【文章內(nèi)容簡介】 ==將彩色圖像轉(zhuǎn)換為黑白并顯示=========bw=rgb2gray(bw)。figure,imshow(bw)。title(39?；叶葓D像39。) ；%rgb2gray轉(zhuǎn)換成灰度圖b. 傾斜校正由于拍攝時鏡頭與牌照的角度、車輛的運動及路面的狀況等因素的影響，例如車牌在捕捉圖像中的位置不固定，捕捉圖像時車頭或者鏡頭發(fā)生擺動以及車牌本身就掛歪了或路況較差，都可能使拍攝到的車牌圖像有一定的傾斜度，為了正確識別需要進行傾斜度校正，否則將無法進行單個字符的正確分割，字符識別的誤差率就會上升。但是若以某個固定的經(jīng)驗值對所有牌照統(tǒng)一進行旋轉(zhuǎn)處理，又會使原本正常的牌照傾斜，導(dǎo)致新的錯誤。因此有必要針對特定的牌照圖像提取其傾斜角度，再加以相應(yīng)的旋轉(zhuǎn)處理。本文在針對傾斜角度的圖片采取rando算法進行傾斜角度計算，并對傾斜圖片進行修正，從而得到水平方向一致的圖片，有利于后期的圖片分割及圖像識別。 標示旋轉(zhuǎn)角theta 傾斜校正%=========圖像傾斜校正主要程序代碼=========qingxiejiao=rando_bianhuan(bw)%采取rando算法進行傾斜角度計算bw=imrotate(bw,qingxiejiao,39。bilinear39。,39。crop39。)。figure,imshow(bw)。title(39。傾斜校正39。)。%取值為正值向左旋轉(zhuǎn)I=edge(I)。%figure,imshow(I)。theta = 1:180。[R,xp] = radon(I,theta)。%旋轉(zhuǎn)，修正圖像[I,J] = find(R=max(max(R)))。%J記錄了傾斜角qingxiejiao=90J。%theta 牌照的二值化處理與去除噪聲圖像二值化是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在數(shù)字圖像處理中二值圖像占有很重要的地位。這是因為，一方面，有些需要處理的如文字圖像、指紋圖像、工程圖紙等圖像本身是二值的；另一方面，在某些情況下即使圖像本身是有灰度的，我們也設(shè)法使它變成二值圖像再進行處理（即灰度圖像的二值化）。這是考慮到在實用系統(tǒng)中，要求處理的速度高、成本低、信息量大的濃淡圖像處理的花銷大。此外二值化的圖像能夠用幾何學(xué)中的概念進行分析和特征描述，比灰度圖像優(yōu)勢大得多。 在實際的車牌處理系統(tǒng)中，進行圖像二值化的關(guān)鍵使確定合適的閾值，使得字符與背景能夠分割開來，而且二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產(chǎn)生額外的空缺等。同時車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大提高處理效率。灰度處理后的圖像，每個像素點出都有一個閾值，二值化的關(guān)鍵是找到合適的閾值t來區(qū)分對象和背景。設(shè)原灰度圖像為f(x,y)，二值化后的圖像為g(x,y),二值化的過程表示如下： 0 f(x,y)t g(x,y)= () 255 f(x,y)t二值化，基于實時性的要求，我力求尋找一種快速而且效果較好的方法，能夠更有針對性的解決在不同條件下牌照圖像的二值化問題。求解閾值的方法很多，微分直方圖法、最大方差法、基于灰度的數(shù)學(xué)期望的方法、可變閾值法等。我們采用最簡單的方法，當象素灰度級低于常數(shù)t時，[0t]象素灰度為0，[t255]象素灰度為255。 擦除反色 二值化處理、去除噪聲%=========二值化處理、去除噪聲程序=========bw=im2bw(bw,graythresh(bw))。%figure,imshow(bw)。bw=bwmorph(bw,39。hbreak39。,inf)。%figure,imshow(bw)。bw=bwmorph(bw,39。spur39。,inf)。%figure,imshow(bw)。title(39。擦除之前39。)。bw=bwmorph(bw,39。open39。,5)。%figure,imshow(bw)。title(39。閉合運算39。)。bw = bwareaopen(bw, threshold)。figure,imshow(bw)。title(39。擦除39。)。bw=~bw。figure,imshow(bw)。title(39。擦除反色39。)。 二值化處理后，利用垂直投影法檢測車牌垂直位置，并進一步裁剪車牌邊框貼近字體，方便后面字體識別。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(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。利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果，方便后面字體識別。 Y方向處理 字符精確定位%=========Y方向處理定位字符的程序=========function bw_fir = touying(imane_bw)X_yuzhi=1。[y,x]=size(imane_bw)。Y_touying=(sum((~imane_bw)39。))39。%往左邊投影統(tǒng)計黑點X_touying=sum((~imane_bw))。%往下面投影，找黑體邊緣Y_up=fix(y/2)。Y_yuzhi=mean(Y_touying((fix(y/2)10):(fix(y/2)+10),1))/。while ((Y_touying(Y_up,1)=Y_yuzhi)amp。amp。(Y_up1))%找到圖片上邊界 while ((Y_touying(Y_down,1)=Y_yuzhi)amp。amp。(Y_downy))%找到圖片上邊界 %去除左邊邊框干擾 X_right=1。if (X_touying(1,fix(x/14)))=X_yuzhi X_right=fix(x/14)%找黑體邊緣bw_fir=imane_bw(Y_up:Y_down,X_right:x)。bw=~bw。bw = bwareaopen(bw, threshold)。bw=~bw。%figure,imshow(bw)。title(39。二次擦除39。)。[y,x]=size(bw)。%對長寬重新賦值，對圖像進一步裁剪，保證邊框貼近字體完成牌照區(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。字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；。最常用的是投影分割，主要是針對在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點是程序邏輯設(shè)計簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計和操作，程序執(zhí)行時間短。在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進行字符的分割，然后再利用分割的結(jié)果進行字符識別。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)的間隙處取得局部最小值的附近，并且這個位置應(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。在字符切割時,往往由于閾值取得不好,導(dǎo)致字符切割不準確,針對這種情況,可以由車牌格式的先驗知識,對切割出的字符寬度進行統(tǒng)計分析,用以指導(dǎo)切割,對因錯誤切割過寬的字符進行分裂處理。對‘豫’字經(jīng)常出現(xiàn)的是把木字旁和右邊的部首分割開。系統(tǒng)針對這種問題對分割出來的字體的寬度與整個車牌的寬度對比，對誤操作字符進行合并。一個智能的識別系統(tǒng)應(yīng)減少系統(tǒng)對閾值的過分依賴。利用垂直投影法對復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。對車牌字符進行垂直投影設(shè)定閾值去掉車牌的框架按字符寬度切割出字符分析垂直投影找到每個字符中心位置 字符分割流程圖 分割出的字符%=========字符分割的主要程序=========[y,x]=size(imfenge)。%===============用函數(shù)設(shè)定分割閾值========================SS=x*y%定義數(shù)組histogram存儲垂直方向的黑點數(shù)histogram=sum(~imfenge)。k=1。for h=1:x1k=k1。%去掉多產(chǎn)生的一個K值[m n]=size(fenge)。fenge=fenge(1,1:14)。建立自動識別的代碼表讀取分割出來的字第一個字符與模板中的漢字模板進行匹配后5個字符與模板中字母與數(shù)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識別完成，輸出此模板對應(yīng)值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 字符識別流程圖 本文采用的是基于模版匹配法，在構(gòu)建標準字庫的過程中，用繪圖工具繪制了A—Z、09和車牌地區(qū)名，并且以32行*16列的大小黑體字保存。樣本庫中的編碼規(guī)則如下。①數(shù)字09，；②字母AZ，；③各省自治區(qū)簡稱，文件名為： ,，,,,,,,,,. 字符識別過程車牌字符識別方法基于模式識別理論，主要有：(1) 統(tǒng)計識別；(2) 結(jié)構(gòu)識別；(3) 基于神經(jīng)網(wǎng)絡(luò)的字符識別；(4) 基于模板匹配的字符識別。由于汽車車牌圖像所處成像環(huán)境復(fù)雜多變很難采集到一個完整的有代表性原始圖像集作為統(tǒng)計分析的基礎(chǔ)，因此統(tǒng)計方法難于實現(xiàn)。另外車牌字符常發(fā)生變形、斷缺等情況，使字符結(jié)構(gòu)受損，則依賴于字體結(jié)構(gòu)完整性的結(jié)構(gòu)識別方法所提取的特征會不準確，識別結(jié)果的誤識率也高。因此實際用于車牌識別的方法主要是后兩類?；谏窠?jīng)網(wǎng)絡(luò)的字符識別方法，具有良好的容錯能力，分類能力和并行處理能力及自我學(xué)習(xí)能力，應(yīng)用神經(jīng)網(wǎng)絡(luò)實現(xiàn)模式識別，運行速度快，自適應(yīng)好，分辨率高，對信息復(fù)雜、背景不清楚、推理不明確的問題尤為有利。但人工神經(jīng)網(wǎng)絡(luò)為了保證系統(tǒng)高識別率也需要大量樣本，通過學(xué)習(xí)獲取知識并改進自身性能。當學(xué)習(xí)系統(tǒng)所處環(huán)境平穩(wěn)時(統(tǒng)計特性不隨時間變化)，神經(jīng)網(wǎng)絡(luò)可以學(xué)到這些環(huán)境統(tǒng)計特性，作為經(jīng)驗記住。基于模板匹配的字符識別方法，相對算法簡單，速度較快，得到了廣泛應(yīng)用。基于模板匹配的字符識別方法主要有：簡單模板匹配，外圍輪廓匹配，投影序列特征匹配，外圍輪廓投影匹配，基于Hausdorff距離的模板匹配等等。本文采用了基于模板匹配的字符識別方法?；谀０迤ヅ涞腛CR的基本過程是：首先對待識別字符進行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進行匹配，采用相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的選為最佳匹配作為結(jié)果。由于在前期的有效處理使得分割后的字體清晰度完整度都能保持較高的水平。有利于提高模版匹配的成功率。經(jīng)驗證對非傾斜圖片，識別率可達95%，對傾斜圖片亦可以達到90%以上。D0,68,2Z,A—4是比較容易識別出錯的字符。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。 %=================識別漢字=================[y,x,z]=size(xiuzhenghanzi)。for k=1:6sum=0。baifenbi(1,k)=sum/(x*y)。chepai= find(baifenbi=max(baifenbi))。%=================識別字母=================[y,x,z]=size(xiuzhengzimu)。for k=1:24sum=0。baifenbi(1,k)=sum/(x*y)。chepai= find(baifenbi=max(baifenbi))。shibiezimu=chepai。%=================識別數(shù)字=================[y,x,z]=size(xiuzhengshuzi_1)。for k=1:10sum=0。baifenbi(1,k)=sum/(x*y)。chepai= find(baifenbi=max(baifenbi))。shibieshuzi=chepai1。對字符正確識別之后，用事先對每一個字符的錄音，根據(jù)對應(yīng)字符順序播放。在對車牌區(qū)域識別出錯、字體分割出錯時程序暫停，并有語音提醒。在構(gòu)建標準音庫的過程中，用錄音工具錄制了A—Z、09和車牌地區(qū)名，并且以音頻文件保存。樣本庫中的編碼規(guī)則如下。(1)數(shù)字09，；(2)字母AZ，；(3)各省自治區(qū)簡稱。。；。蒙 .wav。 。；。%=========語音自動播報程序=========function hanzi=duquhanzi(cpyu,cpguizhou,cpjing...cpsu,cpyue,cpgui)hanzi(:,:,1)=imresize(im2bw(cpyu,graythresh(rgb2gray(cpyu))),[110 55],39。bilinear39。)。hanzi(:,:,2)=imresize(im2bw(cplu,graythresh(rgb2gray(cplu))),[110 55],39。bilinear39。)。河