【正文】 度統(tǒng)一為 140mm 左右，寬度統(tǒng)一為均為 440mm，字體規(guī)范、科學(xué)、容易辨認(rèn)； （ 4）字符總長度 409mm，單個(gè)字符寬度 45mm，高度為 90mm，第二三個(gè)字符之間的間隔是 34mm. 這也就是 說標(biāo)準(zhǔn)的車牌字符識(shí)別可以分為三部份，按照車牌上的七個(gè)字符的排列原則可知，首位是省名縮寫的漢字，接下來是因?yàn)樽帜福酉聛淼囊晃豢赡苁菙?shù)字也可能是字母，末四位是數(shù)字。 盡管 BP 網(wǎng)絡(luò)在模式識(shí)別中取得相對(duì)比較大的成功，但還是存在一些不足：學(xué)習(xí)率與穩(wěn)定性的矛盾、學(xué)習(xí)率的選擇缺乏有效的方法、訓(xùn)練過程可能陷入局部最小網(wǎng)絡(luò)、沒有確定隱層神經(jīng)元數(shù)的有效方法。但是基于投影分割法也有 他一定的缺點(diǎn)，例如無法精確地分割出傾斜車牌的字符位置。 [I_edge,y1]=select(I_edge,height,width)。 %%%%%%%%%%%%%%%%%%投影以粗略估計(jì)車牌位置 p_h=projection(double(IM3),39。 end %%%%%% p_h=double((p_h5))。 if(mean(mean(s))) p{k}=[p_h(2*i1),p_h(2*i)+1,p_v(2*j1),p_v(2*j)+1]。 p_center{i}=[fix((p{i}(1)+p{i}(2))/2),fix((p{i}(3)+p{i}(4))/2)]。 p{i+1}(2)=max(p{i}(2),p{i+1}(2))。 m=length(index)。 %更新區(qū)域個(gè)數(shù) %%%%%%%%%%%%%%合并結(jié)束 %%%%%%%%%%%%%%%%%%%%% %%%%%%%%根據(jù)區(qū)域比例判斷是否為車牌區(qū)域 %%%%%%%%%%%% m=1。 %更新區(qū)域數(shù) %%%%%%%%%%%判定結(jié)束 %%%%%%%%%%%%%%%%%%%%% toc %計(jì)時(shí)結(jié)束 clear edge_IM3。腐蝕后圖像 39。車牌圖像 39。39。 %調(diào)用函數(shù)對(duì)圖像進(jìn)行重采樣 charvec = myimgresize(bw2)。 %%%%%%%%%%%%%%%%% function lett = myimgresize(bw2) bw_7050=imresize(bw2,[70,50])。 se = strel(39。 Iprops = regionprops(Ilabel)。 Ic2 = sortrows(Ic,2)。 x2=x2temp。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 27 end tB=x2temp。 targets = T。},39。 = 20。在 識(shí)別 的仿真 過程中 可以看到 ， 識(shí)別隨著樣本數(shù)目改變的同時(shí)，也受到了樣本的質(zhì)量選取的問題。尤其是在字符識(shí)別部分，根據(jù) 我國車牌的特殊組成提出了基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的多分類器。本文中也還有許多不足的、有待改善的地方： （ 1）對(duì)于車牌圖像模糊不清、背景復(fù)雜、光線不足等情況下，車牌定位的準(zhǔn)確性較低，還有待提高； （ 2）本文所研究的車牌識(shí)別系統(tǒng)雖然可以對(duì)多車牌原始圖像識(shí)別進(jìn)行了研究，但其多車牌識(shí)別率比單車牌識(shí)別率低許多，這也就希 望未來的研究對(duì)此能有更大的進(jìn)展； （ 3）目前，所設(shè)計(jì)的車牌識(shí)別系統(tǒng)，只能針對(duì)于靜止的圖像進(jìn)行識(shí)別，由于運(yùn)動(dòng)中的圖像車牌識(shí)別處理比較復(fù)雜，故而希望在未來的車牌識(shí)別研究中能夠深入研究視頻中的車牌識(shí)別。盡管本次車牌識(shí)別系統(tǒng)得到改進(jìn)，且效果顯著，卻仍然需要不斷地改進(jìn)，還需要大量提高算法的準(zhǔn)確度和提高算法運(yùn)行的速度。由此可知， BP 神經(jīng)網(wǎng)絡(luò)的具有它的理論價(jià)值與實(shí)用價(jià)值。 T = targets。 {2} = {2}*。 = newff(minmax(alphabet),[S1 S2],{39。 while (sum(bw(tB,:))==x2temp) y2=y21。 tB=tB+1。 for t = 1:50 img{t} = imcrop(Ibw,Ibox(:,ind(t)))。 Ic = reshape(Ic,[2 50])。 Ifill= imfill(Iedge2,39。 lett=lett39。 Ptest = out(:,41:50)。原始圖像 139。 end 仿真結(jié)果與分析 圖 原始圖像 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 21 圖 TOPHAT圖像 圖 灰度增強(qiáng)的圖像 圖 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 22 圖 車牌校正圖像 圖 車牌灰度圖和二值圖 圖 圖像的水平投影 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 23 圖 車牌定位圖像 圖 垂直投影圖像 圖 車牌字符分割圖像 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 24 車牌字符識(shí)別算法設(shè)計(jì) 經(jīng)過一系列的預(yù)處理后，可以得到分割后的字符子圖，即可以進(jìn)行字符識(shí)別了。) %%%%%%%%%%%%%%%%%顯示 figure(4) for i=1:k subplot(1,k,i)。title(39。 m=m+1。 %更新區(qū)域記錄 p_ratio=pp_ratio。 ncount(n)=i+1。 ncount=zeros(1,k)。canny39。 p_v=find(((p_v(1:end1)p_v(2:end))~=0))。 end p_v=projection(double(IM3),39。,[10,10])。%調(diào)用自編函數(shù)讀取圖像，并轉(zhuǎn)化為灰度圖像； tic %計(jì)時(shí)開始 [height,width]=size(I)。 MATLAB 函數(shù)按其功能可分為：數(shù)值的分析、數(shù)值與符號(hào)的計(jì)算、工程與科學(xué)的繪圖、控制系統(tǒng)的設(shè)計(jì)與仿真、數(shù)字圖像的處理、數(shù)字信號(hào)的處理、通訊系統(tǒng)的設(shè)計(jì)與仿真 、財(cái)務(wù)與金融工程、圖像轉(zhuǎn)換等。 預(yù)處理好以后的餓圖片，需要使用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，本文中所使用的是前饋后向傳播網(wǎng)絡(luò)（ BP 網(wǎng)絡(luò)） [2022]。 車牌數(shù)字特點(diǎn) 目前，我國的車牌主要分為藍(lán)底白字和黃底黑字兩種 [23]。 20 世紀(jì) 50 年代中期以后，商業(yè) OCR機(jī)并正式 開始投入市場。 （ 5）若出現(xiàn)像素值為 255 的像素個(gè)數(shù)大于閾值 threshold 1 時(shí)記為車牌字符開始的位置，小于閾值 threshold 1 時(shí)記為車牌字符的結(jié)束位置。 投影法的具體操作如下： （ 1）對(duì)灰度化的車牌圖像從下向上逐行掃描，逐行統(tǒng)計(jì)出像素值為 255 的像素的個(gè)數(shù)，當(dāng)其個(gè)數(shù)大于 7 時(shí)（車牌有 7 個(gè)字符），認(rèn)為尋找到車牌字符的下邊界，同理，找到車牌的上邊界。 ]。c o s39。 車牌的傾斜度校正前，需要先對(duì)車牌的傾斜進(jìn)行檢測(cè)。對(duì)初步確定出來的車牌進(jìn)行微定位，而所謂的微定位法即對(duì)基本定位后的車牌圖像進(jìn)行局部分析，以便進(jìn)一 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 8 步確定字符范圍，縮減車牌的左右、上下邊界，這有利于后續(xù)的車牌處理，確定車牌的具體位置后再提取車牌 [12]。而拉斯算子是二階導(dǎo)數(shù)段子，再找出梯度局部最大值對(duì)應(yīng)點(diǎn)后才確定其為真正的邊緣點(diǎn)。中值濾波是非線性濾波，也是領(lǐng)域算法，類似卷積。與灰度化后的圖像相比，二值化后的圖像具有以下幾個(gè)特點(diǎn)：大量減小了信息量，加快了處理速度，降低了成本，實(shí)用價(jià)值更高。為了減少背景像素的干擾，保留并 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 6 增強(qiáng)目標(biāo)區(qū)域 的信息，通常將圖像分為目標(biāo)和背景兩部分。 造成對(duì)比度不足的原因主要有：（ 1）目標(biāo)的遠(yuǎn)近不同導(dǎo)致的圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡；（ 2）攝像頭掃描時(shí)各點(diǎn)的靈敏度差異產(chǎn)生的灰度失真；（ 3）曝光不足或過度而導(dǎo)致灰度值限定在較小的范圍。 最基本的灰度化是直接取彩色圖像 R、 G、 B 三個(gè)分量中最大值或平均值代替各分量。其中車牌獲取流程圖如圖 所示 電子眼圖 像采 集圖 像預(yù) 處 理數(shù) 字圖 像 圖 實(shí)質(zhì)上，車牌獲取就是指在實(shí)際拍攝的圖像中確定車牌區(qū)域、位置，以便提取、分割車牌區(qū)域。 本文的主要內(nèi)容與結(jié)構(gòu)安排 本文研究的內(nèi)容包括了車牌識(shí)別系統(tǒng)的五個(gè)主要組成部分的算法，提出了有效的解決策略，進(jìn)行了測(cè)試，并完成了車牌識(shí)別系統(tǒng)的開發(fā)。 經(jīng)過圖像預(yù)處理、車牌定位、字符分割并校正后，才可以進(jìn)行字符識(shí)別。目前，比較適合我國的產(chǎn)品主要有中科院自動(dòng) 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 3 化研究所漢王公司的“漢王眼”、川大智勝軟件的 ZT2020 車牌自動(dòng)別系統(tǒng)等。其中硬件包括系統(tǒng)觸發(fā)、圖像采集兩個(gè)主要組成部分，軟件則包含了圖像預(yù)處理、車牌獲取、字符分割以及字符識(shí)別四個(gè)主要模塊。由于引進(jìn)這些系統(tǒng)成本極高，而且引進(jìn)的技術(shù)也不一定適用于我國的車牌以及實(shí)際的交通環(huán)境，所引進(jìn)的系統(tǒng)往往并不能滿足我國需求，盡管國內(nèi)市場上已有不少投入生產(chǎn)并使用的 產(chǎn)品，但是這些產(chǎn)品的后續(xù)處理仍然需要大量的人工識(shí)別，所以車牌識(shí)別技術(shù)的研究依然是我國目前高科技領(lǐng)域的熱門課題之一。車牌識(shí)別技術(shù)包括車牌圖像獲取、車牌定位、車牌分割、車牌校正、車牌字符分割、車牌字符歸一化和車牌字符識(shí)別，本文重點(diǎn)針對(duì) 車牌圖像的分割和車牌數(shù)字的識(shí)別進(jìn)行了算法研究和設(shè)計(jì)，同時(shí)也對(duì)其它步驟進(jìn)行了探討。 Image preprocessing。 車牌識(shí)別技術(shù)概述 隨著日益發(fā)展的計(jì)算機(jī)科技和不斷提高的硬件水平，數(shù)字識(shí)別技術(shù)以及人工智能理論的有效結(jié)合，智能車牌識(shí)別技術(shù)發(fā)展日趨完善。早在 70 年代，國外就已經(jīng)存在自動(dòng)車牌檢測(cè)系統(tǒng)，且應(yīng)用于檢查被盜車輛的情況，車牌識(shí)別系統(tǒng)發(fā)展到今天，已經(jīng)達(dá)到較高的應(yīng)用水平。 在車牌識(shí)別系統(tǒng)中，車牌分割需要完成的任務(wù)是將原始圖像中的車牌區(qū)域分割出來，并將車牌字符準(zhǔn)確的切分出來。一個(gè)好的車牌自動(dòng)識(shí)別系統(tǒng)，關(guān)鍵就看其字符識(shí)別的性能。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 4 2 車牌分割方法 車牌獲取 車牌獲取即圖像采集部分，大體分為檢測(cè)和成像 兩個(gè)部分。 灰度化 目前，我國車牌的原始圖像采集，由于基本上都是通過攝像機(jī)、數(shù)碼相機(jī)等拍攝設(shè)備拍攝獲取，所以一般情況下，原始圖像為彩色圖像。成像系統(tǒng)有它一定的亮度范圍，亮度最大值與其最小值之比稱為對(duì)比度。 圖像的 tophat 變換對(duì)增強(qiáng)目標(biāo)區(qū)域，隱藏背景細(xì)節(jié)有很大用處，最初的命名是由于使用了帶有一個(gè)平頂?shù)膱A柱形或平行六面體形的結(jié)構(gòu)元素。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不疊交的區(qū)域。 常用的濾波方法有空間域?yàn)V波和同態(tài)濾波兩種，其中空間濾波又分為三種：平滑濾波、中值濾波、高通濾波。由于邊緣是圖像灰度變化最嚴(yán)重的區(qū)域，傳統(tǒng)的邊緣檢測(cè)通常是通過計(jì)算圖像中像素的梯度值來確定邊緣點(diǎn)。在自然環(huán)境下，原始圖像采集背景復(fù)雜，光照不均，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整 個(gè)牌照是別的關(guān)鍵。 幾何校正 在實(shí)際的車牌獲取過程中，通常是由道路某側(cè)或上方的攝像機(jī)拍攝所得。用二維函數(shù) ),( yxG 表示原始圖像坐標(biāo)為（ x,y）的像素值，某方向上的投影可用該方向上的積分表示。,( xR? 為 ? 的周期函數(shù)， T=180176。,( x? 的峰值，可根據(jù)橫坐標(biāo)和縱坐標(biāo)確定一條直線。從左向右掃描經(jīng)過預(yù)處理后的車牌圖像，記第一個(gè)大于閾值 threshold 1 的列為漢字的開始位置 S，記第一個(gè)小于閾值 threshold 1 的列為 H ，比較這兩列的寬度 HS 與 threshold 2 的大小直到找到與 S 列相差的寬度大于 threshold 2 且滿足像素值為 255 的像素的個(gè)數(shù)小于閾值的列，設(shè)為車牌的漢字字符的結(jié)束列。由于大小歸一化值得是長度和寬度上分別乘以某個(gè)比例因子，使其大小與模塊中的字符大小一致，大 小歸一化最為常用的方法是將整個(gè)牌照?qǐng)D像按線性比例放大或縮小到標(biāo)準(zhǔn)?？斓拇笮?。由前文可知，車牌識(shí)別系統(tǒng)中最為關(guān)鍵的 技術(shù)是字符識(shí)別，字符識(shí)別中的主要指標(biāo)是識(shí)別率和識(shí)別時(shí)間。所以車牌的額構(gòu)造大體為“ 65432 11 XXXXXXS ”的車牌中，其中 1S 代表著省級(jí)行政區(qū)（漢字）的集合，可能出現(xiàn)的漢字集合為 {湘，蘇，皖，京 … }；1X 為車牌所在地的英文字母代碼的集合，構(gòu)成的集合時(shí)出 I 以外的 25 個(gè)字母 {A， B，C… }； 32XX 可能是數(shù)字也可能是字母，所以有 34 個(gè)字符構(gòu)成 {0， 1， … ， 9， A， B， … Z}；654 XXX 只可能是數(shù)字，所以可能的集合時(shí) {0， 1， 2， … ， 9}。這需要我們不斷地改變訓(xùn)練方法，從而找到比 BP 網(wǎng)絡(luò)更適合字符識(shí)別的神經(jīng)網(wǎng)絡(luò)，以便提高字符識(shí)別的精度、準(zhǔn)確率以及時(shí)間。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 16 算法流程 開 始車 牌 二 值 圖 像切 除 周 邊 空 白垂 直 投 影從 左 往 右 查 找 ， 垂 直 投 影 白 色像 素 點(diǎn) 累 計(jì) 小 于 1 0 的 值 的 w i d e以 水 平 區(qū) 域 （ 0， w i d e ） 剪 切 出判 斷 是 否 為標(biāo) 準(zhǔn) 字 符保 存 該 字 符將 剩 余 部 分 保 存并 覆 蓋 原 先 圖 像字 符 個(gè) 數(shù)是