車牌識別設計與實現(xiàn)

目錄TOC\o"1-5"\h\z摘要I\o"CurrentDocument"AbstractII\o"CurrentDocument"1緒論1\o"CurrentDocument"1。1課題的來源及意義1\o"CurrentDocument"1.2課題主要研究的問題21。3系統(tǒng)設計的目標及基本思路21.3.1設計目標21.3。2基本思路3\o"CurrentDocument"2圖像預處理4\o"CurrentDocument"2.1汽車牌照的特征42。2灰度變換5\o"CurrentDocument"2.3圖像增強62.4圖像邊緣提取及二值化72。4。1圖像邊緣提取7\o"CurrentDocument"2。4.2灰度圖像二值化14\o"CurrentDocument"2。5形態(tài)學濾波15\o"CurrentDocument"3車牌定位方法研究19\o"CurrentDocument"3.1車牌定位常用方法介紹19\o"CurrentDocument"3.1.1基于紋理特征分析的定位方法19\o"CurrentDocument"3。1。2基于數(shù)學形態(tài)學的定位方法19\o"CurrentDocument"3.1。3基于邊緣檢測的定位方法19\o"CurrentDocument"3.1。4基于小波分析的定位方法19\o"CurrentDocument"3.1。5基于圖像彩色信息的定位方法20\o"CurrentDocument"3。2基于行掃描灰度跳變分析的車牌定位方法20\o"CurrentDocument"4車牌識別方法研究224。1牌照區(qū)域的分割和圖像進一步處理224.1.1牌照區(qū)域的分割22\o"CurrentDocument"4。1.2車牌進一步處理22\o"CurrentDocument"4.2字符的分割與歸一化234.2。1字符分割234。2。2字符歸一化24\o"CurrentDocument"4.3字符的識別24\o"CurrentDocument"5總結與展望27\o"CurrentDocument"5。1總結27\o"CurrentDocument"5.2心得體會27\o"CurrentDocument"5。3展望28\o"CurrentDocument"致謝29\o"CurrentDocument"參考文獻30附錄一31車牌識別系統(tǒng)作為智能交通系統(tǒng)的一個重要組成部分，在交通監(jiān)控中占有很重要的地位.車牌識別系統(tǒng)可分為圖像預處理、車牌定位和字符識別3個部分，其中車牌定位作為獲得車輛牌照圖像的重要步驟，是后續(xù)的字符識別部分能否正確識別車牌字符的關鍵環(huán)節(jié)。車牌定位系統(tǒng)實現(xiàn)對車輛牌照進行定位的功能，即從包含整個車輛的圖像中找到車牌區(qū)域的位置，并對該車牌區(qū)域進行定位顯示，將定位信息提供給字符識別部分。針對車牌本身固有的特征，本文首先介紹了在車牌定位過程中常用的幾種數(shù)字圖像處理技術：圖像的二值化處理、邊緣檢測和圖像增強等。其次介紹了現(xiàn)在常用的車牌定位方法，并對這些方法進行分析，總結出各種方法的優(yōu)缺點，然后在此基礎上提出采用基于行掃描灰度跳變分析的方法對車牌進行定位，并使用MATLAB仿真實現(xiàn)車牌定位與識別系統(tǒng)。最后對該系統(tǒng)進行了測試，測試結果表明該系統(tǒng)具有良好的人機交互方式，具有較高的識別正確率和較快的識別速度，對用戶給定的待測圖像能夠迅速準確地進行車輛牌照的定位并將定位結果顯示給用戶，該系統(tǒng)具有一定的實用價值。關鍵詞：車牌定位，灰度圖像，行掃描，投影AbstractAsanimportantpartoftheIntelligentTransportationSystems，LicensePlateRecognitionSystemplaysanimportantroleintrafficmonitoringarea.Licenseplaterecognitionsystemcanbedividedintothreeparts，i。e.,imagepre—processing，licenseplatelocationandcharacterrecognition.Thevehiclelicenseplatelocationisanimportantprocedurewhichisusedtoobtainalicenseimage。Itisalsothekeyofthefollowingcharacterrecognitionsystemwhichcanidentifythecorrectlicenseplatecharacters.Licenseplatelocationsystemcanperformthevehiclelicenselocationfunction,i.e.,findingthelocationofthevehiclelicenseintheimagecontainingtheentirevehiclelicenseplate，positioningtheplateregionandthendemonstratingthelocationinformationonthecomputerscreenwhichwillbetransferredtothecharacterrecognitionsystem.Accordingtotheowninherentcharacteristicsoflicenseplate，thisthesisintroducesmanycommonlyuseddigitalimageprocessingtechniquesinthelocationprocessoflicenseplate:binaryimageprocessing，edgedetectionandimageenhancement,andsoon.Then，weintroducethecommonlyusedmethodsoflicenseplatelocation.Further，weanalysisthesemethodsandsummarizetheiradvantagesanddisadvantages.Moreover,weproposelocatingplatebyusingthegray—scaleimageprojectionandlinescanningmethodwithedgedetection.ThissystemwasimplementedbyusingtheMATLAB。Finally,theexperimentalresultsindicatethatthesystemhasagoodhuman-computerinteraction,abetteridentificationrateandhigherspeed.Forimagesprovidedbyusers,thesystemcanquicklyandaccuratelylocatethevehiclelicenseanddisplaythelocationresultstotheusers。Therefore，thissystemhassomepracticalvaluesoKeywords：licenseplatelocation，gray-scaleimages，linescan,projection1緒論1。1課題的來源及意義科學技術在不斷進步，極大程度的提高了人民的生活水平，改善了生活質(zhì)量，但也使得汽車的數(shù)量急劇增加。城市里道路交通引發(fā)的一系列問題也逐漸引起了人們的重視.怎樣科學并且有效的進行交通管理是有關部門現(xiàn)在面臨的一個問題。信息化的智能交通系統(tǒng)(ITS)，有效地解決了這個問題，使得經(jīng)濟活力得以提升，提高了道路運輸效率，更加保障了行車安全，實現(xiàn)了道路交通的自動化管理。本次設計的車牌識別系統(tǒng)，是智能交通系統(tǒng)的一個重要組成部分，在交通監(jiān)控領域發(fā)揮著相當重要的作用。車輛的牌照就如同人的身份證一樣，通過查詢車牌就能查詢到該車的相關身份信息。因此在智能交通系統(tǒng)中，車牌識別系統(tǒng)需要處理的信息來源于車輛的這一唯一身份標識，也就是汽車的牌照，車牌識別系統(tǒng)因此也成為智能交通系統(tǒng)研發(fā)的核心。車牌識別系統(tǒng)按照識別的步驟來說，可以分為這樣三個部分：預處理車牌圖像，車牌位置的確定和車牌字符的識別。車牌圖像先經(jīng)過一系列步驟進行處理變成可以直接識別的灰度圖像，這個灰度圖像包含了車牌號信息。接著會使用到Roberts算子進行邊緣檢查。然后使用基于行掃描灰度跳變分析的方法確定車牌在圖像中的位置。字符識別所使用的方法是對二值化后的字符部分進行水平投影，再垂直投影將字符分割成一個一個分開的字符。將分割開的字符與數(shù)據(jù)庫中的模板進行匹配，匹配完全符合即為字符識別成功了。有效并且高速的車牌定位系統(tǒng)，將能夠大大提高車牌識別系統(tǒng)的識別精度與識別速度。車牌識別系統(tǒng)以其特有的強大功能，成為了交通管理自動化和車輛檢查系統(tǒng)的一個非常重要的組成部分，它在交通監(jiān)視和控制中起著非常重要的作用，可以應用到以下交通控制領域：高速公路和停車場收費管理系統(tǒng)。對于公路收費的入口和出口，車輛行駛通過不用停車就可以完成收費；還可以根據(jù)識別出來的車牌號碼查詢到車輛有沒有及時繳納路橋費，是否通過年審和有沒有繳清罰款之類的。（2）交通場所布控管理系統(tǒng)。該系統(tǒng)使用車牌識別技術，自動識別相關車輛,在需要的時候可以實現(xiàn)快速報警功能，不僅能防止機動車被盜，為公安機關進行刑事偵查和破案提供了高科技手段.（3）高速公路超速監(jiān)控系統(tǒng)。該系統(tǒng)以車牌識別技術為核心加上其他高科技手段，建立起無人自動監(jiān)測系統(tǒng)，可以有效地用于解決因在高速公路上超速行駛造成的交通事故.同時當車輛的速度高于限制值，就可以通過攝像頭獲取汽車的圖像，并識別出獲得的車牌的號碼，以便于對違章車輛進行罰款.1.2課題主要研究的問題（1）車牌圖像預處理的方法？（2）采用何種方法對汽車牌照進行定位？（3）采用何種方法對汽車牌照進行識別？1。3系統(tǒng)設計的目標及基本思路1.3。1設計目標本系統(tǒng)主要應用于對車輛圖像進行車輛牌照的定位和車牌字符的識別，根據(jù)這一實際應用背景，確定了系統(tǒng)設計的三個目標：實用性、高速性和魯棒性.實用性：該系統(tǒng)主要應用于車輛管理，以及其他與車牌有關系的領域，所以具有很重要的實用價值，為了提高其實用價值，要充分考慮系統(tǒng)在應用中所遇到的問題，防止由于識別的偏差導致結果的不正確，影響工作的進程，降低工作的效率.高速性：由于本系統(tǒng)處理的對象為運動中的車輛，在實際應用過程中，提交給系統(tǒng)的車輛圖像間隔時間較短，因此本系統(tǒng)必須能夠高速地對車輛圖像進行分析處理，并獲得結果。魯棒性：在整個車牌自動識別過程中，本系統(tǒng)首先從圖像中準確獲得車輛牌照的區(qū)域，繼而對車牌區(qū)域的字符正確識別。而在實際應用過程中,系統(tǒng)獲得的車輛圖像必然會有參數(shù)不規(guī)范的現(xiàn)象，因此本系統(tǒng)必須能夠適應各類圖像并能夠?qū)斎氲能囕v圖像具有較高的定位準確率。1.3.2基本思路由于車輛牌照相對于車輛本身以及周圍環(huán)境，具有其獨有的特征，所以在車牌的定位過程中，一般采取的辦法是利用車牌區(qū)域的特征來判斷牌照，將車牌區(qū)域從整幅車輛圖像中分割出來.利用的車牌特征主要包括：（1）車牌區(qū)域邊緣灰度與外部區(qū)域存在明顯的灰度差異。（2）車牌的幾何特征，即車牌的高、寬和高寬比在一定范圍內(nèi)。（3）車牌區(qū)域的字符與背景顏色之間存在明顯的灰度差異.（4）車牌區(qū)域水平或垂直投影特征，車牌區(qū)域水平或垂直投影呈現(xiàn)連續(xù)的峰一谷一峰的分布。本系統(tǒng)針對車輛牌照的這一系列特征，采用基于行掃描灰度跳變分析的基本思路進行車輛牌照的定位方法。該方法首先通過對灰度圖像進行二值化、邊緣檢測、濾波等處理，獲得較理想的供定位圖像，然后對該圖像進行垂直和水平方向的行掃描，結合車輛牌照的上述特點，通過分析圖像的灰度跳變特征，對車輛牌照進行定位[1].車輛牌照定位后對牌照區(qū)域字符進行分割，將分割好的字符進行二值化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行匹配，最后選最佳匹配作為結果.2圖像預處理圖像預處理是車牌定位的準備工作，以提高車牌圖像的適用性。從采集卡獲得的原始圖像不僅包括汽車牌照，而且還有汽車本身和汽車的背景圖像，因此必須去掉這些非牌照圖像的影響，才有可能正確的提取出牌照區(qū)域，為后面的車牌字符識別打下基礎.在實際應用中，由于季節(jié)的更替、自然光照度的晝夜變化、光照的穩(wěn)定性與均勻性、車輛自身的運動、觀察點不同（攝像機的角度、位置、觀察角度等）、采集圖像的設備本身的因素等的影響，圖像傳感器所獲取的圖像有時并不令人滿意，存在各種各樣的噪聲。因而必須對圖像進行預處理，以改善圖像質(zhì)量，提高字符識別率。2.1汽車牌照的特征車牌識別系統(tǒng)需要全天候工作，在白天、黑夜、陰天、晴天、雨雪、逆光等情況下無故障地進行工作。尤其是在強光照射下，得到的數(shù)字圖像各處反光不均勻,在夜間的時候，汽車前燈往往造成數(shù)字圖像亮度不均勻，對比度較低，這些情況往往需要進行直方圖均衡操作。當車輛速度很高時，會造成拍攝的圖片模糊，甚至變形。路面問題，現(xiàn)在國內(nèi)很多路面條件較差，常常會導致車牌污染嚴重、傾斜、甚至變形。從而使得獲得的圖片質(zhì)量很差，會造成識別困難.在車輛車牌中包含漢字、字母和數(shù)字，其中字母和數(shù)字識別比較簡單，漢字字符筆畫繁多、結構復雜，識別困難,因此需要得到的數(shù)字圖像有較高的分辨率，對應算法有較高的抗干擾性。汽車牌照作為車輛的唯一身份標識，其特征也就成為車牌定位的重要參考依據(jù)。車輛牌照的特征有形狀特征、字符特征和灰度變化特征等。車牌定位系統(tǒng)在處理這些特征時將會應用到數(shù)字圖像處理技術[2].（1）形狀特征標準車牌的寬、高、以及寬高比一定。車牌的邊緣是線段圍成的有規(guī)則的矩形，大小變化有一定的范圍.汽車前車牌的標準外輪廓尺寸為440x140,每個字符寬度為45，高度為90，間隔符寬10,字符間隔12。整個車牌的寬高比近似為3:1。實際中攝像機的拍攝角度不同，拍攝到的車牌寬高比例會有所差別.（2）字符特征標準車牌首位為省名簡稱，共有31個字符（不考慮軍、警車）；次位為英文字母（除去"I"）共25個英文大寫字母；后面五位為英文字母或阿拉伯數(shù)字（字母除去字母“I”和字母“O”），共有34個字符。（3）灰度變化特征車牌的底色、邊緣顏色以及車牌外的顏色都是不相同的，表現(xiàn)在圖像中就是灰度級互不相同，這樣在車牌邊緣形成了灰度突變邊界。實際上，車牌的邊緣在灰度上的表現(xiàn)是一種屋脊狀邊緣；在車牌區(qū)域內(nèi)部,穿過車牌的水平直線其灰度呈現(xiàn)連續(xù)的波峰、波谷、波峰的分布；車牌區(qū)域內(nèi)的邊緣灰度直方圖具有兩個明顯并且分離的分布中心；車牌區(qū)域內(nèi)的水平和垂直投影呈現(xiàn)連續(xù)的波峰、波谷、波峰的分布。這部分特征主要用在對灰度圖像進行車牌定位、字符分割方面［3］。2.2灰度變換灰度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時看到的亮度連續(xù)變化的黑白照片就是一幅灰度圖?；叶然幚砭褪菍⒁环噬珗D像轉(zhuǎn)化為灰度圖像的過程.彩色圖像分為R、G、B三個分量,分別顯示出紅、綠、藍等各種顏色，灰度化就是使彩色的R、G、B分量相等的過程。灰度值大的像素點比較亮（像素值最大為255,為白色），反之比較暗（像素值最小為0，是黑色）。本次灰度圖像變換的實現(xiàn)采用了rgb2gray函數(shù)rgb2gray:轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像格式：I=rgb2gray（RGB）I=rgb2gray（A）原始圖像和灰度圖如圖2—1、2-2所示：

圖2—1原始圖像灰度厘直方屢01002000100200圖2—2灰度圖像2.3圖像增強對車輛圖像進行灰度化處理之后，車牌部分和非車牌部分圖像的對比度并不

是很高，此時如果直接進行邊緣提取，由于車牌界限較為模糊，難以提取出車牌邊緣，因而難以準確定位車牌.為了增強牌照部位圖像和其他部位圖像的對比度，使其明暗鮮明，有利于提高識別率，需要將車輛圖像進行增強。2.圖像增強的目的是對圖像進行加工，以得到對具體應用來說視覺效果更適于計算機識別的圖像。增強圖像的方法有很多，如灰度變換、圖像平滑處理和線性濾波等，根據(jù)處理圖像域又可分為空間增強與頻域增強。目前用于車牌圖像增強的方法有：灰度拉伸、直方圖均衡、中值濾波、高斯濾波、鄰域濾波、圖像腐蝕、多圖像平均、同態(tài)濾波等等。在本設計中用到運動目標檢測一圖像開運算，圖像的開運算是先腐蝕后膨脹，用來消除小物體、在纖細點處分離物體、平滑較大物體的邊緣同時并不明顯改變其面積.(1)對原始圖像進行開運算得到背景圖像：s=strel(’disk’,13)；%調(diào)用strel函數(shù)Bgray=imopen(Sgray，s);%對圖像進行開運算figure,imshow(Bgray)；title('背景圖像');輸出背景圖像，如圖2-3所示圖2—3背景圖像圖圖2—4增強后的黑白圖像(2)原始灰度圖像與背景圖像做減法，對圖像進行增強處理：Egray=imsubtract(Sgray,Bgray)；figure，imshow(Egray);title('增強黑白圖像')；輸出黑白圖像如圖2-4所示。2。4圖像邊緣提取及二值化2.4.1圖像邊緣提取邊緣主要存在于目標與目標、目標與背景、區(qū)域與區(qū)域(包括不同色彩)之

間,邊緣檢測主要是精確定位邊緣和抑制噪點，原理是:由于微分算子具有突出灰度變化的作用，對圖像進行微分運算，在圖像邊緣處及其灰度變化較大，故該處微分計算值較高，可將這些為分支作為相應點的邊緣強度，通過閾值判別來提取邊緣點，即如果為分支大于閾值，則為邊緣點。其基本步驟是首先利用邊緣增強算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強度”，通過設置門限的方法提取邊緣點集［4］。常用的傳統(tǒng)邊緣檢測算子有Roberts算子、Sobel算子、Prewitt算子、Laplace算子等.Roberts算子：邊緣定位準確，但對噪聲敏感，去噪聲作用小,適合于邊緣明顯且噪聲較小的圖像分割；物體的邊緣總是以圖像中強度的突變形式出現(xiàn)的，所以物體邊緣包含著大量的信息。由于物體的邊緣具有十分復雜的形態(tài)，因此，最常用的邊緣檢測方法是所謂的“梯度檢測法"。設f3,y）是圖像灰度分布函數(shù)；s（x,力是圖像邊緣的梯度值；中3,y）是梯度的方向。則有(2-1)(n=1,2,。。.)中3,y)=tan-1{[f(x,y+n)-f(x,y)]/[f(x+n,y)-f(x,y)]}s(x,y)=(2-1)(n=1,2,。。.)中3,y)=tan-1{[f(x,y+n)-f(x,y)]/[f(x+n,y)-f(x,y)]}式（2—1）與式（2-2）可以得到圖像在（x，y）點處的梯度大小和梯度方向。將式(2—1)改寫為：2424(2-3)g(x,y)=勺f(x,y)-Jf(x+1,y+1)+寸f(x+1,y)-Jf(x,y+1)g（x,y）稱為Roberts邊緣檢測算子。式中對f（x,y）等的平方根運算使該處理類似于人類視覺系統(tǒng)的發(fā)生過程。事實上Roberts邊緣檢測算子是一種利用局部差分方法尋找邊緣的算子，Robert梯度算子所采用的是對角方向相鄰兩像素值之差，所以用差分代替一階偏導，算子形式可表示如下：

(2-4)△J3,y)=f3,y)-f3-1,y-1)Af(X,y)=f(X-1,y)-f(x,y-1)y(2-4)上述算子對應的兩個2x2模板如圖2-5所示。實際應用中，圖像中的每個像素點都用這兩個模板進行卷積運算，為避免出現(xiàn)負值，在邊緣檢測時常提取其絕對值。100—100—101-10(a)圖2-5(b)Robert算子模板Sobel算子：它是方向性的，在水平和垂直方向上形成了最強烈的邊緣Sobel算子不僅能檢測邊緣點，而且能抑制噪聲影響，對灰度漸變和噪聲較多的圖像處理得較好;該算子是由兩個卷積和gjx,y)與g2(x,y)對原圖像f(x,y)進行卷積運算而得到的。其數(shù)學表達式為：S(x,yS(x,y)=MAX鬼(m,n)%a(mn)g2(」m’j-n)m=1n=1m=1n=1(2-5)實際上Sobel邊緣算子所采用的算法是先進行加權平均，然后進行微分運算，我們可以用差分代替一階偏導，算子的計算方法如下：Af(x,y)=[f(x-1,y+1)+2f(x,y+1)+f(x+1,y+1)]-[f(x-1,y-1)+2f(x,y-1)+f(x+1,y-1)]Af(x,y)=[f(x-1,y-1)+2f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+2f(x+1,y)+f(x+1,y+1)]iy(2-6)Sobel算子垂直方向和水平方向的模板如圖2-6所示，前者可以檢測出圖像中的水平方向的邊緣，后者則可以檢測圖像中垂直方向的邊緣。實際應用中，圖

像中的每一個像素點都用這兩個卷積核進行卷積運算，取其最大值作為輸出。運算結果是一幅體現(xiàn)邊緣幅度的圖像?！?—1-2—1000121-101-202—301(a)(b)圖2-6Sobel算子模板Prewitt算子:利用局部差分平均方法尋找邊緣的算子，它體現(xiàn)了三對像素點像素值之差的平均概念，因為平均能減少或消除噪聲，為此我們可以先求平均，再求差分，即利用所謂的平均差分來求梯度。用差分代替一階偏導可得算子形式如下：Af(x,y)=[f(x+1,y+1)+f(x,y+1)+f(x-1,y+1)]-[f(x+1,y-1)+f(x,y-1)+f(x-1,y-1)]△f(x,y)=[f(x-1,y-1)+f(x-1,y)+f(x-1,y+1)]-[f(x+1,y-1)+f(x+1,y)+f(x+1,y+1)]iy(2-7)Prewitt邊緣檢測算子的兩個模板如圖2—7所示，它的使用方法同Sobel算子一樣，圖像中的每個點都用這兩個核進行卷積，取得最大值作為輸出.Prewitt算子也產(chǎn)生一幅邊緣圖像。與Sobel算子相比，對噪聲抑制較弱。

—1-1——1-1—100011110—110—110—1(a)(b)圖2-7Prewitt算子模板Laplace算子:它是一個與方向無關的各向通行邊緣檢測算子，對細線和孤立點檢測效果好，但邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對噪聲有雙倍加強作用，很少直接用于檢測邊緣。對于階躍狀邊緣，其二階導數(shù)在邊緣點出現(xiàn)過零交叉，即邊緣點兩旁的二階導數(shù)取異號，據(jù)此可以通過二階導數(shù)來檢測邊緣點。拉普拉斯邊緣檢測算子正是對二維函數(shù)進行二階導數(shù)運算的標量算子，它的定義是：L。8282V2/3,y)/3,y)/3,y)辦28y2(2-8)用差分代替二階偏導時，與前述三個一階導數(shù)算子不同，拉普拉斯算子的形式可表示如下：|a2f(X,y)=f(X+1,y)+f(X-1,y)+f(x,y+1)+f(x,y-1)-4f(x,y)[A2f(x,y)=f(x-1,y-1)+f(x,y-1)+f(x+1,y-1)+f(x-1,y)+f(x+1,y)+f(x-1,y+1)+f(x,y+1)+f(x+1,y+1)-8f(x,y)(2-9)拉普拉斯邊緣檢測算子的模板如圖2-8所示,模板的基本特征是中心位置的系數(shù)為正，其余位置的系數(shù)為負，且模板的系數(shù)之和為零。它的使用方法是用圖中的兩個點陣之一作為卷積核，與原圖像進行卷積運算即可。拉普拉斯算子又是一個線性的移不變算子，它的傳遞函數(shù)在頻域空間的原點為零，因此，一個經(jīng)拉普拉斯濾波過的圖像具有零平均灰度。拉普拉斯檢測模板的特點是各向同性，對孤立點及線端的檢測效果好，但邊緣方向信息丟失，對噪聲敏感，整體檢測效

果不如梯度算子。因此，它很少直接用于邊緣檢測。但注意到與Sobel算子相比，對圖像進行處理時，拉普拉斯算子能使噪聲成分得到加強，對噪聲更敏感。[5]0—10-14—0—10-14—10—10-1—1-1—18—1—1-1-1圖2-8Laplace算子模板通過實驗圖對幾種邊緣檢測算子進行仿真(圖2-9至2-11)，可知：(1)Roberts算子定位比較準確，但由于不包括平滑，所以對噪聲比較敏感。Prewitt算子和Sobel算子都是一階的微分算子,而前者是平均濾波，后者是加權平均濾波,對噪聲具有一定的抑制能力，但不能完全排除檢測結果中出現(xiàn)偽邊緣。該類算子對灰度漸變和具有噪聲的圖像處理比較好.其中Sobel算子比Prewitt算子更能抑制噪聲的影響。Laplace算子對圖像中的階躍性邊緣點定位準確，對噪聲非常敏感，丟失一部分邊緣的方向信息，造成一些不連續(xù)的檢測邊緣。邊緣檢測算子的實現(xiàn)代碼：I2=edge（I1，'Roberts'，0。09,'both'）；Figure，imshow（I2）；title（‘Roberts算子'）;圖2-9Roberts算子”迥血程子邊嵯檜蹦圖2—10Prewitt算子血血|算于訕絳撿麗圖2—11Sobel算子通過邊緣檢測仿真結果圖可見，幾個邊緣檢測算子都可以較好的提取所需的車牌邊緣.為了車牌的定位，希望車輛圖像的車牌區(qū)域突現(xiàn)出來的同時，其它邊緣能夠很好的得到抑制.Roberts算子提取邊緣能有效地檢測出車牌區(qū)域的紋理特征，所以，本次設計選用Roberts算子。2。4。2灰度圖像二值化灰度圖像的二值化處理就是將圖像上的點的灰度值置為0或255，也就是將整個圖像呈現(xiàn)出明顯的黑白效果。即將256個亮度等級的灰度圖像通過適當?shù)拈y值選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.在數(shù)字圖像處理中，二值圖像占有非常重要的地位，要進行二值圖像的處理與分析，首先要把灰度圖像二值化，得到二值化圖像,這樣子有利于再對圖像做進一步處理時,圖像的集合性質(zhì)只與像素值為0或255的點的位置有關，不再涉及像素的多級值，使處理變得簡單,而且數(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表示，否則這些像素點被排除在物體區(qū)域以外，灰度值為0,表示背景或者例外的物體區(qū)域。如果某特定物體在內(nèi)部有均勻一致的灰度值，并且其處在一個具有其他等級灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。如果物體同背景的差別表現(xiàn)不在灰度值上（比如紋理不同），

可以將這個差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值選取技術來分割該圖像。動態(tài)調(diào)節(jié)閥值實現(xiàn)圖像的二值化可動態(tài)觀察其分割圖像的具體結果。本文采用的圖像二值化最佳閾值計算方法如下：Level=(fmax1-(fmax1—fmin1)/3)式中Level為最佳閥值，fmax為最大灰度,fmin為最小灰度，將圖像二值化:)；%egray的最大值并輸出雙精%egray的最小值并輸出雙精度型%獲得最佳閾值%轉(zhuǎn)換圖像為二進制圖像fmax1=double(max(max(Egray))度型fmin1=double(min(min(Egray)))；level=(fmax1-(fmax1-fmin1))；%egray的最大值并輸出雙精%egray的最小值并輸出雙精度型%獲得最佳閾值%轉(zhuǎn)換圖像為二進制圖像圖卷二笛化figure,imshow(bw2)；title('圖像二值化');%得到二值圖像，如圖2-12:圖卷二笛化圖2-12灰度圖像二值化2。5形態(tài)學濾波形態(tài)學是法國和德國的科學家在研究巖石結構時建立的一門學科。形態(tài)學的用途主要用來獲取物體拓撲和結果信息，他通過物體和結構元素相互作用的某些運算，得到物體更本質(zhì)的形態(tài)。人們后來用數(shù)學形態(tài)學表示以形態(tài)為基礎對圖像進行分析的數(shù)學工具。他的基本思想是用一個被稱為結構元素的探針收集圖像的信息。當探針在圖像中不斷移動時，便可考察圖像各個部分間的相互關系，從而了解圖像各個部分的結構特征.作為探針的結構元素，可直接攜帶知識（形態(tài)大小以及灰度和色度信息）來探測所研究圖像的結構特征。數(shù)學形態(tài)是一種非線性濾波的方法，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題。數(shù)學形態(tài)學首先被用來處理二值圖像，后來也被用來處理灰度圖像，現(xiàn)在又有學者開始用軟數(shù)學形態(tài)學和模糊形態(tài)學來解決計算機視覺方面的問題。腐蝕是一種消除邊界點的過程,結果是使目標縮小，空洞增大,因而可有效地消除孤立噪聲點;膨脹是將于目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大，孔洞減小,可填補目標物體中的空洞，形成聯(lián)通域.先腐蝕后膨脹的過程為開運算，它具有消除細小物體，并在纖細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為閉運算，具有填充物體內(nèi)細小空洞，連接臨近物體和平滑邊界的作用。本次畢業(yè)設計是運用了這種方法來實現(xiàn)其中重要步驟的。對圖像做了開運算和閉運算，這兩種運算是數(shù)學形態(tài)學中的重要運算.開運算就是對圖像先進行腐蝕，然后在用同一結構元素對圖像進行膨脹運算.閉運算就是反過來，先對圖像膨脹再腐蝕?閉運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的鴻溝，消除小的孔洞,并彌補輪廓中的斷裂[6]。se=[1;1;1];%線型結構元素I3=imerode（12，se）;%腐蝕圖像subplot（3,2,4），imshow（I3）,title（'腐蝕后邊緣圖像'）;

圖2-13腐蝕后的邊緣圖像se=strel(’rectangle',[25,25]);%矩形結構元素I4=imclose(I3,se);%形態(tài)學中的閉運算，聚類、填充圖像，se為結構元素subplot(3,2,5),imshow(I4),title('填充后圖像')；佰充巖圖像圖2-14填充后圖像I5=bwareaopen(I4,2000)；%去除聚團灰度值小于2000的部分subplot(3,2,6),imshow(I5),title('形態(tài)濾波后圖像’)；形志濾波后圖像圖2-15形態(tài)學濾波后的圖像經(jīng)分析采用矩形算子能有效地將車牌區(qū)域連接成片，去除非車牌區(qū)域，通過程序處理后的圖可以清楚地看到對圖像經(jīng)過開操作濾波后的可能的車牌區(qū)域都清楚的保留了下來，是非常成功的。3車牌定位方法研究3.1車牌定位常用方法介紹車牌定位是整個車牌識別系統(tǒng)中核心的環(huán)節(jié)，定位精度和定位時間直接影響整個車牌識別系統(tǒng)的性能。車牌定位算法大多是基于汽車牌照的不同特征而提出的，一般在車牌定位方面主要的算法都是基于灰度圖像的處理技術［7］。3。1。1基于紋理特征分析的定位方法傳統(tǒng)的紋理特征分析定位算法大多基于灰度圖像來分析的，所以在車牌定位以前，需要對圖像進行預處理，將彩色圖像轉(zhuǎn)換為灰度圖像.采用紋理特征分析的定位方法首先進行行掃描，找出圖像中每一行所含有的車牌線段，記錄下它們的起始坐標和長度。如果有連續(xù)若干行均存在不少于一個的車牌線段，且行數(shù)大于某一確定的閾值，則認為在行的方向上找到了車牌一個候選區(qū)域，并確定了該候選區(qū)域的起始行和高度。在已找到的可能存在車牌的區(qū)域做列掃描，以確定該車牌候選區(qū)域的起始行和高度以及起始列坐標和長度。由此確定一個車牌區(qū)域.3.1.2基于數(shù)學形態(tài)學的定位方法數(shù)學形態(tài)學圖像處理的基本思想，是利用一個結構元素來探測一個圖像，看是否能將這個結構元素很好的填放在圖像內(nèi)部，同時驗證填放元素的方法是否有效.腐蝕、膨脹、開啟和關閉是數(shù)學形態(tài)學的基本運算。3。1。3基于邊緣檢測的定位方法圖像的邊緣是指在灰度級上發(fā)生急劇變化的區(qū)域，而在背景或者物體的內(nèi)部這種灰度的變化是比較平緩的。邊緣檢測的任務是精確定位邊緣和抑制噪聲。能夠進行檢測的方法有多種，如Roberts邊緣算子、Prewitt算子、Sobel算子以及拉普拉斯邊緣檢測［8］。這些方法正是利用了物體邊緣處灰度變化劇烈這一特點來檢測圖像的邊緣。針對不同的環(huán)境和要求，選擇合適的算子來對圖像進行邊緣檢測才能達到好的效果。3.1。4基于小波分析的定位方法小波分析是一種應用于圖像處理的重要分析工具，具有“顯微鏡”的特性.小波分析的多分辨率特性使得小波分解系數(shù)在不同方向的高頻子波系數(shù)具有不同特性，因此利用方向小波能夠反映出圖像在不同分辨率上沿任一方向變化的情形［9］.小波分析的多尺度分解特性更加符合人類的視覺機制。3。1。5基于圖像彩色信息的定位方法傳統(tǒng)的車牌分割方法主要應用了車牌的紋理特征和形狀特征，一般情況下這二個特征對于多數(shù)情況足夠了，但對于復雜背景就不夠了，常借助于顏色特征來排除干擾，以提高車牌定位的準確率和成功率［10］。3.2基于行掃描灰度跳變分析的車牌定位方法分析以上的各種車牌定位方法，不難發(fā)現(xiàn)，不同的定位方法具有各自特有的優(yōu)點和缺點?；诩y理特征的車牌定位方法受外界因素影響較大，定位成功率不高，但是其定位速度較快?；跀?shù)學形態(tài)學的定位方法，其能夠?qū)⒍ㄎ慌c字符識別的功能合二為一,但是其對于圖像預處理后的圖像效果的要求較高，并且由于要進行多種數(shù)學運算，其定位的速度較慢?；谶吘墮z測的定位方法，其充分利用車輛牌照的特征進行定位處理，定位的成功率高，但是其受外部干擾因素較多,定位精度不是很穩(wěn)定，不同的邊緣檢測算子其運算效率也不盡相同.基于小波分析的定位方法需要對圖像進行特征的時域頻域轉(zhuǎn)換，運算效率低，但是能夠獲得較高的定位成功率?；趫D像彩色信息的定位方式能夠利用圖像的色彩信息進行定位處理，其定位精度高,但是其易受外部干擾的影響，且由于色彩信息數(shù)據(jù)量巨大，其運算速度較慢，對硬件資源要求很高。結合對車輛牌照特征的分析以及對各種定位方法的比較，本系統(tǒng)采用的是基于行掃描灰度跳變分析的車牌定位方法。該方法綜合了基于紋理特征分析和基于邊緣檢測分析方法的特點，具有速度快和準確性高的優(yōu)點。該方法首先對讀入的含有車牌的灰度圖像進行數(shù)字圖像處理包括二值化、邊緣檢測和濾波處理，獲得較理想的供定位的圖像。對圖像進行二值化處理，將灰度圖像通過適當?shù)拈y值選取，將圖像的每個像素進行二值化操作，得到仍然可以反映圖像整體和局部特征的圖像。對圖像進行邊緣檢測，通過對圖像每個像素進行數(shù)學運算，獲得只包含圖形邊緣輪廓信息的圖像。使用圖像增強技術，通過對圖像進行噪聲的過濾等,改善圖像質(zhì)量、豐富信息量，加強圖像判讀和識別效果。然后對圖像進行針對灰度跳變數(shù)量統(tǒng)計的水平和垂直方向的行掃描，獲得這兩個方向上的直方圖。根據(jù)車輛牌照灰度圖像在水平和垂直方向上的灰度跳變特征，通過設定閾值分析出車牌區(qū)域的位置.最后輸出車牌區(qū)域圖像并提交給用戶車輛牌照區(qū)域在整個圖像中的坐標位置信息。4車牌識別方法研究4.1牌照區(qū)域的分割和圖像進一步處理4.1.1牌照區(qū)域的分割對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法.根據(jù)車牌底色等有關的先驗知識，采用彩色像素點統(tǒng)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍色RGB對應的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內(nèi)的像素點數(shù)量，設定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計列方向藍色像素點的數(shù)量，最終確定完整的車牌區(qū)域。行方向合理.區(qū)域定位萸切后的彩色車牌圖像^^■用測鬧闞圖4-1行方向區(qū)域和最終定位出來的車牌4.1。2車牌進一步處理行方向合理.區(qū)域定位萸切后的彩色車牌圖像^^■用測鬧闞經(jīng)過上述方法分割出來的車牌圖像中存在目標物體、背景還有噪聲，要想從圖像中直接提取出目標物體，最常用的方法就是設定一個閾值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，它是指在圖像上對目標像素給一個模板，該模板包括了其周圍的臨近像素[11].再用模板中的全體像素的平均值來代替原來像素值。

L車牌灰,度;圖像2.車牌二值圈像■照;現(xiàn)制板1均值濾?泌后3.埒值濾波前神皿5.膨脹或腐蝕處理后就割說1制圖4-2裁剪出來的車牌的進一步處理過程圖4.2字符的分割與歸一化圖4—3字符分割與歸一化流程圖L車牌灰,度;圖像2.車牌二值圈像■照;現(xiàn)制板1均值濾?泌后4.2.1字符分割在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎上進行字符的分割，然后再利用分割的結果進行字符識別［12］。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(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，若長度大于某閾值，則認為該塊有兩個字符組成，需要分割。圖4-4分割出來的七個字符圖像4.2。2字符歸一化一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要.但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達到正確識別的目的.在此只進行了歸一化處理，然后進行后期處理。1234567偵W圖4-5歸一化處理后的七個字符圖像4。3字符的識別字符的識別目前用于車牌字符識別（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)絡的OCR算法［13］?；谀０迤ヅ涞腛CR的基本過程是：首先對待識別字符進行二值化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行匹配，最后選最佳匹配作為結果。模板匹配的主要特點是實現(xiàn)簡單，當字符較規(guī)整時對字符圖像的缺損、污跡干擾適應力強且識別率相當高。綜合模板匹配的這些優(yōu)點我們將其用為車牌字符識別的主要方法。模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i，j)相應的特征量逐個進行比較，計算它們之間規(guī)格化的互相關量，其中互相關量最大的一個就表示期間相似程度最高，可將圖象歸于相應的類。也可以計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［14］。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)預處理和規(guī)格化處理后，使得圖象的灰度或像素點的位置發(fā)生改變。在實際設計模板的時候，是根據(jù)各區(qū)域形狀固有的特點，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設計的特征量來構建模板，就可以避免上述問題［15］。圖4-6字符識別流程圖此處采用相減的方法來求得字符與模板中哪一個字符最相似,然后找到相似度最大的輸出。汽車牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50多個，大寫英文字母26個，數(shù)字10個.為了實驗方便,結合本次設計所選汽車牌照的特點，只建立了4個漢字26個字母與10個數(shù)字的模板。其他模板設計的方法與此相同。首先取字符模板，接著依次取待識別字符與模板進行匹配，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值個數(shù)保存，即為識別出來的結果［16］。車牘號碼:渝HJ58K2圖4-7識別結果5總結與展望5。1總結本文主要解決了以下幾個問題：（1）對包含車身及外界環(huán)境的原始圖像進行預處理；（2）精確定位圖像中的車牌區(qū)域；（3）怎樣識別車牌號。在車輛牌照字符識別系統(tǒng)的研究領域，近幾年出現(xiàn)了許多切實可行的識別技術和方法，從這些新技術和方法中可以看到兩個明顯的趨勢：一是單一的預處理和識別技術都無法達到理想的結果，多種方法的有機結合才能使系統(tǒng)有效識別能力提高。在本系統(tǒng)的設計時，也汲取了以上一些算法的思想，結合實際，反復比較，綜合分析;二是在有效性和實用的原則下，結合神經(jīng)網(wǎng)絡和人工智能的新技術的應用是研究的一個方向.車牌圖像預處理采用了灰度變換，圖像增強，邊緣檢測和形態(tài)學濾波等方法將原始圖像處理成可供計算機識別的圖像.車牌定位采用基于行掃描灰度跳變分析的方法，具有精度高，速度快的特點車牌字符識別采用的是模板匹配的方法，即是將要識別的字符與事先構造好的模板進行比對，根據(jù)與模板的相似度的大小來確定