【正文】 location_of_1(i,1)+location_of_1(i,2)。 b=i。 %坐標(biāo)值修正 x2=last_point(1)4。 g_max=double(max(max(I_plate)))。 subplot(3,2,5),imshow(I_plate)。) %最終車牌 X=[]。 flag=logical(sum_y)。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。 figure,imshow(I_plate),title(39。 T=round(g_max(g_maxg_min)/3)。 y2=last_point(2)4。 %和最小的點(diǎn)為車牌的左 上角 last_point=location_of_1(b,:)。 a=i。 end end end mini=inf。 for i=1:size(I_final,1) %尋找二值圖像中白的點(diǎn)的位置 for j=1:size(I_final,2) if I_final(i,j)==1。形態(tài)濾波后圖像 39。填充后圖像 39。rectangle39。 subplot(3,2,4),imshow(I_erode),title(39。 se=[1。)?；叶葓D像 39。原始圖像 39。39。 在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年已經(jīng)出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的人工選取合適的算法和其他指標(biāo)已經(jīng)不能取得很好 的結(jié)果。 通過(guò)本次車牌識(shí)別的設(shè)計(jì)，我也對(duì)數(shù)字圖像處理技術(shù)的原理及 MATLAB 編程技術(shù)有了更進(jìn)一步的了解。 對(duì)于識(shí)別錯(cuò)誤情況的分析得到，主要原因有以下幾點(diǎn)： （ 1） 汽車牌照上外界干擾，如在牌照周圍添加飾物； （ 2） 采用不同的邊緣檢測(cè)算子將會(huì)使牌照字符的分割失敗，導(dǎo)致識(shí)別錯(cuò)誤； （ 3） 某些字符具有相似性，字符識(shí)別結(jié)果可能發(fā)生混淆的情況。由于車牌采集的信息都是些彩色圖片，含有大量的數(shù)據(jù)信息，因此我們還要對(duì)其進(jìn)行灰度化處理。,char))。 end index=find(Compare==(min(Compare)))。))。chaamp。 %創(chuàng)建字母與數(shù)字識(shí)別模板庫(kù) for i=2:7 for j=1:34 Im=eval(strcat(39。839。639。439。239。Z39。X39。V39。T39。R39。P39。M39。L39。J39。G39。E39。C39。A39。 Compare(j)=sum(sum(abs(Differ)))。.jpg39。 %創(chuàng)建漢字識(shí)別模板庫(kù) for j=1:15 Im=Char_1。晉 39。吉 39。蘇 39。藏 39。皖 39。湘 39。瓊 39。 程序分析 char=[]。所以建立字符模板庫(kù)也極為方便。由于我們制作的模板是 32*16 像素點(diǎn)的規(guī)格，為了方便后面的模板匹配，我們就將分割的圖片進(jìn)行 32*16 像素點(diǎn)的歸一化處理，最后結(jié)果如圖 44 所示。39。 %歸一化為 32*16 的大小，以便模板匹配 eval(strcat(39。imshow(char)。 %進(jìn)行粗分割 for i=1:size(char,1) %這兩個(gè) for 循環(huán)對(duì)分割字符的上下進(jìn)行裁剪 if sum(char(i,:))~=0 top=i。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。如圖 43 所示 24 字符分割 此部分是將前面分割出的車牌的 7 個(gè)字符分割出來(lái)，其過(guò)程是 從左向右像按 列 計(jì)算每一列之和，沒(méi)有白點(diǎn)的列和為 0，有白 點(diǎn)的列和非零，轉(zhuǎn)換為邏輯 1，記錄下所有列和在 0 與 1 轉(zhuǎn)換的列，即為需要切割的列，共有 14 列，可切出 7 個(gè)字符。 figure,imshow(I_plate),title(39。 T=round(g_max(g_maxg_min)/3)。 y2=last_point(2)4。 %和最小的點(diǎn)為車牌的左上角 last_point=location_of_1(b,:)。 a=i。 end end end mini=inf。 for i=1:size(I_final,1) %尋找二值圖像中白的點(diǎn)的位置 for j=1:size(I_final,2) if I_final(i,j)==1。 22 牌照定位 觀察經(jīng)過(guò)預(yù)處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形圖樣，通過(guò)對(duì)矩形區(qū)域的定位即可獲得具體的車牌位置。 對(duì)其實(shí)現(xiàn)閉運(yùn)算如圖 42（ c）， 先膨脹后腐蝕的過(guò)程稱為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。sobel39。經(jīng)過(guò)一階的導(dǎo)數(shù)的邊緣檢測(cè)，所求的一階導(dǎo)數(shù)高于某個(gè)閾值，則確定該點(diǎn)為邊緣點(diǎn)，這樣會(huì)導(dǎo)致檢測(cè)的邊緣點(diǎn)太多。形態(tài)濾波后圖像 39。)。 I_close=imclose(I_erode,se)。)。 I_erode=imerode(I_edge,se)。)。)。 19 車牌圖像預(yù)處理 車牌圖像的預(yù)處理包括了邊緣檢測(cè)、對(duì)邊緣圖像進(jìn)行腐蝕、再對(duì)其進(jìn)行閉運(yùn)算、最后濾波移除小對(duì)象?；叶葓D像 39。)。)。 車牌圖像灰度化首先將通過(guò) MATLAB 將原始圖片通過(guò)函數(shù) imread 讀入并且輸出如圖 41（ a） 所示 ， 然后對(duì)讀入的圖像通過(guò) rgb2gray 進(jìn)行 灰度處理如圖 41（ b） 所示。 圖 33 車牌識(shí)別系統(tǒng)字符識(shí)別流程圖 識(shí)別完成，輸出此模板對(duì)應(yīng)值 讀取分割且歸一化的出來(lái)的字符 將切割字符與模板庫(kù)進(jìn)行模板匹配 待識(shí)別字符與模板字符相減，值越小相似度越大，找到最小的一個(gè)即為匹配的最好的 建立識(shí)別樣本庫(kù) 17 4 運(yùn)用 MATLAB 實(shí)現(xiàn)車牌識(shí)別 本次設(shè)計(jì)使用 640*480 的彩色 JPG 格式圖片，以 MATLAB 軟件為平臺(tái)，采用編寫代碼程序?qū)崿F(xiàn)車牌定位、車牌字符分割、車牌字符識(shí)別。 本文采用 基于模板匹配的字符識(shí)別 ，它 的基本過(guò)程是：首先我們要建立字符識(shí)別樣本庫(kù)，然后把歸一化的字符圖像與模板中的字符相減， 找到差別點(diǎn)最少的模板為對(duì)應(yīng)模板。 模板匹配是 字符 識(shí)別方法中最具代表性的基本方法之一， 模板匹配的方法是 從圖像區(qū)域 (, )f i j 或待識(shí)別的圖像中提取 出 若干特征量 ，在逐個(gè)比較提取出的特征量 與模板(, )Ti j 相應(yīng)的特征量，計(jì)算它們之間的互相關(guān)量，其中期間相似程度最高 就是 互相關(guān)量最大的一個(gè)， 這樣就可以將圖像分為很多類型 。模板圖像和待測(cè)圖像的相關(guān)測(cè)度計(jì)算式為 11001 1 1 1220 0 0 0( , ) ( , )( , )( , ) ( , )MMiiM M M Mi j i jg i j f k i l jL k lg i j f k i l j????? ? ? ?? ? ? ????????? ? ? ? （ 313） 上式對(duì)互相關(guān)進(jìn)行了歸一化，這在多目標(biāo)的檢測(cè)中，有利于多個(gè)模板互相關(guān)結(jié)果的比較和判斷。它們?cè)?D上的差值測(cè)度有如下三種計(jì)算方式： ( , )m a x | ( , ) ( , ) |x y DL f x y g x y??? （ 310） | ( , ) ( , ) |DL f x y g x y d x d y???? （ 311） 2[ ( , ) ( , ) ]DL f x y g x y d x d y???? （ 312） 采用以上三種方式計(jì)算出的結(jié)果越小，說(shuō)明模板和子區(qū)域相似程度越高。匹配可以在空域中進(jìn)行，也可以在頻率域等變換域進(jìn)行；在空域中進(jìn)行匹配的是目標(biāo)圖像本身，在變換域進(jìn)行匹配的是目標(biāo)的一些特征量。是把根據(jù)已知模式到另外一幅圖中尋找相應(yīng)模式的處理方法就叫做模板匹配。它 的理論依據(jù)是 數(shù)學(xué)上的決策理論， 而且統(tǒng)計(jì)識(shí)別的 統(tǒng)計(jì)學(xué)識(shí)別模型 都是根據(jù)數(shù)學(xué)上的決策理論建立的 。 70 年代主要研究文字識(shí)別的基本理論和研制高性能的文字識(shí)別機(jī)，并著 14 重于漢字識(shí)別的研究 [18]。為了減輕人們的勞動(dòng)，提高處理效率， 50年代開(kāi)始探討一般字符識(shí)別方法，并研制出光學(xué) 字符 識(shí)別器。歸一化處理的目的就是使車牌字符同標(biāo)準(zhǔn)模塊里面的字符特征一樣。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。 二值化的處理過(guò)程是通過(guò)閾值化對(duì)圖像進(jìn)行處理的 [17]。不同的閾值設(shè)定方法對(duì)一幅圖像進(jìn)行處理會(huì)產(chǎn)生不同的二值化處理結(jié)果。二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像，每一個(gè)像素取兩個(gè)離散數(shù)值（ 0 或 1），其中 0 代表黑色， 1 代表白色。一般情況下，這些噪聲在研究對(duì)象中一般都是無(wú)用的信息，而且還會(huì)對(duì)研究對(duì)象造成干擾，極大降低了圖像質(zhì)量，影響圖像分割、圖像識(shí)別等后繼工作的進(jìn)行。 使用同一結(jié)構(gòu)元素對(duì)圖像先進(jìn)行膨脹運(yùn)算，然后對(duì)結(jié)果進(jìn)行腐蝕運(yùn)算的運(yùn)算方法成為閉運(yùn)算，閉運(yùn)算的符號(hào)為 ? 。膨脹運(yùn)算會(huì)使圖像的區(qū)域進(jìn)行擴(kuò)張。 形態(tài)學(xué)圖像處理 數(shù)學(xué)形態(tài)學(xué)以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。通常，一個(gè)核對(duì)垂直邊緣響應(yīng)最大，而另一個(gè)核則對(duì)水平邊緣響應(yīng)最大 ， 兩個(gè)卷積的最大值作為該點(diǎn)的輸出值 ， 運(yùn)算結(jié)果是一幅邊緣幅度圖像。 其中邊緣檢測(cè)的算子有很多，如 Roberts 算子、 Sobel 算子、Prewitt 算子、 Zerocross 算子、 Log 算子 以及 Canny 算子 。圖像中每一個(gè)像素的顏色值（由 RGB 三 原色表示）直接存放在圖像矩陣中，由于每一像素的顏色需由 R、 G、 B 三個(gè)分量來(lái)表示，因此 RGB 圖像的圖像矩陣與其他類型的圖像矩陣不同，是一個(gè)三維矩陣，可用 MN3 表示， M、 N 分別表示圖像的行、列數(shù)，三個(gè) M N 的二維矩陣分別表示各個(gè)像素的 R、 G、 B 三個(gè)顏色分量。二值圖像通常用于文字、線條圖的掃描識(shí)別（ OCR）和掩模圖像的存儲(chǔ)?；叶葓D像矩陣元素的取值范圍通常為 [0,255]，因此其數(shù)據(jù)類型一般為 8 位無(wú)符號(hào)整數(shù)，這就是人們經(jīng)常提到的 256 級(jí)灰度圖像。 第三步是對(duì)前面分割出的字符進(jìn) 行識(shí)別，運(yùn)用的是模板匹配字符識(shí)別算法，這過(guò)程是 把切割出的字符與庫(kù)里的漢字和字符的模板做減法運(yùn)算，找到差別點(diǎn)最少的模板為對(duì)應(yīng)模板，輸出該模板對(duì)應(yīng)的字符，最后識(shí)別出車牌。汽車牌照識(shí)別的第一步首先要通過(guò)圖像預(yù)處理（邊緣檢測(cè)、腐蝕、填充、濾波）之后正確的從原始圖像中分割出車牌區(qū)域， 其過(guò)程是將灰度圖像以 sobel 算子檢測(cè)邊緣；再對(duì)邊緣圖像進(jìn)行腐蝕，去除掉細(xì)的，間斷的邊緣；對(duì)剩下的區(qū)域進(jìn)行閉合以填充圖像，此時(shí)車牌區(qū)域形成了一個(gè)大的連通域；在調(diào)用 bwareaopen 函數(shù)去掉小的連通域，此時(shí)整個(gè)二值圖像只剩下了車牌區(qū)域。 BMP、 HDF、 JPEG、 PCX、TIFF、 XWD 等格式 都是 可以在 MATLAB 中進(jìn)行操作的圖像文件 格式 [9]。 MATLAB 的圖像處理工具箱提供了一整套用于圖像處理、分析、可視化和算法開(kāi)發(fā)的工具。在 MATLAB 中大多數(shù)圖像用二維數(shù)組double（ 64 位）浮點(diǎn)型、或 uint8（ 8 位無(wú)符號(hào)整數(shù)）、 uint16（ 16 位無(wú)符號(hào)整數(shù)）存儲(chǔ)的，以減少圖像的存儲(chǔ)量。 圖像數(shù)字化儀 圖像顯示設(shè)備 圖像處理計(jì)算機(jī) 7 MATLAB 是一種基于向量（數(shù)組）而不是標(biāo)量的高級(jí)語(yǔ)言，因而從本質(zhì)上就提供了對(duì)圖像的支持。 圖 21 數(shù)字圖像處理 MATLAB 在數(shù)字圖像處理中的應(yīng)用 MATLAB 軟件是 matrixamp。數(shù)字圖像處理系統(tǒng)基本由三個(gè)部分組成：計(jì)算機(jī)、圖像數(shù)字化儀和圖像顯示設(shè)備。數(shù)字化坐標(biāo)值稱為取樣，它確 6 定了圖像的空間分辨率；數(shù)字化幅度值稱為量化，它確定了圖像的幅度分辨率。 一般情況下只考慮平面、單色、靜止圖像，此時(shí)圖像可表示為一個(gè)二維函數(shù)： ( , )I f x y? （ 21） 數(shù)字圖像及其表示 傳統(tǒng)意義上的圖像是連續(xù)的，即式（ 21）中的 x y f、 、 是連續(xù)的，表示的物體輻射能量在空間上的連續(xù)分布，連續(xù)圖像也稱為模擬圖像。因此，數(shù)字圖像可以理解為圖像的數(shù)字表示，是空間和時(shí)間的非連續(xù)函數(shù)（信號(hào)），是為了便于計(jì)算機(jī)處理的一種圖像表示形式。在其自然的形式下，圖像并不能直接由計(jì)算機(jī)進(jìn)行分析。 第 3章主要簡(jiǎn)述了車牌識(shí)別技術(shù)的原理以及 基于 MATLAB的車牌識(shí)