基于图像处理的汽车牌照的识别tuxiang

基于图像处理的汽车牌照的识别tuxiang内容摘要：

都是固定的这些先验知识，就可以确定出牌照的具体位置。 本设计中采用的车牌，其宽高比为 1:3。 从而确定出汽车牌照的具体位置。 最后提取出的汽车牌照如下图 : 图 10 二值化的汽车牌照 图 11 未进行二值化的汽车牌照 在汽车牌照自动识别过程中，字符分割有承前启后的作用。 它在前期牌照定位的基础 上进行字符的分割，然后再利用分 割的结果进行字符识别。 字符识别的算法很多，常采用垂直面积投影法来实现。 面积投影法的公式如下 : 8 由于字符块在竖直方向上的投影必然在字符间或字符内的间隙处取得局部最小值，并且这个位置应满足车牌的字符书写格式、字符尺寸和其他一些条件的限制。 下图是图 10在垂直方向上的面积投影图。 从图形中我们很直观的看出 投影值中出现了 8条间隙， 6个字母中间的间隙只有 5个，还有三个间隙是字符间的。 有字符的列其灰度值比较高，无字符的则相对比较低。 依据这一点，再结合图 10的特征，很容易得到每个字符的起始终止 位置。 第一个字符 :110 第二个字符： 1018 第三个字符： 2841 第四个字符： 4248第五个字符： 6068 第六个字符： 6878 图 12 车牌垂直方向上的面积投影图 将图 10按照上面的分析行数不变，列数分为六组，分别影射到六个不同的数组中。 又因为在字符的模式识别中，其模板大小统一，因此得到的六个数组必须变换其大小，均统一成 26 14的形式。 分割出来的六个字符如下所示，分别命名为 ， ， ， ， M6jpg并用 imwrite函数写入图像文件夹中，以便在后期处理中可以直接进行调用。 图 12 分割出来的六个字符图像 一般分割出来的字符要进行进一步的处理，以满足下一步字符识别的需要。 因为图像中含有许多燥声，这在预处理的图像中已经看出来了。 因此必须进行滤波，然后归一化，二值处理。 使其最后得到的图像与标准模板一样。 只含有两种灰度值 ,黑与白。 但是对于车牌的识别，并不需要这么多的处理就已经 可以达到正确识别的目的。 在此简化了处理过程，未经滤波归一化，直接进行后期处理。 字符的识别目前用于车牌字符识别 (OCR)中的算法主要有基于模板匹配的 OCR算法以及基于人工神经网络的 OCR算法。 基于模板匹配的 OCR的基本过程是 :首先对待识别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 9 最佳匹配作为结果。 用人工神经网络进行字符识别主要有两种方法 :一种方法是先对待识别字符进行特征提取，然后用所获得的特征来训练神经网络分类器。 识别效果与字符特征的提取有关，而 字符特征提取往往比较耗时。 因此，字符特征的提取就成为研究的关键。 另一种方法则充分利用神经网络的特点，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。 模板匹配的主要特点是实现简单，当字符较规整时 对字符图像的缺损、污迹干扰适应力强且识别率相当高。 综合模板匹配的这些优点我们将其用为车牌字符识别的主要方法。 字符识别的算法如下 : 因此在字符识别之 前必须把模板库设置好。 汽车拍照的字符一般有七个，大部分车牌第一位是汉字，通常代表车辆所属省份，或是军种、警别等有特定含义的字符简称；紧接其后的为字母与数字。 车牌字符识别与一般文字识别在于它的字符数有限，汉字共约 50多个，大写英文字母 26个，数字 10个。 所以建立字符模板库也极为方便。 本次设计所识别的车牌只有字母与数字。 为了实验方便，结合本次设计所选汽车牌照的特点，只建立了 3个字母与 3个数字的模板。 其他模板设计的方法与此相同。 分析字符分割得到的图像以及其他车牌图像中字符的特点，将模板大小定为 26 14； 背景为黑色，代表灰度值 0，字符边缘为白色。 代表灰度值 255。 设计过程如下： 1． 用画图工具先画出 P、 F、 M、 0、 3等几个字符的图像。 并分别保存为 ， ， ， ， ，。 根据画图的经验其大小应略大于 26 14，以利于后面的处理。 所得到的字符均为黑字白底。 字体为方正姚体，大小 16号。 所画出的图形如下 : 2. 对 1中获得的粗略图像用 MATLAB进行处理。 处理的方面包括 ，利用二维数组的映射关系实现，去掉开始 行 (列 )与结束行 (列 )即所有外围像素点 缘。 其实现方法与前面的汽车边缘提取的方法相同，也是利用梯度算子。 换，切割为标准的 26 14格式。 3. 整个处理过程结束后，再用 imwrite 函数写入图像库中，作为标准模板使用。 读入字符图像 与模板库中的字母逐一进行相关运算 寻找相关度最大值所对应的模板 输出此模。