【正文】 end dd=rightleft。amp。 30 top=1。 end else word=qiege(imcrop(d,[1 1 wide m]))。 end temp=qiege(imcrop(d,[1 1 wide m]))。flag=0。 xlabel([39。 subplot(6,7,17),imshow(word3)。第一步車牌定位 39。 end Error1=Error(kmin:kmax)。,liccode(k2),39。 if l==1 %第一位漢字識(shí)別 kmin=37。 28 l=1。 39。)。 imwrite(word4,39。39。)。 subplot(5,7,17),imshow(word3),title(39。 word6=imresize(word6,[40 20])。739。)。 subplot(5,7,2),imshow(word2),title(39。 27 % 分割出第三個(gè)字符 [word3,d]=getword(d)。 [m,n]=size(temp)。word1=[]。 j=n1 j=j+1。 figure,subplot(2,1,1),imshow(d),title(n) k1=1。 elseif bwarea(d)/m/n= d=imdilate(d,se)。line39。 .jpg39。 39。 T=round(g_max(g_maxg_min)/2)。 imwrite(b,39。,39。)。 end PX1=PX1+50。 end end end PX1=1。(PY11)) PY1=PY11。 [y,x,z]=size(I5)。title(39。title(39。 figure(3),imshow(I2)。title(39。title(39。 因此，本設(shè)計(jì)提出的車牌字符的分割算法實(shí)驗(yàn)證明是準(zhǔn)確、有效、可行的。 5 結(jié)論 本課題對(duì)車牌識(shí)別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析。為了去除圖像中的噪聲點(diǎn)必須對(duì)截取的圖像 進(jìn)行濾波處理，經(jīng)濾波后，不僅去除了噪聲，并且使圖像得到了銳化。nearest39。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。這里采用高通濾波算法。分界線計(jì)算后，即可從原圖像中剪切出只包含車牌的區(qū)域圖像。 經(jīng)區(qū)域確定了，即可將車牌的四個(gè)邊界值確定下來(lái)。 即 Se是一個(gè)一個(gè) 25 25? 的矩形，使用矩形是因?yàn)檐嚺剖且粋€(gè)矩形，這樣，可以是提取的圖像最接近預(yù)期效果。1Se? 。 腐蝕的規(guī)則是輸出圖像的最小值是輸入圖像領(lǐng)域中的 最小值，在一個(gè)二值圖像中，只要有一個(gè)像素值為 0，則相應(yīng)的輸出像素值為 0。 Roberts邊緣檢測(cè)算子相當(dāng)于用0110??????和 錯(cuò)誤 !未找到引用源。)。同理對(duì)白底黑字的牌照可用 R 通道，綠底白字的牌照可以用 G 通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。 7 3 車牌識(shí)別系統(tǒng)程序設(shè)計(jì) 圖像讀取及車牌區(qū)域提取 圖像讀取及車牌區(qū)域提取主要有：圖像灰度圖轉(zhuǎn)化、圖像邊緣檢測(cè)、灰度圖腐蝕、圖像的平滑處理以及車牌區(qū)域的邊界值計(jì)算。所以利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像的字符分割有較好的效果。 為了進(jìn) 行牌照識(shí)別，需要以下幾個(gè)基本的步驟： ，定位圖片中的牌照位置； ，把牌照中的字符分割出來(lái)； ，把分割好的字符進(jìn)行識(shí)別，最終組成牌照號(hào)碼。 字符識(shí)別是利用字符識(shí)別的原理識(shí)別提取出的字符圖像， 目前常用的方法有：基于模板匹配的方法、基于特征的方法和神經(jīng)網(wǎng)絡(luò)法等。硬件設(shè)備一般由車體感應(yīng)設(shè)備、輔助光源、攝像機(jī)、圖像采集卡和計(jì)算機(jī)。采用車牌識(shí)別技術(shù)實(shí)現(xiàn)對(duì)車輛的自動(dòng)識(shí)別，快速報(bào)警，既可以有效查找被盜車輛，同時(shí)又為公安機(jī)關(guān)提供了對(duì)犯罪嫌疑人的交通工具進(jìn)行遠(yuǎn)程跟蹤與監(jiān)查的技術(shù)手段。首個(gè)字符為中文字符，為各個(gè)省或直轄市的簡(jiǎn)稱，第二個(gè)字符為英文大寫字符，前兩個(gè)字符確定該車牌所 在地，后五個(gè)字符由阿拉伯?dāng)?shù)字及英文大寫字符組合而成，并且后五個(gè)字符間距相同，七個(gè)字符大小也相同。而我國(guó)則根據(jù)不同車型、用途，規(guī)定了多種牌照格式，例如分為軍車、警車、普通車等。微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理效率。 2）每次采集時(shí)目標(biāo)所處位置不會(huì)一樣，采集視角會(huì)有很大變化，并且由于車牌掛的不正，都將導(dǎo)致車牌出現(xiàn)扭曲。 目前在國(guó)內(nèi)存在多種牌照格式，且存在以上種種困難和特殊性，加大了我國(guó)車牌自動(dòng)識(shí)別的難度，使得中國(guó)車輛牌照識(shí)別遠(yuǎn)遠(yuǎn)難 于國(guó)外的車輛牌照識(shí)別。 4 2）公路自動(dòng)管理系統(tǒng)。 車牌識(shí)別研究?jī)?nèi)容 車牌系統(tǒng)是計(jì)算機(jī)視覺和模式識(shí)別技術(shù)在智能交通領(lǐng)域的重要應(yīng)用課題之一。 車牌定位是要完成從圖像中確定車牌位置并提取車牌區(qū)域圖像，目前常用的方法有：基于直線檢測(cè)的方法、機(jī)遇與域值化的方法、基于灰度邊緣檢測(cè)方法、基于彩色圖像的車牌分割方法、神經(jīng)網(wǎng)絡(luò)法和基于矢量量化的牌照的定位的方法等。 五：字符識(shí)別：利用模板匹配的方法與數(shù)據(jù)庫(kù)中的字符進(jìn)行匹配從而確認(rèn)出字符。 （ 2）牌照字符分割 : 在 完成牌照區(qū)域的定位后， 還需要 將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行 字符 識(shí)別 ，最后輸出結(jié)果。牌照質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油 漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過(guò)程也會(huì)受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。的數(shù)組， m、 n 表示圖像像素的行、列數(shù)。robert39。 （ ） Robert梯度以 11,22xy? ????? ?? 為中心，所以他度量了 11,22xy? ????? ?? 點(diǎn)處 45? 和 135? 錯(cuò)誤 !未找到引用源。所以要對(duì)圖像做進(jìn)一步的處理，用灰度圖腐蝕來(lái)消除多余的邊界點(diǎn)。二維結(jié)構(gòu)元素為數(shù)值 0和 1組成的矩陣，結(jié)構(gòu)元素中數(shù)值為 1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素 在進(jìn)行腐蝕操作時(shí)是否需要參加運(yùn)算。 結(jié)構(gòu)單元中 Se一個(gè)小于對(duì)象閉合圖形，只要兩個(gè)封閉域的距離小于 Se，就將這兩個(gè)連接成一個(gè)連通域， Se生成方式采用 Se=strel(39。 這樣， Car_Image_Perform中面積小于 2020的對(duì)象都被刪除了。從左向右尋找第一個(gè) 1值像素大于 5的 ? 錯(cuò)誤 !未找到引用源。 雖然 圖像間受背景 、 光照等影響存在較大的差異， 但計(jì)算簡(jiǎn)單，程序運(yùn)算效率高。 對(duì)于此對(duì)象，系統(tǒng)給予膨脹處理，效果圖如圖 所示： 圖 車牌區(qū)域圖像腐蝕、膨脹后效果 字符切割 完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。因此，字符的寬度可以從 width/9 到 width/7 之間漸進(jìn)的變化得到 ,程序流程圖。對(duì)于模板匹配，首先建立標(biāo)準(zhǔn)模板庫(kù)，庫(kù)中字符使用統(tǒng)一的尺寸，這里使用 20 40? 。 匹配方法采用將目標(biāo)圖像與模板圖像逐點(diǎn)做差，得到第三幅圖像，程序?qū)崿F(xiàn)如下 for ii=1:40 or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)Word_Image_Code(ii,jj)。由右側(cè)的歸一化圖像可以看出，切割出的圖像像素值和模板圖像達(dá)到了一致，由此便避免了切割出的圖像像素值不一致所帶來(lái)的問(wèn)題。實(shí)驗(yàn)表明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)確率較高。39。灰度圖 39。,39。1]。,[25,25])。title(39。%Y方向車牌區(qū)域確定 PY1=MaxY。 end IY=I(PY1:PY2,:,:)。 while ((Blue_x(1,PX2)3)amp。 t=toc。)。39。 39。)。,3)。square39。... se=eye(2)。 39。 end k1=j。 % 切割出 7 個(gè)字符 y1=10。 end if widey1 % 認(rèn)為是左側(cè)干擾 d(:,[1:wide])=0。 % WORD 1 end d(:,[1:wide])=0。 subplot(5,7,1),imshow(word1),title(39。)。639。 word3=imresize(word3,[40 20])。 subplot(5,7,16),imshow(word2),title(39。)。739。 imwrite(word3,39。)。039。蘇豫陜魯 39。 SegBw2=imresize(t,[40 20],39。 kmax=36。 end end % 以上相當(dāng)于兩幅圖相減得到第三幅圖 Dmax=0。 39。})。 subplot(6,7,22:42),imshow(39。b39。 while sum(d(:,wide+1))~=0 amp。 if sum(sum(d))~=0 d=qiege(d)。 else d=[]。amp。 end while sum(d(:,right))==0 amp。 。amp。right=n。 d=qiege(d)。amp。 while flag==0 [m,n]=size(d)。Color39。 subplot(6,7,20),imshow(wo