基于matlab的汽车车牌识别系统

基于matlab的汽车车牌识别系统内容摘要：

汽车 车牌的定位和分割 车牌图像往往是在复杂的环境中拍摄得到的 ， 车牌由于与复杂的车身背景融为一体 ， 由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同 ， 车牌在图像中往往有很大的形变 ， 如何在复杂背景中准确、快速找出车牌的位置成为车牌识别中的难点。 目前已有不少学者在这方面进行了研究。 总结起来主要有如下几类方法 ： (1) 基于水平灰度变化特征的方法 ， 这种方法主要在车牌定位以前 ， 需要对图像进行预处理 ， 将彩色图像转换为灰度图像 ， 利用车牌区域水平方向的纹理特征进行车牌定位 ； (2) 基于边缘检测的定位方法 ， 这种方法是利用车牌区域丰富的边缘特征进行车牌定位 [3]， 能够进行检测的方法有多种 ， 如 Roberts 边缘算子、 Prewitt 算子、 Sobel 算子以及拉普拉斯边缘检测 ； (3) 基于车牌颜色特征的定位方法 ， 这种方法主要是应用 车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位 ； (4) 基于 Hough 变换的车牌定位方法 ， 这种方法是利用车牌边框的几何特征 ，采取寻找车牌边框直线的方法进行车牌定位 ； (5) 基于变换域的车牌定位方法 ， 这种方法是将图像从空域变换到频域进行分析 ， 例如采用小波变换等 ； (6) 基于数学形态学的车牌定位方法 ， 这种方法是利用数学形态学图像处理的基本思想 ， 利用一个结构元素来探测一个图像 ， 看是否能将这个结构元素很好的填放在图像内部 ， 同时验证填放元素的方法是否有效。 本 文 是利用车牌的彩色信息的彩色 定位 分割方法。 根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。 然后，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。 河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 10 图 牌照区域的定位的流程图 图 定位的车牌 %=========车牌定位与分割的主要程序代码 ========= [y,x,z]=size(I)。 myI=double(I)。 Y_threshlow=5。 %这个数值很重要 ,决定了提取的彩图的质量 X_firrectify=5。 %ganrao transaction %================= Y 方向 ======================= Blue_y=zeros(y,1)。 baisebili=0。 changkuanbi=0。 [temp MaxY]=max(Blue_y)。 % Y 方向车牌区域确定 temp(最多点数 ):所有行中，最多的累 积像素点 MaxY（最多点所在行） :该行中蓝点最多 PY1=MaxY。 %有最多蓝点的行付给 PY1 %==============X 方向 =========================== X_threshhigh=(PY2PY1)/11。 %这个数值很重要。 决定了提取的彩图的质量 ,适当提高可抗干扰，但是小图会照成剪裁太多 Blue_x=zeros(1,x)。 % 进一步确定 X 方向的车牌区域 [temp MaxX]=max(Blue_x)。 PX1=MaxX6*(PY2PY1)。 a=PY2PY1+1。 b=PX2PX1+1。 导入原始图像 蓝白色比对候选区域 彩色像素点统计 车牌定位 确定行 、 列方向的合理区域 河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 11 baisebili=White/(a*b) changkuanbi=a/b PY2=MaxY。 a=PY2PY1+1。 b=PX2PX1+1。 Blue_y(PY1:PY2,1)=0。 [temp MaxY]=max(Blue_y)。 车牌的预处理 根据三基色原理，世界上任何色彩都可以由红绿蓝（ RGB）三色不同比例的混合来表示，如果红绿蓝（ RGB）三个信号分别由一个字节表示，则该图像颜色位数就达到二十四位真 彩，也就是说在二十四位真彩的数字图像中每个像素点由三个字节来表示，根据数字图像水平和垂直方向像素点数（即图像分辨率）可计算出一幅图像实际位图大小。 事实上，在车牌自动识别系统中车辆图像是通过图像采集卡将运动的车辆图像抓拍下来，并以位图的格式存放在系统内存中。 这时的车辆常会因为各种各样的原因使得所拍摄的车辆图像效果不理想，但我们可以对车辆图像根据不同应用特点进行识别前的预处理，尽最大可能提高车牌正确识别率，这些图像预处理包括 灰度处理 、倾斜校正等。 汽车图像样本，目前大都是通过摄像机、数码相机等设备 拍摄获取的，因而预处理前的图像都是彩色图像。 真彩色图像又称 RGB图像，它是利用 R, G, B3个分量表示一个像素的颜色， R, G, B分别代表红、绿、蓝 3种不同的颜色，通过三基色可以合成出任意颜色。 所以对一个尺寸为 m*n的彩色图像来说，存储为一个二m*n*3的多维数组。 如果需要知道图像 A中 (x, y)处的像素 RGB值，则可以使用这样的代码 A (x, y,1: 3)。 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。 由于图像的每个象素都具有三个不同的颜色分 t，存 在许多与识别无关的信息，不便于进一步的识别工作，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。 在 RGB模型中，如果 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 .由彩色转换为灰度的过程叫做灰度化处理。 灰度图像就是只有强度信息，而没有颜色信息的图像，存储灰度图像只需要一个数据矩阵，矩阵的每个元素表示对应位置的像素的灰度值。 彩色图像的象素色为 RGB (R, G, B )，灰度图像的象素色为 RGB ( r, r, r ), R, G, B可由彩色图像的颜色分解获得 .而 R, G, B的取值范围是 0255,所以灰度的级别只有 256级。 灰度化的处理方法主要有如下三种 : 河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 12 (1)最大值法 :使 R. G, B的值等于三值中最大的一个，即 R=G=B=max(R,G,B) () (2)平均值法 :使 R, G, B的值值等于三值和的平均值，即 R=G=B=3 BGR  () (3)加权平均值法 :根据重要性或其它指标给 R, G, B赋予不同的权值，并使 R, G, B等于它们的值的加权和平均，即 R=G=B= 3 W a BW c GW rR  () 其中 Wr Wc,Wa，分别为 R, G, B的权值。 由于人眼对绿色的敏感度最高，对红色的敏感度次之，对蓝色的敏感度最低，当 Wr=, Wa=, Wc=，能得到最合理的灰度 图像。 图 灰度处理 %=========将彩色图像转换为黑白并显示 ========= bw=rgb2gray(bw)。 figure,imshow(bw)。 title(39。 灰度图像 39。 ) ； %rgb2gray 转换成灰度图 b. 倾斜校正 由于拍摄时镜头与牌照的角度、车辆的运动及路面的状况等因素的影响，例如车牌在捕捉图像中的位置不固定，捕捉图像时车头或者镜头发生摆动以及车牌本身就挂歪了或路况较差，都可能使拍摄到的车牌 图像有一定的倾斜度，为了正确识别需要进行倾斜度校正，否则将无法进行单个字符的正确分割，字符识别的误差率就会上升。 但是若以某个固定的经验值对所有牌照统一进行旋转处理，又会使原本正常的牌照倾斜，导致新的错误。 因此有必要针对特定的牌照图像提取其倾斜角度，再加以相应的旋转处理。 本文在针对倾斜角度的图片采取 rando 算法进行倾斜角度计算，并对倾斜图片进行修正，从而得到水平方向一致的图片，有河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 13 利于后期的图片分割及图像识别。 图 标示旋转 角 theta 图 倾斜校正 %=========图像倾斜校正主要程序代码 ========= qingxiejiao=rando_bianhuan(bw)%采取 rando 算法进行倾斜角度计算 bw=imrotate(bw,qingxiejiao,39。 bilinear39。 ,39。 crop39。 )。 figure,imshow(bw)。 title(39。 倾斜校正 39。 )。 %取值为 正 值向 左 旋转 I=edge(I)。 %figure,imshow(I)。 theta = 1:180。 [R,xp] = radon(I,theta)。 %旋转，修正图像 [I,J] = find(R=max(max(R)))。 %J 记录了倾斜角 qingxiejiao=90J。 %theta 牌照的二值化处理与去除噪声 图像二值化是指整幅图像画面内仅黑、白二值的图像。 在数字图像处理中二值图像占有很重要的地位。 这是因为，一方面，有些需要处理的如文字图像、指河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 14 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）。 这是考虑到在实用系统中，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大。 此外二值化的图像能够用几何学中的概念进行分析和特征描述，比灰度图像优势大得多。 在实际的车牌处理系统中，进行图像二值化的关键使确定合适的阈值，使得字符与背景能够分割开来，而且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。 同时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，能大大提高处理效率。 灰度处理后的图像，每个像素点出都有一个阈值， 二值化的关键是找到合适的阈值 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),二值化的过程表示如下： 0 f(x,y)t g(x,y)= () 255 f(x,y)t 二值化，基于实时性的要求，我力求寻找一种快速而且效果较好 的方法，能够更有针对性的解决在不同条件下牌照图像的二值化问题。 求解阈值的方法很多，微分直方图法、最大方差法、基于灰度的数学期望的方法、可变阈值法等。 我们采用最简单的方法，当象素灰度级低于常数 t时， [0t]象素灰度为 0， [t255]象素灰度为 255。 擦除反色 图 二值化处理、去除噪声 %=========二值化处理 、 去除噪声程序 ========= bw=im2bw(bw,graythresh(bw))。 %figure,imshow(bw)。 bw=bwmorph(bw,39。 hbreak39。 ,inf)。 %figure,imshow(bw)。 河南城建学院本科毕业设计（论文） 第三章 汽车车牌识别系统的设计 15 bw=bwmorph(bw,39。 spur39。 ,inf)。 %figure,imshow(bw)。 title(39。 擦除之前 39。 )。 bw=bwmorph(bw,39。 open39。 ,5)。 %figure,imshow(bw)。 title(39。 闭合运算 39。 )。 bw = bwareaopen(bw, threshold)。 figure,imshow(bw)。 title(39。 擦除 39。 )。 bw=~bw。 figure,imshow(bw)。 title(39。 擦除反色 39。 )。 二值化处理后，利用垂直。