基于圖像處理的汽車牌照的識別(文件)
【正文】 ) 表示原始圖像， g (x ， y ) 為平滑后點(x ， y ) 的灰度值，V x ， y 表示以點(x ， y ) 為中心的鄰域， 該鄰域包含N 個象素，m (x ， y ) 表示鄰域V x ， y 內(nèi)的灰度均值?！緟⒖嘉墨I】[1] ，[2] 陳桂明、張明照、。則修正的鄰域平均法由下式給出:m A? m l； N l max{N g ，N 0}g(x，y)= m + A? m g； N g max{N l ，N 0} (1)m ； else (1)式(1) 中， A為修正系數(shù)， 取值范圍為0～ 1， 其大小反映V x ， y 中的邊緣狀況。但是采用加權(quán)的鄰域平均算法對圖像進行噪聲濾除， 不僅能夠有效地平滑噪聲， 還能夠銳化模糊圖像的邊緣。 在任一邊緣點附近沿邊緣的走向總能找到另一邊緣點，且這兩邊緣點之間的灰度差及方向差都不可能很大。這種算法的優(yōu)點是簡單易行，但是因為它不包含邊緣的方向，因此對噪聲不夠敏感。這些，都使編程效率大為提高。這為編程調(diào)試創(chuàng)造了一個便利的環(huán)境。第二點在程序調(diào)試的過程中要耐心的檢查每一個錯誤。完成了準確識別車牌的目的。然后對最大位置進行判別，返回所對應(yīng)的字符給主程序。； case 3 c=39。)；M1=double(M1)；M2=double(M2)；M3=double(M3)；M4=double(M4)；M5=double(M5)；M6=double(M6)；d=zeros(6)；d(1)=corr2(H，M1)；d(2)=corr2(H，M2)；d(3)=corr2(H，M3)；d(4)=corr2(H，M4)；d(5)=corr2(H，M5)；d(6)=corr2(H，M6)；[D，e]=max(d(:))；switch e case 1 c=39。)；M5=imread(39。)；M3=imread(39。程序代碼如下: function c=result(H)；M1=imread(39。其調(diào)用方法如下: r=corr2(A，B) 因此本設(shè)計中的字符識別只需調(diào)用此函數(shù)，即將分割出來的字符與設(shè)置好的模板一一進行相關(guān)運算，然后尋找出它們中的最大相關(guān)值。 用MATLAB來實現(xiàn)字符的識別。XTi 是指矩陣對應(yīng)元素相乘。車牌字符相關(guān)匹配算法如下： 輸入字符用輸入函數(shù)X表示，標(biāo)準模板用函數(shù)T表示，它們的大小均為2614。因此模板庫中的字符應(yīng)該是已知的，是預(yù)先設(shè)置好的是不可更改的，而不是在實驗過程中來得到。作為一幅jpg或者bmp形式的圖片，其中包含了許許多多的像素點，各象素點的值也不一樣，到底如何來確定這些像素點的值呢？模板設(shè)置無疑成為一個難點。其實現(xiàn)方法與前面的汽車邊緣提取的方法相同，也是利用梯度算子。所得到的字符均為黑字白底。代表灰度值255。本次設(shè)計所識別的車牌只有字母與數(shù)字。 字符識別的算法如下: 讀入字符圖像 與模板庫中的字母逐一進行相關(guān)運算 尋找相關(guān)度最大值所對應(yīng)的模板 輸出此模板所對應(yīng)的值 因此在字符識別之前必須把模板庫設(shè)置好。因此，字符特征的提取就成為研究的關(guān)鍵。字符的識別目前用于車牌字符識別(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法。使其最后得到的圖像與標(biāo)準模板一樣。分割出來的六個字符如下所示，M6jpg并用imwrite函數(shù)寫入圖像文件夾中，以便在后期處理中可以直接進行調(diào)用。有字符的列其灰度值比較高，無字符的則相對比較低。字符識別的算法很多，常采用垂直面積投影法來實現(xiàn)。本設(shè)計中采用的車牌，其寬高比為1:3。(2)確定左邊界: 從左向右掃描 ，當(dāng)遇到灰度值大于設(shè)定值60之后，停止掃描。 類似的方法得出汽車邊緣圖像的垂直面積投影圖 圖8 汽車邊緣圖像的垂直面積投影圖 同上可初步得到汽車牌照的列位置在120~210之間。 圖7 汽車邊緣圖像的水平面積投影圖一般對應(yīng)于車牌位置的投影值T( i) 較大，而在車牌上，下行附近的投影值較小，均有谷點存在。該方法包括三部分: (1) 車牌的橫向定位； (2)車牌的縱向定位； (3) 車牌的微定位。經(jīng)多
高考資料相關(guān)推薦
鄂ICP備17016276號-1