车牌识别数字图像处理报告Word格式.docx
《车牌识别数字图像处理报告Word格式.docx》由会员分享，可在线阅读，更多相关《车牌识别数字图像处理报告Word格式.docx（17页珍藏版）》请在冰点文库上搜索。
图2牌照定位流程图
（2）牌照字符分割:
完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。
字符分割一般采用垂直投影法。
由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。
利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
图3牌照字符分割流程图
（3）牌照字符识别:
字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。
基于模板匹配算法首先将分割后的字符二值化,并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。
基于人工神经元网络的算法有两种：
一种是先对待识别字符进行特征提取，然后用所获得特征来训练神经网络分配器；
另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。
实际应用中，牌照识别系统的识别率与牌照质量和拍摄质量密切相关。
牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等；
实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。
这些影响因素不同程度上降低了牌照识别的识别率，也正是牌照识别系统的困难和挑战所在。
为了提高识别率，除了不断的完善识别算法，还应该想办法克服各种光照条件，使采集到的图像最利于识别。
图4牌照字符识别流程图
三.课程设计的步骤和结果
3.1各模块实现
3.11预处理
（1）读取原图片
filename=uigetfile（{'
*.wav'
;
'
*.slx'
*.mat'
*.*'
},'
FileSelector'
）;
a=imread（filename）;
图5车牌原图片
（2）灰度化
彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。
由彩色转换为灰度的过程叫做灰度化处理。
选择的标准是经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
grayed=rgb2gray（a）;
图6车牌灰度化后图片
（3）对原始图像进行开操作得到图像背景图像，灰度图像与背景图像作减法，对图像进行增强处理:
se=strel（'
disk'
5）;
%-------------------Createmorphologicalstructuringelement.形态学结构
b_grayed=imopen（grayed,se）;
%开操作，提取背景图
zengqiang=imsubtract（grayed,b_grayed）;
%两幅图相减********************************************************************
axes（handles.processed）;
imshow（zengqiang）;
图7车牌增强后图片
（4）取得最佳阈值，将图像二值化:
二值图像是指整幅图像画面内仅黑、白二值的图像。
在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。
车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。
阈值处理的操作过程是先由用户指定或通过算法生成一个阈值，如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
fmax1=double（max（max（zengqiang）））;
%egray的最大值并输出双精度型
fmin1=double（min（min（zengqiang）））;
%egray的最小值并输出双精度型
level=（fmax1-（fmax1-fmin1）/3）/255;
%获得最佳阈值
binary=im2bw（zengqiang,level）;
%转换图像为二进制图像********************************************************************
binary=double（binary）;
imshow（binary）;
图8车牌二值化后图片
（5）边缘检测，滤波，彩色化:
两个具有不同灰度值的相邻区域之间总存在边缘，边缘就是灰度值不连续的结果，是图像分割、纹理特征提取和形状特征提取等图像分析的基础。
为了对有意义的边缘点进行分类，与这个点相联系的灰度级必须比在这一点的背景上变换更有效，我们通过门限方法来决定一个值是否有效。
所以，如果一个点的二维一阶导数比指定的门限大，我们就定义图像中的次点是一个边缘点，一组这样的依据事先定好的连接准则相连的边缘点就定义为一条边缘。
经过一阶的导数的边缘检测，所求的一阶导数高于某个阈值，则确定该点为边缘点，这样会导致检测的边缘点太多。
可以通过求梯度局部最大值对应的点，并认定为边缘点，去除非局部最大值，可以检测出精确的边缘。
一阶导数的局部最大值对应二阶导数的零交叉点，这样通过找图像强度的二阶导数的零交叉点就能找到精确边缘点。
数学形态非线性滤波，可以用于抑制噪声，进行特征提取、边缘检测、图像分割等图像处理问题。
腐蚀是一种消除边界点的过程，结果是使目标缩小，孔洞增大，因而可有效的消除孤立噪声点；
膨胀是将与目标物体接触的所有背景点合并到物体中的过程，结果是使目标增大，孔洞缩小，可填补目标物体中的空洞，形成连通域。
先腐蚀后膨胀的过程称为开运算，它具有消除细小物体，并在纤细处分离物体和平滑较大物体边界的作用；
先膨胀后腐蚀的过程称为闭运算，具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。
对图像做了开运算和闭运算，闭运算可以使图像的轮廓线更为光滑，它通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓线中的断裂。
对二值图像进行区域提取，并计算区域特征参数。
进行区域特征参数比较，提取车牌区域:
dge_p=edge（binary,'
roberts'
%用roberts算子识别强度图像中的边界**********************************************************
axes（handles.before_process）;
imshow（edge_p）;
bg1=imclose（edge_p,strel（'
rectangle'
[5,19]））;
%取矩形框的闭运算*****************************************************
bg3=imopen（bg1,strel（'
%取矩形框的开运算*****************************************************************
filter_p=imopen（bg3,strel（'
%取矩形框的开运算
%/////////////////////////2.2彩图//////////////////////////////
[L,num]=bwlabel（filter_p,8）;
%标注二进制图像中已连接的部分
Feastats=regionprops（L,'
basic'
%计算图像区域的特征尺寸*****************************************************************
Area=[Feastats.Area];
%区域面积
BoundingBox=[Feastats.BoundingBox];
%[xywidthheight]车牌的框架大小
RGB=label2rgb（L,'
spring'
'
k'
shuffle'
%标志图像向RGB图像转换
imshow（RGB）;
axes（handles.before_process）;
imshow（edge_p）;
图8处理后图片
3.12定位与提取
计算出包含所标记的区域的最小宽和高，并根据先验知识，比较谁的宽高比更接近实际车牌宽高比，将更接近的提取并显示出来。
for（lx=1:
1:
num）
width=BoundingBox（（lx-1）*4+3）;
%车牌宽
hight=BoundingBox（（lx-1）*4+4）;
if（（width/hight）>
3&
&
（width/hight）<
5）
break;
end
end
rect=[BoundingBox（（lx-1）*4+1）,BoundingBox（（lx-1）*4+2）,BoundingBox（（lx-1）*4+3）,BoundingBox（（lx-1）*4+4）];
dingwei_b=imcrop（binary,rect）;
dingwei_grayed=imcrop（grayed,rect）;
图9车牌提取后图片
3.13分割与识别
（1）对水平投影进行峰谷分析,计算出车牌上边框、车牌字符投影、车牌下边框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。
histcol1=sum（dingwei_b）;
%计算垂直投影
histrow=sum（dingwei_b'
%计算水平投影
图9对水平投影进行峰谷分析流程图
（2）计算车牌旋转角度:
a.车牌倾斜的原因导致投影效果峰股谷不明显，在这里需要做车牌矫正处理。
这里采取的线性拟合的方法,计算出车牌上边或下边图像值为1的点拟合直线与水平X轴的夹角。
图10流程图
线性拟合，计算与x夹角
fresult=fit（xdata'
ydata'
'
poly1'
%poly1表示一介拟合Y=p1*x+p2
p1=fresult.p1;
angle=atan（fresult.p1）*180/pi;
%弧度换为度，360/2pi,pi=3.14
旋转车牌图象
subcol=imrotate（dingwei_grayed,angle,'
bilinear'
crop'
%旋转车牌图象
sbw=imrotate（dingwei_b,angle,'
%旋转图像b.旋转车牌后重新计算车牌水平投影，去掉车牌水平边框，获取字符高度:
histcol1=sum（sbw）;
%计算垂直投影
histrow=sum（sbw'
去水平（上下）边框,获取字符高度:
通过以上水平投影、垂直投影分析计算，获得了车牌字符高度、字符顶行与尾行、字符宽度、每个字符的中心位置，为提取分割字符具备了条件。
计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度。
计算车牌上每个字符中心位置，计算最大字符宽度maxwidth。
取分割字符,并变换为32行*18列标准子图
l=0;
fork=1:
n1
markcol3（k）=markcol（k+1）-markcol1（k+1）;
%字符下降点
markcol4（k）=markcol3（k）-markcol（k）;
%字符宽度（上升点至下降点）
markcol5（k）=markcol3（k）-double（uint16（markcol4（k）/2））;
%字符中心位置
end
markcol6=diff（markcol5）;
%字符中心距离（字符中心点至下一个字符中心点）
maxs=max（markcol6）;
%查找最大值，即为第二字符与第三字符中心距离
findmax=find（markcol6==maxs）;
markcol6（findmax）=0;
maxwidth=max（markcol6）+3;
%查找最大值，即为最大字符宽度
%Step11提取分割字符,并变换为32行*18列标准子图
l=1;
[m2,n2]=size（subcol）;
segbw2=0;
fork=findmax:
findmax+5
cleft=markcol5（k）-maxwidth/2-1;
cright=markcol5（k）+maxwidth/2-2;
ifcleft<
1
cleft=1;
cright=maxwidth;
ifcright>
n2
cright=n2;
cleft=n2-maxwidth;
SegGray=sbw（rowtop:
rowbot,cleft:
cright）;
SegBw1=sbw（rowtop:
SegBw2=imresize（SegBw1,[3216]）;
（3）入库并与字符库匹配识别:
将车牌分割后的字符入库，再与匹配库的各字母或数字进行相关性计算，取得相关最大的图。
liccode=char（['
0'
:
9'
'
A'
Z'
]）;
%建立自动识别字符代码表
SubBw2=zeros（22,14）;
l=2;
[m2,n2]=size（sbw）;
cleft=markcol5（k）-maxwidth/2;
%变换为22行*14列标准子图
ifl==2%第二位A~Z字母识别
kmin=11;
kmax=36;
elseifl>
=3&
l<
=5%第三、四位0~9A~Z字母和数字识别
kmin=1;
else%第五～七位0~9数字识别
kmax=10;
fork2=kmin:
kmax
fname=strcat（'
cunchu_zi'
liccode（k2）,'
.bmp'
SamBw2=imread（fname）;
Error（k2）=corr2（SegBw2,SamBw2）;
Error1=Error（kmin:
kmax）;
%比较相关
MinError=max（Error1）;
%取的最大值
findc=find（Error1==MinError）;
%查找最大相关的图像
RegCode（l*2-1）=liccode（findc
（1）+kmin-1）;
RegCode（l*2）='
%输出最大相关图像
l=l+1;
ss='
ss=strcat（ss,RegCode（3）,'
RegCode（5）,'
RegCode（7）,'
RegCode（9）,'
RegCode（11）,'
RegCode（13））;
set（handles.chepaihao,'
string'
ss）;
图9车牌提取后图
四.课程设计总结
实验对车牌识别系统的软件部分进行了研究，分别从图像预处理、车牌定位、字符分割以及字符识别等方面进行了系统的分析。
整理和总结了国内外在车牌定位、分割、字符识别方面的研究成果和发展方向，系统介绍了我国车牌的固有特征，以及车牌识别的特点。
在车牌定位我们采用基于灰度跳变的定位方法，采用先对图像进行预处理，再进行二值化操作的方法。
实验表明本方法既保留了车牌区域的信息，又减少了噪声的干扰，从而简化了二值化处理过程，提高了后续处理的速度。
基于彩色分量的定位方法，运用基于蓝色象素点统计特性的方法对车牌是蓝色的车牌进行定位，实验表明，用该方法实现的车牌定位准确率较高。
本设计用MATLAB编程运行结果可以得出，本设计采用的图像预处理、robort边缘检测、开闭运算子[5，19]、车牌长宽比特征识别等对车牌的定位都是非常有效的，而本设计提出的二次水平投影分析和阈值技术有效检测了车牌图像的上下左右边框、旋转角度，准确实现的车牌字符的分割，对多个车牌进行实验，均有很高的正确率。
本设计虽然只对蓝底白字车牌进行分割识别，对黑底白字车牌原则上整个算法可直接适用，对白底黑字车牌、黄底黑字车牌，需要对车牌定位算法进行调整，并将图像反转（0变1、1变0），而车牌字符的分割算法仍然行之有效。
五.设计体会
在本次车牌课程设计中，对图像处理的一些知识有了进一步的认识，并在处理的过程中体会到了图像处理的乐趣。
在过程中主要困难是对于一些函数不熟悉，要不断的尝试。
在后期匹配库的建立，及与车牌字符的匹配的过程中出现了准确率不高的情况，因此我采用了将实际车牌字符做成匹配库，这样大大提高了识别准确率。
因此，问题是有的，但无论问题多大，只要一步一步的，稳稳地，不断用不同的角度去尝试，问题总会解决的。
六.参考文献
[1]陈桂明、张明照、戚红雨.应用MATLAB语言处理数字信号与数字图像。
科学出版社，2000
[2]霍宏涛.数字图像处理.机械工业出版社，2003.5
[3]郁梅等，基于视觉的车辆牌照检测,计算机应用研究,1999（5）,P65～67
[4]叶晨洲，廖金周，一种基于纹理的牌照图象二值化方法，微型电脑应用，1999（6），P28～29
[5]周妮娜、王敏、黄心汉、吕雪峰、万国红.车牌字符识别的预处理算法.计算机工程与应用，2003（15）
[6]杨万山等，基于BP神经网络的工程图纸图形符号的识别，微型电脑应用，Vol.16，No.2，2000
课程设计成绩评定表
设计上机验收成绩表
姓名
张玉媛
学号
100250133
课题名称
序号
验收项目
分值
得分
设计内容合理、目的明确
10分
2
实现了课程设计的基本要求，演示结果正确
50分
3
对课程设计中所涉及的知识理解正确
4
方案正确，在基本要求基础上有改进、创新
20分
5
界面设计合理、美观
总分
100分
课程设计总评分成绩表
评定项目
评分成绩
设计上机验收成绩、答辩
60%
设计报告的规范化、参考文献充分
30%
平时成绩
10%
3.不要自己写，要利用word来自动生成。
详情请看最后一页
升级会员 