【正文】 配，投影序列特征匹配，外圍輪廓投影匹配，基于Hausdorff距離的模板匹配等等?；谀０迤ヅ涞腛CR的基本過程是：首先對待識別字符進(jìn)行二值化并將其尺寸大小縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有的模板進(jìn)行匹配，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選為最佳匹配作為結(jié)果。有利于提高模版匹配的成功率。D0,68,2Z,A—4是比較容易識別出錯的字符。切割出來的數(shù)據(jù)要與數(shù)據(jù)庫的數(shù)據(jù)作比較，所以數(shù)據(jù)庫的數(shù)據(jù)尤為重要。for k=1:6sum=0。chepai= find(baifenbi=max(baifenbi))。for k=1:24sum=0。chepai= find(baifenbi=max(baifenbi))。%=================識別數(shù)字=================[y,x,z]=size(xiuzhengshuzi_1)。baifenbi(1,k)=sum/(x*y)。shibieshuzi=chepai1。在對車牌區(qū)域識別出錯、字體分割出錯時程序暫停，并有語音提醒。樣本庫中的編碼規(guī)則如下。；。 。；。bilinear39。hanzi(:,:,2)=imresize(im2bw(cplu,graythresh(rgb2gray(cplu))),[110 55],39。)。汽車車牌識別系統(tǒng)的設(shè)計達(dá)到預(yù)期目標(biāo)。由于攝像部分多工作于開放的戶外環(huán)境，加之汽車車牌的整潔度、自然光照條件、拍攝時攝像機(jī)與牌照的距離和角度以及車輛行駛速度等因素的影響，牌照圖象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對原始圖象進(jìn)行識別前的預(yù)處理。對于光照條件不理想的圖象，可先進(jìn)行一次圖象增強(qiáng)處理，使得圖象灰度動態(tài)范圍擴(kuò)展和對比度增強(qiáng)，再進(jìn)行定位和分割，這樣可以提高分割的正確率。根據(jù)長寬比，藍(lán)白色比對候選區(qū)域進(jìn)行多次定位，根據(jù)車牌底色等有關(guān)的先驗知識，采用彩色像素點統(tǒng)計的方法，先確定行方向的車牌區(qū)域，再確定列方向的區(qū)域，得出最終的車牌區(qū)域。因為彩色圖像包含著大量的顏色信息，不但在存儲上開銷很大，而且在處理上也會降低系統(tǒng)的執(zhí)行速度，因此將彩色圖像轉(zhuǎn)化為灰度圖像，以縮短處理速度。字符分割一般采用垂直投影法，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,可以由車牌格式的先驗知識,對切割出的字符寬度進(jìn)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(jìn)行分裂處理。把每一幅相減后的圖的0值個數(shù)保存，然后找數(shù)值最大的，即為識別出來的結(jié)果。在車牌識別的過程中數(shù)字庫的建立很重要,只有數(shù)字庫的準(zhǔn)確才能保證檢測出來的數(shù)據(jù)正確?？傊M管目前牌照字符的識別率還不理想，但是只要在分割出的字符的大小、位置的歸一化以及尋找更合適的分割閾值等環(huán)節(jié)上完善，進(jìn)一步提高識別率是完全可行的。下面是對另一幅車牌照的檢測， 所示。從開始的收費輔助系統(tǒng)演變過來的車牌識別技術(shù)現(xiàn)在運用的領(lǐng)域是越來越廣。本文主要解決了以下幾個問題：；；。在本系統(tǒng)的設(shè)計時，也汲取了以上一些算法的思想，結(jié)合實際，反復(fù)比較，綜合分析；二是在有效性和實用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智能的新技術(shù)的應(yīng)用是研究的一個方向。對現(xiàn)實事物的設(shè)計不僅是對前面所學(xué)知識的一種檢驗，而且也是對自己能力的一種提高。這個設(shè)計讓我學(xué)到了很多東西，涉及到方方面面的知識，在這整個過程中我們查閱了大量的資料，得到了老師和同學(xué)的幫助，我在此對他們表示謝意。學(xué)習(xí)是一個長期積累的過程，在后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識和綜合素質(zhì)。雖然這個設(shè)計做的并非對所以車牌都合適，但是在設(shè)計過 程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財富，相信定會使我受益終身。離校日期已日趨臨近，畢業(yè)論文的的完成也隨之進(jìn)入了尾聲。在這個美麗的校園里，原本天真幼稚的我如今已蛻變成一個睿智、沉穩(wěn)的青年，感謝命運的安排，讓我有幸結(jié)識了許多良師益友，是他們教我如何品味人生，讓我懂得如何更好的生活！人生處處是驛站，已是揮手作別之時，在此，向所有幫助過我的人獻(xiàn)上我最誠摯的謝意！“飲其流時思其源，成吾學(xué)時念吾師。從選題、定題、撰寫提綱，到論文的反復(fù)修改、潤色直至定稿，石老師始終認(rèn)真負(fù)責(zé)地給予我深刻而細(xì)致地指導(dǎo)，使我受益匪淺。其次要感謝大學(xué)四年中給我們授課的所有老師們，是他們的悉心教導(dǎo)和精心栽培，讓我掌握了很多專業(yè)知識，為將來的工作打下了良好的基礎(chǔ)。附錄源代碼主函數(shù)%function carrecoclc。%說明：% ==============測定算法執(zhí)行的時間，開始計時=================tic%====================讀入圖片================================[fn,pn,fi]=uigetfile(39。,39。)。figure,imshow(I)。原始圖像39。%顯示原始圖像chepailujing=[pn fn]I_bai=I。% I=rgb2hsv(I)。%用HSI模型識別藍(lán)色，用rgb模型識別白色%================分割車牌區(qū)域=================================%===============車牌區(qū)域根據(jù)面積二次修正======================[PY2,PY1,PX2,PX1,threshold]=SEC_xiuzheng(PY2,PY1,PX2,PX1)。%使用caitu_tiqu%==============考慮用腐蝕解決藍(lán)色車問題=============bw=Plate。title(39。)。figure,imshow(bw)。灰度圖像39。%================傾斜校正======================qingxiejiao=rando_bianhuan(bw)bw=imrotate(bw,qingxiejiao,39。,39。)。title(39。)。%figure,imshow(bw)。hbreak39。%figure,imshow(bw)。spur39。%figure,imshow(bw)。擦除之前39。bw=bwmorph(bw,39。,5)。title(39。)。figure,imshow(bw)。擦除39。bw=~bw。title(39。)。figure。title(39。)。bw = bwareaopen(bw, threshold)。%figure,imshow(bw)。二次擦除39。[y,x]=size(bw)。%=================顯示分割圖像結(jié)果========================= figure。imshow(bw( 1:y,fenge(s):fenge(s+1)))。zi_mu =bw( 1:y,fenge(3):fenge(4))。zm_sz_2 =bw( 1:y,fenge(7):fenge(8))。 shuzi_2 =bw( 1:y,fenge(11):fenge(12))。 %===================識別====================================%================把修正數(shù)據(jù)讀入==============================xiuzhenghanzi = imresize(han_zi, [110 55],39。)。bilinear39。xiuzhengzm_sz_1= imresize(zm_sz_1,[110 55],39。)。bilinear39。xiuzhengshuzi_1 = imresize(shuzi_1,[110 55],39。)。bilinear39。xiuzhengshuzi_3 = imresize(shuzi_3,[110 55],39。)。39。39。39。39。39。39。%因數(shù)字和字母比例不同。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。39。zimu = duquzimu(imread(39。),imread(39。),imread(39。),imread(39。),imread(39。),... imread(39。),imread(39。),imread(39。),imread(39。),imread(39。),...imread(39。),imread(39。),imread(39。),imread(39。),imread(39。),...imread(39。),imread(39。),imread(39。),imread(39。),imread(39。),...imread(39。),imread(39。),imread(39。),imread(39。))。39。39。39。39。39。39。39。39。39。39。 %===================識別結(jié)果================================ i=1。shibiejieguo(1,i) =jieguohanzi。jieguozimu = shibiezimu(zimu,xiuzhengzimu)。 i=i+1。 shibiejieguo(1,i) =jieguozm_sz_1。jieguozm_sz_2= shibiezm_sz(shuzizimu,xiuzhengzm_sz_2)。i=i+1。 shibiejieguo(1,i) =jieguoshuzi_1。jieguoshuzi_2= shibieshuzi(shuzi,xiuzhengshuzi_2)。i=i+1。 shibiejieguo(1,i) =jieguoshuzi_3。%=========對話框顯示顯示==============================shibiejieguomsgbox(shibiejieguo,39。)。39。a+39。fprintf(fid,39。,shibiejieguo,datestr(now))。%===================讀出聲音===================duchushengyin(shibiejieguo)。myI=double(I)。%這個數(shù)值很重要。%ganrao transaction%================= Y 方向============================Blue_y=zeros(y,1)。amp。amp。amp。amp。amp。amp。amp。amp。amp。amp。amp。amp。amp。 % 藍(lán)色象素點統(tǒng)計 end end endbaisebili=0。k=0。amp。amp。amp。% Y方向車牌區(qū)域確定 temp(最多點數(shù)):所有行中，最多的累積像素點 MaxY（最多點所在行）:該行中藍(lán)點最多 if temp=20%2048*1536 照相 msgbox(39。,39。)。39。 pause。%有最多藍(lán)點的行付給PY1 while ((Blue_y(PY1,1)=Y_threshlow)amp。(PY11))%找到圖片上邊界 PY1=PY11。 while ((Blue_y(PY2,1)=Y_threshlow)amp。(PY2y))%閾值為5 PY2=PY2+1。%這個數(shù)值很重要。 % 進(jìn)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)=48)amp。((myI(i,j,2)=90)amp。(myI(i,j,2)=30))amp。((myI(i,j,3)=160)amp。(myI(i,j,3)=80))) % if((myI(i,j,1)=65)amp。((myI(i,j,2)=100)amp。(myI(i,j,2)=40))amp。((myI(i,j,3)=160)amp。(myI(i,j,3)=90)))% if ((myI(i,j,1)=)amp。(myI(i,j,1)=)amp。((myI(i,j,2)=)amp。(myI(i,j,2)=))amp。((myI(i,j,3)=)amp。(myI(i,j,3)=))) Blue_x(1,j)= Blue_x(1,j)+1。 PX1=MaxX6*(PY2PY1)。 end while ((Blue_x(1,PX1)=X_threshhigh)amp。(PX1x))%閾值 PX1=PX1+1。 if PX2=x PX2=x。amp。 end%確定出X方向車牌終點 a=PY2PY1+1。 White=0。amp。amp。 % 白色象素點統(tǒng)計 end end end baisebili=White/(a*b) changkuanbi=a/b k=k+1%====================藍(lán)色區(qū)域不是車牌區(qū)域================= elseif (k~=0) Blue_y(PY1:PY2,