【文章內(nèi)容簡介】 e(2)。[m,n]=size(License_Image_Gray_2)。if bwarea(License_Image_Gray_2)/m/n= License_Image_Gray_2=imerode(License_Image_Gray_2,Se)。elseif bwarea(License_Image_Gray_2)/m/n= License_Image_Gray_2=imdilate(License_Image_Gray_2,Se)。end在這里結(jié)構(gòu)元素Se使用一個二維單位矩陣1001。對于此對象，系統(tǒng)給予膨脹處理，效果圖如圖12圖11車牌區(qū)域圖像腐蝕、膨脹后效果2007 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，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(yīng)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,程序流程圖如圖13。切割線同樣采用投影法Wide=0。while sum(Image_Crop(:,Wide+1))~=0 amp。amp。 Wide=n2 Wide=Wide+1。End切割的字符時候符合比例要求采用if((Level1WideLevel2)amp。amp。(R_C_Ratio_1(n1/m1)R_C_Ratio_2)) Image_Crop(:,[1:Wide])=0。 if sum(sum(Image_Crop))~=0 Image_Crop=Image_Trim(Image_Crop)。 else Word=[]。Flag=1。 endelse其中Level1和Level2是字符寬度的上下限，R_C_Ratio_1和R_C_Ratio_2是單個字符的寬高比值的上下限。圖12 字符切割程序流程圖是完成退出不是不是是將剩余部分保存并覆蓋原先圖像字符個數(shù)是否為7保存這個字符是以水平區(qū)域(0,wide)剪切出一個字符判斷是都為標(biāo)準(zhǔn)字符切除周邊空白垂直投影從左往右查找，垂直投影白色的像素點累計數(shù)小于10的值wide車牌二值圖像經(jīng)過切割，切割的字符圖像如下。圖13 經(jīng)切割的七個字符目前字符識別的方案有使用神經(jīng)網(wǎng)絡(luò)和模板匹配法進行比對。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維功能和組織建立起來的數(shù)學(xué)模型，雖然現(xiàn)在神經(jīng)網(wǎng)絡(luò)正在迅速發(fā)展，但總體來說應(yīng)用還是相對復(fù)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?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)整時對字符圖像的缺損、污跡干擾適應(yīng)力強且識別率相當(dāng)高，因此本課題使用這種方法。對于模板匹配，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 。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不會不一樣，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。圖14 經(jīng)歸一化后的七個字符字符識別步驟如下，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(yīng)值后5個字符與模板中的字母與數(shù)字模板進行匹配圖15 字符匹配流程匹配方法采用將目標(biāo)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)。 endend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16 字符相似度比較有圖16的，字符1在Lib_Code_No=39處取得最大相似度，查字庫Lib_Code_No=39的字符為“渝”，則可以確定該字符為“渝”。同理可得出其他6個字符。做完這次車牌識別課程設(shè)計后，我感覺它的工作量的確很大，差不多花費了我數(shù)周的時間一遍遍地改參數(shù)、看圖像。不過現(xiàn)在看來之前投入的精力是完全值得的，車牌識別課程設(shè)計對我的幫助主要有以下幾點。第一，鞏固了數(shù)字圖像處理課上所學(xué)的知識，比如濾波、膨脹、腐蝕、邊緣提取等等。為了完成這次的課程設(shè)計，我在網(wǎng)上看了看了岡薩雷斯的《數(shù)字圖像處理（MATLAB版）》。這本書內(nèi)容豐富，自成一體，里面的許多內(nèi)容與教材形成了互補。特別是形態(tài)學(xué)圖像處理那一章有許多詳細(xì)的例子，淺顯易懂，不少課上沒有完全理解的內(nèi)容通過看這本書得到了深入的體會。第二，通過這次課程設(shè)計我學(xué)會了使用Matlab這種常用的工具軟件，之前我會用C語言，但是只是學(xué)會一點點，也學(xué)會使用matlab，但也是會一點點，但是這次深入接觸后我感覺到Matlab的確是一款強大易學(xué)的數(shù)學(xué)分析軟件，操作起來雖然比較難上手。但是在這次課設(shè)以后，我了解蠻多的函數(shù)功能及運用的。第三，為了完成車牌識別系統(tǒng)，我從網(wǎng)上找了不少源代碼進行比較，這也鍛煉了我讀程序的能力。因為網(wǎng)上的代碼實現(xiàn)方法眾多，而且良莠不齊，評價起來很難。有些方法只能識別一幅特定的圖像，有些甚至什么都識別不了。于是我就將不同模塊分別測試，并加入我自己的思想，最后綜合出一個比較理想的系統(tǒng)。調(diào)試的過程非常麻煩，因為有的參數(shù)只能對某一幅圖像有用，對其它圖像根本識別沒法識別，所以為了使盡量多的圖像能被識別，我著實花了不少功夫。第四，我深刻感受到要實現(xiàn)一個系統(tǒng)的功能是一件很復(fù)雜的事。雖然之前我做過課設(shè)一，但我們做的是硬件。在網(wǎng)上我也看過一些公司做的車牌識別軟件，效果的確很棒，至今我也很難理解它們是如何實現(xiàn)的。在做這個課程設(shè)計之前，我本以為車牌識別比較簡單，但是接觸以后才發(fā)現(xiàn)限制車牌識別的因素很多，要想識別任意圖像是非常困難的。所以說實現(xiàn)一個比較完善的系統(tǒng)就需要對其中的每個部分進行優(yōu)化設(shè)計，這也是我以后需要努力的。參考源代碼如下：function [d]=main(jpg)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。灰度圖39。)。figure(2),subplot(1,2,2),imhist(I1)。title(39?；叶葓D直方圖39。)。I2=edge(I1,39。robert39。,39。both39。)。figure(3),imshow(I2)。title(39。robert算子邊緣檢測39。)se=[1。1。1]。I3=imerode(I2,se)。figure(4),imshow(I3)。title(39。腐蝕后圖像39。)。se=strel(39。rectangle39。,[40,40])。I4=imclose(I3,se)。figure(5),imshow(I4)。title(39。平滑圖像的輪廓39。)。I5=bwareaopen(I4,2000)。figure(6),imshow(I5)。title(39。從對象中移除小對象39。)。[y,x,z]=size(I5)。myI=double(I5)。 %begin橫向掃描tic Blue_y=zeros(y,1)。 for i=1:y for j=1:x if(myI(i,j,1)==1)