【正文】 色車牌圖像 39。 [filename,filepath]=uigetfile(39。)。)。)。) g_max=double(max(max(b)))。 d=(double(b)=T)。 38 figure(8)。 39。 d=im2bw(round(filter2(h,d)))。 figure(8),subplot(3,2,4),imshow(d),title(39。,3)。diamond39。 % eye(n) returns the nbyn identity matrix 單位矩陣 [m,n]=size(d)。 .jpg39。) % 尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割 d=qiege(d)。s=sum(d)。 while s(j)~=0 amp。 if k2k1=round(n/) [val,num]=min(sum(d(:,[k1+5:k25])))。y2=。 left=1。 d=qiege(d)。 two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)))。d=qiege(d)。 % 分割出第五個(gè)字符 [word5,d]=getword(d)。139。)。 subplot(5,7,4),imshow(word4),title(39。539。)。 [m,n]=size(word1)。 word4=imresize(word4,[40 20])。 subplot(5,7,15),imshow(word1),title(39。239。)。 subplot(5,7,19),imshow(word5),title(39。639。)。 imwrite(word2,39。39。)。 43 imwrite(word6,39。39。:39。:39。])。 t=imread([ii,39。nearest39。 elseif l==2 %第二位 A~Z 字母識(shí)別 kmin=11。 end for k2=kmin:kmax 44 fname=strcat(39。)。 for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1。 findc=find(Error1==MinError)。 l=l+1。Color39。 Code function [word,result]=getword(d) word=[]。 while flag==0 [m,n]=size(d)。 wide=n2 wide=wide+1。amp。flag=1。 d=qiege(d)。 function e=qiege(d) [m,n]=size(d)。right=n。 end while sum(d(bottom,:))==0 amp。amp。 right=1 right=right1。 參考文獻(xiàn) [1] 萬國紅，王敏 . 基于神經(jīng)網(wǎng)絡(luò)的汽車牌照自動(dòng)識(shí)別技術(shù)研究 [J]. 計(jì)算機(jī)工程與應(yīng)用 ， 20xx,38(6):204205,226. [2] 廖翔云，徐錦標(biāo) . 車牌識(shí)別技術(shù)研 究 [J]. 微機(jī)發(fā)現(xiàn)， 20xx,13(2):3135. [3] 周科偉 . Matlab 環(huán)境下基于神經(jīng)網(wǎng)絡(luò)的車牌識(shí)別 [D]. 西安 ： 西安電子科技大學(xué) ， 20xx. [4] 龔小兵 . 基于 BP 神經(jīng)網(wǎng)絡(luò)的車輛牌照自動(dòng)識(shí)別系統(tǒng)的研究 [D]. 武漢 ： 武漢理工大學(xué) ， 20xx. [5] 吳冰 ， 。 hh=bottomtop。 end while sum(d(:,right))==0 amp。 bottom=1 bottom=bottom1。amp。bottom=m。 else d=[]。 d(:,[1:wide])=0。 if sum(sum(d))~=0 d=qiege(d)。 [m1,n1]=size(temp)。 while sum(d(:,wide+1))~=0 amp。y1=8。b39。車牌號(hào)碼 :39。 45 Code(l*2)=39。 end Error1=Error(kmin:kmax)。 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)SamBw2(i,j)。,liccode(k2),39。 else l=3 %第三位以后 是字母或數(shù)字識(shí)別 kmin=1。 if l==1 %第一位漢字識(shí)別 kmin=37。])。 l=1。 39。 39。 liccode=char([39。)。39。 imwrite(word4,39。)。39。 subplot(5,7,21),imshow(word7),title(39。)。439。 subplot(5,7,17),imshow(word3),title(39。)。 word6=imresize(word6,[40 20])。 word2=imresize(word2,[40 20])。739。 subplot(5,7,6),imshow(word6),title(39。)。339。 subplot(5,7,2),imshow(word2),title(39。 % 分割出第七個(gè)字符 [word7,d]=getword(d)。 % 分割出第三個(gè)字符 [word3,d]=getword(d)。word1=temp。 [m,n]=size(temp)。 while sum(d(:,wide+1))~=0 wide=wide+1。word1=[]。 % 分割 end end 40 % 再切割 d=qiege(d)。 j=n1 j=j+1。 while j~=n while s(j)==0 j=j+1。 figure,subplot(2,1,1),imshow(d),title(n) k1=1。 39 figure(8),subplot(3,2,5),imshow(d),title(39。 elseif bwarea(d)/m/n= d=imdilate(d,se)。ball39。line39。) % 某些圖像進(jìn)行操作 % 膨脹或腐蝕 % se=strel(39。 .jpg39。average39。 39。 .jpg39。 T=round(g_max(g_maxg_min)/3)。subplot(3,2,1),imshow(b),title(39。 imwrite(b,39。 a=imread(39。,39。39。)。 dw=I(PY1:PY28,PX1:PX2,:)。amp。amp。 %%%%%% X 方向 %%%%%%%%% Blue_x=zeros(1,x)。 while ((Blue_y(PY2,1)=5)amp。 while ((Blue_y(PY1,1)=5)amp。 tic Blue_y=zeros(y,1)。從對(duì)象中移除小對(duì)象 39。)。 I4=imclose(I3,se)。)。 I3=imerode(I2,se)。robert 算子邊緣檢測(cè) 39。both39。)。)。) I1=rgb2gray(I)。)。 本文算 法的識(shí)別率還有待進(jìn)一步提高，還遠(yuǎn)遠(yuǎn)達(dá)不到實(shí)際應(yīng)用的要求，希望在以后的學(xué)習(xí)和工作中，不斷改進(jìn)。 6 設(shè) 計(jì)評(píng)述 本文主要就自然場(chǎng)景下的車牌字符識(shí)別問題進(jìn)行研究，通過圖像處理技術(shù)進(jìn)行車牌識(shí)別。以下列出 3 組數(shù)據(jù)，給出了原始圖像及識(shí)別結(jié)果 ， 如圖 所示。 圖 32 5． 4 實(shí)驗(yàn)分析 本章是在車牌已分割 好的字符的基礎(chǔ)上，采用模板匹配法進(jìn)行字符識(shí)別。其計(jì)算公式如下： ? ?? ?? ? ??NmNnji nmTnmSjiD1 12, ),(),(),( （ ） NCC 算法 [20]即歸一化交叉相關(guān)算法，它是 SSD 算法的變形。 5． 3 基于模板匹配的字符識(shí)別算法 模板匹配法 [17]是模式識(shí)別領(lǐng)域最典型的算法之一，它先在待測(cè)圖像中提取出若干特征，再用這些特征與標(biāo)準(zhǔn)模板中的相應(yīng)特征進(jìn)行比對(duì)，利用一定的判決規(guī)則判定待測(cè)模板的分類。 （ 4）實(shí)時(shí)性 隨著需求的提升，單一的車票識(shí)別系統(tǒng)已經(jīng)不能滿足實(shí)際的需求。因此，整體字符集又可以細(xì)化為漢字集、字母集和字母數(shù)字集。 30 5． 2 車牌字符識(shí)別的特點(diǎn) 同一般意義上 的字符相比，車牌字符識(shí)別有其獨(dú)有的特點(diǎn) [18]： （ 1）字符集小 各種車輛牌照中包含的字符有各省（市、自治區(qū)）簡(jiǎn)稱、軍用車輛簡(jiǎn)稱、使領(lǐng)館車輛以及教練車輛等漢字字符，以及 26 各英文字母和 10 個(gè)數(shù)字，字符的類別不超過 100 類，其分類規(guī)模要遠(yuǎn)遠(yuǎn)小于一般的 車牌自動(dòng)識(shí)別 系統(tǒng)。其基本思想是：從包含字符的模式樣本的點(diǎn)陣圖形中提取出描述該字符的特征，然后根據(jù)一定的判決規(guī)則，判定該樣本所屬的模式類別。全局特征包括 Fourier 變換、余弦變換、小波變換、矩特征以及筆畫的密度特征等。在字符識(shí)別中，骨架特征在字符的結(jié)構(gòu)特征中占有重要地位，它還可以進(jìn)一步分為字符的特征點(diǎn)、端點(diǎn)、交叉點(diǎn)、轉(zhuǎn)折點(diǎn)等。由此，車牌識(shí)別系統(tǒng)進(jìn)入了最后一個(gè)環(huán)節(jié) ：字符識(shí)別。如下圖 、 。其分割方法較第一個(gè)漢字字符簡(jiǎn)單。若大于閾值， 則說明第一個(gè)字符分割結(jié)束。 步驟如下： （ 1）對(duì)預(yù)處理后的車牌圖像，自左向右逐列統(tǒng)計(jì)各列所包含的白色像素點(diǎn)（本文中車牌字符為白色像素點(diǎn)），將統(tǒng)計(jì)后的結(jié)果存儲(chǔ)到一個(gè) n?1 矩陣中（ n的大小與車牌圖像的寬度相同）。 （ 2）邊框和鉚釘容易造成分割不準(zhǔn)確。 4 字符切割 圖像切割是指按一定的規(guī)則，將圖像與背景分成不同的部分或子集的過程。車輛牌照的自動(dòng)定位是車牌識(shí)別系統(tǒng)中的關(guān)鍵環(huán)節(jié)，車牌定位的成功與否直接決定了車輛牌照能否實(shí)現(xiàn)。 形態(tài)學(xué)的車牌定位方法主要是基于上述四 種形態(tài)學(xué)基本運(yùn)算，尤其是形態(tài)學(xué)的開閉運(yùn)算。對(duì)于二值化圖像 A 和結(jié)構(gòu)元素 B 來說， A 在 B 下的開運(yùn)算可以記為BA? ，其定義是： BBABA ??? )(? （ ） 即 A 在 B 下的開運(yùn)算是 B 先對(duì) A 進(jìn)行腐蝕運(yùn)算，結(jié)果再進(jìn)行膨脹運(yùn)算。 腐蝕會(huì)去除圖像中的離散點(diǎn)，實(shí)際達(dá)到了去除圖像噪聲的作用。 (1) 膨脹運(yùn)算 膨脹運(yùn)算就是擴(kuò)張物體的邊界，將與物體接觸的所有背景點(diǎn)也合并到物體中，使得邊界向外部擴(kuò)充。 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位 數(shù)學(xué)形態(tài)學(xué) [12]誕生于 20 世紀(jì) 60 年代中葉，它基于集合論，具有完備的數(shù)學(xué)基礎(chǔ)，其基本思想是使用具有一定形態(tài)的結(jié)構(gòu)元素取量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到分析、識(shí)別圖像的目的。 對(duì)垂直方向的精定位過程和水平精定位相似，同樣需要對(duì)粗定位圖像作垂直方向上的差分直方圖投影。根據(jù)這些特征和一些必要的先驗(yàn)知識(shí)，就可以對(duì)粗定位區(qū)域進(jìn)行更精確的定位。由此就完成了對(duì)車牌的粗定位。我們可以利用這一特征實(shí)現(xiàn)車牌的粗定位。因此，可基于車牌 邊緣圖像的統(tǒng)計(jì)特征進(jìn)行車牌的識(shí)別，即車牌識(shí)別的統(tǒng)計(jì)直方圖方法。 基于紋理特征分析的車牌定位 基于車牌統(tǒng)計(jì)直方圖的定位方法綜合使用了車牌的結(jié)構(gòu)特征和紋理特征 [11]來對(duì)車牌區(qū)域?qū)嵤┒ㄎ?。在?shí)際的應(yīng)用中，由于所獲取的車牌圖像的信噪比不高，圖像有可能會(huì)出現(xiàn)傾斜等情況，二值化后的圖像更是會(huì)出現(xiàn)字符的斷裂、變形等。車牌定位在車牌識(shí)別系統(tǒng)中占有舉足輕重的地位，車牌定位的精確程度將對(duì)系統(tǒng)后續(xù)的字符分割和字符識(shí)別連個(gè)部分產(chǎn)生直接的影響。在車牌識(shí)別系統(tǒng)中，車牌圖像的預(yù)處理是其基礎(chǔ)。 Roberts 模板使用斜向上的 4 個(gè)像素的交叉差分定義的，即： 22 ))1,(),1(())1,1(),((),( ????????? yxfyxfyxfyxfyxf （ ） 一般情況下，可以將上式簡(jiǎn)化為如下兩種形式： 20 )1,(),1()1,1(),(),( ???