【正文】 割后的字符特征值與庫中模板字符相減，找到值最小的那個(gè)就是匹配得最恰當(dāng)?shù)淖址Ｄ０迤ヅ浞m然識(shí)別率低，但實(shí)現(xiàn)簡單，計(jì)算量小，只有矩 陣的加減與統(tǒng)計(jì)，而且車牌字符是有阿拉伯?dāng)?shù)字，英文大寫字母，還有部分漢字，雖有字庫量不大， 字符較規(guī)整時(shí) 對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高，因此 本課題使用這種方法?？紤]所有的情況，一般情況下最小的寬度為 width/9。 。 字符切割 字符切割前的圖像去噪處理 由于圖像車牌號(hào)區(qū)域提取后獲得的是從原始圖像中剪切的，是 RGB 圖像，分割同樣采取投影法，故同樣需要先將 RGB 圖像轉(zhuǎn)換成灰度值，再將灰度圖轉(zhuǎn)化成二進(jìn)制圖，轉(zhuǎn)化的方法就是限定一個(gè)閥值，如果大于閥值則為 1，小于閥值為 0,閥值采用 全局 閥值 ，全局閥值 是指整幅圖像都采用相同的 閥值 T 處理，適用于背景和前景有明顯對(duì)比的圖像。從直方圖中基本可以看書水平方向上的兩個(gè)分界線，為了便于處理，該課題將像素值臨界值定量化， 取值 5個(gè)像素。 移除小對(duì)象 圖像平滑處理了，可能會(huì)有多個(gè)閉合區(qū)域，對(duì)于不是車牌區(qū)域的必須予以刪除，Matlab 提供了一個(gè)函數(shù) bwareaopen()，用于 刪除二值圖像中面積小于 一個(gè)定值 的對(duì)象，默認(rèn)情況下使用 8鄰域 ， Car_Image_Perform2=bwareaopen(Car_Image_Perform,2021)。 Car_Image_Perform=imclose(Car_Image_Erode,Se)。結(jié)構(gòu)元素的大小形狀任意，一般是二維的。但是，在車牌附近的其他區(qū)域也由于各種干擾的影響 ，也存在一些白色區(qū)域。 由于 Roberts 邊緣檢測(cè)算子是一種利用局部差分算子尋找邊緣的算 子 , 根據(jù)任一相互垂直方向上的差分都可用來估計(jì)梯度， Robert 算子采用對(duì)角方向相鄰兩像素之差，其計(jì)算公式如下： ? ? ? ?, 1, 1xf f x y f x y? ? ? ? ? （ ） ? ? ? ?1, , 1yf f x y f x y? ? ? ? ? （ ） 其幅值為： 錯(cuò)誤 !未找到引用源。 圖像的邊緣檢測(cè) 在 Matlab 中利用函數(shù) edge()實(shí)現(xiàn)邊緣檢測(cè)，具體的用法如下所示： Car_Image_Bin=edge(Car_Image_Gray,39。 即可將圖像讀取出來，這樣讀取得到的是 RGB圖像， RGB 圖像分別用紅、綠、藍(lán)三個(gè)色度值為一組代表每個(gè)像素的顏色，因此 Car_Image_RGB 是 一個(gè) 錯(cuò)誤 !未找到引用源。 8 3 車牌識(shí)別系統(tǒng)程序設(shè)計(jì) 開發(fā)環(huán)境選擇 車牌號(hào)識(shí)別系統(tǒng)的軟件部分大都采用 VC++,VB 或者 Matlab,本課題選用 Matlab，主要是因?yàn)?Matlab 具有以下優(yōu)點(diǎn) 1) Matlab 繪圖 功能很強(qiáng)大， 但在 VC++， VB 語言里繪圖都很不容易，但 Matlab里數(shù)據(jù)的可視化程度非常高，并且具有較強(qiáng)的編輯圖形界面的能力。所以利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像的字符分割有較好的效果。 為了進(jìn)行牌照識(shí)別，需要以下幾個(gè)基本的步驟： ，定位圖片中的牌照位置； ，把牌照中的字符分割出來； ，把分割好的字符進(jìn)行識(shí)別，最終組成牌照號(hào)碼。 字符識(shí)別是利用字符識(shí)別的原理識(shí)別提取出的字符圖像，目前常用的方法有：基于模板匹配的方法、基于特征的方法和神經(jīng)網(wǎng)絡(luò)法等。硬件設(shè)備一般由車體感應(yīng)設(shè)備、輔助光源、攝像機(jī)、圖像采集卡和計(jì)算機(jī)。采用車牌識(shí)別技術(shù)實(shí)現(xiàn)對(duì)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。首個(gè)字符為中文字符，為各個(gè)省或直轄市的簡稱，第二個(gè)字符為英文大寫字符，前兩個(gè)字符確定該車牌所在地，后五個(gè)字符由阿拉伯?dāng)?shù)字及英文大寫字符組合而成，并且后五個(gè)字符間距相同，七個(gè)字符大小也相同。并且已經(jīng)實(shí)現(xiàn)了產(chǎn)品化，并在實(shí)際的交通系統(tǒng)中得到了廣泛的應(yīng)用。一是當(dāng)車牌圖像的對(duì)比度較小、光照不均勻、車牌磨損褪色以及有類似車牌紋理特征的干擾時(shí)，有效定位率下降；其次在車牌字符分割時(shí)，光照不均、對(duì)比度較小、傾斜、污 跡、字符粘連和斷裂等嚴(yán)重退化的車牌圖像的字符分割效果也不理想。使得車牌的對(duì)比度降低，特征不是很明顯，即使在定位準(zhǔn)確的情況下，字符的識(shí)別也會(huì)受到很大影響。 車牌識(shí)別的難點(diǎn)： 1）由于車牌圖像多在室外采集，會(huì)受到光照條件、天氣條件的影響，會(huì)出現(xiàn)圖像模糊，對(duì)比度低，目標(biāo)區(qū)域過小，色彩失真等影響，并且會(huì)伴隨復(fù)雜的背景圖像，這些都會(huì)影響車牌定位及 識(shí)別。近年來計(jì)算機(jī)的飛速發(fā)展和數(shù)字圖像技術(shù)的日趨成熟，為傳統(tǒng)的交通管理帶來巨大轉(zhuǎn)變，先進(jìn)的計(jì)算機(jī)處理技術(shù)，不但可以將人力從繁瑣的人工觀察 、 監(jiān)測(cè)中解放出來，而且能夠大大提高其精確度，汽車牌照自動(dòng)識(shí)別系統(tǒng)就是在這樣的背景與目的下進(jìn)行開發(fā)的。汽車牌照等相關(guān)信息的自動(dòng)采集和管理對(duì)于交通車輛管理、園區(qū)車輛管理、停車場(chǎng)管理、交警稽查等方面有著十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要研究課題。 2 2）每次采集時(shí)目標(biāo)所處位置不會(huì)一樣，采集視角會(huì)有很大變化，并且由于車牌掛的不正，都將導(dǎo)致車牌出現(xiàn)扭曲。 目前在國內(nèi)存在多種牌照格式，且存在以上種種困難和特殊性，加大了我國車牌自動(dòng)識(shí)別的難度，使得中國車輛牌照識(shí)別遠(yuǎn)遠(yuǎn)難于國外的車輛牌照識(shí)別。而對(duì)于車牌字符的識(shí)別來說，其識(shí)別的準(zhǔn)確率很大程度上依賴于車牌定位和字符分割是否成功。 由于中國車牌的格式與國外有較大差異，所以國外關(guān)于識(shí)別率的報(bào)道只具有參考價(jià)值，其在中國的應(yīng)用效果可能沒有在其國內(nèi)的應(yīng)用效果好，但其識(shí)別系統(tǒng)中采用的很多算法具有很好的借鑒意義。 圖 我國車牌號(hào)示例 4 車牌識(shí)別技術(shù)的應(yīng)用前景 車輛牌照自動(dòng)識(shí)別技術(shù)是智能交通系統(tǒng)的一個(gè)重要組成部分，廣泛應(yīng)用于交通的監(jiān)控及管理。 4）城市十字交通路口的“電子警察”。軟件部分是系統(tǒng)的核心，主要實(shí)現(xiàn)車牌自符的識(shí)別功能。 6 2 車牌識(shí)別系統(tǒng)設(shè)計(jì)原理概述 一個(gè)完整的車牌號(hào)識(shí)別系統(tǒng)要完成從圖像采集到字符識(shí)別輸出，過程相當(dāng)復(fù)雜，基本可以分成硬件部分跟軟件部分，硬件部分包括系統(tǒng)觸發(fā)、圖像采集，軟件部分包括圖像預(yù)處理、車牌位置提取、字符分割、字符識(shí)別四大部分，一個(gè)車牌識(shí)別系統(tǒng)的基本結(jié)構(gòu)如圖 ： 圖 車牌識(shí)別系統(tǒng)基本結(jié)構(gòu)框圖 一：原始圖像：由停車場(chǎng)固定彩色攝像機(jī)、數(shù)碼相機(jī)或其他掃描裝置拍攝到的圖像。 牌照識(shí)別過程中，牌照顏色的識(shí)別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與牌照識(shí)別互相配合、互相驗(yàn)證。 （ 3） 牌照字符識(shí)別 ： 字符識(shí)別方法目前主要 得算法有兩種即 基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。 2) Matlab 語言簡單，入門容易，程序設(shè)計(jì)不嚴(yán)格，自由度大，例如用戶無需對(duì)矩陣預(yù)定義即可使用。的數(shù)組， m、 n 表示圖像像素的行、列數(shù)。robert39。 （ ） Robert梯度以 11,22xy? ????? ?? 為中心，所以他度量了 11,22xy? ????? ?? 點(diǎn)處 45? 和 135? 錯(cuò)誤 !未找到引用源。所以要對(duì)圖像做進(jìn)一步的處理，用灰度圖腐蝕來消除多余的邊界點(diǎn)。二維結(jié)構(gòu)元素為數(shù)值 0和 1組成的矩陣，結(jié)構(gòu)元素中數(shù)值為 1的點(diǎn)決定結(jié)構(gòu)元素的領(lǐng)域像素在進(jìn)行腐蝕操作時(shí)是否需要參加運(yùn)算。 結(jié)構(gòu)單元中 Se一個(gè)小于對(duì)象閉合圖形，只要兩個(gè)封閉域的距離小于 Se，就將這兩個(gè)連接成一個(gè)連通域， Se生成方式采用 Se=strel(39。 這樣， Car_Image_Perform中面積 小于 2021的對(duì)象都被刪除了。從左向右尋找第一個(gè) 1值像素大于 5的 ? 錯(cuò)誤 !未找到引用源。 雖然 圖像間受背景 、 光照等影響存 在較大的差異， 但計(jì)算簡單，程序運(yùn)算效率高。 對(duì)于此對(duì)象，系統(tǒng)給予膨脹處理，效果圖如圖 所示： 圖 車牌區(qū)域圖像腐蝕、膨脹后效果 字符切割 完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。因此，字符的寬度可以從 width/9 到 width/7 之間漸進(jìn)的變化得到 ,程序流程圖。對(duì)于模板匹配，首先建立標(biāo)準(zhǔn)模板庫，庫中字符使用統(tǒng)一的尺寸，這里使用 20 40? 。 匹配方法采用將目標(biāo)圖像與模板圖像逐點(diǎn)做差，得到第三幅圖像，程序?qū)崿F(xiàn)如下 for ii=1:40 or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)Word_Image_Code(ii,jj)。由右側(cè)的歸一化圖像可以看出，切割出的圖像像素值和模板圖像達(dá)到了一致，由此便避免了切割出的圖像像素值不一致所帶來的問題。實(shí)驗(yàn)表 明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)確率較高。39。) I1=rgb2gray(I)。)。robert算子邊緣檢測(cè) 39。)。)。 tic Blue_y=zeros(y,1)。 while ((Blue_y(PY2,1)=5)amp。amp。 PY1=PY1+45。定位剪切后的彩色車牌圖像 39。)。)。 d=(double(b)=T)。 39。 figure(8),subplot(3,2,4),imshow(d),title(39。diamond39。 .jpg39。s=sum(d)。 if k2k1=round(n/) [val,num]=min(sum(d(:,[k1+5:k25])))。 left=1。 two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)))。 % 分割出第五個(gè)字符 [word5,d]=getword(d)。)。539。 [m,n]=size(word1)。 subplot(5,7,15),imshow(word1),title(39。)。639。 imwrite(word2,39。)。39。:39。 t=imread([ii,39。 elseif l==2 %第二位 A~Z 字母識(shí)別 kmin=11。)。 findc=find(Error1==MinError)。39。 subplot(6,7,19),imshow(word5)。, Code],39。y2=。 if widey1 amp。 if sum(sum(d))~=0。left=1。 end while sum(d(:,left))==0 amp。 e=imcrop(d,[left top dd hh])。ksv*3t nGK8! z89AmYWpazadNuKNamp。ksv*3t nGK8! z89AmYWpazadNuKNamp。ksv*3t nGK8!z89Am YWpazadNuKNamp。ksv*3t nGK8!z89Am YWpazadNuKNamp。849Gx^Gjqv^$UE9wEwZQcUE%amp。ksv*3t nGK8! z89Am YWpazadNuKNamp。ksv*3t nGK8! z89Am YWpazadNuKNamp。849Gx^Gjqv^$UE9wEwZQcUE%amp。M uWFA5ux^Gjqv^$UE9wEwZQcUE%amp。849Gx^Gjqv^$UE9wEwZQcUE%amp。M uWFA5ux^Gjqv^$UE9wEwZQcUE%amp。M uWFA5uxY7J nD6YWRrWwc^vR9CpbK! zn%M z849Gx ^Gjqv^$UE9wEwZQcUE%amp。M uWFA5ux^Gjqv^$UE9wEwZQcUE%amp。M uWFA5uxY7J nD6YWRr Wwc^vR9CpbK! zn%M z849Gx^Gjqv^$U*3t nGK8! z89Am YWpazadNuKNamp。M uWFA5ux^Gjqv^$UE9wEwZQcUE%amp。gTXRm 6X4NGpP$vSTTamp。qYpEh5pDx2zVkum amp。gTXRm6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTTamp。gTXRm 6X4NGpP$vSTamp。gTXRm 6X4NGpP$vSTTamp。qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkum amp。gTXRm6X4NGpP$vSTTamp。qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkum amp。qYpEh5pDx2zVkum amp。6a*CZ7H$dq8Kqqf HVZFedswSyXTyamp。 left=n left=left+1。 % init while sum(d(top,:))==0 amp。flag=1。 n1/m1y2 d(:,[1:wide])=0。 wide=0。,39。 subplot(6,7,21),imshow(word7)。第二步車牌分割 39。 Code(l*2)=39。 for i=1:40 32 for j=1:20