【正文】 作用；先膨脹后腐蝕的過程稱為閉運算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。 圖 31 圖像二值化 Step4 對得到 二值圖像作開閉操作進(jìn)行濾波 1)邊緣檢測： 兩個具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結(jié)果，是圖像分割 、 紋理特征提取和形狀特征提取等圖像分析的基礎(chǔ)。 因為系統(tǒng)運行的過程中，主要進(jìn)行的都是圖像處理，在這個過程中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高， CPU要求主頻在600HZ及以上 ，內(nèi)存在 128MB 及以上。 4 實現(xiàn)所采 用的方法 車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。從而能夠有效的采取措施預(yù)防堵車，排隊，事故等交通異?，F(xiàn) 像 。 2） 車輛出入 自動登記及放行 在需要管制的小區(qū)或者辦公場所門口裝設(shè)車牌識別系統(tǒng)，那么汽車進(jìn)出此場所時間，車牌牌照等信息將會被存儲在相應(yīng)的數(shù)據(jù)庫中，通過修改相應(yīng)的數(shù)據(jù)庫，添加車牌信息，我們還能讓自動門禁對相應(yīng)的車輛進(jìn)行自動放行，如遇到非數(shù)據(jù)庫中的車輛則由保安進(jìn)行相應(yīng)的咨詢，或批準(zhǔn)后 人為放行。 從 20世紀(jì) 90年代初，國外就已經(jīng)開始了對汽車牌照自動識別 [3]的研究，其主要途徑就是對車牌的圖像進(jìn)行分析，自動提取車牌信息，確定汽車牌號。車牌的智能定位以及識別是一個完整的系統(tǒng)，考慮到其應(yīng)用的普遍性以及廣泛性，就要求我們在設(shè)計過程中考 慮到以下幾方面： （ 1） 準(zhǔn)確性 :盡可能的避開其他外界造成的干擾，準(zhǔn)確的識別車牌信息。車牌字符分割是為了以便后續(xù)對車牌模板進(jìn)行匹配從而對車牌進(jìn)行識別，考慮到我國車牌的結(jié)構(gòu)構(gòu)成所采用的字符并不是很多，由此本文采用了模板匹配的方法，對輸出的圖像和模板庫里的模板進(jìn)行匹配，通過處理后得到的圖片與模板字符相減，得到的0越多那么就越匹配，然后對其個數(shù)進(jìn)行累計并找出數(shù)值最大的，即為識別出來的結(jié)果。汽車牌照號碼是車輛的唯一 “ 身份 ” 標(biāo)識， 通過智能的車牌定位及識別技術(shù)將 對于維護(hù) 交通 安全 和城市治安，防止交通堵塞，實現(xiàn)交通 自動化 管理有著現(xiàn)實的意義 。 本文采用的是選取不同的邊緣算子檢測，通過實驗分析不同算子的效果，最終選取了 canny算子進(jìn)行車牌的邊緣檢測，更好的對其進(jìn)行檢測與識別，然后通過二值化等處理進(jìn)行分割，最終與模板庫模板進(jìn)行對比，達(dá)到車牌識別的目的。 1988年戴營等利用常見的圖像處理技術(shù)方法提出漢字識別的分類是在提取漢字特征的基礎(chǔ)上進(jìn)行的。還可以在紅綠燈路口加上紅外檢測實現(xiàn)違規(guī)檢測，對出現(xiàn)闖紅燈的現(xiàn) 像 或者違規(guī)轉(zhuǎn)彎的現(xiàn) 像 進(jìn)行相應(yīng)的數(shù)據(jù)采集。 3 實現(xiàn)目標(biāo)和功能 車牌識 別 (Vehicle License Plate Recognition， VLPR) 是現(xiàn)代智能交通系統(tǒng)中的重要組成部分之一，應(yīng)用十分廣泛 ，車牌識別技術(shù)通過對信息量較大的對 像 采集，然后經(jīng)過一系列的處理提取了相對較小的信息量且有價值的一部分信息，僅僅提取識別車“身份”的車牌信息。 牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖 像 預(yù)處理后的原始灰度圖 像 中確定牌照的具體位置，并將包含牌照字符的一塊子圖 像 從整個圖 像 中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個牌照字符識別系統(tǒng)的識別率。流程如下圖所示 車牌識別系統(tǒng)流程圖 圖 1 車牌識別系統(tǒng)流程圖 6 實現(xiàn)目標(biāo)主要步驟 1） 獲取圖像 裝入待處理彩色圖像并顯示原始圖像 2） 圖像預(yù)處理 對 Sgray 原始黑白圖像進(jìn)行開操作得到圖像背景 3） 取得最佳閾值，將圖像二值化 車牌圖像采集 車牌圖像進(jìn)行處理 字符分割 字符識別 輸出結(jié)果 對車牌定位 定位車牌圖像處理 4） 對得到二值圖像作開閉操作進(jìn)行濾波 5） 對二值圖像進(jìn)行 區(qū)域提取，并計算區(qū)域特征參數(shù)。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個閾值，則確定該點為邊緣點 ，這樣會導(dǎo)致檢測的邊緣點太多。進(jìn)行區(qū)域特征參數(shù)比較，提取車牌區(qū)域 1)對圖像每個區(qū)域進(jìn)行標(biāo)記，然后計算每個區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。對已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理，逐個的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識別，輸出識別結(jié)果。 在車牌識別的過程中數(shù)字庫的建立很重要 ,只有數(shù)字庫的準(zhǔn)確才能保證檢測出來的數(shù)據(jù)正確。 16 [2]孫增祈 . 智能控制理論與技術(shù) [M]. 北京 ： 清華大學(xué)出版社 ， 1999 [3]鐘珞，潘昊，何平 .模式識別 [M]書 .武漢：武漢大學(xué)出版社， 2021 年 9 月第 1版： P1P5， P62P64 [4]葉晨洲等 . 車輛牌照字符識別系統(tǒng) [J]. 計算機系統(tǒng)應(yīng)用， 1999(5): 1013 [5]袁志偉，潘曉露 . 車輛牌照定位的算法研究 [J]. 昆明理工大學(xué)學(xué)報， 2021，26(2)： 5660 [6]岡薩雷斯 . 數(shù)字圖像處理 （第二版 ） [M]. 北京： 電子工業(yè)出版社 ， 2021 附錄 主要代碼程序 clear 。） 。%打開 sgray s圖像 figure,imshow（ Bgray） 。） 。圖像二值化 39。%輸出圖像邊緣 bg1=imclose（ grd,strel（ 39。rectangle39。,[19,1]）） 。basic39。, 39。 for l=1:num width=BoundingBox（（ l1） *4+3） 。 startcol=BoundingBox（（ l1） *4+1） 2。 %獲取車牌二值子圖 subcol1=Sgray（ startrow:startrow+hight,startcol:startcol+width1） 。） 。%輸出垂直投影 subplot（ 2,1,2） ,bar（ histrow） 。%輸出水平投影 subplot（ 2,1,2） ,imshow（ sbw1） 。 l=1。 n1=n1+1。%峰中心位置 end %Step7 計算車牌旋轉(zhuǎn)角度 %（ 1）在上升點至下降點找第一個為 1的點 [m2,n2]=size（ sbw1） 。 break。 k1=k1+1。 %poly1 Y = p1*x+p2 p1=。bilinear39。%輸出車牌旋轉(zhuǎn)后的灰度圖像標(biāo)題顯示車牌灰度子圖 subplot（ 2,1,2） ,imshow（ sbw） 。] ,39。 %計算水平投影 figure,subplot（ 2,1,1） ,bar（ histcol1） 。 figure,subplot（ 2,1,1） ,bar（ histrow） 。 %去水平（上下）邊框 ,獲取字符高度 maxhight=max（ markrow2） 。title（ 39。,39。 for k=1:width if histcol（ k） =levelcol count1=count1+1。 markcol（ l） =width。 %字符中心距離（字符中心點至下一個字符中心點） maxs=max（ markcol6） 。 cright=markcol5（ k） +maxwidth/22。%變換為 22行 ?14列標(biāo)準(zhǔn)子圖 subplot（ 2,n1,l） ,imshow（ SegGray） 。 end subplot（ 2,n1,n1+l） ,imshow（ SegBw2） 。） l=l+1。:39。 if cleft1 cleft=1。 elseif l==2 %第二位 A~Z 字母識別 kmin=11。H:\work\sam\Sam39。 for k1=1:22 for l1=1:14 if （ SubBw2（ k1,l1） 0 | SubBw2（ k1,l1） 0 ） Dmax=Dmax+1。%輸出最小誤差圖像 l=l+1。