【正文】 字符，并且在切割字符之前要將周邊空白切除掉。經(jīng)過這些步驟可以使得最終識別出的圖像與原圖的相似度更高，即結(jié)果更精確。 4 仿真結(jié)果及分析 車牌定位及圖像讀取及其圖像處理 車牌定位后系統(tǒng)邊緣檢測的仿真結(jié)果圖如下圖所示 : 21 圖 圖像讀取及檢測結(jié)果圖 結(jié)果分析：圖像車牌區(qū)域提取就是從原圖中截取含車牌的部分，即 RGB 圖像，然后進行字符的切割與識別。 匹配方法采用將目標圖像與模板圖像逐點做差，得到第三幅圖像，程序?qū)崿F(xiàn)如下 for ii=1:40 or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)Word_Image_Code(ii,jj)。 字符匹配識別 字符匹配識別的是要前提要簡歷可以與之相比較的字庫表，再將已切割并進行了歸一化處理的單個字符相比較，逐個字符進行匹配比較，再將待識別的字符的特征值 19 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。最近鄰插值 法 ,經(jīng)歸一化后的圖像如下。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是插值運算方法，這里選用 39。對于模板匹配，首先建立標準模板庫，庫中字符使用統(tǒng)一的尺寸，這里使用 20 40? 。人工神經(jīng)網(wǎng)絡(luò)是模擬人腦思維功能和組織建立起來的數(shù)學模型，雖然現(xiàn)在神經(jīng)網(wǎng)絡(luò)正在迅速發(fā)展，但總體來說應(yīng)用還是相對復(fù)雜的。 經(jīng)過切割，切割的字符圖像如下： 圖 經(jīng)切割的七個字符 開始 車牌二值圖像 切除周邊空白 垂直投影 從左往右查找，垂直投影白色像素點累計小于 10 的值的 wide 以水平區(qū)域（ 0，wide）剪切出 判斷是否為標準字符 保存這個字符 將剩余部分保存并覆蓋原先圖像 字符個數(shù)是否為 7 結(jié)束 Y N N Y 18 切割后一連串的字符串變成了單個字符，為后面的字符匹配識別奠定了基礎(chǔ)。 在這之前還必須切除周邊空白， 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。因此，字符的寬度可以從 width/9 到 width/7 之間漸進的變化得到 ,程序流程圖。但是，實際上，第二個第三個字符之間存在一個黑點，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個字符的寬度應(yīng)該小于 width/7。 分析垂直投影找到每個字符中心位置 去掉車牌的框架 計算水平投影進行車牌水平校正 16 圖 牌照字符切割框圖 2020年頒布的我國車牌規(guī)范 (普通中小型汽車 )規(guī)定車牌總長 440mm，牌照中的 7個字符的實際總長為 409mm 左右，寬 140mm，每個字符 45mm寬， 90mm高，字符間距為10mm，其中第二個字符與第三個字符的間距較為特殊，為 ，最后一個字符與第一個字符距邊界 25mm。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。 對于此對象，系統(tǒng)給予膨脹處理，效果圖如圖 所示： 圖 車牌區(qū)域圖像腐蝕、膨脹后效果 字符切割 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，然后進行識別。 根據(jù)經(jīng)驗值，車牌圖像中，字符面積與車牌面積之比在 (,)之間，因此計算字符面積與車牌面積比值，如果大于 ，如果小于 則對圖像進行膨脹， 在這里結(jié)構(gòu)元素 Se 使用一個二維單位矩陣1001??????錯誤 !未找到引用源。由此可得出濾波前后的圖像如下所示： 圖 車牌區(qū)域圖像濾波前效果 圖 車牌區(qū)域圖像濾波后效果 可以對比濾波前跟濾波后的圖像，如圖 和圖 所示，很明顯，不但噪聲去除了，而且圖像得到了銳化。 同時采集大的圖像噪點依然存在，因此可以通過處理圖像的低頻部分來銳化圖像。 雖然 圖像間受背景 、 光照等影響存在較大的差異， 但計算簡單，程序運算效率高。所以車牌就成功地被提取出來了。剪切得到的圖像如下。 垂直方向的分界線可用同樣的 方法實現(xiàn)。從左向右尋找第一個 1值像素大于 5的 ? 錯誤 !未找到引用源。 為原始圖像的寬度值，然后將二值圖像垂直投影到 x 軸。這里采用水平與垂直雙向投影法。 13 車牌區(qū)域的邊界值計算 在將原始圖像進行二值化，然后輪廓平滑處理后，圖像的每個點為兩個離散值中的一個，這兩個值代表開 (1)與關(guān) (0)，即只有黑與白的特殊灰度圖像，并且整個圖像只有兩個域 (如果有多個域需改變參數(shù)后重新進行一此剔除干擾對象處理 )，全 1 的域即為車牌區(qū)域，并且近似矩形，長寬比為 :1,也可以用這兩個特性去檢驗提取的區(qū)域是否為車牌區(qū)域。 這樣， Car_Image_Perform中面積小于 2020的對象都被刪除了。消除了 圖像的數(shù)字化誤差和噪聲對腳點的直接提取的影響。由于車牌圖像經(jīng)過腐蝕以后只剩下車牌區(qū)域以及車的標志。,[25,25])。 結(jié)構(gòu)單元中 Se一個小于對象閉合圖形，只要兩個封閉域的距離小于 Se，就將這兩個連接成一個連通域， Se生成方式采用 Se=strel(39。 圖像平滑處理 得到車牌區(qū)域的圖像輪廓線后，由于圖像的數(shù)字化誤差和噪聲直接影響了腳點的提取，因此在腳點提取之前必須對圖像進行平滑處理， Matlab 有一個圖像平滑處理函數(shù) imclose(),它與開運算相反，融合窄的缺口和細長的彎口，去掉小洞，填補輪廓上的縫隙。腐蝕后如圖： 11 圖 腐蝕效果圖 從腐蝕的結(jié)果分析，腐蝕的目的是消除小而無意義的物體，對比邊緣效果檢測圖與腐蝕效果圖可以看出，在邊緣檢測圖中還有的小的無意義的圖像已經(jīng)被完全消除了，留下來的僅僅是車牌區(qū)域以及車的標志。1。二維結(jié)構(gòu)元素為數(shù)值 0和 1組成的矩陣，結(jié)構(gòu)元素中數(shù)值為 1的點決定結(jié)構(gòu)元素的領(lǐng)域像素 在進行腐蝕操作時是否需要參加運算。 其中結(jié)構(gòu)元素 Se又被形象成為刷子，用于測試輸入圖像，一般比待處理圖像小很多。假設(shè) B對 X腐蝕所產(chǎn)生的二值圖像 E是滿足以下條件的點（ x,y)的集合：如果 B 的原點平移到點（ x,y），那么 B將完全包含于 X中。利用它可以消除小而且無意義的物體。所以要對圖像做進一步的處理，用灰度圖腐蝕來消除多余的邊界點。使用邊緣檢測，腐蝕效果如圖 : 圖 邊緣效果圖 從邊緣效果圖可以看出，經(jīng)過處理以后車牌的輪廓已經(jīng)非常明顯了，車牌區(qū)域及汽車標志的邊緣呈現(xiàn)白色條紋，基本上達到了邊緣檢測的效果。 對圖像進行卷積。適當取門限 T，做如下判斷： ? ?,G x y T ,(x,y) 10 為階躍狀邊緣點。 （ ） Robert梯度以 11,22xy? ????? ?? 為中心，所以他度量了 11,22xy? ????? ?? 點處 45? 和 135? 錯誤 !未找到引用源。 因此本課題使用了 Robert 算子。 在 edge()函數(shù)中有 Sobel 算子， Prewitt 算子， Roberts 算子， Log 算子， Canny 算子及 Robert 算子，幾種算法相比之下， Roberts 算子是一種最簡單的 算子，是一種利用局部差分算子尋找邊緣的算子，他采用對角線方向相鄰兩象素之差近似梯度幅值檢測邊緣。both39。robert39。經(jīng)過程序運行出來的灰度圖可以比較容易的識別出車牌的區(qū)域，達到了預(yù)期的灰度效果。原圖、灰度對于將彩色圖象轉(zhuǎn)換成灰度圖象時，圖象灰度值 H可由下面的公式計算： 29 87 14H R G B? ? ? () 3B G RH ??? () ()式使用了權(quán)值加重 法， ()式使用均值法，使用權(quán)值法的好處是可以突出某個通道， Matlab內(nèi)的 RGB轉(zhuǎn)灰度圖函數(shù) rgb2gray()就是使用的 ()式權(quán)值比例公式，這樣就可以利用邊緣檢測方法，識別出臨近區(qū)域灰度值相差大的分界區(qū)。例如藍色（ 255， 0， 0）與白色（ 255， 255， 255）在 R通道中并無區(qū)分，而在 G、 R 通道或是灰度圖象中數(shù)值相差很大。的數(shù)組， m、 n 表示圖像像素的行、列數(shù)。利用圖像工具箱的 Car_Image_RGB=imread(‘ Image_Name’ )。其程序流程圖如下 : 圖 預(yù)處理及邊緣提取框圖 目前比較常用的圖像格式有 *.BMP、 *.JPG、 *.GIF、 *.PCX、 *.TIFF 等，本課題采集到的圖片是 *.JPG 的格式。為了提高識別率，除了不斷的完善識別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識別。牌照質(zhì)量會受到各種因素的影響，如生銹、污損、油 漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實際拍攝過程也會受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。基于人工神經(jīng)元網(wǎng)絡(luò)的算法有兩種： 一種是先對待識別字符進行特征提取，然后用所獲得特征來訓練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別出結(jié)果。 （ 3） 牌照 字符識別 ： 字符識別方法目前主要 得算法有兩種即 基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。 垂直投影法的原理是 由于字符在垂直方向上的