基于Matlab的车牌识别(完整版)文档格式.doc
《基于Matlab的车牌识别(完整版)文档格式.doc》由会员分享，可在线阅读，更多相关《基于Matlab的车牌识别(完整版)文档格式.doc（23页珍藏版）》请在冰点文库上搜索。
分析垂直投影找到每个字符中心位置
计算水平投影进行车牌水平校正
去掉车牌的框架
（3）车牌字符识别:
字符依次分析显示误差最小的图片名字
分析之差最小的图片是哪张
与数据库的图片相减
切割出的字符送入库中
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，车牌识别系统的识别率与车牌质量和拍摄质量密切相关。
车牌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、车牌被遮挡、车牌倾斜、高亮反光、多车牌、假车牌等等；
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车牌识别的识别率，也正是车牌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。
三各模块的实现:
3.1输入待处理的原始图像:
clear;
closeall;
%Step1获取图像装入待处理彩色图像并显示原始图像
Scolor=imread（'
3.jpg'
）;
%imread函数读取图像文件
图3.1原始图像
3.2图像的灰度化:
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。
%将彩色图像转换为黑白并显示
Sgray=rgb2gray（Scolor）;
%rgb2gray转换成灰度图
figure,imshow（Sgray）,title（'
原始黑白图像'
图3.2原始黑白图像
3.3对原始图像进行开操作得到图像背景图像:
s=strel（'
disk'
13）;
%strei函数
Bgray=imopen（Sgray,s）;
%打开sgrays图像
figure,imshow（Bgray）;
title（'
背景图像'
%输出背景图像
图3.3背景图像
3.4灰度图像与背景图像作减法，对图像进行增强处理:
Egray=imsubtract（Sgray,Bgray）;
%两幅图相减
figure,imshow（Egray）;
增强黑白图像'
%输出黑白图像
图3.4黑白图像
3.5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（Egray）））;
%egray的最大值并输出双精度型
fmin1=double（min（min（Egray）））;
%egray的最小值并输出双精度型
level=（fmax1-（fmax1-fmin1）/3）/255;
%获得最佳阈值
bw22=im2bw（Egray,level）;
%转换图像为二进制图像
bw2=double（bw22）;
figure,imshow（bw2）;
图像二值化'
%得到二值图像
图3.5二值图像
3.6边缘检测:
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。
grd=edge（bw2,'
canny'
）%用canny算子识别强度图像中的边界
figure,imshow（grd）;
图像边缘提取'
%输出图像边缘
图3.6像边缘提取
3.7对得到图像作开操作进行滤波:
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。
bg1=imclose（grd,strel（'
rectangle'
[5,19]））;
%取矩形框的闭运算
figure,imshow（bg1）;
图像闭运算[5,19]'
%输出闭运算的图像
bg3=imopen（bg1,strel（'
%取矩形框的开运算
figure,imshow（bg3）;
图像开运算[5,19]'
%输出开运算的图像
bg2=imopen（bg3,strel（'
[19,1]））;
figure,imshow（bg2）;
图像开运算[19,1]'
图3.7.1闭运算的图像图3.7.2开运算的图像
图3.7.3开运算的图像
3.8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:
a.对图像每个区域进行标记，然后计算每个区域的图像特征参数：
区域中心位置、最小包含矩形、面积。
[L,num]=bwlabel（bg2,8）;
%标注二进制图像中已连接的部分
Feastats=imfeature（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
figure,imshow（RGB）;
图像彩色标记'
%输出框架的彩色图像
图3.8.1彩色图像
b.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。
计算矩形的高度
框架的宽度和高度的范围
车牌的开始列
车牌的开始行
计算车牌长宽比
获取车牌二值子图
计算矩形的宽度
程序流程图图3.8.2灰度子图和二值子图
3.9对水平投影进行峰谷分析:
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（sbw1）;
%计算垂直投影
histrow=sum（sbw1'
%计算水平投影
figure,subplot（2,1,1）,bar（histcol1）;
垂直投影（含边框）'
%输出垂直投影
subplot（2,1,2）,bar（histrow）;
title（'
水平投影（含边框）'
%输出水平投影
图3.9.1垂直投影和水平投影
figure,subplot（2,1,1）,bar（histrow）;
title（'
subplot（2,1,2）,imshow（sbw1）;
车牌二值子图'
%输出二值图
对水平投影进行峰谷分析:
求水平投影的最小值
取阈值
计算谷宽度
计算峰距离
计算下降点
找到峰中心位置
求水平投影的平均值
图3.9.2水平投影和二值图程序流程图
3.10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。
求最大宽度为字符
检测上边
从顶边至第一个峰下降点扫描
从底边至最后一个峰的上升点扫描
找第一个为1的点
标示出图像大小
程序流程图
（2）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
（3）旋转车牌图象
subcol=imrotate（subcol1,angle,'
bilinear'
crop'
%旋转车牌图象
sbw=imrotate（sbw1,angle,'
%旋转图像
figure,subplot（2,1,1）,imshow（subcol）;
车牌灰度子图'
%输出车牌旋转后的灰度图像标题显示车牌灰度子图
subplot（2,1,2）,imshow（sbw）;
'
%输出车牌旋转后的灰度图像
title（['
车牌旋转角:
'
num2str（angle）,'
度'
],'
Color'
r'
%显示车牌的旋转角度
图3.10.1旋转后的灰度图像和旋转角度
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'
%计算水平投影
垂直投影（旋转后）'
水平投影（旋转后）'
图3.10.2垂直投影（旋转后）和水平投影（旋转后）
车牌二值子图（旋转后）'
图3.10.3水平投影（旋转后）和车牌二值子图（旋转后）
3.11去水平（上下）边框,获取字符高度:
a.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。
maxhight=max（markrow2）;
findc=find（markrow2==maxhight）;
rowtop=markrow（findc）;
rowbot=markrow（findc+1）-markrow1（findc+1）;
sbw2=sbw（rowtop:
rowbot,:
%子图为（rowbot-rowtop+1）行
maxhight=rowbot-rowtop+1;
%字符高度（rowbot-rowtop+1）
b.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
histcol=sum（sbw2）;
%计算垂直投影
figure,subplot（2,1,1）,bar（histcol）;
垂直投影（去水平边框后）'
%输出车牌的垂直投影图像
subplot（2,1,2）,imshow（sbw2）;
%输出垂直投影图像
车牌字符高度：
int2str（maxhight）],'
%输出车牌字符高度
%对垂直投影进行峰谷分析
求垂直投影的最小值
计算字符上升点
计算字符距离
找到字符中心位置
求垂直投影的平均值
图3.11垂直投影图像和车牌字符高度程序流程图
c.计算车牌上每个字符中心位置，计算最大字符宽度maxwidth
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）;
%查找最大值，即为最大字符宽度
d.提取分割字符,并变换为22行*14列标准子图
l=1;
[m2,n2]=size（subcol）;
figure;
fork=findmax-1:
findmax+5
cleft=markcol5（k）-maxwidth/2;
cright=markcol5（k）+maxwidth/2-2;
ifcleft<
1
cleft=1;
cright=maxwidth;
end
ifcright>
n2
cright=n2;
cleft=n2-maxwidth;
SegGray=sbw（rowtop:
rowbot,cleft:
cright）;
SegBw1=sbw（rowtop:
SegBw2=imresize（SegBw1,[2214]）;
%变换为22行*14列标准子图
subplot（2,n1,l）,imshow（SegGray）;
ifl==7
title（['
车牌字符宽度：
int2str（maxwidth）],'
subplot（2,n1,n1+l）,imshow（SegBw2）;
fname=strcat（'
F:
\MATLAB\work\sam\image'
int2str（k）,'
.jpg'
%保存子图备选入样本库,并建立样本库
imwrite（SegBw2,fname,'
jpg'
）
l=l+1;
end
3.12将计算计算获取的字符图像与样本库进行匹配，自动识别出字符代码:
进行车牌识别前需要使用样本对神经网络进行训练，然后使用训练好的网络对车牌进行识别。
其具体流程为:
使用汉字、字母、字母数字、数字四个样本分别对四个子网络进行训练，得到相应的节点数和权值。
对已经定位好的车牌进行图像预处理，逐个的特征提取，然后从相应的文件中读取相应的节点数和权值，把车牌字符分别送入相应的网络进行识别，输出识别结果。
样本与数据库中图片相减
计算误差
找到误差最小图片
依次识别并识别
建立数据库
程序流程图图3.12识别的车牌号码
四、设计结果及分析
原始图像:
预处理后：
车牌定位和提取：
字符的分割和识别：
可以看出对于这个车牌，可以准确的识别。
预处理：
车牌的定位和提取：
字符的分割和识别：
从上面结果可以看出，这张车牌的识别失败了，将G误识别为B了，K误识为A，0识别为8，这在识别中是非常容易出错的地方，因此需要在其他方面做些弥补，最后达到识别效果。
在车牌识别的过程中数字库的建立很重要,只有数字库的准确才能保证检测出来的数据正确。
切割出来的数据要与数据库的数据作比较，所以数据库的数据尤为重要。
五、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。
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，基于视觉的车辆车牌检测,计算机应用研究,1999（5）,P65～67
[4]叶晨洲，廖金周，一种基于纹理的车牌图象二值化方法，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
[7]王年、李婕、任彬、汪炳权.多层次汽车车车牌定位分割方法.安徽大学学报，1999（6）Vol.23.No.2
专业：
测控技术与仪器
组别：
436寝室
成员：
岑光田利超王渊博
马玉凯査永星饶中钰宋亚南
升级会员 