【正文】 )=0。這將會影響字符切割結果，所以需要對這種情況進行特殊處理和算法改進。 通過程序語句實現(xiàn)： a2=ordfilt2(a2,1,ones(5,5))。 K=3。 N1=ceil(N)。 for i=ceil(N):mfloor(N) for j=ceil(N):nfloor(N) G=a2(i(N11):i+(N11),j(N11):j+(N11)。 end。 彩色圖像灰度圖像二值圖像均值濾波 彩色圖像灰度圖像二值圖像均值濾波最小值濾波 最小值濾波處理前 最小值濾波處理后 圖 腐蝕膨脹 當車牌污染嚴重或者噪聲過多時，往往會造成車牌的字符斷裂，此時需要對字符進行腐蝕膨脹之后再進行切割處理。 通過調(diào)用函數(shù)實現(xiàn)： %%腐蝕膨脹 se = strel(39。,5,100)。 9 彩色圖像灰度圖像最小值濾波二值圖像均值濾波 彩色圖像灰度圖像腐蝕膨脹及最小值濾波二值圖像均值濾波 腐蝕膨脹處理前 腐蝕膨脹處理后 圖 腐蝕膨脹處理 改進后的預處理流程圖如下： 圖 預處理流程圖 、小結 通過實驗表明，本設計在切割失敗后在新的預處理循環(huán)中加入最小值濾波和腐蝕膨脹對于車牌污染嚴重不能識別的現(xiàn)象起到了良好的改進效果，減少了切割失敗的情況，提高了車牌識別的準確率。得到兩邊字符的邊界之后用同樣的方法可以找到每個字符的邊界。此方法的關鍵在于確定好切分寬度的閥值和投影的最小標準。其缺點是難以解決在照明不均勻環(huán) 境下準確性的問題，并且速度慢，難以達到實時識別的要求。其缺點是要求圖像邊緣的連續(xù)性要好，但實際拍攝的車牌字符邊框往往不連續(xù)。字符分割一般采用垂直投影法。利 用垂直投影法對復雜環(huán)境下的汽車圖像中的字符分割有較好的效果。通過垂直投影圖的特征，分割字符就轉(zhuǎn)化為只需得到每個區(qū)域的左右邊界即可。 切去多余部分函數(shù)： function e=qiege(d) [m,n]=size(d)。bottom=m。right=n。amp。 end while sum(d(bottom,:))==0 amp。 bottom=1 bottom=bottom1。amp。 end while sum(d(:,right))==0 amp。 right=1 12 right=right1。 hh=bottomtop。 切割字符函數(shù)： function [word,result]=getword(d) global flag1。flag=0。y2=。 wide=0。amp。 end temp=qiege(imcrop(d,[1 1 wide m]))。 if widey1 amp。 n1/m1y2 d(:,[1:wide])=0。 else word=[]。 end else word=qiege(imcrop(d,[1 1 wide m]))。 if sum(sum(d))~=0。flag=1。 end end if n1/m1 flag1=1。 字符切割流程圖如下： 字符切割流程圖 字符歸一化算法：由于圖像采集時圖像的像素值不一樣，經(jīng)切割出來的字符的大小也會不一樣，所以在進行匹配前必須先進行字符圖像歸一化。 預處理后圖像 切去無效部分 切割該字符 將該字符范圍涂黑 歸一化處理并輸出 是 從左確定第一個字符范圍 寬度及有效像素比重是否滿足要求 否 14 預處理后字符切割后歸一化處理后 歸一化處理圖 小結 通過比較不同的切割算法，本設計采用的垂直投影具有較好且容易實現(xiàn)的特點，在實驗過程中均能準確實現(xiàn)字符的切割。 字符識別 字符識別流程圖 讀取分割字符 逐個字符匹配 是否為 最小值 查找自動字符識別代碼表 輸出結果 否 是 模板字庫字符 15 字符識別方法 (1) 模板匹配。字符的圖象直接作為特征，與字典中的模板相比，相似度最高的模板類即為識別結果。 (2)利用變換特征的方法。但是這些變換不是旋轉(zhuǎn)不變的，因此對于傾斜變形的字符的識別會有較大的偏差。 KL 變換雖然從最小均方誤差角度來說是最佳的，但是運算量太大，難以實用。 (3)投影直方圖法。該方法對傾斜旋轉(zhuǎn)非常敏感，細分能力差。 字符匹配 該 方法的前提字符匹配識別要前提建立可以與之相比較的字庫表，將標準車牌中所含的漢字、字母和數(shù)字進行分割歸一化處理（ 40*20）后制作成標準的字庫模板如下圖。 字符識別流程如下： 16 字符識別流程圖 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，參考程序如下： for I=1:7 ? for i=1:40 for j=1:20 Image_Diff(i,j)=Image_Original(i,j)Image_Mold(i,j)。 for k1=1:40 for l1=1:20 if (Image_Diff(k1,l1) 0 | Image_Diff(k1,l1)0 ) Dmax=Dmax+1。 ? end 最后計算第三幅二進制圖像中像素值為 1 的個數(shù)，數(shù)值最小的即為匹配出來的結果，經(jīng)對比可得相似度最高的數(shù)字 。參考程序如下： liccode=char([39。:39。 39。:39。 39。])。 for q=kmin:kmax if Error(q)=MinError MinError=Error(q)。 end end Code(l)=liccode(p)。 end figure,imshow(a),title([39。, Code],39。,39。) 數(shù)字“ 1”切割過細，歸一化后比例失調(diào)影響字符識別，容易錯誤識別成其他字符； 18 1 2 3 4 5 6 71 2 3 4 5 6 7 歸一化處理圖 “ O”和“ 0”過于接近，因此國家規(guī)定車牌中后五位不允許出現(xiàn)字母“ O”，均為數(shù)字“ 0”； “ 0”和字母“ D”相近，出現(xiàn)“ 0”時有可能會識別成“ D”。主要工作內(nèi)容及結論如下 : （ 1）整理和總結了國內(nèi)外在車牌分割、字符識別方面的研究成果和發(fā)展方向，以及車牌識別的特點。實驗表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化 處理過程，實驗表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后續(xù)處理的速度。 （ 4）用 MATLAB 編程運行結果可以得出，本設計采用的圖像預處理、字符切割，字符識別識別等對車牌的定位都是非常有效的，而本設計提出的垂直投影方法準確實現(xiàn)的車牌字符的分割，對多個車牌進行實驗，均有很高的正確率。 因此，本設計提出的車牌字符的分割算法實驗證明是準確、有效、可行的。 flag2=0。188。241。164。166。237。191。214。39。 imshow(a)。 %title(39。202。171。188。241。)。 % subplot(512),imshow(a2)。187。182。205。207。39。 if flag1==2 %181。210。180。202。177。202。176。186。189。208。184。202。197。213。188。238。161。181。203。168。166。237。line39。 a2 = imdilate(a2,se)。 %subplot(515),imshow(a2),title(39。208。214。194。178。39。 flag1=0。218。254。206。182。240。167。220。243。246。248。208。208。214。194。178。180。192。% if flag2==3