【正文】 NON，德國的 KEDDC）紛紛淘汰，而改以 MATLAB 為平臺加以重建。到九十年代初期，在國際上 30幾個數(shù)學(xué)類科技應(yīng)用軟件中， MATLAB 在數(shù)值計算方面獨占鰲頭，而 Mathematica和 Maple則分居符號計 算軟件的前兩名。 MathWorks 公司于 2021 年推出 版本， 版在繼承和發(fā)展其原有的數(shù)值計算和圖形可視能力的同時，出現(xiàn)了以下幾個重要變化：（ 1）推出了 SIMULINK。它的出現(xiàn)使人們有可能考慮許多以前不得不做簡化假設(shè)的非線性因素、隨機因素，從而大大提高了人們對非線性、隨機動態(tài)系統(tǒng)的認(rèn)知能力。（ 3）推出了符號計算工具包。 MathWorks公司此舉加快結(jié)束了國際上數(shù)值計算、符號計算孰優(yōu)孰劣的長期爭論，促成了兩種計算的互補發(fā)展新時代。 MathWorks 公司瞄準(zhǔn)應(yīng)用范圍最廣的 Word ，運用 DDE 和 OLE，實現(xiàn)了 MATLAB 與 Word 的無縫連接，從而為專業(yè)科技工作者創(chuàng)造了融科學(xué)計算、圖形可視 、文字處理于一體的高水準(zhǔn)環(huán)境。 (1)MATALB 語言體系 MATLAB 是高層次的矩陣數(shù)組語言．具有條件控制、函數(shù)調(diào)用、數(shù)據(jù)結(jié)構(gòu)、輸入輸出、面向?qū)ο蟮瘸绦蛘Z言特性。 (2)MATLAB 工作環(huán)境這是對 MA 丁 LAB 提供給用戶使用的管理功能的總稱．包括管理工作空間中的變量據(jù)輸入輸出的方式和方法，以及開發(fā)、調(diào)試、管理 M文件的各種工具。 (4)MATLAB 數(shù)學(xué)函數(shù)庫這是對 MATLAB 使用的各種數(shù)學(xué)算法的總稱．包括各種初等函數(shù)的算法，也包括矩陣運算、矩陣分析等高層次數(shù)學(xué)算法?？梢? 看出 MATLAB 是一個功能十分強大的系統(tǒng)，是集數(shù)值計算、圖形管理、程序開發(fā)為一體的環(huán)境。用戶可以根據(jù)自己的工作任務(wù)，開發(fā)自己的工具箱。這幾乎成了九十年代教科書與舊版書籍的區(qū)別性標(biāo)志。在國際學(xué)術(shù)界， MATLAB 已經(jīng)被確認(rèn)為準(zhǔn)確、可靠的科學(xué)計算標(biāo)準(zhǔn)軟件。在設(shè)計研究單位和工業(yè)部門，MATLAB 被認(rèn)作進行高效研究、開發(fā)的首選軟件工具。又如 HP 公司的 VXI 硬件， TM 公司的 DSP， Gage 公司的各種硬卡、 儀器等都接受MATLAB 的支持。 設(shè)計方案 ： 該系統(tǒng)主要是由圖像處理和字符識別兩部分組成。字符識別部分可以分為字符分割與特征提取和單個字符識別兩個模塊。因此，我們要對攝像頭拍攝的圖片進行預(yù)處理，主要包括圖片灰度化和圖片邊緣提取 等。 車牌識別系統(tǒng)的最終目的就是將不清楚的車牌照片進行識別，輸出清晰的圖片。 ： 汽車圖像樣本目前大都是通過攝像機、數(shù)碼相機等設(shè)備拍攝獲取的，因而預(yù)處理前的圖像都是彩色圖像。由于圖像的每個象素都具有三個不同的顏色分量 ， 存在許多與識別無關(guān)的信息 ， 不便于進一步的識別工作， 因此在對圖像進行識別等處理中，經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。 RGB 三分量前的系數(shù)為經(jīng)驗加權(quán)值 。 對于人眼較為敏感的綠色取較大的權(quán)值 ； 對人眼較為不敏感的藍色則取較小的權(quán)值 。 在 MATLAB 中我們可以調(diào)用 im2gray 函數(shù)對圖像進行灰度化處理。用攝像機采集到的機動車圖像由于受到噪聲干擾以及車輛本身的影響，使得獲得的圖像質(zhì)量不理想。通過良好的邊緣檢測可以大幅度的降低噪聲、分離出復(fù)雜環(huán)境中的車輛圖像、保留完好的車牌字符信息，方便后面的車牌精確定位與字符識別。因為有這些明顯的特征，經(jīng)過適當(dāng)?shù)膱D像變換，可以清晰的呈現(xiàn)出車牌的邊緣。 第 32 頁 共 48 頁 圖 原圖 圖 灰度圖 第 33 頁 共 48 頁 11 圖 Robert算子邊緣檢測 車牌定位和分割 該系統(tǒng)的攝像頭 拍攝的圖片是整個機動車的圖片，而只有車牌部分是對系統(tǒng)有用的。車牌的定位和分割是從經(jīng)過圖像預(yù)處理后的灰度圖像中確定牌照位置，并將車牌部分從整個圖像中分割出來，從而進行字符識別 。車牌定位和分割的準(zhǔn)確度直接關(guān)系到最后的字符識別的質(zhì)量。本文采用的是用數(shù)學(xué)形態(tài)學(xué)來進行圖像處理和模式識別?，F(xiàn)在我們將經(jīng)過預(yù)處理的圖像進行圖像腐蝕以及去除雜質(zhì)，就可以得到相對準(zhǔn)確的車牌位置。 本文車牌部分的分割采用的是利用車牌彩色信息的彩色分割法。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計列方向藍色像素點的數(shù)量，最終確定完整的車牌區(qū)域。且車輛圖片不可避免存在噪聲，所以要對圖像進行灰度化，二值化以及濾波處理。 也就是將 256個亮度等級的灰度圖像通過適當(dāng)?shù)拈T限值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像 。濾波方法有多種，本文采取的濾波方法為均值濾波。再用模板中的 全體像素的平均值來代替原來像素值 。它在前期牌照定位的基礎(chǔ)上進行字符的分割，然后再利用分割的結(jié)果進行字符識別。 在字符切割時 ,往往由于閾值取得不好 ， 導(dǎo)致字符切割不準(zhǔn)確 ， 針對這種情況 ， 可以對切割出的字符寬度進行統(tǒng)計分析 ， 用以指導(dǎo)切割 ， 對因錯誤切割過寬的字符進行分裂處理。 歸一化處理的目的就是使車牌字符同標(biāo)準(zhǔn)模塊里面的字符特征一樣 。 圖 字符的識別 字符的識別目前用于車牌字符識別 (OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神經(jīng)網(wǎng)絡(luò)的 OCR算法。模板匹配的主要第 32 頁 共 48 頁 特點是實現(xiàn)簡單，當(dāng)字符較規(guī)整時 對字符圖像的 缺損、污跡干擾適應(yīng)力強且識別率相當(dāng)高。 模板匹配是圖象識別方法中最具代表性的基本方法之一，它是將從待識別的圖象或圖象區(qū)域 f(i,j)中提取的若干特征量與模板 T(i,j)相應(yīng)的特征量逐個進行比較，計算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處 理后，使得圖象的灰度或像素點的位置發(fā)生改變。 第 33 頁 共 48 頁 19 圖 字符識別流程圖 此處采用 相減的方法來求得字符與模板中哪一個字符最相似，然后找到相似度最大的輸出。車牌字符識別與一般文字識別在于它的字符數(shù)有限，漢字共約50 多個，大寫英文字母 26 個，數(shù)字 10 個。為了實驗方便，結(jié)合本次設(shè)計所選汽車牌照的特點，只建立了 4 個數(shù)字 26 個字母與 10個數(shù)字的模板。 首先取字符模板，接著依次取待識別字符與模板進行匹配，將其與模板字符相減，得到的 0 越多那么就越匹配。 建立自動識別的代碼表 讀取分割出來的字符 第一個字符與模板中的漢字模板進行匹配 第二個字符與模板中的字母模板進行匹配 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 識別完成，輸出此模板對應(yīng)值 后 5 個字符與模板中的字母與數(shù)字模板進行匹配 第 32 頁 共 48 頁 第 33 頁 共 48 頁 21 第四章 實驗結(jié)果和分析 在得 到結(jié)果之前，需要對車牌圖像進行預(yù)處理、車牌定位、車牌分割等處理。 二是牌照自身的污漬等影響了圖象的質(zhì)量； 三是牌照字符的分割失敗導(dǎo)致的識別錯誤；再就是部分字符的形狀相似性，比如， B 和 8； A 和 4 等字符識別結(jié)果可能發(fā)生混淆的情況。 總之，盡管目前牌照字符的識別率還不理想，但是這種思路的可行性得到 了證實，更多的實驗與程序的改進完全可以實現(xiàn)搞成功率的車牌識別。對于在大作業(yè)的完成過程中給予幫助的同學(xué)與老師在此表示真心的感謝。39。 figure(1),imshow(I)。原圖 39。 I1=rgb2gray(I)。title(39。)。title(39。)。robert39。both39。 %高斯濾波器 ,方差為 figure(3),imshow(I2)。robert 算子邊緣檢測 39。1。 I3=imerode(I2,se)。title(39。)。rectangle39。 %構(gòu)造結(jié)構(gòu)元素，以長方形構(gòu)造一個 se I4=imclose(I3,se)。 figure(5),imshow(I4)。平滑圖像的輪廓 39。 I5=bwareaopen(I4,2021)。title(39。)。 %返回 I5各維的尺寸，并存儲在變量 y、 x、 z中 myI=double(I5)。 %產(chǎn)生 y*1 的全 0矩陣 for i=1:y for j=1:x if(myI(i,j,1)==1) %如果 myI(i,j,1)即 myI 圖像中坐標(biāo)為 (i,j)的點為藍色 %則 Blue_y 的相應(yīng)行的元素 white_y(i,1)值加 1 Blue_y(i,1)= Blue_y(i,1)+1。%temp 為向量 white_y 的元素中的最大值， MaxY 為該值的索引（ 在向量中的位置） PY1=MaxY。amp。 end PY2=MaxY。amp。 end IY=I(PY1:PY2,:,:)。%進一步確定 x方向的車牌區(qū)域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)==1) Blue_x(1,j)= Blue_x(1,j)+1。 while ((Blue_x(1,PX1)3)amp。(PX1x)) PX1=PX1+1。 while ((Blue_x(1,PX2)3)amp。(PX2PX1)) PX2=PX21。%對車牌區(qū)域的校正 PX2=PX2+2。 t=toc。行方向合理區(qū)域 39。 figure(7),subplot(1,2,2),imshow(dw),title(39。) 第 33 頁 共 48 頁 27 imwrite(dw,39。)。39。輸入一個定位裁剪后的車牌圖像39。 %讀取 jpg=strcat(filepath,filename)。39。 %讀取圖片文件中的數(shù)據(jù) b=rgb2gray(a)。 .jpg39。 %將圖像數(shù)據(jù)寫入到圖像文件中 figure(8)。 39。 %換成雙精度數(shù)值 g_min=double(min(min(b)))。 % T 為二值化的閾值 [m,n]=size(b)。其中 m中存儲的是行數(shù)， n 中存儲的是列數(shù)。 % d:二值圖像 imwrite(d,39。)。subplot(3,2,2),imshow(d),title(39。) figure(8),subplot(3,2,3),imshow(d),title(39。) % 濾波 ) returns the nbyn identity matrix 單位矩陣 [m,n]=size(d)。其中 m中存儲的是行數(shù)， n中存儲的是列數(shù) if bwarea(d)mn= %計算二值圖像中對象的總面積 d=imerode(d,se)。 %實現(xiàn)膨脹操作 end imwrite(d,39。)。 39。 %切割 [m,n]=size(d)。其中 m中存儲的是行數(shù)， n中存儲的是列數(shù) figure,subplot(2,1,1),imshow(d),title(n) k1=1。s=sum(d)。 while j~=n while s(j)==0 j=j+1。 while s(j)~=0 amp。 j=n1 j=j+1。 if k2k1=round() [val,num]=min(sum(d(:,[k1+5:k25])))。 % 分割 end 第 33 頁 共 48 頁 29 end % 再切割 d=qiege(d)。y2=。word1=[]。 left=1。 while sum(d(:,wide+1))~=0 wide=wide+1。 d=qiege(d)。 [m,n]=size(temp)。 two_thirds=sum(sum(temp([round(m3):2*round(m3)],:)))。word1=temp。d=qiege(d)。 % 分割出第三個字符 [word3,d]=getword(d)。 % 分割出第五個字符 [word5,d]=getword(d)。 % 分割出第七個字符 [word7,d]=getword(d)。139。 figure(10),imshow(word2),title(39。)。339。 figure(12),imshow(word4),title(39。)。539。 figure(14),imshow(word6),title(39。)。739。 [m,n]=size(word1)。其中 m中存儲的是行數(shù)， n中存儲的是列數(shù) word1=imresize(word1,[40 20])。 %對圖像做縮放處理，高 40，