【文章內(nèi)容簡介】 像素值是輸入圖像鄰域中的最大值，在一個二值圖像中，只要一個像素值為 1，則相應的輸出像素值為 1。 根據(jù)經(jīng)驗值，車牌圖像中，字符面積與車牌面積之比在 (,)之間，因此計算字符面積與車牌面積比值，如果大于 ，如果小于 則對圖像進行膨脹， 在這里結(jié)構(gòu)元素 Se 使用一個二維單位矩陣1001??????錯誤 !未找到引用源。 。 對于此對象，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)域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙 17 處取得局部最小值的附近，并且這個位置應滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 圖 牌照字符切割框圖 2021年頒布的我國車牌規(guī)范 (普通中小型汽車 )規(guī)定車牌總長 440mm，牌照中的 7個字符的實際總長為 409mm 左右，寬 140mm，每個字符 45mm寬， 90mm高，字符間距為10mm，其中第二個字符與第三個字符的間距較為特殊，為 ，最后一個字符與第一個字符距邊界 25mm。這樣，如果平均分配每個字符在牌照中占據(jù)的寬度，那么每個字符寬度為： width/7（ width 為車牌圖像的寬度）。但是，實際上，第二個第三個字符之間存在一個黑點，牌照 左右兩邊與圖像邊緣也都有一定的寬度，所以每個字符的寬度應該小于 width/7?？紤]所有的情況，一般情況下最小的寬度為 width/9。因此，字符的寬度可以從 width/9 到 width/7 之間漸進的變化得到 ,程序流程圖。 字符切割流程圖如下圖所示： 分析垂直投影找到每個字符中心位置 去掉車牌的框架 計算水平投影進行車牌水平校正 按左右寬度切割出字符 18 開始 車牌二值圖像 切除周邊空白 垂直投影 從左往右查找，垂直投影白色像素點累計小于 10 的值的 wide 以水平區(qū)域（ 0，wide）剪切出 判斷是否為標準字符 保存這個字符 將剩余部分保存并覆蓋原先圖像 字符個數(shù)是否為 7 結(jié)束 Y N N Y 19 圖 字符切割流程圖 字符分割一般采用垂直投影法。 在這之前還必須切除周邊空白， 由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個位置應滿足牌照的字 符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 經(jīng)過切割，切割的字符圖像如下： 圖 經(jīng)切割的七個字符 切割后一連串的字符串變成了單個字符，為后面的字符匹配識別奠定了基礎。 字符識別 字符識別方法選擇 目前字符識別的方案有使用神經(jīng)網(wǎng)絡和模板匹配法進行比對。人工神經(jīng)網(wǎng)絡是模擬人腦思維功能和組織建立起來的數(shù)學模型，雖然現(xiàn)在神經(jīng)網(wǎng)絡正在迅速發(fā)展，但總體來說應用還是相對復雜的。模板匹配法雖然識別率低，但實現(xiàn)簡單，計算量小，只有矩 陣的加減與統(tǒng)計，而且車牌字符是有阿拉伯數(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 對字符圖像的缺損、污跡干擾適應力強且識別率相當高，因此 本課題使用這種方法。對于模板匹配，首先建立標準模板庫，庫中字符使用統(tǒng)一的尺寸，這里使用 20 40? 。 字符歸一化 由于圖像采集時圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會不一樣，所以在進行匹配前必須先進行字符圖像歸一化。使圖像字符大小跟模板圖像大小一致，Matlab提供一個改變圖像大小的函數(shù) imresize(I， Size， Model)， Model是插值運算方法，這里選用 39。nearest39。最近鄰插值 法 ,經(jīng)歸一化后的圖像如下。 20 圖 經(jīng)歸一化后的七個字符 切割的字符經(jīng)過歸一化之后，每個字符的大小基本一致，由此便解決了像素值不一致帶來的問題，并且利于和庫中的字符進行匹配比較。 字符匹配識別 字符匹配識別的是要前提要簡歷可以與之相比較的字庫表，再將已切割并進行了歸一化處理的單個字符相比較，逐個字符進行匹配比較，再將待識別的字符的特征值和模板字符相減，找到相減值為最小的那個即為匹配得最好的 字符。字符識別步驟如下： 圖 字符匹配框圖 建立模板字庫表 讀取分割出來的字符 第一個字符與模板中的漢字模板進行匹配 第二個字符與模板中的字母模板進行匹配 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 識別完成，輸出此模板對應值 后 5 個字符與模板中的字母與數(shù)字模板進行匹配 21 字符匹配的準確度是車牌識別中的關鍵部分，所以首先要簡歷精準有效的模板字庫表，便于切割完的字符與庫中內(nèi)容相比較，接下來是讀取切割的字符，從第一個字符開始一次與庫中字符相比較匹配，切割后的字符特征值與庫中模板字符相減，找到值最小的那個就是匹配得最恰當?shù)淖址? 匹配方法采用將目標圖像與模板圖像逐點做差，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)。 end end 最后計算第三幅二進制圖像中像素值為 1的個數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對比可得相似度最高的數(shù)字 圖 字符相似度比較 如圖 ：第一個字符在 Lib_Code_No=39處取得最大相似度，查字庫Lib_Code_No=39的字符為“魯”，則可以確定該字符為“魯”，同理可得出其他 6個字符。 22 4 仿真結(jié)果及分析 車 牌定位及圖像讀取及其圖像處理 車牌定位后系統(tǒng)邊緣檢測的仿真結(jié)果圖如下圖所示 : 圖 圖像讀取及檢測結(jié)果圖 結(jié)果分析：圖像車牌區(qū)域提取就是從原圖中截取含車牌的部分，即 RGB 圖像，然后進行字符的切割與識別。為了去除圖像中的噪聲點必須對截取的圖像進行濾波處理，經(jīng)濾波后，不僅去除了噪聲，并且使圖像得到了銳化。經(jīng)過這些步驟可以使得最終識別出的圖像與原圖的相似度更高，即結(jié)果更精確。仿真的結(jié)果也使得車牌部分從原圖被準確的提取出來了，達到了 車牌定位及圖像讀取及其圖像處理的目的。 車牌字符分割及其圖像處理 對經(jīng)邊緣檢測掃描后的圖像經(jīng)字符切割后的圖像如下圖所示： 23 圖 字符分割及歸一化結(jié)果圖 結(jié)果分析： 從 MATLAB 編程運行結(jié)果看 ，便于 圖像進行匹配識別，必須先將連續(xù)的字符切割成單個字符，并且在切割字符之前要將周邊空白切除掉。由以上結(jié)果圖可以看到，車牌被切成只含字符部分，并且七個字符被切成清晰的七個字符，實現(xiàn)了字符切割。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。 車牌字符識別及其圖像處理 圖像經(jīng)上述處理后再進行識別，次圖 像和原圖有一定的差異，其字符相似度曲線成一定規(guī)律，其曲線圖如下圖所示： 圖 字符識別結(jié)果圖 結(jié)果分析 :字符識別是這樣一個過程，根據(jù)建立的模板字符庫將分割出來的字符和模板庫中的字符一一匹配，將切割的字符和模板相減得到一個差值，差值越小表明字符匹配程度越高。由 圖 可 知，字符匹配識別的難易程度不一致，但總體能識別出漢字、字母和數(shù)字。 24 5 結(jié)論 本課題對車牌識別系統(tǒng)的軟件部分進行了研究，分別從圖像預處理、車牌定位、字符分割以及字符識別等方面進行了系統(tǒng)的分析。主要工作內(nèi)容及結(jié)論如下 : （ 1） 整理和總結(jié)了國內(nèi)外在車牌定位、分割、字符識別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國車牌的固有特征，以及車牌識別的特點。 （ 2）在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進行預處理，再進行二值化操作的方法。實驗表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，實驗表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后續(xù)處理的速度。 （ 3）基于彩色分量的定位方法，運用基于藍色象素點統(tǒng)計特性的方法對車牌是藍色的車牌進行定位。實驗表 明，用該方法實現(xiàn)的車牌定位準確率較高。 （ 4）用 MATLAB 編程運行結(jié)果可以得出，本設計采用的圖像預處理、邊緣檢測、開閉運算子、車牌長寬比特征識別等對車牌的定位都是非常有效的，而本設計提出的二次水平投影分析和閾值技術(shù)有效檢測了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準確實現(xiàn)的車牌字符的分割，對多個車牌進行實驗，均有很高的正確率。 本設計雖然只對藍底白字車牌進行分割識別，對黑底白字車牌原則上整個算法可直接適用，對白底黑字車牌、黃底黑字車牌，需要對車牌定位算法進行調(diào)整，并將圖像反轉(zhuǎn)（ 0變 1 變 0），而車牌字符的分 割算法仍然行之有效。 因此，本設計提出的車牌字符的分割算法實驗證明是準確、有效、可行的。 25 參考文獻 [1]. 趙丹，丁金華 .基于 Matlab 的車牌識別 [J].大連：大連大連理工學報， ， 14（ 4）：44～ 48 [2]. 冀小平 .基于 Matlab的車牌識別系統(tǒng)研究 [J].北京：電子設計工程 ,， 11（ 3）： 18～21 [3]. 徐輝 .基于 Matlan實現(xiàn)汽車車牌自動識別系統(tǒng) [M]. 北京：國防工業(yè)出版社， [4]. 王愛玲，葉明生等 .MATLAB R2021圖像處理技術(shù)與應 用 [M].北京：電子工業(yè)出版社， [5]. 張德豐 .MATLAB模糊系統(tǒng)設計 [M].北京：國防工業(yè)出版社 , [6]. 葉晨洲等 .車輛牌照字符識別 [J].上海：上海交通大學學報 ,～ 6 [7]. 劉智勇等 .車牌識別（ LPR）中的圖像提取及分割 [J].北京：中文信息學報 ,2021,14(4):29～34 [8]. 賀興華 、 周媛媛 、 王繼陽等 .MATLAB 圖像處理 [M].北京：人民郵電出版社 ,～ 100 [9].劉佐濂 , 鄧榮標 , 孔嘉圓 .中國科技信息 [J].2021（ 23期） 9～ 12. [10]. 張禹 、 馬駟良 、 韓笑 、 張忠波 .車牌識別中的圖像提取及分割算法 [J].吉林大學學報 ,2021. 第 44卷第 3期， 407～ 410 [11]. 霍宏濤 .數(shù)字圖像處理 [M].北京：機械工業(yè)出版社 , [12]. 許志影、李晉平 .MATLAB極其在圖像處 理中的應用 [J].計算機與現(xiàn)代化 ,2021(4)： 20～ 28 [13]. 戚飛虎 .模式識別與圖象處理［ M］ .上海：上?？茖W技術(shù)出版社 ,1998 [14]. 雷英杰 . MATLAB遺傳算法工具箱及應用 [M].西安 :西安電子科技大學出版社 ,2021 [15]. 楊淑瑩 .模式識別與智能計算 :Matlab技術(shù)實現(xiàn) [M].北京：電子工業(yè)出版社 ,2021 [16]. 張強 ,王正林 .精通 MATLAB圖像處理 [M].北京 :電子工業(yè)出版社 ,2021 [17]. D. S. Kim and S. I. Chien,. Automatic car license plate extraction using modified generalized symmetry transform and image warp ing[ J ]. in Proc. IEEE Int. Symp. Industrial Elec2tronics, vol. 3, 2021, pp. 2022 2027 26 致謝 非常感謝 張恒 老師、 張小林 老師在我大學的最后學習階段 —— 畢業(yè)設計階段給自己的指導，從最初的 校外畢設申請、 定題 ，到資料收集 、 寫作、修改 以及 論文定稿，他 們給了我耐心的指導和無私的幫助。為了指導我們的畢業(yè)論文， 他 們放棄了自己的休息時間， 他 們的這種無私奉獻的敬業(yè)精神令人欽佩，在此我向她們表示我誠摯的謝意。同時，感謝所有任課老師和所有同學在這四年來給自己的指導和幫助，是他們教會了我專業(yè)知識，教會了我如何學習，教會了我如何做人。正是由于他們，我才能在各方面取得顯著的進步，在此向他們表示我由衷的謝意，并祝所有的老師 身體健康、工作順利， 培養(yǎng)出越來越多的優(yōu)秀人才，桃李滿天下！ 27 附錄：程序清單 function [d]=main(jpg) close all clc %I=imread(39。39。)。 I=imread(39。39。)。 figure(1),imshow(I)。title(39。原圖 39。) I1=rgb2gray(I)。 figure(2),subplot(1,2,1),imshow(I1)。title(39?；叶葓D 39。)。 figure(2),subplot(1,2,2),imhist(I