车牌识别设计与实现毕业论文.docx
《车牌识别设计与实现毕业论文.docx》由会员分享，可在线阅读，更多相关《车牌识别设计与实现毕业论文.docx（31页珍藏版）》请在冰点文库上搜索。
车牌识别设计与实现毕业论文
车牌识别设计与实现毕业论文
摘要
车牌识别系统作为智能交通系统的一个重要组成部分，在交通监控中占有很重要的地位。
车牌识别系统可分为图像预处理、车牌定位和字符识别3个部分，其中车牌定位作为获得车辆牌照图像的重要步骤，是后续的字符识别部分能否正确识别车牌字符的关键环节。
车牌定位系统实现对车辆牌照进行定位的功能,即从包含整个车辆的图像中找到车牌区域的位置，并对该车牌区域进行定位显示，将定位信息提供给字符识别部分。
针对车牌本身固有的特征，本文首先介绍了在车牌定位过程中常用的几种数字图像处理技术：
图像的二值化处理、边缘检测和图像增强等。
其次介绍了现在常用的车牌定位方法，并对这些方法进行分析，总结出各种方法的优缺点，然后在此基础上提出采用基于行扫描灰度跳变分析的方法对车牌进行定位，并使用MATLAB仿真实现车牌定位与识别系统。
最后对该系统进行了测试，测试结果表明该系统具有良好的人机交互方式，具有较高的识别正确率和较快的识别速度，对用户给定的待测图像能够迅速准确地进行车辆牌照的定位并将定位结果显示给用户，该系统具有一定的实用价值。
关键词：
车牌定位，灰度图像，行扫描，投影
Abstract
AsanimportantpartoftheIntelligentTransportationSystems,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,thissystemhassomepracticalvalues.
Keywords:
licenseplatelocation,gray-scaleimages,linescan,projection
1绪论
1.1课题的来源及意义
科学技术在不断进步，极大程度的提高了人民的生活水平，改善了生活质量，但也使得汽车的数量急剧增加。
城市里道路交通引发的一系列问题也逐渐引起了人们的重视。
怎样科学并且有效的进行交通管理是有关部门现在面临的一个问题。
信息化的智能交通系统（ITS），有效地解决了这个问题，使得经济活力得以提升，提高了道路运输效率，更加保障了行车安全，实现了道路交通的自动化管理。
本次设计的车牌识别系统，是智能交通系统的一个重要组成部分，在交通监控领域发挥着相当重要的作用。
车辆的牌照就如同人的一样，通过查询车牌就能查询到该车的相关身份信息。
因此在智能交通系统中，车牌识别系统需要处理的信息来源于车辆的这一唯一身份标识，也就是汽车的牌照，车牌识别系统因此也成为智能交通系统研发的核心。
车牌识别系统按照识别的步骤来说，可以分为这样三个部分：
预处理车牌图像，车牌位置的确定和车牌字符的识别。
车牌图像先经过一系列步骤进行处理变成可以直接识别的灰度图像，这个灰度图像包含了车牌号信息。
接着会使用到Roberts算子进行边缘检查。
然后使用基于行扫描灰度跳变分析的方法确定车牌在图像中的位置。
字符识别所使用的方法是对二值化后的字符部分进行水平投影，再垂直投影将字符分割成一个一个分开的字符。
将分割开的字符与数据库中的模板进行匹配，匹配完全符合即为字符识别成功了。
有效并且高速的车牌定位系统，将能够大大提高车牌识别系统的识别精度与识别速度。
车牌识别系统以其特有的强大功能，成为了交通管理自动化和车辆检查系统的一个非常重要的组成部分，它在交通监视和控制中起着非常重要的作用，可以应用到以下交通控制领域：
（1）高速公路和停车场收费管理系统。
对于公路收费的入口和出口，车辆行驶通过不用停车就可以完成收费；还可以根据识别出来的车牌查询到车辆有没有及时缴纳路桥费，是否通过年审和有没有缴清罚款之类的。
（2）交通场所布控管理系统。
该系统使用车牌识别技术，自动识别相关车辆，在需要的时候可以实现快速报警功能，不仅能防止机动车被盗，为公安机关进行刑事侦查和破案提供了高科技手段。
（3）高速公路超速监控系统。
该系统以车牌识别技术为核心加上其他高科技手段，建立起无人自动监测系统，可以有效地用于解决因在高速公路上超速行驶造成的交通事故。
同时当车辆的速度高于限制值，就可以通过摄像头获取汽车的图像，并识别出获得的车牌的，以便于对违章车辆进行罚款。
1.2课题主要研究的问题
（1）车牌图像预处理的方法？
（2）采用何种方法对汽车牌照进行定位？
（3）采用何种方法对汽车牌照进行识别？
1.3系统设计的目标及基本思路
1.3.1设计目标
本系统主要应用于对车辆图像进行车辆牌照的定位和车牌字符的识别，根据这一实际应用背景，确定了系统设计的三个目标：
实用性、高速性和鲁棒性。
实用性：
该系统主要应用于车辆管理，以及其他与车牌有关系的领域，所以具有很重要的实用价值，为了提高其实用价值，要充分考虑系统在应用中所遇到的问题，防止由于识别的偏差导致结果的不正确，影响工作的进程，降低工作的效率。
高速性：
由于本系统处理的对象为运动中的车辆，在实际应用过程中，提交给系统的车辆图像间隔时间较短，因此本系统必须能够高速地对车辆图像进行分析处理，并获得结果。
鲁棒性：
在整个车牌自动识别过程中，本系统首先从图像中准确获得车辆牌照的区域，继而对车牌区域的字符正确识别。
而在实际应用过程中，系统获得的车辆图像必然会有参数不规的现象，因此本系统必须能够适应各类图像并能够对输入的车辆图像具有较高的定位准确率。
1.3.2基本思路
由于车辆牌照相对于车辆本身以及周围环境，具有其独有的特征，所以在车牌的定位过程中，一般采取的办法是利用车牌区域的特征来判断牌照，将车牌区域从整幅车辆图像中分割出来。
利用的车牌特征主要包括：
（1）车牌区域边缘灰度与外部区域存在明显的灰度差异。
（2）车牌的几何特征，即车牌的高、宽和高宽比在一定围。
（3）车牌区域的字符与背景颜色之间存在明显的灰度差异。
（4）车牌区域水平或垂直投影特征，车牌区域水平或垂直投影呈现连续的峰－谷－峰的分布。
本系统针对车辆牌照的这一系列特征，采用基于行扫描灰度跳变分析的基本思路进行车辆牌照的定位方法。
该方法首先通过对灰度图像进行二值化、边缘检测、滤波等处理，获得较理想的供定位图像，然后对该图像进行垂直和水平方向的行扫描，结合车辆牌照的上述特点，通过分析图像的灰度跳变特征，对车辆牌照进行定位[1]。
车辆牌照定位后对牌照区域字符进行分割，将分割好的字符进行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。
2图像预处理
图像预处理是车牌定位的准备工作，以提高车牌图像的适用性。
从采集卡获得的原始图像不仅包括汽车牌照，而且还有汽车本身和汽车的背景图像，因此必须去掉这些非牌照图像的影响，才有可能正确的提取出牌照区域，为后面的车牌字符识别打下基础。
在实际应用中，由于季节的更替、自然光照度的昼夜变化、光照的稳定性与均匀性、车辆自身的运动、观察点不同（摄像机的角度、位置、观察角度等）、采集图像的设备本身的因素等的影响，图像传感器所获取的图像有时并不令人满意，存在各种各样的噪声。
因而必须对图像进行预处理，以改善图像质量，提高字符识别率。
2.1汽车牌照的特征
车牌识别系统需要全天候工作，在白天、黑夜、阴天、晴天、雨雪、逆光等情况下无故障地进行工作。
尤其是在强光照射下，得到的数字图像各处反光不均匀，在夜间的时候，汽车前灯往往造成数字图像亮度不均匀，对比度较低，这些情况往往需要进行直方图均衡操作。
当车辆速度很高时，会造成拍摄的图片模糊，甚至变形。
路面问题，现在国很多路面条件较差，常常会导致车牌污染严重、倾斜、甚至变形。
从而使得获得的图片质量很差，会造成识别困难。
在车辆车牌中包含汉字、字母和数字，其中字母和数字识别比较简单，汉字字符笔画繁多、结构复杂，识别困难，因此需要得到的数字图像有较高的分辨率，对应算法有较高的抗干扰性。
汽车牌照作为车辆的唯一身份标识,其特征也就成为车牌定位的重要参考依据。
车辆牌照的特征有形状特征、字符特征和灰度变化特征等。
车牌定位系统在处理这些特征时将会应用到数字图像处理技术[2]。
（1）形状特征
标准车牌的宽、高、以及宽高比一定。
车牌的边缘是线段围成的有规则的矩形，大小变化有一定的围。
汽车前车牌的标准外轮廓尺寸为440x140，每个字符宽度为45，高度为90，间隔符宽10，字符间隔12。
整个车牌的宽高比近似为3:
1。
实际中摄像机的拍摄角度不同，拍摄到的车牌宽高比例会有所差别。
（2）字符特征
标准车牌首位为省名简称，共有31个字符（不考虑军、警车）；次位为英文字母（除去“I”）共25个英文大写字母；后面五位为英文字母或阿拉伯数字（字母除去字母“I”和字母“O”），共有34个字符。
（3）灰度变化特征
车牌的底色、边缘颜色以及车牌外的颜色都是不相同的，表现在图像中就是灰度级互不相同，这样在车牌边缘形成了灰度突变边界。
实际上，车牌的边缘在灰度上的表现是一种屋脊状边缘；在车牌区域部，穿过车牌的水平直线其灰度呈现连续的波峰、波谷、波峰的分布；车牌区域的边缘灰度直方图具有两个明显并且分离的分布中心；车牌区域的水平和垂直投影呈现连续的波峰、波谷、波峰的分布。
这部分特征主要用在对灰度图像进行车牌定位、字符分割方面[3]。
2.2灰度变换
灰度图是指只包含亮度信息，不包含色彩信息的图像，例如平时看到的亮度连续变化的黑白照片就是一幅灰度图。
灰度化处理就是将一幅彩色图像转化为灰度图像的过程。
彩色图像分为R、G、B三个分量，分别显示出红、绿、蓝等各种颜色，灰度化就是使彩色的R、G、B分量相等的过程。
灰度值大的像素点比较亮（像素值最大为255，为白色），反之比较暗（像素值最小为0，是黑色）。
本次灰度图像变换的实现采用了rgb2gray函数
rgb2gray：
转换RGB图像或颜色映像表为灰度图像
格式：
I=rgb2gray（RGB）
I=rgb2gray（A）
原始图像和灰度图如图2-1、2-2所示：
图2-1原始图像
图2-2灰度图像
2.3图像增强
对车辆图像进行灰度化处理之后，车牌部分和非车牌部分图像的对比度并不是很高，此时如果直接进行边缘提取，由于车牌界限较为模糊，难以提取出车牌边缘，因而难以准确定位车牌。
为了增强牌照部位图像和其他部位图像的对比度，使其明暗鲜明，有利于提高识别率，需要将车辆图像进行增强。
图像增强的目的是对图像进行加工，以得到对具体应用来说视觉效果更适于计算机识别的图像。
增强图像的方法有很多，如灰度变换、图像平滑处理和线性滤波等，根据处理图像域又可分为空间增强与频域增强。
目前用于车牌图像增强的方法有：
灰度拉伸、直方图均衡、中值滤波、高斯滤波、邻域滤波、图像腐蚀、多图像平均、同态滤波等等。
在本设计中用到运动目标检测—图像开运算，图像的开运算是先腐蚀后膨胀，用来消除小物体、在纤细点处分离物体、平滑较大物体的边缘同时并不明显改变其面积。
（1）对原始图像进行开运算得到背景图像：
s=strel（'disk',13）;%调用strel函数
Bgray=imopen（Sgray,s）;%对图像进行开运算
figure,imshow（Bgray）;title（'背景图像'）;
输出背景图像，如图2-3所示
图2-3背景图像图图2-4增强后的黑白图像
（2）原始灰度图像与背景图像做减法，对图像进行增强处理：
Egray=imsubtract（Sgray,Bgray）;
figure,imshow（Egray）;title（'增强黑白图像'）;
输出黑白图像如图2-4所示。
2.4图像边缘提取及二值化
2.4.1图像边缘提取
边缘主要存在于目标与目标、目标与背景、区域与区域（包括不同色彩）之间，边缘检测主要是精确定位边缘和抑制噪点，原理是：
由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处及其灰度变化较大，故该处微分计算值较高，可将这些为分支作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。
其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置门限的方法提取边缘点集[4]。
常用的传统边缘检测算子有Roberts算子、Sobel算子、Prewitt算子、Laplace算子等。
Roberts算子：
边缘定位准确，但对噪声敏感，去噪声作用小，适合于边缘明显且噪声较小的图像分割；物体的边缘总是以图像中强度的突变形式出现的，所以物体边缘包含着大量的信息。
由于物体的边缘具有十分复杂的形态，因此，最常用的边缘检测方法是所谓的“梯度检测法”。
设
是图像灰度分布函数；
是图像边缘的梯度值；
是梯度的方向。
则有
（2-1）
（n=1,2,...）
（2-2）
式（2-1）与式（2-2）可以得到图像在（x,y）点处的梯度大小和梯度方向。
将式（2-1）改写为：
（2-3）
称为Roberts边缘检测算子。
式中对
等的平方根运算使该处理类似于人类视觉系统的发生过程。
事实上Roberts边缘检测算子是一种利用局部差分方法寻找边缘的算子，Robert梯度算子所采用的是对角方向相邻两像素值之差，所以用差分代替一阶偏导，算子形式可表示如下：
（2-4）
上述算子对应的两个
模板如图2-5所示。
实际应用中，图像中的每个像素点都用这两个模板进行卷积运算，为避免出现负值，在边缘检测时常提取其绝对值。
1
0
0
-1
0
1
-1
0
（a）（b）
图2-5Robert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强烈的边缘。
Sobel算子不仅能检测边缘点，而且能抑制噪声影响，对灰度渐变和噪声较多的图像处理得较好；该算子是由两个卷积和
与
对原图像
进行卷积运算而得到的。
其数学表达式为：
（2-5）
实际上Sobel边缘算子所采用的算法是先进行加权平均，然后进行微分运算，我们可以用差分代替一阶偏导，算子的计算方法如下：
（2-6）
Sobel算子垂直方向和水平方向的模板如图2-6所示，前者可以检测出图像中的水平方向的边缘，后者则可以检测图像中垂直方向的边缘。
实际应用中，图像中的每一个像素点都用这两个卷积核进行卷积运算，取其最大值作为输出。
运算结果是一幅体现边缘幅度的图像。
-1
-2
-1
0
0
0
1
2
1
-1
0
1
-2
0
2
-3
0
1
（a）（b）
图2-6Sobel算子模板
Prewitt算子：
利用局部差分平均方法寻找边缘的算子，它体现了三对像素点像素值之差的平均概念，因为平均能减少或消除噪声，为此我们可以先求平均，再求差分，即利用所谓的平均差分来求梯度。
用差分代替一阶偏导可得算子形式如下：
（2-7）
Prewitt边缘检测算子的两个模板如图2-7所示，它的使用方法同Sobel算子一样，图像中的每个点都用这两个核进行卷积，取得最大值作为输出。
Prewitt算子也产生一幅边缘图像。
与Sobel算子相比，对噪声抑制较弱。
1
0
-1
1
0
-1
1
0
-1
-1
-1
-1
0
0
0
1
1
1
（a）（b）
图2-7Prewitt算子模板
Laplace算子：
它是一个与方向无关的各向通行边缘检测算子，对细线和孤立点检测效果好，但边缘方向信息丢失，常产生双像素的边缘，对噪声有双倍加强作用，很少直接用于检测边缘。
对于阶跃状边缘，其二阶导数在边缘点出现过零交叉，即边缘点两旁的二阶导数取异号，据此可以通过二阶导数来检测边缘点。
拉普拉斯边缘检测算子正是对二维函数进行二阶导数运算的标量算子，它的定义是：
（2-8）
用差分代替二阶偏导时，与前述三个一阶导数算子不同，拉普拉斯算子的形式可表示如下：
（2-9）
拉普拉斯边缘检测算子的模板如图2-8所示，模板的基本特征是中心位置的系数为正，其余位置的系数为负，且模板的系数之和为零。
它的使用方法是用图中的两个点阵之一作为卷积核，与原图像进行卷积运算即可。
拉普拉斯算子又是一个线性的移不变算子，它的传递函数在频域空间的原点为零，因此，一个经拉普拉斯滤波过的图像具有零平均灰度。
拉普拉斯检测模板的特点是各向同性，对孤立点及线端的检测效果好，但边缘方向信息丢失，对噪声敏感，整体检测效果不如梯度算子。
因此，它很少直接用于边缘检测。
但注意到与Sobel算子相比，对图像进行处理时，拉普拉斯算子能使噪声成分得到加强，对噪声更敏感。
[5]
0
-1
0
-1
4
-1
0
-1
0
-1
-1
-1
-1
8
-1
-1
-1
-1
（a）（b）
图2-8Laplace算子模板
通过实验图对几种边缘检测算子进行仿真（图2-9至2-11），可知：
（1）Roberts算子定位比较准确，但由于不包括平滑，所以对噪声比较敏感。
（2）Prewitt算子和Sobel算子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波，对噪声具有一定的抑制能力，但不能完全排除检测结果中出现伪边缘。
该类算子对灰度渐变和具有噪声的图像处理比较好。
其中Sobel算子比Prewitt算子更能抑制噪声的影响。
（3）Laplace算子对图像中的阶跃性边缘点定位准确，对噪声非常敏感，丢失一部分边缘的方向信息，造成一些不连续的检测边缘。
边缘检测算子的实现代码：
I2=edge（I1,'Roberts',0.09,'both'）;
Figure，imshow（I2）；title（‘Roberts算子’）;
图2-9Roberts算子
图2-10Prewitt算子
图2-11Sobel算子
通过边缘检测仿真结果图可见，几个边缘检测算子都可以较好的提取所需的车牌边缘。
为了车牌的定位，希望车辆图像的车牌区域突现出来的同时，其它边缘能够很好的得到抑制。
Roberts算子提取边缘能有效地检测出车牌区域的纹理特征，所以，本次设计选用Roberts算子。
2.4.2灰度图像二值化
灰度图像的二值化处理就是将图像上的点的灰度值置为0或255，也就是将整个图像呈现出明显的黑白效果。
即将256个亮度等级的灰度图像通过适当的阀值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
在数字图像处理中，二值图像占有非常重要的地位，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像，这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。
为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。
所有灰度大于或等于阀值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。
如果某特定物体在部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阀值法就可以得到比较的分割效果。
如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。
动态调节阀值实现图像的二值化可动态观察其分割图像的具体结果。
本文采用的图像二值化最佳阈值计算方法如下：
Level=（fmax1-（fmax1-
升级会员 