【正文】 研究工作已有一定進(jìn)展，但并不盡合我國國情。車牌定位的識別率和所需要的時間都是決定車牌識別系統(tǒng)的整體性能的重要因素。現(xiàn)在，國內(nèi)做得比較好的產(chǎn)品主要有中科院自動化研究所漢王公司的“漢王眼”系統(tǒng)等，而一些國內(nèi)的研究機(jī)構(gòu)和高等院校也積極對車牌識別系統(tǒng)進(jìn)行理論研究和開發(fā)。因此，本文針對車牌的特點(diǎn)結(jié)合數(shù)學(xué)形態(tài)學(xué)的方法，在不斷的學(xué)習(xí)和改進(jìn)中，設(shè)計(jì)了車牌定位和字符分割的程序。 （ 2） MATLAB語言簡潔緊湊，使用方便靈活，庫函數(shù)豐富，并且內(nèi)部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊。 論文結(jié)構(gòu) 本文組織分為四個章節(jié)： 第一章為前言，介紹了車牌識別系統(tǒng)的背景和研 究意義，提出本課題研究的內(nèi)容和工作。 第五章是總結(jié)與展望，對整篇論文做一個總結(jié)，對結(jié)果作分析探討，提出對未來的展望和想法。 （ 2） 基于灰度圖像的車牌 的 快速定位 方法（張向東，等， 2020），在圖像增強(qiáng)的基礎(chǔ)上，對得到的二值圖像進(jìn)行處理從而得到特征圖像，對特征圖像進(jìn)行水平掃描與垂直投影并結(jié)合車牌的特征信息來確定車牌區(qū)域。 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 4 （ 5） 基于 小波變換的車牌定位方法（范蕤，等， 2020） ， 根據(jù)圖像中車牌的形態(tài)特征和橫向紋理屬性 ， 提取圖像高頻小波系數(shù)的均值、能量、熵等作為分類特征 ， 同時通過形態(tài)學(xué)算法對車牌候選域和非車牌域進(jìn)行聚類 ， 并運(yùn)用相關(guān)的知識對車牌候區(qū)域進(jìn)行優(yōu)化。 3 車牌定位算法 算法流程 整個車牌定位算法總共有 5個步驟，分 別是旋轉(zhuǎn)校正、灰度化、邊緣檢測、數(shù)學(xué)形態(tài)處理和車牌提取。因此，為了輸出一個平滑整齊的車牌區(qū)域，本方法的安排順序是先把車輛圖片校正好再進(jìn)行車牌定位。由于 算法采用的都是一些顯而易見的性質(zhì)，因此具有廣泛的應(yīng)用范圍（徐瑞， 2020）。‘ y L θ x x39。 圖 4 原圖 圖 5 校正結(jié)果 圖像灰度化 拍攝到的圖片是彩色圖，彩色圖含有大量的顏色信息，如果直接對彩色圖像進(jìn)行處理，會導(dǎo)致處理速度慢、存儲空間大和運(yùn)算復(fù)雜等問題。根據(jù)處理需要賦予三個基色不同的權(quán)值，再對圖像中每個像素點(diǎn)進(jìn)行加權(quán)平均，最后用這個值替代原來的三個基色分量的值，數(shù)學(xué)公式表達(dá)為： 3r g bR W G W B WR G B ? ? ? ? ?? ? ? (1) 公式 1中 rW 、 gW 、 bW 分別是 R、 G、 B的權(quán)值。在 MATLAB里直接利用函數(shù) rgb2gray()即可實(shí)現(xiàn)灰度化。因而，邊緣是進(jìn)行圖像分割所依靠的重要特征之一（吳林， 2020）。常說的梯度算子實(shí)際就是一階導(dǎo)數(shù)算子。 Canny算子不易受噪聲干擾，能檢測弱邊緣，能在噪音抑制和檢測之間取得較好的平衡。 MATLAB提供了邊緣檢測的函數(shù) edge（ I， 39。其基本思想是用一個結(jié)構(gòu)元素作為基本工具來探測和提取圖像特征 ， 看這個結(jié)構(gòu)元素是否能夠適當(dāng)有效地放入圖像內(nèi)部（熊春榮，等， 2020）。數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算有 4個：膨脹、腐蝕、開運(yùn)算和閉運(yùn)算。腐蝕具有使目標(biāo)縮小、目標(biāo)內(nèi)孔增大 ， 消除孤立噪聲的作用（王怡， 2020）。結(jié)構(gòu)元素過大會使車牌區(qū)域的邊緣點(diǎn)粘連在一起，候選車 牌區(qū)域增多，更甚者車牌區(qū)域與背景會粘連在一起，給后續(xù)的車牌候選區(qū)分析帶來困難；而若結(jié)構(gòu)元素過小，則會使車牌區(qū)域無法粘連在一起，就可能造成真正的車牌不包含在車牌候選區(qū)，以至于無法準(zhǔn)確定位（朱光忠 ， 等， 2020）。 數(shù)學(xué)形態(tài)學(xué)處理的步驟為： （ 1）利用閉運(yùn)算的性質(zhì)，選擇結(jié)構(gòu)元素 是大小為 [5， 25]的矩形，填充邊緣檢測后的圖像，使車牌區(qū)域變?yōu)檫B通域。rectangle39。rectangle39。因?yàn)樯弦淮伍]運(yùn)算用的是矩形結(jié)構(gòu)元素所以圖中剩下的都呈現(xiàn)了一定的矩形形狀，也給我們提供了一個清除的思路，就是再用一次利用矩形結(jié)構(gòu)元素進(jìn)行開運(yùn)算來清除干擾因素，只是這次選取的結(jié)構(gòu)元素大小是 [20,1]，這個矩形更像一條直線，因此會有不錯的效果，效果可見圖 11。 圖 12 形態(tài)學(xué)處理后圖像情況 1 如圖 12，還存在著一些干擾區(qū)域，但車牌區(qū)域是最明顯最大，所以我們用投影法將這個區(qū)域給提取出來。 （ 2）上下邊框確定，在起始位置分別往上往下掃描，通過一個像素閥值確定結(jié)束位置，這個像素值比較隨意，一般取 10左右即可。 圖 13 形態(tài)學(xué)處理后圖像情況 2 如圖 13的情況，用投影法就不容易找出來，所以，上一個方法判斷失敗時，還會有下一個提取方法。第一個方法減少了細(xì)小的符合寬高比的區(qū)域干擾，第二個方法則是避免了大區(qū)域的干擾，所以，結(jié)基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 14 合使用，提高識別率。改變圖片尺寸，是為了說明，同樣的圖片，由于比例的不一樣，也會引起無法識別，主要是因?yàn)榇藭r的結(jié)構(gòu)元素已經(jīng)不合適。整套方法簡單容易、快速，有效去除背景和各種噪點(diǎn)。車牌字符分割中常用的特征有 : 字符寬度、字符間距、字符中心間距、字符高度比、字符占有面積比等 ， 可以充分利用車牌照字符的這些特征為先驗(yàn)知識對牌照圖像進(jìn)行分割（焦婷婷，等， 2020）。 灰度化與上面的車牌定位的一樣，不詳述。還可以采取適當(dāng)?shù)臄?shù)學(xué)形態(tài)學(xué)處理使圖像更清晰。 （ 2）圖像中間開始，向上檢查，設(shè)定閥值，少于閥值則結(jié)束，尋到新的上邊界，向下檢查，設(shè)定閥值，少于閥值，則結(jié)束，尋到下邊界。右邊框基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 16 方法類似，只是換了起 始位置，往右掃描。切分方法是投影法，利用字符的跳變?nèi)ゴ_定每個字符的范圍，但是為了更準(zhǔn)確的分割，我們還借助了一些車牌的構(gòu)造規(guī)范的一些參數(shù)。 因?yàn)檐嚺贫际菄?yán)格按照國家標(biāo)準(zhǔn)去制造，所以盡管照片有縮放等，也存在著一定的比例規(guī)律，可以利用規(guī)范性作為行字符切割的判定條件 (陳濤 ， 等， 2020)。 圖 21 字符分割結(jié)果 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 18 本章小結(jié) 本章對上一章已經(jīng)定位好的車牌圖片進(jìn)行字符分割。 （ 2）形態(tài)學(xué)處理上的缺陷，當(dāng)照片有非常接近車牌形狀的物體時，會造成嚴(yán)重的干擾，或者，當(dāng)圖片中車牌形狀 失真或者形狀與結(jié)構(gòu)元素有較大差別時會在形態(tài)學(xué)處理上被誤認(rèn)為干擾因素而除掉。 而字符分割部分，實(shí)驗(yàn)結(jié)果分析表明準(zhǔn)確性較高，干擾較少，分割的準(zhǔn)確度與車牌定位的質(zhì)量有關(guān)，車牌 定位越準(zhǔn)確，字符分割效果越好。由于客觀條件的限制，本文對車牌定位和字符分割的算法研究處于一個初級研究，還有很多后續(xù)的工作要進(jìn)行，更基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 19 多的知識需要學(xué) 習(xí)，本人認(rèn)為有以下幾個方面還要繼續(xù)改進(jìn)： （ 1）提高形態(tài)學(xué)的適應(yīng)性，使形態(tài)學(xué)處理更合適更好，能適應(yīng)更多的情況。 （ 5）再深入了解車牌識別系統(tǒng)，把車牌識別功能做出來。)。)。%J記錄了傾斜角 qingxiejiao=90J。amp。crop39。)。)。%閉運(yùn)算 IM1=imopen(IM,strel(39。rectangle39。 Y1=zeros(y,1)。 while ((Y1(PY1,1)=10)amp。 while ((Y1(PY2,1)=10)amp。 %左右邊界 PX1=1。 end PX2=PX1+1。 end PX1=PX11。amp。amp。amp。定位結(jié)果 39。)。 for i=3:4:nu b=BoundingBox(i)/BoundingBox(i+1)。 widthY=BoundingBox(i+1)。 figure,imshow(dw)。%灰度化 h=graythresh(gd)。 %分割 Px0=1。amp。 while(((X1(1,Px1)=10)amp。((a/y)=))) Px1=Px1+1。 figure(3) subplot(1,7,i) imshow(Z4) Px0=Px1。 end Z3=Z2(:,Px0:Px1,:)。(Px1x))||((Px1x)amp。 end Px1=Px0。 y=fix(x*90/409)。%二值化 [y,x,z]=size(I1)。定位結(jié)果 39。 yb=BoundingBox(i1)。amp。 BoundingBox=[]。 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 23 STATS=regionprops(L,39。 figure(2),imshow(dw)。amp。amp。 c=(PX2PX1)/(PY2PY1)。amp。amp。(PY2y)) PY2=PY2+1。(PY11)) PY1=PY11。 end end end 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 22 %定位上下邊界 [temp MaxY]=max(Y1)。%開運(yùn)算 IM2=bwareaopen(IM2,1210)。,[4,24]))。rectangle39。 y=edge(gp,39。 figure(1),imshow(I),title(39。bilinear39。amp。 [R,xp]=radon(E,theta)。%灰度化 E=edge(gp,39。 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 20 參 考 文 獻(xiàn) 陳濤 ， 楊晨暉，青波 .基于投影和固有特征結(jié)合的車牌字符分割方法 [J].計(jì)算機(jī)技術(shù)與發(fā)展 ， 2020， 19(05): 4547. 遲曉君，孟慶春 .基于投影