【正文】 割的列，共有 14 列，可切出 7 個字符。 （ 2） 二值圖像 一幅二值圖像的二維矩陣僅由 0、 1 兩個值構成， “ 0” 代表黑色， “ 1” 代表白色。 通常，通過數(shù)碼相機拍照所獲 的 圖像是彩色圖像，在彩色圖像里， 如果 R=G=B，則圖像中的顏色都為一種灰度顏色，其中 R=G=B 的值叫做灰度值，圖像的灰度化 處理是指圖像由彩色轉換為灰度的過程 ， 灰度圖像中只包含了強度信息，而并沒有顏色信息。對數(shù)字圖像 { (, )}f i j 的每一個像素點考察它上、下、左、右相鄰點灰度的加權差，與之接近的鄰點權重大。 ，其定義為 : ? ?| ( ) xA B x B A? ? ? （ 33） 上式表明， 腐蝕的過程為結構元素 B 平移 x 后，結構元素 B 仍在集合 A 中的參考點的集合。濾波，即在盡量保留 圖像細節(jié)特征的條件下對目標 圖 像的噪聲進行抑制，是圖像預處理中不可缺少的操作，其處理效果的好壞將直接響到后續(xù)圖像處理和分析的有效性和可靠性。 車牌識別的下一步是分割出具體的車牌，具體過程 首先是將二值圖像中所有白色的點的坐標放入數(shù)組 location_of_1 中，對這些坐標進行計算，尋找 x 坐標與 y 坐標之和最大的點 a 與最小的點 b， a 即為車牌的左上角， b 為車牌的右下角。切割出單個字符后，放入 char_(i)中，并切 割 掉每個字符的上下的空白區(qū)域，完成精確切割。 60 年代后期，出現(xiàn) 了多種字體和 手寫體 文字識別機，其識別精度和機器性能都基本上能滿足要求。 (3) 基于 BP神經(jīng)網(wǎng)絡的字符識別 ； 通常所說的 BP神經(jīng) 網(wǎng)絡模型，即誤差后向傳播神經(jīng)網(wǎng)絡，是神經(jīng)網(wǎng)絡中使用最廣泛的一類，網(wǎng)絡分為三層分別是輸入層，隱層還有輸入層，層與層之間多采用全互聯(lián)方式同一層單元之間不存在互連連接。 （ 1）相似性度量 15 相似性度量有多種表示方法，其中最常用的是差值測度法和相關測度法。如果在空域進行處理，則是根據(jù)目標的形狀、灰度、紋理等特征刻畫一個目標的樣板，以此為模板在圖像中尋找與其相似甚至相同的部分。所以我們在對比的時候為了提高效率和準確性，我們分別 對第一位和后六位分別識別。 程序分析 I=imread(39。 %對圖像 I 進行灰度處理 figure(2)。 程序分析 I_edge=edge(I_gray,39。1。rectangle39。 %去除聚團灰度值小于 2021 的部分 figure(6)。一階導數(shù)的局部最大值對應二階導數(shù)的零交叉點，這樣通過找圖像強度的二階導數(shù)的零交叉點就能找到精確邊緣點。由此得到車牌圖像的初步定位，如圖 42（ d）所示。 location_of_1=[location_of_1。 b=i。 g_max=double(max(max(I_plate)))。) %畫出最終車牌 結果分析 圖 43 車牌提取圖片 定位后車牌圖像是彩色的，會占用較大的存儲空間，加重計算機負擔，所以要對圖像進行二值化以及濾波處理。 flag=logical(sum_y)。nearest39。 %將分割的字符放入 Char_i 中 end 結果分析 圖 44 字符分割圖像 在汽車牌照自動識別過程中，字符分割有承前啟后的作用，它在前期牌照定位的基礎上進行字符的分割，然后再利用分割的結果進行字符識別。制作出的漢字模板存儲在命名為 chinese 的文件夾中，字母與數(shù)字的模板 存儲在命名為 chaamp。粵 39。魯 39。黑 39。遼 39。 Template=im2bw(Template)。B39。F39。K39。N39。S39。W39。039。539。939。,num2str(j),39。 end figure,imshow(I),title(strcat(39。正是由于牌照圖象的這些特點，再經(jīng)過適當?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣，于是對其邊緣提取，此處邊緣的提取采用的是 Sobel 算子。 本次設計的研究以 MATLAB 軟件作為設計工具，通過對采集到的原始圖像進行預處理、車牌定位、字符分割以及字符識別才識別出圖像中的車牌。 subplot(3,2,1)。 I_edge=edge(I_gray,39。1]。 I_close=imclose(I_erode,se)。 I_new=zeros(size(I_final,1),size(I_final,2))。 for i=1:size(location_of_1,1) %尋找所有白點中， x 坐標與 y 坐標的和最大，最小的兩個點的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 %坐標值修正 x2=last_point(1)4。 subplot(3,2,5),imshow(I_plate)。 flag=logical(sum_y)。 figure,imshow(I_plate),title(39。 y2=last_point(2)4。 a=i。 for i=1:size(I_final,1) %尋找二值圖像中白的點的位置 for j=1:size(I_final,2) if I_final(i,j)==1。填充后圖像 39。 subplot(3,2,4),imshow(I_erode),title(39。)。原始圖像 39。 在車輛牌照字符識別系統(tǒng)的研究領域，近幾年已經(jīng)出現(xiàn)了許多切實可行的識別技術和方法，從這些新技術和方法中可以看到兩個明顯的趨勢：一是單一的人工選取合適的算法和其他指標已經(jīng)不能取得很好 的結果。 對于識別錯誤情況的分析得到，主要原因有以下幾點： （ 1） 汽車牌照上外界干擾，如在牌照周圍添加飾物； （ 2） 采用不同的邊緣檢測算子將會使牌照字符的分割失敗，導致識別錯誤； （ 3） 某些字符具有相似性，字符識別結果可能發(fā)生混淆的情況。,char))。))。 %創(chuàng)建字母與數(shù)字識別模板庫 for i=2:7 for j=1:34 Im=eval(strcat(39。639。239。X39。T39。P39。L39。G39。C39。 Compare(j)=sum(sum(abs(Differ)))。 %創(chuàng)建漢字識別模板庫 for j=1:15 Im=Char_1。吉 39。藏 39。湘 39。 程序分析 char=[]。由于我們制作的模板是 32*16 像素點的規(guī)格，為了方便后面的模板匹配，我們就將分割的圖片進行 32*16 像素點的歸一化處理，最后結果如圖 44 所示。 %歸一化為 32*16 的大小，以便模板匹配 eval(strcat(39。 %進行粗分割 for i=1:size(char,1) %這兩個 for 循環(huán)對分割字符的上下進行裁剪 if sum(char(i,:))~=0 top=i。如圖 43 所示 24 字符分割 此部分是將前面分割出的車牌的 7 個字符分割出來，其過程是 從左向右像按 列 計算每一列之和，沒有白點的列和為 0，有白 點的列和非零，轉換為邏輯 1，記錄下所有列和在 0 與 1 轉換的列，即為需要切割的列，共有 14 列，可切出 7 個字符。 T=round(g_max(g_maxg_min)/3)。 %和最小的點為車牌的左上角 last_point=location_of_1(b,:)。 end end end mini=inf。 22 牌照定位 觀察經(jīng)過預處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形圖樣，通過對矩形區(qū)域的定位即可獲得具體的車牌位置。sobel39。形態(tài)濾波后圖像 39。 I_close=imclose(I_erode,se)。 I_erode=imerode(I_edge,se)。)?；叶葓D像 39。)。 圖 33 車牌識別系統(tǒng)字符識別流程圖 識別完成，輸出此模板對應值 讀取分割且歸一化的出來的字符 將切割字符與模板庫進行模板匹配 待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的 建立識別樣本庫 17 4 運用 MATLAB 實現(xiàn)車牌識別 本次設計使用 640*480 的彩色 JPG 格式圖片，以 MATLAB 軟件為平臺，采用編寫代碼程序?qū)崿F(xiàn)車牌定位、車牌字符分割、車牌字符識別。 模板匹配是 字符 識別方法中最具代表性的基本方法之一， 模板匹配的方法是 從圖像區(qū)域 (, )f i j 或待識別的圖像中提取 出 若干特征量 ，在逐個比較提取出的特征量 與模板(, )Ti j 相應的特征量，計算它們之間的互相關量，其中期間相似程度最高 就是 互相關量最大的一個， 這樣就可以將圖像分為很多類型 。它們在 D上的差值測度有如下三種計算方式： ( , )m a x | ( , ) ( , ) |x y DL f x y g x y??? （ 310） | ( , ) ( , ) |DL f x y g x y d x d y???? （ 311） 2[ ( , ) ( , ) ]DL f x y g x y d x d y???? （ 312） 采用以上三種方式計算出的結果越小，說明模板和子區(qū)域相似程度越高。是把根據(jù)已知模式到另外一幅圖中尋找相應模式的處理方法就叫做模板匹配。 70 年代主要研究文字識別的基本理論和研制高性能的文字識別機，并著 14 重于漢字識別的研究 [18]。歸一化處理的目的就是使車牌字符同標準模塊里面的字符特征一樣。 二值化的處理過程是通過閾值化對圖像進行處理的 [17]。二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像，每一個像素取兩個離散數(shù)值（ 0 或 1），其中 0 代表黑色， 1 代表白色。 使用同一結構元素對圖像先進行膨脹運算，然后對結果進行腐蝕運算的運算方法成為閉運算，閉運算的符號為 ? 。 形態(tài)學圖像處理 數(shù)學形態(tài)學以形態(tài)為基礎對圖像進行分析，其基本思想是用具有一定形態(tài)的結構元素去度量和提取圖像中的對應形狀以達到對圖像分析和識別的目的。 其中邊緣檢測的算子有很多，如 Roberts 算子、 Sobel 算子、Prewitt 算子、 Zerocross 算子、 Log 算子 以及 Canny 算子 。二值圖像通常用于文字、線條圖的掃描識別（ OCR）和掩模圖像的存儲。 第三步是對前面分割出的字符進 行識別，運用的是模板匹配字符識別算法，這過程是 把切割出的字符與庫里的漢字和字符的模板做減法運算，找到差別點最少的模板為對應模板，輸出該模板對應的字符，最后識別出車牌。 BMP、 HDF、 JPEG、 PCX、TIFF、 XWD 等格式 都是 可以在 MATLAB 中進行操作的圖像文件 格式 [9]。在 MATLAB 中大多數(shù)圖像用二維數(shù)組double（ 64 位）浮點型、或 uint8（ 8 位無符號整數(shù)）、 uint16（ 16 位無符號整數(shù)）存儲的，以減少圖像的存儲量。 圖 21 數(shù)字圖像處理 MATLAB 在數(shù)字圖像處理中的應用 MATLAB 軟件是 matrixamp。數(shù)字化坐標值稱為取樣，它確 6 定了圖像的空間分辨率；數(shù)字化幅度值稱為量化，它確定了圖像的幅度分辨率。因此，數(shù)字圖像可以理解為圖像的數(shù)字表示，是空間和時間的非連續(xù)函數(shù)（信號），是為了便于計算機處理的一種圖像表示形式。 第 3章主要簡述了車牌識別技術的原理以及 基于 MATLAB的車牌識別的實現(xiàn) 過程。所以車牌識別技術將來的發(fā)展趨勢是能在實際的交通場合以及更加復雜的背景環(huán)境的情況下，提高車牌識別系統(tǒng)的識別率。還有 HiTech公司的 See/Car system，新加坡 Optasia公司的 VLPRS等。 國內(nèi)外研究現(xiàn)狀 車牌識別技術研究在國外起步比較早，早在 20世紀 80年代，便有一些零零散散的圖像處理方法用于車牌識別的某些具體應用。采用車牌識別技術實現(xiàn)對重點車輛的自動識別，快速報警，既可以有效查找被盜車輛，同時又為公安 、檢察機關提供了對犯罪嫌疑人的交通工具進行遠程跟蹤與監(jiān)查的技術手段。人們更 多地將圖像信息的自動檢測，自動識別技術運用到生活的方方面面，帶來更多的方便。 車牌識別技術研究 摘要 ： 車牌識別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應用十分的廣泛。 character recognition I 目 錄 1 緒論 ........................................................................1 研究目的和意義 .....