1、PAGE PAGE 18車牌識別系統(tǒng)的設(shè)計(shj)摘要(zhiyo)（150-250字）隨著(su zhe)公路逐漸普及，我國的公路交通事業(yè)發(fā)展迅速，所以人工管理方式已經(jīng)不能滿著實際的需要，微電子、通信和計算機技術(shù)在交通領(lǐng)域的應(yīng)用極大地提高了交通管理效率。汽車牌照的自動識別技術(shù)已經(jīng)得到了廣泛應(yīng)用。汽車牌照自動識別整個處理過程分為預(yù)處理、邊緣提取、車牌定位、字符分割、字符識別五大模塊，其中字符識別過程主要由以下3個部分組成：正確地分割文字圖像區(qū)域；正確的分離單個文字； = 3 * GB3 正確識別單個字符。用MATLAB軟件編程來實現(xiàn)每一個部分,最后識別出汽車牌照。在研究的同時對其中出現(xiàn)的問題

2、進行了具體分析，處理。設(shè)計目的和意義目的：1、讓學(xué)生鞏固理論課上所學(xué)的知識，理論聯(lián)系實踐。2、鍛煉學(xué)生的動手能力，激發(fā)學(xué)生的研究潛能，提高學(xué)生的協(xié)作精神。意義：車牌定位系統(tǒng)的目的在于正確獲取整個圖像中車牌的區(qū)域，并識別出車牌號。通過設(shè)計實現(xiàn)車牌識別系統(tǒng)，能夠提高學(xué)生分析問題和解決問題的能力，還能培養(yǎng)一定的科研能力。設(shè)計原理由于車輛牌照是機動車唯一的管理標(biāo)識符號，在交通管理中具有不可替代的作用，因此車輛牌照識別系統(tǒng)應(yīng)具有很高的識別正確率，對環(huán)境光照條件、拍攝位置和車輛行駛速度等因素的影響應(yīng)有較大的容閾，并且要求滿足實時性要求。 圖1 牌照識別系統(tǒng)原理圖該系統(tǒng)是計算機圖像處理與字符識別技術(shù)在智能化

3、交通管理系統(tǒng)中的應(yīng)用，它主要由牌照圖像的采集和預(yù)處理、牌照區(qū)域的定位和提取、牌照字符的分割和識別等幾個部分組成，如圖1 所示。其基本工作過程如下：（1）當(dāng)行駛的車輛經(jīng)過時，觸發(fā)埋設(shè)在固定位置的傳感器，系統(tǒng)被喚醒處于工作狀態(tài)；一旦連接攝像頭光快門的光電傳感器被觸發(fā)，設(shè)置在車輛前方、后方和側(cè)面的相機同時拍攝下車輛圖像；（2）由攝像機或CCD 攝像頭拍攝的含有車輛牌照(pizho)的圖像通視頻卡輸入計算機進行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強、濾波和水平較正等；（3）由檢索模塊進行牌照搜索與檢測，定位并分割出包含(bohn)牌照字符號碼的矩形區(qū)域；（4）對牌照(pizho)字符進行二值化并分割

4、出單個字符，經(jīng)歸一化后輸入字符識別系統(tǒng)進行識別。詳細(xì)設(shè)計步驟1. 提出總體設(shè)計方案。車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位及分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。為了用于牌照的分割和牌照字符的識別，原始圖象應(yīng)具有適當(dāng)?shù)牧炼?，較大的對比度和清晰可辯的牌照圖象。但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩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行識別前的預(yù)處理。牌照的定位和

5、分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個圖象中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個牌照字符識別系統(tǒng)的識別率。由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準(zhǔn)確性。因此，需要對字符在識別之前再進行一次針對性的處理。車牌識別的最終目的就是對車牌上的文字進行識別。主要應(yīng)用的為模板匹配方法。因為系統(tǒng)運行的過程中，主

6、要進行的都是圖像處理，在這個過程中要進行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CPU要求主頻在600HZ及以上，內(nèi)存在128MB及以上。系統(tǒng)可以運行于Windows98、Windows2000或者Windows XP操作系統(tǒng)下，程序調(diào)試時使用matlab。2. 各模塊的實現(xiàn)。一、預(yù)處理及邊緣提取 輸入車牌圖象灰度校正平滑處理提取邊緣 圖2 預(yù)處理及邊緣(binyun)提取流程圖 1、圖象(t xin)的采集與轉(zhuǎn)換考慮到現(xiàn)有牌照的字符與背景的顏色搭配一般有藍(lán)底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以將區(qū)域與背景明顯地區(qū)分出來，例如(lr)，對藍(lán)底白字這種

7、最常見的牌照，采用藍(lán)色B 通道時牌照區(qū)域為一亮的矩形，而牌照字符在區(qū)域中并不呈現(xiàn)。因為藍(lán)色（255，0，0）與白色（255，255，255）在B 通道中并無區(qū)分，而在G、R 通道或是灰度圖象中并無此便利。同理對白底黑字的牌照可用R 通道，綠底白字的牌照可以用G 通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。原圖、灰度圖及其直方圖見圖2與圖3。對于將彩色圖象轉(zhuǎn)換成灰度圖象時，圖象灰度值可由下面的公式計算： G=0.110B+0.588G+0.302R （1） G= （2） 圖3 圖42、邊緣提取邊緣(binyun)是指圖像局部亮度變化顯著的部分，是圖像風(fēng)、紋理特征提取和形狀特征提取等圖像分析

8、的重要基礎(chǔ)。所以在此我們(w men)要對圖像進行邊緣檢測。圖象增強處理(chl)對圖象牌照的可辯認(rèn)度的改善和簡化后續(xù)的牌照字符定位和分割的難度都是很有必要的。增強圖象對比度度的方法有：灰度線性變換、圖象平滑處理等。（1）灰度校正由于牌照圖象在拍攝時受到種種條件的限制和干擾，圖象的灰度值往往與實際景物不完全匹配，這將直接影響到圖象的后續(xù)處理。如果造成這種影響的原因主要是由于被攝物體的遠(yuǎn)近不同，使得圖象中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而產(chǎn)生圖象灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這時就可以采用灰度校正的方法來處理，增強灰度的變化范圍

9、、豐富灰度層次，以達到增強圖象的對比度和分辨率。我們發(fā)現(xiàn)車輛牌照圖象的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據(jù)圖象處理系統(tǒng)的條件，最好將灰度范圍展開到s=(0,255)之間，為此我們對灰度值作如下的變換： s = T(r) r=r min,，r max 使得SSmin, Smax,其中，T為線性變換， 圖5 灰度線性變換 （3）若 r(50,200)、s(0，255)則： （4） 圖6 灰度增強(zngqing)后的圖像（2）平滑(pnghu)處理對于受噪聲干擾嚴(yán)重的圖象，由于噪聲點多在頻域中映射(yngsh)為高頻分量，因此可以在通過低4325i,j

10、167823i,j14通濾波器來濾除噪聲，但實際中為了簡化算法，也可以直接在空域中用求鄰域平均值的方法來削弱噪聲的影響，這種方法稱為圖象平滑處理。例如，某一象素點的鄰域S 有兩種表示方法：8鄰域和4鄰域分別對應(yīng)的鄰域平均值為， 圖7 8 -鄰域、4 -鄰域模板 （5）其中，M 為鄰域中除中心象素點f(i,j) 之外包括的其它象素總數(shù)，對于4鄰域M=4，8 鄰域M=8。然而，鄰域平均值的平滑處理會使得圖象灰度急劇變化的地方，尤其是物體邊緣區(qū)域和字符輪廓等部分產(chǎn)生模糊作用。為了克服這種平均化引起的圖象模糊現(xiàn)象，我們給中心點象素值與其鄰域平均值的差值設(shè)置一固定的閾值，只有大于該閾值的點才能替換為鄰域

11、平均值，而差值不大于閾值時，仍保留原來的值，從而減少由于平均化引起的圖象模糊。圖8 平滑處理后的圖像圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。邊緣提取是較經(jīng)典的算法，此處邊緣的提取采用的是Roberts算子。 圖9未濾波直接(zhji)提取出的邊緣 圖10 經(jīng)灰度校正(jiozhng)后提取的邊緣 圖11 經(jīng)平滑處理后提取(tq)的邊緣對比以上幾幅圖片，圖8的邊緣已經(jīng)模糊掉了。圖7中包含的噪聲太多，圖9未經(jīng)濾波

12、直接提取出的邊緣圖像最清晰，所包含的有用信息最多。分析這種情況產(chǎn)生的原因，歸納起來主要有以下方面: 1、原始圖像清晰度比較高，從而簡化了預(yù)處理 2、圖像的平滑處理會使圖像的邊緣信息受到損失，圖像變得模糊 3、圖像的銳化可以增強圖像中物體的邊緣輪廓，但同時也使一些噪聲得到了增強綜上所述，結(jié)合MATLAB實驗過程，得出不是每一種圖像處理之初都適合濾波和邊界增強。本次汽車車牌的識別，為了保存更多的有用信息，經(jīng)過多次比較，選擇圖9作為后期處理的依據(jù)。 二、牌照的定位和分割牌照的定位和分割是牌照識別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊

13、子圖象從整個圖象中分割出來，供字符識別子系統(tǒng)識別之用，分割的準(zhǔn)確與否直接關(guān)系到整個牌照字符識別系統(tǒng)的識別率。由于牌照圖象在原始圖象中是很有特征的一個子區(qū)域，確切說是水平度較高的橫向近似的長方形，它在原始圖象中的相對位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過邊緣檢測來對圖象進行分割。對圖像進行腐蝕去除雜質(zhì)通過計算尋找X和Y方向車牌的區(qū)域完成車牌定位對分割出的車牌做進一步處理 圖12 牌照定位于分割流程圖1、牌照區(qū)域的定位牌照圖象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強。此時可進一步確定牌照在整幅圖象中的準(zhǔn)確位置。

14、這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機構(gòu)元素去量度和提取圖像中的對應(yīng)形狀以達到對圖像分析和識別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了膨脹和閉合這兩個基本運算，最后還用了bwareaopen來去除對象中不相干的小對象。 圖13 腐蝕(fsh)后圖像 圖14 平滑圖像(t xin)的輪廓 圖15 從對象(duxing)中移除小對象后圖像2、牌照區(qū)域的分割對車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。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)計的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)

15、色RGB對應(yīng)的各自灰度范圍，然后行方向統(tǒng)計在此顏色范圍內(nèi)的像素點數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計列方向藍(lán)色像素點的數(shù)量，最終確定完整的車牌區(qū)域。圖16 行方向區(qū)域和最終定位出來的車牌3、車牌進一步處理經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對圖像二值化。均值濾波是典型的線性濾波算法，它是指在圖像上對目標(biāo)像素給一個模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來代替原來像素值。圖17 裁

16、剪(cijin)出來的車牌的進一步處理過程圖三、字符(z f)的分割與歸一化m，n=size（d），逐排檢查有沒有白色像素點，設(shè)置1=jn-1，若圖像兩邊s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據(jù)圖像的大小，設(shè)置一閾值，檢測圖像的X軸，若寬度等于這一閾值則切割，分離出七個字符歸一化切割出來的字符圖像的大小為40*20，與模板中字符圖像的大小相匹配 圖17 字符(z f)分割與歸一化流程圖1、字符分割在汽車牌照自動識別過程中，字符分割有承前啟后的作用。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。字符識別的算法很多，因為車牌字符間間隔較大

17、，不會出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長度大于某閾值，則認(rèn)為該塊有兩個字符組成，需要分割。 圖18 分割出來的七個字符圖像2、字符歸一化一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達到正確識別的目的。在此只進行了歸一化處理，然后進行后期處理。 圖19 歸一化處理(chl)后的七個字符圖像字符(z f)的識別 字符的識別目前(mqin)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。基于模板匹配的OCR的基本過程是:首先對待識別字符進行二值化并將其尺

18、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行匹配，最后選最佳匹配作為結(jié)果。用人工神經(jīng)網(wǎng)絡(luò)進行字符識別主要有兩種方法:一種方法是先對待識別字符進行特征提取，然后用所獲得的特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。識別效果與字符特征的提取有關(guān)，而字符特征提取往往比較耗時。因此，字符特征的提取就成為研究的關(guān)鍵。另一種方法則充分利用神經(jīng)網(wǎng)絡(luò)的特點，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動實現(xiàn)特征提取直至識別。模板匹配的主要特點是實現(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。綜合模板匹配的這些優(yōu)點我們將其用為車牌字符識別的主要方法。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

19、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。也可以計算圖象與模板特征量之間的距離，用最小距離法判定所屬類。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。在實際設(shè)計模板的時候，是根據(jù)各區(qū)域形狀固有的特點，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進去，按照一些基于圖象不變特性所設(shè)計的特征量來構(gòu)建模板，就可以避免上述問題

20、。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)字模板進行匹配圖20 字符識別流程圖此處采用(ciyng)相減的方法來求得字符與模板(mbn)中哪一個字符最相似，然后找到相似度最大的輸出。汽車(qch)牌照的字符一般有七個，大部分車牌第一位是漢字，通常代表車輛所屬省份，或是軍種、警別等有特定含義的字符簡稱；緊接其后的為字母與數(shù)字。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

21、26個，數(shù)字10個。所以建立字符模板庫也極為方便。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。其他模板設(shè)計的方法與此相同。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。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。圖21 識別結(jié)果五、設(shè)計結(jié)果及分析通過以上(yshng)的方法，我對多幅圖像進行了檢測，有較好的識別(shbi)效果。下面是對另一幅(y f)車牌照的檢測，結(jié)果如圖2226 所示。 圖22 圖23 圖24 圖25 圖26對于光照條件不理想的圖象，可先進行一次圖

22、象增強處理，使得圖象灰度動態(tài)范圍擴展和對比度增強，再進行定位和分割，這樣可以提高分割的正確率。而采用了色彩通道的牌照區(qū)域分割算法充分利用了牌照圖象的色彩信息，簡化了算法的實現(xiàn)，加快了圖象的處理速度，具有較高的檢出正確率，而且整個過程用MATLAB 語言編程實現(xiàn)，無時間滯后感，可以滿足實時檢出的要求。但是在設(shè)計的過程中發(fā)現(xiàn)，使用另一幅圖像后，識別效果始終沒有那么理想。需要做一定的設(shè)置后才能識別出相應(yīng)的字符。在車牌字符(z f)分割的預(yù)處理中，用到了對分割出的字符車牌進行均值濾波，膨脹或腐蝕(fsh)的處理。這在對于有雜點的車牌是很有用的，因為這樣可以(ky)把字符與字符之間的雜色點去除，只有白色

23、的字符和黑色的背景存在，這樣有利于的字符分割進行。字符識別過程使用的是模板匹配的方法，利用兩幅圖片相減的方法，找到相減后值最小的，即為相似程度最大的。模板的制作很重要，必須要用精確的模板，否則就不能正確的識別。對于識別錯誤情況的分析可知，主要原因：一是牌照自身的污漬等影響了圖象的質(zhì)量；二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?？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，以及嘗試提取分類識別能力更好的特征值和設(shè)計分類器等環(huán)節(jié)上再完善，進一步提高識別率是完全可行的。六、總結(jié)本

24、文主要解決了以下幾個問題：一、在背景的圖象中如何定位分割牌照區(qū)域；二、對分割下來的牌照字符如何提取具有分類能力的特征；三、如何設(shè)計識別器。在車輛牌照字符識別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實可行的識別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個明顯的趨勢：一是單一的預(yù)處理和識別技術(shù)都無法達到理想的結(jié)果，多種方法的有機結(jié)合才能使系統(tǒng)有效識別能力提高。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。根據(jù)車牌特點，一般采用的車牌定位算法有：1.邊緣檢測定位算法；2.利用哈夫變換進行車牌定位

25、；3.色彩分割提取車牌等。這里我采用的是邊緣檢測的方法實現(xiàn)定位的。字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點是程序邏輯設(shè)計簡單，循環(huán)執(zhí)行功能單一，便于設(shè)計和操作，程序執(zhí)行時間短。字符識別的基本方法通常又三類：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹配的方法，即是將要識別的字符與事先構(gòu)造好的模板進行比對，根據(jù)與模板的相似度的大小來確定最終的識別結(jié)果。但是系統(tǒng)本身還存在許多不足，距離具體實用的要求仍有很大差距，但我卻在這次課程

26、設(shè)計中學(xué)到了很多知識。體會課程設(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。通過這次課程設(shè)計使我明白(mng bai)了自己原來知識還比較欠缺。這個課程設(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(dling)的資料，得到了老師和同學(xué)的幫助，我在此對他們(t men)表示謝意。在這期間遇到了很多困難，我知道做什么都不容易，只能塌下心來，一步一個腳印的去完成才行。這學(xué)期我們學(xué)習(xí)了數(shù)字圖像處理這門課程，在這個課程設(shè)計中應(yīng)用到了很多其中的知識。理論只有應(yīng)用到實際中才能學(xué)著更有意義。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)。此外，還得出一個結(jié)論：知識必須通過應(yīng)用才能實現(xiàn)其價值！有些東西以為學(xué)會了，但真正到用的時候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會用的時候才是真的學(xué)會了。在整個設(shè)計中我懂得了許多東西，也培養(yǎng)了我獨立工作的能力，樹立了信心，相信會對今后的學(xué)習(xí)工作生活有非常重要的影響。同樣此次課程設(shè)計也大大提高了動手的能力，使我充分體會到了在創(chuàng)造過程中探索的艱難和成功時的喜悅。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。參考文獻 1 岡薩雷斯數(shù)字圖