【正文】 Next, want to from containing the plex background plate information segment the license plate area。 石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計29第 6章　結(jié)　論本文主要針對對車牌識別系統(tǒng)的軟件部分進行了研究和編譯，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識別等方面進行了分析。模板匹配對噪聲很敏感，而且對字符的字體風格不具有適應(yīng)性。實現(xiàn)程序中采用空間變換將分割出的大小為(rowbot –rowtop+1)行* maxwidth 列的二值圖像 SegBw1 歸一化為大小為 32 行*16 列的二值圖像 SegBw2。 end subplot(2,n1,n1+l),imshow(SegBw2)。 %變換為 32 行*16 列標準子圖 subplot(2,n1,l),imshow(SegGray)。 %將最大值清 0maxwidth=max(markcol6)。% 計算車牌上每個字符中心位置，計算最大字符寬度 maxwidthl=0。 %谷寬度（下降點至下一個上升點） l=l+1。MATLAB 實現(xiàn)程序如下：%對垂直投影進行峰谷分析meancol=mean(histcol)。Color39。 %計算垂直投影figure,subplot(2,1,1),bar(histcol)。 %峰寬度（上升點至下降點） markrow5(k)=markrow3(k)double(uint16(markrow4(k)/2))。 endendmarkrow2=diff(markrow)。levelrow=(meanrow+minrow)/2。水平投影（含邊框）39。 histrow=sum(sbw139。然后計算每個區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。圖像開運算[19,1]39。 title(39。figure,imshow(bg1)。canny39。fmax1=double(max(max(bw)))。disk39。（5）Canny 算子檢測邊緣的方式是尋找圖像梯度的局部極大值。下面簡單介紹幾種常用算子：Roberts 算子是一種利用局部差分算子尋找邊緣的算子，Roberts 算子對具有陡峭的低噪聲圖像效果較好。 因此，閾值的選取就成了車牌定位分割的重點。關(guān)于這方面的文獻很多。民用牌照第 1 個字符是漢字，且是各省市的簡稱，如“京” 、 “蘇” 、 “鄂”等。在一維情況下，中值濾波器是一個含有奇數(shù)個像素的窗口。原始彩色圖像39。平滑是圖像預(yù)處理的主要環(huán)節(jié)，平滑的好壞直接影響二值化的質(zhì)量。車牌的字符像素為黑色，用 0 表示?；叶壤斓囊馑季褪前迅信d趣的灰度范圍拉開，使得該范圍內(nèi)的像素，亮的更亮，暗的更暗，從而達到了增強對比度的目的。閾值化的變換函數(shù)表達式如下： （22）??????Txxf,250)(式中 T 為指定的閾值。在實際的車牌處理系統(tǒng)中，進行圖像二值變換的關(guān)鍵是要確定合適的閥值，使得字符與背景能夠分割開來，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等等。函數(shù) T（D）稱為灰度變換函數(shù)，它描述了輸入灰度值和輸出灰度值之間的轉(zhuǎn)換關(guān)系。 石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計4第 2章　識別系統(tǒng)的相關(guān)技術(shù)簡介　圖像的灰度化彩色圖像包含著過多的顏色信息，因此在對圖像進行識別等處理中經(jīng)常將彩色圖像灰度化處理，轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度?！≤嚺谱R別系統(tǒng)的組成　硬件和軟件識別系統(tǒng)中要用到的硬件主要有攝像頭、感應(yīng)器和計算機?！鴥?nèi)外發(fā)展現(xiàn)狀伴隨著世界各國汽車數(shù)量的增加, 城市交通狀況日益受到人們的重視，如何有效地進行交通管理，越來越成為各國政府和有關(guān)部門所關(guān)注的焦點，針對此問題，人們運用先進的科學(xué)技術(shù)，相繼研制開發(fā)出了各種交通道路監(jiān)視、管理系統(tǒng)，這些系統(tǒng)一般都包括車輛檢測裝置，通過這些裝置對過往車輛實施檢測，提取有關(guān)交通數(shù)據(jù)，以達到監(jiān)控、管理和指揮交通的目的 [3]。、圖表要求：1）文字通順，語言流暢，書寫字跡工整，打印字體及大小符合要求，無錯別字，不準請他人代寫2）工程設(shè)計類題目的圖紙，要求部分用尺規(guī)繪制，部分用計算機繪制，所有圖紙應(yīng)符合國家技術(shù)標準規(guī)范。據(jù)我所知，除文中已經(jīng)注明引用的內(nèi)容外，本論文（設(shè)計）不包含其他個人已經(jīng)發(fā)表或撰寫過的研究成果。保密的論文（設(shè)計）在解密后適用本規(guī)定。它在傳統(tǒng)的交通監(jiān)控技術(shù)的基礎(chǔ)上，引入了數(shù)字攝像技術(shù)和計算機信息管理技術(shù)，采用先進的圖像處理、模式識別和人工智能技術(shù)，通過對車輛圖像的采集和處理，獲得車輛的數(shù)字化信息，從而達到更高的智能化管理水平，車牌自動識別技術(shù)在車輛過路、過橋全自動不停車收費，交通流量控制指標的測量，車輛自動識別，高速公路上的事故自動測報，不停車檢查，車輛定位，汽車防盜，稽查和追蹤車輛違規(guī)、違法行為，維護交通安全和城市治安，防止交通堵塞，提高收費路橋的服務(wù)速度，緩解交通緊張狀況等方面有重要作用，因此對汽車牌照識別技術(shù)的研究有重要的現(xiàn)實應(yīng)用意義 [1]。由于我國汽車車牌識別的特殊性。　車牌自動識別系統(tǒng)原理當車輛通過時，車輛檢測裝置受到觸發(fā)，啟動圖像采集設(shè)備獲取車輛的正面或反面圖像，并將圖像傳至計算機，由車牌定位模塊提取車輛的牌照，字符分割模塊對車牌上的字符進行切分，最后由字符識別模塊進行字符識別并將結(jié)果輸出 [6]。設(shè)原圖像像素的灰度值 D = ?（x，y） ，處理后圖像像素的灰度值 D180。選擇的標準是經(jīng)過灰度變換后，像素的動態(tài)范圍增加，圖像的對比度擴展，使圖像變得更加清晰、細膩、容易識別。局部閾值法則是由象素灰度值和象素周圍點局部灰度特性來確定象素的閾值的，Bernsen 算法是典型的局部閾值方法，非均勻光照條件等情況雖然影響整體圖像的灰度分布卻不影響局部的圖像性質(zhì)，局部閾值法也存在缺點和問題，如實現(xiàn)速度慢、不能保證字符筆劃連通性、以及容易出現(xiàn)偽影現(xiàn)象等。通常去噪用濾波的方法，比如中值濾波、均值濾波。Hough 變換具有明了的幾何解析性，一定的抗干擾能力和易于實現(xiàn)并處理等優(yōu)點：但它存在著計算量大，需要巨大的儲存空間等問題，所以不適合用在具有一定實時性要求的圖像處理中。石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計7第 3章 車牌照提取與定位　算法設(shè)計流程 灰 度 化 二 值 化 濾 波 圖 像 預(yù) 處 理 開 始 字 符 的 分 割 定 位 和 提 取 字 符 的 識 別 結(jié) 束 圖 31算法設(shè)計總流程　汽車圖像預(yù)處理 圖像在形成、傳輸或變換過程中，受多種因素的影響，如：光學(xué)系統(tǒng)失真、系統(tǒng)噪聲、暴光不足或過量、相對運動等，往往會與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異。close all?；叶葓D像39?，F(xiàn)有的牌照有四種類型，分別是: 藍底白字牌照為小功率汽車使用； 黃底黑字牌照為大功率汽車使用；白底黑字或紅字牌照為軍用或警用。12345”就是最典型的車牌號碼。因此，邊界就由這樣一些內(nèi)部點的集合組成，這些點都至少有一個鄰點不屬于該物體。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個閾值，則確定該點為邊緣點，這樣會導(dǎo)致檢測的邊緣點太多。由于平滑會導(dǎo)致邊緣的擴展，用拉普拉斯算子找到圖像中的陡峭邊緣即只考慮那些具有局部梯度最大值的點，這一點可以用二階導(dǎo)數(shù)的零交叉點來實現(xiàn)?！≤嚺贫ㄎ荒壳埃呀?jīng)提出了很多車牌定位的方法這些方法都具有一個共同的出發(fā)點即通過牌照區(qū)域的特征來判斷牌照。figure,imshow(bw)。 圖 36　二值化圖（4）對得到圖像作開操作進行濾波。bg1=imclose(grd,strel(39。rectangle39。,[19,1]))。進行區(qū)域特征參石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計16數(shù)比較，提取車牌區(qū)域。字符分割的算法很多，常采用垂直投影法來實現(xiàn)，公式如下: （41 ）??HiWjifjk0),()(　字符分割的步驟車牌字符分割是本設(shè)計的重點，分割步驟如下：（1）計算車牌水平投影，并對水平投影進行峰谷分析；（2）車牌矯正，計算車牌旋轉(zhuǎn)角度，旋轉(zhuǎn)車牌；（3）旋轉(zhuǎn)車牌后重新計算車牌水平投影，去掉車牌水平邊框，獲取車牌字符高度；（4）計算車牌垂直投影，去掉車牌垂直邊框，計算車牌上每個字符中心位置，計算最大字符寬度；（5）取分割字符,并變換為 32 行*16 列標準子圖。)。石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計20 字 符 高 下 邊 上 邊 谷 寬 度Markrow1(k) 峰 上 升 點 Markrow(k) 峰 寬 度 Markrow4(k) 峰 下 降 點 Markrow3(k) 峰 距 離 Markrow2(k) 峰 中 心 Markrow5(k) 谷 寬 度 Markrow1(k+1) 峰 上 升 點 Markrow(k+1) 圖 43　水平投影分析計算示意根據(jù)投影分析計算原理，取閾值 Level = （投影均值+投影最小值）/2 ，分析計算得出的最大峰寬度即為字符高度。 %上升點 markrow1(l)=count1。markrow2(n1)=markrow(l)markrow(l1)。sbw2=sbw(rowtop:rowbot,:)。 title([39。下面需對垂直投影數(shù)據(jù)進行分析處理，計算出左右邊框位置、字符寬度，分析原理如圖 45 所示。for k=1:width if histcol(k)=levelcol 石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計24 count1=count1+1。markcol(l)=width。 %字符中心距離（字符中心點至下一個字符中心點）maxs=max(markcol6)。 SegGray=subcol(rowtop:rowbot,cleft:cright)。,39。所謂位置歸一化，是為了消除字符點陣位置上的偏差而將整個字符點陣圖形移動到規(guī)定的位置上的過程。近來，模式識別中也應(yīng)用了模糊數(shù)學(xué)的方法，取得良好效果，神經(jīng)網(wǎng)絡(luò)作為一種有力的工具，在模式識別中得到越來越多的應(yīng)用。神經(jīng)網(wǎng)絡(luò)訓(xùn)練的缺點是可能會需要很長的時間，不過訓(xùn)練好的網(wǎng)絡(luò)可以方便的用于識別。本系統(tǒng)只適合藍底白字的車牌照，對其他的車牌照沒有設(shè)計到，因此也有具有一定的局限性，由于沒有實際拍攝照片所以網(wǎng)絡(luò)照片分割有誤差，有待以后改進，另外由于樣本庫沒有建立成功，因此未完成車牌的識別功能，有待進一步的研究。(2) the highway speeding automation supervision system: it with license plate identification technology as the core technology, auxiliaryOther hightech means, build highway speeding unattended automatic monitoring, automatic have been supervised system isSolve highway trapped speeding is the effective means to cause traffic accident。首先對圖像進行預(yù)處理，將彩色圖像轉(zhuǎn)化為灰度圖像，然后對灰度圖像采用基于灰度跳變的方法進行二值化處理，提取車牌照邊緣信息，既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，提高了后續(xù)處理的速度；然后運用基于藍色象素點統(tǒng)計特性的方法對車牌是藍色的車牌進行定位，結(jié)果表明準確的定位了車牌照區(qū)域。（3）　神經(jīng)網(wǎng)絡(luò)識別方法此方法是利用神經(jīng)網(wǎng)絡(luò)的機制來提取字符中存在的特征。按識別對象，文字識別分為西文字符，阿拉伯叔祖和漢字識別等，它們由可分為印刷體和手寫體的識別，手寫體字符的字體、大小千變?nèi)f化因此此印刷體識別困難得多。分割出來的結(jié)果如圖 46 所示：圖 46　識別結(jié)果石家莊鐵道大學(xué)四方學(xué)院畢業(yè)設(shè)計26為了使下一步的字符識別順利進行，識別前要對單個字符歸一化，以保證每個不同的字符識別時都有一致的標準輸入。,int2str(maxwidth)],39。for k=findmax1:findmax+5 cleft=markcol5(k)maxwidth/2。 %字符寬度（上升點至下降點） markcol5(k)=markcol3(k)double(uint16(markcol4(k)/2))。 %字符距離（上升點至下一個上升點）[m1,n1]=size(markcol2)。count1=0。)。)。rowtop=markrow(findc)。markrow(l)=hight。for k=1:hight if histrow(k)=levelrow count1=count1+1。　二