基于MATLAB的车牌分割及数字识别系统毕业设计论文.doc

学号 南湖学院 毕业设计 论文 基于 MATLAB 的车牌分割题 目 及数字识别算法设计 作 者届 别 系 别机械与电子工程系专 业电子信息工程 指导老师职 称 完成时间 2013 05 I 摘摘 要要 车牌识别技术是智能道路交通管理的重要内容 其识别的准确性和可靠性直接影 响到交通管理系统的性能 车牌识别技术包括车牌图像获取 车牌定位 车牌分割 车牌校正 车牌字符分割 车牌字符归一化和车牌字符识别 本文重点针对车牌图像 的分割和车牌数字的识别进行了算法研究和设计 同时也对其它步骤进行了探讨 论 文首先对获取的车牌图像进行了预处理 包括车牌图像增强 车牌区域提取 车牌几 何校正以及车牌字符分割和归一化 然后设计了 BP 网络算法 最后在 MATLAB 平台 上设计实现了以上各种算法 实验结果表明 本文中的分割算法能准确的获取字符区 域并实现对字符的分割和归一化 经过训练后的 BP 网络能稳定 可靠的实现对分割后 字符的识别 实验结果达到预期要求 关键词 关键词 MATLAB 车牌分割 图像预处理 数字识别 II Abstract License plate recognition technology is an important content of intelligent traffic management accuracy and reliability identification directly affects the performance of traffic management system License plate recognition technology include license plate image acquisition license plate location license plate segmentation license plate correction license plate character segmentation normalization of license plate character segmentation and license plate character recognition This paper mainly design and research on the algorithm for license plate image segmentation and license plate number recognition but also for other steps Firstly the thesis get the license plate image preprocessing including license plate image enhancement plate region extraction plate geometric correction and license plate character segmentation and normalization and then designs the BP network algorithm finally use the MATLAB platform to design algorithms to implement above Experimental results show that the segmentation algorithm in this thesis can obtain character area and realize the character segmentation and normalization accurately after training the BP network can implement the recognition for character segmentation stably and reliably the experimental reaches expectation Keywords MATLAB License plate segmentation Image preprocessing Digital identification III 目目 录录 摘 要 I ABSTRACT II 1 绪论 1 1 1 引言 1 1 2 车牌识别技术概述 1 1 3 车牌分割和数字识别的发展历史和现状 2 1 4 车牌分割和数字识别在车牌识别中的作用 3 1 5 本文的主要内容与结构安排 3 2 车牌分割方法 4 2 1 车牌获取 4 2 2 车牌预处理 4 2 3 车牌分割 7 3 车牌数字识别方法 11 3 1 数字识别概述 11 3 2 车牌数字特点 11 3 3 基于神经网路的车牌数字识别 12 4 基于 MATLAB 的算法设计与实现 15 4 1 MATLAB 概述 15 4 2 车牌分割算法设计 15 4 3 车牌字符识别算法设计 24 5 总结与展望 31 5 1 总结 31 5 2 展望 31 参考文献 32 致 谢 34 南湖学院毕业设计 论文 1 1 绪论 1 1 引言 近年来 由于国内外的交通迅速发展 车牌识别系统作为数字摄像 计算机信息 管理 图像分割和图形识别技术在智能交通领域得到广泛的应用 该项技术成为了智 能交通管理系统中不可或缺的重要组成部分 例如道路交通监控 交通事故现场勘察 交通违章自动记录 高速公路超速管理系统 小区智能化管理等各方面 是智能交通 管理系统中高效 时效的最重要手段之一 1 2 目前 全球各国都在研究适合于本国的 车牌识别系统 美国 日本 韩国等诸多国家都已经研究出相关的识别系统 基于传 感器 由于引进这些系统成本极高 而且引进的技术也不一定适用于我国的车牌以及 实际的交通环境 所引进的系统往往并不能满足我国需求 尽管国内市场上已有不少 投入生产并使用的产品 但是这些产品的后续处理仍然需要大量的人工识别 所以车 牌识别技术的研究依然是我国目前高科技领域的热门课题之一 为了促使车牌识别技 术的快速发展 需要对该项技术提出更高的要求 使得该项技术日益精湛 该系统软 件处理具有两大主要模块 图像处理模块和字符识别模块 由于 MATLAB 语言对图像 处理和字符识别异常方便 在数字图像处理中有着其他语言所无法比拟的优势 由于 它能直接调用预先编好的函数 使得整个系统有了较高的保障 所以本文介绍的是利 用 MATLAB 对图像处理模块和字符识别模的设计和研究 1 2 车牌识别技术概述 随着日益发展的计算机科技和不断提高的硬件水平 数字识别技术以及人工智能 理论的有效结合 智能车牌识别技术发展日趋完善 智能车牌识别系统以及工作原理 实质上就是融合数字摄像技术和计算机信息管理技术 采用先进的数字图像处理工具 数字识别以及人工智能技术 通过对原始图像的采集 预处理 分割 识别等相应的 措施 获得我们想要的图像信息 进而实现对车牌字符自动识别的系统 该系统是数 字识别技术在现实生活中实际应用中的实践之一 目前 一个完整的车牌识别系统需要完成从图像采集到字符的识别以及输出的复 杂过程 需要硬件和软件两大组成部分 其中硬件包括系统触发 图像采集两个主要 组成部分 软件则包含了图像预处理 车牌获取 字符分割以及字符识别四个主要模 块 一个完整的车牌识别系统主要结构如图 1 1 所示 南湖学院毕业设计 论文 2 图 1 1 车牌识别系统结构图 1 3 车牌分割和数字识别的发展历史和现状 自 1988 年提出车牌识别 License Plate Recognition LPR 技术以来 人们己经 对其进行了广泛的研究 而近些年来 车牌识别的技术发展迅速 就识别基础而言 主要可以分为基于 IC 即无线电频率鉴别 REID 或是基于条码识别的间接法和基于 图像车牌识别的直接法 原始的图像采集 由于受到外界环境中光线差异 光路中灰 尘密度差异 季节环境变化的影响 以及车牌本身比较模糊等诸多客观因素影响 使 得 LPR 技术的发展受到一定的限制 为了解决图像的恶化等问题 国内外的许多研究 机构 高校以及公司企业采取的主要采用的方法是主动红外照明摄像或使用特殊的传 感器来提高图像的质量 从而提高识别率 但这种做法的同时也使得投资的成本加大 了不少 且减小了应用领域 不并适合普遍的推广及工业生产 国外己有不少关于车 牌数字识别的文章发表 有相当一部分比较成熟 并已经投入实际生产使用中 早在 70 年代 国外就已经存在自动车牌检测系统 且应用于检查被盗车辆的情况 车牌识 别系统发展到今天 已经达到较高的应用水平 在车牌识别发展的过程中 也出现了许多不同的技术方法 例如英国 IPI 公司研发 了 RTVNPR 系统 新加坡 Optasia 公司的 VLPRS 产品 以色列 Hi Tech 公司的 See Car System 系列产品 HSTOL 公司开发的 LPR 系统 以及中国香港 Asia VisionTechnology 公司的 VECON 产品等较为实用 3 由于 VECON 系统和 VLPRS 系 统都只是适合于当地的车牌 摒弃 See Car System 对我国的汉字识别较低 加上我国 车牌自动识别的研究起步较晚 且我国的车牌并不规范 多样化 不同的车型车牌规 格 大小 颜色也不同 这也就造成了对车牌识别相当大的困难 目前 比较适合我 南湖学院毕业设计 论文 3 国的产品主要有中科院自动化研究所汉王公司的 汉王眼 川大智胜软件的 ZT2000 车牌自动别系统等 与此同时 国内许多研究机构和高等院校也开始对车牌识别系统 进行理论研究与实际开发 1 4 车牌分割和数字识别在车牌识别中的作用 车牌识别系统的核心是微处理器 它基于图像处理 数字识别等技术的高智能电 子系统 该系统主要由摄像头 视频采集接口 辅助照明装置 计算机以及识别软件 等组成 基本过程是摄像头所拍摄的原始图像通过视频采集接口输入计算机 通过所 预设的识别软件进行识别并输出 因此 在车牌识别中 车牌分割和数字识别占有主 要的作用 在车牌识别系统中 车牌分割需要完成的任务是将原始图像中的车牌区域分割出 来 并将车牌字符准确的切分出来 在正式识别前 我们要做的仅仅是字符的分割 字符分割的好坏 直接影响着字符识别的准确率 也就是说 一个好的车牌识别系统 的前提是有一个好的车牌分割模块 无法将字符很好的从原始图像中分割出来 意味 着字符无法被准确的识别 也就意味着该车牌自动识别系统无法投入实际中应用 经过图像预处理 车牌定位 字符分割并校正后 才可以进行字符识别 车牌识 别中最关键的步骤就是字符识别 字符识别模块是目前最难处理的部分 却也是车牌 识别技术中最关键的部分 字符的识别率和识别时间是字符识别性能的主要技术指标 快速 准确以及具备较强的鲁棒性是字符识别的目标 一个好的车牌自动识别系统 关键就看其字符识别的性能 由此可知 车牌分割和数字识别是车牌识别技术中的两 大主要技术指标 其中最关键的是数字识别技术 1 5 本文的主要内容与结构安排 本文研究的内容包括了车牌识别系统的五个主要组成部分的算法 提出了有效的 解决策略 进行了测试 并完成了车牌识别系统的开发 本文的主要内容共分为五章 内容安排如下 第一节绪论 概述了车牌识别技术 总结了国内外车牌识别系统的发 展历史和现状 介绍了车牌分割和数字识别在车牌识别中的作用 最后简述了本文的 主要内容与结构安排 第二节车牌分割方法的研究 首先介绍了车牌获取的方法 接 下来简述了车牌预处理的基本算法 包括灰度话 二值化 滤波 增强 边缘检测等 然后是车牌分割的基本步骤 最后介绍了归一化处理 第三节车牌数字识别方法的研 究 概述了数字识别的现状 简述了车牌数字特点 最后介绍了基于 BP 神经网络的车 牌数字识别的算法 第四节主要介绍的是基于 MATLAB 的算法设计与实现 主要介绍 MATLAB 概述 车牌分割算法设计 车牌字符识别算法设计三个方面 包括系统的算 南湖学院毕业设计 论文 4 法流程 程序设计 并给出了设计的仿真结果与分析 最后一部分是结论 总结了本 文的研究成果 并做出了分析和评价 同时对未来提出了展望 南湖学院毕业设计 论文 5 2 车牌分割方法 2 1 车牌获取 车牌获取即图像采集部分 大体分为检测和成像两个部分 车辆检测即使用传感 器技术 检测目标区域有无车辆 当机动车辆在路过预先设置好的摄像头并达到触发 条件 摄像头即可拍摄出原始图像 图像采集卡将所拍摄的图像从视频信号转化为数 字信号传输到计算机中 这就完成了车牌的获取过程 其中车牌获取流程图如图 2 1 所 示 电子 眼 图像 采集 图像 预处理 数字 图像 图 2 1 车牌获取流程图 实质上 车牌获取就是指在实际拍摄的图像中确定车牌区域 位置 以便提取 分割车牌区域 受自然等客观条件的影响 需要对车牌进行预处理 以便提高车牌的 识别率 车牌识别主要包括三个步骤 1 对拍摄的图片进行格式识别 灰度化 二 值化 滤波 边缘检测等图片预处理 2 利用各种算法将已通过预处理的图片准确 定位其车牌的位置 并将车牌所处的位置分割出来 为接下来的字符切割做好相关准 备 3 对切割出来的字符进行归一化和识别 2 2 车牌预处理 照片拍摄的好坏受许多外界因素决定 例如光照强度因素 晴天与阴天所拍摄的 照片质量是不一样 白天和晚上所拍摄的照片质量更是不同 再比如说 车辆行驶速 度因素 行驶慢的原始图像会比行驶快的原始图像质量要好一些 此外 过快的车速 会导致照片的字迹模糊不清 这也就必定在一定程度上影响着字符识别率 这也就是 为什么要对原始图像进行灰度化 二值化 滤波等预处理的原因 4 2 2 1 灰度化 目前 我国车牌的原始图像采集 由于基本上都是通过摄像机 数码相机等拍摄 南湖学院毕业设计 论文 6 设备拍摄获取 所以一般情况下 原始图像为彩色图像 由于彩色图像包含着大量的 颜色信息 且每个像素都具有 R G B 三种不同颜色分量 所以在对其进行处理时 浪费许多系统资源的同时也会降低系统的执行速度 因而 我们需要对原始图像进行 灰度化 以便减小图像占用的存储空间 最基本的灰度化是直接取彩色图像 R G B 三个分量中最大值或平均值代替各分 量 由于灰度化后 每一个像素的三个分量都是均等的 解决可彩色图像中颜色差异 的问题 只存在亮度上的差异 灰度图像存在 256 个亮度级 其中白色的灰度值为 255 黑色的亮度级为 0 5 另外 我们也可以采用加权系数对图像进行灰度化 常用 到的灰度化公式 2 1 BGRI 14 10 87 50 29 20 其中 I 为灰度化之后的像素值 R G B 分别为红 绿 蓝的像素 2 2 2 增强 拍摄车牌图像时往往受到许多条件的限制和干扰 这使得图像的灰度值与实际景 物不完全相同 成像系统有它一定的亮度范围 亮度最大值与其最小值之比称为对比 度 因为成像系统的有限亮度 常使得对比度不足 导致图像视觉效果很差 这也就 直接影响了图像的后续处理 因此 研究者常常通过灰度变换和直方图均衡化来增强 对比度 以改善视觉效果 造成对比度不足的原因主要有 1 目标的远近不同导致的图像中央区域和边缘 区域的灰度失衡 2 摄像头扫描时各点的灵敏度差异产生的灰度失真 3 曝光 不足或过度而导致灰度值限定在较小的范围 这时可以采取灰度变换增强灰度变化范 围 丰富灰度层次 以达到增强图像对比度的目的 用线性单值函数 对图像内各像 素点作线性扩充 从而有效的改善图像的视觉效果 为了克服上述问题 本文采用灰度信息与背景信息相结合的局部灰度修正增强方 法 其基本原理是将原图像的灰度和背景图像区域相减 实现图像的增强 即所谓的 形态学 top hat 变换 9 设用 h 表示 top hat 变换后的结果 则 top hat 变换可定义为 2 2 bffh 其中 表示原灰度图 表示使用结构元素对集合进行开操作 6 f b f 图像的 top hat 变换对增强目标区域 隐藏背景细节有很大用处 最初的命名是由 于使用了带有一个平顶的圆柱形或平行六面体形的结构元素 2 2 3 二值化 灰度图像一般有 256 个灰度级的单色图像 能表现出比较丰富的明暗度 但在车 南湖学院毕业设计 论文 7 牌识别时 我们需要彻底的从原始图像中分离出目标 为了减少背景像素的干扰 保 留并增强目标区域的信息 通常将图像分为目标和背景两部分 即得到的图像只有 0 和 1 两个灰度级 常规是将目标区设为 1 背景区为 0 这样就可以得到我们所说的二 值图像 用数学式可以表示为 2 3 Tjig Tjig BW 1 0 其中 BW 为二值图像某像素的像素值 为该像素在灰度图像中对应的灰度 jig 值 为选定的阈值 T 图像的二值化处理即将灰度图像中除了灰度值为 0 的像素点外 其余的像素点均 设为 255 通过二值化处理后的整个图像明显呈现出黑白效果 为了得到理想的二值图 像 一般采用封闭 连通的边界定义不叠交的区域 二值化算法一般分为全局阈值算 法和局部阈值算法或称为自适应阈值算法 7 8 从二值图像可以得到图像中对象物的形状特征的主要信息 与灰度化后的图像相 比 二值化后的图像具有以下几个特点 大量减小了信息量 加快了处理速度 降低 了成本 实用价值更高 所以一般情况下 在对车牌字符分割前 会对图像进行二值 化处理 2 2 5 滤波 图像的本质其实就是光电信息 图像噪声主要有以下三个来源 图像在信号的转 换过程中所引入的噪声 大气层中的浪涌等引起的脉冲干扰 粒子性或不连续性所引 起的自然起伏性噪声 10 由于图像的质量被噪声所恶化 导致图像模糊不清 甚至连 图像的本身特征都会被淹没或改变 这给图像的分析与识别带来了较大的困难 为了 消除图像的噪声 常常采取滤波措施 且合适的滤波还可以锐化图像与增强图像的边 缘信息 常用的滤波方法有空间域滤波和同态滤波两种 其中空间滤波又分为三种 平滑 滤波 中值滤波 高通滤波 其中 平滑滤波主要的作用是模糊和消除噪声 常用的 方法是领域平均法 即求邻近像素点的平均亮度 这种方法简单 且处理速度快 但 在降低噪声的同时使图像产生了模糊 尤其是在边缘与细节处 中值滤波是非线性滤 波 也是领域算法 类似卷积 与平滑滤波不同的是 它的计算不是加权求和 当其 像素点数为奇数时 则将该领域内的像素按其灰度值排序 再去其中间值作为领域中 心像素点的输出值 当其像素点数为偶数时 取排序后的中间两个像素灰度值的平均 值作为输出值 11 为了锐化图像突出图像边缘 常对图像采用了高通滤波 在增强图 像边缘的同时孤立的噪声点也得到了增强 高通滤波的效果也可以通过原始图像减去 低通图像得到 这种方法称为非锐化掩模法 比较常见的高通滤波的冲激响应阵列有 南湖学院毕业设计 论文 8 以下三种 2 6 010 151 010 1 H 111 191 111 2 H 121 252 121 3 H 2 2 4 边缘检测 边缘是图像的重要特征 图像理解 分析的第一步通常是边缘检测 由于边缘是 图像灰度变化最严重的区域 传统的边缘检测通常是通过计算图像中像素的梯度值来 确定边缘点 此外 比较常见的图像边缘提取算子有 Robert 梯度算子 滤波算子 Canny 算子 拉斯算子等 拉斯算子前几种算子都是通过计算一阶导数来检测边缘 但 这几种算子导致检测到的边缘点过多 不利于后期处理 而拉斯算子是二阶导数段子 再找出梯度局部最大值对应点后才确定其为真正的边缘点 其中拉普拉斯的运算公式 为 2 4 22 2 22 yx ff yxf 拉普拉斯算子同样是借助模板实现 其中最为常见的模板如下 2 5 010 14 1 010 111 18 1 111 上文所提到的几种边缘检测算子都对噪声非常的敏感 也就是说必然会在计算的 过程中加大噪声的成分 因此 通常在处理含有比较大的噪声图像时 需要先对图像 进行平滑操作 然后再进行微分 这也就产生了新的边缘检测方法 LOG 边缘检测 这种检测方法需要用高斯函数对图像进行平滑处理后 再用拉普拉斯算子计算 09 2 3 车牌分割 2 3 1 车牌定位 车牌定位的本质是把车牌图像从含有汽车和背景的图像中提取出来 即输入车牌 原始图像输出车牌图像 在自然环境下 原始图像采集背景复杂 光照不均 在自然 背景中准确地确定牌照区域是整个牌照是别的关键 经过图像于处理后所得到的图像 在垂直方向上的面积投影出现了峰 谷 峰的特性 根据这种特性 可以检测到车牌的区 南湖学院毕业设计 论文 9 域 即车牌区域定位法 这种初步定位后的车牌还需要进一步微定位 对初步确定出 来的车牌进行微定位 而所谓的微定位法即对基本定位后的车牌图像进行局部分析 以便进一步确定字符范围 缩减车牌的左右 上下边界 这有利于后续的车牌处理 确定车牌的具体位置后再提取车牌 12 微定位技术包括三部分 1 横向定位 2 纵 向定位 3 微定位 需要在大范围的原始图像中找到车牌的区域 需要对原始图像进行搜索 找到符 合车牌特征的部分区域作为车牌候选区域 在对其进行深层次的分析 评判 计算 最终找到真正的车牌区域 并将该区域从图像中分割出来 伪目标 伪目标 车牌区域 图 2 2 车牌图像定位示意图 目前 国内外车牌定位的主要方法有 特征定位法 边缘检测定位法 数学形态 定位法 小波变换法 开运算定位法等 本文中所采用的是开运算定位法 2 3 2 几何校正 在实际的车牌获取过程中 通常是由道路某侧或上方的摄像机拍摄所得 因此 所得到的原始图像车牌区域角度 距离有一定的差距 也就是说原始图像中的车牌存 在一定的倾斜度 主要的三种倾斜方式是 水平上的倾斜 垂直上的倾斜 水平和垂 直上的倾斜 车牌的倾斜度校正前 需要先对车牌的倾斜进行检测 其检测公式如下 2 7 车牌倾斜 车牌水平 2 2 3 3 1 i ik k i n n 其中 表示第 i 行的 0 255 的跳跃次数 in 常见的几种倾斜校正的方法为 1 基于霍夫变换的校正算法 2 基于车牌投 南湖学院毕业设计 论文 10 影变换的校正算法 13 14 3 基于直线拟合的校正算法 15 本文所采用的方法是基于 车牌投影变换的倾斜校正算法 基于车牌投影的倾斜校正算法实质上是一种基于 Radon 变换的校正算法 用二维 函数表示原始图像坐标为 x y 的像素值 某方向上的投影可用该方向上的积 yxG 分表示 积分公式如 2 8 所示 2 8 sin cos sin cos dyxyyxGxRl 其中为的周期函数 T 180 且 0 180 坐标变换的公式如 xR 2 9 所示 2 9 cossin sincos yxy yxx Radon 变化所检测的直线是在坐标的峰值 可根据横坐标和纵坐标 xR x 确定一条直线 2 3 3 分割算法 字符分割实质上是把车牌上的字符分割成一个个单个的字符 传统的字符分割方 法有投影法 16 18 模板匹配法 聚类分析法 19 20 由于投影法比较准确 编程较简单 且易于实际操作 能满足在复杂环境下 所以本文采用的是投影法分割车牌字符 投 影法的具体操作如下 1 对灰度化的车牌图像从下向上逐行扫描 逐行统计出像素值为 255 的像素的 个数 当其个数大于 7 时 车牌有 7 个字符 认为寻找到车牌字符的下边界 同理 找到车牌的上边界 去除车牌字符上下边界以外的区域 之后设车牌的高度为 height 宽度为 width 2 对车牌图像从左向右逐列扫描 逐列统计像素值为 255 的像素的个数 并 将结果保存在一位数组 count width 1 中 其中 count i 用于存储第 i 列像素值为 255 的像素的个数 3 根据汉字特征 需要设置两个阈值来分割一个汉字字符 设两个阈值分别为 threshold 1 threshold 2 从左向右扫描经过预处理后的车牌图像 记第一个大于阈值 threshold 1 的列为汉字的开始位置 S 记第一个小于阈值 threshold 1 的列为 H 比较 这两列的宽度 H S 与 threshold 2 的大小直到找到与 S 列相差的宽度大于 threshold 2 且 满足像素值为 255 的像素的个数小于阈值的列 设为车牌的汉字字符的结束列 在分 割不连通的汉字的时候 这种改进的方法起到作用是显著的 4 之后的英文字母和阿拉伯数字不存在不连通性的问题 所以只要利用第一个 阈值 threshold 1 就可以分割出车牌剩下的字符 南湖学院毕业设计 论文 11 5 若出现像素值为 255 的像素个数大于阈值 threshold 1 时记为车牌字符开始的 位置 小于阈值 threshold 1 时记为车牌字符的结束位置 如此重复的下去 直到字符 全部分割出来为止 流程图如图 2 1 所示 求垂直投影的平均值 求垂直投影的最小值 取阈值 计算字符上升点 计算谷宽度 计算字符距离 找到字符中心位置 图 2 3 车牌图像定位示意图 2 3 4 归一化处理 由于原始图像采集的时候 图像像素值不一致 所以经过字符切割后所得到的字 符大小也不一致 因此需要在进行字符匹配之前需要对字符图像进行归一化处理 不 言而喻 归一化处理的目的是使得车牌字符与标准模块中的字符特征一致 归一化处 理可以分为倾斜度校正和大小归一化两个主要部分 其中倾斜度校正部分使用的是 MATLAB 工具箱中的 Imrote 函数 由于大小归一化值得是长度和宽度上分别乘以某个 比例因子 使其大小与模块中的字符大小一致 大小归一化最为常用的方法是将整个 牌照图像按线性比例放大或缩小到标准模快的大小 归一化流程图如 2 4 所示 南湖学院毕业设计 论文 12 m n size d 逐排检查有没有白色像素点 设置1 j0 p h 0 p h end p v projection double IM3 v 调用 projection 函数 if p v 1 0 p v 0 p v end p h double p h 5 p h find p h 1 end 1 p h 2 end 0 len h length p h 2 p v double p v 5 p v find p v 1 end 1 p v 2 end 0 len v length p v 2 粗略计算车牌候选区 k 1 南湖学院毕业设计 论文 20 for i 1 len h for j 1 len v s IM3 p h 2 i 1 p h 2 i p v 2 j 1 p v 2 j if mean mean s 0 1 p k p h 2 i 1 p h 2 i 1 p v 2 j 1 p v 2 j 1 k k 1 end end end k k 1 进一步缩小车牌候选区 for i 1 k edge IM3 double edge double IM3 p i 1 p i 2 p i 3 p i 4 canny x y find edge IM3 1 p i p i 1 min x p i 2 p i 2 p i 1 1 max x p i 3 min y p i 4 p i 4 p i 3 1 max y p center i fix p i 1 p i 2 2 fix p i 3 p i 4 2 p ratio i p i 4 p i 3 p i 2 p i 1 end 对上面参数和变量的说明 p 为一胞元 用于存放每个图像块的左上和右下两个点的 坐标 存放格式为 p k x1 x2 y1 y2 x1 x2 分别为行坐标 y1 y2 为列坐标 p center 为一胞元 用于存放每个图像块的中心坐标 p center k x y x y 分别为行 列 坐标 p ratio 为一矩阵 用来存放图像块的长宽比例 合并临近区域 如果有多个区域则执行合并 if k 1 n 0 ncount zeros 1 k for i 1 k 1 需要调整 if 条件中的比例 需要调整 检查是否满足合并条件 if abs p i 1 p i 2 p i 1 1 p i 1 2 height 30 避免重复记录临近的多个区域 index find d ncount 1 m length index for i 1 m pp i p ncount index i 重新记录合并区域的比例 pp ratio i pp i 4 pp i 3 pp i 2 pp i 1 end p pp 更新区域记录 p ratio pp ratio 更新区域比例记录 clear pp clear pp ratio 清除部分变量 end end k length p 更新区域个数 合并结束 根据区域比例判断是否为车牌区域 m 1 T 0 6 max p ratio for i 1 k if p ratio i T m m 1 end end p p1 clear p1 南湖学院毕业设计 论文 22 k m 1 更新区域数 判定结束 toc 计时结束 clear edge IM3 clear x clear y 清空部分变量 显示 figure 1 imshow I title 原始图像 figure 2 imshow IM2 title 腐蚀后图像 figure 3 imshow IM3 title 灰度膨胀后图像 显示 figure 4 for i 1 k subplot 1 k i index p i imshow I index 1 2 index 2 index 3 index 4 title 车牌图像 end 存储车牌图像 if k 1 imwrite I index 1 2 index 2 index 3 index 4 cp jpg end 4 2 3 仿真结果与分析 图 4 2 原始图像 南湖学院毕业设计 论文 23 图 4 3 TOPHAT 图像 图 4 4 灰度增强的图像 图 4 5 开运算图像 南湖学院毕业设计 论文 24 图 4 6 车牌校正图像 图 4 7 车牌灰度图和二值图 图 4 8 图像的水平投影 南湖学院毕业设计 论文 25 图 4 9 车牌定位图像 图 4 10 垂直投影图像 图 4 11 车牌字符分割图像 南湖学院毕业设计 论文 26 4 3 车牌字符识别算法设计车牌字符识别算法设计 经过一系列的预处理后 可以得到分割后的字符子图 即可以进行字符识别了 本文所用到的是人工神经网络方法 神经网络可以分为 反向反馈型网络模型 自组 织型网络模型和随机型网络模型 前向反馈型 BP 网络模型等几种模式 由于 BP 网络 识别率较高 所以本文采用了 BP 网络方法 4 3 1 算法流程 输入样本 对网络进行 BP 算法学 习习 形成能识别字符的神经网 络络 输入英文字符图 像像 归一化处理 仿真测试 识别成功 显示失败显示识别字 符符 重 新 输 入 重 新 输 入 否是是 图 4 12 识别算法流程图 4 3 24 3 2 程序设计程序设计 ex1506 2 读取原始图像 I imread cp jpg figure 1 imshow I title 原始图像 1 调用函数对图像进行二值化等一系列操作 img myimgpreprocess I for cnt 4 50 南湖学院毕业设计 论文 27 调用函数对图像进行修剪 bw2 myimgcrop img cnt 调用函数对图像进行重采样 charvec myimgresize bw2 out cnt charvec end P out 1 40 T eye 10 eye 10 eye 10 eye 10 Ptest out 41 50 建立神经网络并对其进行训练 net mycreatenn P T 测试神经网络 a b max sim net Ptest 输出测试量 disp b function lett myimgresize bw2 bw 7050 imresize bw2 70 50 for cnt 1 7 for cnt2 1 5 Atemp sum bw 7050 cnt 10 9 cnt 10 cnt2 10 9 cnt2 10 lett cnt 1 5 cnt2 sum Atemp end end lett 100 lett 100 lett lett function img myimgpreprocess I Igray rgb2gray I Ibw im2bw Igray graythresh Igray Iedge edge uint8 Ibw se strel square 3 Iedge2 imdilate Iedge se Ifill imfill Iedge2 holes 南湖学院毕业设计 论文 28 Ilabel num bwlabel Ifill Iprops regionprops Ilabel Ibox Iprops BoundingBox Ibox reshape Ibox 4 50 Ic Iprops Centroid Ic reshape Ic 2 50 Ic Ic Ic 3 mean Ic 2 2 1 2 Ic 4 1 50 Ic2 sortrows Ic 2 for cnt 1 5 Ic2 cnt 1 10 1 cnt 10 sortrows Ic2 cnt 1 10 1 cnt 10 4 end Ic3 Ic2 1 2 ind Ic2 4 for cnt 1 50 img cnt imcrop Ibw Ibox ind cnt end function bw2 myimgcrop bw y2temp x2temp size bw x1 1 y1 1 x2 x2temp y2 y2temp cntB 1 while sum bw cntB y2temp x1 x1 1 cntB cntB 1 end cntB 1 while sum bw cntB x2temp y1 y1 1 cntB cntB 1 南湖学院毕业设计 论文 29 end cntB x2temp while sum bw cntB y2temp x2 x2 1 cntB cntB 1 end cntB y2temp while sum bw cntB x2temp y2 y2 1 cntB cntB 1 end bw2 imcrop bw x1 y1 x2 x1 y2 y1 function net mycreatenn P T alphabet P targets T R Q size alphabet S2 Q size targets S1 10 net newff minmax alphabet S1 S2 logsig logsig traingdx net LW 2 1 net LW 2 1 0 01 net b 2 net b 2 0 01 net performFcn sse net trainParam goal 0 1 net trainParam show 20 net trainParam epochs 5000 net trainParam mc 0 95 P alphabet T targets net tr train net P T 南湖学院毕业设计 论文 30 4 3 3 仿真结果与分析 图 4 13 识别结果 图 4 14 数字样本 由上述各图结果显示可知 当车牌原始图像采集良好时 即没有明显的破损与垢 渍 曝光度良好等高清晰 则该系统能够进行正常的字符识别 为了验证该系统的可 用性与实用性 在自然条件下获取的部分车牌样本 对 BP 神经网络进行训练 对每一 个车牌进行仿真识别 样本与训练结果如图 4 13 所示 南湖学院毕业设计 论文 31 图 4 15 车牌样本 图 4 16 BP 网络训练结果 1 图 4 17 BP 网络训练结果 2 南湖学院毕业设计 论文 32 全部的仿真结果显示 其中 2 副车牌的字符分割与识别发生错误 余下的车牌都 能进行正常的识别 在识别的仿真过程中可以看到 识别随着样本数目改变的同时 也受到了样本的质量选取的问题 在 BP 神经网络的训练过程中 对该识别算法的识别 率统计结果如表 4 1 所示 表 4 1 识别率数据统计 正确识别率 样本数 5样本数 10样本数 15 86 3 87 25 88 6 由于受到时间以及其他一些客观条件的限制 本次样本的正确率约 87 且对于 一些比较相似的字符识别产生失误 例如 8 与 B 7 与 2 1 与 I 等 增加对该神经网络的训练 可以在一定程度上解决该问题 此外 BP 神经网络的具有 比其他方法高的并行性和容错性 由此可知 BP 神经网络的具有它的理论价值与实用 价值 南湖学院毕业设计 论文 33 5 总结与展望 5 1 总结 车牌识别技术是智能交通管理中最为关键的技术之一 与此同时 车牌识别的技 术和方法也在其他检测 识别领域也发挥着它重要的作用 由此可知 车牌识别技术 已然成为目前研究的热点 重点问题之一 本文结合我国车牌的特殊性 对车牌识别 系统所涉及的算法做了深入的研究 在基于前人的研究成果上提出了自己的改进 尤 其是在字符识别部分 根据我国车牌的特殊组成提出了基于改进 BP 神经网络的多分类 器 该分类器由 3 个子 BP 神经网络组成 即汉字网络 字母网络以及字母数字网络 与此同时 对于本文中所提及的算法都进行了相应的仿真 并对多得到的仿真结果做 了分析 最后 综合对车牌识别系统的相关算法研究 在其基础上实现了一个小的车牌识 别系统 根据仿真 测试结果表明 该系统具有实际应用的价值 甚至可以投入生产 尽管本次车牌识别系统得到改进 且效果显著 却仍然需要不断地改进 还需要大量 提高算法的准确度和提高算法运行的速度 5 2 展望 车牌识别技术是基于数字图像处理和模式识别高度融合的一项技术 同时也是智 能交通的一个重点 难点 由于受车牌特征的多样性 车牌本身的新旧程度原始图像 的模糊程度 原始图像背景复杂性 以及一些人为的 客观的因素干扰 导致车牌识 别系统设计的难度大大提高 至今 尚没有一个完全通用的车牌识别系统问世 本文 中也还有许多不足的 有待改善的地方 1 对于车牌图像模糊不清 背景复杂 光线不足等情况下 车牌定位的准确性 较低 还有待提高 2 本文所研究的车牌识别系统虽然可以对多车牌原始图像识别进行了研究 但 其多车牌识别率比单车牌识别率低许多 这也就希望未来的研究对此能有更大的进展 3 目前 所设计的车牌识别系统 只能针对于静止的图像进行识别 由于运动 中的图像车牌识别处理比较复杂 故而希望在未来的车牌识别研究中能够深入研究视 频中的车牌识别 南湖学院毕业设计 论文 34 参考文献 01 张方樱 巢佰崇 陈雪丰 车牌自动识别系统 J 武汉大学 2005 3 3 49 50 02 欧阳文卫 罗三定 车牌定位算法研究 J 湖南工业职业技术学院学报 2006 6 4 33 35 03 林立 何为 韩力群 汽车牌照自动识别技术的现状与发展 J 北京轻工业学院学报 2001 19 l 36 40 04 袁卉平 基于 MATLAB 的车牌识别系统的设计与研究 J 广西 广西工学院工业控制计算机 2010 05 胡小峰 赵辉 Visual MATLAB 图像处理与识别案例精选 M 人民邮电出版社 2004 58 81 06 许录平 数字图像处理 MATLAB 版 M 北京 科学出版社 2011 07 N Ostu A threshold selection method from gray level histogram J IEEE Trans Systems Man Cybernetic 1978 8 62 65 08 JuneLee Dong WhanLee Secong A new Methodology for Gray Seale Character Segmentation and Recognition J IEEE Trans on Pattern Analysis and Machine Intellige