基于matlab的车牌定位系统的研究与设计毕业设计(编辑修改稿)

基于matlab的车牌定位系统的研究与设计毕业设计(编辑修改稿)内容摘要：

处理和车牌提取。 流程图如图 2所示： 图 2 车牌定位算法流程图 车牌输入 旋转校正 灰度化 边缘检测 形态学处理 车牌提取 输出 基于 Matlab 的车牌定位系统的研究与设计 5 旋转校正 很多时候，待处理图片不一定是水平的图片，会有一些倾斜的图片，在资料搜集中，看到不少的研究者把旋转校正放在车牌定位后做，做一个车牌位置的旋转校正。 事实上，经过多次的实验和反复调试，车牌定位后做旋转校正，虽然要处理的数据较少，但是，车牌旋转校正比车辆图片旋转校正要难一些和效果要差一些。 在车牌定位时，当图像的倾斜角度比较大时，除了形态学 的处理达不到预期效果外，也不利于车牌区域的提取。 因此，为了输出一个平滑整齐的车牌区域，本方法的安排顺序是先把车辆图片校正好再进行车牌定位。 这种新顺序，校正效果好，使得车牌定位准确。 校正方法本文采取 radon变换，利用 radon变换函数，能够迅速得到倾斜角，进而进行旋转校正。 它首先将车牌图像朝各个方向进行投影，计算字符间隙投影为零的个数，则最多零值对应的角度即为车牌的垂直倾斜角，进而通过旋转相应的角度实现垂直倾斜校正；然后根据车牌上下边之间投影距离最短特性获得水平倾斜角度，利用插值方法得出最终校正结果。 由于 算法采用的都是一些显而易见的性质，因此具有广泛的应用范围（徐瑞， 2020）。 连续情形下的 radon变换是描述二元函数的投影在某一方向上的线积分 ， 对于离散情形 ， 在数学图像中就是把那些将沿某方向的像素相加 ， 即投影到与该投影方向相垂直的轴线上。 其原理是对原图像沿不同方向进行投影 ， 并对投影结果建立二维直方图，选取极值点为直线所对应的点，二维直方图中的每一个极值点的两坐标对应直线边缘的倾斜角度和位置 ， 而该坐标处对应的函数值对应投影的高度 ， 从而可以得到直线的几何参数信息 ( 倾斜角度和位置 )( 胡小健，等， 2020)。 图 3 直线投影例子 y39。 ‘ y L θ x x39。 基于 Matlab 的车牌定位系统的研究与设计 6 举个简单例子，如图 3，当坐标旋转一个角度 θ的时候，直线 L在新坐标的投影值会与原来直角坐标的投影值不一样，统计 0到 180度每一个度数的旋转后投影值，我们可以找到一个投影值最大时新坐标旋转的角度 θ，从下图可以简单看到，当投影值最大的时候，可以轻松找到直线 L的倾斜角，这个角度就是 θ加上 90度。 利用 MATLAB自带函数 [R， xp]=radon(E， theta)；就可以统计出不同角度的投影情况，通过 [E， J]=find(R=max(max(R)))找到 R的最大值就可以找到角度 θ，就可以轻松求出倾斜角。 最后用 imrotate（） 函数进行旋转就可以得到我们的校正后的图像。 图 4 原图 图 5 校正结果 图像灰度化 拍摄到的图片是彩色图，彩色图含有大量的颜色信息，如果直接对彩色图像进行处理，会导致处理速度慢、存储空间大和运算复杂等问题。 彩色图像会有 R、 G、 B三种颜色的分量，而灰度图的特征是：只有亮度，不含其他色彩信息的图像，可以克服光照、颜色干扰等，使图片更加简单易处 理。 灰度图亮度值量化为 256级， 0为最暗全黑， 255为最亮全白。 灰度化算法处理方便，将图片 RGB值设置为相等即可，而这个值目前主要采取加权平均法。 根据处理需要赋予三个基色不同的权值，再对图像中每个像素点进行加权平均，最后用这个值替代原来的三个基色分量的值，数学公式表达为： 3r g bR W G W B WR G B        (1) 公式 1中 rW 、 gW 、 bW 分别是 R、 G、 B的权值。 明显的，权值选择不同，得到的灰度基于 Matlab 的车牌定位系统的研究与设计 7 图亮度不一样。 由大量实验证明， rW 、 gW 、 bW 的值分别为 、 、 ，灰度图的效果比较好。 此时， 式 ： Y=R=G=B=++ (2) 由公式 2的加权平均 值的方法所处理出来的灰度图效果会很好。 在 MATLAB里直接利用函数 rgb2gray()即可实现灰度化。 边缘检测 图像的边缘是图像的一个基本特征。 边缘是指其周围元素灰度有阶跃变化的像素。 物体边缘广泛存在于物体之间、物体和背景之间还有物体不同部分之间。 因而，边缘是进行图像分割所依靠的重要特征之一（吴林， 2020）。 边缘检测可以突出图像边缘，削弱边缘以外图像区域。 在汽车图像中，牌照区域内含有丰富的边缘，而其它区域则不具有这个特点，所以针对这种特征我们可以采用边缘检测算法来分离目标与背景区域，仅对车牌部 分进行增强。 常见的边缘提取方法主要是考察图像每个像素的梯度变换情况，利用边缘邻近的一阶或二阶方向导数规律进行检测。 常说的梯度算子实际就是一阶导数算子。 当图像边缘灰度变化尖锐，并且图像噪声污染少时，采用梯度算子对图像进行边缘提取会有比较好的效果。 边缘算子有很多，常用的以下几个： Roberts算子 、 Prewitt算子 、 Sobel算子 、 Canny算子 、 Laplace算子 、 罗盘算子 等。 图 6 Sobel算子效果 基于 Matlab 的车牌定位系统的研究与设计 8 图 7 Canny算子效果 图 8 Roberts算子效果 Sobel算子能比较好的呈现 图像的边缘，对噪声不太敏感，有一定的去噪能力，但会使图像边缘变粗，从而降低了定位精度。 Canny算子不易受噪声干扰，能检测弱边缘，能在噪音抑制和检测之间取得较好的平衡。 Roberts算子对陡峭的低噪声图像处理效果较好，检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感，无法抑制噪声的影响。 基于 Matlab 的车牌定位系统的研究与设计 9 在几种算子中， Roberts算子在噪声较少的情况下边缘检测的效果与其他算子相比更佳，车牌边缘清晰，字符轮廓明显（卓均飞，等， 2020）。 从图 6到图 8可以看到各种算子的实际效果， Sobel算子的边缘效果较粗，对后期处理 会造成定位不精确的问题，而Canny算子边缘检测效果强，但在本文的方法中并不需要把弱边缘都检测出来，所以最后决定采用 Roberts算子。 MATLAB提供了边缘检测的函数 edge（ I， 39。 算子 39。 )，我们很方便就可以进行边缘检测的操作。 数学形态学处理 数学形态学是分析几何形状和结构的数学方法 ， 是建立在集合代数基础上 ， 用集合论方法定量描述几何结构的科学。 其基本思想是用一个结构元素作为基本工具来探测和提取图像特征 ， 看这个结构元素是否能够适当有效地放入图像内部（熊春荣，等， 2020）。 数学形态学是以形态结构元素为基础对图像进行分析的数学工具。 它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。 数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并除去不相干的结构。 数学形态学的基本运算有 4个：膨胀、腐蚀、开运算和闭运算。 它们在二值图像中和灰度图像中各有特点。 基于这些基本运算还可以推导和组合成各种数学形态学实用算法。 膨胀是用来填补物体中小的孔洞和狭窄的缝隙 ， 使其形成连通域 ， 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。 腐蚀具有使目标缩小、目标内孔增大 ， 消除孤立噪声的作用（王怡， 2020）。 在数学形态学图像处理中 ， 除了腐蚀和膨胀这两种基本运算外 ， 还有两种非常重要的运算方法 ， 即开运算和闭运算。 先腐蚀后膨胀的过程称作开运算 ， 它具有消除细小物体 ， 有在物体纤细处分离物体和平滑较大物体边界的 同时并不明显改变其面积 的作用；而闭运算则是先膨胀后腐蚀 ，它具有填充物体影像内细小空洞 ， 连接邻近物体和平滑边界的 同时并不明显改变其面积作用。 在数学形态学算法处理中结构元素的选取十分重要。 结构元素过大会使车牌区域的边缘点粘连在一起，候选车 牌区域增多，更甚者车牌区域与背景会粘连在一起，给后续的车牌候选区分析带来困难；而若结构元素过小，则会使车牌区域无法粘连在一起，就可能造成真正的车牌不包含在车牌候选区，以至于无法准确定位（朱光忠 ， 等， 2020）。 因为车牌是一个矩形，所以结构元素选取一个矩形的结构元素比较合适，而通过图片大基于 Matlab 的车牌定位系统的研究与设计 10 小的分析，以及车牌定制标准中车牌的宽高比大约 3： 1到 4： 1，选取 strel(39。 rectangle39。 ，[4， 24])作为开闭运算的结构运算，经过多次测试，效果良好。 数学形态学处理的步骤为： （ 1）利用闭运算的性质，选择结构元素 是大小为 [5， 25]的矩形，填充边缘检测后的图像，使车牌区域变为连通域。 （ 2）利用开运算的性质，用步骤（ 1）的结构元素，分离每个连通域的联系，去除噪点。 （ 3）再次利用开运算的性质，结构元素大小为 [20， 1]，达到去除细小狭窄的矩形条区域。 MATLAB提供了方便的函数，可以轻松实现数学形态学处理的工作，具体函数如下： IM=imclose(y,strel(39。 rectangle39。 ,[5,25]))； IM1=imopen(IM,strel(39。 rectangle39。 ,[5,25]))； IM2=imopen(IM1,strel(39。