數(shù)字圖像處理課程設(shè)計(jì)報(bào)告---車輛識別

1、<p><b>　　數(shù)字圖像處理</b></p><p><b>　　課程設(shè)計(jì)報(bào)告</b></p><p>　課設(shè)題目：車輛識別</p><p>　學(xué) 院：</p><p>　專 業(yè)：</p><p>　班 級：</p><p&

2、gt;　姓 名：</p><p>　學(xué) 號：</p><p>　指導(dǎo)教師：</p><p>　2011 年11月20日</p><p>　　課程設(shè)計(jì)報(bào)告撰寫要求</p><p><b>　　1、頁面設(shè)置</b></p><p>　　紙張大小設(shè)置為縱向A4，頁邊距

3、設(shè)置為：上3.8厘米，下 3.5厘米，左3厘米，右3厘米，頁眉設(shè)置為3厘米，頁腳設(shè)置為2.7厘米，文檔網(wǎng)絡(luò)設(shè)置為指定行和字符網(wǎng)格，每行34字，每頁34行。</p><p><b>　　2、段落及字體設(shè)置</b></p><p>　　除各級標(biāo)題外，首行縮進(jìn)2字符；圖、表及圖題、表題首行不縮進(jìn)，居中放置；圖表不應(yīng)超出版心范圍；行距采用單倍行距。</p>&l

4、t;p>　　正文中文采用小四號宋體，英文采用新羅馬字體（Times New Roman），段前0磅，斷后0磅；</p><p>　　一級標(biāo)題采用小二號黑體，段前12磅，段后12磅</p><p>　　二級標(biāo)題采用小三號黑體，段前6磅，段后6磅</p><p>　　三級標(biāo)題采用四號黑體，段前6磅，段后0磅</p><p><b>

5、;　　3、裝訂要求</b></p><p>　　采用左側(cè)裝訂，訂兩釘。</p><p>　　不要刪除行尾的分節(jié)符，此行不會被打印</p><p><b>　　目 錄</b></p><p>　　一. 課程設(shè)計(jì)任務(wù)1</p><p>　　二. 課程設(shè)計(jì)原理及設(shè)計(jì)方案2</p&

6、gt;<p>　　三. 課程設(shè)計(jì)的步驟和結(jié)果3</p><p>　　四. 課程設(shè)計(jì)總結(jié)4</p><p><b>　　五. 設(shè)計(jì)體會5</b></p><p><b>　　六. 參考文獻(xiàn)6</b></p><p><b>　　課程設(shè)計(jì)任務(wù)</b></

7、p><p>　　在交通管理過程中，通常采用視頻監(jiān)控方式對闖紅燈和超速等違章車輛進(jìn)行監(jiān)督。對違章車輛，需要自動檢測車牌信息，提取車牌號碼，以便查找車主信息和監(jiān)督管理。國內(nèi)常用的一般車牌通常是是藍(lán)底白字，長寬比3:1。</p><p>　　1、對車牌圖像進(jìn)行預(yù)處理，然后進(jìn)行車牌定位；</p><p><b>　　2、進(jìn)行字符分割；</b></p&

8、gt;<p>　　2、對車牌中的數(shù)字、字母和漢字進(jìn)行提取和識別；</p><p>　　3、要求自行設(shè)計(jì)方案、編寫代碼實(shí)現(xiàn)上述功能，并設(shè)計(jì)車牌識別的軟件界面。</p><p>　　課程設(shè)計(jì)原理及設(shè)計(jì)方案</p><p><b>　　1.系統(tǒng)簡述</b></p><p>　　一個(gè)完整的車牌識別系統(tǒng)閉應(yīng)包括車輛檢

9、測、圖像采集、圖像預(yù)處理、車牌定位、字符分割、字符識別等單元。當(dāng)車輛到達(dá)觸發(fā)圖像采集單元時(shí)，系統(tǒng)采集當(dāng)前的視頻圖像。車輛識別單元對圖像進(jìn)行處理，定位出牌照位置，再將車牌中的字符分割出來進(jìn)行識別，然后組成車牌號碼輸出。車牌識別系統(tǒng)原理如圖l所示。</p><p>　?。?）圖像預(yù)處理：對汽車圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強(qiáng)和邊緣檢測等。</p><p>　?。?）車牌定位：從預(yù)處理后的汽車圖像中分

10、割出車牌圖像。即在一幅車輛圖像中找到車牌所在的位置。</p><p>　?。?）字符分割：對車牌圖像進(jìn)行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號碼的單個(gè)字符圖像</p><p>　?。?）字符識別：對分割出來的字符進(jìn)行預(yù)處理（二值化、歸一化），然后分析提取，對分割出的字符圖像進(jìn)行識別給出文本形式的車牌號碼。</p><p>　　為了用于牌照的

11、分割和牌照字符的識別，原始圖象應(yīng)具有適當(dāng)?shù)牧炼?，較大的對比度和清晰可辯的牌照圖象。但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時(shí)攝像機(jī)與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對原始圖象進(jìn)行識別前的預(yù)處理。</p><p>　　牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中

12、確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識別系統(tǒng)的識別率。</p><p>　　由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識別的準(zhǔn)確性。因此，需要對字符在

13、識別之前再進(jìn)行一次針對性的處理。</p><p>　　車牌識別的最終目的就是對車牌上的文字進(jìn)行識別。識別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。</p><p><b>　　2.圖像預(yù)處理</b></p><p>　　圖2 預(yù)處理及邊緣提取流程圖</p><p><b>　　2.1灰度變換<

14、/b></p><p>　　輸入的彩色圖像包含大量顏色信息，會占用較多的存儲空間，且處理時(shí)也會降低系統(tǒng)的執(zhí)行速度，因此對圖像進(jìn)行識別等處理時(shí)．常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度?？蓪D像進(jìn)行灰度化處理、提取背景圖像、增強(qiáng)處理、圖像二值化，邊緣檢測、濾波等處理。然后采用robert算子進(jìn)行邊緣檢測，再用imopen和imclose對所得二值圖像作開、閉操作進(jìn)行濾波。</p><p&

15、gt;　　彩色圖像分為R、G、B三個(gè)分量，分別顯示出紅、綠、藍(lán)等各種顏色，灰度化就是使彩色的R、G、B 分量相等的過程?；叶戎荡蟮南袼攸c(diǎn)比較亮（像素值最大為255，為白色） ，反之比較暗（像素值最小為 0，是黑色） 。 </p><p>　　圖像灰度化的算法主要有以下 3 種： </p><p>　　1）最大值法：使轉(zhuǎn)化后R、G、B的值等于轉(zhuǎn)化前 3 個(gè)值中最大的一個(gè)，即：R=G=B=ma

16、x(R,G,B)，這種方法轉(zhuǎn)換的灰度圖亮度很高。</p><p>　　2）平均值法：使轉(zhuǎn)化后R、G、B的值為轉(zhuǎn)化前R、G、B的平均值 R=G=B=(R+G+B)/3 這種方法產(chǎn)生的灰度圖像比較柔和。</p><p>　　3）加權(quán)平均值法：按照一定的權(quán)值，對R、G、B的值加權(quán)平均，即： R=G=B=(R+G+B)/3，其中、、分別為 R、G、B 的權(quán)值。、、取不同的值，將形成不同的灰度圖像。

17、由于人眼對綠色最為敏感，紅色次之，對藍(lán)色的敏感性最低，因此使>>將得到較易識別的灰度圖像。一般情況下，當(dāng)=0.299、=0.587、=0.114時(shí)，得到的灰度圖像效果最好。</p><p><b>　　2.2邊緣提取</b></p><p>　　數(shù)字圖像的邊緣檢測是圖像分割、目標(biāo)區(qū)域的識別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)。邊緣是圖像的重要特征，圖

18、像理解和分析的第一步往往就是邊緣檢測。目前，邊緣檢測已成為計(jì)算機(jī)視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。車牌的一個(gè)重要特征就是在該區(qū)域存在大量的邊緣信息，所以邊緣檢測對于我們進(jìn)行車牌識別來說也是相當(dāng)重要的。</p><p>　　邊緣是以圖像的局部特征不連續(xù)的形式出現(xiàn)的，也就是指圖像局部亮度變化最顯著的部分，如灰度值的突變、顏色的突變、紋理結(jié)構(gòu)的突變等，同時(shí)邊緣也是不同區(qū)域的分界處。圖像邊緣有

19、方向和幅度兩個(gè)特性，通常沿邊緣的走向灰度變化平緩，垂直于邊緣走向灰度變化劇烈。由于邊緣是圖像上灰度變化最劇烈的地方，傳統(tǒng)的邊緣檢測就利用這個(gè)特點(diǎn)，通過計(jì)算圖像中像素的梯度值來確定邊緣點(diǎn)。</p><p>　　常用的圖像邊緣提取算子有Roberts算子、sobel算子、Prewitt算子、Laplacian算子等，它們的模板分別如下：</p><p>　　(1)Roberts梯度算子：<

20、;/p><p>　　(2)Sobel算子：</p><p>　　(3)Prewitc算子：</p><p>　　(4)Laplacian算子：</p><p><b>　　3.車牌定位</b></p><p>　　自然環(huán)境下，汽車圖像背景復(fù)雜，光照不均勻，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)圖像識別過

21、程中的關(guān)鍵。首先對采集到的圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進(jìn)一步分析、評判，最后選定一個(gè)最佳區(qū)域作為牌照區(qū)域。將其從圖像中分割嘲出來，同時(shí)要考慮車牌傾斜問題。算法流程如下：</p><p>　　(1)對二值圖像進(jìn)行區(qū)域提取。計(jì)算并比較區(qū)域特征參數(shù)，提取車牌區(qū)域。進(jìn)行閉運(yùn)算，可使得水平相鄰的邊緣連接成為連通區(qū)域；進(jìn)行開運(yùn)算可使得車牌區(qū)域與其它背景區(qū)域分開，成為獨(dú)

22、立的連通域。</p><p>　　(2)計(jì)算包含所標(biāo)記區(qū)域的最小寬和高。并根據(jù)先前知識，提取并顯示更接近的車牌二子值圖。</p><p>　　(3)通過計(jì)算車牌旋轉(zhuǎn)角度解決車牌傾斜問題。由于車牌傾斜導(dǎo)致投影效果峰谷不明顯，需車牌矯正處理，采取線性擬合方法，計(jì)算出車牌上邊或下邊圖像值為1的點(diǎn)擬合直線與水平X軸的夾角。</p><p><b>　　4.字符分割

23、</b></p><p>　　完成牌照區(qū)域的定位后，再將牌照區(qū)域分割為單個(gè)字符，可采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值．并且該位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制等條件。利用垂直投影法實(shí)現(xiàn)復(fù)雜環(huán)境下汽車圖像中的字符分割效果較好。</p><p>　　通過分析計(jì)算字符的水平投影和垂直投影，可獲得車牌字符高度、字符頂行與尾行、

24、字符寬度、每個(gè)字符的中心位置，以方便提取分割字符。然后計(jì)算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度。最后計(jì)算車牌每個(gè)字符的中心位置和最大字符寬度，提取分割字符，其算法流程如圖3所示。</p><p>　　圖3車牌分割的MATLAB算法流程</p><p>　　此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。算法如下：</p>

25、;<p><b>　　5.字符識別</b></p><p>　　字符識別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法?；谀０迤ヅ渌惴ㄊ鞘紫葘⒎指詈蟮淖址祷?，并將其尺寸縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果。建立數(shù)字庫對該方法在車牌識別過程中很重要，數(shù)字庫準(zhǔn)確才能保證檢測出的數(shù)據(jù)正確?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對特征

26、提取待識別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動實(shí)現(xiàn)特征提取直至識別結(jié)果。模板匹配實(shí)現(xiàn)簡單，當(dāng)字符較規(guī)整時(shí)，對字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識別率高。因此，這里將模板匹配作為車牌字符識別的主要方法。</p><p>　　模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)

27、進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進(jìn)去，

28、按照一些基于圖象不變特性所設(shè)計(jì)的特征量來構(gòu)建模板，就可以避免上述問題。</p><p>　　課程設(shè)計(jì)的步驟和結(jié)果</p><p>　　此處以車牌1作為示例圖像</p><p><b>　　獲取圖像</b></p><p>　　[fn,pn,fi]=uigetfile('*.bmp','選擇圖片&#

29、39;);</p><p>　　Scolor=imread([pn fn]);</p><p><b>　　圖像灰度化</b></p><p>　　Sgray = rgb2gray(Scolor);%rgb2gray轉(zhuǎn)換成灰度圖</p><p><b>　　圖像增強(qiáng)</b></p>&

30、lt;p>　　s=strel('disk',13);%strei函數(shù)13</p><p>　　Bgray=imopen(Sgray,s);%打開sgray s圖像</p><p>　　Egray=imsubtract(Sgray,Bgray);%兩幅圖相減</p><p><b>　　邊緣提取</b></p>

31、<p>　　圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。邊緣提取是較經(jīng)典的算法，此處邊緣的提取采用的是Roberts算子。</p><p>　　grd=edge(Egray,'robert',0.09,&

32、#39;both');</p><p>　　se=[1;1;1]; %線型結(jié)構(gòu)元素 </p><p>　　I3=imerode(grd,se); %腐蝕圖像</p><p><b>　　開閉運(yùn)算進(jìn)行濾波</b></p><p>　　牌照圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)

33、。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用數(shù)學(xué)形態(tài)學(xué)的方法，基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達(dá)到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了開閉兩個(gè)基本運(yùn)算，最后還用了bwareaopen來去除對象中不相干的小對象。</p><p>　　bg1=imclose(I3,strel('rect

34、angle',[8,18]));%取矩形框的閉運(yùn)算即平滑8,18</p><p>　　bg3=imopen(bg1,strel('rectangle',[8,14]));%取矩形框的開運(yùn)算8,18</p><p>　　bg2=bwareaopen(bg3,700);%去除聚團(tuán)灰度值小于700的部分</p><p><b>　　車牌初

35、步定位</b></p><p>　　通過比較累計(jì)行像素灰度值和列像素灰度值確定車牌的真實(shí)位置。</p><p>　　[y,x,]=size(bg2);</p><p>　　I6=double(bg2);</p><p><b>　　%繪制行曲線圖</b></p><p>　　Y1=ze

36、ros(y,1);%y行1列的零矩陣 累計(jì)行像素灰度值</p><p><b>　　for i=1:y</b></p><p><b>　　for j=1:x</b></p><p>　　if(I6(i,j,1)==1)</p><p>　　Y1(i,1)= Y1(i,1)+1;</p>

37、<p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　[temp, MaxY]=max(Y1);</p><p><b>　　PY1=MaxY;</b>

38、</p><p>　　while ((Y1(PY1,1)>=50)&&(PY1>1))</p><p>　　PY1=PY1-7;</p><p><b>　　end</b></p><p><b>　　PY2=MaxY;</b></p><p>　

39、　while ((Y1(PY2,1)>=50)&&(PY2<y))</p><p>　　PY2=PY2+7;</p><p><b>　　end</b></p><p><b>　　%繪制列曲線圖</b></p><p>　　X1=zeros(1,x);% 累計(jì)列像素灰度

40、值</p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(I6(i,j,1)==1)</p><p>　　X1(1,j)= X1(1,j)+1;</p><p><b>　　end</b></p

41、><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　PX1=1;</b></p><p>　　while ((X1(1,PX1)<3)&&(PX1<x))</p><p>

42、　　PX1=PX1+1;</p><p><b>　　end</b></p><p><b>　　PX2=x;</b></p><p>　　while ((X1(1,PX2)<3)&&(PX2>PX1))</p><p>　　PX2=PX2-1;</p>&

43、lt;p><b>　　end</b></p><p>　　DW=Scolor(PY1:PY2,PX1:PX2,:);%車牌定位后圖像</p><p><b>　　進(jìn)一步車牌定位</b></p><p>　　經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定

44、一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對圖像二值化。然后通過行像素點(diǎn)的累計(jì)值去除頂端和底端不感興趣的地方。</p><p>　　if isrgb(DW) </p><p>　　I1 = rgb2gray(DW); %將RGB圖像轉(zhuǎn)化為灰度圖像</p><p>　　else I1=DW;</p><p&

45、gt;<b>　　end</b></p><p>　　g_max=double(max(max(I1)));</p><p>　　g_min=double(min(min(I1)));</p><p>　　T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值</p><p>　　[m,n

46、]=size(I1);% d:二值圖像</p><p>　　imane_bw=im2bw(I1,T/256); %二值化車牌圖像</p><p>　　[y1,x1,z1]=size(imane_bw);</p><p>　　I3=double(imane_bw);</p><p><b>　　TT=1;</b></

47、p><p>　　%%%%%%%去除圖像頂端和底端的不感興趣區(qū)域%%%%%</p><p>　　Y1=zeros(y1,1);</p><p>　　for i=1:y1</p><p>　　for j=1:x1</p><p>　　if(I3(i,j,1)==1) </p><p>　　Y1(i,1)

48、= Y1(i,1)+1 ;</p><p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p>　　Py1=1;Py0=1;</p><p>　　while ((Y1(Py0,1)<9)&

49、amp;&(Py0<y1))</p><p>　　Py0=Py0+1;</p><p><b>　　end</b></p><p><b>　　Py1=Py0;</b></p><p>　　while((Y1(Py1,1)>=9)&&(Py1<y1))<

50、;/p><p>　　Py1=Py1+1;</p><p><b>　　end</b></p><p>　　I2=imane_bw(Py0:Py1,:,:); %目標(biāo)車牌區(qū)域</p><p><b>　　車牌字符分割</b></p><p>　　字符分割的算法很多，因?yàn)檐嚺谱址g間

51、隔較大，通常不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。</p><p>　　% 尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割</p&

52、gt;<p>　　d=qiege(I2);</p><p>　　[m,n]=size(d);</p><p>　　k1=1;k2=1;s=sum(d);j=1;</p><p>　　while j~=n</p><p>　　while s(j)==0</p><p><b>　　j=j+1;&l

53、t;/b></p><p><b>　　end</b></p><p><b>　　k1=j;</b></p><p>　　while s(j)~=0 && j<=n-1</p><p><b>　　j=j+1;</b></p><

54、;p><b>　　end</b></p><p><b>　　k2=j-1;</b></p><p>　　if k2-k1>=round(n/6.5)</p><p>　　[val,num]=min(sum(d(:,[k1+5:k2-5])));</p><p>　　d(:,k1+num

55、+5)=0; % 分割</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　% 再切割</b></p><p>　　d=qiege(d);</p><p>　　% 切割出 7 個(gè)字符<

56、;/p><p>　　y1=10;y2=0.25;flag=0;word1=[];</p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p>　　left=1;wide=0;</p><p>　　while sum(d(:,wide+1))~=0</p>

57、<p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　if wide<y1 % 認(rèn)為是左側(cè)干擾</p><p>　　d(:,[1:wide])=0;</p><p>　　d=qiege(d);</p><p><b>　

58、　else</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m,n]=size(temp);</p><p>　　all=sum(sum(temp));</p><p>　　two_thirds=sum(sum(temp([round(m/3):2*roun

59、d(m/3)],:)));</p><p>　　if two_thirds/all>y2</p><p>　　flag=1;word1=temp; % WORD 1</p><p><b>　　end</b></p><p>　　d(:,[1:wide])=0;d=qiege(d);</p>&l

60、t;p><b>　　end</b></p><p><b>　　end</b></p><p>　　[word2,d]=getword(d);% 分割出第二個(gè)字符</p><p>　　[word3,d]=getword(d); % 分割出第三個(gè)字符</p><p>　　[word4,d]=ge

61、tword(d); % 分割出第四個(gè)字符</p><p>　　[word5,d]=getword(d); % 分割出第五個(gè)字符</p><p>　　[word6,d]=getword(d); % 分割出第六個(gè)字符</p><p>　　[word7,d]=getword(d); % 分割出第七個(gè)字符</p><p>　　[m,n]=size(w

62、ord1);</p><p>　　%歸一化大小為22*14</p><p>　　word1=imresize(word1,[22 14]);</p><p><b>　　……</b></p><p>　　word7=imresize(word7,[22 14]);</p><p>　　imwrit

63、e(word1,'1.jpg');</p><p><b>　　……</b></p><p>　　imwrite(word7,'7.jpg');</p><p><b>　　車牌字符識別</b></p><p>　　此處采用相減的方法來求得字符與模板中哪一個(gè)字符最相似

64、，然后找到相似度最大的輸出。汽車牌照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約30多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。</p><p>　　首先取字符模板，接著依次取待識別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的非0值越少那么就越匹配。把每一幅相減后的圖的非0值個(gè)數(shù)保存，即為識別出來的結(jié)果。</p&g

65、t;<p><b>　　源程序：</b></p><p>　　liccode=char(['0':'9' 'A':'Z' '藏川甘贛貴桂黑滬吉濟(jì)冀津晉京警蘭遼領(lǐng)魯蒙閩寧青瓊陜使蘇皖湘新學(xué)渝豫粵云浙']); %建立自動識別字符代碼表 </p><p><b>　　t

66、t=1;</b></p><p><b>　　l=1;</b></p><p><b>　　for I=1:7</b></p><p>　　ii=int2str(I);</p><p>　　t=imread([ii,'.jpg']);</p><p&g

67、t;<b>　　t=255-t;</b></p><p>　　level=graythresh(t);</p><p>　　t=im2bw(t,level);</p><p>　　SegBw2=imresize(t,[22 14],'nearest');</p><p>　　if tt==1

68、 %第一位漢字識別</p><p><b>　　kmin=37;</b></p><p><b>　　kmax=72;</b></p><p><b>　　t=~t;</b></p><p>　　SegBw2=imresize(t,[22 14],'n

69、earest');</p><p>　　elseif tt==2 %第二位 A~Z 字母識別</p><p><b>　　kmin=11;</b></p><p><b>　　kmax=36;</b></p><p>　　else %第三位

70、以后是字母或數(shù)字識別</p><p><b>　　kmin=1;</b></p><p><b>　　kmax=36;</b></p><p><b>　　end</b></p><p>　　for k2=kmin:kmax</p><p>　　fnam

71、e=strcat('code module\Sam',liccode(k2),'.jpg');</p><p>　　SamBw22 = imread(fname);</p><p>　　SamBw22 = rgb2gray(SamBw22);</p><p>　　SamBw2=imresize(SamBw22,[22 14],'

72、;nearest');</p><p>　　level=graythresh(SamBw2);</p><p>　　SamBw2=im2bw(SamBw2,level);</p><p>　　for i=1:22</p><p>　　for j=1:14</p><p>　　SubBw2(i,j)=SegBw

73、2(i,j)-SamBw2(i,j);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　% 以上相當(dāng)于兩幅圖相減得到第三幅圖</p><p><b>　　Dmax=0;</b></p><p>

74、　　for k1=1:22</p><p>　　for l1=1:14</p><p>　　if ( SubBw2(k1,l1) > 0 || SubBw2(k1,l1) <0 )</p><p>　　Dmax=Dmax+1;</p><p><b>　　end</b></p><p&g

75、t;<b>　　end</b></p><p><b>　　end</b></p><p>　　Error(k2)=Dmax;</p><p><b>　　end</b></p><p>　　Error1=Error(kmin:kmax);</p><p&g

76、t;　　MinError=min(Error1);</p><p>　　findc=find(Error1==MinError);</p><p><b>　　if tt==1</b></p><p>　　findc=findc+36;</p><p><b>　　end</b></p>

77、<p><b>　　if tt==2</b></p><p>　　findc=findc+10;</p><p><b>　　end</b></p><p><b>　　tt=tt+1;</b></p><p>　　res=liccode(findc);</

78、p><p>　　shibiejieguo(1,l)=res;</p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p><p>　　%%%getword子函數(shù)為：</p><p>　　function [word,result]=get

79、word(d)</p><p>　　word=[];flag=0;y1=8;y2=0.5;</p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p><b>　　wide=0;</b></p><p>　　while sum(d(:,wide

80、+1))~=0 && wide<=n-2</p><p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m1,n1]=size(temp);</p>

81、;<p>　　if wide<y1 && n1/m1>y2</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d))~=0</p><p>　　d=qiege(d); % 切割出最小范圍</p><p>　　else word=[];flag=1;<

82、;/p><p><b>　　end</b></p><p><b>　　else</b></p><p>　　word=qiege(imcrop(d,[1 1 wide m]));</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d

83、))~=0;</p><p>　　d=qiege(d);flag=1;</p><p>　　else d=[];</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></

84、p><p><b>　　result=d;</b></p><p>　　%%%qiege子函數(shù)為：</p><p>　　function e=qiege(d)</p><p>　　[m,n]=size(d);</p><p>　　top=1;bottom=m;left=1;right=n; % i

85、nit</p><p>　　while sum(d(top,:))==0 && top<=m</p><p>　　top=top+1;</p><p><b>　　end</b></p><p>　　while sum(d(bottom,:))==0 && bottom>1&l

86、t;/p><p>　　bottom=bottom-1;</p><p><b>　　end</b></p><p>　　while sum(d(:,left))==0 && left<n</p><p>　　left=left+1;</p><p><b>　　end&

87、lt;/b></p><p>　　while sum(d(:,right))==0 && right>=1</p><p>　　right=right-1;</p><p><b>　　end</b></p><p>　　dd=right-left;</p><p>　

88、　hh=bottom-top;</p><p>　　e=imcrop(d,[left top dd hh]);</p><p>　　得出車牌檢測結(jié)果為：陜A906L4</p><p>　　對話框顯示及語音朗讀</p><p>　　msgbox(shibiejieguo,'識別結(jié)果');</p><p>

89、　　duchushengyin(shibiejieguo);</p><p>　　%%%%duchushengyin子函數(shù)為：</p><p>　　function shengyin=duchushengyin(shibiejieguo)</p><p>　　wavplay(wavread('audio\車牌檢測.wav'),44000);</

90、p><p><b>　　for i=1:7</b></p><p>　　if shibiejieguo(1,i)=='桂'</p><p>　　wavplay(wavread('audio\桂.wav'),44000);</p><p>　　elseif shibiejieguo(1,

91、i)=='陜'</p><p>　　wavplay(wavread('audio\陜.wav'),44000);</p><p><b>　　……</b></p><p>　　elseif shibiejieguo(1,i)=='A'</p><p>　　wavplay(w

92、avread('audio\A.wav'),44000);</p><p><b>　　……</b></p><p>　　elseif shibiejieguo(1,i)=='0'</p><p>　　wavplay(wavread('audio\0.wav'),44000);</p>

93、<p><b>　　……</b></p><p>　　elseif shibiejieguo(1,i)=='9'</p><p>　　wavplay(wavread('audio\9.wav'),44000);</p><p><b>　　end</b></p>

94、<p><b>　　end</b></p><p>　　wavplay(wavread('audio\車牌檢測完畢.wav'),44000);</p><p><b>　　設(shè)計(jì)GUI界面</b></p><p><b>　　界面設(shè)計(jì)如下：</b></p><

95、;p>　　界面可顯示車輛的原始圖像，車牌定位圖像，進(jìn)一步定位的車牌區(qū)域，車牌字符分割后的結(jié)果以及車牌的識別結(jié)果。瀏覽文件按鈕可在文件夾中選擇要處理的圖片，然后按下確認(rèn)按鈕，開始處理，按下結(jié)束后，所有圖片及字符顯示均清除。</p><p><b>　　課程設(shè)計(jì)總結(jié)</b></p><p>　　本文主要解決了以下問題：1、在背景的圖象中如何定位牌照2、將定位的牌照區(qū)

96、域中的字符分割；3、對分割下來的牌照字符提取具有分類能力的特征，并對漢字、字母及數(shù)字均進(jìn)行識別。在車輛牌照字符識別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識別技術(shù)和方法，從這些新技術(shù)和方法中可以看到：單一的預(yù)處理和識別技術(shù)都無法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析。</p><p>　　根據(jù)車牌特點(diǎn)，一般采用的車

97、牌定位算法有：1.邊緣檢測定位算法；2.利用哈夫變換進(jìn)行車牌定位；3.色彩分割提取車牌等。這里我采用的是邊緣檢測的方法實(shí)現(xiàn)定位的。</p><p>　　字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。</

98、p><p>　　字符識別的基本方法通常有三類：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹配的方法，即是將要識別的字符與事先構(gòu)造好的模板進(jìn)行比對，根據(jù)與模板的相似度的大小來確定最終的識別結(jié)果。</p><p>　　但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距，但我卻在這次課程設(shè)計(jì)中學(xué)到了很多知識。</p><p><b&g

99、t;　　設(shè)計(jì)體會</b></p><p>　　通過這次課程設(shè)計(jì)使我明白了自己原來的數(shù)字圖像處理知識還比較欠缺，這個(gè)設(shè)計(jì)讓我學(xué)到了很多東西，在這整個(gè)過程中我遇到了很多困難，查閱了大量的資料，也得到了老師和同學(xué)的幫助，才逐步將一個(gè)個(gè)困難克服。其中，讓我困擾很長時(shí)間的便是許多參數(shù)的選取。在圖像的預(yù)處理階段，開閉運(yùn)算的矩陣選取，根據(jù)行列累計(jì)像素灰度值定位車牌的閾值選取以及車牌分割的參數(shù)等都需要多次的嘗試與總結(jié)

100、才可以找到適合多幅圖像的合適的值。另外，字符識別的過程中模板的選取很關(guān)鍵，由于我檢測出來的車牌是黑底白字的，而我所使用的模板是白底黑字的，曾一度檢測錯(cuò)誤，后來才發(fā)現(xiàn)這個(gè)問題，經(jīng)過二值變換之后取反再比較，可以得到正確的識別字符。中間也更換過幾次模板，要選取與車牌數(shù)字最接近的模板，否則很容易識別錯(cuò)誤。</p><p>　　總之，理論只有應(yīng)用到實(shí)際中才能學(xué)著更有意義。學(xué)習(xí)是一個(gè)長期積累的過程，在后的工作、生活中都應(yīng)該不

101、斷的學(xué)習(xí)，努力提高自己知識和綜合素質(zhì)。此次設(shè)計(jì)也大大提高了我的動手能力，使我充分體會到了在創(chuàng)造過程中探索的艱難和成功時(shí)的喜悅。雖然這個(gè)設(shè)計(jì)目前實(shí)現(xiàn)了少數(shù)的車輛牌照識別，但是在設(shè)計(jì)過程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會使我受益終身。</p><p><b>　　參考文獻(xiàn)</b></p><p>　　1 王剛，冀小平. 基于MATLAB的車牌識別系統(tǒng)的研究.

102、電子設(shè)計(jì)工程,2009.17(11):72-73</p><p>　　2 岡薩雷斯．?dāng)?shù)字圖像處理（第二版）．電子工業(yè)出版社，2007．8</p><p>　　3 宋建才．汽車牌照識別技術(shù)研究叨．工業(yè)控制計(jì)算機(jī)，2004(4)：44—45．</p><p>　　4 陳永超. 基于數(shù)字圖像處理的車牌識別研究.武漢理工大學(xué)碩士學(xué)位論文. 2006:16-19<

103、/p><p>　　5 王璐. 基于 MATLAB的車牌識別系統(tǒng)研究.上海交通大學(xué)碩士學(xué)位論文. 2009:15-27</p><p>　　6 張 引，潘云鶴.面向車輛牌照字符識別的預(yù)處理算法.計(jì)算機(jī)應(yīng)用研究，1999(7):85～87</p><p>　　7 郁梅等.基于視覺的車輛牌照檢測.計(jì)算機(jī)應(yīng)用研究.1999(5):65～67</p><