【正文】 min(I_edge)))。 IM3=imdilate(IM2,SE)。 %調(diào)用 projection 函數(shù) if(p_v(1)0) p_v=[0,p_v]。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 18 for i=1:len_h for j=1:len_v s=IM3(p_h(2*i1):p_h(2*i),p_v(2*j1):p_v(2*j))。 p{i}=[p{i}(1)+min(x),p{i}(2)(p{i}(2)p{i}(1)+1max(x)),... p{i}(3)+min(y),p{i}(4)(p{i}(4)p{i}(3)+1max(y))]。abs(p{i+1}(3)p{i}(4))=width/1 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 19 5) p{i+1}(1)=min(p{i}(1),p{i+1}(1))。 index=find(d_ncount~=1)。 %清除部分變量 end end k=length(p)。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 20 k=m1。title(39。title(39。 算法流程 圖 識(shí)別算法流程圖 程序設(shè)計(jì) %ex1506_2 %讀取原始圖像 I = imread(39。 for t = 4:50 輸入樣本 對(duì)網(wǎng)絡(luò)進(jìn)行 BP 算法學(xué) 習(xí) 形成能識(shí)別字符的神經(jīng)網(wǎng)絡(luò) 輸入英文字符圖像 歸一化處理 仿真測(cè)試 識(shí)別成功 顯示失敗 顯示識(shí)別字符 重新輸入 重新輸入 否 是 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 25 %調(diào)用函數(shù)對(duì)圖像進(jìn)行修剪 bw2 = myimgcrop(img{t})。 %輸出測(cè)試量 disp(b)。 Iedge = edge(uint8(Ibw))。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 26 [Ilabel num] = bwlabel(Ifill)。 Ic(:,4) = 1:50。 y1=1。 tB=tB+1。 %%%%%%%%%%%%%%%%%%%%%%% function = mycreatenn(P,T) alphabet = P。logsig39。 = 。為了驗(yàn)證該系統(tǒng)的可用性與實(shí)用性，在自然條件下獲取的部分車牌樣本，對(duì) BP 神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)每一個(gè)車牌進(jìn)行仿真識(shí)別，樣本與訓(xùn)練結(jié)果如圖 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 29 圖 車牌樣本 圖 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（ 1） 圖 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（ 2） 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 30 全部的仿真 結(jié)果顯示，其中 2 副車牌的字符分割與識(shí)別發(fā)生錯(cuò)誤，余下的車牌都能進(jìn)行正常的識(shí)別。本文結(jié)合我國(guó)車牌的特殊性，對(duì)車牌識(shí)別系統(tǒng)所涉及的算法做了深入的研究，在基于前人的研究成果上提出了自己的改進(jìn)。至今，尚沒有一個(gè)完全通用的車牌識(shí)別系統(tǒng)問世。 展望 車牌識(shí)別技術(shù)是基于數(shù)字圖像 處理和模式識(shí)別高度融合的一項(xiàng)技術(shù)，同時(shí)也是智能交通的一個(gè)重點(diǎn)、難點(diǎn)。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 31 5 總結(jié)與展望 總結(jié) 車牌識(shí)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(shí)，車牌識(shí)別的技術(shù)和方法也在其他檢測(cè)、識(shí)別領(lǐng)域也發(fā)揮著它重要的作用。 [,tr] = train(,P,T)。 = 39。logsig39。 tB=tB1。 end tB=1。 end %%%%%%%%%%%%%%%%%%%%%% function bw2 = myimgcrop(bw) [y2temp x2temp] = size(bw)。 Ic = Ic39。holes39。 %%%%%%%%%%%%%%%%%%%% function img = myimgpreprocess(I) Igray = rgb2gray(I)。 %建立神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練 = mycreatenn(P,T)。)。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(jī)型網(wǎng)絡(luò)模型 、 前向反饋型 (BP)網(wǎng)絡(luò)模型 等幾種模式。 index=p{i}。原始圖像 39。 end end p=p1。 %更新區(qū)域比例記錄 clear pp。 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: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。))。 len_v=length(p_v)/2。v39。 IM2=imerode(BW2,SE)。 %預(yù)處理 I_edge=zeros(height,width)。 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]。 BP 網(wǎng) 絡(luò)的設(shè)計(jì)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(jì)。一般情況下，國(guó)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(guó)內(nèi)最為常見的車牌。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(shí)別已經(jīng)發(fā)展到可以識(shí)別出手寫字體。如此重復(fù)的下去，直到字符全 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 10 部分割出來為止。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。坐標(biāo)變換的公式如（ 29）所示： ??? ??? ?? ?? ?? c o ss in39。,s i n39。其檢測(cè)公式如下： ?????????，車牌傾斜，車牌水平22331iikkinn （ 27） 其中， in 表示第 i 行的 0、 255 的跳躍次數(shù)。微定位技術(shù)包括三部分 :(1)橫向定位；（ 2）縱向定位；（ 3）微定位。其中拉普拉斯的運(yùn)算公式為： 222 22),(yxffyxf ??????? （ 24） 拉普拉斯算子同樣是借助模板實(shí)現(xiàn)，其中最為常見的模板如下： 010141010 111181111 （ 25） 上 文所提到的幾種邊緣檢測(cè)算子都對(duì)噪聲非常的敏感，也就是說必然會(huì)在計(jì)算的過程中加大噪聲的成分。與平滑濾波不同的是，它的計(jì)算不是加權(quán)求和，當(dāng)其像素點(diǎn)數(shù)為奇數(shù)時(shí)，則將該領(lǐng)域內(nèi)的像素按其灰度值排序，再去其中間值作為領(lǐng)域中心像素點(diǎn)的輸出值；當(dāng)其像素點(diǎn)數(shù)為偶數(shù)時(shí)，取排序后的中間兩個(gè)像素灰度值的平均值作為輸出值 [11]。所以一般情況下，在對(duì)車牌字符分割前，會(huì)對(duì)圖像進(jìn)行二值化處理。即得到的圖像只有 0 和 1 兩個(gè)灰度級(jí)，常規(guī)是將目標(biāo)區(qū)設(shè)為 1，背景區(qū)為 0，這樣就可以得到我們所說的二值圖像。這時(shí)可以采取灰度變換增強(qiáng)灰度變化范圍，豐富灰度層次，以達(dá)到增強(qiáng)圖像 對(duì)比度的目的。由于灰度化后，每一個(gè)像素的三個(gè)分量都是均等的，解決可彩色圖像中顏色差異的問題，只存在亮度上的差異。受自然等客觀條件的影響，需要對(duì)車牌進(jìn)行預(yù)處理，以便提高車牌的識(shí)別率。本文的主要內(nèi)容共分為五章，內(nèi)容安排如下：第一節(jié)緒論，概述了車牌識(shí)別技術(shù)，總結(jié)了國(guó)內(nèi)外車牌識(shí)別系統(tǒng)的發(fā)展歷史和現(xiàn)狀，介紹了車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用，最后簡(jiǎn)述了本文的主要內(nèi)容與結(jié)構(gòu)安排；第二節(jié)車牌分割方法的研究，首先介紹了車牌獲取的方法，接下來簡(jiǎn)述了車牌預(yù)處理的基本算法，包括灰度話、二值化、濾波、增強(qiáng)、邊緣檢測(cè)等，然后 是車牌分割的基本步驟，最后介紹了歸一化處理。車牌識(shí)別中最關(guān)鍵的步驟就是字符識(shí)別。與此同時(shí)，國(guó)內(nèi)許多研究機(jī)構(gòu)和高等院校也開始對(duì)車牌識(shí)別系統(tǒng)進(jìn)行理論研究與實(shí)際開發(fā)。一個(gè)完整的車牌識(shí)別系統(tǒng)主要結(jié)構(gòu)如圖 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 2 圖 車牌識(shí)別系統(tǒng)結(jié)構(gòu)圖 車牌分割和數(shù)字識(shí)別的發(fā)展歷史和現(xiàn)狀 自 1988 年提出車牌識(shí)別（ License Plate Recognition， LPR）技術(shù)以來，人們己經(jīng)對(duì)其進(jìn)行了廣泛的研究 ，而近些年來， 車牌識(shí)別的技術(shù)發(fā)展迅速，就識(shí)別基礎(chǔ)而言，主要可以分為基于 IC(即無(wú)線電頻率鑒別（ REID） )或是 基于條碼識(shí)別的間接法和基于圖像車牌識(shí)別的直接法。為了促使車牌識(shí)別技術(shù)的快速發(fā)展，需要對(duì)該項(xiàng)技術(shù)提出更高的要求，使得該項(xiàng)技術(shù)日益精湛。論文首先對(duì)獲取的車牌圖像進(jìn)行了預(yù)處理，包括車牌圖像增強(qiáng)、車牌區(qū)域提取、車牌幾何校正以及車牌字符分割和歸一化，然后設(shè)計(jì)了 BP 網(wǎng)絡(luò)算法，最后在 MATLAB 平臺(tái)上設(shè)計(jì)實(shí)現(xiàn)了以上各種算法。 License plate segmentation。所以本文介紹的是利用 MATLAB 對(duì)圖像處理模塊和字符識(shí)別模的設(shè)計(jì)和研究。國(guó)外己有不少關(guān)于車牌數(shù)字識(shí)別的文章發(fā)表，有相當(dāng)一部分比較成 熟，并已經(jīng)投入實(shí)際生產(chǎn)使用中。因此 ，在車牌識(shí)別中，車牌分割和數(shù)字識(shí)別占有主要的作用?？焖佟?zhǔn)確以及具備較強(qiáng)的魯棒性是字符識(shí)別的目標(biāo)。最后一部分是結(jié)論，總結(jié)了本文的研究成果，并做出了分析和評(píng)價(jià)，同時(shí)對(duì)未來提出了展望。 這也就是為什么要對(duì)原始圖像進(jìn)行灰度化、二值化、濾波等預(yù)處理的原因 [4]。 增強(qiáng) 拍攝車牌圖像時(shí)往往受到許多條件的限制和干擾，這使得圖像的灰度 值與實(shí)際景物不完全相同。 設(shè)用 h 表示 tophat 變換后的結(jié)果，則 tophat 變換可定義為： )( bffh ??? （ 22） 其中， f 表示原灰度圖， ? 表示使用結(jié)構(gòu)元素 b 對(duì)集合 f 進(jìn)行開操作 [6]。 圖像的二值化處理即將灰度圖像中除了灰度值為 0 的像素點(diǎn)外，其余的像素點(diǎn)均設(shè)為 。為了消除圖像的噪聲，常常采取濾波措施，且合適的濾波還可以銳化圖像與增強(qiáng)圖像的邊緣信息。 比較常見的高通濾波的沖激響應(yīng)陣列有以下三種： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 7 0101510101?????H 1111911112?????????H 1212521213?????H （ 26） 邊緣檢測(cè) 邊緣是圖像的重要特征，圖像理解、分析的第一步通常是邊緣檢測(cè)。 車牌分割 車牌定位 車牌定位的本質(zhì)是把車牌圖像從含有汽車和背景的圖像中提取出來，即輸入車牌原始圖像輸出車牌圖像。本文中所采用的是 開運(yùn)算定位法 。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 9 基于車牌投影的傾斜校正算法實(shí)質(zhì)上是一種基于 Radon 變換的校正算法。,( dyxyyxGxR l? ??? ????? （ 28） 其中 )39。,( xR? 在坐標(biāo) )39。設(shè)兩個(gè)閾值分別為 threshold 1， threshold 2。歸一化處理可以分為傾斜度校正和大小歸一化兩個(gè)主要部分，其中傾斜度校正部分使用的是 MATLAB工具箱中的 Imrote 函數(shù)。 雖然國(guó)內(nèi)對(duì)車牌字符研究起步較晚，但國(guó)外在字符研究方面早已有所成就，如英國(guó)、日本、德國(guó)、加拿大等不少國(guó)家已經(jīng)研究出適合本國(guó)的車牌識(shí)別系統(tǒng)，并且擁有比較高的字符識(shí)別率和比較少的識(shí)別時(shí)間。 目前，我國(guó)車牌的具體規(guī)格 ，如表 31 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 12 表 21 車牌格式 分類 外廓尺寸（ mm） 顏色 面數(shù) 大型民用汽車 440*140/440*220 黃底黑字 2 小型民用汽車 440*140 藍(lán)底白字 2 公安專用汽車 440*140 白底紅“ GA”、黑字 2 武警專用汽車 440*140 白底紅“ WJ”、黑字 2 大使館外籍汽車 440*140 黑底白字及空心“使”字 2 領(lǐng)事館外籍汽車 440*140 黑底白字及空心“領(lǐng)”字 2 外籍汽車 440*140 黑底白字 2 實(shí)驗(yàn)汽車 440*140 白底紅字，數(shù)字前有“試”字 2 學(xué)習(xí)汽車 440*140 白底紅字，數(shù)字前有“學(xué)”字 2 臨時(shí)牌照 白 底紅字，數(shù)前有“臨時(shí)”字 2 汽車補(bǔ)用牌照 白底黑字 2 車輛移動(dòng)證 白底紅字 2 本文 主要 分析藍(lán)底白字和黃底黑字的車牌，具有以下幾個(gè)特點(diǎn)： （ 1）車牌拍照一共七位，第一個(gè)為漢字，一般為各個(gè)省級(jí)行政區(qū)的簡(jiǎn)稱； （ 2）第二個(gè)字符一般為英文字符，作為地市一級(jí)代號(hào)，后五位是數(shù)字和字母的排列組合； （ 3）車牌大小尺寸高