数学建模-A-优秀作品

1、1 车牌识别车牌识别 【摘要】 本文针对倾斜的车牌图像、 模糊车牌图像及模糊车牌视频提取车牌信息的问 题，通过利用 Matlab 软件图像处理功能，从图像预处理、图像边缘检测、车牌 定位处理、车牌字符分割处理以及车牌字符识别五个方面，对所给的图像和视频 进行了车牌信息提取，并给出了识别结果。 针对问题一：由于 image_1 图像中车牌在水平方向倾斜了一定的角度，利用 优化的 Radon 变换对 image_1 图像中车牌进行水平校正，再采用 prewitt 算子进 行边缘检测，然后图像进行图像腐蚀、平滑图像轮廓处理，裁剪出只包含车牌的 图像，再将裁剪的车牌进行灰度化、二值化、膨胀等处理，以便

2、车牌字符分割， 然后再将分割后的字符依次进行识别。其识别结果为：渝 D7G328。 针对问题二：由于 image_2 和 image_3 两幅图像所含噪声较多，图像非常模 糊， 因此我们需先将图像进行适当的关键信息复原，利用一系列方法从退化的观 测图像中恢复出原始图像。对图像的退化过程建立相应的数学模型,然后通过求 解该过程的逆过程来获得对原图像的合理估计。在得到较清晰的图像之后，再按 照问题一的车牌识别方法流程进行处理。处理结果为：image_2 为京 D Z4P45， image_3 为苏 B WA455。 针对问题三：由于所给的视频比较模糊，分辨率低，想要找出肇事车辆车牌 信息， 不能如

3、图一那样直接进行车牌识别处理，这里我们采用多帧超分辨率恢复 技术，通过对视频中多个模糊但连续相关的帧，最终得到一幅高分辨率图像。于 是我们将视频按帧分解得到一系列图片，从中筛选出与肇事车辆相关的图片，并 选择适合分析的图片进行处理。其预测结果为：甘 A P3637。 关键词：关键词：Matlab模糊图像处理车牌定位字符分割字符识别 2 1 问题重述问题重述 车牌识别(Vehicle License Plate Recognition，VLPR) 是现代智能交通系统中的 重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉 等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行

4、分析，得到每一辆 汽车唯一的车牌号码，从而完成识别过程。 通过一些后续处理手段可以实现停车场收费管理、交通流量控制指标测量、 车辆定位、汽车防盗、高速公路超速自动化监管、刑侦等等功能。对于维护交通 安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。 但是目前对于一些部分特殊车牌图片的识别仍然存在部分困难，如旋转、低 分辨，以及模糊低分辨的视频等。请同学们通过查询资料，构造模型解决下列问 题。 1) 提取 image_1 图像中车牌，并输出结果； 2) 提取 image_2, image_3 图像中车牌，并输出结果； 3) 提取视频 video_1 中的肇事车辆车牌信息， 并尽可能

5、地给出你的预测 结果。 2 模型假设模型假设 1 假设问题二中的图像车牌是符合我国实际使用车牌的真实情况； 2 假设问题二、问题三中的车牌不存在损坏情况； 3 假设问题二、问题三中的车牌不存在故意遮挡情况； 3 符号说明符号说明 模糊角度 1 image_1 图像中车牌与水平方向的夹角 二维空间中 Radon 变换的原点到直线的距离 3 4 模型的建立和求解模型的建立和求解 4.1 问题一问题一 4.1.1 问题分析问题分析 根据问题一的要求，需要提取 image_1 图像中的车牌，并输出结果。我们采 用 Matlab 软件的图像处理功能，并通过编程提取 image_1 图像中的车牌信息。 通

6、过观察 image_1 图像中的车牌，可以发现该图中的车牌比较清晰，但是该 车牌在水平方向上倾斜了一定的角度。我们首先需要对 image_1 图像中的车牌 进行水平方向的校正， 以便后续提取车牌位置信息和防止在车牌信息字符分割中 出现错位情况；然后通过 Matlab 对图像进行图像腐蚀、平滑图像轮廓等操作， 对车牌进行定位处理；确定车牌位置信息后，对 image_1 图像进行裁剪，得到只 包含车牌信息的图片；然后对裁剪后的车牌进行灰度、二值化、滤波等处理，以 便对车牌字符信息的分割；再将分割后的字符信息依次进行识别，并输出识别结 果。 4.1.2 模型的建立和求解模型的建立和求解 车牌识别的模

7、型建立就是从车辆图像中提取出车牌图像， 然后找到字符的分 解点， 把车牌图像分割成单个的字符区域，最后采用一定的方法逐一识别出每个 字符的所属类别。车牌识别整体的设计流程如图 4-1 所示： 4-1 车牌识别设计流程图 根据设计流程图，提取 image_1 图像中的车牌信息主要分为 4 个步骤：图像 预处理、车牌信息定位处理、字符分割和字符识别。下面将一一介绍各步骤的原 理以及运用 Matlab 软件处理得的结果。 （1）图像预处理 以上问题分析中已经提到，首先需要对 image_1 图像进行水平方向的校正。 通过查阅资料， 图像倾角的校正方法有如下四种： Hough 变换法， Radon 变

8、换法， 最小二乘法和两点法。 由于 Radon 变换法的抗干扰能力强， 我们此次选用该方法 作为图像校正方法。 输入 车牌图像 图像 预处理 车牌 定位处理 字符 分割处理 字符 识别处理 4 Radon 变换理论是基于这样一种投影理论，一条直线沿它的法线方向投影， 所得的投影最长；而沿与其平行方向投影，则所得的投影最短。Radon 变换法原 理介绍如下： 二元函数),(yxf的投影是在某一方向上的线积分，例如),(yxf在垂直方向 上的线积分是),(yxf在x方向上的投影， 在水平方向上的线积分是在y方向上的 投影，沿 y方向的线积分是沿 x方向上的投影。图 4-2 是矩形函数在水平、垂直

9、方向以及沿角方向的投影。 图 4-2 矩形函数在水平垂直方向和沿角方向的投影 投影可沿任意角度进行，通常),(yxf的 Radon 变换是),(yxf平行于 y轴的 线积分，公式如下： )cossin,sincos() (dyyxyxfxR （1） 其中： y x y x cossin sincos （2） 5 ),(yxf在二维空间中的 Radon 变换为： dxdyyxyxfR D )sincos(),(),(（3） 其中，为模糊角度；为原点到直线的距离；D是被积函数所在区域； 为冲激函数。 对于图像而言，保持的取值不变，改变值，得到图像在方向上不同距 离的投影；同理，令值一定，改变的取值

10、，得到图像在一定距离时不同方向 上的投影。这样，Radon 变换将图像转换成图像在平面上的投影，灰度值高 的直线被投影成一个亮点，灰度值低的线被投影成一个暗点。因此，图像),(yxf 中直线拟合的问题就被转换成平面中亮、暗点的扫描问题。 由于 Radon 变换法的运算量大，程序执行慢，需要对该方法进行改进。我们 采用不对整幅图像进行操作，在图像中选取一块区域进行操作，但该区域需要包 含一条与倾角有关的直线，这样可以减小运算量。 在 Matlab 软件中，首先将 image_1 图像转换为灰度图像，再进行进行直方 图均衡化处理，如图 4-3 所示。 图 4-3 原图灰度化和直方图均衡化处理结果

11、然后再使用 Sobel 水平算子对 image_1 图像进行边缘化处理，并且对图像进 行剪切，保留图像中的一条直线，以便减小后面使用 Radon 变换的计算量。然后 计算边缘图像的 Radon 变换，并检测 Radon 变换矩阵中的峰值所对应的列坐标， 从而确定需要对 image_1 图像旋转的角度。 得到校正后的原图和直方均衡化处理 的结果如图 4-4 所示。 6 图 4-4 校正后的处理结果 （2）车牌定位 车牌区域具有 3 个基本特征：在一个不大的区域内密集包含有多个字符；车 牌字符与车牌底色形成强烈对比；车牌区域大小相对固定，区域长度和宽度成固 定比例。因此采用 prewitt 算子进

12、行边缘检测，利用像素点上下、左右邻点的灰 度差，在边缘处达到极值检测边缘，去掉部分伪边缘，并对噪声具有平滑作用。 其处理结果如图 4-5 所示。 图 4-5 边缘检测处理结果 再对边缘检测处理的结果进行图像腐蚀处理。 同时构造一个长方形的结构元 素对象，对车牌图像实现闭运算，去掉小洞，填补轮廓上的缝隙，实现车牌图像 轮廓更加平滑。 然后再从平滑后的图像中去掉小对象， 并对剩下的区域进行裁剪， 实现车牌位置的定位。其处理结果如图 4-6 所示。 图 4-6 图像腐蚀、平滑和移除小对象处理结果 7 （3）字符分割 车牌定位以后的图像还是一个整体，包括文字和文字之间的蓝色区域，所以 还需要对已提取出

13、来的车牌中的字符进行字符分割。在车牌字符分割之前，需对 车牌定位后的图片进行灰度化和直方图均衡化处理， 再将灰度图像进行二值化处 理。 由于二值化处理得到的图像比较小，我们对二值化处理后的图像进行膨胀处 理，放大了二值化处理图像。车牌二值化处理和膨胀处理结果如图 4-7 所示。 图 4-7 二值化和膨胀处理结果 膨胀后的图像仍是二值化图像，是由黑色像素和白色像素组成。运用的逻辑 矩阵也只包括 0 和 1，则让逻辑 0 表示黑色像素，逻辑 1 表示白色像素。采用按 列扫描车牌，检测车牌内部的点及边缘与字体不接触的最近的黑点。若当前点的 左、右、上、下侧有白点，则认为该点属于字符内部的点，且根据标

14、识符判断字 符的边缘，将该边缘点所在的列号进行记录保存。同时需要修正一些误判情况， 若为两个字粘连的情况，则将两个字符各设为固定值，求得其实际列号；修正由 于第二个字符和第三个字符之间的安装螺丝钉而影响到的距离。然后循环计算 7 个字符。其字符分割处理的结果如图 4-8 所示。 图 4-8 字符分割处理结果 （4）字符识别 根据上面字符分割处理的结果， 需要对各个字符进行识别， 并保存识别结果， 如以表格的形式保存在 excel 表格中。在这里采用模版匹配法对字符进行识别， 该方法就是设计出一个固定的模版和一个用来度量匹配程度的评价函数， 然后用 待识别的数据与标准模版进行比对，根据它们的匹配

15、程度确定最终的识别结果。 而度量匹配程度的方法采用计算待识别的数据与标准模版的相似度。 显然，待识别的数据与标准模版的相似度越大，匹配程度越高。计算相似度 8 的公式如下： ),( 11 ),(*),( 11 jif j Row i Col jigjif j Row i Col Sfg（4） 其中，),(jif为待识别字符图像，),(jig为标准模版，Row和Col分别为图 像的行数和列数。首先提取出模版图像的 N 维特征值保存在模版库中，然后提 取出字符图像的 N 维特征值，打开对应的模版库，依次读取库中的记录，并计 算该字符的特征值与模版记录中的相似程度， 选用最大相似度模版匹配算法作为

16、判定准则，得出最终的字符识别结果。其流程图如图 4-9 所示。 图 4-9 字符识别流程图 4.14.1 问题二问题二 4.2.14.2.1 问题分析问题分析 通过观察 image_2 以及 image_3 图像中的车牌，可以发现图像非常模糊，因 此需先将图像进行适当的关键信息复原， 利用一系列方法从退化的观测图像中恢 提取字符特征矢 判断字符所在 汉字模版库字母模版库字母数字模版库 输入字符 显示并保存结果 9 复出原始图像。对图像的退化过程建立相应的数学模型,然后通过求解该过程的 逆过程来获得对原图像的合理估计。在得到较清晰的图像之后，再利用一般的车 牌识别方法进行处理，并选择合适的处理方

17、法。总体大致的流程为模糊图像预处 理，车牌定位，字符分割，字符识别，字符输出显示。 4.2.24.2.2 模糊图像预处理模糊图像预处理 对模糊车辆图像进行预处理是整个车牌识别系统最重要的的部分， 因为预处 理如果失败的话，就会导致牌照识别失败或更大的错误。而本次处理的两幅图像 中，可以看到其具有图像退化的典型表现，如图像模糊、失真、有噪声等，为了 尽可能恢复图像原来的真实面貌，首先从图像退化机理入手，即用数学模型描述 图像的退化过程，然后在退化模型的基础上求其逆过程的模式，从退化图像中较 准确地求出真实图像。 通过观察图像 image_2 以及 image_3，可以初步判断引起图片模糊的主要因

18、 素有噪声和低分辨率。 （1） 图像去噪 在本次图像处理中主要针对高斯噪声，下面给出高斯噪声的概率密度函数。 高斯噪声又称为正态噪声，是最普遍的一种噪声，高斯随机变量 z 的概率密度 函数为： 22 () /2 1 p( ) 2 s u ze （5） 其中，u 表示 z 的平均值或期望值，z 表示灰度值，表示 z 的标准差，2 表示 z 的方差。在模糊图像中需要知道二维高斯函数，将上式推广到二维平面得： 222 ()/2 2 1 ( , ) 2 xy h x ye （6） 本次处理采用中值滤波， 线性平滑滤波器在消除噪声的同时也会使图像中的一些 细节变得模糊而难以辨认,中值滤波是一种非线性滤波

19、,中值滤波在消除噪声的同 时还能保持图像中的细节部分,不会造成边缘模糊。进行滤波的时候,首先确定一 个奇数像素窗口 W,将窗口内各像素的灰度值按从小到大排序,用处于中间位置的 灰度值代替原灰度值。设增强图像在点),(yx处的灰度值为),(yxf，增强后图像 10 在点),(yx处的灰度值为),(yxg,则有: ( , ) (,), ,g x ymedian f xk yl k lW（7） 式中,W 为选定窗口。 将两幅图像先进行灰度处理，然后进行适当增强，通过中值滤波得到以下结 果： Image_2image_2 中值滤波 Image_3image_3 中值滤波 图 4-10 经中值滤波后图像

20、 （2） 图像复原 图像复原中,通常会假定复原过程的降晰函数、噪声方差、原始图像模型为 先验知识。而实际上它们是未知的,需要从降晰图像估计出来。本文利用一种最 大似然方法辨识降晰函数,使用 EM 算法比较合理地优化非线性似然函数方程。 为 提高算法的效率,使用了低阶的图像模型和降晰函数模型，算法同时辨识和复原 模糊图像。原始图像被建模为 2-D 的 ARMA 模型,辨识问题转化为一种最大似然 求解,包括点扩散函数 PSF、噪声方差、图像模型的估计。 在图像复原过程中,原始图像的模型视为一种低阶的 2-D 自回归过程 , ( , )( , )* ( , )( , )( , ) (,)( , )

21、a k l S f i ja i jf i jv i ja k l f ik jlv i j （8） 式中),(lka是模型系数,。Sa是图像模型系数的象限平面支持域。 11 图 4-11 平面支持域 基于上述模型,图像的概率密度函数如下: 2 2 1 det |1 ( ; ,)exp() 2 2det | t vv N v IA p f A Qf QIA f Q （9） 式中 2 vv QI是 22 NN大小的模型误差方差对角阵，并且IA是非奇异的。 EM降晰函数辨识方法对于大尺寸的点扩散函数辨识精度较差,因为如果PSF的独 立系数较多的话,似然函数就会对的变化不敏感。 其次如果未知系数的数

22、目过多 或者初始值误差过大,算法的结果容易收敛到局部极值点而不是全局极值点。降 晰函数辨识过程中获得的有用知识来自于图像的灰度剧烈变化区域而不是在图 像平坦区域,一幅图像的点是有限的所以随着未知数的增多,结果精度就会下降。 我们采取一些经验减少未知数的数目。 对于图像模型,它的自相关函数近似于 2-D 的指数函数： 2| | | ( , ) pq fffvh rp q式中 v , h 分别是垂直和水平相关系数。 图像模型系数有象限支持域,模型系数和相关系数的关系如下： (1,0) v a，(0,1) h a，(1,1) hv a （10） 2222 (1)(1) fvh v （11） 将这些关

23、系带入辨识模型系数似然函数,可得： 222222 (,)(0,0)(1,0)2 (1,1)(1, 1) (0,0)(0,0)2(0,1)2(1,0)(0,0) vhvvh vhvhhvvh Jrrrr rrrrr （12） 对上式求 v , h 的最优解，采用部分梯度法可得： (1)(1)2 (1)(1) 2(1,0) ( ) (0,0)2(0,1)()(0,0) (1,1)(1, 1) ()(1,0) ii hh iir ihh v rrr rrr （13） a(1,1 a(0,1 a(1,0 12 ( )( )2 (1)(1) 2(1,0) ( ) (0,0)2(0,1)()(0,0) (

24、1,1)( 1,1) ()(1,0) ii vv iir ivv h rrr rrr （14） 通常循环比较少的次数就可以收敛,这样就可以求得 v , h 的最优解,也就可以 求出模型系数的解。 整个期望最大化 EM 算法的计算构架大致如下： 首先设置辨识参数集的初始 值 (0)22(0) ( , ), ( , ), vw a k l d k l，对于模型系数的值我们使用上面的公式计算， 我们己知 a 的模型为一个 2*2 的矩阵,由设置 v , h 的初始值可计算,降晰函数 d 的初始值采用其他方法估计, 以 5*5 为例,例如误差一参数分析法,模型误差方 差 2 v 估计也是采用公式一的第

25、二个分式计算,假性噪声误差的方差 2 w 。二从模 糊图像中估计,采用的方法从图像的平坦区域估计一个邻域的方差,其最小值作为 噪声方差。 E 步算法: 程序进入循环迭代,设置迭代次数。首先计算 ( ) ( , ) k Vu v ，具体计算过程如下, 我们使模型系数矩阵 a 和降晰函数阵 d 加零扩展到 256*256 进行 FFT 变换得到 ( , )A u v,( , )D u v，得到协方差矩阵 ( ) ( , ) k Vu v 。但是存在的问题是括号中的表达式 直接求逆不可行,因为它接近于奇异矩阵,我们采用的是广义逆形式。求得协方差 矩阵 ( ) ( , ) k Vu v ，计算出估计的

26、复原图像 ( ) ( , ) k Fu v 。 M 步算法： 新的图像模型系数矩阵 a 和模型误差方差 2 v 的计算, 利用公式计算图像垂 直和水平相关系数 v , h 的最优解以及模型系数矩阵 a 和模型误差方差 2 v ， 利用步中的数值进入下一次迭代循环过程,直至整个循环结束获得有效的降晰函 数矩阵 d。 程序设计主流程图： 13 图 4-12 EM 算法流程图 （3） 车牌信息提取 经过上述的两个步骤，图片清晰度已经和 image_1 相近，按照问题一的图像 提取步骤，对图像进行车牌定位，字符分割，字符识别一系列操作，可得到关键 信息如下： 输入模糊图像， 设置初始值 更新 PSF

27、及图像模型 系数初始值 计算复原图像f协方差 矩阵 V 计算似然函数期望值 相关系数矩阵 图像模型系数及模型 误差辨识 图像降晰函数及噪声 方差辨识 更新初始值， 算法结果 是否收敛 输出 PSF，进入复原图 像处理算法 E 步算法 14 图 4-13 图像预处理 经处理车牌结果为：image_2 为京 D Z4P45，image_3 为苏 B WA455。 4.34.3 问题三问题三 4.2.14.2.1 问题分析问题分析 首先将视频按帧分解得到一系列图片，从中筛选出与肇事车辆相关的图片， 并选择适合分析的图片进行处理。由于所给的视频比较模糊，分辨率低，不能如 图一那样直接进行车牌识别处理，

28、这里我们采用多帧超分辨率恢复技术，通过对 视频中多个模糊但连续相关的帧，最终得到一幅高分辨率图像。多帧超分辨率恢 复技术与单帧超分辨率恢复相比具有一个明显的优点， 即图像序列或视频序列可 以提供更多的时空约束条件， 但是成功的超分辨率恢复必须具备以下两个基本要 素:(1)精确的亚像素运动信息，即帧间运动估计必须达到相当精度;(2)鲁棒高效的 恢复算法，同时能够最大限度地包含先验知识。 （1） 视频处理 根据以上分析利用软件技术对视频进行处理， 进一步筛选得到以下四幅连续 帧便于图像处理的图片： 15 图 4-14 视频连续帧图片 （2） 图像序列超分辨率复原 本次我们基于小波的超分辨算法和运动

29、估计相结合的方法， 通过连续更新速 度、位置和尺度参数的状态矢量,精确地估计运动参数，准确地跟踪运动目标， 并得到了较好的车牌超分辨率图像，在视频中摄像机固定而且背景固定，所以很 容易得到在车牌图像中运动物体的区域，设为 S。假设车牌图像序列中第 l 帧作 为参考帧, 待估计的图像帧为第 l+1 帧。 算法步骤如下： 1、初始运动估计 得到 a 的初始参数估计为： 21 1 ( )( ) () () xyxy I PI P aI P xx 其中( , )x yS（15） 其中 ( )( ) ( , )(1, ),( , );1)( , ); ) I PI P I x yI xyIx y lIx

30、 y l xt 2、调整运动参数 a 两帧间的位移差为： ( )( ;1)( ,0); ) a DFDpI p lI pal （16） 式中( ,0);pal 取与( , )x y最近邻两点的加权平均值。运动估计的越精确,这种位 移帧差就越小,因而可以选择位移帧差作为运动估计的判据。为了减少噪声的影 响,往往选择整个估计区域内位移帧差的平方和作为运动估计的判据： 2 ( )( ) a xy E aDFDp （17） 根据最速下降法,搜索步长应该具有下面的形式: 16 1 () kkaHE a （18） 其中， 2 2 ( ) () a E a H ( ) ( ) a E a E a 将式(16

31、)代入式(17)、(18),略去其中的二阶导数项,可以得到: a PDFD PDFDaE a xy a )( )(2)(（19） 2 )( 2 xy a a PDFD H 其中),1(),( ),0 ,()( yaxIyaxI x laPI a PDFDa 代入（19）可以求 得 Hessian 矩阵和() kE a ,再代入式(17)中即可求出搜索步长 ka 。 如果搜索步长的范数小于某一个门限 d ,就可以认为已经得到了一个理想的 结果。在用最速下降法调整运动参数的估计时,每得到一个运动参数的变化以后, 都要进行一次判断。如果运动参数变化量满足| k ad 的话,迭代过程就终止。 根据图像

32、像素的特点，选取 d=0.001 即可。此时 k k aaa 。 3、运动补偿出第 l1 帧的超分辨图像 当求得物体在某一低分辨率下的运动参数以后,就可以把它进行投影,得到该 物体在高分辨率下运动参数的一个初始估计。我们使用下面的运动估计投影策 略: nn aa2 )1( 式中,n,n-1 分别表示不同的分解级数。 得到第 l1 帧的超分辨图像(1)F l ： ),)()(),)()(),(yaxfaxayaxfaaxayxfavg 上取整下取整下取整上取整 17 则有：)2),);2 ,2() 1);2 ,2(alyxFavglyxF )2),);2 , 12() 1);2 , 12(aly

33、xFavglyxF )2),);12 ,2() 1);12 ,2(alyxFavglyxF SyxalyxFavglyxF),(),2),);12 , 12() 1);12 , 12( 车的运动速度影响帧间亮度变化率， 车牌车型不同会导致运动区域的大小不同等 等， 这些因素往往会影响光流法估计的效果，所以对估计结果需要一种定性的判 别。 对那些直接超分辨后的效果仍然不好的帧采用估计得到其超分辨图像，并且 用与其最近的几帧超分辨较好的车牌图像进行估计， 最终选取质量最好的图像作 为最后结果。 （3） 提取车牌信息 进过上面的处理就可以得到较清晰的图像，然后重复问题一图像处理步骤， 对目标图像进行

34、车牌定位，字符分割，字符识别一系列操作，即可得到车牌关键 信息。本次经模型处理得到的预测结果为：甘 A P3637。 18 5 模型的评价模型的评价 模型的优点：模型的优点： （1）本文模型能够对倾斜的车牌图像实现车牌的校正功能。 （2）即使在模糊的车牌图像中，本文模型也能比较准确的实现对车牌的定 位处理。 （3）本文模型采用的字符分割方法能准确的对较清晰的车牌图像进行字符 分割处理，并能识别出分割后的字符。 模型的不足：模型的不足： （1）本文的模型对复杂汉字的处理算法还不够优异，以至于问题一中识别 出的“渝”字在字符膨胀及字符分割处理后，丢失了一部分有效信息。 （2）对模糊的车牌图像的清晰

35、化处理程度还不够，虽然能完成车牌的定位， 但还是不能实现字符分割及字符识别，没有输出清晰的结果。 （3）对于视频中夜间行驶的车辆抓拍的图像识别算法还有待很大的提升。 6 模型的改进与推广模型的改进与推广 模型的改进模型的改进 （1）夜间车辆行驶所用的照明灯光和路边的灯光，使监控器拍摄到的图像 的车牌被二测灯光光晕交叉覆盖，使得车牌牌号和颜色不易辨别，从而影响识别 率。因此在算法中还需补偿车灯光线造成的光线不均。 （2）对于模糊图像处理，还需要进一步研究并提升图像清晰化的算法。 （3）汉字部分的二值化处理中，需要提高算法对汉字的识别度，减小有效 信息的丢失。 模型的推广模型的推广 本文模型可以自

36、动实现对倾斜的车牌图像校正功能， 能够准确的对图像实现 车牌定位处理。对于清晰的车牌图像，能够比较准确的提取车牌信息，并识别出 结果。因此，在实际工程应用中，本文模型有一定的参考价值。 19 7 参考文献参考文献 1 鱼滨.基于 Matlab 和遗传算法的图像处理M. 西安：西安电子科技大学 出版社，2015 年 9 月第一版. 2 杨淑莹.图像识别与项目实践：VC+、MATLAB 技术实现M. 北京：电子 工业出版社，2014 年 5 月第一版. 3 龚小伟. 低分辨率下的车牌识别技术研究D.广州：中山大学，2015.5. 4 董春雨. 基于视频图像的多车牌识别技术研究D.西安：长安大学，

37、2015.6 8 附录附录 8.1 主程序记录主程序记录 rgb = imread(image_1.jpg); figure(1),subplot(3,3,1),imshow(rgb);title(原图) R=rgb(:,:,1); %red G=rgb(:,:,2); %green B=rgb(:,:,3); %blue x,y,z=size(rgb); for i=1:x for j=1:y if( (R(i,j) = 180) G(i,j) = 162; B(i,j) = 232; endendend for i=1:x for j=1:y blue(i,j,1) = R(i,j);bl

38、ue(i,j,2) = G(i,j);blue(i,j,3) = B(i,j); endend 20 I=blue; figure(1),subplot(3,3,2),imshow(I);title(去除红色分量的图) I1=rgb2gray(I); figure(1),subplot(3,3,3),imshow(I1);title(灰度图) J=adapthisteq(I1);%直方图均衡 figure(1),subplot(3,3,4),imshow(J);title(直方均衡后的图) %旋转图像% bw1=edge(J,sobel, horizontal);%用 Sobel 水平算子对图

39、像边缘化 bw1=imcrop(bw1,0 0 500 100);%对图像进行剪切， 保留图像中的一条直线， 减小 运算量 theta=0:179; r=radon(bw1,theta);%计算边缘图像的 Radon 变换 m,n=size(r); c=1; for i=1:m for j=1:n ifr(1,1)=5) end PY2=MaxY; % 以下为找车牌 Y 方向最大值 ?难道最大值不是 MaxY? while (Blue_y(PY2,1)=5)end % IY=I(PY1:PY2,:,:); % X 方向 % %PX1 是左截距，PX2 是右截距 Blue_x=zeros(1,x

40、);% 进一步确定 x 方向的车牌区域 for j=1:x for i=PY1:PY2% 只需扫描的行 if(myI(i,j,1)=1) % 判断蓝色像素 Blue_x(1,j)= Blue_x(1,j)+1; % 蓝色像素点统计 endendend PX1=1;% 以下为找车牌 X 方向最小值 while (Blue_x(1,PX1)=0.365 % 函数 bwarea 计算目标物的面积，单位是像素； bwarea/m/n 即为单个像素？ d=imerode(d,se);% 腐蚀 elseif bwarea(d)/m/n=3% 第三位以后是字母或数字识别 ;即 I=3 kmin=1; kmax=36; end for k2=kmin:kmax fname=strcat(namebook,liccode(k2),.jpg); % strcat 函数：连接字符串 SamBw2 = imread(fname); fori=1:40 for j=1:20 SubBw2(i,j)=SegBw