【正文】 對(duì) 車牌圖像的分割和車牌數(shù)字的識(shí)別進(jìn)行了算法研究和設(shè)計(jì)，同時(shí)也對(duì)其它步驟進(jìn)行了探討。論文首先對(duì)獲取的車牌圖像進(jìn)行了預(yù)處理，包括車牌圖像增強(qiáng)、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(shè)計(jì)了 BP 網(wǎng)絡(luò)算法，最后在 MATLAB 平臺(tái)上設(shè)計(jì)實(shí)現(xiàn)了以上各種算法。 Image preprocessing。為了促使車牌識(shí)別技術(shù)的快速發(fā)展，需要對(duì)該項(xiàng)技術(shù)提出更高的要求，使得該項(xiàng)技術(shù)日益精湛。 車牌識(shí)別技術(shù)概述 隨著日益發(fā)展的計(jì)算機(jī)科技和不斷提高的硬件水平，數(shù)字識(shí)別技術(shù)以及人工智能理論的有效結(jié)合，智能車牌識(shí)別技術(shù)發(fā)展日趨完善。一個(gè)完整的車牌識(shí)別系統(tǒng)主要結(jié)構(gòu)如圖 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 2 圖 車牌識(shí)別系統(tǒng)結(jié)構(gòu)圖 車牌分割和數(shù)字識(shí)別的發(fā)展歷史和現(xiàn)狀 自 1988 年提出車牌識(shí)別（ License Plate Recognition， LPR）技術(shù)以來，人們己經(jīng)對(duì)其進(jìn)行了廣泛的研究 ，而近些年來， 車牌識(shí)別的技術(shù)發(fā)展迅速，就識(shí)別基礎(chǔ)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(shí)別的間接法和基于圖像車牌識(shí)別的直接法。早在 70 年代，國外就已經(jīng)存在自動(dòng)車牌檢測系統(tǒng)，且應(yīng)用于檢查被盜車輛的情況，車牌識(shí)別系統(tǒng)發(fā)展到今天，已經(jīng)達(dá)到較高的應(yīng)用水平。與此同時(shí)，國內(nèi)許多研究機(jī)構(gòu)和高等院校也開始對(duì)車牌識(shí)別系統(tǒng)進(jìn)行理論研究與實(shí)際開發(fā)。 在車牌識(shí)別系統(tǒng)中，車牌分割需要完成的任務(wù)是將原始圖像中的車牌區(qū)域分割出來，并將車牌字符準(zhǔn)確的切分出來。車牌識(shí)別中最關(guān)鍵的步驟就是字符識(shí)別。一個(gè)好的車牌自動(dòng)識(shí)別系統(tǒng)，關(guān)鍵就看其字符識(shí)別的性能。本文的主要內(nèi)容共分為五章，內(nèi)容安排如下：第一節(jié)緒論，概述了車牌識(shí)別技術(shù)，總結(jié)了國內(nèi)外車牌識(shí)別系統(tǒng)的發(fā)展歷史和現(xiàn)狀，介紹了車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用，最后簡述了本文的主要內(nèi)容與結(jié)構(gòu)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(yù)處理的基本算法，包括灰度話、二值化、濾波、增強(qiáng)、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(xué)院 畢業(yè)設(shè)計(jì)（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(gè)部分。受自然等客觀條件的影響，需要對(duì)車牌進(jìn)行預(yù)處理，以便提高車牌的識(shí)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(jī)、數(shù)碼相機(jī)等拍攝設(shè)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(gè)像素的三個(gè)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(duì)比度。這時(shí)可以采取灰度變換增強(qiáng)灰度變化范圍，豐富灰度層次，以達(dá)到增強(qiáng)圖像 對(duì)比度的目的。 圖像的 tophat 變換對(duì)增強(qiáng)目標(biāo)區(qū)域，隱藏背景細(xì)節(jié)有很大用處，最初的命名是由于使用了帶有一個(gè)平頂?shù)膱A柱形或平行六面體形的結(jié)構(gòu)元素。即得到的圖像只有 0 和 1 兩個(gè)灰度級(jí)，常規(guī)是將目標(biāo)區(qū)設(shè)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(duì)車牌字符分割前，會(huì)對(duì)圖像進(jìn)行二值化處理。 常用的濾波方法有空間域?yàn)V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(jì)算不是加權(quán)求和，當(dāng)其像素點(diǎn)數(shù)為奇數(shù)時(shí)，則將該領(lǐng)域內(nèi)的像素按其灰度值排序，再去其中間值作為領(lǐng)域中心像素點(diǎn)的輸出值；當(dāng)其像素點(diǎn)數(shù)為偶數(shù)時(shí)，取排序后的中間兩個(gè)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(yán)重的區(qū)域，傳統(tǒng)的邊緣檢測通常是通過計(jì)算圖像中像素的梯度值來確定邊緣點(diǎn)。其中拉普拉斯的運(yùn)算公式為： 222 22),(yxffyxf ??????? （ 24） 拉普拉斯算子同樣是借助模板實(shí)現(xiàn)，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(duì)噪聲非常的敏感，也就是說必然會(huì)在計(jì)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(fù)雜，光照不均，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整 個(gè)牌照是別的關(guān)鍵。微定位技術(shù)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(shí)際的車牌獲取過程中，通常是由道路某側(cè)或上方的攝像機(jī)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(shù)。用二維函數(shù) ),( yxG 表示原始圖像坐標(biāo)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(shù)， T=180176。坐標(biāo)變換的公式如（ 29）所示： ??? ??? ?? ?? ?? c o ss in39。,( x? 的峰值，可根據(jù)橫坐標(biāo)和縱坐標(biāo)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(shè)車牌的高度為 height，寬度為 width。從左向右掃描經(jīng)過預(yù)處理后的車牌圖像，記第一個(gè)大于閾值 threshold 1 的列為漢字的開始位置 S，記第一個(gè)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(gè)數(shù)小于閾值的列，設(shè)為車牌的漢字字符的結(jié)束列。如此重復(fù)的下去，直到字符全 南湖學(xué)院 畢業(yè)設(shè)計(jì)（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(gè)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(gè)牌照?qǐng)D像按線性比例放大或縮小到標(biāo)準(zhǔn)?？斓拇笮?。自 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(shí)別已經(jīng)發(fā)展到可以識(shí)別出手寫字體。由前文可知，車牌識(shí)別系統(tǒng)中最為關(guān)鍵的 技術(shù)是字符識(shí)別，字符識(shí)別中的主要指標(biāo)是識(shí)別率和識(shí)別時(shí)間。一般情況下，國內(nèi)輕型車所使用的是藍(lán)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(nèi)最為常見的車牌。所以車牌的額構(gòu)造大體為“ 65432 11 XXXXXXS ”的車牌中，其中 1S 代表著省級(jí)行政區(qū)（漢字）的集合，可能出現(xiàn)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(gòu)成的集合時(shí)出 I 以外的 25 個(gè)字母 {A， B，C… }； 32XX 可能是數(shù)字也可能是字母，所以有 34 個(gè)字符構(gòu)成 {0， 1， … ， 9， A， B， … Z}；654 XXX 只可能是數(shù)字，所以可能的集合時(shí) {0， 1， 2， … ， 9}。 BP 網(wǎng) 絡(luò)的設(shè)計(jì)主要包括了輸入層、隱層、輸出層以及各層之間的傳輸函數(shù)的設(shè)計(jì)。這需要我們不斷地改變訓(xùn)練方法，從而找到比 BP 網(wǎng)絡(luò)更適合字符識(shí)別的神經(jīng)網(wǎng)絡(luò)，以便提高字符識(shí)別的精度、準(zhǔn)確率以及時(shí)間。 MATLAB 在圖形用戶界面（ GUI）的制作上做了較大的調(diào)整，使得即使在這方面有特殊要求的用戶也可以得到相應(yīng)的滿足 [23]。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（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(diǎn) 累 計(jì) 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(biāo) 準(zhǔn) 字 符保 存 該 字 符將 剩 余 部 分 保 存并 覆 蓋 原 先 圖 像字 符 個(gè) 數(shù)是 否 為 7結(jié) 束YNYN 圖 車牌分割流程圖 程序設(shè)計(jì) 主要代碼： %ex1505 clc clear filename=39。 %預(yù)處理 I_edge=zeros(height,width)。 %%%%%%調(diào)用 select 函數(shù) 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(diào)整 if 條件中的比例 %%%需要調(diào)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(chǔ)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(jīng)網(wǎng)絡(luò)方法 ，神經(jīng)網(wǎng)絡(luò)可以分為： 反向反饋型網(wǎng)絡(luò)模型、自組織型網(wǎng)絡(luò)模型和隨機(jī)型網(wǎng)絡(luò)模型 、 前向反饋型 (BP)網(wǎng)絡(luò)模型 等幾種模式。)。)。 out(:,t) = charvec。 %建立神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)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(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，對(duì)該識(shí)別算法的識(shí)別率統(tǒng)計(jì)結(jié)果如表 41 所示： 表 41 識(shí)別率 數(shù)據(jù)統(tǒng)計(jì) 正確識(shí)別率 樣本數(shù) =5 樣本數(shù) =10 樣本數(shù) =15 % % % 由于受到時(shí)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(duì)于一些比較相似的字符識(shí)別產(chǎn)生失誤，例如“ 8”與“ B”，“ 7”與“ 2”，“ 1”與“ I”等。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 31 5 總結(jié)與展望 總結(jié) 車牌識(shí)別技術(shù)是智能交通管理中最為關(guān)鍵的技術(shù)之一，與此同時(shí)，車牌識(shí)別的技術(shù)和方法也在其他檢測、識(shí)別領(lǐng)域也發(fā)揮著它重要的作用。該分類器由 3 個(gè)子 BP 神經(jīng)網(wǎng)絡(luò)組成，即漢字網(wǎng)絡(luò)、字母網(wǎng)絡(luò)以及字母數(shù)字網(wǎng)絡(luò)。 展望 車牌識(shí)別技術(shù)是基于數(shù)字圖像 處理和模式識(shí)別高度融合的一項(xiàng)技術(shù)，同時(shí)也是智能交通的一個(gè)重點(diǎn)、難點(diǎn)。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 32 參考文獻(xiàn) [01] 張方櫻，巢佰崇，陳雪豐．車牌自動(dòng)識(shí)別系統(tǒng) [J]．武漢大學(xué)， 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(shù)學(xué)院學(xué)報(bào)， 2020， 6(4)： 3335． [03] 林立，何為，韓力群，汽車牌照自動(dòng)識(shí)別技術(shù)的現(xiàn)狀與發(fā)展 [J]．北京輕工業(yè)學(xué)院學(xué)報(bào)， 2020，19(l)： 3640． [04] 袁卉平．基于 MATLAB 的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與研究 [J]．廣西：廣西工學(xué)院工業(yè)控制計(jì)算機(jī)，2020． [05] 胡小峰，趙輝． Visual Ｃ ++/MATLAB 圖像處理與識(shí)別案例精選 [M]．人民郵電出版社， 2020． 58－ 81． [06] 許錄平