【正文】 南湖學(xué)院 畢業(yè)設(shè)計（論文） 32 參考文獻 [01] 張方櫻，巢佰崇，陳雪豐．車牌自動識別系統(tǒng) [J]．武漢大學(xué)， 2020， 3(3)： 4950． [02] 歐陽文衛(wèi)，羅三定，車牌定位算法研究 [J]．湖南工業(yè)職業(yè)技術(shù)學(xué)院學(xué)報， 2020， 6(4)： 3335． [03] 林立，何為，韓力群，汽車牌照自動識別技術(shù)的現(xiàn)狀與發(fā)展 [J]．北京輕工業(yè)學(xué)院學(xué)報， 2020，19(l)： 3640． [04] 袁卉平．基于 MATLAB 的車牌識別系統(tǒng)的設(shè)計與研究 [J]．廣西：廣西工學(xué)院工業(yè)控制計算機，2020． [05] 胡小峰，趙輝． Visual Ｃ ++/MATLAB 圖像處理與識別案例精選 [M]．人民郵電出版社， 2020． 58－ 81． [06] 許錄平 ．?dāng)?shù)字圖像處理（ MATLAB 版） [M]．北京： 科學(xué) 出版社， 2020． [07] N Ostu. A threshold selection method from graylevel histogram[J]. IEEE Trans Systems Man Cyberic, 1978, 8:6265. [08] JuneLee Dong, WhanLee Secong. A new Methodology for GraySeale Character Segmentation and Recognition[J]. IEEE Trans on Pattern Analysis and Machine Intelligence,1996,18(10):526527. [09] 陳永超．基于數(shù)字圖像處理的車牌識 別研究：［ D］．武漢：武漢理工大學(xué)控制理論與控制工程，2020． [10] 趙陽．基于圖像工程與框架理論識別人體細胞的智能技術(shù)研究： [D]．內(nèi)蒙古：內(nèi)蒙古科技大學(xué)激光先進制造技術(shù) ． 2020． [11] 張鐵弓．基于 DSP 的微光視頻圖像實時處理研究：［ D］．武漢：武漢理工大學(xué)檢測技術(shù)與自動化裝置， 2020． [12] 崔江，王友仁．車牌自動識別方法中的關(guān)鍵技術(shù)研究 [J]．計算機測量與控制， 2020， 11（ 4）：260－ 262． [13] SUN Dongwei, ZHU Chenghui, ’Skew Angle Detection of the Vehicle License Plate Image and Correct Based on Radon’ Transformation[J]. Microputer Applications China, , 2020, . [14] 賈曉丹，李文舉，王海姣．一種新的基于 Radon 變換的車牌傾斜校正方法 [J]．計算機工程與應(yīng)用． 2020， 44(3)： 245148． [15] 劉同焰．車牌識別的相關(guān)算法研究與實現(xiàn) [D]．廣州：華南理工大學(xué)應(yīng)用數(shù)學(xué)． 2020． [16] Y Liu. A novel approach of segmenting touching and kerned character[A].In: Proceeding 8th International Conference on Neural Information Processing[8],2020. [17] 熊哲源，樊曉平，黎燕．基于數(shù)學(xué)形態(tài)學(xué)邊緣檢測的車牌字符分割算法．計算機應(yīng)用． ， 2020． [18] 周景超，陳鋒， 陳為多，王家捷．車牌字符分割的研究和實現(xiàn)．計算機工程， 2020， 32(5)：238243． [19] 陳黎，黃心漢，王敏等．基于聚類分析的車牌字符分割方法．計算機工程與應(yīng)用， 2020， 38(6)：221256． [20] 李文舉，梁德群．質(zhì)量退化的車牌字符分割方法 [J]．計算機輔助設(shè)計與圖形學(xué)報， 2020， 6(5)：697700． [21] 葉晨洲，廖金周，梅帆．車輛牌照字符識別系統(tǒng) [J]．計算機系統(tǒng)應(yīng)用， 1999（ 5）： 1013． [22] 石偉 ， 孫永榮 ． BP 神經(jīng)網(wǎng)絡(luò)在車牌識別技術(shù)中的應(yīng)用 [J]． 工業(yè)控制計算機． 2020． 23(4)： 1719． 南湖學(xué)院 畢業(yè)設(shè)計（論文） 33 [23] 楊艷群，標(biāo)準(zhǔn)尚未統(tǒng)一，技術(shù)仍需完善，我國車輛牌照自動識別技術(shù)發(fā)展綜述 [N]．中 國交通報， 202092． [24] 李一舒．車牌字符識別的改進算法研究 [D]．浙江：浙江大學(xué)． 2020． [25]。至今，尚沒有一個完全通用的車牌識別系統(tǒng)問世。 展望 車牌識別技術(shù)是基于數(shù)字圖像 處理和模式識別高度融合的一項技術(shù)，同時也是智能交通的一個重點、難點。 最后，綜合對車牌識別系統(tǒng)的相關(guān)算法研究，在其基礎(chǔ)上實現(xiàn)了一個小的車牌識別系統(tǒng)，根據(jù)仿真、測試結(jié)果表明，該系統(tǒng)具有實際應(yīng)用的價值，甚至可以投入生產(chǎn)。該分類器由 3 個子 BP 神經(jīng)網(wǎng)絡(luò)組成，即漢字網(wǎng)絡(luò)、字母網(wǎng)絡(luò)以及字母數(shù)字網(wǎng)絡(luò)。本文結(jié)合我國車牌的特殊性，對車牌識別系統(tǒng)所涉及的算法做了深入的研究，在基于前人的研究成果上提出了自己的改進。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 31 5 總結(jié)與展望 總結(jié) 車牌識別技術(shù)是智能交通管理中最為關(guān)鍵的技術(shù)之一，與此同時，車牌識別的技術(shù)和方法也在其他檢測、識別領(lǐng)域也發(fā)揮著它重要的作用。此外， BP 神經(jīng)網(wǎng)絡(luò)的具有比其他方法高的并行性和容錯性。在 BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，對該識別算法的識別率統(tǒng)計結(jié)果如表 41 所示： 表 41 識別率 數(shù)據(jù)統(tǒng)計 正確識別率 樣本數(shù) =5 樣本數(shù) =10 樣本數(shù) =15 % % % 由于受到時間以及其他一些客觀條件的限制，本次樣本的正確率約 87%，且對于一些比較相似的字符識別產(chǎn)生失誤，例如“ 8”與“ B”，“ 7”與“ 2”，“ 1”與“ I”等。為了驗證該系統(tǒng)的可用性與實用性，在自然條件下獲取的部分車牌樣本，對 BP 神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，對每一個車牌進行仿真識別，樣本與訓(xùn)練結(jié)果如圖 所示： 南湖學(xué)院 畢業(yè)設(shè)計（論文） 29 圖 車牌樣本 圖 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（ 1） 圖 BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（ 2） 南湖學(xué)院 畢業(yè)設(shè)計（論文） 30 全部的仿真 結(jié)果顯示，其中 2 副車牌的字符分割與識別發(fā)生錯誤，余下的車牌都能進行正常的識別。 [,tr] = train(,P,T)。 P = alphabet。 = 5000。 = 。 = 39。 {2,1} = {2,1}*。traingdx39。logsig39。logsig39。 S1 = 10。 [R,Q] = size(alphabet)。 %%%%%%%%%%%%%%%%%%%%%%% function = mycreatenn(P,T) alphabet = P。 tB=tB1。 end tB=y2temp。 while (sum(bw(:,tB))==y2temp) x2=x21。 tB=tB+1。 end tB=1。 while (sum(bw(:,tB))==y2temp) x1=x1+1。 y2=y2temp。 y1=1。 end %%%%%%%%%%%%%%%%%%%%%% function bw2 = myimgcrop(bw) [y2temp x2temp] = size(bw)。 ind = Ic2(:,4)。 for t = 1:5 Ic2((t1)*10+1:t*10,:) = sortrows(Ic2((t1)*10+1:t*10,:),4)。 Ic(:,4) = 1:50。 Ic = Ic39。 Ic = []。 Ibox = []。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 26 [Ilabel num] = bwlabel(Ifill)。holes39。 Iedge2 = imdilate(Iedge, se)。square39。 Iedge = edge(uint8(Ibw))。 %%%%%%%%%%%%%%%%%%%% function img = myimgpreprocess(I) Igray = rgb2gray(I)。 end end lett=((100lett)./100)。 for t=1:7 for t2=1:5 Atemp=sum(bw_7050((t*109:t*10),(t2*109:t2*10)))。 %輸出測試量 disp(b)。 %建立神經(jīng)網(wǎng)絡(luò)并對其進行訓(xùn)練 = mycreatenn(P,T)。 T = [eye(10) eye(10) eye(10) eye(10)]。 out(:,t) = charvec。 for t = 4:50 輸入樣本 對網(wǎng)絡(luò)進行 BP 算法學(xué) 習(xí) 形成能識別字符的神經(jīng)網(wǎng)絡(luò) 輸入英文字符圖像 歸一化處理 仿真測試 識別成功 顯示失敗 顯示識別字符 重新輸入 重新輸入 否 是 南湖學(xué)院 畢業(yè)設(shè)計（論文） 25 %調(diào)用函數(shù)對圖像進行修剪 bw2 = myimgcrop(img{t})。)。title(39。)。 算法流程 圖 識別算法流程圖 程序設(shè)計 %ex1506_2 %讀取原始圖像 I = imread(39。本文所用到的是 人工神經(jīng)網(wǎng)絡(luò)方法 ，神經(jīng)網(wǎng)絡(luò)可以分為： 反向反饋型網(wǎng)絡(luò)模型、自組織型網(wǎng)絡(luò)模型和隨機型網(wǎng)絡(luò)模型 、 前向反饋型 (BP)網(wǎng)絡(luò)模型 等幾種模式。)。) end %存儲車牌圖像 if(k==1) imwrite(I(index(1)2:index(2),index(3):index(4)),39。title(39。 index=p{i}?；叶扰蛎浐髨D像 39。) figure(3) imshow(IM3)。title(39。原始圖像 39。 % 清空部分變量 %%%%%%%%%%%%%%%%顯示 figure(1) imshow(I)。clear x。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 20 k=m1。 end end p=p1。p_ratio(i)20) p1{m}=p{i}。T=*max(p_ratio)。 %清除部分變量 end end k=length(p)。 %更新區(qū)域比例記錄 clear pp。 end p=pp。 for i=1:m pp{i}=p{ncount(index(i))}。 index=find(d_ncount~=1)。 end end %如果有合并，求出合并后最終區(qū)域 if(n0) d_ncount=ncount(2:n+1)ncount(1:n)。 %向后合并 n=n+1。 p{i+1}(3)=min(p{i}(3),p{i+1}(3))。abs(p{i+1}(3)p{i}(4))=width/1 南湖學(xué)院 畢業(yè)設(shè)計（論文） 19 5) p{i+1}(1)=min(p{i}(1),p{i+1}(1))。 for i=1:k1 %%%需要調(diào)整 if 條件中的比例 %%%需要調(diào)整 %檢查是否滿足合并條件 if(abs(p{i}(1)+p{i}(2)p{i+1}(1)p{i+1}(2))=height/30amp。x,y 分別為行 ,列坐標(biāo) %p_ratio 為一矩陣，用來存放圖像塊的長寬比例 %%%%%%%%%%合并臨近區(qū)域 %%%%%%% %如果有多個區(qū)域則執(zhí)行合并 if k1 n=0。 p_ratio(i)=(p{i}(4)p{i}(3))/(p{i}(2)p{i}(1))。 p{i}=[p{i}(1)+min(x),p{i}(2)(p{i}(2)p{i}(1)+1max(x)),... p{i}(3)+min(y),p{i}(4)(p{i}(4)p{i}(3)+1max(y))]。))。 %%%%%%%%%%%%%%進一步縮小車牌候選區(qū) for i=1:k edge_IM3=double(edge(double(IM3(p{i}(1):p{i}(2),p{i}(3):p{i}(4))),39。 k=k+1。 南湖學(xué)院 畢業(yè)設(shè)計（論文） 18 for i=1:len_h for j=1:len_v s=IM3(p_h(2*i1):p_h(2*i),p_v(2*j1):p_v(2*j))。 len_v=length(p_v)/2。 %%%%% p_v=double((p_v5))。 p_