【文章內(nèi)容簡(jiǎn)介】 信息的彩色分割法。使用統(tǒng)計(jì)彩色像素點(diǎn)的方法分割出車牌區(qū)域，確定車牌底色藍(lán)色RGB對(duì)應(yīng)的灰度范圍，然后統(tǒng)計(jì)在行方向的顏色范圍內(nèi)的像素點(diǎn)數(shù)量，確定車牌在行方向的區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。 定位后車牌圖像是彩色的，會(huì)占用較大的存儲(chǔ)空間，加重計(jì)算機(jī)負(fù)擔(dān)。且車輛圖片不可避免存在噪聲，所以要對(duì)圖像進(jìn)行灰度化，二值化以及濾波處理。圖像的二值化處理就是將圖像上的點(diǎn)的灰度置為兩個(gè)數(shù)值，通常為0或255，使整個(gè)圖像呈現(xiàn)出明顯的黑白效果。也就是將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈T限值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。濾波則是為了除去圖像噪聲。濾波方法有多種，本文采取的濾波方法為均值濾波。均值濾波是典型的線性濾波算法，指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來(lái)代替原來(lái)像素值。[m，n]=size（d），逐排檢查有沒(méi)有白色像素點(diǎn)，設(shè)置1=jn1，若圖像兩邊s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據(jù)圖像的大小，設(shè)置一閾值，檢測(cè)圖像的X軸，若寬度等于這一閾值則切割，分離出七個(gè)字符歸一化切割出來(lái)的字符圖像的大小為40*20，與模板中字符圖像的大小相匹配 字符分割和歸一化流程圖 在汽車牌照自動(dòng)識(shí)別過(guò)程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別。將得到的車牌區(qū)域圖像進(jìn)行二值化處理后，對(duì)圖像進(jìn)行垂直投影，投影圖上有明顯的類似于峰谷的波形起伏變化， 通過(guò)對(duì)投影圖上的波形從左向右進(jìn)行掃描，根據(jù)谷和峰的特征就可以判斷出每個(gè)字符的位置；計(jì)算垂直峰，檢測(cè)合理的字符高寬比。在字符切割時(shí),往往由于閾值取得不好，導(dǎo)致字符切割不準(zhǔn)確，針對(duì)這種情況，可以對(duì)切割出的字符寬度進(jìn)行統(tǒng)計(jì)分析，用以指導(dǎo)切割，對(duì)因錯(cuò)誤切割過(guò)寬的字符進(jìn)行分裂處理。 字符分割后的圖像 由于數(shù)碼相機(jī)拍攝的汽車圖像大小不一樣， 所以得到的牌照上的字符大小就不一樣，為了便于字符的識(shí)別，需要對(duì)字符進(jìn)行歸一化處理。歸一化處理的目的就是使車牌字符同標(biāo)準(zhǔn)模塊里面的字符特征一樣。而大小歸一是指在長(zhǎng)度和寬度方向上分別乘以一個(gè)比例因子，使其等于標(biāo)準(zhǔn)模塊的字符大小，本文采用的大小歸一的方法是分別從水平投影和垂直投影兩個(gè)方向上對(duì)字符象素的大小進(jìn)行歸一化處理。 字符的識(shí)別目前用于車牌字符識(shí)別(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的OCR算法?；谀０迤ヅ涞腛CR的基本過(guò)程是:首先對(duì)待識(shí)別字符進(jìn)行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果。模板匹配的主要特點(diǎn)是實(shí)現(xiàn)簡(jiǎn)單，當(dāng)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。綜合模板匹配的這些優(yōu)點(diǎn)我們將其用為車牌字符識(shí)別的主要方法。 模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過(guò)程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來(lái)構(gòu)建模板，就可以避免上述問(wèn)題。建立自動(dòng)識(shí)別的代碼表讀取分割出來(lái)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 字符識(shí)別流程圖此處采用相減的方法來(lái)求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡(jiǎn)稱；緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。所以建立字符模板庫(kù)也極為方便。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)，只建立了4個(gè)數(shù)字26個(gè)字母與10個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。 首先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個(gè)數(shù)保存，即為識(shí)別出來(lái)的結(jié)果。第四章 實(shí)驗(yàn)結(jié)果和分析在得到結(jié)果之前，需要對(duì)車牌圖像進(jìn)行預(yù)處理、車牌定位、車牌分割等處理。 對(duì)于識(shí)別錯(cuò)誤情況的分析可知，主要原因：一是對(duì)于彩色車牌的識(shí)別具有局限性，有些車牌不是藍(lán)色底的，例如我們的校車就是黃色底的。二是牌照自身的污漬等影響了圖象的質(zhì)量；三是牌照字符的分割失敗導(dǎo)致的識(shí)別錯(cuò)誤；再就是部分字符的形狀相似性，比如，B 和8；A 和4 等字符識(shí)別結(jié)果可能發(fā)生混淆的情況。 一是對(duì)于彩色車牌的識(shí)別具有局限性，有些車牌不是藍(lán)色底的，例如我們的校車就是黃色底的?？傊?，盡管目前牌照字符的識(shí)別率還不理想，但是這種思路的可行性得到了證實(shí)，更多的實(shí)驗(yàn)與程序的改進(jìn)完全可以實(shí)現(xiàn)搞成功率的車牌識(shí)別。致 謝通過(guò)這次大作業(yè)的實(shí)踐與學(xué)習(xí)，我們學(xué)習(xí)和鞏固了許多數(shù)字圖像處理中學(xué)習(xí)到的知識(shí)，并且對(duì)matlab這個(gè)軟件有了更深層次的了解與認(rèn)識(shí)。對(duì)于在大作業(yè)的完成過(guò)程中給予幫助的同學(xué)與老師在此表示真心的感謝。參考文獻(xiàn)[1] [2] [3] 程序附錄：function [d]=main(jpg)I=imread(39。39。)。figure(1),imshow(I)。title(39。原圖39。)。I1=rgb2gray(I)。 %將真彩色圖像轉(zhuǎn)換為灰度圖像figure(2),subplot(1,2,1),imshow(I1)。title(39?；叶葓D39。)。figure(2),subplot(1,2,2),imhist(I1)。title(39?；叶葓D直方圖39。)。I2=edge(I1,39。robert39。,39。both39。)。 %高斯濾波器,figure(3),imshow(I2)。title(39。robert算子邊緣檢測(cè)39。)se=[1。1。1]。I3=imerode(I2,se)。 %圖像的腐蝕figure(4),imshow(I3)。title(39。腐蝕后圖像39。)。se=strel(39。rectangle39。,[40,40])。 %構(gòu)造結(jié)構(gòu)元素，以長(zhǎng)方形構(gòu)造一個(gè)seI4=imclose(I3,se)。 %對(duì)圖像實(shí)現(xiàn)閉運(yùn)算，閉運(yùn)算也能平滑圖像的輪廓，但與開(kāi)運(yùn)算相反，它一般融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。figure(5),imshow(I4)。title(39。平滑圖像的輪廓39。)。I5=bwareaopen(I4,2000)。 %從二進(jìn)制圖像中移除所有少于p像素的連接的組件（對(duì)象），產(chǎn)生另一個(gè)二進(jìn)制圖像figure(6),imshow(I5)。title(39。從對(duì)象中移除小對(duì)象39。)。[y,x,z]=size(I5)。 %返回I5各維的尺寸，并存儲(chǔ)在變量y、x、z中myI=double(I5)。 %換成雙精度數(shù)值 %begin橫向掃描tic %計(jì)算tic與toc之間程序的運(yùn)行時(shí)間 Blue_y=zeros(y,1)。 %產(chǎn)生y*1的全0矩陣 for i=1:y for j=1:x if(myI(i,j,1)==1) %如果myI(i,j,1)即myI圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色 %則Blue_y的相應(yīng)行的元素white_y(i,1)值加1 Blue_y(i,1)= Blue_y(i,1)+1。%藍(lán)色像素點(diǎn)統(tǒng)計(jì) end end end [temp MaxY]=max(Blue_y)。%temp為向量white_y的元素中的最大值，MaxY為該