【正文】 214。184。193。199。179。 %200。39。178。194。214。190。,7),a3)。 d=filter2(fspecial(39。39。207。205。214。182。 % subplot(513),imshow(a3)。 flag1=0。237。166。168。203。181。161。238。208。189。189。186。176。202。177。202。180。182。 end %181。)。168。203。181。161。238。 a2=ordfilt2(a2,1,ones(5,5))。,5,100)。% se = strel(39。192。180。178。194。214。208。176。205。242。180。175。208。248。243。220。167。240。182。206。187。218。)。241。188。200。210。 % title(39。 a2=rgb2gray(a)。39。207。205。201。178。 %subplot(511),imshow(a)。)。%%%%%%%%%%%%%%%%%%%%% a=imread(39。178。192。180。212。207。 while(flag2=4) %%%%%%%%%%%%%%%%%%%%205。 21 function [d]=Mfinish(~) global flag1。 本設(shè)計雖然只對藍(lán)底白字車牌進(jìn)行分割識別，對于其他色彩車牌識別需要對車牌預(yù)處理算法進(jìn)行調(diào)整，而車牌字符的分割算法仍然行之有效。 （ 3）在車牌預(yù)處理流程中本設(shè)計在原來的技術(shù)上通過最小值濾波和腐蝕膨脹進(jìn)行了算法的改進(jìn)，基本解決了噪聲較多和字符斷裂影響實(shí)驗(yàn)結(jié)果的問題，在在最后字符識別的過程中根據(jù)車牌相關(guān)規(guī)定將可能出現(xiàn)的 “ o” ,”” 0”不分的情況進(jìn)行了強(qiáng)制定義而得到了算法的改進(jìn)。 （ 2）在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進(jìn)行預(yù)否 后五位字符切割 “1”像素點(diǎn)個數(shù)是否大于 500 歸一化 20 40 字符為“ 1” 是 輸出該值 否 與前最小值相近值之差是否小于 10 依次與模板相減計算相近值 是 字符為“ 0” 是否為模板“ O” 每次取兩個中最小值 是 否 20 處理，再進(jìn)行二值化操作的方法。 1 2 3 4 5 6 71 2 3 4 5 6 7 特殊處理字符 19 改進(jìn)后的算法： 改進(jìn)后算法流程圖 結(jié)論： 本課題對車牌識別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識別等方面進(jìn)行了系統(tǒng)的分析。b39。Color39。車牌號碼為 39。 l=l+1。 p=q。 %建立自動識別字符代碼表 for I=1:7 %共七個字符，逐個識別 ? MinError=Error(kmin)。蘇豫陜魯貴京津滬渝冀云遼黑湘皖閩新浙贛鄂桂甘晉蒙吉粵青藏川寧瓊 39。Z39。A39。939。039。 統(tǒng)計第三幅二進(jìn)制圖像中像素值為 1 的個數(shù)，數(shù)值最小的即為匹配出來的結(jié)果，經(jīng)對比可得相似度最高的數(shù)字，然后查找所建立的自動識別字符代碼表，達(dá)到識別的目的。 end end end 讀取分割字符 第一個字符與模板中的漢字模板匹配 識別完成，輸出此模板對應(yīng)值 第二個字符與模板中的字母模板匹配 后五個字符與模板中的數(shù)字、字母模板匹配 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 17 Error(k2)=Dmax。 end End Dmax=0。 將已切割并進(jìn)行了歸一化處理的單個字符相比較，逐個字符進(jìn)行匹配比較，再將待識別的字符的特征值和模板字符相減，找到相減值為最小的那個即為匹配得最好的字符。 綜合優(yōu)缺點(diǎn)，本設(shè)計選擇模板匹配的方法 。利用字符圖象在水平及垂直方向的投影作為特征?？傊?，變換特征的運(yùn)算復(fù)雜度較高。二進(jìn)制變換的計算雖然簡單，但變換后的特征沒有明顯的物理意義。對字符圖象進(jìn)行二進(jìn)制變換 (如 Walsh, Hardama變換 )或更復(fù)雜的變換 (如 KarhunenLoeve, Fourier,Cosine， Slant 變換等 )，變換后的特征的維數(shù)大大降低。這種方法簡單易行，可以并行處理；但是一個模板只能識別同樣大小、同種字體的字符，對于傾斜、無良好的適應(yīng)能力。模板匹配并不需要特征提取過程。通過歸一化處理后，切割出的字符與字符庫進(jìn)行比較識別率很好。使圖像字符大小跟模板圖像大小一致， Matlab 提供一個改變圖像大小的函數(shù) imresize(I，Size， Model)， Model 是插值運(yùn)算方法，這里選用‘ nearest’最近鄰插值法 ,經(jīng)歸一化后的圖像如下。 end %判斷是否切割成功 end result=d。 13 else d=[]。 d=qiege(d)。 d(:,[1:wide])=0。flag=1。 if sum(sum(d))~=0 d=qiege(d)。amp。 [m1,n1]=size(temp)。 wide=n2 wide=wide+1。 while sum(d(:,wide+1))~=0 amp。 while flag==0 [m,n]=size(d)。y1=8。 word=[]。 e=imcrop(d,[left top dd hh])。 end dd=rightleft。amp。 left=n left=left+1。 end while sum(d(:,left))==0 amp。amp。 top=m top=top+1。 % init while sum(d(top,:))==0 amp。left=1。 top=1。 11 圖像預(yù)處理最終圖0 100 200 300 400 500 600 700 800 900 1000050100150200垂直投影 圖 垂直投影圖 切割字符 字符切割包括兩種處理，第一是切去多余部分，即確定有效的最小的范圍，去除字符周圍多余的黑色部分；第二是對投影有值的區(qū)域進(jìn)行字符切割，即確定字符邊界，切出有效的包含字符的區(qū)域。 將經(jīng)過圖像預(yù)處理的圖像進(jìn)行灰度垂直投影，可知車牌區(qū)域的垂直投影可以清晰地看出 7 個區(qū)域，即車牌的 7個字符圖像的垂直投影，如圖所示。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。 總體比較取舍之后，本設(shè)計采用垂直投影法進(jìn)行字符切割 確定字符范圍 完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個字符，然后進(jìn)行識別。 基于邊緣檢測的方法：它通過提取圖像邊緣信息進(jìn)行分析，進(jìn)而測得車牌字符邊緣。 基于彩色車牌字符的分割方法：它是通過提取車牌中字符區(qū)域不同于其他區(qū)域的特殊色彩特征來區(qū)別字符區(qū)域和背景區(qū)域，從而在車牌中分割出字符。這種方法有效的李永樂車牌圖像在垂直方向上的投影會在字符塊之間取得最小值的原理。 字符切割 字符分割的方法： 預(yù)處理圖像 切割是否 成功 字符切割 字符識別 是 輸出結(jié)果 否 污染嚴(yán)重 影響切割 腐蝕膨脹 最小值濾波 10 垂直投影法：對車牌照區(qū)域做吹執(zhí)法方向上的投影，周線在水平方向上從左至右的檢各個坐標(biāo)的垂直投影數(shù)值，當(dāng)找到第一個局部最小值點(diǎn)的時候，認(rèn)為這個點(diǎn)是最左字符的邊界。 a2 = imdilate(a2,se)。line39。腐蝕膨脹處理后圖像中較窄的間斷和細(xì)長的溝壑，消除小的孔洞，填補(bǔ)輪廓線的斷裂，同時還能平滑輪廓的一部分。 end。 a2(i,j)=min(min(G))。 G=zeros(K,K)。 8 N=K/2。 或： [m,n]=size(a2)。在該情況下，對該灰度圖像進(jìn)行最小值濾波后再進(jìn)行后續(xù)處理結(jié)果會更清晰，大大地減小了噪聲對字符切割的影響。 end end 最小值濾波 當(dāng)車牌污染嚴(yán)重噪聲過多時，采用上述預(yù)處理方法強(qiáng)度不夠，存在處理過后噪點(diǎn)仍然過多的情況，如圖所示。 參考程序如下： [m,n]=size(d)。 end。 Y(i+k1,j+k2)=h。 s=sum(funBox(:))。 funBox=