【正文】 效、快速、實用的手段。在交通管理中，車輛是主要的監(jiān)控目標，而車牌作為車輛的唯一的標識，因此，車牌自動識別技術就成為了智能交通系統(tǒng)中最重要的部分。雖然交通網(wǎng)絡非常復雜，但通過監(jiān)控車牌就可以實現(xiàn)交通信息的收集統(tǒng)計，使管理工作和難度大幅度減少。而在現(xiàn)實生活中，車牌的圖像受到很多環(huán)境污染，如光照、背景、車型、角度以及其它人為因素，都會給車牌的準確定位增加很多困難?！≤嚺贫ㄎ坏陌l(fā)展現(xiàn)狀目前，國內(nèi)外車輛車牌識別系統(tǒng)主要采用軟硬結合的技術方案。盡管國外汽車識別系統(tǒng)研究工作已有一定進展，但并不盡合我國國情。車牌定位的目的是將車牌所在的區(qū)域完整地從待定位圖像中提取出來，進而執(zhí)行字符分割和識別。車牌定位的識別率和所需要的時間都是決定車牌識別系統(tǒng)的整體性能的重要因素。有基于邊緣檢測和形態(tài)學處理的車牌定位、基于彩色分割的車牌定位方法、基于小波變換的車牌定位方法、基于神經(jīng)網(wǎng)絡的車牌定位方法等多種基于不同理論的車牌定位方法（閆青，2010），但是這些方法都是針對車牌某一個或者幾個的特征來研究和進行車牌定位，所以都具有一定的局限性?，F(xiàn)在，國內(nèi)做得比較好的產(chǎn)品主要有中科院自動化研究所漢王公司的“漢王眼”系統(tǒng)等，而一些國內(nèi)的研究機構和高等院校也積極對車牌識別系統(tǒng)進行理論研究和開發(fā)?！”菊n題研究內(nèi)容基于圖像處理的車牌識別系統(tǒng)一般包括如圖1所示的五個部分：圖像處理車牌定位字符分割字符識別圖像采集圖1　車牌識別系統(tǒng)流程圖本文主要研究車牌識別系統(tǒng)中的兩個關鍵的部分，就是車牌定位和字符分割。因此，本文針對車牌的特點結合數(shù)學形態(tài)學的方法，在不斷的學習和改進中，設計了車牌定位和字符分割的程序。在實現(xiàn)目標和仿真的軟件上，選用了MATLAB。（2）MATLAB語言簡潔緊湊，使用方便靈活，庫函數(shù)豐富，并且內(nèi)部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊。（4）MATLAB語言簡單，入門容易，自由度大，例如用戶無需對矩陣預定義即可使用。　論文結構本文組織分為四個章節(jié)：第一章為前言，介紹了車牌識別系統(tǒng)的背景和研究意義，提出本課題研究的內(nèi)容和工作。第三章為車牌定位算法，具體地介紹了車牌定位算法的流程、方法以及涉及的理論。第五章是總結與展望，對整篇論文做一個總結，對結果作分析探討，提出對未來的展望和想法。它的基本思想是用具有一定形態(tài)的結構元素去度量和提取圖象中的對應形狀以達到對圖象進行了分析和識別的目的。（2）基于灰度圖像的車牌的快速定位方法（張向東，等，2007），在圖像增強的基礎上，對得到的二值圖像進行處理從而得到特征圖像，對特征圖像進行水平掃描與垂直投影并結合車牌的特征信息來確定車牌區(qū)域。（4）基于彩色分割的車牌定位方法（馬永慧，2013），在HSI彩色空間的基礎上進行邊緣提取操作，取得圖像飽和度和亮度邊緣，并進行邊緣合成，最后，利用色調信息的提取來判定車牌區(qū)域。（5）基于小波變換的車牌定位方法（范蕤，等，2008），根據(jù)圖像中車牌的形態(tài)特征和橫向紋理屬性，提取圖像高頻小波系數(shù)的均值、能量、熵等作為分類特征，同時通過形態(tài)學算法對車牌候選域和非車牌域進行聚類，并運用相關的知識對車牌候區(qū)域進行優(yōu)化。（7）還有基于神經(jīng)網(wǎng)絡的車牌定位方法、基于遺傳算法的車牌定位方法等等。3　車牌定位算法　算法流程整個車牌定位算法總共有5個步驟，分別是旋轉校正、灰度化、邊緣檢測、數(shù)學形態(tài)處理和車牌提取。事實上，經(jīng)過多次的實驗和反復調試，車牌定位后做旋轉校正，雖然要處理的數(shù)據(jù)較少，但是，車牌旋轉校正比車輛圖片旋轉校正要難一些和效果要差一些。因此，為了輸出一個平滑整齊的車牌區(qū)域，本方法的安排順序是先把車輛圖片校正好再進行車牌定位。校正方法本文采取radon變換，利用radon變換函數(shù)，能夠迅速得到傾斜角，進而進行旋轉校正。由于算法采用的都是一些顯而易見的性質，因此具有廣泛的應用范圍（徐瑞，2009）。其原理是對原圖像沿不同方向進行投影，并對投影結果建立二維直方圖，選取極值點為直線所對應的點，二維直方圖中的每一個極值點的兩坐標對應直線邊緣的傾斜角度和位置，而該坐標處對應的函數(shù)值對應投影的高度 ，從而可以得到直線的幾何參數(shù)信息( 傾斜角度和位置)( 胡小健，等，2006)?！畒Lθxx39。利用MATLAB自帶函數(shù)[R，xp]=radon(E，theta)；就可以統(tǒng)計出不同角度的投影情況，通過[E，J]=find(R=max(max(R)))找到R的最大值就可以找到角度θ，就可以輕松求出傾斜角。 圖4　原圖 圖5　校正結果　圖像灰度化拍攝到的圖片是彩色圖，彩色圖含有大量的顏色信息，如果直接對彩色圖像進行處理，會導致處理速度慢、存儲空間大和運算復雜等問題?；叶葓D亮度值量化為256級，0為最暗全黑，255為最亮全白。根據(jù)處理需要賦予三個基色不同的權值，再對圖像中每個像素點進行加權平均，最后用這個值替代原來的三個基色分量的值，數(shù)學公式表達為： (1)公式1中、分別是R、G、B的權值。由大量實驗證明，、灰度圖的效果比較好。在MATLAB里直接利用函數(shù)rgb2gray()即可實現(xiàn)灰度化。邊緣是指其周圍元素灰度有階躍變化的像素。因而，邊緣是進行圖像分割所依靠的重要特征之一（吳林，2009）。在汽車圖像中，牌照區(qū)域內(nèi)含有豐富的邊緣，而其它區(qū)域則不具有這個特點，所以針對這種特征我們可以采用邊緣檢測算法來分離目標與背景區(qū)域，僅對車牌部分進行增強。常說的梯度算子實際就是一階導數(shù)算子。邊緣算子有很多，常用的以下幾個：Roberts算子、Prewitt算子、Sobel算子、Canny算子、 Laplace算子、羅盤算子等。Canny算子不易受噪聲干擾，能檢測弱邊緣，能在噪音抑制和檢測之間取得較好的平衡。在幾種算子中，Roberts算子在噪聲較少的情況下邊緣檢測的效果與其他算子相比更佳，車牌邊緣清晰，字符輪廓明顯（卓均飛，等，2010）。MATLAB提供了邊緣檢測的函數(shù)edge（I，39。)，我們很方便就可以進行邊緣檢測的操作。其基本思想是用一個結構元素作為基本工具來探測和提取圖像特征，看這個結構元素是否能夠適當有效地放入圖像內(nèi)部（熊春榮，等，2010）。它的基本思想是用具有一定形態(tài)的結構元素去度量和提取圖像中的對應形狀以達到對圖像分析和識別的目的。數(shù)學形態(tài)學的基本運算有4個：膨脹、腐蝕、開運算和閉運算。基于這些基本運算還可以推導和組合成各種數(shù)學形態(tài)學實用算法。腐蝕具有使目標縮小、目標內(nèi)孔增大，消除孤立噪聲的作用（王怡，2010）。先腐蝕后膨脹的過程稱作開運算，它具有消除細小物體，有在物體纖細處分離物體和平滑較大物體邊界的同時并不明顯改變其面積的作用；而閉運算則是先膨脹后腐蝕，它具有填充物體影像內(nèi)細小空洞，連接鄰近物體和平滑邊界的同時并不明顯改變其面積作用。結構元素過大會使車牌區(qū)域的邊緣點粘連在一起，候選車牌區(qū)域增多，更甚者車牌區(qū)域與背景會粘連在一起，給后續(xù)的車牌候選區(qū)分析帶來困難；而若結構元素過小，則會使車牌區(qū)域無法粘連在一起，就可能造成真正的車牌不包含在車牌候選區(qū)，以至于無法準確定位（朱光忠，等，2009）。rectangle39。數(shù)學形態(tài)學處理的步驟為：（1）利用閉運算的性質，選擇結構元素是大小為[5，25]的矩形，填充邊緣檢測后的圖像，使車牌區(qū)域變?yōu)檫B通域。（3）再次利用開運算的性質，結構元素大小為[20，1]，達到去除細小狹窄的矩形條區(qū)域。rectangle39。rectangle39。rectangle39。接下來進行一個開運算使連通域分離。因為上一次閉運算用的是矩形結構元素所以圖中剩下的都呈現(xiàn)了一定的矩形形狀，也給我們提供了一個清除的思路，就是再用一次利用矩形結構元素進行開運算來清除干擾因素，只是這次選取的結構元素大小是[20,1]，這個矩形更像一條直線，因此會有不錯的效果，效果可見圖11。而事實上，形態(tài)學處理后并不一定會像圖11那么好，只留下車牌區(qū)域。圖12　形態(tài)學處理后圖像情況1