【文章內(nèi)容簡介】 字符識別等方面進行了系統(tǒng)的分析。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。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(yù)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，提高了后續(xù)處理的速度。 基于彩色分量的定位方法，運用基于藍色 像 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。本設(shè)計用 MATLAB 編程運行結(jié)果可以得出，本設(shè)計采用的圖像預(yù)處理、 CANNY 邊緣檢測、開閉運算子 [5， 19]、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(shè) 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(shè)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。 在車牌識別的過程中數(shù)字庫的建立很重要 ,只有數(shù)字庫的準確才能保證檢測出來的數(shù)據(jù)正確。切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，所以數(shù)據(jù)庫的數(shù)據(jù)尤為重要。 9設(shè)計體會 經(jīng)過 近 一周 的奮戰(zhàn)我的課程設(shè)計終于完成了。課程設(shè)計不僅是對前面所學(xué)知識的一種檢驗，而且也是對自己能力的一種提高。以前老是覺得自己什么東西都 不 會，什么東西都 不 懂， 而且又急于求成，結(jié)果造成什么都沒學(xué)好，還是什么都不會 。通過這次課程設(shè)計，我才明白學(xué)習是一個長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習，努力提高自己知識和綜合素質(zhì) ，特別是對于我，基礎(chǔ)比較差，一定不能太過于心急，要靜下心來慢慢的研究 。在這次課程設(shè)計中也使我們的同學(xué)關(guān)系更進一步了，同學(xué)之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對我們更好的理 解知識，所以在這里非常感謝幫助我的同學(xué) ，我也明白學(xué)習不是埋頭苦讀書，而是合理的利用資源，從同學(xué)那里，老師那里得到的有用的想法和信息，特別是網(wǎng)上有很多很好的資料，對自己的自學(xué)能力也是很好的提高 。 參考文獻 [1]（希）西奧多里德斯 等著 .模式識別（第三版） [M].電子工業(yè)出版社， 2021 年12 月。 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 。 close all。 %Step1 獲取圖像 裝入待處理彩色圖像并顯示原始圖像 Scolor = imread（ 39。39。） 。%imread函數(shù)讀取圖像文件 %將彩色圖像轉(zhuǎn)換為黑白并顯示 Sgray = rgb2gray（ Scolor） 。%rgb2gray轉(zhuǎn)換成灰度圖 figure,imshow（ Scolor） ,title（ 39。原始彩色圖像 39。） 。%figure命令同時顯示兩幅圖 figure,imshow（ Sgray） ,title（ 39。原始黑白圖像 39。） 。 %Step2 圖像預(yù)處理 對 Sgray 原始黑白圖像進行開操作得到圖像背景 s=strel（ 39。disk39。,13） 。%strel函數(shù) Bgray=imopen（ Sgray,s） 。%打開 sgray s圖像 figure,imshow（ Bgray） 。title（ 39。背景圖像 39。） 。%輸出背景圖像 %用原始圖像與背景圖像作減法，增強圖像 Egray=imsubtract（ Sgray,Bgray） 。%兩幅圖相減 figure,imshow（ Egray） 。title（ 39。增強黑白圖像 39。） 。%輸出黑白圖像 %Step3 取得最佳閾值，將圖像二值化 fmax1=double（ max（ max（ Egray））） 。%egray的最大值并輸出雙精度型 fmin1=double（ min（ min（ Egray）） ） 。%egray的最小值并輸出雙精度型 level=（ fmax1（ fmax1fmin1） /3） /255。%獲得最佳閾值 bw22=im2bw（ Egray,level） 。%轉(zhuǎn)換圖像為二進制圖像 bw2=double（ bw22） 。 %Step4 對得到二值圖像作開閉操作進行濾波 figure,imshow（ bw2） 。title（ 39。圖像二值化 39。） 。%得到二值圖像 grd=edge（ bw2,39。canny39。） %用 canny算子識別強度圖像中的邊界 figure,imshow（ grd） 。title（ 39。圖像邊緣提取 39。） 。%輸出圖像邊緣 bg1=imclose（ grd,strel（ 39。rectangle39。,[5,19]）） 。%取矩形框的閉運算 figure,imshow（ bg1） 。title（ 39。圖像閉運算 [5,19]39。） 。%輸出閉運算的圖像 bg3=imopen（ bg1,strel（ 39。rectangle39。,[5,19]）） 。%取矩形框的開運算 figure,imshow（ bg3） 。title（ 39。圖像開運算 [5,19]39。） 。%輸出開運算的圖像 bg2=imopen（ bg3,strel（ 39。rectangle39。,[19,1]）） 。%取矩形框的開運算 figure,imshow（ bg2） 。title（ 39。圖像開運算 [19,1]39。） 。%輸出開運算的圖像 %Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。進行區(qū)域特征參數(shù)比較，提取車牌區(qū)域 [L,num] = bwlabel（ bg2,8） 。%標注二進制圖像中已連接的部分 Feastats = imfeature（ L,39。basic39。） 。%計算圖像區(qū)域的特征尺寸 Area=[]。%區(qū)域面積 BoundingBox=[]。%[x y width height]車牌框架大小 RGB = label2rgb（ L, 39。spring39。, 39。k39。, 39。shuffle39。） 。 %標志圖像向 RGB圖像轉(zhuǎn)換 figure,imshow（ RGB） 。title（ 39。圖像彩色標記 39。） 。%輸出框架的彩色圖像 lx=0。 for l=1:num width=BoundingBox（（ l1） *4+3） 。%框架寬度的計算 hight=BoundingBox（（ l1） *4+4） 。%框架高度的計算 if （ width98 amp。 width160 amp。 hight25 amp。 hight50） %框架的寬度和高度的范圍 lx=lx+1。 Getok（ lx） =l。 end end for k= 1:lx l=Getok（ k） 。 startcol=BoundingBox（（ l1） *4+1） 2。%開始列 startrow=BoundingBox（（ l1） *4+2） 2。%開始行 width=BoundingBox（（ l1） *4+3） +8。%車牌寬 hight=BoundingBox（（ l1） *4+4） +2。%車牌高 rato=width/hight。%計算車牌長寬比 if rato2 amp。 rato4 break。 end end sbw1=bw2（ startrow:startrow+hight,startcol:startcol+width1） 。 %獲取車牌二值子圖 subcol1=Sgray（ startrow:startrow+hight,startcol:startcol+width1） 。%獲取車牌灰度子圖 figure,subplot（ 2,1,1）