【正文】 圖 歸一化流程圖 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 11 3 車牌數(shù)字識(shí)別方法 數(shù)字識(shí)別概述 早期，約在 1870 年時(shí)字符識(shí)別作為視力障礙人的輔助工具。 20 世紀(jì) 50 年代中期以后，商業(yè) OCR機(jī)并正式 開(kāi)始投入市場(chǎng)。在當(dāng)時(shí)看來(lái)，手寫(xiě)漢字的識(shí)別成為字符識(shí)別的最終目標(biāo)之一。 雖然國(guó)內(nèi)對(duì)車牌字符研究起步較晚，但國(guó)外在字符研究方面早已有所成就，如英國(guó)、日本、德國(guó)、加拿大等不少國(guó)家已經(jīng)研究出適合本國(guó)的車牌識(shí)別系統(tǒng)，并且擁有比較高的字符識(shí)別率和比較少的識(shí)別時(shí)間。目前，國(guó)內(nèi)外的車牌字符識(shí)別的方法 [21]主要有模板匹配字符識(shí)別算法、神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法 [22]、統(tǒng)計(jì)特征匹配法、支持向量機(jī)模式識(shí)別算法等幾種方法，其中最早使用于車牌識(shí)別的是模版匹配字符識(shí)別算法，然而目前最受研究者和學(xué)者們青睞的時(shí)神經(jīng)網(wǎng)絡(luò)識(shí)別算法。 車牌數(shù)字特點(diǎn) 目前，我國(guó)的車牌主要分為藍(lán)底白字和黃底黑字兩種 [23]。大 型車輛一般所采用的是黃底黑字車牌，通常是大型民用汽車 、重型載重車輛 ，這種車牌與藍(lán)底白字的車牌相比較少，但也是我國(guó)常用車牌。 目前，我國(guó)車牌的具體規(guī)格 ，如表 31 所示： 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 12 表 21 車牌格式 分類 外廓尺寸（ mm） 顏色 面數(shù) 大型民用汽車 440*140/440*220 黃底黑字 2 小型民用汽車 440*140 藍(lán)底白字 2 公安專用汽車 440*140 白底紅“ GA”、黑字 2 武警專用汽車 440*140 白底紅“ WJ”、黑字 2 大使館外籍汽車 440*140 黑底白字及空心“使”字 2 領(lǐng)事館外籍汽車 440*140 黑底白字及空心“領(lǐng)”字 2 外籍汽車 440*140 黑底白字 2 實(shí)驗(yàn)汽車 440*140 白底紅字，數(shù)字前有“試”字 2 學(xué)習(xí)汽車 440*140 白底紅字，數(shù)字前有“學(xué)”字 2 臨時(shí)牌照 白 底紅字，數(shù)前有“臨時(shí)”字 2 汽車補(bǔ)用牌照 白底黑字 2 車輛移動(dòng)證 白底紅字 2 本文 主要 分析藍(lán)底白字和黃底黑字的車牌，具有以下幾個(gè)特點(diǎn)： （ 1）車牌拍照一共七位，第一個(gè)為漢字，一般為各個(gè)省級(jí)行政區(qū)的簡(jiǎn)稱； （ 2）第二個(gè)字符一般為英文字符，作為地市一級(jí)代號(hào)，后五位是數(shù)字和字母的排列組合； （ 3）車牌大小尺寸高度統(tǒng)一為 140mm 左右，寬度統(tǒng)一為均為 440mm，字體規(guī)范、科學(xué)、容易辨認(rèn)； （ 4）字符總長(zhǎng)度 409mm，單個(gè)字符寬度 45mm，高度為 90mm，第二三個(gè)字符之間的間隔是 34mm. 這也就是 說(shuō)標(biāo)準(zhǔn)的車牌字符識(shí)別可以分為三部份，按照車牌上的七個(gè)字符的排列原則可知，首位是省名縮寫(xiě)的漢字，接下來(lái)是因?yàn)樽帜?，接下?lái)的一位可能是數(shù)字也可能是字母，末四位是數(shù)字。 基于神經(jīng)網(wǎng)路的車牌數(shù)字識(shí)別 由于字符識(shí)別率是車牌識(shí)別研發(fā)成功與否的關(guān)鍵指標(biāo)，可知字符識(shí)別在車牌識(shí)別系 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 13 統(tǒng)中的作用是極其重要的，字符識(shí)別的主要涉及到特征提取和識(shí)別方法兩方面，并且兩者是繼承互補(bǔ)的關(guān)系。 預(yù)處理好以后的餓圖片，需要使用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，本文中所使用的是前饋后向傳播網(wǎng)絡(luò)（ BP 網(wǎng)絡(luò)） [2022]。 BP 網(wǎng)絡(luò)用于模式分類是基于以下原理，首先，隱層將輸入模式空間的樣本映射到隱層模式空間；其次輸入層將隱層模式空間的輸出模式樣本映射到輸出模式空間；最后，根據(jù)判斷依據(jù)判決規(guī)則決定決策空間，進(jìn)行模式分類。 盡管 BP 網(wǎng)絡(luò)在模式識(shí)別中取得相對(duì)比較大的成功，但還是存在一些不足：學(xué)習(xí)率與穩(wěn)定性的矛盾、學(xué)習(xí)率的選擇缺乏有效的方法、訓(xùn)練過(guò)程可能陷入局部最小網(wǎng)絡(luò)、沒(méi)有確定隱層神經(jīng)元數(shù)的有效方法。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 15 4 基于 MATLAB 的算法設(shè)計(jì)與實(shí)現(xiàn) MATLAB 概述 MATLAB 語(yǔ)言是 由 Clever Moler 博士于 20 世紀(jì) 80 年代開(kāi)發(fā)的一種功能強(qiáng)、效率高、簡(jiǎn)單易學(xué)的數(shù)學(xué)軟件，它是 MATrix LABoratory（矩陣實(shí)驗(yàn)室）的縮寫(xiě)，設(shè)計(jì)者的初衷是為了解決“線性代數(shù)”課程的矩陣運(yùn)算問(wèn)題。 MATLAB 函數(shù)按其功能可分為：數(shù)值的分析、數(shù)值與符號(hào)的計(jì)算、工程與科學(xué)的繪圖、控制系統(tǒng)的設(shè)計(jì)與仿真、數(shù)字圖像的處理、數(shù)字信號(hào)的處理、通訊系統(tǒng)的設(shè)計(jì)與仿真 、財(cái)務(wù)與金融工程、圖像轉(zhuǎn)換等。本文將給出 MATLAB 的圖像處理工具箱中圖像處理與分析的實(shí)際應(yīng)用技術(shù)實(shí)例。但是基于投影分割法也有 他一定的缺點(diǎn)，例如無(wú)法精確地分割出傾斜車牌的字符位置。39。%調(diào)用自編函數(shù)讀取圖像，并轉(zhuǎn)化為灰度圖像； tic %計(jì)時(shí)開(kāi)始 [height,width]=size(I)。 for i=1:width1 I_edge(:,i)=abs(I(:,i+1)I(:,i))。 [I_edge,y1]=select(I_edge,height,width)。% %%%%%%%%%%%%%%%%一些形態(tài)學(xué)處理 SE=strel(39。,[10,10])。 IM2=bwareaopen(IM2,20)。 %%%%%%%%%%%%%%%%%%投影以粗略估計(jì)車牌位置 p_h=projection(double(IM3),39。)。 end p_v=projection(double(IM3),39。)。 end %%%%%% p_h=double((p_h5))。 len_h=length(p_h)/2。 p_v=find(((p_v(1:end1)p_v(2:end))~=0))。 %%%%%%%%%%%%%%%%%粗略計(jì)算車牌候選區(qū) k=1。 if(mean(mean(s))) p{k}=[p_h(2*i1),p_h(2*i)+1,p_v(2*j1),p_v(2*j)+1]。 end end end k=k1。canny39。 [x,y]=find(edge_IM3==1)。 p_center{i}=[fix((p{i}(1)+p{i}(2))/2),fix((p{i}(3)+p{i}(4))/2)]。 end %對(duì)上面參數(shù)和變量的說(shuō)明： p 為一胞元，用于存放每個(gè)圖像塊的左上和右下兩個(gè)點(diǎn)的坐標(biāo)； %存放格式為： p{k}=[x1,x2,y1,y2]； x1,x2 分別為行坐標(biāo)， y1,y2 為列坐標(biāo) %p_center 為一胞元 ,用于存放每個(gè)圖像塊的中心坐標(biāo) ,p_center{k}=[x,y]。 ncount=zeros(1,k)。amp。 p{i+1}(2)=max(p{i}(2),p{i+1}(2))。 p{i+1}(4)=max(p{i}(4),p{i+1}(4))。 ncount(n)=i+1。 %避免重復(fù)記錄臨近的多個(gè)區(qū)域。 m=length(index)。 %重新記錄合并區(qū)域的比例 pp_ratio(i)=(pp{i}(4)pp{i}(3))/(pp{i}(2)pp{i}(1))。 %更新區(qū)域記錄 p_ratio=pp_ratio。clear pp_ratio。 %更新區(qū)域個(gè)數(shù) %%%%%%%%%%%%%%合并結(jié)束 %%%%%%%%%%%%%%%%%%%%% %%%%%%%%根據(jù)區(qū)域比例判斷是否為車牌區(qū)域 %%%%%%%%%%%% m=1。 for i=1:k if(p_ratio(i)=Tamp。 m=m+1。clear p1。 %更新區(qū)域數(shù) %%%%%%%%%%%判定結(jié)束 %%%%%%%%%%%%%%%%%%%%% toc %計(jì)時(shí)結(jié)束 clear edge_IM3。 clear y。title(39。) figure(2) imshow(IM2)。腐蝕后圖像 39。title(39。) %%%%%%%%%%%%%%%%%顯示 figure(4) for i=1:k subplot(1,k,i)。 imshow(I(index(1)2:index(2),index(3):index(4)))。車牌圖像 39。39。 end 仿真結(jié)果與分析 圖 原始圖像 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 21 圖 TOPHAT圖像 圖 灰度增強(qiáng)的圖像 圖 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 22 圖 車牌校正圖像 圖 車牌灰度圖和二值圖 圖 圖像的水平投影 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 23 圖 車牌定位圖像 圖 垂直投影圖像 圖 車牌字符分割圖像 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 24 車牌字符識(shí)別算法設(shè)計(jì) 經(jīng)過(guò)一系列的預(yù)處理后，可以得到分割后的字符子圖，即可以進(jìn)行字符識(shí)別了。由于 BP 網(wǎng)絡(luò)識(shí)別率較高，所以本文采用了 BP 網(wǎng)絡(luò)方法。39。 figure(1) imshow(I)。原始圖像 139。 %調(diào)用函數(shù)對(duì)圖像進(jìn)行二值化等一系列操作 img = myimgpreprocess(I)。 %調(diào)用函數(shù)對(duì)圖像進(jìn)行重采樣 charvec = myimgresize(bw2)。 end P = out(:,1:40)。 Ptest = out(:,41:50)。 %測(cè)試神經(jīng)網(wǎng)絡(luò) [a,b]=max(sim(,Ptest))。 %%%%%%%%%%%%%%%%% function lett = myimgresize(bw2) bw_7050=imresize(bw2,[70,50])。 lett((t1)*5+t2)=sum(Atemp)。 lett=lett39。 Ibw = im2bw(Igray,graythresh(Igray))。 se = strel(39。,3)。 Ifill= imfill(Iedge2,39。)。 Iprops = regionprops(Ilabel)。 Ibox = reshape(Ibox,[4 50])。 Ic = reshape(Ic,[2 50])。 Ic(:,3) = (mean(Ic.^2,2)).^(1/2)。 Ic2 = sortrows(Ic,2)。 end Ic3 = Ic2(:,1:2)。 for t = 1:50 img{t} = imcrop(Ibw,Ibox(:,ind(t)))。 x1=1。 x2=x2temp。 tB=1。 tB=tB+1。 while (sum(bw(tB,:))==x2temp) y1=y1+1。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 27 end tB=x2temp。 tB=tB1。 while (sum(bw(tB,:))==x2temp) y2=y21。 end bw2=imcrop(bw,[x1,y1,(x2x1),(y2y1)])。 targets = T。 [S2,Q] = size(targets)。 = newff(minmax(alphabet),[S1 S2],{39。 39。},39。)。 {2} = {2}*。sse39。 = 20。 = 。 T = targets。 南湖學(xué)院 畢業(yè)設(shè)計(jì)（論文） 28 仿真結(jié)果與分析 圖 識(shí)別結(jié)果 圖 數(shù)字樣本 由上述各圖結(jié)果顯示可知，當(dāng)車牌原始圖像采集良好時(shí)，即沒(méi)有明顯的破損與垢漬，曝光度良好等高清晰，則該系統(tǒng)能夠進(jìn)行正常的字符識(shí)別。在 識(shí)別 的仿真 過(guò)程中 可以看到 ， 識(shí)別隨著樣本數(shù)目改變的同時(shí)，也受到了樣本的質(zhì)量選取的問(wèn)題。增加對(duì)該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以在一定程度上解決該問(wèn)題。由此可知， BP 神經(jīng)網(wǎng)絡(luò)的具有它的理論價(jià)值與實(shí)用價(jià)值。由此可知，車牌識(shí)別技術(shù)已然成為目前研究的熱點(diǎn)、重點(diǎn)問(wèn)題之一。尤其是在字符識(shí)別部分，根據(jù) 我國(guó)車牌的特殊組成提出了基于改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)的多分類器。與此同時(shí)，對(duì)于本文中所提及的算法都進(jìn)行了相應(yīng)的仿真，并對(duì)多得到的仿真結(jié)果做了分析。盡管本次車牌識(shí)別系統(tǒng)得到改進(jìn)，且效果顯著，卻仍然需要不斷地改進(jìn)，還需要大量提高算法的準(zhǔn)確度和提高算法運(yùn)行的速度。由于受車牌特征的多樣性、車牌本身的新舊程度原始圖像的模糊程度、原始圖像背景復(fù)雜性、以及一些人為的、客觀的因素干擾，導(dǎo)致車牌識(shí)別系統(tǒng)設(shè)計(jì)的難度大大提高。本文中也還有許多不足的、有待改善的地方： （ 1）對(duì)于車牌圖像模糊不清、背景復(fù)雜、光線不足等情況下，車牌定位的準(zhǔn)確性較低，還有待提高； （ 2）本文所研究的車牌識(shí)別系統(tǒng)雖然可以對(duì)多車牌原始圖像識(shí)別進(jìn)行了研究，但其多車牌識(shí)別率比單車牌識(shí)別率低許多，這也就希 望未來(lái)的研究對(duì)此能有更大的進(jìn)展； （ 3）目前，所設(shè)計(jì)的車牌識(shí)別系統(tǒng)，只能針對(duì)于靜止的圖像進(jìn)行識(shí)別，由于運(yùn)動(dòng)中的圖像車牌識(shí)別處理比較復(fù)雜，故而希望在未來(lái)的車牌識(shí)別研究中能夠深入研究視頻中的車牌