【正文】 用MATLAB的M語言分別實現(xiàn)了車牌識別系統(tǒng)的定位、字符切分和字符識別功能模塊，利用MATLAB的GUI工具箱開發(fā)了測試系統(tǒng)，驗證上面設(shè)計的算法在車牌識別系統(tǒng)中的應(yīng)用效果，利用MATLAB的圖形用戶開發(fā)環(huán)境（GUIDE）設(shè)計了本測試平臺，流程如下：輸入圖像*.jpg車牌定位模塊 控件2：輸入?yún)?shù) 控件3：輸出結(jié)果車牌字符切分模塊車牌字符識別模塊 控件1：讀入圖像數(shù)據(jù)輸出識別結(jié)果 啟動測試界面時，將會先導(dǎo)入識別參數(shù)設(shè)置值，當(dāng)改變參數(shù)設(shè)置后，更新識別參數(shù)設(shè)置值，使之與當(dāng)前設(shè)置一致。 ，在該文件中，完成整個車牌的識別。該模塊調(diào)用二個子模塊：，.在每個子模塊中，先用load 39。global_ 39。語句導(dǎo)入最新的識別參數(shù)設(shè)置值。，利用小波變換和投影法對圖像進行定位，得到車牌部分的圖像bw，同時根據(jù)車牌的顏色特征判斷出車牌的底色grounding。，對其用改進的Otsu算法進行二值化，然后根據(jù)其投影進行傾斜校正和字符的切分，得到了切分后的七個字符的圖像seg。，該文件中存有對創(chuàng)建的匹配字符模板進行BP網(wǎng)絡(luò)訓(xùn)練得到的網(wǎng)絡(luò)對象net。，調(diào)用函數(shù)sim模擬一個網(wǎng)絡(luò)，根據(jù)訓(xùn)練好的網(wǎng)絡(luò)net及輸入向量seg進行模擬網(wǎng)絡(luò)輸出，最終得到識別的結(jié)果。最后，將識別結(jié)果輸出到文本框中，顯示在界面上。即完成了車牌識別的整個過程。通過對原始待識別圖像的一系列預(yù)處理，然后進行圖像矯正，將圖像分割成單個字符圖像，識別的大概過程如下面各圖所示：: 原始彩色圖片 原始黑白圖像 背景圖像 增強黑白圖像 圖像二值化 圖像彩色標(biāo)記 車牌灰度子圖、二值子圖 水平投影及車牌二值子圖 垂直投影及車牌字符高度 最終識別結(jié)果為: 識別結(jié)果我們利用數(shù)碼相機進行了車牌圖像的采集工作，以用來驗證我們的程序，： 結(jié)果分析識別結(jié)果識別正確拒絕識別個數(shù)8515百分比85%15% ，由于提取車牌邊緣的過程中，提取到的矩形邊框不滿足長寬比大于2且小于4，所以程序自動跳出，無法進行下一步車牌定位，不能識別出車牌。從上面的表格可以計算出，整個車牌系統(tǒng)的識別率為85%。系統(tǒng)可以較準(zhǔn)確的進行定位，無法準(zhǔn)確定位的車牌圖像往往是由在車牌周圍有垂直條紋、且大小與車牌相仿的圖像塊，以及提取矩形輪廓時不能完整提取整個車牌區(qū)，造成程序終止。這些干擾的去除需要對算法的進一步改進，例如可以考慮在粗定位后對圖像的垂直投影圖進行分析，將不符合幾大峰群條件的偽車牌部分去除，然后重新進行搜索。車牌字符識別的準(zhǔn)確率達到了85%，還是比較理想的，其中，字符識別錯誤的原因大多是由于字符特征非常接近、車牌局部存在污點的情況下，結(jié)果無法識別，主要原因則是車牌邊框不明顯或者車牌圖像傾斜比較嚴(yán)重的情況?？梢酝ㄟ^增加字符模板解決這個問題。綜上所述，本系統(tǒng)具有以下特點：1)車牌識別率較高，達到了85%，基本滿足需求；2)車牌系統(tǒng)適應(yīng)性較好，對天氣的變化以及車身的弱干擾有較好的適應(yīng)性；3)通過我們對程序的計時顯示，總體看來，～1s之間，實時性比較好。第6章 總結(jié)與展望 總結(jié)經(jīng)過幾個月的奮戰(zhàn)我的畢業(yè)設(shè)計終于完成了。在沒有做畢業(yè)設(shè)計以前覺得畢業(yè)設(shè)計只是對大學(xué)幾年來所學(xué)知識的單純總結(jié)，但是通過這次做畢業(yè)設(shè)計發(fā)現(xiàn)自己的看法有點太片面。畢業(yè)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。通過這次課程設(shè)計使我明白了自己原來知識還比較欠缺。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什么東西都會，什么東西都懂，有點眼高手低。通過這次畢業(yè)設(shè)計，我才明白學(xué)習(xí)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(xí)，努力提高自己的綜合知識。 本文對車牌識別系統(tǒng)的關(guān)鍵算法進行了較深入的分析和研究。在借鑒原有方法的基礎(chǔ)上，提出了若干改進和新的方法。但同時，通過對本系統(tǒng)的研究，我感覺車牌識別仍有許多內(nèi)容需要改進和完善。車牌識別系統(tǒng)作為智能交通系統(tǒng)中重要的一部分，近年來引起專家們的重視，并已有部分產(chǎn)品投入使用。但在實際使用過程中，仍然存在著系統(tǒng)移植性差、對光照的適應(yīng)性差、準(zhǔn)確率不夠高等缺點，在后續(xù)處理中還需人工輔助完成，所以對車牌識別系統(tǒng)的算法的研究改進一直在進行。本文以MATLAB為開發(fā)工具，在353張卡口汽車圖像組成的數(shù)據(jù)庫的支持下，對車牌識別進行了研究，對多種算法進行了分析、比較與改進，并提出了一些自己的見解，效果較好。在課題的研究過程中，主要完成了以下工作：1）在對國內(nèi)外大量文獻的閱讀研究基礎(chǔ)上，使用MATLAB開發(fā)了一套車牌識別系統(tǒng)，完成了車牌定位、車牌字符切分和車牌字符識別等功能，搭建了系統(tǒng)測試平臺。實驗證明，%，～1s之間，基本滿足實際要求。2）車牌定位作為車牌識別系統(tǒng)的第一步，對識別準(zhǔn)確率和運行時間有很大影響。在車牌定位中，最重要的是邊緣的提取，邊緣提取的效果好，后面進行形態(tài)學(xué)處理后車牌特征明顯，車牌定位的準(zhǔn)確性就高。本系統(tǒng)采用小波變換分解提取垂直分量的算法來提取邊緣，有效的抑制了噪點的影響，在其后采用初步定位與精確定位相結(jié)合的方法實現(xiàn)了車牌的定位。小波變換分解后的高頻垂直分量和低頻水平分量，非常有益于圖像特征的提取。從對小波變換的分析圖來看，進行小波變換分解后，車牌部分的高頻特征與非車牌部分的特征有著明顯的差異，因而對車牌的定位79有很大幫助。在車牌識別中，如果僅僅應(yīng)用車牌特征，或者僅僅使用投影法進行定位，車牌圖像定位到非車牌區(qū)域的可能性會比較大，所以將兩者結(jié)合，通過兩次定位，可以達到較好的效果。實驗證明，在93張圖片中，最終準(zhǔn)確定位的圖片有90張，%，較好的滿足了要求。3）車牌的二值化對于車牌字符識別有著非常重要的作用。二值化效果好，車牌圖像的特征就明顯，可以更好的滿足后面的車牌字符切分與識別的需要。二值化算法的閾值的選取對于二值化的效果有很大的影響，這里采用了全局閾值的算法，傳統(tǒng)的Otsu算法中，使用一維算法得到的特征不夠明顯，無法滿足要求。而傳統(tǒng)的二維算法計算范圍縮小，可能會使得車牌不完整，所以本文對其進行改進，擴大了二維算法的計算范圍，將復(fù)雜度降低為一維，在獲得良好效果的同時，運行時間有所縮短。實驗證明，改進的二維Otsu算法效果較好。4）車牌的傾斜校正對車牌字符識別有很大的影響。一個傾斜的車牌字符的識別與一個很正的車牌字符的識別是不一樣的。傳統(tǒng)上，很多系統(tǒng)采用Hough變換來進行校正。但是Hough變換要從圖像中截取較長一段直線來作為參照物，這樣就需要前面保留有車牌邊緣，且此邊緣的橫線和豎線都滿足需求，這在實際中較難操作。本系統(tǒng)利用車牌水平投影，采用線性擬合的方法檢測車牌的傾斜角度。借助MATLAB圖像坐標(biāo)軸的橫軸確定傾斜角度，保證了參照物滿足對橫線和豎線的要求。實驗證明，用投影法檢測牌照的角度，然后使用坐標(biāo)變換方法進行傾斜牌照校正處理，方法簡單且效果良好。5）車牌字符識別是車牌識別系統(tǒng)識別車牌的最后一步。傳統(tǒng)算法中模板匹配字符識別和神經(jīng)網(wǎng)絡(luò)字符識別都是常用的算法。這里對兩種方法進行了比較研究。對于模板匹配字符識別，在傳統(tǒng)算法的基礎(chǔ)上，對車牌字符的特征提取進行了改進，將其劃分為六個部分，統(tǒng)計出各部分的特征，%。 展望車牌識別系統(tǒng)在實驗室里己經(jīng)取得了令人滿意的效果，但很難應(yīng)用于實際工程中，這是因為實驗室的環(huán)境是處于理想狀態(tài)的，而在自然環(huán)境里，由于受到天氣等因素的影響，識別率很難達到要求。目前的車牌識別系統(tǒng)在快速發(fā)展中，雖然已經(jīng)有一些公司開發(fā)的產(chǎn)品取得實際應(yīng)用，但是在準(zhǔn)確率和識別速度方面仍有很大的提高空間，對算法的研究仍然是車牌識別的一個重點。目前，雖然對車牌識別技術(shù)已經(jīng)有了很深入和詳細的研究，且也取得了一定的成果，但同樣也存在很多問題有待下一步研究解決。主要有以下幾個方面：（1）在車牌定位中采用的梯度投影與彩色區(qū)域相結(jié)合的方法，該算法簡單，容易實現(xiàn)，對光照不太弱的圖像效果很好。由于是由底向上尋找第一個較大的峰，因此對車牌下方也有字符出現(xiàn)的情況失效。當(dāng)然可以改進算法，進一步利用車牌自身的特點。比如根據(jù)車牌獨特的底色，排除非車牌區(qū)域的干擾；也可以利用車牌字符之間有一定的間距，排除非車牌字符的干擾。在這個面，還有待進一步的研究。（2）在車牌定位方面還存在一些可以改進的地方，對邊緣檢測這個處理環(huán)節(jié)可以再優(yōu)化，以使本文的車牌定位算法能夠適應(yīng)質(zhì)量更差的車牌圖像。（3）在字符識別方面存在很多需要改進的地方，比如說對字符圖像進行特征提取、筆畫分析等處理以進一步提高識別率。本文的字符識別算法只是應(yīng)用于印刷體的字符識別，今后的研究應(yīng)該使算法在手寫體方面也能有很好的識別效果。此外，文字識別是一個綜合的過程，還必須考慮其它的因素，諸如上下文的語意搭配等，這就涉及到諸如語意和內(nèi)容的識別，這將是一個更加值得深入研究的領(lǐng)域。（4）本文僅局限于從算法上以matlab為仿真平臺實現(xiàn)對車牌的識別。今后應(yīng)考慮在進一步優(yōu)化算法的基礎(chǔ)上通過硬件實現(xiàn)車牌識別，使之真正成為一套能為社會服務(wù)的產(chǎn)品。致謝值論文完成之際，謹(jǐn)向所有曾經(jīng)給予我關(guān)懷、幫助和支持的老師、同學(xué)、朋友致以最誠摯的謝意。本論文是在張連連老師的悉心指導(dǎo)和熱情關(guān)懷下完成的。張老師淵博的學(xué)識、嚴(yán)峻的治學(xué)態(tài)度及隨和的為人之道給我留下了難以磨滅的印象，這將使我終身受益,同時，張老師在生活上也給了我極大的鼓勵和幫助。為此，我要對她致以最衷心的感謝。感謝顧勇老師，大學(xué)四年來對我們生活學(xué)習(xí)的耐心督導(dǎo)，讓我們在大學(xué)感覺到了一個長輩對我們的關(guān)懷。 本文在寫作過程中參考了大量的文獻資料，主要文獻資料已開列出來，本文的有些句子或段落引自這些參考文獻。在此向所有的作者表示深深的感謝！在本科學(xué)習(xí)的四年中，我與同學(xué)建立了深厚的友誼，他們在我遇到困難時無私地伸出援助之手，對他們的幫助我特別感謝。最后，對關(guān)心、支持我的親人和老師致以最衷心的感謝。最后感謝各位老師在百忙之中評閱本論文?。。⒖嘉墨I[1] 尹令. 車牌自動識別系統(tǒng)的研究及其在VC++中的實現(xiàn). 湘潭大學(xué). 2003年5月.[2] 劉濱．基于神經(jīng)網(wǎng)絡(luò)的車牌字符識別研究．武漢理工大學(xué)，2004年5月.[3] [碩士學(xué)位論文].北方工業(yè)大學(xué),2009.[4] 劉智勇. 基于MATLAB的車牌定位．中國科學(xué)院，2000．[5] 徐建華．圖像處理與分析[M]．北京：科學(xué)出版社，1998．[6] 章毓晉．圖像處理和分析[M]．北京：清華大學(xué)出版社。1999，224—226．[7] 胡小鋒等．Visual C++/Matlab圖像處理與識別實用案例精選[M]．北京：人民郵電出版社，2004. [8] Han A. Hegt,Ron J. Dela,High performance license plate recognition system，IEEE Transaction on Pattern Analysis and Machine Intelligence,1998. [9] ，北京：電于工業(yè)出版社，2003[10] 鄭治真，沈萍，楊選輝等，小波變換及其MATLAB工具的應(yīng)用，北京：地震出版社，2001.[11] Yuntao Cui,Qian Huang,Automatic license extraction from moving vehicles,IEEE Transaction on Pattern Analysis and Machine Intelligence,1999.[12] 飛思科技產(chǎn)品研發(fā)中心，MATLAB ，北京：電子工業(yè)出版社，2003.[13] 胡小鋒，趙輝， Visual C++/MATLAB圖像處理與識別實用案例精選，北京：人民郵電出版社， 2004.[14] [碩士學(xué)位論文].南京航空航天大學(xué)，2002.[15]W. Niblack, An Introduction to Image Processing, PrenticeHall, Englewood Cliffs, NJ, 1986, pp. 115116[16]Otsu N. A Threshold selection method from graylevel Trans Systems, Man and Cybernetics, 1979, 9(1). pp. 6266[17], Dynamic thresholding of graylevel images, Proceeding of the Eighth ICPR , 1986, pp. 12511255[18]W. Niblack, An Introduction to Image Processing, PrenticeHall, Englewood Cliffs, NJ, 1986, pp. 115116附錄