期末课程报告：数字图像中车牌识别的matlab实现

1、. 数字图像处理期末课程报告 题 目： 车牌识别的matlab实现 题目类型： 软件型 学 院 信息工程与自动化学院 专 业： 计算机科学与技术 年 级： XXXX 学 号： XXXXXXX 学生姓名： xxx 指导教师： xx 日 期： 2012-6-8 目录摘要：2关键词：2实验工具：2车辆牌照识别流程：2实验内容及步骤31.图像预处理：32.车牌定位车牌起始位置和终止位置53.图片二值化54.列方向像素点灰度值累计65.字符分割：76.建立字符模板数据库87.归一化训练9结果分析：13摘要：本次课程设计的目的是通过对基于MATLAB的字符识别的研究，以汽车牌照识别的设计为实例，详细介绍字

2、符识别的相关原理。整个汽车牌照识别的过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，用MATLAB软件编程来实现每一个部分，最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析，处理。寻找出对于具体的汽车牌照识别过程的最好的方法。关键词：MATLAB字符识别车牌识别神经网络图像处理实验工具：MATLAB 7.8（R2009a）。车辆牌照识别流程：基于 MATLAB图像处理的汽车牌照识别，主要包括车牌定位、字符车牌分割、和车牌字符识别三个关键环节。流程图如下：原始图像图像预处理车牌定位字符分割字符数据库字符识别其中，(1) 原始图像：由数码相机或其它扫描装置拍摄到的图像

3、；（本实验图片由数码相机获得）(2) 图像预处理：对动态采集到的图像进行灰度处理、边缘检测、腐蚀、膨胀、滤波、等处理排除图像干扰；(3) 车牌定位：计算边缘图像的投影面积，寻找峰谷点，大致确定车牌位置，再计算此连通域内的宽高比，剔除不在域值范围内的连通域，最后得到的便为车牌区域；(4) 字符分割：利用投影检测的字符定位分割方法得到单个的字符；(5) 字符数据库：构造训练样本数据库，为第6步的字符识别建立字符模板数据库；(6) 字符识别：通过基于模板匹配的OCR算法或基于人工神经网络的OCR算法，通过特征对比或训练识别出相关的字符，得到最后的汽车牌照，包括英文字母和数字。实验内容及步骤1. 图像

4、预处理：预处理源代码：>> I=imread('h:tukucar1.jpg');%读取图像 figure(); subplot(3,2,1),imshow(I), title('原始图像');>> I1=rgb2gray(I);%转化为灰度图像subplot(3,2,2),imshow(I1),title('灰度图像');>> I2=edge(I1,'robert',0.09,'both');%采用robert算子进行边缘检测subplot(3,2,3),imshow(I2),

5、title('边缘检测后图像');>> se=1;1;1; %线型结构元素 I3=imerode(I2,se); %腐蚀图像subplot(3,2,4),imshow(I3),title('腐蚀后边缘图像');>> se=strel('rectangle',25,25); %矩形结构元素I4=imclose(I3,se);%图像聚类、填充图像subplot(3,2,5),imshow(I4),title('填充后图像');>> I5=bwareaopen(I4,2000);%去除聚团灰度值小于2

6、000的部分subplot(3,2,6),imshow(I5),title('形态滤波后图像');预处理结果截图：行列方向像素值累计值： 源代码：y,x,z=size(I5);I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end temp MaxY=max(Y1); figure(); subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素点灰度值累计和'),xlabel('行值

7、9;),ylabel('像素');运行截图：2. 车牌定位车牌起始位置和终止位置PY1=MaxY; while (Y1(PY1,1)>=45)&&(PY1>1) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)>=45)&&(PY2<y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end endendsubplot(

8、3,2,2),plot(0:x-1,X1),title('列方向像素点灰度值累计和'),xlabel('列值'),ylabel('像数');3. 图片二值化代码：if isrgb(DW) I1 = rgb2gray(DW); %将RGB图像转化为灰度图像else I1=I; endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值m,n=size(I1);% d:二值图像%h=graythresh(I1);I1=

9、im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title('二值化车牌图像');运行截图：滤波二值化图像：I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title('形态学滤波后的二值化图像');过滤出目标车牌区域：y1,x1,z1=size(I2);I3=double(I2);TT=1;%去除图像顶端和底端的不感兴趣区域%Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1)=1) Y1(i,1)= Y1(i,1)+1 ; end

10、 end endPy1=1;Py0=1;while (Y1(Py0,1)<20)&&(Py0<y1) Py0=Py0+1;endPy1=Py0; while(Y1(Py1,1)>=20)&&(Py1<y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title('目标车牌区域');运行截图：4. 列方向像素点灰度值累计代码：X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1) X1(1,j)= X

11、1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title('列方向像素点灰度值累计和'),xlabel('列值'),ylabel('累计像素量');运行截图：5. 字符分割：Px0=1;Px1=1;figure();for i=1:7while (X1(1,Px0)<3)&&(Px0<x) Px0=Px0+1;endPx1=Px0;while (X1(1,Px1)>=3)&&(Px1<x)|(Px1-Px0)<10) Px1=Px1+1;

12、endZ=I2(:,Px0:Px1,:);switch strcat('Z',num2str(i) case 'Z1' PIN0=Z; case 'Z2' PIN1=Z; case 'Z3' PIN2=Z; case 'Z4' PIN3=Z; case 'Z5' PIN4=Z; case 'Z6' PIN5=Z; otherwise PIN6=Z;endsubplot(1,7,i);imshow(Z);Px0=Px1;end运行结果：6. 建立字符模板数据库1） 将下列图片存到相应的

13、图片库中，待之后检测比对时用。（注：每个字符图像要单独存放为.jpg文件。） 2） 新建一个自定义函数pretreatment.m 文件，对这些图片进行统一处理：function inpt = pretreatment(I)if isrgb(I) I1 = rgb2gray(I);else I1=I;endI1=imresize(I1,50 25);%将图片统一划为50*25大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); endend7. 归一化训练

14、代码：I0=pretreatment(imread('h:tuku0.jpg');I1=pretreatment(imread('h:tuku1.jpg');I2=pretreatment(imread('h:tuku2.jpg');I3=pretreatment(imread('h:tuku3.jpg');I4=pretreatment(imread('h:tuku4.jpg');I5=pretreatment(imread('h:tuku5.jpg');I6=pretreatment(imrea

15、d('h:tuku6.jpg');I7=pretreatment(imread('h:tuku7.jpg');I8=pretreatment(imread('h:tuku8.jpg');I9=pretreatment(imread('h:tuku9.jpg');I10=pretreatment(imread('h:tukuA.jpg');I11=pretreatment(imread('h:tukuB.jpg');I12=pretreatment(imread('h:tukuC.jpg

16、9;);I13=pretreatment(imread('h:tukuD.jpg');I14=pretreatment(imread('h:tukuG.jpg');I15=pretreatment(imread('h:tukuK.jpg');I16=pretreatment(imread('h:tukuL.jpg');I17=pretreatment(imread('h:tukuM.jpg');P=I0',I1',I2',I3',I4',I5',I6',I7&

17、#39;,I8',I9',I10',I11',I12',I13',I14',I15',I16',I17'T=eye(18,18); %输出样本% bp神经网络参数设置net=newff(minmax(P),1250,32,18,'logsig','logsig','logsig','trainrp');net.inputWeights1,1.initFcn ='randnr'net.layerWeights2,1.initFcn =&#

18、39;randnr'net.trainparam.epochs=5000;net.trainparam.show=50;%net.trainparam.lr=0.003;net.trainparam.goal=0.0000000001;net=init(net);net,tr=train(net,P,T);%训练样本测试字符代码：PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretr

19、eatment(PIN5);PIN6=pretreatment(PIN6);P0=PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6'for i=2:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d = find(T1 = 1) - 1; if (d=10) str='A' elseif (d=11) str='B' elseif (d=12) str='C' elseif (d=13) str='D' e

20、lseif (d=14) str='G' elseif (d=15) str='K' elseif (d=16) str='L' elseif (d=17)第一次训练 str='M' elseif (d=0) str='0' elseif (d=1) str='1' elseif (d=2) str='2' elseif (d=3) str='3' elseif (d=4) str='4' elseif (d=5) str='5' elseif (d=6) str='6' elseif (d=7) str='7' elseif (d=8) str='8' elseif (d=9) str='9' else str=num2str(d); end switch i case 2 str2=str; cas