【正文】 5])))。flag=0。 else temp=qiege(imcrop(d,[1 1 wide m]))。 end end % 分割出第二個字符 [word2,d]=getword(d)。)。439。 figure(15),imshow(word7),title(39。 word5=imresize(word5,[40 20])。239。 subplot(3,7,12),imshow(word5),title(39。)。39。 imwrite(word6,39。:39。])。nearest39。 end for k2=kmin:kmax fname=strcat(39。 for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1。flag=0。 31 end temp=qiege(imcrop(d,[1 1 wide m]))。 end else word=qiege(imcrop(d,[1 1 wide m]))。 top=1。amp。 end dd=rightleft。amp。 top=m %切割出白色區(qū)域（橫切） top=top+1。 end end end result=d。 % 切割出最小范圍 else word=[]。amp。 end figure(17),subplot(3,1,2),imshow(dw),title (findc)。 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)SamBw2(i,j)。 else l=3 %第三位以后是字母或數(shù)字識別 kmin=1。])。 39。 liccode=char([39。39。)。 subplot(3,7,14),imshow(word7),title(39。439。)。 word3=imresize(word3,[40 20])。639。)。 figure(9),imshow(word1),title(39。 % WORD 1 end d(:,[1:wide])=0。 end if widey1 % 認(rèn)為是左 側(cè)干擾 d(:,[1:wide])=0。 % 切割出 7 個字符 y1=10。 j=n1 j=j+1。) k1=1。 %figure(8),subplot(3,2,5),imshow(d),title(39。ball39。) % 某些圖像進(jìn)行操作 % 膨脹或腐蝕 26 % se=strel(39。,3)。)。 39。39。)。 t=toc。(PX1x)) PX1=PX1+1。amp。 for i=1:y for j=1:x if(myI(i,j,1)==1) %如果 myI(i,j,1)即 myI圖像中坐標(biāo)為 (i,j)的點(diǎn)為白色 %則 Blue_y的相應(yīng)行的元素 white_y(i,1)值加 1 white_y(i,1)= white_y(i,1)+1。 I5=bwareaopen(I4,2021)。 se=strel(39。) se=[1。 I2=edge(I1,39。 %figure(2),subplot(1,2,1),imshow(I1)。大學(xué)四年 ,很多老師及同學(xué)在生活與學(xué)習(xí)中給過我很多的幫助 ,在此 對何老師以及系里其他曾經(jīng)教過我的老師表示深深的感謝！同時 ,也要感謝在論文寫作過程中，幫助過我、并且共同奮斗四年的大學(xué)同學(xué)們，能夠順利完成論文，是因?yàn)橐宦飞嫌心?、有你們，再次衷心地感謝所有在我論文寫作過程中給予過我?guī)椭娜藗?，謝謝！ 23 附錄： function [d]=main(jpg) I=imread(39。 通常對于每一幅圖像的匹配，僅僅只用一種圖像匹配方法是不夠的，僅僅擁有依照匹配算法本身進(jìn)行了完善歸納和分類的圖像匹配理論也是遠(yuǎn)遠(yuǎn)不夠的，每種方法都有它不足的地方，一次僅僅只用一種方法往往 達(dá)不到很好的效果，可以運(yùn)用其他的方法結(jié)合使用，互相彌補(bǔ)不足。 本次運(yùn)用了 MATLAB 軟件進(jìn)行實(shí)驗(yàn)，展示實(shí)驗(yàn)效果，得到了較好的演示，根據(jù)實(shí)驗(yàn)現(xiàn)象對匹配技術(shù)在車牌字符識別技術(shù)進(jìn)行實(shí)驗(yàn)。這種算法 對于一些細(xì)微的干擾不太敏感，而是依賴于提取的圖像特征。對這樣的圖像進(jìn)行投影得不到精確定位需要的信息。 (3)字符比例固定。除第 1 個漢字外，字母和數(shù)字的筆畫在豎直方向都是連通的，且其之間有一定的間隔。不同的實(shí)際工程，圖像的分辨率要求也不同。 (3)車牌識別系統(tǒng)應(yīng)用方案的特征。 (2)外部環(huán)境的特征。我們大致的把這些因素歸納為三類： (1)汽車牌照本身的特征。兩種產(chǎn)品形式各有優(yōu)缺點(diǎn)。 950nm 的紅外照明裝置可抓拍到很好的反光車牌照圖像。 車牌識別系統(tǒng)的實(shí)際配置 即便是一個達(dá)到實(shí)用標(biāo)準(zhǔn)的車牌識別系統(tǒng)，由于所選擇的技術(shù)路線，軟硬件體系結(jié)構(gòu)以及觸發(fā)方式不同，要發(fā)揮其有效的功能，還需要根據(jù)實(shí)際的應(yīng)用需求確定相應(yīng)的系統(tǒng)配置。 3. 后臺管理體系 一個車牌識別系統(tǒng)的后臺管理體系，決定了這個車牌識別系統(tǒng)是否好用。國際交通技術(shù)作過專 門的識別率指標(biāo)論述，要求是 24 小時全天候全牌正確識別率為 85%~95%。第二章主要對閥值分割法進(jìn)行研究和討論。而且，特征點(diǎn)的提取過程可以減少噪聲的影響，對灰度變化，圖象形變以及遮擋等都有較好的適應(yīng)能力?，F(xiàn)在已經(jīng)提出了一些相關(guān)的快速算法，如幅度8 排序相關(guān)算法， FFT相關(guān)算法和分層搜索的序列判斷算法等。 圖像匹配技術(shù)介紹 圖像匹配是指通過一定的匹配算法在兩幅或多幅圖像之間識別同名點(diǎn)，如二維圖像匹配中通過比較目標(biāo)區(qū)和搜索區(qū)中相同大小的窗口的相關(guān)系數(shù)，取搜索區(qū)中相關(guān)系數(shù)最大所對應(yīng)的窗口中心點(diǎn)作為同名點(diǎn)。 系統(tǒng)的核心部分為圖像采集、車牌定位、字符分割、字符識別?；趫D像和字符識別技術(shù)的車牌字符識別系統(tǒng)也是目前國內(nèi)外模式識別應(yīng)用研究領(lǐng)域的一個熱點(diǎn)。長沙 提交日期： 2021 年 05 月 2 湖南農(nóng)業(yè)大學(xué)全日制普通本科生畢業(yè)論文 誠 信 聲 明 本人鄭重聲明：所呈交的本科畢業(yè)論文（設(shè)計(jì)）是本人在指導(dǎo)老師的指導(dǎo)下，進(jìn)行研究工作所取得的成果，成果不存在知識產(chǎn)權(quán)爭議。車牌識別系統(tǒng) (License Plate Recognition,簡稱 LPR)是智能交通領(lǐng)域中重要的研究課題之一 本文根據(jù)車牌圖像特點(diǎn)采用模板匹配法對車牌字符進(jìn)行識別。 (3)車牌定位：車牌的定位是一個尋找最符合車牌特征區(qū)域的過程，從本質(zhì)上講，就是一個在參量空間尋找最優(yōu)定位參量的問題。 灰度匹配的基本思想 :以統(tǒng)計(jì)的觀點(diǎn)將圖像看成是二維信號，采用統(tǒng)計(jì) 相關(guān)的方法尋找信號間的相關(guān)匹配。 特征匹配首先對圖像進(jìn)行預(yù)處理來提取其高層次的特征，然后建立兩幅圖像之間特征的匹配對應(yīng)關(guān)系，通常使用的特征基元有點(diǎn)特征、邊緣特征和區(qū)域特征。 國內(nèi)外研究現(xiàn)狀 隨著圖像處理技術(shù)的不斷發(fā)展，圖像分割技術(shù)在各個方面也有很大的進(jìn)步，但是當(dāng)前國內(nèi)外主要的圖像分割技術(shù)主要有： 閥值分割方法，閾值分割方法的歷史可追溯到近 40年前，現(xiàn)已提出了大量算法，對灰度圖像的取閾值分割就是先確定一個處于圖像灰度取值范圍之中的灰度閾值，然后將圖像中各個象素的灰度值都與這個閾值相比較，并根據(jù)比較結(jié)果將對應(yīng)的象素分為兩類．這兩類象素一般分屬圖像的兩類區(qū)域，從而達(dá)到分割的目的 。第五章是對本文中各種分割技術(shù)的一個對比，找出它們的優(yōu)劣。必須認(rèn)識到的一點(diǎn)是系統(tǒng)的識別率達(dá)到 100%是不可能的，因?yàn)檐嚺普瘴蹞p、模糊、遮擋，或者惡劣的天氣情況 (下雪、冰雹、大霧等 )都會影響到系統(tǒng)的識別率。 （ 2）有效的自動比對和查詢技術(shù)。目前國際通行的兩條主流技術(shù)路線是自然光和紅外光圖像采集識別。采用紅外燈的缺點(diǎn)就是所捕獲的車輛牌照圖像不是彩色的，不能獲取整車圖像，并且嚴(yán)重依賴車牌的反光材料。車牌識別系統(tǒng)有兩種觸發(fā)方式，一種是外設(shè)觸發(fā)，另一種是視頻觸發(fā)。由于缺乏統(tǒng)一的標(biāo)準(zhǔn)，使得車牌識別過程中字符的分割難度較大，缺乏統(tǒng)一的模式規(guī)則的指導(dǎo)作用。不同的光照角度，對車牌光照的均勻度影響也較大。相對來說，攝像角度越小，車牌在平面圖像中變形越小，識別效果越好。分辨率過低，字符識別率會下降，字符中的漢字二值化效果較差，車牌識別系統(tǒng)的識別率會下降。 目前，車牌定位方法可以分為兩大類： (1)基于灰色圖像的車牌定位方法， (2)基于彩色圖像的車牌定位方法。 (4)字符顏色與車牌底色具有固定的顏色搭配。可以充分利用圖像的所有信息來高 精度地區(qū)分不同對象，因此處理的信息量很大，計(jì)算復(fù)雜度提高。 如基于約束的樹搜索，可以利用深度優(yōu)先搜索策略， 依靠解釋樹尋找局部一致的匹配。因此，此實(shí)驗(yàn)就效果而言，已經(jīng)非常的不錯了，至于在現(xiàn)實(shí)中的效果如何，就不得而知了。 展望 車牌識別技術(shù)是智能交通領(lǐng)域研究中的重要組成部分，隨著經(jīng)濟(jì)的不斷發(fā)展，車輛在人們工作生活中占據(jù)著越來越重要的地位，車 輛數(shù)目的增多給車輛管理提出了更高的要求，因此車牌字符匹配技術(shù)有著廣泛的應(yīng)用前景。 %figure(1),imshow(I)。)。both39。 I3=imerode(I2,se)。%生成一個矩陣 I4=imclose(I3,se)。從對象中移除小對象 39。 while ((white_y(PY1,1)=120)amp。 %IY為原始圖像 I中截取的縱坐標(biāo)在 PY1： PY2之間的部分 %end橫向掃描 %begin縱向掃描 white_x=zeros(1,x)。amp。)。,39。 imwrite(b,39。 T=round(g_max(g_maxg_min)/3)。 39。輸出圖像 %BW 將輸入圖像中亮度值大于 level 的像素替換為值 1 (白色 )，其他替換為值 0(黑色 imwrite(d,39。 % 使用一個 3X3的正方形結(jié)果元素對象對創(chuàng)建的圖像膨脹 % 39。 if bwarea(d)/m/n= %計(jì)算面積 d=imerode(d,se)。 %figure(100),subplot(3,2,4),imshow(d),title(39。j=1。 d(:,