【正文】 % 白色象素點(diǎn)統(tǒng)計(jì) end end end baisebili=White/(a*b) changkuanbi=a/b k=k+1%====================藍(lán)色區(qū)域不是車牌區(qū)域================= elseif (k~=0) Blue_y(PY1:PY2,1)=0。amp。 end%確定出X方向車牌終點(diǎn) a=PY2PY1+1。 if PX2=x PX2=x。 end while ((Blue_x(1,PX1)=X_threshhigh)amp。(myI(i,j,3)=))) Blue_x(1,j)= Blue_x(1,j)+1。(myI(i,j,2)=))amp。(myI(i,j,1)=)amp。((myI(i,j,3)=160)amp。((myI(i,j,2)=100)amp。((myI(i,j,3)=160)amp。((myI(i,j,2)=90)amp。%這個(gè)數(shù)值很重要。 while ((Blue_y(PY2,1)=Y_threshlow)amp。%有最多藍(lán)點(diǎn)的行付給PY1 while ((Blue_y(PY1,1)=Y_threshlow)amp。39。,39。amp。amp。 % 藍(lán)色象素點(diǎn)統(tǒng)計(jì) end end endbaisebili=0。amp。amp。amp。amp。amp。amp。%ganrao transaction%================= Y 方向============================Blue_y=zeros(y,1)。myI=double(I)。,shibiejieguo,datestr(now))。a+39。)。 shibiejieguo(1,i) =jieguoshuzi_3。jieguoshuzi_2= shibieshuzi(shuzi,xiuzhengshuzi_2)。i=i+1。 shibiejieguo(1,i) =jieguozm_sz_1。jieguozimu = shibiezimu(zimu,xiuzhengzimu)。 %===================識(shí)別結(jié)果================================ i=1。39。39。39。39。39。),imread(39。),imread(39。),imread(39。),imread(39。),...imread(39。),imread(39。),imread(39。),imread(39。),imread(39。),... imread(39。),imread(39。),imread(39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。%因數(shù)字和字母比例不同。39。39。39。xiuzhengshuzi_3 = imresize(shuzi_3,[110 55],39。)。bilinear39。xiuzhengzm_sz_1= imresize(zm_sz_1,[110 55],39。)。 shuzi_2 =bw( 1:y,fenge(11):fenge(12))。zi_mu =bw( 1:y,fenge(3):fenge(4))。%=================顯示分割圖像結(jié)果========================= figure。二次擦除39。bw = bwareaopen(bw, threshold)。title(39。)。bw=~bw。figure,imshow(bw)。title(39。bw=bwmorph(bw,39。%figure,imshow(bw)。%figure,imshow(bw)。%figure,imshow(bw)。title(39。,39?；叶葓D像39。)。%使用caitu_tiqu%==============考慮用腐蝕解決藍(lán)色車問(wèn)題=============bw=Plate。% I=rgb2hsv(I)。原始圖像39。)。%說(shuō)明：% ==============測(cè)定算法執(zhí)行的時(shí)間，開始計(jì)時(shí)=================tic%====================讀入圖片================================[fn,pn,fi]=uigetfile(39。其次要感謝大學(xué)四年中給我們授課的所有老師們，是他們的悉心教導(dǎo)和精心栽培，讓我掌握了很多專業(yè)知識(shí)，為將來(lái)的工作打下了良好的基礎(chǔ)。在這個(gè)美麗的校園里，原本天真幼稚的我如今已蛻變成一個(gè)睿智、沉穩(wěn)的青年，感謝命運(yùn)的安排，讓我有幸結(jié)識(shí)了許多良師益友，是他們教我如何品味人生，讓我懂得如何更好的生活！人生處處是驛站，已是揮手作別之時(shí)，在此，向所有幫助過(guò)我的人獻(xiàn)上我最誠(chéng)摯的謝意！“飲其流時(shí)思其源，成吾學(xué)時(shí)念吾師。雖然這個(gè)設(shè)計(jì)做的并非對(duì)所以車牌都合適，但是在設(shè)計(jì)過(guò) 程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會(huì)使我受益終身。這個(gè)設(shè)計(jì)讓我學(xué)到了很多東西，涉及到方方面面的知識(shí)，在這整個(gè)過(guò)程中我們查閱了大量的資料，得到了老師和同學(xué)的幫助，我在此對(duì)他們表示謝意。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。從開始的收費(fèi)輔助系統(tǒng)演變過(guò)來(lái)的車牌識(shí)別技術(shù)現(xiàn)在運(yùn)用的領(lǐng)域是越來(lái)越廣?？傊?，盡管目前牌照字符的識(shí)別率還不理想，但是只要在分割出的字符的大小、位置的歸一化以及尋找更合適的分割閾值等環(huán)節(jié)上完善，進(jìn)一步提高識(shí)別率是完全可行的。把每一幅相減后的圖的0值個(gè)數(shù)保存，然后找數(shù)值最大的，即為識(shí)別出來(lái)的結(jié)果。因?yàn)椴噬珗D像包含著大量的顏色信息，不但在存儲(chǔ)上開銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此將彩色圖像轉(zhuǎn)化為灰度圖像，以縮短處理速度。對(duì)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(dòng)態(tài)范圍擴(kuò)展和對(duì)比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。汽車車牌識(shí)別系統(tǒng)的設(shè)計(jì)達(dá)到預(yù)期目標(biāo)。hanzi(:,:,2)=imresize(im2bw(cplu,graythresh(rgb2gray(cplu))),[110 55],39。；。；。在對(duì)車牌區(qū)域識(shí)別出錯(cuò)、字體分割出錯(cuò)時(shí)程序暫停，并有語(yǔ)音提醒。baifenbi(1,k)=sum/(x*y)。chepai= find(baifenbi=max(baifenbi))。chepai= find(baifenbi=max(baifenbi))。切割出來(lái)的數(shù)據(jù)要與數(shù)據(jù)庫(kù)的數(shù)據(jù)作比較，所以數(shù)據(jù)庫(kù)的數(shù)據(jù)尤為重要。有利于提高模版匹配的成功率?；谀０迤ヅ涞淖址R(shí)別方法主要有：簡(jiǎn)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?；谏窠?jīng)網(wǎng)絡(luò)的字符識(shí)別方法，具有良好的容錯(cuò)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(shí)現(xiàn)模式識(shí)別，運(yùn)行速度快，自適應(yīng)好，分辨率高，對(duì)信息復(fù)雜、背景不清楚、推理不明確的問(wèn)題尤為有利。①數(shù)字09，；②字母AZ，；③各省自治區(qū)簡(jiǎn)稱，文件名為： ,，,,. 字符識(shí)別過(guò)程車牌字符識(shí)別方法基于模式識(shí)別理論，主要有：(1) 統(tǒng)計(jì)識(shí)別；(2) 結(jié)構(gòu)識(shí)別；(3) 基于神經(jīng)網(wǎng)絡(luò)的字符識(shí)別；(4) 基于模板匹配的字符識(shí)別。%去掉多產(chǎn)生的一個(gè)K值[m n]=size(fenge)。對(duì)車牌字符進(jìn)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(gè)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)。對(duì)‘豫’字經(jīng)常出現(xiàn)的是把木字旁和右邊的部首分割開。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。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；。二次擦除39。bw = bwareaopen(bw, threshold)。amp。Y_yuzhi=mean(Y_touying((fix(y/2)10):(fix(y/2)+10),1))/。Y_touying=(sum((~imane_bw)39。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(gè)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。title(39。擦除39。)。,5)。擦除之前39。spur39。hbreak39。我們采用最簡(jiǎn)單的方法，當(dāng)象素灰度級(jí)低于常數(shù)t時(shí)，[0t]象素灰度為0，[t255]象素灰度為255。同時(shí)車牌識(shí)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(jìn)行處理，能大大提高處理效率。這是因?yàn)椋环矫?，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(jìn)行處理（即灰度圖像的二值化）。%旋轉(zhuǎn)，修正圖像[I,J] = find(R=max(max(R)))。%取值為正值向左旋轉(zhuǎn)I=edge(I)。figure,imshow(bw)。bilinear39。但是若以某個(gè)固定的經(jīng)驗(yàn)值對(duì)所有牌照統(tǒng)一進(jìn)行旋轉(zhuǎn)處理，又會(huì)使原本正常的牌照傾斜，導(dǎo)致新的錯(cuò)誤。figure,imshow(bw)。彩色圖像的象素色為RGB (R, G, B )，灰度圖像的象素色為RGB ( r, r, r ), R, G, , G, B的取值范圍是0255,所以灰度的級(jí)別只有256級(jí)。 彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度。汽車圖像樣本，目前大都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等設(shè)備拍攝獲取的，因而預(yù)處理前的圖像都是彩色圖像。 [temp MaxY]=max(Blue_y)。 baisebili=White/(a*b) changkuanbi=a/b PY2=MaxY。 % 進(jìn)一步確定X方向的車牌區(qū)域 [temp MaxX]=max(Blue_x)。% Y方向車牌區(qū)域確定 temp(最多點(diǎn)數(shù)):所有行中，最多的累積像素點(diǎn) MaxY（最多點(diǎn)所在行）:該行中藍(lán)點(diǎn)最多 PY1=MaxY。%ganrao transaction%================= Y 方向=======================Blue_y=zeros(y,1)。車牌定位 確定行、列方向的合理區(qū)域彩色像素點(diǎn)統(tǒng)計(jì)藍(lán)白色比對(duì)候選區(qū)域?qū)朐紙D像 牌照區(qū)域的定位的流程圖 定位的車牌%=========車牌定位與分割的主要程序代碼=========[y,x,z]=size(I)。總結(jié)起來(lái)主要有如下幾類方法：(1) 基于水平灰度變化特征的方法，這種方法主要在車牌定位以前， 需要對(duì)圖像進(jìn)行預(yù)處理，將彩色圖像轉(zhuǎn)換為灰度圖像，利用車牌區(qū)域水平方向的紋理特征進(jìn)行車牌定位；(2) 基于邊緣檢測(cè)的定位方法，這種方法是利用車牌區(qū)域豐富的邊緣特征進(jìn)行車牌定位[3]，能夠進(jìn)行檢測(cè)的方法有多種，如Roberts 邊緣算子、Prewitt 算子、Sobel 算子以及拉普拉斯邊緣檢測(cè)；(3) 基于車牌顏色特征的定位方法，這種方法主要是應(yīng)用車牌的紋理特征、形狀特征和顏色特征即利用車牌字符和車牌底色具有明顯的反差特征來(lái)排除干擾進(jìn)行車牌的定位；(4) 基于Hough 變換的車牌定位方法，這種方法是利用車牌邊框的幾何特征，采取尋找車牌邊框直線的方法進(jìn)行車牌定位；(5) 基于變換域的車牌定位方法，這種方法是將圖像從空域變換到頻域進(jìn)行分析，例如采用小波變換等；(6) 基于數(shù)學(xué)形態(tài)學(xué)的車牌定位方法，這種方法是利用數(shù)學(xué)形態(tài)學(xué)圖像處理的基本思想，利用一個(gè)結(jié)構(gòu)元素來(lái)探測(cè)一個(gè)圖像， 看是否能將這個(gè)結(jié)構(gòu)元素很好的填放在圖像內(nèi)部，同時(shí)驗(yàn)證填放元素的方法是否有效。)。I=imread([pn fn])。*.jpg39。由于條件有限，此處照片直接由相機(jī)拍攝，并編寫程序?qū)隡atlab軟件中進(jìn)行處理。因?yàn)橄到y(tǒng)運(yùn)行的過(guò)程中，主要進(jìn)行的都是圖像處理，在這個(gè)過(guò)程中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高。由于拍攝時(shí)的光照條件、牌照的整潔程度的影響和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。首先要對(duì)采集到的車牌定位，而牌照定位又決定其后的車牌字符識(shí)別，因此牌照定位是車牌識(shí)別系統(tǒng)的關(guān)鍵的關(guān)鍵，牌照定位就是從包含整個(gè)車輛的圖像中找到牌照區(qū)域的位置。如下圖所示。 汽車車牌識(shí)別系統(tǒng)的組成汽車車牌識(shí)別（LPR）系統(tǒng)通過(guò)引入數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的圖像處理、模式識(shí)別和人工智能技術(shù)，通過(guò)對(duì)圖像的采集和處理，獲得更多的信息，從而達(dá)到更高的智能化管理程度。”，后面的汽車編號(hào)，一般為5位數(shù)字，即從00001~99999。這為防范、發(fā)現(xiàn)和追蹤涉及車輛的犯罪，保護(hù)重要車輛(如運(yùn)鈔車)的安全有重大作用，從而對(duì)城市治安及交通安全有重要的保障作用。 (4)對(duì)養(yǎng)路費(fèi)交納、安全檢查、運(yùn)營(yíng)管理實(shí)行不停車檢查根據(jù)識(shí)別出的車牌號(hào)碼從數(shù)據(jù)庫(kù)中調(diào)出該車檔案材料，可發(fā)現(xiàn)沒(méi)及時(shí)交納養(yǎng)路費(fèi)的車輛。 (2)交通流控制指標(biāo)參量的測(cè)量，為達(dá)到交通流控制的目標(biāo)，一些交通流指標(biāo)的測(cè)量相當(dāng)重要。車牌自動(dòng)識(shí)別系統(tǒng)應(yīng)用于這些系