基于matlab车牌识别课程设计论文(编辑修改稿)

基于matlab车牌识别课程设计论文(编辑修改稿)内容摘要：

化，取值 5 个像素。 从左向右寻找第一个 1 值像素大于 5 的 坐标为水平方向左侧分界线，从优向左寻找到第一个 1 值像素量大于 5 的为右侧分界线，程序可以用 for 循环语句。 Zero_Col=zeros(1,x)。 % for j=1:x for i=1:y if(Car_Image_Perform(i,j,1)==1) Zero_Col(1,j)=Zero_Col(1,j)+1。 % end end end Col_Left=1。 while((Zero_Col(1,Col_Left)5)amp。 amp。 (Col_Leftx))% Col_Left=Col_Left+1。 end Col_Right=x。 while((Zero_Col(1,Col_Right)5)amp。 amp。 (Col_RightCol_Left)) Col_Right=Col_Right1。 end 垂直方向的分界线可用同样的方法实现。 分界线计算得后，即可从原图像中剪切出只包含车牌的区域图像。 剪切得到的图像如下。 图 8 为二值图切 割的车牌区域，图 9 为RGB 图像切割出来的图像 如下： 桂林电子科技大学课程设计（论文）报告用纸 第 9 页 共 26 页 图 7 车牌区域二值图裁减 图 8 原图中的车牌区域图像 字符切割 字符切割前的图像去噪处理 由于图像车牌号区域提取后获得的是从原始图像中剪切的，是 RGB 图像，分割同样采取投影法，故同样需要先将 RGB 图像转换成灰度值，再将灰度图转化成二进制图，转化的方法就是限定一个阀值，如果大于阀值则为 1，小于阀值为 0,阀值采用全局阀值，全局阀值是指整幅图像都采用相同的阀值 T 处理，适用于背景和前景有明显对比的图像。 虽然图像间受背景，光照等影响存在较大的 差异，但计算简单，程序运算效率高。 在 Matlab 实现法师如下 T=round(License_Image_Gray_max(License_Image_Gray_maxLicense_Image_Gray_min)/3)。 同时采集大的图像噪点依然存在，因此可以通过处理图像的低频部分来锐化图像。 这里采用均值滤波算法，均值滤波也称为线性滤波，其采用的主要方法为邻域平均法。 线性滤波的基本原理是用均值代替原图像中的各个像素值，即对待处理的当前像素点，选择一个模板，该模板由其近邻的若 干像素组成（以目标象素为中心的周围 8 个象素，构成一个滤波模板，即去掉目标象素本身），求模板中所有像素的均值，再把该均值赋予当前像素点 ，作为处理后图像在该点上的灰度 ，即,m为该模板中包含当前像素在内的像素总个数 (即 8 个 )。 可以对比滤波前跟滤波后的图像，如图 10 和图 11 所示，很明显，不但噪声去除了，而且图像得到了锐化。 图 9 车牌区域图像滤波前效果 图 10 车牌区域图像滤波后效果 桂林电子科技大学课程设计（论文）报告用纸 第 10 页 共 26 页 字符切割前的图像膨胀和腐蚀处理 腐蚀已 经在在上文介绍，膨胀刚好与腐蚀相反，运算规则是输出图像的像素值是输入图像邻域中的最大值，在一个二值图像中，只要一个像素值为 1，则相应的输出像素值为 1。 根据经验值，车牌图像中，字符面积与车牌面积之比在 (,)之间，因此计算字符面积与车牌面积比值，如果大于 则对图像进行腐蚀，如果小于 则对图像进行膨胀，程序实现如下 clear Se。 Se=eye(2)。 [m,n]=size(License_Image_Gray_2)。 if bwarea(License_Image_Gray_2)/m/n= License_Image_Gray_2=imerode(License_Image_Gray_2,Se)。 elseif bwarea(License_Image_Gray_2)/m/n= License_Image_Gray_2=imdilate(License_Image_Gray_2,Se)。 end 在这里结构元素 Se 使用一个二维单位矩阵。 对于此对象，系统给予膨胀处理，效果图如图 12 图 11 车牌区域图像 腐蚀、膨胀后效果 字符切割 20xx 年颁布的我国车牌规范 (普通中小型汽车 )规定车牌总长 440mm，牌照中的 7 个字符的实际总长为 409mm 左右，宽 140mm，每个字符 45mm 宽， 90mm 高，字符间距为 10mm，其中第二个字符与第三个字符的间距较为特殊，为 ，最后一个字符与第一个字符距边界 25mm。 这样，如果平均分配每个字符在牌照中占据的宽度，那么每个字符宽度为： width/7（ width 为车牌图像的宽度）。 但是，实际上，第二个第三个字符之间存在一个黑点，牌照左右两边与图像边缘也 都有一定的宽度，所以每个字符的宽度应该小于 width/7。 考虑所有的情况，一般情况下最小的宽度为 width/9。 因此，字符的宽度可以从 width/9 到 width/7 之间渐进的变化得到 ,程序流程图如图 13。 切割线同样采用投影法 Wide=0。 while sum(Image_Crop(:,Wide+1))~=0 amp。 amp。 Wide=n2 Wide=Wide+1。 桂林电子科技大学课程设计（论文）报告用纸 第 11 页 共 26 页 End 切割的字符时候符合比例要求采用 if((Level1WideLevel2)amp。 amp。 (R_C_Ratio_1(n1/m1)R_C_Ratio_2)) Image_Crop(:,[1:Wide])=0。 if sum(sum(Image_Crop))~=0 Image_Crop=Image_Trim(Image_Crop)。 else Word=[]。 Flag=1。 end else 其中 Level1和 Level2是字符宽度的上下限， R_C_Ratio_1和 R_C_Ratio_2是单个字符的宽高比值的上下限。 桂林电子科技大学课程设计（论文）报告用纸 第 12 页 共 26 页 图 12 字符切割程序流程图 是 完成退出 不是 不是是 将剩余部分保存并覆盖原先图像 字符个数是否为 7 保存这个字符 是 以水平区域(0,wide)剪切出一个字符 判断是都为标准字符 切除周边空白 垂直投影 从左往右查找，垂直投影白色的像素点累计数小于 10的值 wide 车牌二值图像 桂林电子科技大学课程设计（论文）报告用纸 第 13 页 共 26 页 经过切割，切割的字符图像如下。 图 13 经切割的七个字符 字符识别 字符识别方法选择 目前字符识别的方案有使用神经网络和模板匹配法进行比对。 人工神经网络是模拟人脑思维功能和组织建立起来的数学模型，虽然现在神经网络正在迅速发展，但总体来说应用还是相对复杂的。 模板匹配法虽然识别率低，但实现简单，计算量小，只有矩阵的加减与统计，而且车牌字符是有阿拉伯数字，英文大写字母，还有部分汉字，虽有字库量不大，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，因此本课题使用这种方法。 对于模板匹配，首先建立标准模板库，库中字符使用统一的尺寸，这里使用。 字符归一化 由于图像采集时图像的像 素值不一样，经切割出来的字符的大小也不会不一样，所以在进行匹配前必须先进行字符图像归一化。 使图像大小跟模板图像大小一致， Matlab提供一个改变图像大小的函数 imresize(I， Size， Model)， Model是插值运算方法，这里选用 39。 nearest39。 最近邻插值法 ,经归一化后的图像如下。 图 14 经归一化后的七个字符 字符匹配识别 字符识别步骤如下， 桂林电子科技大学课程设计（论文）报告用纸 第 14 页 共 26 页 图 15 字符匹配流程 匹配方法采用将目标图像与模板图像逐点做差，得到第三幅图像，程序实现如下 ： for ii=1:40 or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)Word_Image_Code(ii,jj)。 end end 最后计算第 三幅二进制图像中像素值为 1的个数，数值最小的即为匹配出来的结果，经对比可得相似度最高的数字。 建立模板字库表 读取分割出来的字符 第一个字符与模 板中的汉字模板进行匹配 第二个字符与模板中的字母模板进行匹配 待识别字符与模板字符相减，值越小相似度越大，找到最小的一个即为匹配的最好的 识别完成，输出此模板对应值 后 5 个字符与模板中的字母与数字模板进行匹配 桂林电子科技大学课程设计（论文）报告用纸 第 15 页 共 26 页 图 16 字符相似度比较 有图 16的，字符 1在 Lib_Code_No=39处取得最大相似度，查字库 Lib_Code_No=39的字符为 “渝 ”，则可以确定该字符为 “渝 ”。 同理可得出其他 6个字符。 桂林电子科技大学课程设计（论文）报告用纸 第 16 页 共 26 页 做完这次车牌识别课程设计后，我感觉它的工作量的确很大，差不多花费了我数周的时间一遍遍地改参数、看图像。 不过现在看来之前投入的精力是完全值得的，车牌识别 课程设计 对 我的帮助主要有以下几点。 第一，巩固了数字图像处理课上所学的知识，比如滤波、膨胀、腐蚀、边缘提取等等。 为了完成这次的 课程设计 ，我在网上 看了看 了冈萨雷斯的《数字图像处理（ MATLAB版）》。 这本书内容丰富，自成一体，里面的许多内容与教材形成了互补。 特别是形态学图像处理那一章有许多详细的例子，浅显易懂，不少课上没有完全理解的内容通过看这本书得到了深入的体会。 第二，通过这次 课程设计 我学会了使用 Mat。