【正文】 割的列，共有 14 列，可切出 7 個(gè)字符。 （ 2） 二值圖像 一幅二值圖像的二維矩陣僅由 0、 1 兩個(gè)值構(gòu)成， “ 0” 代表黑色， “ 1” 代表白色。 通常，通過數(shù)碼相機(jī)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(zhuǎn)換為灰度的過程 ， 灰度圖像中只包含了強(qiáng)度信息，而并沒有顏色信息。對(duì)數(shù)字圖像 { (, )}f i j 的每一個(gè)像素點(diǎn)考察它上、下、左、右相鄰點(diǎn)灰度的加權(quán)差，與之接近的鄰點(diǎn)權(quán)重大。 ，其定義為 : ? ?| ( ) xA B x B A? ? ? （ 33） 上式表明， 腐蝕的過程為結(jié)構(gòu)元素 B 平移 x 后，結(jié)構(gòu)元素 B 仍在集合 A 中的參考點(diǎn)的集合。濾波，即在盡量保留 圖像細(xì)節(jié)特征的條件下對(duì)目標(biāo) 圖 像的噪聲進(jìn)行抑制，是圖像預(yù)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(shí)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(diǎn)的坐標(biāo)放入數(shù)組 location_of_1 中，對(duì)這些坐標(biāo)進(jìn)行計(jì)算，尋找 x 坐標(biāo)與 y 坐標(biāo)之和最大的點(diǎn) a 與最小的點(diǎn) b， a 即為車牌的左上角， b 為車牌的右下角。切割出單個(gè)字符后，放入 char_(i)中，并切 割 掉每個(gè)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(shí)別機(jī)，其識(shí)別精度和機(jī)器性能都基本上能滿足要求。 (3) 基于 BP神經(jīng)網(wǎng)絡(luò)的字符識(shí)別 ； 通常所說的 BP神經(jīng) 網(wǎng)絡(luò)模型，即誤差后向傳播神經(jīng)網(wǎng)絡(luò)，是神經(jīng)網(wǎng)絡(luò)中使用最廣泛的一類，網(wǎng)絡(luò)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(guān)測度法。如果在空域進(jìn)行處理，則是根據(jù)目標(biāo)的形狀、灰度、紋理等特征刻畫一個(gè)目標(biāo)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(duì)比的時(shí)候?yàn)榱颂岣咝屎蜏?zhǔn)確性，我們分別 對(duì)第一位和后六位分別識(shí)別。 程序分析 I=imread(39。 %對(duì)圖像 I 進(jìn)行灰度處理 figure(2)。 程序分析 I_edge=edge(I_gray,39。1。rectangle39。 %去除聚團(tuán)灰度值小于 2021 的部分 figure(6)。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn)，這樣通過找圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確邊緣點(diǎn)。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(jié)果分析 圖 43 車牌提取圖片 定位后車牌圖像是彩色的，會(huì)占用較大的存儲(chǔ)空間，加重計(jì)算機(jī)負(fù)擔(dān)，所以要對(duì)圖像進(jìn)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(jié)果分析 圖 44 字符分割圖像 在汽車牌照自動(dòng)識(shí)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(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。制作出的漢字模板存儲(chǔ)在命名為 chinese 的文件夾中，字母與數(shù)字的模板 存儲(chǔ)在命名為 chaamp?；?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(diǎn)，再經(jīng)過適當(dāng)?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(duì)其邊緣提取，此處邊緣的提取采用的是 Sobel 算子。 本次設(shè)計(jì)的研究以 MATLAB 軟件作為設(shè)計(jì)工具，通過對(duì)采集到的原始圖像進(jìn)行預(yù)處理、車牌定位、字符分割以及字符識(shí)別才識(shí)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(diǎn)中， x 坐標(biāo)與 y 坐標(biāo)的和最大，最小的兩個(gè)點(diǎn)的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 %坐標(biāo)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(diǎn)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(shí)別系統(tǒng)的研究領(lǐng)域，近幾年已經(jīng)出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢：一是單一的人工選取合適的算法和其他指標(biāo)已經(jīng)不能取得很好 的結(jié)果。 對(duì)于識(shí)別錯(cuò)誤情況的分析得到，主要原因有以下幾點(diǎn)： （ 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(huì)使牌照字符的分割失敗，導(dǎo)致識(shí)別錯(cuò)誤； （ 3） 某些字符具有相似性，字符識(shí)別結(jié)果可能發(fā)生混淆的情況。,char))。))。 %創(chuàng)建字母與數(shù)字識(shí)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(shí)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(diǎn)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(jìn)行 32*16 像素點(diǎn)的歸一化處理，最后結(jié)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(jìn)行粗分割 for i=1:size(char,1) %這兩個(gè) for 循環(huán)對(duì)分割字符的上下進(jìn)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(gè)字符分割出來，其過程是 從左向右像按 列 計(jì)算每一列之和，沒有白點(diǎn)的列和為 0，有白 點(diǎn)的列和非零，轉(zhuǎn)換為邏輯 1，記錄下所有列和在 0 與 1 轉(zhuǎn)換的列，即為需要切割的列，共有 14 列，可切出 7 個(gè)字符。 T=round(g_max(g_maxg_min)/3)。 %和最小的點(diǎn)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(yù)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(duì)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(shí)別系統(tǒng)字符識(shí)別流程圖 識(shí)別完成，輸出此模板對(duì)應(yīng)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(jìn)行模板匹配 待識(shí)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(gè)即為匹配的最好的 建立識(shí)別樣本庫 17 4 運(yùn)用 MATLAB 實(shí)現(xiàn)車牌識(shí)別 本次設(shè)計(jì)使用 640*480 的彩色 JPG 格式圖片，以 MATLAB 軟件為平臺(tái)，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(shí)別。 模板匹配是 字符 識(shí)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(shí)別的圖像中提取 出 若干特征量 ，在逐個(gè)比較提取出的特征量 與模板(, )Ti j 相應(yīng)的特征量，計(jì)算它們之間的互相關(guān)量，其中期間相似程度最高 就是 互相關(guān)量最大的一個(gè)， 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(jì)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(jì)算出的結(jié)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(yīng)模式的處理方法就叫做模板匹配。 70 年代主要研究文字識(shí)別的基本理論和研制高性能的文字識(shí)別機(jī)，并著 14 重于漢字識(shí)別的研究 [18]。歸一化處理的目的就是使車牌字符同標(biāo)準(zhǔn)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(duì)圖像進(jìn)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(gè)像素取兩個(gè)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(jié)構(gòu)元素對(duì)圖像先進(jìn)行膨脹運(yùn)算，然后對(duì)結(jié)果進(jìn)行腐蝕運(yùn)算的運(yùn)算方法成為閉運(yùn)算，閉運(yùn)算的符號(hào)為 ? 。 形態(tài)學(xué)圖像處理 數(shù)學(xué)形態(tài)學(xué)以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析，其基本思想是用具有一定形態(tài)的結(jié)構(gòu)元素去度量和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)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(shí)別（ OCR）和掩模圖像的存儲(chǔ)。 第三步是對(duì)前面分割出的字符進(jìn) 行識(shí)別，運(yùn)用的是模板匹配字符識(shí)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(yùn)算，找到差別點(diǎn)最少的模板為對(duì)應(yīng)模板，輸出該模板對(duì)應(yīng)的字符，最后識(shí)別出車牌。 BMP、 HDF、 JPEG、 PCX、TIFF、 XWD 等格式 都是 可以在 MATLAB 中進(jìn)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(diǎn)型、或 uint8（ 8 位無符號(hào)整數(shù)）、 uint16（ 16 位無符號(hào)整數(shù)）存儲(chǔ)的，以減少圖像的存儲(chǔ)量。 圖 21 數(shù)字圖像處理 MATLAB 在數(shù)字圖像處理中的應(yīng)用 MATLAB 軟件是 matrixamp。數(shù)字化坐標(biāo)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(shí)間的非連續(xù)函數(shù)（信號(hào)），是為了便于計(jì)算機(jī)處理的一種圖像表示形式。 第 3章主要簡述了車牌識(shí)別技術(shù)的原理以及 基于 MATLAB的車牌識(shí)別的實(shí)現(xiàn) 過程。所以車牌識(shí)別技術(shù)將來的發(fā)展趨勢是能在實(shí)際的交通場合以及更加復(fù)雜的背景環(huán)境的情況下，提高車牌識(shí)別系統(tǒng)的識(shí)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(shí)別技術(shù)研究在國外起步比較早，早在 20世紀(jì) 80年代，便有一些零零散散的圖像處理方法用于車牌識(shí)別的某些具體應(yīng)用。采用車牌識(shí)別技術(shù)實(shí)現(xiàn)對(duì)重點(diǎn)車輛的自動(dòng)識(shí)別，快速報(bào)警，既可以有效查找被盜車輛，同時(shí)又為公安 、檢察機(jī)關(guān)提供了對(duì)犯罪嫌疑人的交通工具進(jìn)行遠(yuǎn)程跟蹤與監(jiān)查的技術(shù)手段。人們更 多地將圖像信息的自動(dòng)檢測，自動(dòng)識(shí)別技術(shù)運(yùn)用到生活的方方面面，帶來更多的方便。 車牌識(shí)別技術(shù)研究 摘要 ： 車牌識(shí)別是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分的廣泛。 character recognition I 目 錄 1 緒論 ........................................................................1 研究目的和意義 .....