【正文】 flag=logical(sum_y)。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。) %最終車牌 X=[]。 figure,imshow(I_plate),title(39。 subplot(3,2,5),imshow(I_plate)。 T=round(g_max(g_maxg_min)/3)。 g_max=double(max(max(I_plate)))。 y2=last_point(2)4。 %坐標值修正 x2=last_point(1)4。 %和最小的點為車牌的左 上角 last_point=location_of_1(b,:)。 b=i。 a=i。 for i=1:size(location_of_1,1) %尋找所有白點中， x 坐標與 y 坐標的和最大，最小的兩個點的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 end end end mini=inf。 location_of_1=[location_of_1。 for i=1:size(I_final,1) %尋找二值圖像中白的點的位置 for j=1:size(I_final,2) if I_final(i,j)==1。 I_new=zeros(size(I_final,1),size(I_final,2))。形態(tài)濾波后圖像 39。 I_final=bwareaopen(I_close,2021)。填充后圖像 39。 I_close=imclose(I_erode,se)。rectangle39。)。 subplot(3,2,4),imshow(I_erode),title(39。1]。 se=[1。邊緣檢測后圖像 39。)。 I_edge=edge(I_gray,39。灰度圖像 39。 I_gray=rgb2gray(I)。原始圖像 39。 subplot(3,2,1)。39。雖然本次設(shè)計出的車牌識別技術(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。 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已經(jīng)不能取得很好 的結(jié)果。 本次設(shè)計的研究以 MATLAB 軟件作為設(shè)計工具，通過對采集到的原始圖像進行預(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。 通過本次車牌識別的設(shè)計，我也對數(shù)字圖像處理技術(shù)的原理及 MATLAB 編程技術(shù)有了更進一步的了解。 29 5 總結(jié) 近年來我國 隨著社會經(jīng)濟 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際的需要，微電子、通信和計算機技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理的效率。 對于識別錯誤情況的分析得到，主要原因有以下幾點： （ 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。正是由于牌照圖象的這些特點，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。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行灰度化處理。 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行識別前的預(yù)處理。,char))。 end figure,imshow(I),title(strcat(39。 end index=find(Compare==(min(Compare)))。 Differ=ImTemplate。))。,num2str(j),39。chaamp。,num2str(i)))。 %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。939。839。739。639。539。439。339。239。039。Z39。Y39。X39。W39。V39。U39。T39。S39。R39。Q39。P39。N39。M39。M39。L39。K39。J39。H39。G39。F39。E39。D39。C39。B39。A39。 char=[char store1(index)]。 Compare(j)=sum(sum(abs(Differ)))。 Template=im2bw(Template)。.jpg39。chinese\39。 %創(chuàng)建漢字識別模板庫 for j=1:15 Im=Char_1。遼 39。晉 39。冀 39。吉 39。黑 39。蘇 39。京 39。藏 39。魯 39。皖 39。鄂 39。湘 39?；?39。瓊 39。貴 39。 程序分析 char=[]。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。所以建立字符模板庫也極為方便。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。由于我們制作的模板是 32*16 像素點的規(guī)格，為了方便后面的模板匹配，我們就將分割的圖片進行 32*16 像素點的歸一化處理，最后結(jié)果如圖 44 所示。 %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)上進行字符的分割，然后再利用分割的結(jié)果進行字符識別。39。,num2str(n),39。 %歸一化為 32*16 的大小，以便模板匹配 eval(strcat(39。nearest39。imshow(char)。 break end 25 end char=char(top:bottom,:)。 %進行粗分割 for i=1:size(char,1) %這兩個 for 循環(huán)對分割字符的上下進行裁剪 if sum(char(i,:))~=0 top=i。 flag=logical(sum_y)。 for j=1:size(I_plate,2) sum_y=sum(I_plate(:,j))。 程序分析 X=[]。如圖 43 所示 24 字符分割 此部分是將前面分割出的車牌的 7 個字符分割出來，其過程是 從左向右像按 列 計算每一列之和，沒有白點的列和為 0，有白 點的列和非零，轉(zhuǎn)換為邏輯 1，記錄下所有列和在 0 與 1 轉(zhuǎn)換的列，即為需要切割的列，共有 14 列，可切出 7 個字符。) %畫出最終車牌 結(jié)果分析 圖 43 車牌提取圖片 定位后車牌圖像是彩色的，會占用較大的存儲空間，加重計算機負擔(dān)，所以要對圖像進行二值化以及濾波處理。 figure,imshow(I_plate),title(39。 subplot(3,2,5),imshow(I_plate)。 T=round(g_max(g_maxg_min)/3)。 g_max=double(max(max(I_plate)))。 y2=last_point(2)4。 %坐標值修正 x2=last_point(1)4。 %和最小的點為車牌的左上角 last_point=location_of_1(b,:)。 b=i。 a=i。 for i=1:size(location_of_1,1) %尋找所有白點中， x 坐標與 y 坐標的和最大，最小的兩個點的位置 temp=location_of_1(i,1)+location_of_1(i,2)。 end end end mini=inf。 location_of_1=[location_of_1。 for i=1:size(I_final,1) %尋找二值圖像中白的點的位置 for j=1:size(I_final,2) if I_final(i,j)==1。 程序分析 I_new=zeros(size(I_final,1),size(I_final,2))。 22 牌照定位 觀察經(jīng)過預(yù)處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形圖樣，通過對矩形區(qū)域的定位即可獲得具體的車牌位置。由此得到車牌圖像的初步定位，如圖 42（ d）所示。 對其實現(xiàn)閉運算如圖 42（ c）， 先膨脹后腐蝕的過程稱為閉運算，具有填充物體內(nèi)細小空洞，連接鄰近物體和平滑邊界的作用。 結(jié)果分析 （ a） 車牌邊緣檢測圖像 （ b) 腐蝕后邊緣圖像 21 （ c） 填充后圖像 （ d） 形態(tài)濾波后的圖像 圖 42 車牌圖像預(yù)處理 本文通過對圖像進行腐蝕、膨脹如圖 42（ b）， 腐蝕是一種消除邊界點的過程，結(jié)果是使目標縮小，孔洞增大，因而可有效的消除孤立噪聲點。sobel39。一階導(dǎo)數(shù)的局部最大值對應(yīng)二階導(dǎo)數(shù)的零交叉點，這樣通過找圖像強度的二階導(dǎo)數(shù)的零交叉點就能找到精確邊緣點。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個閾值，則確定該點為邊緣點，這樣會導(dǎo)致檢測的邊緣點太多。 邊緣檢測是為了對有意義的邊緣點進行分類，與這個點相聯(lián)系的灰度級必須比在這一點的背景上變換更有效，我們通過門限方法來決定一個值是否有效。形態(tài)濾波后圖像 39。 %去除聚團灰度值小于 2021 的部分 figure(6)。)。 imshow(I_close),title(39。 I_close=imclose(I_erode,se)。rectangle39。)。 imshow(I_erode),title(39。 I_erode=imerode(I_edge,se)。1。)。 imshow(I_edge),title(39。)。 程序分析 I_edge=edge(I_gray,39。 19 車牌圖像預(yù)處理 車牌圖像的預(yù)處理包括了邊緣檢測、對邊緣圖像進行腐蝕、再對其進行閉運算、最后濾波移除小對象。 18 結(jié)果分析 （ a） 車輛牌照原始圖像 （ b） 車牌灰度圖像 圖 41 車牌圖像灰度化 由圖 41(b)可知， 原始的 彩色圖像已經(jīng)轉(zhuǎn)換成了灰度圖像，灰度圖像的每一個像素的取值就是 256中灰度中的一種（ 0表示黑， 255表示白，從 0到 255亮度逐漸增加），也就是說灰度圖像只有亮度信息而沒有色彩 信息?；叶葓D像 39。 %對圖像 I 進行灰度處理 figure(2)。)。 imshow(I), title(39。)。 程序分析 I=imread(39。 車牌圖像灰度化首先將通過 MATLAB 將原始圖片通過函數(shù) imread 讀入并且輸出如圖 41（ a） 所示 ， 然后對讀入的圖像通過 rgb2gray 進行 灰度處理如圖 41（ b） 所示。由于圖像產(chǎn)生了退化，所以在圖像處理之前必須進行灰度化和預(yù)處理，預(yù)處理包括 邊緣檢測、對邊緣圖像進行腐蝕、再對其進行閉運算、最后濾波移除小對象 等。 圖 33 車牌識別系統(tǒng)字符識別流程圖 識別完成，輸出此模板對應(yīng)值 讀取分割且歸一化的出來的字符 將切割字符與模板庫進行模板匹配 待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的 建立識別樣本庫 17 4 運用 MATLAB 實現(xiàn)車牌識別 本次設(shè)計使用 640*480 的彩色 JPG 格式圖片，以 MATLAB 軟件為平臺，采用編寫代碼程序?qū)崿F(xiàn)車牌定位、車牌字符分割、車牌字符識別。所以我們在對比的時候為了提高效率和準確性，我們分別 對第一位和后六位分別識別。 本文采用 基于模板匹配的字符識別 ，它 的基本過程是：首先我們要建立字符識別樣本庫，然后把歸一化的字符圖像與模板中的字符相減， 找到差別點最少的模板為對應(yīng)模板。 但是一般 情況下用于 模板 匹配的圖像成像條件 都是不一樣的 ， 有些 圖像經(jīng) 過圖像 預(yù)處理后，圖像 中 的像素點或灰度的位置發(fā)生 了 改變 ，有些圖像還會有 較大的