【正文】 包括系統(tǒng)的算 南湖學(xué)院畢業(yè)設(shè)計（論文）4法流程、程序設(shè)計，并給出了設(shè)計的仿真結(jié)果與分析。當(dāng)機動車輛在路過預(yù)先設(shè)置好的攝像頭并達(dá)到觸發(fā)條件，攝像頭即可拍攝出原始圖像，圖像采集卡將所拍攝的圖像從視頻信號轉(zhuǎn)化為數(shù)字信號傳輸?shù)接嬎銠C中，這就完成了車牌的獲取過程。 車牌預(yù)處理照片拍攝的好壞受許多外界因素決定， 例如光照強度因素，晴天與陰天所拍攝的照片質(zhì)量是不一樣，白天和晚上所拍攝的照片質(zhì)量更是不同；再比如說，車輛行駛速度因素，行駛慢的原始圖像會比行駛快的原始圖像質(zhì)量要好一些，此外，過快的車速，會導(dǎo)致照片的字跡模糊不清，這也就必定在一定程度上影響著字符識別率。因而，我們需要對原始圖像進(jìn)行灰度化，以便減小圖像占用的存儲空間。另外，我們也可以采用加權(quán)系數(shù)對圖像進(jìn)行灰度化，常用到的灰度化公式： （21）BGRI ***29. ??其中 I 為灰度化之后的像素值，R、G、B 分別為紅、綠、藍(lán)的像素。因此，研究者常常通過灰度變換和直方圖均衡化來增強對比度，以改善視覺效果。為了克服上述問題，本文采用灰度信息與背景信息相結(jié)合的局部灰度修正增強方法，其基本原理是將原圖像的灰度和背景圖像區(qū)域相減，實現(xiàn)圖像的增強，即所謂的形態(tài)學(xué) tophat 變換[9] 。但在車 南湖學(xué)院畢業(yè)設(shè)計（論文）7牌識別時，我們需要徹底的從原始圖像中分離出目標(biāo)。 為選定的閾值。從二值圖像可以得到圖像中對象物的形狀特征的主要信息。由于圖像的質(zhì)量被噪聲所惡化，導(dǎo)致圖像模糊不清，甚至連圖像的本身特征都會被淹沒或改變，這給圖像的分析與識別帶來了較大的困難。這種方法簡單，且處理速度快，但在降低噪聲的同時使圖像產(chǎn)生了模糊，尤其是在邊緣與細(xì)節(jié)處。高通濾波的效果也可以通過原始圖像減去低通圖像得到，這種方法稱為非銳化掩模法。拉斯算子前幾種算子都是通過計算一階導(dǎo)數(shù)來檢測邊緣，但這幾種算子導(dǎo)致檢測到的邊緣點過多，不利于后期處理。這種檢測方法需要用高斯函數(shù)對圖像進(jìn)行平滑處理后，再用拉普拉斯算子計算 [09]。根據(jù)這種特性，可以檢測到車牌的區(qū) 南湖學(xué)院畢業(yè)設(shè)計（論文）9域，即車牌區(qū)域定位法，這種初步定位后的車牌還需要進(jìn)一步微定位。 偽 目 標(biāo) 偽 目 標(biāo) 車 牌 區(qū) 域 圖 車牌圖像定位示意圖目前，國內(nèi)外車牌定位的主要方法有：特征定位法，邊緣檢測定位法，數(shù)學(xué)形態(tài)定位法，小波變換法，開運算定位法等。主要的三種傾斜方式是： 水平上的傾斜、垂直上的傾斜、水平和垂直上的傾斜。本文所采用的方法是基于車牌投影變換的傾斜校正算法。)sin39。()39。]。,(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(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(biāo)準(zhǔn)模快的大小。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 年代初字符識別已經(jīng)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(guān)鍵的技術(shù)是字符識別，字符識別中的主要指標(biāo)是識別率和識別時間。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“ ”的車牌中，65432 1XS其中 代表著省級行政區(qū)（漢字）的集合，可能出現(xiàn)的漢字集合為 {湘，蘇，皖，京…}；1S為車牌所在地的英文字母代碼的集合，構(gòu)成的集合時出 I 以外的 25 個字母X{A， B，C…}； 可能是數(shù)字也可能是字母，所以有 34 個字符構(gòu)成32X 南湖學(xué)院畢業(yè)設(shè)計（論文）15{0，1， …， 9，A，B，…Z}； 只可能是數(shù)字，所以可能的集合時654X{0，1， 2，… ，9} 。BP 網(wǎng)絡(luò)的設(shè)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(shù)的設(shè)計。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)更適合字符識別的神經(jīng)網(wǎng)絡(luò)，以便提高字符識別的精度、準(zhǔn)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(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（論文）18 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(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數(shù)是否為 7結(jié)束YNYN圖 車牌分割流程圖 程序設(shè)計主要代碼：%ex1505clcclearfilename=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)。 endendp=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(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。endtB=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，對該識別算法的識別率統(tǒng)計結(jié)果如表 41 所示：表 41 識別率數(shù)據(jù)統(tǒng)計正確識別率樣本數(shù)=5 樣本數(shù)=10 樣本數(shù)=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(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（論文）335 總結(jié)與展望 總結(jié)車牌識別技術(shù)是智能交通管理中最為關(guān)鍵的技術(shù)之一，與此同時，車牌識別的技術(shù)和方法也在其他檢測、識別領(lǐng)域也發(fā)揮著它重要的作用。該分類器由 3 個子 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)。 展望車牌識別技術(shù)是基于數(shù)字圖像處理和模式識別高度融合的一項技術(shù)，同時也是智能交通的一個重點、難點。 南湖學(xué)院畢業(yè)設(shè)計（論文）34參考文獻(xiàn)[01] 張方櫻，巢佰崇，陳雪豐．車牌自動識別系統(tǒng)[J] ．武漢大學(xué)， 2022，3(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，2022，6(4)：3335．[03] 林立，何為，韓力群，汽車牌照自動識別技術(shù)的現(xiàn)狀與發(fā)展[J] ．北京輕工業(yè)學(xué)院學(xué)報，2022，19(l)：3640 ．[04] 袁卉平．基于 MATLAB 的車牌識別系統(tǒng)的設(shè)計與研究[J]．廣西：廣西工學(xué)院工業(yè)控制計算機，2022．[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，2022．58－81．[06] 許錄平．?dāng)?shù)字圖像處理（MATLAB 版）[M]．北京：科學(xué)出版社，2022．[07] N Ostu. A threshold selection method from graylevel histogram[J]. IEEE Trans Systems Man Cyberic, 1978, 8:6265.[08] JuneLee Dong, WhanLee Secong. A new Methodology for GraySeale Character Segmentation and Recognition[J]. IEEE Trans on Pattern Analysis and Machine Intelligence,1996,18(10):526527.[09] 陳永超．基于數(shù)字圖像處理的車牌識別研究：［D］ ．武漢：武漢理工大學(xué)控制理論與控制工程，2022．[10] 趙陽．基于圖像工程與框架理論識別人體細(xì)胞的智能技術(shù)研究：[D]．內(nèi)蒙古：內(nèi)蒙古科技大學(xué)激光先進(jìn)制造技術(shù)．2022．[11] 張鐵弓．基于 DSP 的微光視頻圖像實時處理研究：［D ］ ．武漢：武漢理工大學(xué)檢測技術(shù)與自動化裝置，2022．[12] 崔江，王友仁．車牌自動識別方法中的關(guān)鍵技術(shù)研究[J] ．計算機測量與控制，2022，11（4）：260－262．[13] SUN Dongwei, ZHU Chenghui, ’Skew Angle Detection of the Vehicle License Plate Image and Correct Based on Radon’ Transformation[J]. Microputer Applications China, , 2022, .[14] 賈曉丹，李文舉，王海姣．一種新的基于 Radon 變換的車牌傾斜校正方法[J]．計算機工程與應(yīng)用．2022，44(3)：245148 ．[15] 劉同焰．車牌識別的相關(guān)算法研究與實現(xiàn)[D]．廣州：華南理工大學(xué)應(yīng)用數(shù)學(xué)．2022．[16] Y Liu. A novel approach of segmenting touching and kerned character[A].In: Proceeding 8th International Conference on Neural Information Processing[8],2022.[17] 熊哲源，樊曉平，黎燕．基于數(shù)學(xué)形態(tài)學(xué)邊緣檢測的車牌字符分割算法．計算機應(yīng)用．，2022．[18] 周景超，陳鋒，陳為多，王家捷．車牌字符分割的研究和實現(xiàn)．計算機工程， 2022，32(5) ：238243．[19] 陳黎，黃心漢，王敏等．基于聚類分析的車牌字符分割方法．計算機工程與應(yīng)用，2022，38(6) ：2212