【正文】 y=fix(x*90/409)。(Px1x))||((Px1x)amp。 figure(3) subplot(1,7,i) imshow(Z4) Px0=Px1。 while(((X1(1,Px1)=10)amp。 %分割 Px0=1。 figure,imshow(dw)。 for i=3:4:nu b=BoundingBox(i)/BoundingBox(i+1)。定位結(jié)果 39。amp。 end PX1=PX11。 %左右邊界 PX1=1。 while ((Y1(PY1,1)=10)amp。rectangle39。)。crop39。%J記錄了傾斜角 qingxiejiao=90J。)。由于客觀條件的限制，本文對車牌定位和字符分割的算法研究處于一個(gè)初級研究，還有很多后續(xù)的工作要進(jìn)行，更基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 19 多的知識需要學(xué) 習(xí)，本人認(rèn)為有以下幾個(gè)方面還要繼續(xù)改進(jìn)： （ 1）提高形態(tài)學(xué)的適應(yīng)性，使形態(tài)學(xué)處理更合適更好，能適應(yīng)更多的情況。 （ 2）形態(tài)學(xué)處理上的缺陷，當(dāng)照片有非常接近車牌形狀的物體時(shí)，會造成嚴(yán)重的干擾，或者，當(dāng)圖片中車牌形狀 失真或者形狀與結(jié)構(gòu)元素有較大差別時(shí)會在形態(tài)學(xué)處理上被誤認(rèn)為干擾因素而除掉。 因?yàn)檐嚺贫际菄?yán)格按照國家標(biāo)準(zhǔn)去制造，所以盡管照片有縮放等，也存在著一定的比例規(guī)律，可以利用規(guī)范性作為行字符切割的判定條件 (陳濤 ， 等， 2020)。右邊框基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 16 方法類似，只是換了起 始位置，往右掃描。還可以采取適當(dāng)?shù)臄?shù)學(xué)形態(tài)學(xué)處理使圖像更清晰。車牌字符分割中常用的特征有 : 字符寬度、字符間距、字符中心間距、字符高度比、字符占有面積比等 ， 可以充分利用車牌照字符的這些特征為先驗(yàn)知識對牌照圖像進(jìn)行分割（焦婷婷，等， 2020）。改變圖片尺寸，是為了說明，同樣的圖片，由于比例的不一樣，也會引起無法識別，主要是因?yàn)榇藭r(shí)的結(jié)構(gòu)元素已經(jīng)不合適。 圖 13 形態(tài)學(xué)處理后圖像情況 2 如圖 13的情況，用投影法就不容易找出來，所以，上一個(gè)方法判斷失敗時(shí)，還會有下一個(gè)提取方法。 圖 12 形態(tài)學(xué)處理后圖像情況 1 如圖 12，還存在著一些干擾區(qū)域，但車牌區(qū)域是最明顯最大，所以我們用投影法將這個(gè)區(qū)域給提取出來。rectangle39。 數(shù)學(xué)形態(tài)學(xué)處理的步驟為： （ 1）利用閉運(yùn)算的性質(zhì)，選擇結(jié)構(gòu)元素 是大小為 [5， 25]的矩形，填充邊緣檢測后的圖像，使車牌區(qū)域變?yōu)檫B通域。腐蝕具有使目標(biāo)縮小、目標(biāo)內(nèi)孔增大 ， 消除孤立噪聲的作用（王怡， 2020）。其基本思想是用一個(gè)結(jié)構(gòu)元素作為基本工具來探測和提取圖像特征 ， 看這個(gè)結(jié)構(gòu)元素是否能夠適當(dāng)有效地放入圖像內(nèi)部（熊春榮，等， 2020）。 Canny算子不易受噪聲干擾，能檢測弱邊緣，能在噪音抑制和檢測之間取得較好的平衡。因而，邊緣是進(jìn)行圖像分割所依靠的重要特征之一（吳林， 2020）。根據(jù)處理需要賦予三個(gè)基色不同的權(quán)值，再對圖像中每個(gè)像素點(diǎn)進(jìn)行加權(quán)平均，最后用這個(gè)值替代原來的三個(gè)基色分量的值，數(shù)學(xué)公式表達(dá)為： 3r g bR W G W B WR G B ? ? ? ? ?? ? ? (1) 公式 1中 rW 、 gW 、 bW 分別是 R、 G、 B的權(quán)值。‘ y L θ x x39。因此，為了輸出一個(gè)平滑整齊的車牌區(qū)域，本方法的安排順序是先把車輛圖片校正好再進(jìn)行車牌定位。 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 4 （ 5） 基于 小波變換的車牌定位方法（范蕤，等， 2020） ， 根據(jù)圖像中車牌的形態(tài)特征和橫向紋理屬性 ， 提取圖像高頻小波系數(shù)的均值、能量、熵等作為分類特征 ， 同時(shí)通過形態(tài)學(xué)算法對車牌候選域和非車牌域進(jìn)行聚類 ， 并運(yùn)用相關(guān)的知識對車牌候區(qū)域進(jìn)行優(yōu)化。 第五章是總結(jié)與展望，對整篇論文做一個(gè)總結(jié)，對結(jié)果作分析探討，提出對未來的展望和想法。 （ 2） MATLAB語言簡潔緊湊，使用方便靈活，庫函數(shù)豐富，并且內(nèi)部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊。現(xiàn)在，國內(nèi)做得比較好的產(chǎn)品主要有中科院自動化研究所漢王公司的“漢王眼”系統(tǒng)等，而一些國內(nèi)的研究機(jī)構(gòu)和高等院校也積極對車牌識別系統(tǒng)進(jìn)行理論研究和開發(fā)。 盡管國外汽車識別系統(tǒng)研究工作已有一定進(jìn)展，但并不盡合我國國情。 在交通管理中，車輛是主要的監(jiān)控目標(biāo)，而車牌作為車輛的唯一的 標(biāo)識，因此，車牌自動識別技術(shù)就成為了智能交通系統(tǒng)中最重要的部分。 車牌定位算法的關(guān)鍵是選用合適的結(jié)構(gòu)元素，對車牌圖像進(jìn)行數(shù)學(xué)形態(tài)學(xué)開、閉運(yùn)算來去除干擾因素、消除噪音和無用信息，簡單直觀，受環(huán)境干擾少?；?Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 本科畢業(yè) 設(shè)計(jì) 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 摘 要 隨著我國城市急速發(fā)展，交通管理成了一個(gè)非常熱門的話題，由于交通管理需求日益提高，對交通管理和控制提出了更高的要求。利用MATLAB 強(qiáng)大的圖像處理能力，通過編寫程序，對車輛圖像進(jìn)行統(tǒng)計(jì)分析，實(shí)現(xiàn)了這兩個(gè)部分的功能。 車牌識別系統(tǒng)的成功設(shè)計(jì)、開發(fā)和應(yīng)用具有相當(dāng)大的社會效益、經(jīng)濟(jì)效益和學(xué)術(shù)意義。通過專用的抓拍設(shè)備抓拍到合適的能用于計(jì)算機(jī)定位的車牌照片圖像，在得到的圖像上進(jìn)行車牌定位，具有精確度高，能全天候工作等特點(diǎn)。 很多文獻(xiàn)所提的方法僅停留在理論階段，具體效果還需要等待實(shí)際項(xiàng)目的進(jìn)一步檢驗(yàn)。 MATLAB具有以下優(yōu)點(diǎn)： （ 1） MATLAB編程效率高，使用方便。 第四章為字符分割的算法，提出了利用投影法將上一章所得到的已經(jīng)定位好的車牌圖片進(jìn)行字符分割，介紹了整個(gè)字符分割的流程和方法。該方法能使車牌區(qū)域得到有效的增強(qiáng)，達(dá)到精確定位目的。在車牌定位時(shí)，當(dāng)圖像的傾斜角度比較大時(shí)，除了形態(tài)學(xué) 的處理達(dá)不到預(yù)期效果外，也不利于車牌區(qū)域的提取。 圖 3 直線投影例子 y39?；叶然惴ㄌ幚矸奖?，將圖片 RGB值設(shè)置為相等即可，而這個(gè)值目前主要采取加權(quán)平均法。物體邊緣廣泛存在于物體之間、物體和背景之間還有物體不同部分之間。 圖 6 Sobel算子效果 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 8 圖 7 Canny算子效果 圖 8 Roberts算子效果 Sobel算子能比較好的呈現(xiàn) 圖像的邊緣，對噪聲不太敏感，有一定的去噪能力，但會使圖像邊緣變粗，從而降低了定位精度。 數(shù)學(xué)形態(tài)學(xué)處理 數(shù)學(xué)形態(tài)學(xué)是分析幾何形狀和結(jié)構(gòu)的數(shù)學(xué)方法 ， 是建立在集合代數(shù)基礎(chǔ)上 ， 用集合論方法定量描述幾何結(jié)構(gòu)的科學(xué)。 膨脹是用來填補(bǔ)物體中小的孔洞和狹窄的縫隙 ， 使其形成連通域 ， 是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過程 ， 結(jié)果是使目標(biāo)增大 ， 孔洞縮小。[4， 24])作為開閉運(yùn)算的結(jié)構(gòu)運(yùn)算，經(jīng)過多次測試，效果良好。,[5,25]))； IM2=imopen(IM1,strel(39。有時(shí)候還會存在很多較大的干擾區(qū)域。 通過多次實(shí)驗(yàn)，很多情況下是車牌區(qū)域?yàn)樽畲笞蠲黠@區(qū)域，但是也存在數(shù)學(xué)形態(tài)學(xué)之后，干擾區(qū)域比車牌區(qū)域要大的。 實(shí)驗(yàn)測試和分析 本文對網(wǎng)上收集到的 100張圖片通過 MATLAB進(jìn)行處理，當(dāng)圖片大小統(tǒng)一處理為400*500時(shí)，成功定位有 85張 ，成功率為 85%；當(dāng)圖片大小統(tǒng)一處理為 450*500時(shí)，成功定位僅有 72張，成功率為 72%。字符分割方法有很多，本文采取簡單直接的投影法。 閥值取值可以由 graythresh()函數(shù)取得，而二值化則用函數(shù) im2bw(I， level)實(shí)現(xiàn)。左邊框，取寬度 x的 1/8作為開始往左掃描，若發(fā)現(xiàn)某列像素值較高，這個(gè)值可取高度 y的 ，則認(rèn)為是左邊框。 （ 2）車牌尺寸固定，規(guī)范為：車牌總長 440mm，寬 140mm，字寬 45mm，字高 90mm，基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 17 第二三個(gè)字符間隔 32mm，后面每個(gè)字符間隔 12mm。 5 總結(jié)與展望 總結(jié) 通過對 100張不同圖片的處理情況來看，車牌定位成功率達(dá)到 85%，影響定位成功主要的原因有： （ 1）車牌采集的途徑不統(tǒng)一，導(dǎo)致每張圖片的大小和分辨率等不一樣，由于閥值是定值，因此在選擇閥值或者結(jié)構(gòu)元素時(shí)造成了難以統(tǒng)一確定的困難。 展望 目前的車牌識別系統(tǒng)在飛速發(fā)展，但在準(zhǔn)確率和識別速度方面依然還有很大的提升空間，對車牌定位算法的研究依然是車牌識別的一個(gè)重點(diǎn)。*.jpg39。%radon變換 [E,J]=find(R=max(max(R)))。,39。roberts39。%開運(yùn)算 IM2=imopen(IM1,strel(39。 PY1=MaxY。 end IY=IM2(PY1:PY2,:,:)。(PX2x)) PX2=PX2+1。PY10amp。title(39。 nu=numel(BoundingBox)。 dw=I(yb:yb+widthY,xb:xb+widthX,:)。 I4=double(I1)。 基于 Matlab 的車牌定位系統(tǒng)的研究與設(shè)計(jì) 24 a=1。 Z4=imresize(Z3,[88 40])。amp。%寬高比 for i=1:7 while((X1(1,Px0)10)amp。) end end end gd=rgb2gray(dw)。b) widthX=Boundin