【正文】 本文中也還有許多不足的、有待改善的地方： （ 1）對于車牌圖像模糊不清、背景復(fù)雜、光線不足等情況下，車牌定位的準(zhǔn)確性較低，還有待提高； （ 2）本文所研究的車牌識別系統(tǒng)雖然可以對多車牌原始圖像識別進(jìn)行了研究，但其多車牌識別率比單車牌識別率低許多，這也就希 望未來的研究對此能有更大的進(jìn)展； （ 3）目前，所設(shè)計的車牌識別系統(tǒng)，只能針對于靜止的圖像進(jìn)行識別，由于運(yùn)動中的圖像車牌識別處理比較復(fù)雜，故而希望在未來的車牌識別研究中能夠深入研究視頻中的車牌識別。盡管本次車牌識別系統(tǒng)得到改進(jìn)，且效果顯著，卻仍然需要不斷地改進(jìn)，還需要大量提高算法的準(zhǔn)確度和提高算法運(yùn)行的速度。尤其是在字符識別部分，根據(jù) 我國車牌的特殊組成提出了基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的多分類器。由此可知， BP 神經(jīng)網(wǎng)絡(luò)的具有它的理論價值與實(shí)用價值。在 識別 的仿真 過程中 可以看到 ， 識別隨著樣本數(shù)目改變的同時，也受到了樣本的質(zhì)量選取的問題。 T = targets。 = 20。 {2} = {2}*。},39。 = newff(minmax(alphabet),[S1 S2],{39。 targets = T。 while (sum(bw(tB,:))==x2temp) y2=y21。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 27 end tB=x2temp。 tB=tB+1。 x2=x2temp。 for t = 1:50 img{t} = imcrop(Ibw,Ibox(:,ind(t)))。 Ic2 = sortrows(Ic,2)。 Ic = reshape(Ic,[2 50])。 Iprops = regionprops(Ilabel)。 Ifill= imfill(Iedge2,39。 se = strel(39。 lett=lett39。 %%%%%%%%%%%%%%%%% function lett = myimgresize(bw2) bw_7050=imresize(bw2,[70,50])。 Ptest = out(:,41:50)。 %調(diào)用函數(shù)對圖像進(jìn)行重采樣 charvec = myimgresize(bw2)。原始圖像 139。39。 end 仿真結(jié)果與分析 圖 原始圖像 南湖學(xué)院 畢業(yè)設(shè)計（論文） 21 圖 TOPHAT圖像 圖 灰度增強(qiáng)的圖像 圖 南湖學(xué)院 畢業(yè)設(shè)計（論文） 22 圖 車牌校正圖像 圖 車牌灰度圖和二值圖 圖 圖像的水平投影 南湖學(xué)院 畢業(yè)設(shè)計（論文） 23 圖 車牌定位圖像 圖 垂直投影圖像 圖 車牌字符分割圖像 南湖學(xué)院 畢業(yè)設(shè)計（論文） 24 車牌字符識別算法設(shè)計 經(jīng)過一系列的預(yù)處理后，可以得到分割后的字符子圖，即可以進(jìn)行字符識別了。車牌圖像 39。) %%%%%%%%%%%%%%%%%顯示 figure(4) for i=1:k subplot(1,k,i)。腐蝕后圖像 39。title(39。 %更新區(qū)域數(shù) %%%%%%%%%%%判定結(jié)束 %%%%%%%%%%%%%%%%%%%%% toc %計時結(jié)束 clear edge_IM3。 m=m+1。 %更新區(qū)域個數(shù) %%%%%%%%%%%%%%合并結(jié)束 %%%%%%%%%%%%%%%%%%%%% %%%%%%%%根據(jù)區(qū)域比例判斷是否為車牌區(qū)域 %%%%%%%%%%%% m=1。 %更新區(qū)域記錄 p_ratio=pp_ratio。 m=length(index)。 ncount(n)=i+1。 p{i+1}(2)=max(p{i}(2),p{i+1}(2))。 ncount=zeros(1,k)。 p_center{i}=[fix((p{i}(1)+p{i}(2))/2),fix((p{i}(3)+p{i}(4))/2)]。canny39。 if(mean(mean(s))) p{k}=[p_h(2*i1),p_h(2*i)+1,p_v(2*j1),p_v(2*j)+1]。 p_v=find(((p_v(1:end1)p_v(2:end))~=0))。 end %%%%%% p_h=double((p_h5))。 end p_v=projection(double(IM3),39。 %%%%%%%%%%%%%%%%%%投影以粗略估計車牌位置 p_h=projection(double(IM3),39。,[10,10])。 [I_edge,y1]=select(I_edge,height,width)。%調(diào)用自編函數(shù)讀取圖像，并轉(zhuǎn)化為灰度圖像； tic %計時開始 [height,width]=size(I)。但是基于投影分割法也有 他一定的缺點(diǎn)，例如無法精確地分割出傾斜車牌的字符位置。 MATLAB 函數(shù)按其功能可分為：數(shù)值的分析、數(shù)值與符號的計算、工程與科學(xué)的繪圖、控制系統(tǒng)的設(shè)計與仿真、數(shù)字圖像的處理、數(shù)字信號的處理、通訊系統(tǒng)的設(shè)計與仿真 、財務(wù)與金融工程、圖像轉(zhuǎn)換等。 盡管 BP 網(wǎng)絡(luò)在模式識別中取得相對比較大的成功，但還是存在一些不足：學(xué)習(xí)率與穩(wěn)定性的矛盾、學(xué)習(xí)率的選擇缺乏有效的方法、訓(xùn)練過程可能陷入局部最小網(wǎng)絡(luò)、沒有確定隱層神經(jīng)元數(shù)的有效方法。 預(yù)處理好以后的餓圖片，需要使用神經(jīng)網(wǎng)絡(luò)對樣本進(jìn)行訓(xùn)練，本文中所使用的是前饋后向傳播網(wǎng)絡(luò)（ BP 網(wǎng)絡(luò)） [2022]。 目前，我國車牌的具體規(guī)格 ，如表 31 所示： 南湖學(xué)院 畢業(yè)設(shè)計（論文） 12 表 21 車牌格式 分類 外廓尺寸（ mm） 顏色 面數(shù) 大型民用汽車 440*140/440*220 黃底黑字 2 小型民用汽車 440*140 藍(lán)底白字 2 公安專用汽車 440*140 白底紅“ GA”、黑字 2 武警專用汽車 440*140 白底紅“ WJ”、黑字 2 大使館外籍汽車 440*140 黑底白字及空心“使”字 2 領(lǐng)事館外籍汽車 440*140 黑底白字及空心“領(lǐng)”字 2 外籍汽車 440*140 黑底白字 2 實(shí)驗汽車 440*140 白底紅字，數(shù)字前有“試”字 2 學(xué)習(xí)汽車 440*140 白底紅字，數(shù)字前有“學(xué)”字 2 臨時牌照 白 底紅字，數(shù)前有“臨時”字 2 汽車補(bǔ)用牌照 白底黑字 2 車輛移動證 白底紅字 2 本文 主要 分析藍(lán)底白字和黃底黑字的車牌，具有以下幾個特點(diǎn)： （ 1）車牌拍照一共七位，第一個為漢字，一般為各個省級行政區(qū)的簡稱； （ 2）第二個字符一般為英文字符，作為地市一級代號，后五位是數(shù)字和字母的排列組合； （ 3）車牌大小尺寸高度統(tǒng)一為 140mm 左右，寬度統(tǒng)一為均為 440mm，字體規(guī)范、科學(xué)、容易辨認(rèn)； （ 4）字符總長度 409mm，單個字符寬度 45mm，高度為 90mm，第二三個字符之間的間隔是 34mm. 這也就是 說標(biāo)準(zhǔn)的車牌字符識別可以分為三部份，按照車牌上的七個字符的排列原則可知，首位是省名縮寫的漢字，接下來是因為字母，接下來的一位可能是數(shù)字也可能是字母，末四位是數(shù)字。 車牌數(shù)字特點(diǎn) 目前，我國的車牌主要分為藍(lán)底白字和黃底黑字兩種 [23]。 雖然國內(nèi)對車牌字符研究起步較晚，但國外在字符研究方面早已有所成就，如英國、日本、德國、加拿大等不少國家已經(jīng)研究出適合本國的車牌識別系統(tǒng)，并且擁有比較高的字符識別率和比較少的識別時間。 20 世紀(jì) 50 年代中期以后，商業(yè) OCR機(jī)并正式 開始投入市場。歸一化處理可以分為傾斜度校正和大小歸一化兩個主要部分，其中傾斜度校正部分使用的是 MATLAB工具箱中的 Imrote 函數(shù)。 （ 5）若出現(xiàn)像素值為 255 的像素個數(shù)大于閾值 threshold 1 時記為車牌字符開始的位置，小于閾值 threshold 1 時記為車牌字符的結(jié)束位置。設(shè)兩個閾值分別為 threshold 1， threshold 2。 投影法的具體操作如下： （ 1）對灰度化的車牌圖像從下向上逐行掃描，逐行統(tǒng)計出像素值為 255 的像素的個數(shù)，當(dāng)其個數(shù)大于 7 時（車牌有 7 個字符），認(rèn)為尋找到車牌字符的下邊界，同理，找到車牌的上邊界。,( xR? 在坐標(biāo) )39。 ]。,( dyxyyxGxR l? ??? ????? （ 28） 其中 )39。c o s39。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 9 基于車牌投影的傾斜校正算法實(shí)質(zhì)上是一種基于 Radon 變換的校正算法。 車牌的傾斜度校正前，需要先對車牌的傾斜進(jìn)行檢測。本文中所采用的是 開運(yùn)算定位法 。對初步確定出來的車牌進(jìn)行微定位，而所謂的微定位法即對基本定位后的車牌圖像進(jìn)行局部分析，以便進(jìn)一 南湖學(xué)院 畢業(yè)設(shè)計（論文） 8 步確定字符范圍，縮減車牌的左右、上下邊界，這有利于后續(xù)的車牌處理，確定車牌的具體位置后再提取車牌 [12]。 車牌分割 車牌定位 車牌定位的本質(zhì)是把車牌圖像從含有汽車和背景的圖像中提取出來，即輸入車牌原始圖像輸出車牌圖像。而拉斯算子是二階導(dǎo)數(shù)段子，再找出梯度局部最大值對應(yīng)點(diǎn)后才確定其為真正的邊緣點(diǎn)。 比較常見的高通濾波的沖激響應(yīng)陣列有以下三種： 南湖學(xué)院 畢業(yè)設(shè)計（論文） 7 0101510101?????H 1111911112?????????H 1212521213?????H （ 26） 邊緣檢測 邊緣是圖像的重要特征，圖像理解、分析的第一步通常是邊緣檢測。中值濾波是非線性濾波，也是領(lǐng)域算法，類似卷積。為了消除圖像的噪聲，常常采取濾波措施，且合適的濾波還可以銳化圖像與增強(qiáng)圖像的邊緣信息。與灰度化后的圖像相比，二值化后的圖像具有以下幾個特點(diǎn)：大量減小了信息量，加快了處理速度，降低了成本，實(shí)用價值更高。 圖像的二值化處理即將灰度圖像中除了灰度值為 0 的像素點(diǎn)外，其余的像素點(diǎn)均設(shè)為 。為了減少背景像素的干擾，保留并 南湖學(xué)院 畢業(yè)設(shè)計（論文） 6 增強(qiáng)目標(biāo)區(qū)域 的信息，通常將圖像分為目標(biāo)和背景兩部分。 設(shè)用 h 表示 tophat 變換后的結(jié)果，則 tophat 變換可定義為： )( bffh ??? （ 22） 其中， f 表示原灰度圖， ? 表示使用結(jié)構(gòu)元素 b 對集合 f 進(jìn)行開操作 [6]。 造成對比度不足的原因主要有：（ 1）目標(biāo)的遠(yuǎn)近不同導(dǎo)致的圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡；（ 2）攝像頭掃描時各點(diǎn)的靈敏度差異產(chǎn)生的灰度失真；（ 3）曝光不足或過度而導(dǎo)致灰度值限定在較小的范圍。 增強(qiáng) 拍攝車牌圖像時往往受到許多條件的限制和干擾，這使得圖像的灰度 值與實(shí)際景物不完全相同。 最基本的灰度化是直接取彩色圖像 R、 G、 B 三個分量中最大值或平均值代替各分量。 這也就是為什么要對原始圖像進(jìn)行灰度化、二值化、濾波等預(yù)處理的原因 [4]。其中車牌獲取流程圖如圖 所示 電子眼圖 像采 集圖 像預(yù) 處 理數(shù) 字圖 像 圖 實(shí)質(zhì)上，車牌獲取就是指在實(shí)際拍攝的圖像中確定車牌區(qū)域、位置，以便提取、分割車牌區(qū)域。最后一部分是結(jié)論，總結(jié)了本文的研究成果，并做出了分析和評價，同時對未來提出了展望。 本文的主要內(nèi)容與結(jié)構(gòu)安排 本文研究的內(nèi)容包括了車牌識別系統(tǒng)的五個主要組成部分的算法，提出了有效的解決策略，進(jìn)行了測試，并完成了車牌識別系統(tǒng)的開發(fā)?？焖佟?zhǔn)確以及具備較強(qiáng)的魯棒性是字符識別的目標(biāo)。 經(jīng)過圖像預(yù)處理、車牌定位、字符分割并校正后，才可以進(jìn)行字符識別。因此 ，在車牌識別中，車牌分割和數(shù)字識別占有主要的作用。目前，比較適合我國的產(chǎn)品主要有中科院自動 南湖學(xué)院 畢業(yè)設(shè)計（論文） 3 化研究所漢王公司的“漢王眼”、川大智勝軟件的 ZT2020 車牌自動別系統(tǒng)等。國外己有不少關(guān)于車牌數(shù)字識別的文章發(fā)表，有相當(dāng)一部分比較成 熟，并已經(jīng)投入實(shí)際生產(chǎn)使用中。其中硬件包括系統(tǒng)觸發(fā)、圖像采集兩個主要組成部分，軟件則包含了圖像預(yù)處理、車牌獲取、字符分割以及字符識別四個主要模塊。所以本文介紹的是利用 MATLAB 對圖像處理模塊和字符識別模的設(shè)計和研究。由于引進(jìn)這些系統(tǒng)成本極高，而且引進(jìn)的技術(shù)也不一定適用于我國的車牌以及實(shí)際的交通環(huán)境，所引進(jìn)的系統(tǒng)往往并不能滿足我國需求，盡管國內(nèi)市場上已有不少投入生產(chǎn)并使用的 產(chǎn)品，但是這些產(chǎn)品的后續(xù)處理仍然需要大量的人工識別，所以車牌識別技術(shù)的研究依然是我國目前高科技領(lǐng)域的熱門課題之一。 License plate segmentation。車牌識別技術(shù)包括車牌圖像獲取、車牌定位、車牌分割、車牌校正、車牌字符分割、車牌字符歸一化和車牌字符識別，本文重點(diǎn)針