【正文】 +4）+2。%開始列 startrow=BoundingBox（（l1）*4+2）2。 endendfor k= 1:lx l=Getok（k）。 hight50）%框架的寬度和高度的范圍 lx=lx+1。 width160 amp。%框架寬度的計算 hight=BoundingBox（（l1）*4+4）。%輸出框架的彩色圖像lx=0。圖像彩色標記39。 %標志圖像向RGB圖像轉換figure,imshow（RGB）。shuffle39。k39。spring39。%區(qū)域面積BoundingBox=[]。）。%標注二進制圖像中已連接的部分Feastats = imfeature（L,39。%輸出開運算的圖像%Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。圖像開運算[19,1]39。%取矩形框的開運算figure,imshow（bg2）。rectangle39。）。title（39。,[5,19]））。%輸出閉運算的圖像bg3=imopen（bg1,strel（39。圖像閉運算[5,19]39。%取矩形框的閉運算figure,imshow（bg1）。rectangle39。）。title（39。canny39。）。title（39。%轉換圖像為二進制圖像bw2=double（bw22）。%egray的最小值并輸出雙精度型level=（fmax1（fmax1fmin1）/3）/255。%輸出黑白圖像%Step3 取得最佳閾值，將圖像二值化fmax1=double（max（max（Egray）））。增強黑白圖像39。%兩幅圖相減figure,imshow（Egray）。）。title（39。%strel函數(shù)Bgray=imopen（Sgray,s）。disk39。）。%figure命令同時顯示兩幅圖figure,imshow（Sgray）,title（39。原始彩色圖像39。%imread函數(shù)讀取圖像文件%將彩色圖像轉換為黑白并顯示Sgray = rgb2gray（Scolor）。39。close all。 參考文獻[1]（希）（第三版）[M].電子工業(yè)出版社，2006年12月。通過這次課程設計，我才明白學習是一個長期積累的過程，在以后的工作、生活中都應該不斷的學習，努力提高自己知識和綜合素質(zhì)，特別是對于我，基礎比較差，一定不能太過于心急，要靜下心來慢慢的研究。課程設計不僅是對前面所學知識的一種檢驗，而且也是對自己能力的一種提高。切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，所以數(shù)據(jù)庫的數(shù)據(jù)尤為重要。本設計雖然只對藍底白字車牌進行分割識別，對黑底白字車牌原則上整個算法可直接適用，對白底黑字車牌、黃底黑字車牌，需要對車牌定位算法進行調(diào)整，并將圖像反轉（0變1變0），而車牌字符的分割算法仍然行之有效。基于彩色分量的定位方法，運用基于藍色像素點統(tǒng)計特性的方法對車牌是藍色的車牌進行定位，實驗表明，用該方法實現(xiàn)的車牌定位準確率較高。在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進行預處理，再進行二值化操作的方法。結果圖顯示結果為：除漢字外的字符BB88888 8 結果總結及分析實驗對車牌識別系統(tǒng)的軟件部分進行了研究，分別從圖像預處理、車牌定位、字符分割以及字符識別等方面進行了系統(tǒng)的分析。其具體流程為:使用漢字、字母、字母數(shù)字、數(shù)字四個樣本分別對四個子網(wǎng)絡進行訓練，得到相應的節(jié)點數(shù)和權值。Step8 旋轉車牌后重新計算車牌水平投影，去掉車牌水平邊框 圖81垂直與水平投影Step9 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度1)通過以上水平投影、垂直投影分析計算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個字符的中心位置，為提取分割字符具備了條件。求水平投影的最小值取閾值計算谷寬度計算峰距離計算下降點找到峰中心位置求水平投影的平均值 對水平投影進行峰谷分析: 圖62車牌二值子圖Step7 計算車牌旋轉角度1)車牌傾斜的原因導致投影效果峰股谷不明顯，在這里需要做車牌矯正處理。 圖51圖像彩色標記2)計算出包含所標記的區(qū)域的最小寬和高，并根據(jù)先驗知識，比較誰的寬高比更接近實際車牌寬高比，將更接近的提取并顯示出來。 圖42圖像閉運算 圖43圖像開運算Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數(shù)。先腐蝕后膨脹的過程稱為開運算，它具有消除細小物體，并在纖細處分離物體和平滑較大物體邊界的作用；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。 圖41圖像邊緣提取2)對得到圖像作開操作進行濾波：數(shù)學形態(tài)非線性濾波，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題?？梢酝ㄟ^求梯度局部最大值對應的點，并認定為邊緣點，去除非局部最大值，可以檢測出精確的邊緣。所以，如果一個點的二維一階導數(shù)比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據(jù)事先定好的連接準則相連的邊緣點就定義為一條邊緣。 圖31圖像二值化Step4 對得到二值圖像作開閉操作進行濾波 1)邊緣檢測：兩個具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎。車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大地提高處理效率。進行區(qū)域特征參數(shù)比較，提取車牌區(qū)域 6） 計算車牌水平投影，并對水平投影進行峰谷分析7） 計算車牌旋轉角度 8） 旋轉車牌后重新計算車牌水平投影，去掉車牌水平邊框，獲取字符高度9） 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度10） 計算車牌上每個字符中心位置，計算最大字符寬度11） 提取分割字符,并變換為22行?14列標準子圖7 程序結果顯示Step1 獲取圖像 裝入待處理彩色圖像并顯示原始黑白圖像 圖11原始彩色圖像 圖12原始黑白圖像Step2 圖像預處理 對原始黑白圖像進行開操作得到圖像背景 圖21原始黑白圖像 圖22背景圖像 圖23增強黑白圖像（原始黑白圖像與背景圖像相減）Step3 取得最佳閾值，將圖像二值化 二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。5實現(xiàn)目標方法流程圖車牌定位與字符識別技術是基于計算機圖像處理、模式識別等技術為基礎，通過對原圖像的處理，以及邊緣檢測技術實現(xiàn)對車牌的定位，然后對車牌圖像處理、歸一化處理、分割以及保存，最后進行分割圖像與模板庫的模板進行匹配，最后輸出匹配結果。因為系統(tǒng)運行的過程中，主要進行的都是圖像處理，在這個過程中要進行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CPU要求主頻在600HZ及以上，內(nèi)存在128MB及以上。車牌識別的最終目的就是對車牌上的文字進行識別。由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細節(jié)不清、筆劃斷開或粗細不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準確性。但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖像可能出現(xiàn)模糊、歪斜和缺損等嚴重缺陷，因此需要對原始圖像進行識別前的預處理。4 實現(xiàn)所采用的方法車輛牌照識別