车牌自动识别系统的设计与研究(车牌定位与分割)毕业设计(编辑修改稿)

车牌自动识别系统的设计与研究(车牌定位与分割)毕业设计(编辑修改稿)内容摘要：

利用摄像机室外拍摄车牌图像，存在许多外在的干扰，如天气、背景因素、车牌磨损、污染、图像中车牌倾斜等因素，因此定位并不十分理想。 车牌定位是解决图像分割、图像分析与理解的问题。 它的方法多种多样，它可以是对先前方法的改进，也可以是独辟蹊径的创新，也可以是新老方法的结合。 对一些复杂的图像应用某些数学工具不仅可以加快处理速度，而且可以改善和优化处理结果。 车牌定位是车牌识别的基础，车牌定位的结果直接影响着字符分割和字符识别的效果，所以有必要对车牌定位方法进行深入的研究。 车牌字符分割是把车牌的字符一个个分离出来，为车牌字符的识别做好准备 工作。 车牌字符分割属于印刷体字符分割的范畴。 印刷体字符分割的任务是从多 行或多字符图像中切割出单个字符。 对于字符分割的问题常常不被重视，但是字符的正确分割对字符的识别又很关键。 由于各种因素的影响，使得字符分割的复杂性大。 目前的字符分割 的算法一直在不断完善。 针对车牌图像的字符分割，是字符分割的一个具体应用，目前人们根据车牌字符的特征已提出了一些算法，比如：基于先验知识的分割算法，基于投影轮廓和拓扑结构的分割算法等。 但是考虑到车牌中字符可能存在的粘连、断裂情况，字符分割技术仍然需要进一步改进。 1． 3 主要研究内容 课题研究的主要内容是对数码相机拍摄的车牌，进行基于数字图像处理技术的车牌定位技术和车牌字符分割技术的研究与开发，涉及到图像预处理、车牌定位、倾斜校正、字符分割等方面的知识 ,总流程图如图 11 所示，其中车牌定位的流程图如 图 12所示，字符分割与归一化的流程图如图 13所示。 图 11系统总流程图 输入车牌图像 车牌图像预处理 车牌定位 倾斜校正 字符分割 图 12 车牌定位的流程图 图 13 字符分割与归一化流程图 1． 4 论文章节安排 第一章为绪论。 介绍了选题的背景及意义 ,并对国内外车牌定位分割技术研究现状进行了综述。 同时还给出了本文研究的主要内容和论文的章节安排。 第二章为图像处理技术。 详细地阐述了车牌定位分割过程中涉及到的图像处理技术的基本理论 ,并结合课题程序进行探讨分析。 第三章为车牌图像的定位。 分析了车牌定位的基本原理和现有的定位方法 ,利用图像处理的技术 ,提出了基于 数学形态学与边缘检测以及颜色相结合的 车牌[m， n]=size（ d），逐排检查有没有白色像素点，设置 1=jn1，若图像两边 s（ j） =0，则切割，去除图像两边多余的部分 切割去图像上下多余的部分 根据 图像的大小，设置一阈值，检测图像的 X 轴，若宽度等于这一阈值则切割，分离出七个字符 归一化切割出来的字符图像的大小为 40*20，与模板中字符图像的大小相匹配 对车牌图像进行预处理， 得到车牌的基本形态 去除非目标区域 通过计算寻找 X 和 Y方向车牌的区域 完成车牌定位 定位方法。 最后对车牌定位实验结果进行分析。 第四章为倾斜校正。 分析了倾斜校正的基本原理和一些倾斜校正方法 ,并对实验结果进行分析。 第五章为车牌字符分割。 分析了各种字符分割算法，然后对分割出的车牌图像进行灰度化、灰度拉伸、二值化、去边框处理等一系列预处理后 ，提出了一种 基于 模板匹配与垂直投影相结合的 字符分割方法。 最后对字符分割实验结果进行了分析。 第六章对所做的工作进行了总结和展望。 附录为程序代码。 第二章 图像处理技术 2． 1 图像灰度化 数字图像包括彩色图像和灰度图像两种。 在 RGB 模型中，例如 R=G=B，则颜色表示一种灰度颜色，其中 R=G=B 的值叫做灰度值，我们用 g来表示。 灰度化处理就是由彩色转换为灰度。 由于彩色图像的存储大都占用很大的空间，在对图像进行切割处理时经常将彩色图像转换为灰度图像，以加快后续的处理速度。 R,G,B 的取值范围是 0255，所以灰度的级别是 256 级。 灰度化的处理方法主要有如下三种 : （ 1）最大值法 :使 g 的值等于三值中的最大的一个，见式 (21) max( , , )g R G B （ 21) (2) 平均值法 :使 g 的值等于三值和的平均值，见式 (22) 3R G Bg  (22) (3)加权平均值法 :根据重要性或其他指标给 R， G， B 赋予不同的权值，并使 g等于它们的值的加权平均值，见式 (23) 3R G BW R W G W Bg  (23) 其中 RW , GW , BW 分别为 R， G， B的权值。 由于人眼对绿色的敏感度最高 ,对红的 敏感度 次之，对蓝色的敏感度最低，所以本实验取 0 .2 9 9 0 .5 8 7 0 .1 1 4g R G B  。 本文根据加权平均值法进行灰度化。 原图、灰度图及其直方图结果见图 21与图22，且彩色图像灰度化代码如下： I=imread(39。 D:\MATLAB7\39。 )。 %读入彩色车牌图像 figure(1),imshow(I)。 title(39。 原图 39。 ) I1=rgb2gray(I)。 %灰度化 figure(2),subplot(1,2,1),imshow(I1)。 title(39。 灰度图 39。 )。 figure(2),subplot(1,2,2),imhist(I1)。 title(39。 灰度图直方图 39。 )。 图 21 彩色车牌图像 图 22 车牌图像的灰度图及其直方图 下面图 23到图 25 是对其他车牌图像进行灰度化和其直方图的显示结果。 从直方图中可以看出车牌图像的直方图中存在双峰或多峰的情况， 这些给后期的车牌图像二值化过程中阈值的选择带来一定的影响。 图 23 车牌图像的灰度图及其直方图 图 24 车牌图像的灰度图及其直方图 图 25 车牌图像的灰度图及其直方图 2． 2 图像增强 图像在获取和传输过程中通常都会 混入很多噪声，导致图像质量的下降，使图像的细节难以辨认、模糊、轮廓不清楚甚至畸变，不利于人和机器对图像的理解。 因此，在对原始图像分析之前，必须改善图像的质量。 图像增强是使用的比较多的一种方法，增强的目的是增强图像的视觉效果，提高图像的清晰度，使其更加便于人或者机器处理。 图像增强所使用的方法主要分为两大类，一类是空域增强法，主要包括直方图修正、图像平滑和图像锐化等；另外一类则是频域增强法，主要有低通滤波、带通滤波和高通滤波等。 出于对实时性的考虑，在车牌识别系统中一般很少使用频域增强法。 造成图像对比度低的几 个原因： ，使得图像中央区域和边缘区域的灰度失衡； 摄像头扫描时各点的灵敏度有较大的差异而产生图像灰度失真； ；。 通过直方图发现车辆牌照图象的灰度取值范围大多局限在 r=(50,200)之间，而且总体上灰度偏低，图象较暗。 根据图象处理系统的条件，最好将灰度范围展开到 s=(0,255)之间，为此对灰度值作如下的变换： ( ) [ m i n , m a x ]s T r r r r （ 24） 使得 S∈ [Smin, Smax],其中， T为线性变换， m i nr m a xr m i nr S m a xm a xr S m i nrm i nr m a xr S m i nS m a x S （ 25） 图 26灰度线性变换 图像增强代码和结果如下： J=imadjust(I1,stretchlim(I1),[])。 %非线性变换 figure(3),subplot(1,2,1),imshow(J)。 title(39。 灰度拉伸后的图 39。 )。 figure(3),subplot(1,2,2),imhist(J)。 title(39。 灰度图直方图 39。 )。 图 27 灰度拉伸后的图像及其直方图 程序中使用 imadjust 函数来实现图像的灰度拉伸。 它使图像的低灰度区得以扩展，而高灰度区得到压缩，使图像的灰度分布均匀，与人的视觉特性匹配。 从图 27中可以看出原始车牌图像视觉效果一般，经过灰度拉伸后，图像感觉清晰了许多。 利用灰度拉伸对于图像中的高亮区和黑暗区具有保护细节的明显作用。 2． 3 车牌图像的二值化 灰度图像是有 256个灰度级的单色图像，多级别的图像能够呈现出较为丰富的明暗度，但对于目标搜索来说，总是希望尽可能地减少背景像素的干扰，而保存或增强目标区的色素度。 图像 的二值化可把像素的灰度级分成黑与白二级，即把原灰度图像转化为二值图像，在数字图像处理中，二值图像占有非常重要的地位。 这是因为，一方面，有些需要处理的如文字图像、指纹图像、工程图纸等图像本身是二值的。 另一方面，在某些情况下即使图像本身是有灰度的，我们也设法使它变成二值图像再进行处理 (即灰度图像的二值化 )。 这是考虑到在实际的图像处理系统中，要求处理的速度高、成本低、信息量大的浓淡图像处理的花销太大。 此外，二值化后的图像能够用几何学中的概念进行分析和特征描述，比灰度图像优势大的多。 如何将图像分成两级，关键看阈值 的选取，要找到合适的阈值 t 来区分对象和背景。 设原灰度图像为 f(x， y)，二值化后的图像为 g(x， y)，二值化过程表示如下 : 1 ( , )( , ) 0 ( , )f x y tg x y f x y t   　 （ 26） 门限 t的选择是关键，它可以表示为一个三元函数，即： [ ( , ) , ( , ) , ( , ) ]t f x y x y N x y （ 27） 其中（ x,y）是图像中像素位置， f（ x,y）代表图像中（ x,y）处的灰度值，N(x,y)为 (x,y)周围邻域的灰度特征。 目前二值化有多种阈值选取方法。 依阈值的应用范围可分为全局阈值法、局部阈值法和动态阈值法等。 全局阈值法是指在二值化过程中只使用一个阈值，典 型的全局阈值方法包括 Ostu 方法、最大熵方法等，优点在于算法简单，对于目标和背景明显分离、直方图分布呈双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗能力差，应用受到极大限制。 局部阈值法则是由像素的灰度值和像素周围局部灰度特性来确定二值化的阈值， Bernsen 算法是典型的局部阈值方法，局部阈值法的缺点和问题是实现速度慢、不能保证字符笔划 连通性、以及容易出现伪影现象等。 动态阈值 法的阈值确定不仅取决于该像素的灰度值及其周围像素的灰度值，而且 与像素位置信息有关。 由于充分考虑了每个像素邻域的特征，能够更好的突出背景和目标的边界，使得相距很近的两条线不会产生粘连现象，二值化效果较好。 缺点是算法复杂，耗费资源较多。 尽管阈值选取的方法很多，但至今还没有找到一种对所有图像都可以有效分割的方法，一种阈值方法只能适用于某一类或几类图像。 蓝白车牌和黑白车牌车牌底色和字符颜色对比明显，而黄黑车牌的车牌底色和字符颜色对比不太明显。 本文采用了基于灰度直方图的全局 阈值法的方法来处理蓝白车牌。 令 T代表一副灰度图像的阈值， maxG 为图像中实际像素的最高灰度值， minG 为相对最小灰度值，对于一幅灰度级为 256 级的灰度图像，从第 l 级开始，每 16 个灰度级分为一个灰度级组，从而把 256 级分为 16 组 (分组序号 n=1， 2...， 16)，然后在整幅图像中逐个搜索每一个像素，并根据该像素的灰度值将其归入相应的灰度级组，整幅图像扫描完毕后统计每个灰度级组的像素数量，记录像素数量最多的灰度级组的分组 序号 n，通过式 (28)可求出 G: m in ( 1) 16Gn   (28) 得到 minG 后，则阈值 T可通过式 (29)计算得到 : m a x m inm a x 3GGTG  (29) 二值化代码实现如下： figure(10)。 subplot(3,2,1),imshow(b),title(39。 39。 ) g_max=double(max(max(b)))。 g_min=double(min(min(b)))。 T=round(g_max(g_maxg_min)/3)。 % T 为二值化的阈值（四舍五入） [m,n]=size(b)。 d=(double(b)=T)。 % d:二值图像 imwrite(d,39。 .jpg39。 )。 figure(10)。 subplot(3,2,2),imsh。