【導(dǎo)讀】它以數(shù)字圖像處理、模式識別、計(jì)算機(jī)視覺等技術(shù)基礎(chǔ)，對攝像機(jī)。識別過程，它對汽車防盜、緩解交通緊張等起到了積極的作用。介紹了有關(guān)于車牌識別技術(shù)的原理，以及基于MATLAB的車牌識別的設(shè)計(jì)，庫中存儲的字符進(jìn)行模板匹配。通過以上的步驟的實(shí)現(xiàn)，該系統(tǒng)便能完成。牌照圖像的定位分割和牌照字符的自動識別。

　　

【正文】 i,:))~=0 top=i。 break end end for i=1:size(char,1) if sum(char(size(char,1)i,:))~=0 bottom=size(char,1)i。 break end 25 end char=char(top:bottom,:)。 subplot(2,4,n)。imshow(char)。 char=imresize(char,[32,16],39。nearest39。)。 %歸一化為 32*16 的大小，以便模板匹配 eval(strcat(39。Char_39。,num2str(n),39。=char。39。))。 %將分割的字符放入 Char_i 中 end 結(jié)果分析 圖 44 字符分割圖像 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(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識別。一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識別的需要，但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識別的目的，在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。由于我們制作的模板是 32*16 像素點(diǎn)的規(guī)格，為了方便后面的模板匹配，我們就將分割的圖片進(jìn)行 32*16 像素點(diǎn)的歸一化處理，最后結(jié)果如圖 44 所示。 字符識別 模板庫的合理建造 是字符識別準(zhǔn)確的關(guān)鍵之一，所以在字符識別之前必須把模板庫 26 設(shè)置好。汽車牌照的字符一般有 7 個，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稱；緊接其后的為字母與數(shù)字。車牌字符識別與一般文字識別在于它的字符數(shù)有限， 十個阿拉伯?dāng)?shù)字 0～ 9， 24 個大寫英文字母 A～ Z 以及相關(guān)的車牌用漢字：京、滬、蘇、臺、港、澳、甲、乙、丙、使、領(lǐng)、學(xué)、試、境、消、邊、警等，以及新式軍牌中的漢字南、蘭、廣、北、沈、濟(jì)、空、海等。所以建立字符模板庫也極為方便。 建立模板數(shù)據(jù)庫時(shí)要作為模板的圖片進(jìn) 行統(tǒng)一處理，所以將這些圖片歸一化為大小 32*16 像素點(diǎn)的規(guī)格 。制作出的漢字模板存儲在命名為 chinese 的文件夾中，字母與數(shù)字的模板 存儲在命名為 chaamp。num 的文件夾中 接下來是對前面分割出的字符進(jìn)行識別，運(yùn)用的是模板匹配字符識別算法，過程是把切割出的字符與庫里的漢字和字符的模板做減法運(yùn)算，找到差別點(diǎn)最少的模板為對應(yīng)模板，輸出該模板對應(yīng)的字符，最后識別出車牌 。 程序分析 char=[]。 store1=strcat(39。貴 39。,39。瓊 39。,39。粵 39。,39。湘 39。,39。鄂 39。,39。皖 39。,39。魯 39。,39。藏 39。,39。京 39。,39。蘇 39。,39。黑 39。,39。吉 39。,39。冀 39。,39。晉 39。,39。遼 39。)。 %創(chuàng)建漢字識別模板庫 for j=1:15 Im=Char_1。 Template=imread(strcat(39。chinese\39。,num2str(j),39。.jpg39。))。 Template=im2bw(Template)。 Differ=ImTemplate。 Compare(j)=sum(sum(abs(Differ)))。 end index=find(Compare==(min(Compare)))。 char=[char store1(index)]。 store2=strcat(39。A39。,39。B39。,39。C39。,39。D39。,39。E39。,39。F39。,39。G39。,39。H39。,39。J39。,39。K39。,39。L39。,39。M39。,39。M39。,39。N39。,39。P39。,39。Q39。,39。R39。... ,39。S39。,39。T39。,39。U39。,39。V39。,39。W39。,39。X39。,39。Y39。,39。Z39。,39。039。,39。239。,39。339。,39。439。,39。539。,39。639。,39。739。,39。839。,39。939。)。 %創(chuàng)建字母與數(shù)字識別模板庫 for i=2:7 for j=1:34 Im=eval(strcat(39。Char_39。,num2str(i)))。 27 Template=imread(strcat(39。chaamp。num\39。,num2str(j),39。.jpg39。))。 Template=im2bw(Template)。 Differ=ImTemplate。 Compare(j)=sum(sum(abs(Differ)))。 end index=find(Compare==(min(Compare)))。 char=[char store2(index)]。 end figure,imshow(I),title(strcat(39。車牌為 :39。,char))。 結(jié)果分析 圖 45 字符識別結(jié)果圖像 本文以 MATLAB R2020a 為實(shí)驗(yàn)平臺， 在得到這個結(jié)果之前，需要對車牌圖像進(jìn)行預(yù)處理、車牌定位、車牌分割等處理。 在圖像采集的過程中，由于外界的干擾如光線等因素原因以及車主在車牌周圍的裝飾，還有生產(chǎn)廠家對車身的點(diǎn)綴容 易給車牌的定位造成很大程度的影響， 因此需要對原始圖象進(jìn)行識別前的預(yù)處理。對于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動態(tài)范圍擴(kuò)展和對比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正 28 確率。由于車牌采集的信息都是些彩色圖片，含有大量的數(shù)據(jù)信息，因此我們還要對其進(jìn)行灰度化處理。圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出 其邊緣，于是對其邊緣提取，此處邊緣的提取采用的是 Sobel 算子。隨之進(jìn)行定位及分割還有識別。 對于識別錯誤情況的分析得到，主要原因有以下幾點(diǎn)： （ 1） 汽車牌照上外界干擾，如在牌照周圍添加飾物； （ 2） 采用不同的邊緣檢測算子將會使牌照字符的分割失敗，導(dǎo)致識別錯誤； （ 3） 某些字符具有相似性，字符識別結(jié)果可能發(fā)生混淆的情況。 盡管目前牌照字符的識別率還不是很完美，但是只要在分割出的字符的大小、位置的歸一化，以及嘗試提取分類識別能力更好的特征值和設(shè)計(jì)分類器等環(huán)節(jié)上再完善，進(jìn)一步提高識別率是完全可行的。 29 5 總結(jié) 近年來我國 隨著社 會經(jīng)濟(jì) 的高速 發(fā)展、汽車數(shù)量急劇增加，對交通管理的要求也日益提高， 而相應(yīng)的人工管理方式以不能滿足實(shí)際的需要，微電子、通信和計(jì)算機(jī)技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理的效率。 而車牌識別技術(shù)恰好能滿足這一需求，通過車牌識別我們可以解決被納入“黑名單”的通緝車輛，可以統(tǒng)計(jì)一定時(shí)間范圍內(nèi)進(jìn)出各省的車輛，還能有效的對該車輛進(jìn)行定位，對公安機(jī)關(guān)等相關(guān)部門有著很重要的作用 通過智能的車牌定位及識別技術(shù)將 對于維護(hù) 交通安全 和城市治安，防止交通堵塞，實(shí)現(xiàn)交通 自動化 管理有著現(xiàn)實(shí)的意義 。 通過本次車牌識別的設(shè)計(jì)，我也對數(shù)字圖像處理技術(shù)的原理及 MATLAB 編程技術(shù)有了更進(jìn)一步的了解。 讓我不僅僅是在學(xué)習(xí)知識上，還有對科學(xué)實(shí)驗(yàn)的嚴(yán)謹(jǐn)態(tài)度上都有了很大提升。 本次設(shè)計(jì)的研究以 MATLAB 軟件作為設(shè)計(jì)工具，通過對采集到的原始圖像進(jìn)行預(yù)處理、車牌定位、字符分割以及字符識別才識別出圖像中的 車牌。本次設(shè)計(jì)主要解決了一下幾個問題： (1)對彩色圖像進(jìn)行灰度化處理的方法： (2)選取合適的邊緣檢測算子及對灰度圖像進(jìn)行邊緣檢測的方法； (3)如何在圖像中定位出車牌位置并從定位好的車牌圖像中提取出車牌； (4)如何對車牌字符進(jìn)行分割和字符識別。 在車輛牌照字符識別系統(tǒng)的研究領(lǐng)域，近幾年已經(jīng)出現(xiàn)了許多切實(shí)可行的識別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個明顯的趨勢：一是單一的人工選取合適的算法和其他指標(biāo)已經(jīng)不能取得很好的結(jié)果。二是車牌識別逐漸走上智能化的過程，通過智能系統(tǒng)選取不同的算法進(jìn)行自動的分析才能更準(zhǔn)確的應(yīng)對各個角度 及位置的車牌信息識別。雖然本次設(shè)計(jì)出的車牌識別技術(shù)還存在很多不足之處，但是我在此次的畢業(yè)設(shè)計(jì)中學(xué)習(xí)到了很多知識，增加了我的學(xué)習(xí)能力，這對我來說是很大的鍛煉。 30 附錄 設(shè)計(jì)代碼 I=imread(39。39。)。 subplot(3,2,1)。imshow(I), title(39。原始圖像 39。)。 I_gray=rgb2gray(I)。 subplot(3,2,2),imshow(I_gray),title(39。灰度圖像 39。)。 I_edge=edge(I_gray,39。sobel39。)。 subplot(3,2,3),imshow(I_edge),title(39。邊緣檢測后圖像 39。)。 se=[1。1。1]。 I_erode=imerode(I_edge,se)。 subplot(3,2,4),imshow(I_erode),title(39。腐蝕后邊緣圖像 39。)。 se=strel(39。rectangle39。,[25,25])。 I_close=imclose(I_erode,se)。 %圖像閉合、填充圖像 subplot(3,2,5),imshow(I_close),title(39。填充后圖像 39。)。 I_final=bwareaopen(I_close,2020)。 %去除聚團(tuán)灰度值小于 2020 的部分 subplot(3,2,6),imshow(I_final),title(39。形態(tài)濾波后圖像 39。)。 I_new=zeros(size(I_final,1),size(I_final,2))。 location_of_1=[]。 for i=1:size(I_final,1) %尋找二值圖像中白的點(diǎn)的位置 for j=1:size(I_final,2) if I_final(i,j)==1。 newlocation=[i,j]。 location_of_1=[location_of_1。newlocation]。 end end end mini=inf。maxi=0。 for i=1:size(location_of_1,1) %尋找所有白點(diǎn)中， x 坐標(biāo)與 y 坐標(biāo)的和最大，最小的兩個點(diǎn)的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 31 if tempmini mini=temp。 a=i。 end if tempmaxi maxi=temp。 b=i。 end end first_point=location_of_1(a,:)。 %和最小的點(diǎn)為車牌的左上角 last_point=location_of_1(b,:)。 %和最大的點(diǎn)為 車牌的右下角 x1=first_point(1)+4。 %坐標(biāo)值修正 x2=last_point(1)4。 y1=first_point(2)+4。 y2=last_point(2)4。 I_plate=I(x1:x2,y1:y2)。 g_max=double(max(max(I_plate)))。 g_min=double(min(min(I_plate)))。 T=round(g_max(g_maxg_min)/3)。 % T 為二 值化的閾值 I_plate =im2bw (I_plate,T/256)。 subplot(3,2,5),imshow(I_plate)。 I_plate=bwareaopen(I_plate,20)。 figure,imshow(I_plate),title(39。車牌提取 39。) %最終車牌 X=[]。 %用來存放水平分割線的橫坐標(biāo) flag=0。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。 if logical(sum_y)~=flag %列和有變化時(shí)，記錄下此列 X=[X j]。 flag=logical(sum_y)。