【文章內(nèi)容簡(jiǎn)介】 取投影法，故同樣需要先將RGB圖像轉(zhuǎn)換成灰度值，再將灰度圖轉(zhuǎn)化成二進(jìn)制圖，轉(zhuǎn)化的方法就是限定一個(gè)閥值，如果大于閥值則為1，小于閥值為0,閥值采用全局閥值，全局閥值是指整幅圖像都采用相同的閥值T處理，適用于背景和前景有明顯對(duì)比的圖像。雖然圖像間受背景、光照等影響存在較大的差異，但計(jì)算簡(jiǎn)單，程序運(yùn)算效率高。在Matlab實(shí)現(xiàn)方式如下：T=round(License_Image_Gray_max(License_Image_Gray_maxLicense_Image_Gray_min)/3)。 同時(shí)采集大的圖像噪點(diǎn)依然存在，因此可以通過處理圖像的低頻部分來銳化圖像。這里采用高通濾波算法。由此可得出濾波前后的圖像如下所示： 圖 車牌區(qū)域圖像濾波前效果圖 車牌區(qū)域圖像濾波后效果可以對(duì)比濾波前跟濾波后的圖像，很明顯，不但噪聲去除了，而且圖像得到了銳化。腐蝕已經(jīng)在在上文介紹，膨脹剛好與腐蝕相反，運(yùn)算規(guī)則是輸出圖像的像素值是輸入圖像鄰域中的最大值，在一個(gè)二值圖像中，只要一個(gè)像素值為1，則相應(yīng)的輸出像素值為1。根據(jù)經(jīng)驗(yàn)值，車牌圖像中，字符面積與車牌面積之比在(,)之間，因此計(jì)算字符面積與車牌面積比值，，在這里結(jié)構(gòu)元素Se使用一個(gè)二維單位矩陣。對(duì)于此對(duì)象，系統(tǒng)給予膨脹處理，：圖 車牌區(qū)域圖像腐蝕、膨脹后效果完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)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)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)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(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。 計(jì)算水平投影進(jìn)行車牌水平校正去掉車牌的框架 分析垂直投影找到每個(gè)字符中心位置按左右寬度切割出字符 圖 牌照字符切割框圖2007年頒布的我國(guó)車牌規(guī)范(普通中小型汽車)規(guī)定車牌總長(zhǎng)440mm，牌照中的7個(gè)字符的實(shí)際總長(zhǎng)為409mm 左右，寬140mm，每個(gè)字符45mm寬，90mm高，字符間距為10mm，其中第二個(gè)字符與第三個(gè)字符的間距較為特殊，最后一個(gè)字符與第一個(gè)字符距邊界25mm。這樣，如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，那么每個(gè)字符寬度為：width/7（width 為車牌圖像的寬度）。但是，實(shí)際上，第二個(gè)第三個(gè)字符之間存在一個(gè)黑點(diǎn)，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個(gè)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(jìn)的變化得到,程序流程圖。字符切割流程圖如下圖所示： 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(diǎn)累計(jì)小于10的值的wide以水平區(qū)域（0，wide）剪切出判斷是否為標(biāo)準(zhǔn)字符保存這個(gè)字符將剩余部分保存并覆蓋原先圖像字符個(gè)數(shù)是否為7結(jié)束YNNY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(gè)位置應(yīng)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(duì)復(fù)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(gè)字符切割后一連串的字符串變成了單個(gè)字符，為后面的字符匹配識(shí)別奠定了基礎(chǔ)。 字符識(shí)別目前字符識(shí)別的方案有使用神經(jīng)網(wǎng)絡(luò)和模板匹配法進(jìn)行比對(duì)。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(duì)復(fù)雜的。模板匹配法雖然識(shí)別率低，但實(shí)現(xiàn)簡(jiǎn)單，計(jì)算量小，只有矩陣的加減與統(tǒng)計(jì)，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(kù)量不大，字符較規(guī)整時(shí)對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率相當(dāng)高，因此本課題使用這種方法。對(duì)于模板匹配，首先建立標(biāo)準(zhǔn)模板庫(kù)，庫(kù)中字符使用統(tǒng)一的尺寸，這里使用。 由于圖像采集時(shí)圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會(huì)不一樣，所以在進(jìn)行匹配前必須先進(jìn)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(gè)改變圖像大小的函數(shù)imresize(I，Size，Model)，Model是插值運(yùn)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 經(jīng)歸一化后的七個(gè)字符切割的字符經(jīng)過歸一化之后，每個(gè)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(kù)中的字符進(jìn)行匹配比較。字符匹配識(shí)別的是要前提要簡(jiǎn)歷可以與之相比較的字庫(kù)表，再將已切割并進(jìn)行了歸一化處理的單個(gè)字符相比較，逐個(gè)字符進(jìn)行匹配比較，再將待識(shí)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(gè)即為匹配得最好的字符。字符識(shí)別步驟如下：建立模板字庫(kù)表讀取分割出來的字符第一個(gè)字符與模板中的漢字模板進(jìn)行匹配第二個(gè)字符與模板中的字母模板進(jìn)行匹配待識(shí)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(gè)即為匹配的最好的識(shí)別完成，輸出此模板對(duì)應(yīng)值后5個(gè)字符與模板中的字母與數(shù)字模板進(jìn)行匹配圖 字符匹配框圖字符匹配的準(zhǔn)確度是車牌識(shí)別中的關(guān)鍵部分，所以首先要簡(jiǎn)歷精準(zhǔn)有效的模板字庫(kù)表，便于切割完的字符與庫(kù)中內(nèi)容相比較，接下來是讀取切割的字符，從第一個(gè)字符開始一次與庫(kù)中字符相比較匹配，切割后的字符特征值與庫(kù)中模板字符相減，找到值最小的那個(gè)就是匹配得最恰當(dāng)?shù)淖址Ｆヅ浞椒ú捎脤⒛繕?biāo)圖像與模板圖像逐點(diǎn)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(jì)算第三幅二進(jìn)制圖像中像素值為1的個(gè)數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對(duì)比可得相似度最高的數(shù)字圖 字符相似度比較：第一個(gè)字符在Lib_Code_No=39處取得最大相似度，查字庫(kù)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(gè)字符。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(cè)的仿真結(jié)果圖如下圖所示:圖 圖像讀取及檢測(cè)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(jìn)行字符的切割與識(shí)別。為了去除圖像中的噪聲點(diǎn)必須對(duì)截取的圖像進(jìn)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(shí)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(zhǔn)確的提取出來了，達(dá)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(duì)經(jīng)邊緣檢測(cè)掃描后的圖像經(jīng)字符切割后的圖像如下圖所示：圖 字符分割及歸一化結(jié)果圖結(jié)果分析：從MATLAB編程運(yùn)行結(jié)果看，便于圖像進(jìn)行匹配識(shí)別，必須先將連續(xù)的字符切割成單個(gè)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(gè)字符被切成清晰的七個(gè)字符，實(shí)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(dá)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(shí)別及其圖像處理圖像經(jīng)上述處理后再進(jìn)行識(shí)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(shí)別結(jié)果圖結(jié)果分析:字符識(shí)別是這樣一個(gè)過程，根據(jù)建立的模板字符庫(kù)將分割出來的字符和模板庫(kù)中的字符一一匹配，將切割的字符和模板相減得到一個(gè)差值，差值越小表明字符匹配程度越高。，字符匹配識(shí)別的難易程度不一致，但總體能識(shí)別出漢字、字母和數(shù)字。5 結(jié)論本課題對(duì)車牌識(shí)別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)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(guó)內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國(guó)車牌的固有特征，以及車牌識(shí)別的特點(diǎn)。 （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(duì)圖像進(jìn)行預(yù)處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)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(jiǎn)化了二值化處理過程，實(shí)驗(yàn)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(jiǎn)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(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對(duì)車牌是藍(lán)色的車牌進(jìn)行定位。實(shí)驗(yàn)表明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)確率較高。（4）用MATLAB編程運(yùn)行結(jié)果可以得出，本設(shè)計(jì)采用的圖像預(yù)處理、邊緣檢測(cè)、開閉運(yùn)算子、車牌長(zhǎng)寬比特征識(shí)別等對(duì)車牌的定位都是非常有效的，而本設(shè)計(jì)提出的二次水平投影分析和閾值技術(shù)有效檢測(cè)了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對(duì)多個(gè)車牌進(jìn)行實(shí)驗(yàn)，均有很高的正