【正文】 對 車牌圖像的分割和車牌數字的識別進行了算法研究和設計，同時也對其它步驟進行了探討。論文首先對獲取的車牌圖像進行了預處理，包括車牌圖像增強、車牌區(qū)域提取、車牌幾何校正以及車牌字符分割和歸一化，然后設計了 BP 網絡算法，最后在 MATLAB 平臺上設計實現了以上各種算法。 Image preprocessing。為了促使車牌識別技術的快速發(fā)展，需要對該項技術提出更高的要求，使得該項技術日益精湛。 車牌識別技術概述 隨著日益發(fā)展的計算機科技和不斷提高的硬件水平，數字識別技術以及人工智能理論的有效結合，智能車牌識別技術發(fā)展日趨完善。一個完整的車牌識別系統(tǒng)主要結構如圖 所示： 南湖學院 畢業(yè)設計（論文） 2 圖 車牌識別系統(tǒng)結構圖 車牌分割和數字識別的發(fā)展歷史和現狀 自 1988 年提出車牌識別（ License Plate Recognition， LPR）技術以來，人們己經對其進行了廣泛的研究 ，而近些年來， 車牌識別的技術發(fā)展迅速，就識別基礎而言，主要可以分為基于 IC(即無線電頻率鑒別（ REID） )或是 基于條碼識別的間接法和基于圖像車牌識別的直接法。早在 70 年代，國外就已經存在自動車牌檢測系統(tǒng)，且應用于檢查被盜車輛的情況，車牌識別系統(tǒng)發(fā)展到今天，已經達到較高的應用水平。與此同時，國內許多研究機構和高等院校也開始對車牌識別系統(tǒng)進行理論研究與實際開發(fā)。 在車牌識別系統(tǒng)中，車牌分割需要完成的任務是將原始圖像中的車牌區(qū)域分割出來，并將車牌字符準確的切分出來。車牌識別中最關鍵的步驟就是字符識別。一個好的車牌自動識別系統(tǒng)，關鍵就看其字符識別的性能。本文的主要內容共分為五章，內容安排如下：第一節(jié)緒論，概述了車牌識別技術，總結了國內外車牌識別系統(tǒng)的發(fā)展歷史和現狀，介紹了車牌分割和數字識別在車牌識別中的作用，最后簡述了本文的主要內容與結構安排；第二節(jié)車牌分割方法的研究，首先介紹了車牌獲取的方法，接下來簡述了車牌預處理的基本算法，包括灰度話、二值化、濾波、增強、邊緣檢測等，然后 是車牌分割的基本步驟，最后介紹了歸一化處理。 南湖學院 畢業(yè)設計（論文） 4 2 車牌分割方法 車牌獲取 車牌獲取即圖像采集部分，大體分為檢測和成像 兩個部分。受自然等客觀條件的影響，需要對車牌進行預處理，以便提高車牌的識別率。 灰度化 目前，我國車牌的原始圖像采集，由于基本上都是通過攝像機、數碼相機等拍攝設備拍攝獲取，所以一般情況下，原始圖像為彩色圖像。由于灰度化后，每一個像素的三個分量都是均等的，解決可彩色圖像中顏色差異的問題，只存在亮度上的差異。成像系統(tǒng)有它一定的亮度范圍，亮度最大值與其最小值之比稱為對比度。這時可以采取灰度變換增強灰度變化范圍，豐富灰度層次，以達到增強圖像 對比度的目的。 圖像的 tophat 變換對增強目標區(qū)域，隱藏背景細節(jié)有很大用處，最初的命名是由于使用了帶有一個平頂的圓柱形或平行六面體形的結構元素。即得到的圖像只有 0 和 1 兩個灰度級，常規(guī)是將目標區(qū)設為 1，背景區(qū)為 0，這樣就可以得到我們所說的二值圖像。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不疊交的區(qū)域。所以一般情況下，在對車牌字符分割前，會對圖像進行二值化處理。 常用的濾波方法有空間域濾波和同態(tài)濾波兩種，其中空間濾波又分為三種：平滑濾波、中值濾波、高通濾波。與平滑濾波不同的是，它的計算不是加權求和，當其像素點數為奇數時，則將該領域內的像素按其灰度值排序，再去其中間值作為領域中心像素點的輸出值；當其像素點數為偶數時，取排序后的中間兩個像素灰度值的平均值作為輸出值 [11]。由于邊緣是圖像灰度變化最嚴重的區(qū)域，傳統(tǒng)的邊緣檢測通常是通過計算圖像中像素的梯度值來確定邊緣點。其中拉普拉斯的運算公式為： 222 22),(yxffyxf ??????? （ 24） 拉普拉斯算子同樣是借助模板實現，其中最為常見的模板如下： 010141010 111181111 （ 25） 上 文所提到的幾種邊緣檢測算子都對噪聲非常的敏感，也就是說必然會在計算的過程中加大噪聲的成分。在自然環(huán)境下，原始圖像采集背景復雜，光照不均，在自然背景中準確地確定牌照區(qū)域是整 個牌照是別的關鍵。微定位技術包括三部分 :(1)橫向定位；（ 2）縱向定位；（ 3）微定位。 幾何校正 在實際的車牌獲取過程中，通常是由道路某側或上方的攝像機拍攝所得。其檢測公式如下： ?????????，車牌傾斜，車牌水平22331iikkinn （ 27） 其中， in 表示第 i 行的 0、 255 的跳躍次數。用二維函數 ),( yxG 表示原始圖像坐標為（ x,y）的像素值，某方向上的投影可用該方向上的積分表示。,s i n39。,( xR? 為 ? 的周期函數， T=180176。坐標變換的公式如（ 29）所示： ??? ??? ?? ?? ?? c o ss in39。,( x? 的峰值，可根據橫坐標和縱坐標確定一條直線。去除車牌字符上下邊界以外的區(qū)域，之后設車牌的高度為 height，寬度為 width。從左向右掃描經過預處理后的車牌圖像，記第一個大于閾值 threshold 1 的列為漢字的開始位置 S，記第一個小于閾值 threshold 1 的列為 H ，比較這兩列的寬度 HS 與 threshold 2 的大小直到找到與 S 列相差的寬度大于 threshold 2 且滿足像素值為 255 的像素的個數小于閾值的列，設為車牌的漢字字符的結束列。如此重復的下去，直到字符全 南湖學院 畢業(yè)設計（論文） 10 部分割出來為止。由于大小歸一化值得是長度和寬度上分別乘以某個比例因子，使其大小與模塊中的字符大小一致，大 小歸一化最為常用的方法是將整個牌照圖像按線性比例放大或縮小到標準?？斓拇笮　Ｗ?50 年代后，人們開始研究印刷體字符，隨著算法的日益完善，到 80 年代末 90 年代初字符識別已經發(fā)展到可以識別出手寫字體。由前文可知，車牌識別系統(tǒng)中最為關鍵的 技術是字符識別，字符識別中的主要指標是識別率和識別時間。一般情況下，國內輕型車所使用的是藍底白字車牌，常常用于一些中小型 的民用汽車，也是目前國內最為常見的車牌。所以車牌的額構造大體為“ 65432 11 XXXXXXS ”的車牌中，其中 1S 代表著省級行政區(qū)（漢字）的集合，可能出現的漢字集合為 {湘，蘇，皖，京 … }；1X 為車牌所在地的英文字母代碼的集合，構成的集合時出 I 以外的 25 個字母 {A， B，C… }； 32XX 可能是數字也可能是字母，所以有 34 個字符構成 {0， 1， … ， 9， A， B， … Z}；654 XXX 只可能是數字，所以可能的集合時 {0， 1， 2， … ， 9}。 BP 網 絡的設計主要包括了輸入層、隱層、輸出層以及各層之間的傳輸函數的設計。這需要我們不斷地改變訓練方法，從而找到比 BP 網絡更適合字符識別的神經網絡，以便提高字符識別的精度、準確率以及時間。 MATLAB 在圖形用戶界面（ GUI）的制作上做了較大的調整，使得即使在這方面有特殊要求的用戶也可以得到相應的滿足 [23]。 南湖學院 畢業(yè)設計（論文） 16 算法流程 開 始車 牌 二 值 圖 像切 除 周 邊 空 白垂 直 投 影從 左 往 右 查 找 ， 垂 直 投 影 白 色像 素 點 累 計 小 于 1 0 的 值 的 w i d e以 水 平 區(qū) 域 （ 0， w i d e ） 剪 切 出判 斷 是 否 為標 準 字 符保 存 該 字 符將 剩 余 部 分 保 存并 覆 蓋 原 先 圖 像字 符 個 數是 否 為 7結 束YNYN 圖 車牌分割流程圖 程序設計 主要代碼： %ex1505 clc clear filename=39。 %預處理 I_edge=zeros(height,width)。 %%%%%%調用 select 函數 BW2 = I_edge。 IM2=imerode(BW2,SE)。h39。v39。 p_h=find(((p_h(1:end1)p_h(2:end))~=0))。 len_v=length(p_v)/2。 k=k+1。))。 p_ratio(i)=(p{i}(4)p{i}(3))/(p{i}(2)p{i}(1))。 for i=1:k1 %%%需要調整 if 條件中的比例 %%%需要調整 %檢查是否滿足合并條件 if(abs(p{i}(1)+p{i}(2)p{i+1}(1)p{i+1}(2))=height/30amp。 p{i+1}(3)=min(p{i}(3),p{i+1}(3))。 end end %如果有合并，求出合并后最終區(qū)域 if(n0) d_ncount=ncount(2:n+1)ncount(1:n)。 for i=1:m pp{i}=p{ncount(index(i))}。 %更新區(qū)域比例記錄 clear pp。T=*max(p_ratio)。 end end p=p1。clear x。原始圖像 39。) figure(3) imshow(IM3)。 index=p{i}。) end %存儲車牌圖像 if(k==1) imwrite(I(index(1)2:index(2),index(3):index(4)),39。本文所用到的是 人工神經網絡方法 ，神經網絡可以分為： 反向反饋型網絡模型、自組織型網絡模型和隨機型網絡模型 、 前向反饋型 (BP)網絡模型 等幾種模式。)。)。 out(:,t) = charvec。 %建立神經網絡并對其進行訓練 = mycreatenn(P,T)。 for t=1:7 for t2=1:5 Atemp=sum(bw_7050((t*109:t*10),(t2*109:t2*10)))。 %%%%%%%%%%%%%%%%%%%% function img = myimgpreprocess(I) Igray = rgb2gray(I)。square39。holes39。 Ibox = []。 Ic = Ic39。 for t = 1:5 Ic2((t1)*10+1:t*10,:) = sortrows(Ic2((t1)*10+1:t*10,:),4)。 end %%%%%%%%%%%%%%%%%%%%%% function bw2 = myimgcrop(bw) [y2temp x2temp] = size(bw)。 y2=y2temp。 end tB=1。 while (sum(bw(:,tB))==y2temp) x2=x21。 tB=tB1。 [R,Q] = size(alphabet)。logsig39。traingdx39。 = 39。 = 5000。 [,tr] = train(,P,T)。在 BP 神經網絡的訓練過程中，對該識別算法的識別率統(tǒng)計結果如表 41 所示： 表 41 識別率 數據統(tǒng)計 正確識別率 樣本數 =5 樣本數 =10 樣本數 =15 % % % 由于受到時間以及其他一些客觀條件的限制，本次樣本的正確率約 87%，且對于一些比較相似的字符識別產生失誤，例如“ 8”與“ B”，“ 7”與“ 2”，“ 1”與“ I”等。 南湖學院 畢業(yè)設計（論文） 31 5 總結與展望 總結 車牌識別技術是智能交通管理中最為關鍵的技術之一，與此同時，車牌識別的技術和方法也在其他檢測、識別領域也發(fā)揮著它重要的作用。該分類器由 3 個子 BP 神經網絡組成，即漢字網絡、字母網絡以及字母數字網絡。 展望 車牌識別技術是基于數字圖像 處理和模式識別高度融合的一項技術，同時也是智能交通的一個重點、難點。 南湖學院 畢業(yè)設計（論文） 32 參考文獻 [01] 張方櫻，巢佰崇，陳雪豐．車牌自動識別系統(tǒng) [J]．武漢大學， 2020， 3(3)： 4950． [02] 歐陽文衛(wèi)，羅三定，車牌定位算法研究 [J]．湖南工業(yè)職業(yè)技術學院學報， 2020， 6(4)： 3335． [03] 林立，何為，韓力群，汽車牌照自動識別技術的現狀與發(fā)展 [J]．北京輕工業(yè)學院學報， 2020，19(l)： 3640． [04] 袁卉平．基于 MATLAB 的車牌識別系統(tǒng)的設計與研究 [J]．廣西：廣西工學院工業(yè)控制計算機，2020． [05] 胡小峰，趙輝． Visual Ｃ ++/MATLAB 圖像處理與識別案例精選 [M]．人民郵電出版社， 2020． 58－ 81． [06] 許錄平