些令人矚目的成績(jī)，開(kāi)發(fā)出了很多技術(shù)成熟的車(chē)牌識(shí)別產(chǎn)品。例如英國(guó)ipi公司研究開(kāi)發(fā)的rtvnpr系統(tǒng)，它是一款便攜式的設(shè)備，可以應(yīng)用在道路收費(fèi)站、交通檢測(cè)口等場(chǎng)所;新加坡optasia公司自行研發(fā)的車(chē)牌識(shí)別系統(tǒng)imps，可以在各種天氣條件和光照環(huán)境下準(zhǔn)確定位識(shí)別，給出和車(chē)牌一致的處理結(jié)果。另外，日本、加拿大、德國(guó)、意大利等各發(fā)達(dá)國(guó)家都有適合于本國(guó)車(chē)牌的識(shí)別系統(tǒng)。國(guó)外比較好的車(chē)牌定位算法有:j.barroso等人提出的基于水平線

8、搜索的車(chē)牌定位方法(81; r.parisi等人提出的基于dft變換的頻域分析的車(chē)牌定位方法charl coetzee提出的基于niblack二值化算法以及自適應(yīng)邊界搜索算法的車(chē)牌定位方法fiol等 我國(guó)對(duì)車(chē)牌識(shí)別技術(shù)的研究工作開(kāi)始于20世紀(jì)90年代，當(dāng)前比較成熟的產(chǎn)品有:北京漢王公司采用dsp芯片作為識(shí)別算法的運(yùn)行硬件平臺(tái)的“漢王眼”;深圳吉通電子有限公司的“車(chē)牌通”;上海高德威智能交通系統(tǒng)有限公司的汽車(chē)牌照識(shí)別器;川大智勝軟件股份有限公司的ztz000車(chē)牌自動(dòng)識(shí)別系統(tǒng)等等。這些產(chǎn)品都達(dá)到了較好的識(shí)別效果。除此之外，上海交通大學(xué)計(jì)算機(jī)科學(xué)和工程系、西安交通大學(xué)的圖像處理和識(shí)別研究室、浙江大學(xué)

9、的自動(dòng)化系、清華大學(xué)人工智能?chē)?guó)家重點(diǎn)實(shí)驗(yàn)室等也都在進(jìn)行類(lèi)似的研究。國(guó)內(nèi)常用的車(chē)牌定位技術(shù)有:基于彩色圖像的定位算法;基于邊緣檢測(cè)的定位算法;基于灰度值變化的定位算法;基于神經(jīng)網(wǎng)絡(luò)的定位算法;基于遺傳算法的定位算法;基于數(shù)學(xué)形態(tài)學(xué)的定位算法等。1.3車(chē)牌定位技術(shù)的難點(diǎn)車(chē)牌定位是車(chē)牌識(shí)別系統(tǒng)的關(guān)鍵技術(shù)，是字符分割和字符識(shí)別的基礎(chǔ)，對(duì)系統(tǒng)的識(shí)別精度有著重要的影響。由于在圖像的采集和傳輸過(guò)程中，車(chē)輛圖像不可避免地要受各種因素的影響，如光線和噪聲等影響，使得車(chē)牌難以準(zhǔn)確定位。車(chē)牌定位的難點(diǎn)主要有:1.環(huán)境干擾不同光照條件的光線對(duì)車(chē)牌圖像的亮度影響很大，尤其是在光照不均的情況下車(chē)牌區(qū)域可能會(huì)形成部分陰影，

10、從而改變了車(chē)牌的某些特征，影響車(chē)牌定位。2.背景復(fù)雜多變，類(lèi)似區(qū)域干擾車(chē)牌識(shí)別系統(tǒng)一般應(yīng)用在交叉路口、車(chē)庫(kù)、小區(qū)入口、高速公路等地，圖像背景復(fù)雜多變，背景中與車(chē)牌區(qū)域特征相似的區(qū)域也是車(chē)牌定位的干擾源，如背景中與車(chē)牌特征相似的廣告語(yǔ)、指示牌等，此外，車(chē)牌附近的障礙物遮攔車(chē)牌，如保險(xiǎn)杠等，這些也影響車(chē)牌的定位。3.車(chē)牌污損、模糊和褪色等由于各種原因(如灰塵、泥濘等)造成車(chē)牌污損;因噪聲或運(yùn)動(dòng)等而使車(chē)牌模糊;因長(zhǎng)期光照等原因而使車(chē)牌出現(xiàn)褪色，也會(huì)造成車(chē)牌定位困難。4.圖像畸變由于各種原因造成的畸變，如拍攝時(shí)的角度不準(zhǔn)造成車(chē)牌傾斜變形和攝像機(jī)透射畸變，還有車(chē)輛運(yùn)動(dòng)而造成的變形，在很大程度上也影響著車(chē)

11、牌定位。自動(dòng)識(shí)別的難度，使得中國(guó)車(chē)輛牌照識(shí)別遠(yuǎn)遠(yuǎn)難于國(guó)外的車(chē)輛牌照識(shí)別。因而如何提高識(shí)別率和識(shí)別處理的實(shí)時(shí)性及實(shí)用性成了一個(gè)緊要的任務(wù)。1.4論文的研究?jī)?nèi)容以及章節(jié)安排 車(chē)牌識(shí)別系統(tǒng)可按順序分為視頻采集、圖像預(yù)處理、車(chē)牌定位、車(chē)牌字符分割和車(chē)牌字符識(shí)別幾部分，而車(chē)牌的定位部分是車(chē)牌識(shí)別系統(tǒng)中的關(guān)鍵技術(shù)，是字符分割和字符識(shí)別等后續(xù)工作的重要基礎(chǔ)，對(duì)整個(gè)識(shí)別系統(tǒng)最終的識(shí)別精度和識(shí)別效率都有著重大的影響。 本文主要是通過(guò)數(shù)字圖像處理技術(shù)對(duì)由攝像機(jī)獲取到的彩色車(chē)牌的定位技術(shù)進(jìn)行了研究，將整個(gè)車(chē)牌定位的過(guò)程分解為了圖像預(yù)處理和定位兩個(gè)部分。其中，預(yù)處理部分又分解為了圖像增強(qiáng)、二值化兩個(gè)處理過(guò)程;定位部分

12、被分解為邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位等四個(gè)處理過(guò)程。 通過(guò)對(duì)數(shù)字圖像處理方面的技術(shù)作了深入的學(xué)習(xí)，本文對(duì)每一個(gè)處理過(guò)程做了詳細(xì)的研究設(shè)計(jì)并完成編碼實(shí)現(xiàn)。圖像增強(qiáng)階段中，采用了直方圖均衡化算法實(shí)現(xiàn)了灰度圖的對(duì)比度增強(qiáng)作用;二值化階段中，分別實(shí)現(xiàn)了迭代最優(yōu)閉值法和大津閉值分割法，并通過(guò)對(duì)比算法實(shí)現(xiàn)的效果，以及算法的效率和準(zhǔn)確率，選取大津閉值分割法作為本定位系統(tǒng)的二值化方法;邊緣檢測(cè)階段中，通過(guò)使用不同的算子實(shí)現(xiàn)邊緣檢測(cè)，考慮算法實(shí)現(xiàn)的優(yōu)劣，以及結(jié)合本次車(chē)牌定位的需求，選取sobel算子完成對(duì)二值化圖像的邊緣檢測(cè);粗定位基于邊緣檢測(cè)后的圖像采用改進(jìn)的投影法進(jìn)行定位;傾斜校正通過(guò)求取車(chē)牌上各字符

13、的中心點(diǎn)，擬合直線來(lái)確定車(chē)牌的傾斜角;細(xì)定位對(duì)校正后的圖像采用統(tǒng)計(jì)跳變次數(shù)和投影法結(jié)合的算法進(jìn)行定位。 本論文的章節(jié)安排如下: 第一章:緒論。簡(jiǎn)要介紹課題的研究背景及意義，以及當(dāng)今國(guó)內(nèi)外在車(chē)牌識(shí)別上的一些現(xiàn)狀，最后介紹本文的內(nèi)容及章節(jié)安排。 第二章:車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)。首先簡(jiǎn)要介紹了車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)框架以及每一模塊的具體工作，接著提出本文的車(chē)牌定位方案設(shè)計(jì)，包括預(yù)處理和定位兩大模塊。其中，預(yù)處理部分圖像增強(qiáng)和圖像二值化，定位部分包括邊緣檢測(cè)、粗定位、傾斜校正和細(xì)定位。 第三章:車(chē)牌圖像預(yù)處理。首先介紹了和數(shù)字圖像處理相關(guān)的理論以及計(jì)算原理，其次分別對(duì)圖像預(yù)處理中涉及到的圖像增強(qiáng)和圖像二值

14、化等環(huán)節(jié)進(jìn)行了介紹和實(shí)現(xiàn)。第四章:車(chē)牌粗定位。分析我國(guó)的車(chē)牌特征，介紹當(dāng)前常用的定位方法，并提出包含邊緣檢測(cè)、車(chē)牌粗定位、傾斜校正、車(chē)牌細(xì)定位等在內(nèi)的車(chē)牌定位方法。本章詳細(xì)介紹粗定位算法。 第五章:研究車(chē)牌字符識(shí)別的問(wèn)題，對(duì)模板匹配的方案進(jìn)行研究、改進(jìn)和試驗(yàn)。對(duì)模板匹配法中的特征提取采用新的劃分方式進(jìn)行劃分，分別提取特征，提高了識(shí)別準(zhǔn)確率。 第六章:主要是程序源代碼?；趍atlab的程序源代碼。1.5 本課題的研究?jī)?nèi)容本文就車(chē)輛牌照自動(dòng)識(shí)別技術(shù)進(jìn)行了一系列的研究工作，在研究國(guó)內(nèi)外各種典型的車(chē)牌識(shí)別方法的基礎(chǔ)上，努力學(xué)習(xí)和創(chuàng)新，結(jié)合中國(guó)車(chē)牌的特點(diǎn)，對(duì)適合中國(guó)車(chē)牌的識(shí)別系統(tǒng)進(jìn)行了研究。在課題研究

15、中作者的主要研究?jī)?nèi)容有：1）在廣泛查閱國(guó)內(nèi)外車(chē)牌識(shí)別系統(tǒng)算法的基礎(chǔ)上，以 matlab 的 imageacquisition toolbox、image processing toolbox 以及 neural network toolbox 工具箱為骨架，以 m 語(yǔ)言為主要編程語(yǔ)言，部分模塊結(jié)合 c 語(yǔ)言開(kāi)發(fā)了一套車(chē)牌識(shí)別系統(tǒng)，實(shí)現(xiàn)了車(chē)牌識(shí)別系統(tǒng)中車(chē)牌的定位、車(chē)牌字符的切分、以及車(chē)牌字符的識(shí)別的功能。提取的算法，結(jié)合形態(tài)學(xué)處理，采用初步定位去除偽車(chē)牌和精確定位相結(jié)合的算法實(shí)現(xiàn)車(chē)牌的準(zhǔn)確定位。2）關(guān)于車(chē)牌字符切分的研究，這里主要針對(duì)二值化、傾斜校正、字符切分進(jìn)行了研究。對(duì)二值化中采用的 ots

16、u 算法進(jìn)行改進(jìn)，重新劃分二維直方圖的區(qū)域，改進(jìn)后的算法運(yùn)行時(shí)間短、二值化效果好。第二章 車(chē)牌定位系統(tǒng)的結(jié)構(gòu)設(shè)計(jì)2.1車(chē)牌識(shí)別系統(tǒng)總體設(shè)計(jì) 一個(gè)完整的車(chē)輛牌照識(shí)別系統(tǒng)是一個(gè)復(fù)雜的系統(tǒng)，應(yīng)該包括圖像采集、圖像預(yù)處理、車(chē)牌定位、字符切分、字符識(shí)別以及圖像編碼、數(shù)碼傳輸與更新等步驟，基本可以分為硬件部分和軟件部分，硬件部分主要完成車(chē)輛圖像的攝取采集，軟件部分主要完成對(duì)采集到的車(chē)輛圖像進(jìn)行車(chē)輛牌照定位、車(chē)牌字符切分與車(chē)牌字符識(shí)別等工作，這部分工作最為復(fù)雜，最后對(duì)識(shí)別結(jié)果進(jìn)行數(shù)據(jù)傳送和存儲(chǔ)，將處理后的識(shí)別信息交給管理系統(tǒng)進(jìn)行管理。整個(gè)系統(tǒng)的核心是軟件部分的工作，能否通過(guò)牌照對(duì)車(chē)輛進(jìn)行有效管理，很大程度上

17、取決于軟件部分識(shí)別車(chē)牌的準(zhǔn)確性。一個(gè)車(chē)牌識(shí)別系統(tǒng)的基本結(jié)構(gòu)如圖所示:車(chē)牌識(shí)別系統(tǒng)是只能交通系統(tǒng)的一個(gè)十分關(guān)鍵的構(gòu)成部分。該系統(tǒng)可以實(shí)現(xiàn)從一副包含汽車(chē)牌照的圖片中自動(dòng)的確定出車(chē)牌所在的位置，并對(duì)車(chē)牌所在的區(qū)域進(jìn)行字符分割、字符識(shí)別等操作，最終識(shí)別出車(chē)牌的具體內(nèi)容。車(chē)牌自動(dòng)識(shí)別方法的成功實(shí)現(xiàn)將會(huì)大大提高its進(jìn)程的實(shí)現(xiàn)步伐。 車(chē)牌識(shí)別系統(tǒng)從一幅車(chē)牌圖像中提取車(chē)牌部分圖像，分割字符，進(jìn)一步對(duì)字符進(jìn)行識(shí)別，從而得到車(chē)牌號(hào)碼。由于應(yīng)用場(chǎng)合的不同，相應(yīng)的設(shè)計(jì)方案也有所區(qū)別，但通常一個(gè)典型的車(chē)牌識(shí)別系統(tǒng)主要包括四部分:車(chē)輛感應(yīng)部分、圖像采集部分、車(chē)牌識(shí)別部分、數(shù)據(jù)庫(kù)管理部分。2.2系統(tǒng)硬件設(shè)計(jì) 一個(gè)車(chē)牌識(shí)別

18、系統(tǒng)的基本硬件配置由攝像機(jī)、主控機(jī)、采集卡和照明裝置組成。例如在停車(chē)場(chǎng)管理系統(tǒng)中，系統(tǒng)硬件主要包括車(chē)輛傳感探測(cè)器、高性能工控計(jì)算機(jī)、高分辨率 ccd 攝像機(jī)、高放大倍數(shù)鏡頭、ccd 自動(dòng)亮度控制器和視頻采集卡等。首先是探測(cè)車(chē)輛的接近、通過(guò)和停留等。常用的有光探測(cè)器、微波雷達(dá)通過(guò)型探測(cè)器、測(cè)速雷達(dá)探測(cè)器、聲探測(cè)器、紅外探測(cè)器、電磁感應(yīng)探測(cè)器和壓敏探測(cè)器等。我國(guó)停車(chē)場(chǎng)應(yīng)用較多的是紅外探測(cè)器和電磁感應(yīng)環(huán)探測(cè)器。設(shè)置在停車(chē)場(chǎng)入口和出口的兩對(duì)紅外發(fā)射和接收設(shè)備進(jìn)行車(chē)輛檢測(cè)。利用編碼調(diào)制信號(hào)，增強(qiáng)抗干擾的能力，具有較強(qiáng)的可靠性。前端工控機(jī)利用紅外線探測(cè)到車(chē)輛經(jīng)過(guò)的信號(hào)時(shí)，控制圖像采集卡抓拍圖像，并對(duì)抓拍的

19、汽車(chē)圖像進(jìn)行牌照識(shí)別，同時(shí)控制攝像機(jī)光圈的大小，以適應(yīng)外界環(huán)境不同的光照條件。然后將識(shí)別出的牌照信息儲(chǔ)存到服務(wù)器中，當(dāng)車(chē)輛離開(kāi)時(shí)，同樣的進(jìn)行牌照識(shí)別，將其與前面輸入的牌照信息進(jìn)行對(duì)比，計(jì)算出停車(chē)時(shí)間，然后計(jì)費(fèi)。本課題主要側(cè)重算法的研究，主要工作是設(shè)計(jì)軟件，對(duì)已攝取到的卡口車(chē)輛照片實(shí)現(xiàn)車(chē)牌識(shí)別。2.3 系統(tǒng)軟件設(shè)計(jì)硬件設(shè)備采集到圖片后首先要考慮圖像的存儲(chǔ)格式。目前比較常用的圖像格式有*.bmp、*.jpg、*.gif、*.pcx 等，本課題采集到的圖片是*.jpg 的格式。軟件系統(tǒng)的編寫(xiě)大多采用 vc 或者 matlab 語(yǔ)言，本課題選用了 matlab 語(yǔ)言。matlab 具有以下優(yōu)點(diǎn)：1）m

20、atlab 編程效率高，使用方便。matlab 以矩陣作為基本語(yǔ)言要素大大提高了數(shù)值計(jì)算的編程效率。matlab 本身?yè)碛胸S富的函數(shù)庫(kù)，并具有結(jié)構(gòu)化的流程控制語(yǔ)句和運(yùn)算符，用戶(hù)在使用過(guò)程中能夠方便自如地應(yīng)用。其圖像處理工具箱更是大大擴(kuò)展了 matlab 解決圖像處理問(wèn)題的能力，其他還有諸如用于神經(jīng)網(wǎng)絡(luò)和小波的工具箱等，對(duì)于算法的分析都有著很大的幫助。2）matlab 擴(kuò)充能力強(qiáng)，交互性好，移植性和開(kāi)放性較好。matlab 的庫(kù)函數(shù)同用戶(hù)文件在形式上是一樣的，用戶(hù)可以根據(jù)自己的需求方便地建立與擴(kuò)充新的庫(kù)函數(shù)，擴(kuò)充其功能。matlab 可在 windows 系列、unix、linux、vms 6.

21、1、powermac 平臺(tái)上使用，且所有的核心文件和工具箱文件都是公開(kāi)的，用戶(hù)可以修改源文件構(gòu)成新的工具箱，從而可以擴(kuò)充很多新的功能，利于算法的研究和改進(jìn)。 3） 較強(qiáng)的圖形控制和處理功能，自帶的 api 使得用戶(hù)可以方便地在 matlab與 c、c+等其他程序設(shè)計(jì)語(yǔ)言之間建立數(shù)據(jù)通信。 本文設(shè)計(jì)的系統(tǒng)采用 matlab 搭建車(chē)輛牌照識(shí)別系統(tǒng)，具有非常明顯的優(yōu)勢(shì)：1）可以直接使用 matlab 的 image acquisition toolbox、image processing toolbox 以及 neural network toolbox 作為骨架來(lái)搭建整個(gè)系統(tǒng)。2）使用 matla

22、b 的圖形用戶(hù)界面技術(shù)（gui）編寫(xiě)牌照識(shí)別系統(tǒng)面板，可以達(dá)到與牌照定位切分程序及字符識(shí)別程序的無(wú)縫連接。3）使用專(zhuān)業(yè)工具箱，使得研究人員不必過(guò)于關(guān)心程序的細(xì)節(jié)問(wèn)題，可以將主要的精力放在算法的研究、設(shè)計(jì)方面，極大地減少了工作量，為算法的研究改進(jìn)提供了先決條件。 整個(gè)軟件系統(tǒng)是一個(gè)具有車(chē)牌識(shí)別功能的圖像分析和處理軟件。首先將采集到的汽車(chē)圖像進(jìn)行灰度化、灰度拉伸和濾波處理，以降低噪點(diǎn)、增加車(chē)牌部分的對(duì)比度。然后，通過(guò)對(duì)預(yù)處理后的圖像進(jìn)行小波變換分解提取圖像邊緣，并進(jìn)行形態(tài)學(xué)處理，這時(shí)，車(chē)牌的輪廓已經(jīng)非常清晰，并且可以和非車(chē)牌區(qū)域明顯區(qū)分開(kāi)來(lái)了，接著，根據(jù)車(chē)牌的特點(diǎn)進(jìn)行車(chē)牌初步定位，對(duì)車(chē)牌區(qū)域和偽車(chē)

23、牌區(qū)域進(jìn)行篩選后，采用投影法進(jìn)行車(chē)牌二次定位，提取出車(chē)牌圖像。將提取出的車(chē)牌圖像進(jìn)行二值化處理，根據(jù)投影圖的特點(diǎn)查找傾斜的角度，采用坐標(biāo)變換的方法進(jìn)行車(chē)牌傾斜校正，并利用其垂直投影圖中字符顯示出的峰群的特點(diǎn)進(jìn)行字符切分。最后利用改進(jìn)的bp 網(wǎng)絡(luò)完成了整個(gè)車(chē)牌字符的識(shí)別。整個(gè)系統(tǒng)的設(shè)計(jì)主要采用了 m 語(yǔ)言，部分采用了 c 語(yǔ)言開(kāi)發(fā)。最后搭建了一個(gè)測(cè)試平臺(tái)，將上述三個(gè)部分進(jìn)行了系統(tǒng)化，對(duì)系統(tǒng)的性能進(jìn)行了測(cè)試和分析。2.4 本章小結(jié)本章主要介紹了車(chē)牌識(shí)別系統(tǒng)的總體設(shè)計(jì)方案。首先，簡(jiǎn)單介紹了車(chē)牌識(shí)別系統(tǒng)的組成部分，包括硬件部分和軟件部分。硬件部分主要完成車(chē)輛圖像的攝取，獲取高質(zhì)量的含有牌照的圖像，受條

24、件限制，關(guān)于硬件的研究本文未展開(kāi)具體工作。軟件部分在整個(gè)系統(tǒng)中占有很重要的地位，而且軟件的優(yōu)化和升級(jí)能在很大程度上彌補(bǔ)硬件的不足，因此是本文研究的重點(diǎn)，軟件研究主要是設(shè)計(jì)車(chē)牌識(shí)別系統(tǒng)的主體，包括基于小波變換的車(chē)牌定位模塊、基于 otsu 算法的車(chē)牌字符切分模塊的車(chē)牌字符識(shí)別模塊。在確定總體設(shè)計(jì)方案后，后面將對(duì)每一模塊依次進(jìn)行介紹。 整個(gè)軟件系統(tǒng)的設(shè)計(jì)流程圖如圖所示：第三章 車(chē)牌圖像預(yù)處理 為了便于車(chē)牌的分割識(shí)別，攝像機(jī)攝下的原始圖像應(yīng)具有適當(dāng)?shù)牧炼群蛯?duì)比度。但通常經(jīng)輸入系統(tǒng)獲取的車(chē)牌圖像信息由于光照條件、牌照的整潔度、攝像機(jī)的狀態(tài)(焦距、角度和鏡頭的光學(xué)畸變)以及車(chē)速的不穩(wěn)定等因素都會(huì)使圖像含

25、有各種各樣的噪聲與畸變。例如由于光照度不均勻造成圖像灰度過(guò)于集中;由攝像頭獲得的圖像經(jīng)過(guò)ad轉(zhuǎn)換、線路傳送都會(huì)產(chǎn)生噪聲污染;車(chē)牌的字符部分受到磨損或是被污跡覆蓋等等。這些主客觀因素不可避免地影響車(chē)牌圖像的清晰程度，降低圖像質(zhì)量，輕者表現(xiàn)為圖像不干凈，難以看清細(xì)節(jié)，重者表現(xiàn)為圖像模糊不清、歪斜或缺損，車(chē)牌字符邊界模糊、細(xì)節(jié)不清、比劃斷開(kāi)、粗細(xì)不均等現(xiàn)象。這勢(shì)必會(huì)影響車(chē)牌區(qū)域分割，降低車(chē)牌字符識(shí)別的準(zhǔn)確度。因此，在對(duì)車(chē)牌圖像進(jìn)行分析之前，必須要對(duì)車(chē)牌圖像進(jìn)行預(yù)處理。對(duì)車(chē)牌圖像的預(yù)處理主要包括以下三個(gè)方面:(l)圖像對(duì)比度增強(qiáng)。由于車(chē)牌識(shí)別系統(tǒng)需要全天候工作，自然光照度的晝夜變化會(huì)引起車(chē)輛圖像對(duì)比度

26、的嚴(yán)重不足，所以增強(qiáng)圖像是很有必要的。(2)圖像去噪。通常得到的汽車(chē)圖像會(huì)有一些污點(diǎn)，為了保證識(shí)別的效果，需要對(duì)圖像進(jìn)行去噪處理。(3)傾斜矯正。攝像機(jī)的位置、車(chē)輛的運(yùn)動(dòng)等因素經(jīng)常使拍攝出來(lái)的汽車(chē)圖像有一定的傾斜，這就需要對(duì)圖像進(jìn)行傾斜矯正，或在分割出車(chē)牌區(qū)域之后對(duì)字符傾斜矯正 3.1圖像的灰度化通常情況下，實(shí)際的車(chē)牌識(shí)別系統(tǒng)中由攝像機(jī)采集到的原始圖像是彩色圖像，所有的彩色圖像都是由紅(r)、綠(g)、藍(lán)(b)三基色組合而成，在數(shù)字圖像中每一個(gè)基色都被分為256個(gè)等級(jí)，即0255。由r、g、b三基色不同級(jí)別的組合方式，可以計(jì)算出一幅彩色數(shù)字圖像最多可包含167772種顏色。在灰度圖像中r=g=

27、b，因此灰度圖像中只有一種灰度顏色，同彩色圖像中的三基色一樣，灰度色也被分成0-255，共256個(gè)等級(jí)，同理可以計(jì)算出一幅灰度圖像最多只包含256種顏色。由此可見(jiàn)，一幅彩色圖像所包含的信息量遠(yuǎn)遠(yuǎn)大于一幅灰度圖像，它不僅需要大量的存儲(chǔ)空間還需要復(fù)雜的圖像處理算法，這使得整個(gè)車(chē)牌識(shí)別系統(tǒng)操作時(shí)間過(guò)長(zhǎng)，無(wú)法達(dá)到其實(shí)時(shí)性的要求。所以，首先應(yīng)將采集到的彩色圖像轉(zhuǎn)換成一幅灰度圖像，這個(gè)過(guò)程便是圖像的灰度化。令g為轉(zhuǎn)換后灰度圖像在某一點(diǎn)的灰度值，r、g、b分別為轉(zhuǎn)換前該點(diǎn)的r、g、b分量。圖1彩色原圖使用matlab自帶的灰度變換函數(shù) rgb2gray(),對(duì)彩色圖片進(jìn)行灰度化處理，結(jié)果如下圖。圖2灰度圖像

28、3.2灰度拉伸對(duì)車(chē)輛圖像進(jìn)行灰度化處理之后，車(chē)牌部分和非車(chē)牌部分圖像的對(duì)比度并不是很高，此時(shí)如果直接進(jìn)行邊緣提取，由于車(chē)牌界限較為模糊，難以提取出車(chē)牌邊緣，因而難以準(zhǔn)確定位車(chē)牌。為了增強(qiáng)牌照部位圖像和其他部位圖像的對(duì)比度，使其明暗鮮明，有利于提高識(shí)別率，需要將車(chē)輛圖像進(jìn)行灰度拉伸。使用matlab自帶的灰度調(diào)整函數(shù)imadjust().對(duì)灰度圖像進(jìn)行灰度拉伸，結(jié)果如下：圖3 灰度拉伸后的圖像從兩圖的對(duì)比中我們可以看到灰度拉伸后對(duì)比度明顯增強(qiáng)，車(chē)牌區(qū)域更加明顯。3.3.圖像去噪車(chē)牌圖像中的邊緣、細(xì)節(jié)、跳躍部分以及噪聲都代表圖像的高頻分量，而大面積的背景區(qū)和緩慢變化部分則代表圖像的低頻分量。由此可

29、見(jiàn)，若采用低通濾波法去除車(chē)牌圖像中的噪聲，在除去噪聲的同時(shí)也會(huì)使車(chē)牌及字符的邊緣變得模糊，這對(duì)后續(xù)的車(chē)牌定位以及字符識(shí)別非常不利。反之，若采用高通濾波法則在增強(qiáng)邊緣信息的同時(shí)也增了噪聲。因此，為了在保證在車(chē)牌圖像邊緣信息不被弱化的情況下除去噪聲，采用中值濾波法來(lái)去除圖像噪聲。中值濾波是一種非線性濾波，由于它在實(shí)際運(yùn)算過(guò)程中并不需要圖像的統(tǒng)計(jì)特性，所以比較方便。中值濾波首先是被應(yīng)用在一維信號(hào)處理技術(shù)中，后來(lái)被二維圖像信號(hào)處理技術(shù)所引用。在一定的條件下，可以克服線性濾波器所帶來(lái)的圖像細(xì)節(jié)模糊，而且對(duì)濾除脈沖干擾及顆粒噪聲最為有效。中值濾波它是一種鄰域運(yùn)算，類(lèi)似于卷積，首先把鄰域中的像素按灰度等級(jí)進(jìn)

30、行排序，然后選擇該組的中間值作為輸出像素值。它能減弱或消除傅里葉空間的高頻分量，因?yàn)楦哳l分量對(duì)應(yīng)圖像中的邊緣區(qū)域，且其灰度值具有較大較快的變化，該濾波可將這些分量濾除，使圖像平滑。其主要原理是:首先確定一個(gè)以某個(gè)像素為中心點(diǎn)的鄰域，一般為方形鄰域;然后將鄰域中的各個(gè)像素的灰度值進(jìn)行排序，取其中間值作為中心點(diǎn)像素灰度的新值，這里的鄰域通常被稱(chēng)為窗口。當(dāng)窗口在圖像中上下左右進(jìn)行移動(dòng)后，利用中值濾波算法可以很好地對(duì)圖像進(jìn)行平滑處理。具體步驟如下:將模板在圖像中漫游，并將模板中心與圖像中某個(gè)像素的位置重合;讀取模板下各對(duì)應(yīng)像素的灰度值;將這些灰度值從小到大排列成一列;找出排在中間的一個(gè)值;將這個(gè)中間值

31、賦給對(duì)應(yīng)模板中心位置的像素。本次作業(yè)采用matlab自帶的中值濾波器函數(shù)medfilt2()，對(duì)灰度圖像進(jìn)行去噪處理。第四章 車(chē)牌定位牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來(lái)，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。由于牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說(shuō)是水平度較高的橫向近似的長(zhǎng)方形，它在原始圖象中的相對(duì)位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過(guò)邊緣檢測(cè)來(lái)對(duì)圖象進(jìn)行分

32、割。 牌照定位于分割流程圖4.1牌照區(qū)域的定位牌照?qǐng)D象經(jīng)過(guò)了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。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)。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了bwareaopen來(lái)去除對(duì)象中不相干的小對(duì)象。采用matlab自帶的edge()函數(shù)對(duì)圖像進(jìn)行邊緣的提取。edge()格式：g,t=edge(f,method,paramete

33、rs)本次作業(yè)采用canny邊緣檢測(cè)器。進(jìn)行邊緣檢測(cè)，檢測(cè)后的結(jié)果如圖4.2牌照區(qū)域的分割4.2.1候選區(qū)域的提取提取候選區(qū)域的步驟是：首先對(duì)經(jīng)過(guò)開(kāi)閉運(yùn)算處理的圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)，然后根據(jù)車(chē)牌的先驗(yàn)知識(shí)對(duì)區(qū)域特征參數(shù)進(jìn)行比較，提取車(chē)牌區(qū)域。本課題選擇使用車(chē)牌的寬高范圍和比例關(guān)系對(duì)車(chē)牌進(jìn)行初步定位。對(duì)車(chē)牌的區(qū)域提取可以利用regionprops 函數(shù)，對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形，面積。最后計(jì)算出包含所標(biāo)記區(qū)域的最小矩形的寬和高。對(duì)車(chē)牌的分割可以2007 年實(shí)施的車(chē)牌標(biāo)準(zhǔn)規(guī)定，車(chē)前車(chē)牌長(zhǎng) 440mm，寬 140mm。其比例為4

34、40 /140 3.15 。根據(jù)圖像像素的大小，這里選取篩選條件為寬在50到150之間，高在20到50之間，同時(shí)寬高比例應(yīng)大于0.45，就可以比較準(zhǔn)確的得到車(chē)牌的大致位置。 初步提取的車(chē)牌4.2.2車(chē)牌進(jìn)一步處理經(jīng)過(guò)上述方法分割出來(lái)的車(chē)牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值t，用t將圖像的數(shù)據(jù)分成兩部分：大于t的像素群和小于t的像素群，即對(duì)圖像二值化。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?chē)呐R近像素。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。圖像的二值化處理就是將圖像上的點(diǎn)的灰度值置為

35、0 或 255，這樣處理后整個(gè)圖像呈現(xiàn)明顯的黑白效果，即將256個(gè)亮度等級(jí)的灰度圖經(jīng)過(guò)合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 二值化處理后的圖像，其集合性質(zhì)只與像素值為0或255的點(diǎn)的位置有關(guān)，不再涉及像素的其他級(jí)值，處理過(guò)程簡(jiǎn)單，且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為 255，否則，灰度值為 0，表示背景或者其他的物體區(qū)域。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，利用閥值法就能得到較好的切分效果。如果物體同背景的差

36、別難以用不同的灰度值表現(xiàn)（比如紋理不同） ，可以把這些差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值法來(lái)切分該圖像。動(dòng)態(tài)調(diào)節(jié)閥值來(lái)實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)地觀察其切分圖像的具體結(jié)果。本次作業(yè)采用matlab中的im2bw函數(shù)對(duì)定位后的車(chē)牌進(jìn)行二值化處理。裁剪出來(lái)的車(chē)牌的進(jìn)一步處理過(guò)程圖4.3 傾斜校正 雖然標(biāo)準(zhǔn)的車(chē)牌字符應(yīng)為水平依次排列，但是由于放置不當(dāng)或車(chē)身前進(jìn)方向與圖像采集設(shè)備不在同一條直線上等原因，會(huì)造成圖像中的車(chē)牌傾斜、扭曲。因?yàn)橐粋€(gè)傾斜的數(shù)字或字母的識(shí)別和一個(gè)很正的數(shù)字或字母的識(shí)別是有很大差別的，所以車(chē)牌定位之后要進(jìn)行傾斜校正。一般情況下，傾斜校正有兩步，第一步是找出傾斜的角度；第二部是進(jìn)行坐

37、標(biāo)變換，得到校正后的圖像。目前常用的計(jì)算傾斜角度的方法有兩種，一種是 hough 變換來(lái)找出傾斜的角度，一種是利用投影的方法來(lái)找出傾斜的角度。另外還有radon變換方法等，這里主要介紹前面兩種方法。本次作業(yè)采用hough算法對(duì)圖形進(jìn)行傾斜校正。圖9旋轉(zhuǎn)前的圖像圖10 hough變換后的車(chē)牌二值圖像4.4分割與歸一化經(jīng)過(guò)車(chē)牌字符圖像的二值化和傾斜校正，得到的是一個(gè)只包含牌照字符的水平條形區(qū)域，為了進(jìn)行字符識(shí)別，需要將牌照字符從圖像中分割出來(lái)。這里常用投影法，既簡(jiǎn)單又快捷。投影法切分車(chē)牌字符的思想是根據(jù)車(chē)牌字符的特點(diǎn)，將車(chē)牌圖像進(jìn)行垂直方向的投影，因?yàn)樽址麉^(qū)域的黑色像素點(diǎn)比較多，比較集中，同時(shí)每個(gè)

38、車(chē)牌字符之間有一定的空隙間隔隔開(kāi)。這樣投影下來(lái)得到的投影圖應(yīng)該有多個(gè)相對(duì)集中的投影峰值群，只要根據(jù)峰值群的特點(diǎn)進(jìn)行分割，就可以得到車(chē)牌的字符。對(duì)圖像的垂直方向進(jìn)行投影，得到的投影圖如圖11所示。圖 11 字符投影圖圖中有七個(gè)比較集中的投影峰值群，且每個(gè)峰值之間都有一定的間隔。根據(jù)這一特點(diǎn)，從左往右依次定位出每個(gè)字符的起始和結(jié)束位置，并且進(jìn)行切割。然后對(duì)切割出來(lái)的每個(gè)字符圖像進(jìn)行水平投影。根據(jù)水平投影像素累加值進(jìn)行水平切割，從而得到精確切割后的字符。車(chē)牌字符切分的具體算法為： 對(duì)車(chē)牌圖像進(jìn)行垂直投影，計(jì)算出字符的寬度后，確定字符的中間位置，并計(jì)算相鄰兩個(gè)字符之間的間距，即中間距離的差值。取其最大

39、值定為第二個(gè)字符和第三個(gè)字符之間的距離。以此為分界線，分別向前、后兩個(gè)方向進(jìn)行切分，從而定位出每個(gè)字符的左右邊界，并保存在數(shù)組里。由于 matlab 的數(shù)組可以存放不同大小的數(shù)據(jù)，為字符邊界信息的存儲(chǔ)提供了極大的便利。 2）對(duì)每個(gè)切分出的字符進(jìn)行水平投影，確定字符的具體的上下邊界，保存到數(shù)組里。 3）由于用于最后識(shí)別的字庫(kù)中字符模板為24 48 × 像素，所以這里對(duì)切分出來(lái)的字符進(jìn)行歸一化處理，統(tǒng)一為24 48 × 像素。4）將歸一化后的字符的信息保存在數(shù)組里，做為參數(shù)輸入字符識(shí)別模塊與模板比較進(jìn)行字符識(shí)別。字符切分后的效果圖 圖13 字符分割與歸一化流程圖4.4.1字符分

40、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基礎(chǔ)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。字符識(shí)別的算法很多，因?yàn)檐?chē)牌字符間間隔較大，不會(huì)出現(xiàn)字符粘連情況，所以此處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，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 4.4.2字符歸一化 一般分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿(mǎn)足下一步字符識(shí)別的需要。但是對(duì)于車(chē)牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。第五章：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)

41、絡(luò)的ocr算法?；谀０迤ヅ涞膐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(chē)牌字符識(shí)別的主要方法。模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，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(lèi)。也可以計(jì)算圖象與模板特征量

42、之間的距離，用最小距離法判定所屬類(lèi)。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)處理和規(guī)格化處理后，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)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類(lèi)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。5.1模版匹配法原理簡(jiǎn)介要對(duì)一個(gè)車(chē)牌字符進(jìn)行識(shí)別，首先是將這個(gè)車(chē)牌字符的圖片輸入電腦，而要對(duì)它進(jìn)行處理，就要將它轉(zhuǎn)化為計(jì)算機(jī)可以識(shí)別的語(yǔ)言.由于每一個(gè)待識(shí)別字符都是以數(shù)字圖像的形式存在的，因此將待識(shí)別字符的圖片通過(guò)matla

43、b轉(zhuǎn)化為矩陣，再通過(guò)對(duì)矩陣進(jìn)行一系列的數(shù)學(xué)運(yùn)算，從而達(dá)到對(duì)圖片進(jìn)行識(shí)別的目的.matlab是處理矩陣運(yùn)算的強(qiáng)大軟件，所以本文的整個(gè)識(shí)別過(guò)程都是通過(guò)matlab來(lái)實(shí)現(xiàn)的.首先以二維圖像的處理為例介紹一下傳統(tǒng)的模板匹配算法。算法的基本思想是：將歸一化的字符二值圖像與模板庫(kù)中的字符二值化圖像逐個(gè)進(jìn)行匹配，采用相似度的方法計(jì)算車(chē)牌字符與每個(gè)模板字符的匹配程度，取最相似的就是匹配。匹配時(shí)相似度函數(shù)定義為：其中， f ij 為待識(shí)別車(chē)牌字符圖像中像素點(diǎn)(i，j) 的灰度值，這里的取值為 0或1， t (i，j )為模板字符圖像中像素點(diǎn)(i，j )的灰度值，這里的取值為0或1；m 和 n為模板字符點(diǎn)陣橫向和

44、縱向包含的像素個(gè)數(shù)。本文是將待識(shí)別的字符與已經(jīng)存儲(chǔ)在計(jì)算機(jī)中的標(biāo)準(zhǔn)模板進(jìn)行邏輯與，運(yùn)算，所有標(biāo)準(zhǔn)模板如圖1所示.而將待識(shí)別字符與標(biāo)準(zhǔn)字符模板進(jìn)行邏輯與運(yùn)算之所以能夠達(dá)到識(shí)別目的，其原理是:當(dāng)待識(shí)別字符與相應(yīng)的字符模板匹配時(shí)結(jié)果較為清晰，與其余模板匹配時(shí)會(huì)變得很模糊，具體如圖2所示。 圖2, 3和4中的(a)分別表示字符a', b，和c'的標(biāo)準(zhǔn)模板，(b)表示待識(shí)別字符a',(c)表示待識(shí)別字符分別與這三個(gè)標(biāo)準(zhǔn)模板進(jìn)行匹配后的結(jié)果.從上述三幅圖中可以很容易看出，圖2中的模板a，應(yīng)為待識(shí)別字符的識(shí)別結(jié)果. 在實(shí)際的識(shí)別過(guò)程中，計(jì)算機(jī)需要一定的判別規(guī)則才可以將正確的識(shí)別結(jié)果自

45、動(dòng)輸出。這就需要引入判別函數(shù)，而本文則是選取了兩個(gè)判別函數(shù)，分別利用這兩個(gè)判別函數(shù)對(duì)運(yùn)算圖16 字符識(shí)別流程圖5.2本文方法具體步驟 步驟1：利用matlab將標(biāo)準(zhǔn)字符模板與待識(shí)別字符所對(duì)應(yīng)的像素矩陣求出來(lái)，然后將它們二值化，得到相應(yīng)的二值矩陣，分別記為b (i=1,2,3， 4)和d.將數(shù)字圖像進(jìn)行二值化的matlab命令為: i=imread('a.b') level=graythresh(1); bw 1=im2bw(i, level)其中a，表示圖片名稱(chēng)，b，表示圖片格式.步驟2：將待識(shí)別字符與標(biāo)準(zhǔn)模板逐一進(jìn)行邏輯與運(yùn)算，即將二值矩陣d分別與二值矩陣bi(i=1,2,3

46、二34)進(jìn)行邏輯與，運(yùn)算，得到相應(yīng)的二值矩陣xz。=1,2,3二34).邏輯與運(yùn)算對(duì)應(yīng)的matlab命令為:l=and(a, b) 步驟3：根據(jù)預(yù)先設(shè)計(jì)好的判別函數(shù)，得出最終的識(shí)別結(jié)果.本文采用了兩個(gè)判別函數(shù)，分別為:上述兩個(gè)函數(shù)中，surn (a)表示求矩陣a中所有元素的和.在函數(shù)(1)中，與凡所對(duì)應(yīng)的乓代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果，在函數(shù)(2)中，與x、對(duì)應(yīng)的b、所代表的標(biāo)準(zhǔn)模板為識(shí)別結(jié)果.步驟4：通過(guò)matlab將正確的識(shí)別結(jié)果輸出.5.3識(shí)別結(jié)果及對(duì)比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(chē)牌照的字符一般有七個(gè)，大部分車(chē)牌第一位是漢字，通常代表車(chē)

47、輛所屬省份，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，漢字共約50多個(gè)，大寫(xiě)英文字母26個(gè)，數(shù)字10個(gè)。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車(chē)牌照的特點(diǎn)，只建立了4個(gè)數(shù)字26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。首先取字符模板，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。對(duì)于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(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。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照?qǐng)D象的色彩信息

48、，簡(jiǎn)化了算法的實(shí)現(xiàn)，加快了圖象的處理速度，具有較高的檢出正確率，而且整個(gè)過(guò)程用matlab 語(yǔ)言編程實(shí)現(xiàn)，無(wú)時(shí)間滯后感，可以滿(mǎn)足實(shí)時(shí)檢出的要求。但是在設(shè)計(jì)的過(guò)程中發(fā)現(xiàn)，使用另一幅圖像后，識(shí)別效果始終沒(méi)有那么理想。需要做一定的設(shè)置后才能識(shí)別出相應(yīng)的字符。在車(chē)牌字符分割的預(yù)處理中，用到了對(duì)分割出的字符車(chē)牌進(jìn)行均值濾波，膨脹或腐蝕的處理。這在對(duì)于有雜點(diǎn)的車(chē)牌是很有用的，因?yàn)檫@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。字符識(shí)別過(guò)程使用的是模板匹配的方法，利用兩幅圖片相減的方法，找到相減后值最小的，即為相似程度最大的。模板的制作很重要，必須要用精確的模

49、板，否則就不能正確的識(shí)別。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。總之，盡管目前牌照字符的識(shí)別率還不理想，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(lèi)識(shí)別能力更好的特征值和設(shè)計(jì)分類(lèi)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。 第六章 基于matlab的程序源代碼 function d=main(jpg)i=imread('car.jpg');figure(1),imshow(i);title(

50、9;原圖');i1=rgb2gray(i);figure(2),subplot(1,2,1),imshow(i1);title('灰度圖');figure(2),subplot(1,2,2),imhist(i1);title('灰度圖直方圖');i2=edge(i1,'robert',0.08,'both');figure(3),imshow(i2);title('robert算子邊緣檢測(cè)')se=1;1;1;i3=imerode(i2,se);figure(4),imshow(i3);title('

51、;腐蝕后圖像');se=strel('rectangle',40,40);i4=imclose(i3,se);figure(5),imshow(i4);title('平滑圖像的輪廓');i5=bwareaopen(i4,2000);figure(6),imshow(i5);title('從對(duì)象中移除小對(duì)象');y,x,z=size(i5);myi=double(i5); %begin橫向掃描tic blue_y=zeros(y,1); for i=1:y for j=1:x if(myi(i,j,1)=1) %如果myi(i,j,1)即m

52、yi圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色 %則blue_y的相應(yīng)行的元素white_y(i,1)值加1 blue_y(i,1)= blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì) end end end temp maxy=max(blue_y);%temp為向量white_y的元素中的最大值，maxy為該值的索引（ 在向量中的位置） py1=maxy; while (blue_y(py1,1)>=120)&&(py1>1) py1=py1-1; end py2=maxy; while (blue_y(py2,1)>=40)&&(py2<y) p

53、y2=py2+1; end iy=i(py1:py2,:,:);%iy為原始圖像i中截取的縱坐標(biāo)在py1：py2之間的部分 %end橫向掃描 %begin縱向掃描 blue_x=zeros(1,x);%進(jìn)一步確定x方向的車(chē)牌區(qū)域 for j=1:x for i=py1:py2 if(myi(i,j,1)=1) 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)&a

54、mp;&(px2>px1) px2=px2-1; end %end縱向掃描 px1=px1-2;%對(duì)車(chē)牌區(qū)域的校正 px2=px2+2; dw=i(py1:py2,:,:); t=toc; figure(7),subplot(1,2,1),imshow(iy),title('行方向合理區(qū)域');figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色車(chē)牌圖像')imwrite(dw,'dw.jpg');filename,filepath=uigetfile('dw.jpg'

55、;,'輸入一個(gè)定位裁剪后的車(chē)牌圖像');jpg=strcat(filepath,filename);a=imread('dw.jpg');b=rgb2gray(a);imwrite(b,'1.車(chē)牌灰度圖像.jpg');figure(8);subplot(3,2,1),imshow(b),title('1.車(chē)牌灰度圖像')g_max=double(max(max(b);g_min=double(min(min(b);t=round(g_max-(g_max-g_min)/3); % t 為二值化的閾值m,n=size(b);d=(double(b)>=t); % d:二值圖像imwrite(d,'2.車(chē)牌二值圖像.jpg');figure(8);subplot(3,2,2),imshow(d),title('2.車(chē)牌二值圖像')figu