【正文】 word(d)。 subplot(5,7,6),imshow(word6),title(39。)。 subplot(5,7,21),imshow(word7),title(39。39。 39。 else l=3 %第三位以后 是字母或數(shù)字識(shí)別 kmin=1。 45 Code(l*2)=39。 while sum(d(:,wide+1))~=0 amp。 else d=[]。 end while sum(d(:,right))==0 amp。amp。 d=qiege(d)。 while flag==0 [m,n]=size(d)。 findc=find(Error1==MinError)。 elseif l==2 %第二位 A~Z 字母識(shí)別 kmin=11。:39。)。639。 subplot(5,7,15),imshow(word1),title(39。539。 % 分割出第五個(gè)字符 [word5,d]=getword(d)。 left=1。s=sum(d)。diamond39。 39。)。定位剪切后的彩色車(chē)牌圖像 39。 end end end PX1=1。 [y,x,z]=size(I5)。title(39。title(39。在第二章圖像預(yù)處理階段，對(duì)車(chē)牌識(shí)別前需要進(jìn)行的圖像灰度化、二值化以及邊緣檢測(cè)等工作進(jìn)行了介紹，在第三章車(chē)牌定位階段，通過(guò)常用的定位方法，基于紋理特征和數(shù)學(xué)形態(tài)的方法進(jìn)行定位。 計(jì)算模板匹配法中相似度算法有 AD 算法、差方和算法（ SSD 算法）以及NCC 算法等。字符識(shí)別的關(guān)鍵是分類(lèi)器的選擇與組織。該方法較好地解決了漢字的不連通、字符的粘連、噪聲的干 擾以及車(chē)牌的第 2個(gè)字符和第 3個(gè)字符之間存在小圓點(diǎn)的問(wèn)題，實(shí)踐證明此方法是行之有效的。 （ 4）光照不均容易引起分割錯(cuò)誤。同樣， B 對(duì) A的閉運(yùn)算可記為 BA? ,其定義是： BBABA ???? )( （ ） 由公式可以看出，閉運(yùn)算是開(kāi)運(yùn)算的對(duì)偶運(yùn)算，即對(duì) A 進(jìn)行先膨脹后腐蝕的運(yùn)算。此時(shí)直方圖上會(huì)有一個(gè)波峰密集的區(qū)域，并且此區(qū)域的寬度滿足牌照寬高比的 先驗(yàn)知識(shí)，由此我們也可以確定車(chē)牌在垂直方向上的精確位置。 (1) 車(chē)牌粗定位 粗定位即從車(chē)牌的邊緣圖像中尋找并提取出包含有車(chē)牌圖像的區(qū)域的過(guò)程。本文對(duì)圖像的灰度化、圖像增強(qiáng)、二值化、邊緣檢測(cè)等預(yù)處理技術(shù)進(jìn)行了介紹，并簡(jiǎn)要分析了各種預(yù)處理方法的優(yōu)缺點(diǎn)。圖像的邊緣檢測(cè)是圖像分割、紋理特征提取以及形狀特征提取等圖像后續(xù)處理的前提。灰度圖像是只包含了圖像的亮度信息而不包含圖像的色彩信息的圖像。 在本文的安排 過(guò)程中，第二章圖像的預(yù)處理主要是介紹有關(guān)圖像處理的相關(guān)知識(shí)，第三章車(chē)牌定位，第四章字符切割，主要是為第五章字符識(shí)別做前期準(zhǔn)備。在一定情況下，還必須快 速實(shí)時(shí)地完成。)。這對(duì)于穩(wěn)定性、實(shí)時(shí)性要求很高的數(shù)據(jù)采集裝置來(lái)說(shuō)是不允許的，因 此有必要引入嵌入式操作系統(tǒng)。開(kāi)始的時(shí)候大家都以為它會(huì)被命名為 Serial PCI(受到串 行 ATA 的影響 )，但最后卻被正式命名為 PCI Express， Express 意思是高速、特別快的意思。此標(biāo)準(zhǔn)允許在計(jì)算機(jī)內(nèi)安裝多達(dá) 10 個(gè)遵從 PCI 標(biāo)準(zhǔn)的擴(kuò)展卡。 本模塊為 PCI 數(shù)據(jù)采集模塊 ,可對(duì) 4 路單端輸入的模擬信號(hào)并行采集 ,輸入信號(hào)幅度為177。D:\39。 車(chē)牌自動(dòng)識(shí)別系統(tǒng)主要包括預(yù)處理、車(chē)牌定位、字符切割、字符識(shí)別四個(gè)關(guān)鍵環(huán)節(jié)，本文主要研究的是 在 已經(jīng) 分割 好的車(chē)牌 的基礎(chǔ)上， 通過(guò)部分圖像處理技術(shù)進(jìn)行數(shù)字和字母的識(shí)別。 關(guān)于車(chē)牌定位系統(tǒng)的研究，國(guó)內(nèi)外學(xué)者已經(jīng)作了大量的工作，但實(shí)際效果并 13 不是很理想，比如車(chē)牌圖像的傾斜、車(chē)牌表面的污穢和磨損、光線的干擾等都是影響定位準(zhǔn)確度的潛在因素。 對(duì)于實(shí)際拍攝到的圖片，由于天氣、光照以及速度等外部因素的影響，往往使得這些圖像并不能直接應(yīng)用到車(chē)牌識(shí)別過(guò)程中，而必須先對(duì)圖像進(jìn)行前期的處理，以增強(qiáng)圖像的質(zhì)量。由此我們可以很容易發(fā)現(xiàn)，處理灰度圖像時(shí)程序的執(zhí)行效率將遠(yuǎn)遠(yuǎn)高于執(zhí)行同樣的彩色圖像時(shí)程序的執(zhí)行效率。 下面對(duì)這幾種常用的邊緣檢測(cè)方法做一簡(jiǎn)單介紹。另外，車(chē)牌定位的速度也會(huì) 對(duì)車(chē)牌識(shí)別系統(tǒng)的性能以及實(shí)際應(yīng)用產(chǎn)生重大的影響。 這種方法又分為行定位和列定位兩步。形態(tài)學(xué)是一種非線性濾波方法，它可以用來(lái)解決圖像濾波、邊緣檢測(cè)、圖像分割、形狀識(shí)別、紋理分析、圖像壓縮、圖像恢復(fù)與重建等圖像處理問(wèn)題。應(yīng)用開(kāi)閉運(yùn)算對(duì)數(shù)字圖像進(jìn)行處理，可以得到多個(gè)可能的車(chē)牌區(qū)域，然后再根據(jù)一定的判別法從確定的待選車(chē)牌區(qū)域中確定真正的車(chē)牌位置。 （ 2）利用車(chē)牌圖像中，第一個(gè)字符是漢字的特點(diǎn)。字符識(shí)別技術(shù)是車(chē)輛牌照識(shí)別中的核心技術(shù)之一，它是指對(duì)輸入的附加有字符信息的圖像，通過(guò)圖像分析和模式識(shí)別技術(shù)，運(yùn)用一定的數(shù)學(xué)運(yùn)算，輸出附加在圖像中的正確的字符信息的過(guò) 程 [14]。對(duì)于440mm140mm 規(guī)格的車(chē)牌來(lái)說(shuō)，這個(gè)分類(lèi)規(guī)模還要更小。其匹 配公式為： ? ???????nm nmjijinmjijiTEnmTSEnmSTEnmTSEnmSjiR, ,22,))(),(())(),(()(),()(),(),( （ ） 式中 ,()ijES 和 ()ET 分別是搜索子圖 ,ijS 和模板 T 的灰度平均值。 通過(guò)對(duì) 基于數(shù)字圖像的車(chē)牌識(shí)別這一課題的設(shè)計(jì)研究，使我對(duì)數(shù)字圖像處理這一門(mén)課程有了全新的認(rèn)識(shí)和學(xué)習(xí)，并對(duì)基于數(shù)字圖像的車(chē)牌識(shí)別這一課題進(jìn)行了系統(tǒng)的學(xué)習(xí)，掌握了 課題研究背景，國(guó)內(nèi)外研究現(xiàn)狀，車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)圖 、 車(chē)牌圖像的預(yù)處理，并對(duì)車(chē)牌進(jìn)行灰度化、二值化以及邊緣檢測(cè) 、 車(chē)牌定位，基于紋理特征和數(shù)學(xué)形態(tài)特征的車(chē)牌定位方法，并給出定位結(jié)果 、 字符切割，根據(jù)車(chē)牌自身特征，采用一種對(duì)水平投影法進(jìn)行改進(jìn)的車(chē)牌字符分割的方法對(duì)車(chē)牌 進(jìn)行分割 、 字符識(shí)別，模板匹配的方法，建立了字符模板，以及用 AD 算法檢測(cè) 待測(cè)字符和模板字符中的相似程度，最終通過(guò) MATLAB 實(shí)現(xiàn)了車(chē)牌數(shù)字與字母的識(shí)別 等一系列知識(shí)，同時(shí)也使我熟悉了 MATLAB 這一軟件的應(yīng)用。 I2=edge(I1,39。 se=strel(39。 for i=1:y for j=1:x if(myI(i,j,1)==1) Blue_y(i,1)= Blue_y(i,1)+1。(PX1x)) PX1=PX1+1。)。 39。,3)。... se=eye(2)。 end k1=j。 end if widey1 % 認(rèn)為是左側(cè)干擾 d(:,[1:wide])=0。 subplot(5,7,1),imshow(word1),title(39。639。 subplot(5,7,16),imshow(word2),title(39。739。)。蘇豫陜魯 39。 kmax=36。 39。amp。 end end end %end result=d。amp。 end while sum(d(:,left))==0 amp。 if sum(sum(d))~=0。y2=。 MinError=min(Error1)。 kmax=40。A39。39。 subplot(5,7,20),imshow(word6),title(39。 word7=imresize(word7,[40 20])。 subplot(5,7,5),imshow(word5),title(39。 % 分割 出第四個(gè)字符 [word4,d]=getword(d)。 while flag==0 [m,n]=size(d)。k2=1。/39。) figure(8),subplot(3,2,3),imshow(d),title(39。 .jpg39。 figure(7),subplot(1,2,2),imshow(dw),title(39。%進(jìn)一步確定 x 方向的車(chē)牌區(qū)域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)==1) Blue_x(1,j)= Blue_x(1,j)+1。)。 35 figure(4),imshow(I3)。 figure(2),subplot(1,2,2),imhist(I1)。本文所做的工作具體包括以下幾部 分 ： 在第一章緒論中，主要研究了課題的研究背景，以及國(guó)內(nèi)外的研究現(xiàn)狀，闡明了車(chē)牌自動(dòng)識(shí)別的流程以及本文的主要工作。在用模板匹配法對(duì)字符進(jìn)行識(shí)別時(shí)，通常要先確定一個(gè)標(biāo)準(zhǔn)的字符模板庫(kù)，該標(biāo)準(zhǔn)模板庫(kù)中包含了字符集中每個(gè)字符的特征集合，如橫、豎、 撇、捺、折、點(diǎn)、連通域以及某些統(tǒng)計(jì)特征等，然后提取待識(shí)別字符的 31 相應(yīng)特征集合，將待識(shí)別字符的特征和標(biāo)準(zhǔn)模板庫(kù)中的字符特征進(jìn)行比對(duì)，依據(jù)判決規(guī)則（如計(jì)算特征模板間的距離）對(duì)待識(shí)別字符進(jìn)行分類(lèi)。字符描述、特征提取和選擇、分類(lèi)判決共同構(gòu)成了字符識(shí)別的三個(gè)基本環(huán)節(jié)。 28 圖 車(chē)牌原始圖像 圖 分割后的車(chē)牌字符 29 4． 2 本章小結(jié) 本章主要討論了車(chē)牌字符切割的方法，車(chē)牌字符切割的方法直接影響了下一步車(chē)牌識(shí)別的效率，本章采用基于水平投影的改進(jìn)方法進(jìn)行字符切割。 （ 3）車(chē)牌的前 2 個(gè)字符和后面 5 個(gè)字符之間的間隔符（小圓點(diǎn)）需要進(jìn)行 27 特殊處理。開(kāi)運(yùn)算對(duì)圖像具有平滑效果，它能消除圖像的邊 緣毛刺以及孤立斑點(diǎn)等等。只不過(guò)此時(shí)得到的直方圖上會(huì)有一系列的峰值，而不是一個(gè)峰值，直方圖呈現(xiàn)出峰 — 谷 — 峰的結(jié)構(gòu)。使用此方法進(jìn)行車(chē)牌定位分為兩步：首先對(duì)車(chē)牌進(jìn)行粗定位，然后在粗定位圖像的基礎(chǔ)上對(duì)車(chē)牌進(jìn)行精確定位。圖像預(yù)處理效果的好壞，將對(duì)車(chē)牌識(shí)別的后續(xù)處理過(guò)程（如車(chē)牌定位，字符分割等）產(chǎn)生直接的影響。圖像的邊緣檢測(cè)大 幅度的減少了圖像包含的數(shù)據(jù)量，去除了不相關(guān)的信息，保留了圖像的重要的結(jié)構(gòu)屬性。因此，在進(jìn)行車(chē)牌識(shí)別過(guò)程時(shí)，有必要將彩色圖像轉(zhuǎn)換為灰度圖像。 第一章為引言，介紹了課題研究背景，國(guó)內(nèi)外研究現(xiàn)狀，車(chē)牌識(shí)別系統(tǒng)的結(jié)構(gòu)圖以及本文的工作安排； 第二章為車(chē)牌圖像的預(yù)處 理，介紹了圖像處理相關(guān)知識(shí)，并對(duì)車(chē)牌進(jìn)行灰度化、二值化以及邊緣檢測(cè)； 第三章為車(chē)牌定位，簡(jiǎn)要介紹了基于紋理特征和數(shù)學(xué)形態(tài)特征的車(chē)牌定位方法，并給出定位結(jié)果； 第四章為字符切割，根據(jù)車(chē)牌自身特征，采用一種對(duì)水平投影法進(jìn)行改進(jìn)的車(chē)牌字符分割的方法對(duì)車(chē)牌進(jìn)行分割； 第五章為字符識(shí)別，詳細(xì)介紹了模板匹配的方法，建立了字符模板，以及用AD 算法檢測(cè) 待測(cè)字符和模板字符中的相似程度，最終通過(guò) MATLAB 實(shí)現(xiàn)了車(chē)牌數(shù)字與字母的識(shí)別 ； 第六章為結(jié)論，總結(jié)了本文所做的主要工作，并分析了其中的不足之處，以待今后改進(jìn)。并且字符區(qū)域的提取是整個(gè)系統(tǒng)過(guò)程的開(kāi)始，是比較關(guān)鍵的一步。王海馨 39。這樣就存在系統(tǒng)安全性差的問(wèn)題。 20xx 年 4 月 17日， AWG 正式宣布 規(guī)范草稿制定完畢，并移交 PCISIG（ PCI 特別興趣小組， PCI Special Interest Group）進(jìn)行審核。最早提出的 PCI 總線工作在 33MHz 頻率之下，傳輸帶寬達(dá)到 133MB/s(33MHz * 32bit/s)，基本上滿足了當(dāng)時(shí)處理器的發(fā) 展需要。 10 V ,AD 分辨率為 12 b ,總采樣率為 400 k 。)。 在識(shí)別階段， 利用模板匹配的方法，通過(guò) AD 算法來(lái)確定待測(cè)字符和模板字符 中的相似程度，最終從復(fù)雜背景圖像中有效的識(shí)別車(chē)牌字符。為此，近年來(lái)不少學(xué)者針對(duì)車(chē)牌本身的特點(diǎn)，車(chē)輛拍攝的不良現(xiàn)象及背景的復(fù)雜狀況，先后提出 了許多有針對(duì)性的定位方法，使車(chē)牌定位在技術(shù)和方法上都有了很大的改善。例如：一般情況下，車(chē)牌識(shí)別系統(tǒng)處理的都是灰 度圖像，因此要先將拍攝的彩色圖像轉(zhuǎn)換為灰度圖像；在拍攝車(chē)牌照片時(shí)，照片的圖像質(zhì)量往往會(huì)受到光照，雨霧天氣等因素的影響，因此要先對(duì)車(chē)牌圖像進(jìn)行降噪處理，盡量降低噪聲對(duì)識(shí)別過(guò)程的影響；對(duì)于晚上或者在光線比較暗的情況下拍攝的圖像，其對(duì)比度必然較低，因此我們還要對(duì)這些圖像進(jìn)行圖像增強(qiáng)，增加其對(duì)比度， 15 凸顯灰度值較高的圖像部分，弱化背景，以利于后續(xù)工作的展開(kāi)。 以 RGB 顏色空間為例，我們可以認(rèn)為圖像的灰度化過(guò)程就是使得彩色圖像像素的 R、 G、 B 分量變得相等的過(guò)程。 Canny 算子 Canny[9]算子是于 1986 年由 Canny 提出的基于最 優(yōu)化算法的邊緣檢測(cè)算子，它把邊緣檢測(cè)問(wèn)題轉(zhuǎn)換為檢測(cè)單元函數(shù)極大值的問(wèn)題，具有很好的信噪比和檢測(cè) 19 精度。近年來(lái)，眾多研究者在車(chē)牌定位領(lǐng)域做了大量的工作，并取得了豐碩的成果。首先，