【模板】基于Matlab的靜態(tài)車牌識別

1、【關(guān)鍵字】模板文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持1文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持2文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持基于Matlab的靜態(tài)車牌識別計算機與軟件學(xué)院計算機科學(xué)與技術(shù)鐘文鋒學(xué)號：94【摘要】：車牌識別是圖像識別領(lǐng)域的重要研究課題，運用 MATLAB技術(shù)研究車牌識別技術(shù) 中的圖像預(yù)處理、車牌定位、字符分割與字符識別等核心部分，并提出一種基于MATLAB的靜態(tài)車牌識別系統(tǒng)的實現(xiàn)方法，綜合使用多種方法提高系統(tǒng)的有效識別能力。該方法解決了

2、在自然背景的圖像中定位分割牌照區(qū)域、車牌傾斜和提取分割的字符等問題。本文叫詳細介紹了該系統(tǒng)的實現(xiàn)方法等技術(shù)，重點介紹車牌提取、字符分割，以及字符的模板匹配三個方面。通過對一定數(shù)量的車牌圖像進行識別處理，結(jié)果表明MATLAB在車牌靜態(tài)識別方面的運用有較好的效果。非常有效?！娟P(guān)鍵詞】車牌識別；字符分割；圖像提取；字符識別；模板匹配；閾值；傾斜校正等。 關(guān)鍵字3-4個1引言隨著我國經(jīng)濟的快速發(fā)展，人民生活水平的不斷提高，私有車輛越來越多，交通需求量 也越來越大，現(xiàn)有的交通基礎(chǔ)設(shè)施建設(shè)速度遠遠比不上機動車輛和其他交通工具的增長速 度；傳統(tǒng)的人工管理方式已經(jīng)越來越不能滿足實際工作的需要。為快速、高效地對

3、車輛進行管理和監(jiān)控，實現(xiàn)交通管理的自動化、智能化，車牌自動識別技術(shù)在智能交通系統(tǒng)中已成為核心技術(shù)比。車輛牌照是機動車唯一的管理標(biāo)識符號.在交通管理中具有不可替代的作用。 因此車輛牌照識別系統(tǒng)應(yīng)具有很高的識別率，對環(huán)境光照條件、拍攝位置和車輛行駛速度等因素的影響應(yīng)有較大的容閾，并應(yīng)滿足實時性要求。 牌照自動識別是一項利用車輛的動態(tài)視頻或靜態(tài)圖像進行牌照號碼、牌照顏色自動識別的模式識別技術(shù)。其硬件一般包括觸發(fā)、攝像、照明、圖像采集等設(shè)備。其軟件核心包括車牌定位、車牌字符分割和字符識別等算法。 利用該技術(shù)可以實現(xiàn)對車輛的自動登記、驗證、監(jiān)視和報警， 高速公路收費，對停車場進行管理，特殊場所車輛的出入

4、許可等。傳統(tǒng)的實現(xiàn)車牌識別的軟件是采用C+來實現(xiàn)的，本文將采用MATLAB對軟件實現(xiàn)方式作初步嘗試性探討。用 MATLAB作車牌識別比用其他工具 有許多優(yōu)勢，因為MA TLAB的函數(shù)隱藏了傅立葉變換等復(fù)雜的計算，并且在圖像的灰度化、 二值轉(zhuǎn)換和濾波等方面都有很大優(yōu)勢。本設(shè)計是在采集了車牌相片之后對其號碼進行識別， 并輸出號碼。選題意義汽車牌照自動識別系統(tǒng)是以汽車牌照為特定目標(biāo)的專用計算機視覺系統(tǒng)，是計算機視覺和模式識別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一，是實現(xiàn)交通管理智能化的重要環(huán)節(jié)，它可廣泛應(yīng)用于交通流量檢測，交通控制與誘導(dǎo)，機場、港口、小區(qū)的車輛管理，不停 車自動收費，闖紅燈等違章車

5、輛監(jiān)控以及車輛安全防盜等領(lǐng)域，具有廣闊的應(yīng)用前景。目前,發(fā)達國家LPR （汽車牌照識別技術(shù) License Plate Recognition , LPR,簡稱車牌通”）系統(tǒng) 在實際交通系統(tǒng)中已成功應(yīng)用，而我國的開發(fā)應(yīng)用進展緩慢，車牌識別系統(tǒng)基本上還停留在實驗室階段?；谶@種現(xiàn)狀還有它廣闊的應(yīng)用前景，目前對汽車車牌的識別研究就有了深遠的意義。正如參考資料的介紹一樣，目前已經(jīng)有大量的車牌識別系統(tǒng)的相關(guān)資料，但是那些系統(tǒng)1文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持基本上都是直接將彩色圖像轉(zhuǎn)換為二值圖像，然后再進行后續(xù)處理，而本課題需要研究的是先

6、從彩色圖像中提取車牌，然后再接著做其它與已有處理過程相似的處理，。其中，從彩色圖像中提取包含車牌信息的圖像是本設(shè)計的主要意義所在，也是重點。而其他部分是在已有成果的基礎(chǔ)上進行的改進或引用。Matlab與圖像處理簡介MATLAB是由美國math works公司發(fā)布的主要面對科學(xué)計算、可視化以及交互式程序 設(shè)計的高科技計算環(huán)境。它將數(shù)值分析、矩陣計算、科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的 建模和仿真等諸多強大功能集成在一個易于使用的視窗環(huán)境中，為科學(xué)研究、工程設(shè)計以及必須進行有效數(shù)值計算的眾多科學(xué)領(lǐng)域提供了一種全面的解決方案，并在很大程度上擺脫了傳統(tǒng)非交互式程序設(shè)計語言（如C、Fortran）的編輯

7、模式，代表了當(dāng)今國際科學(xué)計算軟件的先進水平。MATLAB 和、并稱為三大數(shù)學(xué)軟件。它在數(shù)學(xué)類科技應(yīng)用軟件中在方面首屈一指。 MATLAB可以進行運算、繪制函數(shù)和數(shù)據(jù)、實現(xiàn)算法、創(chuàng)建用戶界面、連接其他編程語言 的程序等，主要應(yīng)用于工程計算、控制設(shè)計、信號處理與通訊、金融建模設(shè)計與分析等領(lǐng)域。MATLAB的基本數(shù)據(jù)單位是矩陣，它的指令表達式與數(shù)學(xué)、工程中常用的形式十分相 似，MATLAB自產(chǎn)生之日起就具有方便的數(shù)據(jù)可視化功能，以將向量和矩陣用圖形表現(xiàn)出 來，并且可以對圖形進行標(biāo)注和打印。高層次的作圖包括二維和三維的可視化、圖象處理、 動畫和表達式作圖?？捎糜诳茖W(xué)計算和工程繪圖。新版本的MATLAB

8、對整個圖形處理功能作了很大的改進和完善， 使它不僅在一般數(shù)據(jù)可視化軟件都具有的功能（例如二維曲線和三維曲面的繪制和處理等） 方面更加完善，而且對于一些其他軟件所沒有的功能（例如圖形的光照處理、色度處理以及四維數(shù)據(jù)的表現(xiàn)等），MATLAB同樣表現(xiàn)了出色的處理能力。同時對一些特殊的可視化要求，例如圖形對話等，MATLAB也有相應(yīng)的功能函數(shù)，保證了用戶不同層次的要求。另外新版本的MATLAB還著重在圖形用戶界面（GUI ）的制作上作了很大的改善，對這方面有特殊要求的用戶也可以得到滿足。數(shù)字圖彳處理（Digital Image Processing）是通過對圖像進行去除噪聲、增強、復(fù)原、分割、提取特征

9、等處理的方法和技術(shù)。而圖像分割是數(shù)字圖像處理中的關(guān)鍵技術(shù)之一。圖像分割是將圖像中有意義的特征部分提取出來，其有意義的特征有圖像中的邊緣、區(qū)域等，這是進一步進行圖像識別、分析和理解的基礎(chǔ)。雖然目前已研究出不少邊緣提取、區(qū)域分割的方法， 但還沒有一種普遍適用于各種圖像的有效方法。因此，對圖像分割的研究還在不斷深入之中，是目前圖像處理中研究的熱點之一。圖像分類（識別）屬于模式識別的范疇，其主要內(nèi)容是圖像經(jīng)過某些預(yù)處理（增強、 復(fù)原、壓縮）后，進行圖像分割和特征提取，從而進行判決分類。圖像分類常采用經(jīng)典的模 式識別方法，有統(tǒng)計模式分類和句法（結(jié)構(gòu)）模式分類，近年來新發(fā)展起來的和人工神經(jīng)網(wǎng)絡(luò)模式分類在圖

10、像識別中也越來越受到重視。2系統(tǒng)簡介本設(shè)計研究的車牌識別系統(tǒng)是一項利用車輛的靜態(tài)圖像進行車牌號碼的自動識別的模 式識別技術(shù)。一個完整的車牌識別系統(tǒng)應(yīng)包括圖像采集和車牌識別等幾部分。車牌識別技 術(shù)中車牌定位、字符切割、字符識別及后處理是其關(guān)鍵技術(shù)。車牌識別單元對圖像進行處 理，定位出車牌位置，再將車牌中的字符分割出來進行識別，然后組成完整的車牌號碼輸 出。具體步驟如下：2文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持圖2.1 系統(tǒng)開發(fā)流程圖圖中箭頭不規(guī)范本設(shè)計是在靜態(tài)車牌圖像的及基礎(chǔ)上對車牌進行識別，故車牌圖像采集不做介紹，而 圖像預(yù)處理就是對圖

11、像進行一些簡單的處理，如增加亮度等，也不是設(shè)計的重點，也不做 詳細介紹。下面介紹一下其他幾個模塊：車牌區(qū)域定位自然環(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) 域是整個識別過程的關(guān)鍵。本系統(tǒng)主要針對家庭小型車藍底白字車牌進行識別，根據(jù)彩色 圖像的RGB比例定位出近似藍色的候選區(qū)域。由于深港兩地車牌為黑底白字，因此在車牌 識別最初階段將其分離出來，直接判斷，不再進行后期處理。在圖片中出現(xiàn)較多的藍色背 景情況下識別率會下降，不能有效提取車牌區(qū)域。通過自適應(yīng)調(diào)節(jié)方案對分割出來的區(qū)域 進行識別調(diào)整，根據(jù)車牌的長寬比，藍白色比例對候選區(qū)域進行多次定位，最終準(zhǔn)確定位 出車牌區(qū)域。

12、車牌圖像灰度化由于本系統(tǒng)的處理的車牌圖像是在室外用高清數(shù)碼相機拍攝的，因此原始圖像的數(shù)據(jù)一般比較大，所以對其進行處理的時間一般也較長，而由于實時性的要求，車牌的提取需要一次性處理就能把絕大多數(shù)特征提取出來。所以需要把得到的圖像轉(zhuǎn)化為灰度圖像，這樣會大大減少數(shù)據(jù)量，為實時性提供一定程度的保證?；叶然蟮能嚺埔茉佻F(xiàn)原字符圖像，基本不出現(xiàn)筆畫斷裂和粘連現(xiàn)象，盡量不丟失原字符的特征。傾斜校正如果車牌不是水平的，那么在后面的字符分割搜索時便不能保證每次是在對同一個字 符進行黑色像素統(tǒng)計，即會導(dǎo)致識別出錯。所以對于存在傾斜角度的圖片，需要進行傾斜 校正，本文采取rando算法進行傾斜角度的計算，然后對傾

13、斜圖片進行修正，得到水平方 向一致的圖片，便于進行后期的圖片分割及圖像識別。車牌后處理準(zhǔn)確定位出車牌位置后，還需要對車牌進行的后處理，以便進一步提前出車牌信息。 其中包括車牌區(qū)域二值化、擦除干擾、濾波等。車牌區(qū)域變成二值圖像能夠大大的節(jié)省存 儲空間，而且能降低運算了，從而有效的提高處理效率。擦除干擾是把除去車牌多余的信 息給擦除掉，然后通過濾波獲得更好的處理效果，但如果閾值選擇不好，可能把把某些車 牌信息也給過濾掉了，因此，應(yīng)當(dāng)適度。字符分割完成車牌區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進行識別。字符分割一 般采用垂直投影法。對黑色區(qū)域進行水平垂直投影，計算水平垂直峰值，檢測合理的字符

14、高寬比,可用與區(qū)域分割相同的方法進行峰值的刪除和合并。由于字符在垂直方向上的投影必去掉車牌3文檔犯!學(xué)品聯(lián)網(wǎng),如按字符寬度切割出字符然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應(yīng)滿足牌照的字符書 寫格式、字符大小、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。計算水平投影進 行車牌水平校正文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持圖2,2字符分割步驟模板匹配和字符識別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。其中模板匹配是 字符識別的最基本的方法之一，該方法是將要識別的字符與預(yù)告構(gòu)造好了的模板進行比

15、較， 根據(jù)與模板的相似度大小來確定最終的識別結(jié)果?；舅枷胧牵菏紫雀鶕?jù)字符模板大小， 確定一幅帶有加權(quán)因子的骨架模板，然后，將切割下來的字符按照模板的大小進行歸一化，包括大小的歸一化和灰度的歸一化，歸一化后的字符圖像與創(chuàng)建的模板進行匹配。變換后的圖像中，亮度的高低指示相應(yīng)區(qū)域與模板的匹配程度。通過檢查匹配后圖像的最大值，試驗確定一個合適的閾值(這里240比較合適)，顯示亮度大于該閾值的點，也就是與模板的匹配程 度最高的位置。本文主要采用基于模板匹配算法。首先將分割后的字符進行歸一化，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行匹配，最后選最佳匹配作為結(jié)果。實際應(yīng)用中，牌照識別

16、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， 通過不斷完善識別算法來提高識別率，使采集到的圖像最利于識別。數(shù)據(jù)存儲和顯示輸出顯示識別結(jié)果，并且將識別結(jié)果保存在一個預(yù)先建立的Excel文件中，七個字符按照識別先后順便一一存儲起來就可以得到車牌信息。也可以通過打開Exc

17、el文件查看識別出來的結(jié)果車牌號碼。3算法與實現(xiàn)本部分主要介紹一下在整個系統(tǒng)研究過程中所涉及的主要算法，以及實現(xiàn)的效果。除去次要的部分，關(guān)鍵的核心是車牌提取、傾斜校正、字符切割與識別等。操作系統(tǒng)：Windows XP實驗環(huán)境：MATLAB 7.0,13.1閾值處理簡介 這部分沒有跟本文沒有多大關(guān)系，可以不要在數(shù)字圖像處理中，圖像分割占有非常重要的地位，很多時候?qū)D像進行處理都要運用到圖像分割技術(shù)，分割就得有分割點，而閾值便是分割點。一幅圖像中含有大量的圖像數(shù)據(jù)， 在分割時，選擇什么閾值就顯得比較重要，因為直接關(guān)系到分割的效果。在本系統(tǒng)中會運用到閾值處理，而由于閾值處理的實現(xiàn)具有直觀性和簡單性，

18、所以閾值處理在圖像分割應(yīng)用中占有重要的地位。假設(shè)直方圖對應(yīng)于圖像f(x,y),該圖像由背景相對較亮的對象組成，采用這種方法，目標(biāo)和背景像素會具有兩種主要模式的灰度級。一種從背景上提取對象的明顯方法是選取一個閾值T來分離這兩種模式。任何滿足 K勺力三丁的點(x,y)稱為對象點，其他點 稱為背景點。換言之，閾值處理后的圖像g(x,y)定義為：4文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持.標(biāo)注為1的像素對應(yīng)于對象，而標(biāo)注為 0的像素則對應(yīng)于背景。 T為常數(shù)時，這種方法稱為全 局閾值處理，而允許閾值變化的方法稱為局部閾值處理。本設(shè)計中采用的就是基于

19、直方圖的全局閾值處理。具體步驟如下：1、為T選一個初始估計值(一般選圖像中的最大亮度值和最小亮度值的中間值)。2、使用T分割圖像。結(jié)果會產(chǎn)生兩組彳t素：亮度值大于等于T的所有像素組成的亮度值小于陰所有像素組成的?。3、計算與和G二范圍內(nèi)的像素的平均亮度值甲2。4、計算一個新閾值：7 =軟1 +出)5、重復(fù)步驟2到步驟4,直到連續(xù)迭代中T的差比預(yù)先指定的參數(shù) 丁。小為止。在Matlab的工具箱中提供了一個稱為graythresh的函數(shù)，該函數(shù)使用 Otsu方法來計算閾值。為檢驗這種基于直方圖的方法，從處理一個離散概率密度函數(shù)的歸一化直方圖開始， 如下所示：PrTq)=打 q = 0,1,2,，L

20、-1其中，n是圖像中的像素總數(shù)，”是灰度級為7的像素數(shù)目，L是圖像中所有可能的灰度級數(shù)。假設(shè)現(xiàn)在已經(jīng)選定了一個閾值k, 是一組灰度級為0,1,2,3,k-1的像素，匚1是一組灰度級為k,k+1,，L-1的像素。Otsu方法選擇最大化類間方差 *的閾值k,類間方差定義為： 扁二%0出-的,) 一 +叫孫丁)彳其中，L-i TOC o 1-5 h z %=2 %(%) 曬二 y 媼%) 卬三仆;L- 1=丫;L-1廣郎(%)Q - 0函數(shù)graythresh 取一幅圖像，計算它的直方圖，找到最大化琥的閾值，閾值返回為 0.0和1.0之間的歸一化值。函數(shù) graythresh 的調(diào)用語法為T = g

21、raythresh(f)其中，f是輸入圖像，T是產(chǎn)生的閾值。為了分割圖像，在函數(shù) im2bw中使用閾值T。因為5文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除.文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持閾值已被歸一化到范圍0,1,所以必須在使用閾值之前將其縮放到合適的范圍。模板匹配簡介 這個符號表示什么，參考資料要用上角標(biāo)。認(rèn)知是一個把未知與已知聯(lián)系起來的過程。對一個復(fù)雜的視覺系統(tǒng)來說，它的內(nèi)部常同時存在著多種輸入和其它知識共存的表達形式。感知是把視覺輸入與事前已有表達結(jié)合的過程，而識別也需要建立或發(fā)現(xiàn)各種內(nèi)部表達式之間的聯(lián)系。匹配就是建立這些聯(lián)系的技術(shù)和過程。建立聯(lián)系的目的是為了用已

22、知解釋未知。（章毓晉圖像工程 下冊P.163）模板匹配的基本概念模板就是一幅已知的小圖像。模板匹配就是在一幅大圖像中搜尋目標(biāo)，已知該圖中有要找的目標(biāo)，且該目標(biāo)同模板有相同的尺寸、方向和圖像，通過一定的算法可以在圖中找到目標(biāo)，確定其坐標(biāo)位置。以8位圖像（其1個像素由1個字節(jié)描述）為例，模板T（腔N個像素）疊放在被搜索圖S（W X1人像素）上平移，模板覆蓋被搜索圖的那塊區(qū)域叫子圖$兒i , j為子圖左上角在被搜索圖S上的坐標(biāo)。搜索范圍是:公式要有標(biāo)號通過比較T和的相似性，完成模板匹配過程。用以下等式衡量 T和%的相似性:-HSJ? SM 即.vm In = 1r” = Iri = 1m - Ijj

23、 - 1in I n J該式中S的角標(biāo)與前述不符上式的第一項為子圖的能量，第三項為模板的能量， 都與模板匹配無關(guān)。 第二項是模板ZZx Re*) m = In = 1MJ)=和子圖的互相關(guān)，隨 GJ）而改變。當(dāng)模板和子圖匹配時，該項有極大值。將其歸一化，得模 板匹配的相關(guān)系數(shù)：nj五i7fitm 1 k h 1 m = In-1當(dāng)模板和子圖完全一樣時，相關(guān)系數(shù)則）=1。在被搜索圖S中完成全部搜索后， 找出R勺最大值用的*肺八），其對應(yīng)的子圖加朋即為匹配目標(biāo)。顯然，用這種公式做圖像匹配計算量大、速度較慢.另一種算法是衡量 可口%,的誤差，其公式為:6文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為

24、：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持后辦= I WomA r佃,叫 m = 1 fj = 1其中，EUJ）為最小值處即為匹配目標(biāo)。為提高計算速度，取一個誤差閾值% ,當(dāng)譏討）二 瓦j時就停止該點的計算，繼續(xù)下一點計算。經(jīng)過試驗可知：被搜索圖越大，匹配速度越慢；模板越小，匹配速度越快。誤差法速 度較快，閾值的大小對匹配速度影響大，和模板的尺寸有關(guān)。在誤差算法的基礎(chǔ)上設(shè)計二次匹配誤差算法： 第一次匹配是粗略匹配。取模板的隔行隔 列數(shù)據(jù)，即四分之一的模板數(shù)據(jù)， 在被搜索圖上進行隔行隔列掃描匹配， 即在原圖的四分之 一范圍內(nèi)匹配。由于數(shù)據(jù)量大幅度減少，匹配速度顯著提高。為了合理的給出一個

25、誤差閾值島，我設(shè)計了一個確定誤差閾值 埒的準(zhǔn)則：% = % X ?W-其中，q為各點平均的最大誤差，一般取 處宓 即可；m,n為模板的長和寬。第二次匹配是精確匹配。在第一次誤差最小點（Ml，的鄰域內(nèi),即在對角點為&/.二1,九說二1億儲1+1，/廿4 + L）的矩形內(nèi)，進行搜索匹配，得到最后結(jié)果。經(jīng)試驗可知：二次匹配誤差法的速度比其它算法要快10倍左右。輸入待處理的原始圖像研究的第一步是車牌相片的獲取，即通過文件選擇的方式讀取待處理彩色圖像，直接調(diào)用Matlab的內(nèi)帶函數(shù)uigetfile ,用于創(chuàng)建標(biāo)準(zhǔn)的對話框并通過交互式操作取得文件名。 Uigetfile的使用方法如下：uigetfile

26、 :顯示一個模態(tài)對話框，對話框列出了當(dāng)前目錄下的文件和目錄，用于可以 選擇一個將要打開的文件名。如果文件名是有效的且該文件存在，則當(dāng)用戶點擊Open寸函數(shù)uigetfile返回該文件名。若不存在，uigetfile顯示一個控制返回對話框值的錯誤提示信息，此時用戶可以輸入另外的文件名或點擊Cancel按鈕。如果用戶點擊 Cancel按鈕或關(guān)閉對話框，函數(shù)uigetfile 將返回0。函數(shù)格式為：FileName,PathName,FilterIndex = uigetfile（FilterSpec）創(chuàng)建并顯示對話框，列出當(dāng)前目錄下的文件。 FilterSpec決定文件的初始顯示，它可以 為一個文

27、件全名或者包含通配符*，如*, jpg 表示列出所有的圖像文件。如果FilterSpec是一個包含文件名的字符串，則該文件名所在的文件名域?qū)⒈贿x中并顯示出來，且該文件的擴展名將作為過濾作用；如果FilterSpec是一個包含文件路徑的字符串，例如./*,m 表示列出當(dāng)前目錄上的所有 Mt件；如果FilterSpec是一個單元數(shù)組，則其第一列為擴展名列 表，第二列為描述列表；如果 FilterSpec沒有指定路徑對象，則 uigetfile將使用默認(rèn)路徑下的所有文件類型。本設(shè)計中按照如下格式調(diào)用uigetfile函數(shù)來讀取彩色圖像。讀取過程如圖3.1所示。fn,pn,fi = uigetfile

28、（*.jpg,選擇圖片）;%讀取*,jpg格式的圖像文件7文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持圖3.1 讀取圖片選擇運用imread函數(shù)來調(diào)用uigetfile 函數(shù)讀取的圖像，調(diào)用結(jié)果如圖 3.2所示。圖3.2 原始圖像車牌提取車牌提取是指將車牌從原始圖像中分割出來以便進行后續(xù)處理，具體包含圖像分割、修 正，以及提取幾個部分， 而重點部分又是圖像分割部分。本設(shè)計主要識別的對象是小型民用汽車，而該類汽車的車牌牌照全部為藍底白字，而且車牌的長寬比例也是固定的，這些就是要識別的車牌的特點，而本系統(tǒng)中的車牌提取部分也正是利用了這些特點來進行

29、車牌圖像提 取。在RB彰色圖彳中，uint8類RGI像的取彳1范圍是0,255,通過反復(fù)的手工實驗， 可以 得出近似藍色的取值范圍是40,200,紅色和綠色的范圍呢？所以可以通過確定閾值在40,200范圍類來找出近似藍色的區(qū)域，以備用。然后根據(jù)車牌是藍底白字的特點對已找到的藍色區(qū)域進行搜索并記錄統(tǒng)計白色像素點，如統(tǒng)計結(jié)果為沒有白色像素點，則該藍色區(qū)域肯定不是車牌區(qū)域，否則需要進行下一步判斷，這樣就可以判斷提取的藍色區(qū)域是否滿足車牌的第一個特點。如滿足第一個特點的不止一個區(qū)域，則需運用車牌的第二個特點一一長寬比例是固定的來進一步判斷剩下的備選區(qū)域，如仍就滿足條件，則為車牌所在區(qū)域， 可對其進行修

30、正并提取出來。在本設(shè)計中的具體過程為：1、假設(shè)所要處理的圖像圖片是二維平面圖像，確定一個起始點分別從y方向和x方向開始搜索藍色像素點并統(tǒng)計， 而且定義zeros(y , 1)統(tǒng)計y方向上的藍色像素點， 定義zeros(1 , x)統(tǒng)計x方向上的藍色像素點。2、通過y方向和x方向上的藍色像素點所確定的區(qū)域的值與給定的已知的閾值進行比較， 從而在y方向上確定出藍色區(qū)域的上下邊界，并且在x方向上確定出藍色區(qū)域的起始點，這樣就可以得到很多備選的藍色區(qū)域。同時得出藍色區(qū)域的長和寬，并記錄。3、在(2)中所得的眾多藍色區(qū)域內(nèi)進行白色像素點搜索，并統(tǒng)計。同時，計算出白色比例跟長寬比例。4、判斷藍色區(qū)域是否是

31、車牌區(qū)域。如沒有白色像素或長寬比不滿足既定比例，則該區(qū) 域不是車牌區(qū)域，否則就是車牌區(qū)域，進而可以將其提取出來。5、若藍色區(qū)域不是車牌區(qū)域，則需要進行第二次x方向上的搜索，再次搜索采用增強型 的兩邊往中間收縮進行搜索，這樣可以防止車牌中間某些位置出現(xiàn)斷層對搜索的影響。6、重復(fù)步驟(3)和步驟(4)的操作，進而確定出車牌所在區(qū)域。7、對車牌區(qū)域進行修正。因為前面步驟中獲得的車牌區(qū)域沒有車牌的邊框，所以需要 對所得區(qū)域稍加修正即可使車牌邊框顯示出來，從分割出完整的車牌。 這里只需對前面所得區(qū)域的四個邊界都向外擴展一個既定的距離，從而使所要提取的區(qū)域擴大，這樣就能提取出整個車牌。8、對前面分割出來的

32、車牌區(qū)域進行進一步修正。根據(jù)像素區(qū)域的大小的不同， 又y方向上的寬和x方向上的長進行進一步修正。這里與步驟 (7)中的修正的不同點在于：步驟 (7)中 向各個方向的修正值是相同的， 而這里的y方向與x方向上的修正的不一定相同， 主要根據(jù)像 素區(qū)域的大小決定。9、提取出車牌圖像并顯示。經(jīng)過以上步驟，可以提取出較為理想的車牌圖像。在本設(shè)計中，設(shè)計了以下函數(shù)對圖片進行分割。8文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除.文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持PY2,PY1,PX2,PX1,m=caitu_fenge(I,fn);%車牌圖像分割函數(shù)其中，PY2,PY1,PX2,PX1,m

33、分別代表車牌區(qū)域y方向上的下邊界、上邊界和x方向上的終點邊界、起始邊界，以及返回的閾值。設(shè)計并采用如下函數(shù)對車牌區(qū)域進行再次修正。PY2,PY1,PX2,PX1,threshold=SEC_xiuzheng(PY2,PY1,PX2,PX1);%再次修正其中，PY2,PY1,PX2,PX1的意義與前面相同，Wthreshold為函數(shù)返回的一個閾值，該閾值表將在裁剪時用到。設(shè)計并采用如下函數(shù)對車牌圖像進行提取。PY2,PY1,PX2,PX1=caitu_tiqu(I,I_bai);哪圖 _車牌提取該函數(shù)與車牌分割函數(shù)的原理和作用基本上相同，但是沒有返回閾值，而且提取過程中處理也簡單些了。車牌圖像提

34、取結(jié)果如圖3,3所示。圖3.3車牌提取結(jié)果說明：由于深港兩地車牌為黑底白字，因此在車牌分割后就可以直接判斷出不滿足藍底白字的要求，因此經(jīng)過車牌分割這一步驟之后就可以直接分別出來，所以不再對其進行后續(xù)識別處理。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。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，圖像的對比度擴展，使圖像變得更加清晰、細膩、容易識別。將彩色圖像轉(zhuǎn)換為二值的黑白灰度圖像只需直接調(diào)用Matlab內(nèi)帶函數(shù)rgb2gray即可，具體調(diào)用為：bw=rgb2g

35、ray(bw);圖像灰度化后的效果如圖3.4所示。圖3.4 圖像灰度處理后傾斜校正在本設(shè)計中，字符切割時，要對圖像進行掃描，并且統(tǒng)計像素點數(shù)目并累計，當(dāng)累計 到一點數(shù)目時，達到預(yù)定的閾值時，就被認(rèn)定為一個字符，如果圖像不水平，就會影響掃描結(jié)果，進而導(dǎo)致字符切割不準(zhǔn)或失敗，所以在切割之前必須進行傾斜校正，即對存在傾斜角度的圖片進行傾斜校正，以便獲得水平方向的圖片?？烧{(diào)用如下函數(shù)完成校正任務(wù)：Rando_bianhuan(I)該函數(shù)使用邊緣檢測函數(shù)edge識別經(jīng)過灰度處理的車牌圖像的邊界，并且定義角度theta=1:180 ,然后調(diào)用 Matlab內(nèi)帶的radon變換函數(shù)識別出傾斜角度并記錄。Ra

36、don變換是一幅圖像在一個特定的角度下的徑向線方向的投影。Radon在該函數(shù)中的具體使用方法為：R,xp = radon(I,theta)該函數(shù)中，對應(yīng)于 R中的每一行，返回一個包含徑向坐標(biāo)的向量xp。xp中的徑向坐標(biāo)是?占著X軸的數(shù)值，其為在theta下，X軸逆時針方向映射來的。9文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持如記錄的角度為J,則需要旋轉(zhuǎn)的角度為 90-J。旋轉(zhuǎn)時調(diào)用Matlab內(nèi)帶的imrotate ()函數(shù)，如需旋轉(zhuǎn)的角度定義為負(fù)值，則圖像順時針旋轉(zhuǎn)，正值則沿著逆時針方向旋轉(zhuǎn)。旋轉(zhuǎn)校正之后的效果如圖3.5所示。圖3.5傾斜

37、校正處理后圖片后處理對經(jīng)過傾斜校正之后的圖片，還需要進行一些后處理，以便獲得更好的信息。主要是 擦除干擾和對圖片做進一步的裁剪，把過多的邊界裁剪掉，僅留下車牌字符。在裁剪之前，首先得對干擾進行處理，以防裁剪時將車牌信息也裁剪掉了。由于圖像 是高清數(shù)碼相機所拍攝的靜態(tài)車牌，所以干擾比較少，不需要進行特別復(fù)雜高效的干擾處理， 只需簡單處理一下即可。對干擾進行處理時，只需圖像轉(zhuǎn)換為基于閾值的二進制圖像，直接調(diào)用Matlab的內(nèi)帶函數(shù)im2bw(),調(diào)用格式為：Bw = im2bw(bw,graythresh(bw)其中，graythresh(bw)為閾值，函數(shù)graythresh 能用來自動計算變量

38、閾值，具體介紹可參 見3,0中的簡介，輸出圖bw將輸入圖像中亮度值大于graythresh(bw)的像素替換為值1 (白色)，其他替換為值0(黑色)。指定graythresh(bw) 在0,1之間，不用管輸入圖像的等 級。如果你不指定閾值，im2bw則默認(rèn) 使用0.5。然后調(diào)用 Matlab內(nèi)帶函數(shù)bwmorph提 取二進制圖像的輪廓，并且調(diào)用Matlab內(nèi)帶的bwareaopen函數(shù)刪除二進制圖像中面積小于 threshold 的對象，對剩下的沒被刪除的對象調(diào)用自己定義的touying函數(shù)進行投影，從而可得到只有車牌號碼的黑白圖像，如圖 3,6所示。其中，touying函數(shù)從右往左，從上往下

39、 進行投影，并且投影過程中要統(tǒng)計黑點數(shù)目，在尋找圖片上下邊界時，從兩端向中間進行搜索，還有在整個過程中也要使用閾值，在確定左邊邊界時，先預(yù)定義一個值1,當(dāng)不大于投影往下面投影的統(tǒng)計值的十四分子一的整數(shù)小于等于1時，即為左邊界，找到三個邊界即可得到只有車牌號碼的黑白圖像，即圖 3,6所示圖像。圖3.6擦除干擾等處理后效果字符切割車牌號碼由漢字、字母、數(shù)字三種字符組成，而且組成形式為漢字+字母+數(shù)字或漢字+字母+數(shù)字+漢字兩種，前面是小型民用汽車車牌的組成形式，也是本系統(tǒng)主要處理的車牌類型，后一種形式的是指某些有特定意義的汽車的車牌，如大使館的汽車最后有一個紅色的使字。在字符切割時也將運用這一特點

40、。字符切割采用累積計數(shù)的方法，對每一行，每一列的黑色像素點進行統(tǒng)計，然后累積像素與設(shè)定的閾值進行比較，當(dāng)累計像素達到設(shè)定的閾值時，被認(rèn)為是一個字符，然后進行切割。根據(jù)車牌的特點，可以對車牌中的漢字、字母、數(shù)字進 行定位，對應(yīng)位置分割出來的分別為漢字、字母、數(shù)字三種不同的字符，而且這樣也有利于后面的識別過程的效率的提高。在本設(shè)計中定義如下函數(shù)對字符進行分割。function fenge = shuzifenge(imfenge,qingxiejiao) %字符分割函數(shù)該函數(shù)首先設(shè)定分割閾值，然后開始黑色像素搜索，當(dāng)搜索統(tǒng)計的像素達到設(shè)定的閾值 時，即被認(rèn)定為一個字符，切割出來；然后繼續(xù)搜索，繼續(xù)

41、確定其它字符，直到字符被全部 切割出來為止。切割之后的字符圖樣如圖3,7所示。圖3,7字符切割效果說明：為了區(qū)別數(shù)字“ 1”和字母“ l ”，如遇到數(shù)字“ 1，字符長度會自動增加，正如 圖3,7所示的效果一樣。10文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持3.9字符識別字符識別過程采用模板匹配算法進行識別，關(guān)于模板匹配算法原理可參考3.1。具體識別步驟如下：1、對字符進行歸一化處理。在 3.7已經(jīng)將字符分割開來了，但是分割開之后的字符的 大小等數(shù)據(jù)并不一定相同，也就無法進行正確的匹配識別，所以需要通過對分割出來的字符進行歸一化處理使它們具有

42、相同的屬性。2、字符模板存儲。將分割字符進行歸一化處理后，將它們以模板的形式存儲（存儲格式為位圖）在字符模板庫中。這樣便可以得到一個字符模板庫。注意：生成模板庫時，并不是 隨便排列的，而是按照數(shù)字 （從0到9）、字母（從A到Z）、漢字的順序排列的，目的是為了 提高識別效率。3、對分割字符分別進行黑白像素的統(tǒng)計，然后根據(jù)統(tǒng)計像素與模板大小的比例判斷出 識別的結(jié)果，并且依次保存。4、導(dǎo)出文本。輸出并顯示識別結(jié)果直接調(diào)用 Matlab內(nèi)帶的msgbox函數(shù)即可。然后調(diào) 用Matlab內(nèi)帶的fopen函數(shù)打開預(yù)先建立的表格， 并調(diào)用Matlab內(nèi)帶的fprintf 函數(shù)將識 別結(jié)果寫入表格中，最后保存

43、寫入的識別結(jié)果并關(guān)閉表格。在以上四個步驟中，前面三個步驟為字符的識別過程，第四步是對識別結(jié)果的輸入顯示和保存。最終顯示的識別結(jié)果如圖3.8所示。圖3.8 識別結(jié)果效果當(dāng)然，也可以通過直接打開保存了車牌識別結(jié)果的Excel文件查看識別出來的結(jié)果車牌號碼。4系統(tǒng)運行結(jié)果分析系統(tǒng)運行基本正常，大部分滿足條件的車牌號碼能被正確識別出來，但是部分車牌目 前還無法正確識別出來，如車牌號碼所有數(shù)字都相同時，識別會出錯。還有，在識別過程中，可能會遇到圖4.1所示問題：圖4.1 出錯識別從上面結(jié)果可以看出，這張車牌的識別存在著一點問題，將“S”誤識另為“ 5”。在識別中還可能出錯的有“ 0”和“ 8”，“粵”和

44、“京”，“A”和“4”等。由于時間的關(guān)系，目前 已對后面一個問題中的部分修改好了，而其他部分還可以進行優(yōu)化改進，通過進一步修改程序，在某些方面做些彌補，最后達到識別效果。由此可知，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)確才能保證識別出來的數(shù)據(jù)正確。5結(jié)束語本設(shè)計所采用的基于彩色分量的定位方法，運用基于藍色象素點統(tǒng)計特性的方法對藍底車牌進行定位，通過實驗數(shù)據(jù)表明，用該方法實現(xiàn)的車牌定位準(zhǔn)確率較高。本設(shè)計只對藍底白字車牌進行分割識別，針對其他顏色的車牌，則需要對車牌定位算法進行進一步的調(diào)整， 而車牌字符的分割算法仍然有效。本設(shè)計所采用的圖片都是用1000萬像素相機拍攝的，清晰地比較高

45、，因此效果比較好，如果圖片質(zhì)量不高，識別還存在著一定的問題，識別率也會下降，因此還需要進一步對算法進行改進，才能達到較好的效果。11文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除.文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持把模4系統(tǒng)運行結(jié)果與分析內(nèi)容太少，其它顯示結(jié)果的地方也可以增加一些圖片說明。板匹配部分可放在后面一點。12文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持【注釋】、摘自數(shù)字圖像處理（MATLAB版），作者：岡薩雷斯、摘自期刊文檔圖像處理技術(shù)一一模板匹配算法，作者：左力【參考文獻】1岡薩雷斯數(shù)字圖像處理（第二版）北京電子工

46、業(yè)出版社2007.82岡薩雷斯數(shù)字圖像處理（MATLAB版）北京電子工業(yè)出版社2005.93趙丹等基于MATLAB勺車牌識別大連工業(yè)大學(xué)學(xué)報2007.94王剛等基于MATLAB勺車牌識別系統(tǒng)的研究電子設(shè)計工程2009.115葛哲學(xué)精通MATLAB 電子工業(yè)出版社2008.26百度資料庫網(wǎng)址:7左力圖像處理技術(shù)一一模板匹配算法2002.38Milind M.MushrifAjoy K. Ray ,Colorimage segmentation: Rough-set theoreticapproach,Pattern Recognition Letters,29(2008)483-4939 錢成，

47、盧玨車牌識別中字符分割的研究中國科技論文在線2011.1中央民族大學(xué)學(xué)報（自然科學(xué)版）10朱俊梅，陳少平基于改進的投影方法的車牌圖像字符分割2007.4郭大波彩色汽車圖像車牌定位技術(shù)分析山西大學(xué)學(xué)報(自然科學(xué)版)2005.1Yanli Zhai A novel variational model for image segmentation Journal of Computational and Applied Mathematics 2011 No.813文檔收集于互聯(lián)網(wǎng)，如有不妥請聯(lián)系刪除文檔來源為：從網(wǎng)絡(luò)收集整理,word版本可編輯.歡迎下載支持.致謝這次基于Matlab的靜態(tài)車牌識別系統(tǒng)畢業(yè)設(shè)計的完成，首先要