【正文】 的字符的大小、位置的歸一化，以及嘗試提取分類識(shí)別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識(shí)別率是完全可行的。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過程，提高了后續(xù)處理的速度。通過對(duì)本課題的學(xué)習(xí)，我感覺車牌圖像識(shí)別方面還有許多內(nèi)容需要學(xué)習(xí)，希望能得到這方面老師更多的指導(dǎo)和意見。完成畢業(yè)設(shè)計(jì)的過程中，我用到了很多之前學(xué)的理論知識(shí)，所以這次設(shè)計(jì)也是一次理論到實(shí)踐的轉(zhuǎn)變。,39。%當(dāng)用戶選擇的文件非空時(shí)進(jìn)行如下處理if（~isempty（jpg）） img = imread（jpg）。灰度圖39。, , 39。 1。rectangle39。 figure（6）, imshow（bwareaopenimg）。%藍(lán)色像素點(diǎn)統(tǒng)計(jì) end end end [temp MaxY]=max（Blue_y）。（PY2y）） PY2=PY2+1。 end PX2=x。 figure（7）,subplot（1,2,1）,imshow（IY）,title（39。 a = imread（39。 subplot（3, 2, 1）, imshow（b）, title（39。39。average39。） % 某些圖像進(jìn)行操作 % 膨脹或腐蝕 % se=strel（39。ball39。 figure（8）, subplot（3, 2, 5）, imshow（d）, title（39。 while j ~= n while s（j）== 0 j = j + 1。 % 分割 end end % 再切割 d = qiege（d）。 for wide = 1:50 if （sum（d（ : , wide））== 0） break end end %while sum（d（ : , wide1））~= 0 %wide = wide + 1。word1=temp。 % 分割出第七個(gè)字符 [word7, d] = getword（d）。339。 figure（14）, imshow（word6）, title（39。 word2 = imresize（word2, [40 20]）。）。439。 subplot（3, 7, 14）, imshow（word7）, title（39。）。39。 liccode = char（[39。 39。39。39。 SegBw2 = imresize（t, [40 20], 39。 kmax = 36。 end end end Error（k2）= Dmax。車牌號(hào)碼：39。 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。 end 。amp。 right = n。 d = qiege（d）。amp。 while flag == 0 [m, n] = size（d）。 l = l + 1。 end end % 以上相當(dāng)于兩幅圖相減得到第三幅圖 Dmax = 0。 kmax = 36。39。39。39。:39。39。）。 imwrite（word2, 39。639。）。 figure（16）, subplot（3, 7, 8）, imshow（word1）, title（39。 [m, n] = size（word1）。539。）。 % 分割出第五個(gè)字符 [word5, d] = getword（d）。 two_thirds = sum（sum（temp（[round（m / 3）: 2 * round（m / 3）], : ）））。 left = 1。 if k2 k1 = round（n / ） [val, num] = min（sum（d（ : , [k1 + 5 : k2 5]）））。 s = sum（d）。39。diamond39。 figure（8）, subplot（3, 2, 4）, imshow（d）, title（39。39。 d = （double（b）= T）。）。39。 dw=img（PY1:PY2,:,:）。amp。 while （（Blue_y（PY2,1）=40）amp。 tic Blue_y=zeros（y,1）。）。）。）。 edgeimg = edge（grayimg, 39。 figure（2）, subplot（1, 2, 1）, imshow（grayimg）。）。*.png。同學(xué)的幫助讓我的論文進(jìn)展的更加得心應(yīng)手。另外，如果一幅圖像中有兩張車牌，本系統(tǒng)是識(shí)別不了的，所以還有很多的改進(jìn)的地方。主要工作內(nèi)容及結(jié)論如下：整理和總結(jié)了國(guó)內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國(guó)車牌的固有特征，以及車牌識(shí)別的特點(diǎn)。模板的制作很重要，必須要用精確的模板，否則就不能正確的識(shí)別。再根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法，先確定行方向的車牌區(qū)域，再確定列方向的區(qū)域，得出最終的車牌區(qū)域。正是由于牌照?qǐng)D像的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D像變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣，于是對(duì)其邊緣提取，此處邊緣的提取采用的是Roberts算子。除此之外，按照此方法對(duì)另外一個(gè)車牌圖像進(jìn)行識(shí)別，得到的識(shí)別結(jié)果如圖41所示。所以建立字符模板庫(kù)也極為方便。模板匹配是圖像識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖像或圖像區(qū)域f（i, j）中提取的若干特征量與模板T（i, j）相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖像歸于相應(yīng)的類。分割后得到的結(jié)果如圖312所示。濾波方法有多種，本文采取的濾波方法為均值濾波。如圖39所示。本文采用的是用數(shù)學(xué)形態(tài)學(xué)來進(jìn)行圖像處理和模式識(shí)別。圖32 車牌圖像的原圖圖33 車牌圖像灰度化之后得到的灰度圖和灰度直方圖 圖33給出了對(duì)車牌圖像的灰度圖及對(duì)應(yīng)的灰度直方圖，該直方圖表示了灰度圖中各像素值出現(xiàn)的概率，通過該直方圖，可以看出當(dāng)前的灰度圖是否滿足灰度均衡化的標(biāo)準(zhǔn)，如果不滿足則進(jìn)一步進(jìn)行該操作，使得灰度直方圖能呈現(xiàn)一個(gè)比較均勻的分布，但是在本課題的研究中，還沒有使用到該直方圖，不過可以為以后系統(tǒng)的擴(kuò)展做準(zhǔn)備。 圖31 灰度線性變換 （35）若 r（50,200）、s（0，255），則： （36）（2）平滑處理對(duì)于受噪聲干擾嚴(yán)重的圖像，由于噪聲點(diǎn)多在頻域中映射為高頻分量，因此可以在通過低通濾波器來濾除噪聲，但實(shí)際中為了簡(jiǎn)化算法也可以直接在空域中用求鄰域平均值的方法萊削弱噪聲的影響，這種方法稱為圖像平滑處理。所以在此我們要對(duì)圖像進(jìn)行邊緣檢測(cè)?；叶葓D像就是只有強(qiáng)度信息而沒有顏色信息的圖像，存儲(chǔ)灰度圖像只需要一個(gè)數(shù)據(jù)矩陣，矩陣每個(gè)元素表示對(duì)應(yīng)位置像素的灰度值。而灰度圖像是R、G、B三個(gè)分量相同的一種特殊的彩色圖像，每一個(gè)像素點(diǎn)的變化范圍為255種，所以在數(shù)字圖像處理種一般先將各種格式的圖像轉(zhuǎn)變成灰度圖像以使后續(xù)的圖像的計(jì)算量變得少一些。車牌定位和車牌分割是整個(gè)系統(tǒng)的關(guān)鍵，其作用是在經(jīng)圖像預(yù)處理后的灰度圖像中確定牌照的具體位置，并將包含牌照字符的一塊子圖像從整個(gè)圖像中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。功能性工具箱能用于多種學(xué)科。例如，在MATLAB里，用戶無需對(duì)矩陣預(yù)定義就可使用；第五，程序的可移植性很好，基本上不做修改就可以在各種型號(hào)的計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行；第六，MATLAB的圖形功能強(qiáng)大。為了提高識(shí)別率，除了不斷的完善識(shí)別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識(shí)別。這種網(wǎng)絡(luò)互連較多，待處理信息量大，抗干擾性能好，識(shí)別率高。 字符識(shí)別字符識(shí)別方法目前主要得算法有以下幾種：第一種模板匹配字符識(shí)別算法，具體描述如下：模板匹配字符識(shí)別算法的實(shí)現(xiàn)方法是計(jì)算輸入模式與樣本之間的相似性，取相似性最大的樣本為輸入模式所屬類別。輸出結(jié)果：得到最后的汽車牌照，包括漢字、字母和數(shù)字。原始圖像圖像預(yù)處理車牌在圖像中位置提取 字符 分割 字符 識(shí)別 結(jié)果 輸出圖21 車牌圖像識(shí)別系統(tǒng)原理基本框圖原始圖像：由停車場(chǎng)固定彩色攝像機(jī)、數(shù)碼相機(jī)或其他掃描裝置拍攝到的圖像。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。這些領(lǐng)域的許多技術(shù)都可以應(yīng)用到車牌圖像識(shí)別系統(tǒng)中，車牌識(shí)別技術(shù)的研究也必然推動(dòng)這些相關(guān)學(xué)科的發(fā)展。車牌圖像識(shí)別研究?jī)?nèi)容 車牌圖像識(shí)別技術(shù)的發(fā)展趨勢(shì)車牌圖像識(shí)別技術(shù)作為智能交通系統(tǒng)中的關(guān)鍵技術(shù)，在各國(guó)學(xué)者的共同努力下，已經(jīng)取得了長(zhǎng)足的發(fā)展，并且已經(jīng)得到了不同程度的實(shí)際應(yīng)用，但目前還存在著種種不足。（5）小區(qū)、校園車輛管理系統(tǒng)社區(qū)保安系統(tǒng)將出入的車輛通過車牌識(shí)別技術(shù)進(jìn)行記錄，將結(jié)果與內(nèi)部車輛列表對(duì)比可以實(shí)現(xiàn)防盜監(jiān)管。車輛牌照自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要組成部分，它在交通管理、監(jiān)控中有著廣泛的應(yīng)用。目前我國(guó)的汽車號(hào)牌種類非常多，有大型汽車號(hào)牌、掛車號(hào)牌、小型汽車號(hào)牌、使館汽車號(hào)牌、領(lǐng)館汽車號(hào)牌、警用汽車號(hào)牌、教練汽車號(hào)牌等。從車牌識(shí)別系統(tǒng)進(jìn)入中國(guó)以來，國(guó)內(nèi)有大量的學(xué)者從事這方面的研究，提出了很多新穎快速的算法。在上世紀(jì)70年代，英國(guó)就在實(shí)驗(yàn)室中完成了“實(shí)時(shí)車牌檢測(cè)系統(tǒng)”的廣域檢測(cè)和開發(fā)。針對(duì)以上實(shí)際情況，很多學(xué)者開始在鑒于車牌圖像本身特征的基礎(chǔ)上研究車牌定位技術(shù)，并先后提出了一些有效的定位方法，以減小種種主、客觀因素對(duì)車牌定位準(zhǔn)確度的影響。（e）由于環(huán)境、道路或人為因素造成汽車牌照污染嚴(yán)重使得車牌的對(duì)比度降低，特征不是很明顯，即使在定位準(zhǔn)確的情況下，字符的識(shí)別也會(huì)受到很大影響。也是智能交通系統(tǒng)的核心技術(shù)，產(chǎn)生于60年代。其目標(biāo)在于將現(xiàn)金的計(jì)算機(jī)處理技術(shù)、數(shù)據(jù)通信技術(shù)、自動(dòng)控制技術(shù)等綜合應(yīng)用于地面交通管理體系，從而建立起一種高效、準(zhǔn)確、實(shí)時(shí)的交通管理系統(tǒng)。關(guān)鍵詞：圖像處理，車牌定位，字符分割The Design and Implementation of License Plate Image Recognition Based on MATLABABSTRACTLicense plate image recognition is an important of the modern intelligent traffic management. License plate recognition system to make more intelligent vehicle management, digital, Effective traffic management to enhance the convenience and effectiveness. License plate recognition system includes image acquisition, image preprocessing, license plate localization, character segmentation, character recognition and other five core parts. In this paper, preprocessing, license plate localization, character segmentation method for the realization of three modules. This is the image preprocessing module and the use of the image grayscale Roberts edge detection operator steps. License plate location and segmen