圖像處理和理解PAGEPAGE1目錄TOC\o"1-3"\f\h\z1.整體方案設(shè)計 32.各模塊具體實(shí)現(xiàn) 52.1原始圖像 52.2圖像灰度化處理 52.3車牌定位 62.4車牌字符的分割 72.5車牌字符識別 93.程序調(diào)試與結(jié)果分析 104.總結(jié) 105.附錄 11摘要：當(dāng)今生活中汽車的作用越來越重要，帶給了人們生活無盡便利，車輛總數(shù)越來越大，對汽車的管理也越來越困難。在這樣的背景下圖像處理領(lǐng)域內(nèi)的汽車車牌識別技術(shù)具有巨大實(shí)用性的意義，而MATLAB有其突出的處理圖像數(shù)據(jù)的能力，運(yùn)用MATLAB實(shí)現(xiàn)對圖像的預(yù)處理、車牌定位、車牌字符分割以及字符識別，進(jìn)行車牌的自動識別。關(guān)鍵詞：MATLAB；圖像處理；車牌定位；字符分割；字符識別整體方案設(shè)計TC"1.整體方案設(shè)計"\fC車牌識別的整體方案流程圖如下：圖像采集包括CCD攝像機(jī)、照明設(shè)備、圖像采集卡等。感應(yīng)設(shè)備發(fā)出的信號出發(fā)圖像采集卡，采集卡將模擬信號轉(zhuǎn)換為數(shù)字信號后送到計算機(jī)。圖像預(yù)處理：因?yàn)檐嚺茍D像都是在室外拍攝的，所以會受到光照、氣候等因素的影響，而且車輛的移動會造成圖像的模糊。要去除這些干擾就得先對車牌圖像進(jìn)行預(yù)處理。由于當(dāng)前數(shù)碼相機(jī)的像素較高，原始圖像的數(shù)據(jù)一般比較大，輸入的彩色圖像包含大量顏色信息，會占用較多的存儲空間，且處理時也會降低系統(tǒng)的執(zhí)行速度。因此對圖像進(jìn)行識別等處理時，常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度。對圖像進(jìn)行灰度化處理后常用的方法是圖像二值化、去除背景圖像、增強(qiáng)處理、邊緣檢測、濾波等處理等。車牌定位方法：車牌識別前期的關(guān)鍵就是準(zhǔn)確定位車牌的位置，然后才能進(jìn)行車牌中字符的識別。經(jīng)過查閱資料發(fā)現(xiàn)目前主要有以下四種車牌定位的方法：基于灰度邊緣檢測與形態(tài)學(xué)重構(gòu)的方法。這種方法只要利用車牌區(qū)域局部對比度明顯和有規(guī)律的紋理特征來定位，然后利用形態(tài)學(xué)方法將車牌區(qū)域與其它背景區(qū)域分離?；谥本€檢測的方法。這種方法主要Hough變換的方法來檢測車牌周圍邊框直線，利用車牌形狀特性來定位車牌。根據(jù)車牌的固有長寬比進(jìn)行定位的方法。因?yàn)橹型廛嚺频拈L寬比都是固定的3.1：1，在預(yù)處理完成后對二值化的圖像進(jìn)行膨脹腐蝕，計算聯(lián)通區(qū)域長寬比確定車牌位置?；诓噬珗D像的車牌定位方法?，F(xiàn)在的牌照有四種類型:第一種是最常見的小型汽車所用的藍(lán)底白字牌照；第二種是大型汽車所用的黃底黑字牌照；第三種是軍用或警用的白底黑字、紅字牌照；第四種是國外駐華機(jī)構(gòu)用的黑底白字、紅字牌照?；诓噬珗D像的車牌定位方法主要利用車牌顏色與車身其他部位顏色具有明顯不同的差異來分割與提取車牌。為了與課程內(nèi)容聯(lián)系我選擇了第一種方法進(jìn)行實(shí)驗(yàn)，即邊緣檢測與形態(tài)學(xué)重構(gòu)的方法。字符分割：字符分割是指將車牌區(qū)域分割成單個的字符區(qū)域，分割越準(zhǔn)確，識別效果越好。目前有許多種車牌字符分割算法，由于在車牌字符分割中存在噪聲干擾，邊框、鉚釘影響，車牌旋轉(zhuǎn)和光照不均等問題，造成分割不準(zhǔn)確，甚至分割錯誤，目前很難找到普遍適用的分割方法。常用的字符分割法主要是基于投影分析字符的分割方法和基于連通域分析的字符分割方法。投影分析常采用的是水平投影法，即沿水平方向計算每一列屬于車牌字符的象素數(shù)目，在字符的間隙處取得局部最小值，分割位置應(yīng)在其附近。先根據(jù)車牌水平投影的統(tǒng)計特征呈現(xiàn)出明顯“波峰——波谷——波峰”，進(jìn)行水平方向上的粗分割，若字符出現(xiàn)合并和粘連現(xiàn)象，再采用遞歸回歸辦法進(jìn)行二次字符分割。投影法進(jìn)行字符分割實(shí)現(xiàn)起較為簡單，但在預(yù)處理效果不好的情況下，較難獲得滿足條件的列。若增加預(yù)處理，則使處理后的圖像不可避免地?fù)p失一部分有用信息，還可能導(dǎo)致額外誤差?；谶B通域聚類分析切分車牌字符的方法按照屬于同一個字符的像素構(gòu)成一個連通域的原則，結(jié)合牌照字符的固定高度和間距比例關(guān)系等先驗(yàn)知識，較好地解決了汽車牌照在復(fù)雜背景條件下的字符切分問題，降低了對車牌定位準(zhǔn)確度的要求，對不規(guī)范的車牌識別也具有一定的適用性。字符識別方法：現(xiàn)階段主要使用的方法是基于模板匹配和神經(jīng)網(wǎng)絡(luò)的方法。模板匹配法是最簡單的一種字符識別方法。將待識別字符經(jīng)分割歸一化成模板字體的大小，將它輸入字符識別模塊進(jìn)行匹配。根據(jù)實(shí)際字符和模板圖像之間匹配方差最小的原則，判定車牌圖像字符所屬類別。這種方法對于標(biāo)準(zhǔn)、規(guī)范的字符識別效果較好。但在復(fù)雜環(huán)境下的車牌字符會與理想模板字符不完全一致，這導(dǎo)致了識別結(jié)果存在較大誤差。模版匹配法簡單、成熟，但其自適應(yīng)不強(qiáng)。對于字符有斷裂和粘連等情況容易造成誤判。神經(jīng)網(wǎng)絡(luò)匹配法具有良好的容錯性、自適應(yīng)和學(xué)習(xí)能力，但樣本的訓(xùn)練收斂速度慢，而大規(guī)模并行處理為此提供了解決途徑。其中一種方法是采用并行識別的BP網(wǎng)絡(luò)，讓漢字、英文、阿拉伯?dāng)?shù)字，阿拉伯?dāng)?shù)字分別送到各自的網(wǎng)絡(luò)識別。還有學(xué)者結(jié)合小波變化的優(yōu)點(diǎn)，提出基于小波和BP神經(jīng)網(wǎng)絡(luò)的車牌字符識別新方法，采用小波變換提取字符特征，神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)字符識別，加快了算法的執(zhí)行，提高了識別率。各模塊具體實(shí)現(xiàn)TC"2.各模塊具體實(shí)現(xiàn)"\fC原始圖像TC"2.1原始圖像"\fC如下：圖像灰度化處理TC"2.2圖像灰度化處理"\fC由于彩色圖像含有大量的顏色信息，它的存儲空間占用大。如果直接使用彩色圖像將大大降低圖像處理的速度，通過將圖像灰度化處理將彩色圖像轉(zhuǎn)換為256個級別的灰度圖像可以大大減小存儲量和提高處理速度。Prewitt算子是一種一階微分算子的邊緣檢測，利用像素點(diǎn)上下、左右鄰點(diǎn)的灰度差，在邊緣處達(dá)到極值檢測邊緣，去掉部分偽邊緣，對噪聲具有平滑作用。與使用Sobel算子的方法一樣，圖像中的每個點(diǎn)都用兩個核進(jìn)行卷積，取最大值輸出。它與Sobel算子不同，這一算子沒有把重點(diǎn)放在接近模板中心的像素點(diǎn)。Prewitt邊緣檢測算子近似計算對x和y的偏導(dǎo)數(shù)：計算出，的值后，用下式計算點(diǎn)處的梯度值：計算出各點(diǎn)的值后，設(shè)定一個合適的閾值T，如果處的則認(rèn)為該點(diǎn)的邊緣點(diǎn)。由于車牌一般是由字符、背景和邊框組成，提取圖像的邊緣圖像后，在字符與背景處就形成了較強(qiáng)的邊緣。再考慮汽車本身的特點(diǎn)，通常車牌位于汽車緩沖器上或附近，靠近整幅圖像的下部，在往下便是路面，路面一般是比較光滑，因此可以在邊緣提取時就很有效的將這部分雜質(zhì)濾除掉，而使干擾圖像的噪聲處于車牌之上，如車燈，或散熱片。進(jìn)行邊緣檢測后，使用自定義線性結(jié)構(gòu)元素se=[1;1;1]進(jìn)行圖像邊緣的腐蝕，得到更加清晰的邊緣圖像。然后使用矩形結(jié)構(gòu)元素對圖像進(jìn)行聚類和填充。最后通過bwareaopen(I4,2000);去除灰度團(tuán)小于2000的部分。下圖是經(jīng)過邊緣提取、腐蝕、填充、形態(tài)濾波得到最終的邊緣圖像。車牌定位TC"2.3車牌定位"\fC車牌定位問題其本質(zhì)就是圖像的分割問題，即如何把具有特征性或規(guī)律性的區(qū)域提取出來的過程。圖像分割是由圖像處理轉(zhuǎn)到圖像分析的關(guān)鍵。一方面，它是目標(biāo)圖像表達(dá)的基礎(chǔ)，對特征測量有重要的影響。另一方面，圖像分割和分割的且標(biāo)表達(dá)、特征提取和參數(shù)測量等將原始圖像轉(zhuǎn)化為數(shù)學(xué)表達(dá)形式，使得利用計算機(jī)進(jìn)行圖像分析和理解成為可能。采用行列像素點(diǎn)灰度值累計的統(tǒng)計方法來定位車牌的位置，車牌內(nèi)的行和列的像素點(diǎn)灰度值的累計和會較大，因此得到灰度值累積和的多出峰值就能夠確定車牌的起始和終止的行和列，進(jìn)而確定車牌位置。下圖是行列像素點(diǎn)灰度值累計和的曲線，車牌位置可以從圖中觀察得到。用上圖計算得到的車牌位置坐標(biāo)去截取彩色圖像，得到彩色車牌：車牌字符的分割TC"2.4車牌字符的分割"\fC確定車牌位置后下一步的任務(wù)就是進(jìn)行字符切分分離出車牌號碼的全部字符圖像?？紤]到基于投影分析字符的分割方法和基于連通域分析的字符分割方法實(shí)現(xiàn)起來比較復(fù)雜，于是我就綜合前人方法總結(jié)出自己的算法。車牌字符分割包括字符分割和單個字符識別兩個模塊?？紤]到獲取的圖像可能存在一定缺陷，因此在進(jìn)行字符分割之前要先對定位后的車牌圖像進(jìn)行預(yù)處理，以方便后面的工作車牌上共有7個字符，間距相等，設(shè)平均字寬為，還有一個分隔符“﹒”占1/2字寬。通過之前的預(yù)處理，可以將分隔符“﹒”用濾波器去掉。設(shè)是文字的二維點(diǎn)陣圖形，有文字處為1，否則為0。首先在處切割，若兩個文字相粘連時，其間隔處便不會出現(xiàn)，此時就要輔之以求平均字寬的方法。若某個字寬，說明中含有一個以上的文字，需要繼續(xù)分割。由于在字符識別中我準(zhǔn)備采用模板匹配的方法，因此需要將已分割出來的字符進(jìn)行歸一化處理。因?yàn)槲宜捎玫哪０宓某叽鐬?，因此需要將分割出來的字符也歸一化為40×20的尺寸。首先對彩色車牌進(jìn)行二值化：g_max=double(max(max(I1)));g_min=double(min(min(I1)));T=round(g_max-(g_max-g_min)/3);通過以上代碼得到原彩色圖像的灰度圖像的二值化閾值，使用這個閾值將彩色車牌灰度化后的灰度圖像二值化為黑白圖像，便于車牌中字符的識別。下圖為二值化的車牌圖像：同樣通過形態(tài)學(xué)濾波，去掉像素點(diǎn)小于500的區(qū)域，由于車牌中漢字有比較小的筆劃容易被濾除，所以像素點(diǎn)的個數(shù)不宜取的過大。經(jīng)過濾波后的黑白車牌圖像圖下圖所示：由于濾波的作用字母A后面的圓點(diǎn)消失了。接下來通過列像素點(diǎn)灰度值累計和來分割字符。由于車牌字符間有空隙，因此累計和的圖像上一定有多出為0的列，按照這些為0的列來分割車牌就能夠達(dá)到理想的提取字符的目的。采用的方法同車牌定位的方法相同。下圖是列方向上的像素點(diǎn)灰度值累計和曲線：觀察上圖，車牌被6個灰度值累計和為0的列區(qū)域分為很明顯的七個區(qū)域，即七個字符所在的位置。最后得到七個字符的圖像：車牌字符識別TC"2.5車牌字符識別"\fC對分割出來的字符進(jìn)行識別的方法很多，主要有以下幾種方法：A.利用字符的結(jié)構(gòu)特征和變換（如Fourier變換、Karhunen-Loeve變換等）進(jìn)行特征提取。該方法對字符的傾斜、變形都有很高的適應(yīng)性，但運(yùn)算量大，對計算機(jī)性能的要求較高。B．利用字符統(tǒng)計特征進(jìn)行特征提取。如提取字符的投影特征、網(wǎng)格特征和輪廓特征組成字符特征矢量進(jìn)行匹配的方法，識別率較高。C．基于字符結(jié)構(gòu)分析的識別方法。該方法可以識別有較大旋轉(zhuǎn)、變形、縮放的字符圖像，但需要進(jìn)行復(fù)雜的字符筆劃分析和抽取，對字圖像質(zhì)量要求較高。D．模板匹配法。由于車輛牌照字符中只有26個大寫英文字母、10個阿拉伯?dāng)?shù)字和約50個漢字，所以字符集合較小，該方法對于有一定變形、污損或筆畫缺損的字符圖像有較好的識別效果，總體識別率較高，同時也能滿足實(shí)時性的要求?？紤]到本字符識別只涉及31個漢字26個字母以及10個數(shù)字，字符庫很容易建立，運(yùn)用模板匹配法應(yīng)該是最好的選擇。首先需要建立字庫，可將每個字符模板(模板均為二值圖像)按約定好的順序大小依次排入一張.bmp圖中，再用matlab調(diào)用圖片與所要識別圖像用corr2（）函數(shù)一一比較，找出其中最大值及其對應(yīng)位置編號再用switch函數(shù)賦相應(yīng)的值即完成。最終識別結(jié)果：程序調(diào)試與結(jié)果分析TC"3.程序調(diào)試與結(jié)果分析"\fC在程序設(shè)計過程中，碰到很多的問題。一個函數(shù)只能對灰度圖像處理，不能對RGB圖像處理，那么如何才能對RGB圖像處理呢？這主要是對MATLAB函數(shù)的不夠清楚，用到的很多函數(shù)是針對二維數(shù)據(jù)的，而RGB圖像的數(shù)據(jù)是一個三維矩陣，所以處理要與灰度圖像不同，在開始的時候，我認(rèn)為應(yīng)該找一個能夠應(yīng)用于三維矩陣的函數(shù)，結(jié)果卻沒找到，后來想到可以把三維數(shù)據(jù)進(jìn)行降維處理，同樣使用二維的函數(shù)，只要是同樣處理三次。比如，彩色圖像的濾波處理，直方圖均衡等。同一個操作對灰度圖像可以使用，當(dāng)用戶選擇的是彩色圖像時，該操作就會出錯？這是由于設(shè)計程序時，本身程序是有針對性的，有些程序只能對灰度圖像有效，有些對彩色圖像有效，但是用戶并不清楚這些，所以在設(shè)計的過程中就要考慮全面，要分開設(shè)計。在本次課程設(shè)計中，我均對每個程序的開始時，用ifisrgb（x）進(jìn)行判斷。經(jīng)過幾幅圖像的測試，本系統(tǒng)都能較好的識別出來，但系統(tǒng)還是存在適用范圍，對于車牌在整副圖片中占的比例很小時不能夠準(zhǔn)確的識別，受到背景的干擾十分嚴(yán)重，所以在應(yīng)用時應(yīng)該盡可能獲得足夠清晰的車牌，并且車牌在整幅照片中應(yīng)該占有相當(dāng)大的比例。在邊緣檢測階段嘗試了不同的邊緣檢測算子，并且對其效果進(jìn)行了比較。梯度算子計算簡單，但精度不高，只能檢測出圖像大致的輪廓，而對于比較細(xì)的邊緣可能會忽略。Prewitt和Sobel算子比Roberts效果要好一些。Canny算子的檢測效果優(yōu)于梯度算子，能夠檢測出圖像較細(xì)的邊緣部分。不同的系統(tǒng)，針對不同的環(huán)境條件和要求，選擇合適的算子來對圖像進(jìn)行邊緣檢測?？偨Y(jié)TC"4.總結(jié)"\fC本次作業(yè)我主要是對車牌識別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識別等方面進(jìn)行了系統(tǒng)的分析。通過這次車牌識別系統(tǒng)的課程設(shè)計的完成，對數(shù)字圖像處理和理解課程的作用和意義有了更深的理解，對課程所教授的內(nèi)容也在實(shí)踐中靈活運(yùn)用加深了印象，也學(xué)會了運(yùn)用MATLAB這一數(shù)學(xué)編程工具。對于科研的一般過程有了了解。同時也提升了獨(dú)立解決問題的能力，以及一些自己的創(chuàng)新能力?？偨Y(jié)起來主要有以下三點(diǎn)：1、鞏固了數(shù)字圖像處理課上所學(xué)的知識，比如濾波、膨脹、腐蝕、邊緣提取等等。2、通過這次大作業(yè)使我對Matlab的使用更加熟練了。3、為了完成車牌識別系統(tǒng)，從網(wǎng)上查閱了不少資料，與同學(xué)交流經(jīng)驗(yàn)和自學(xué)，使自己學(xué)到了不少知識，也經(jīng)歷了不少艱辛，在整個設(shè)計中我懂得了許多東西，也培養(yǎng)了我獨(dú)立工作的能力，樹立了對自己工作能力的信心，相信會對今后的學(xué)習(xí)工作生活有非常重要的影響。參考文獻(xiàn)[1]崔江、王友仁.車牌自動識別方法中的關(guān)鍵技術(shù)研究.計算機(jī)測量與控制，2003.11[2]崔江王友仁.車牌自動識別方法中的關(guān)鍵技術(shù)研究[J]計算機(jī)測量與控制，2003.11（4）[3]王剛，冀小平.基于MATLAB的車牌識別系統(tǒng)的研究.中國科技論文在線[4]潘中杰,車牌自動識別技術(shù)的研究與實(shí)現(xiàn),廣東:中山大學(xué),2007[5]孫彬.車牌自動識別圖像處理關(guān)鍵技術(shù)研究.電子科技大學(xué)學(xué)位論文附錄TC"5.附錄"\fC字符提取程序代碼：I=imread('P1.jpg');%?áè?í???figure();imshow(I),title('?-ê?í???');I1=rgb2gray(I);%×a?ˉ?a?ò?èí???figure();imshow(I1),title('?ò?èí???');I2=edge(I1,'prewitt',0.065,'both');%2éó?robert??×ó??DD±??μ?ì2a%I2=edge(I1,'robert');%2éó?robert??×ó??DD±??μ?ì2afigure();subplot(2,2,1),imshow(I2),title('±??μ?ì2aoóí???');se=[1;1;1];%??Dí?á11?a??I3=imerode(I2,se);%?ˉê′í???subplot(2,2,2),imshow(I3),title('?ˉê′oó±??μí???');se=strel('rectangle',[25,25]);%??D??á11?a??I4=imclose(I3,se);%í?????àà?￠ì?3?í???subplot(2,2,3),imshow(I4),title('ì?3?oóí???');I5=bwareaopen(I4,2000);%è￥3y??í??ò?è?μD?óú2000μ?2?·?subplot(2,2,4),imshow(I5),title('D?ì???2¨oóí???');[y,x,z]=size(I5);I6=double(I5);Y1=zeros(y,1);fori=1:yforj=1:xif(I6(i,j,1)==1)Y1(i,1)=Y1(i,1)+1;endendend[tempMaxY]=max(Y1);figure();subplot(1,2,1),plot(0:y-1,Y1),title('DD·??ò????μ??ò?è?μà???oí'),xlabel('DD?μ'),ylabel('????');%%%%%%%?óμ?3μ??μ?DD?eê?????oí???1????%%%%%%%%%PY1=MaxY;while((Y1(PY1,1)>=50)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while((Y1(PY2,1)>=50)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);X1=zeros(1,x);forj=1:xfori=PY1:PY2if(I6(i,j,1)==1)X1(1,j)=X1(1,j)+1;endendendsubplot(1,2,2),plot(0:x-1,X1),title('áD·??ò????μ??ò?è?μà???oí'),xlabel('áD?μ'),ylabel('????');%%%%%%%?óμ?3μ??μ?áD?eê?????oí???1????%%%%%%%%%PX1=1;while((X1(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while((X1(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;PX2=PX2+1;%·???3?3μ??í???%dw=I(PY1:PY2,PX1:PX2,:);figure();imshow(dw),title('?¨?????Doóμ?2êé?3μ??í???');I1=rgb2gray(I);%??RGBí???×a?ˉ?a?ò?èí???g_max=double(max(max(I1)));g_min=double(min(min(I1)));T=round(g_max-(g_max-g_min)/3);%T?a?t?μ?ˉμ??D?μI1=im2bw(dw,T/256);figure();imshow(I1),title('?t?μ?ˉ3μ??í???');I2=bwareaopen(I1,500);figure();imshow(I2),title('D?ì??§??2¨oóμ??t?μ?ˉí???');%%?μá·?ù±??°?ú′|àíI1=rgb2gray(I);I1=imresize(I1,[5025]);%??í???í3ò????a50*25′óD?I1=im2bw(I1,0.9);[m,n]=size(I1);inpt=zeros(1,m*n);%%??í???°′áD×a??3éò???DD?òá?forj=1:nfori=1:minpt(1,m*(j-1)+i)=I1(i,j);endend%end%StringSplitoˉêy￡o%function[PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6]=StringSplit(I2)[y1,x1,z1]=size(I2);I3=double(I2);TT=1;%%%%%%%è￥3yí????￥??oíμ×??μ?2??DD?è¤??óò%%%%%Y1=zeros(y1,1);fori=1:y1forj=1:x1if(I3(i,j,1)==1)Y1(i,1)=Y1(i,1)+1;endendendPy1=1;Py0=1;while((Y1(Py0,1)<20)&&(Py0<y1))Py0=Py0+1;endPy1=Py0;while((Y1(Py1,1)>=20)&&(Py1<y1))Py1=Py1+1;endI2=I2(Py0:Py1,:,:);figure();imshow(I2),title('??±ê3μ????óò');%%%%%%·???×?·?°′DD?yà?á?%%%%%%%X1=zeros(1,x1);forj=1:x1fori=1:y1if(I3(i,j,1)==1)X1(1,j)=X1(1,j)+1;endendendfigure();plot(0:x1-1,X1),title('áD·??ò????μ??ò?è?μà???oí'),xlabel('áD?μ'),ylabel('à???????á?');Px0=1;Px1=1;%%%%%%%%%%%%·???×?·?%%%%%%%%%%%%%%%%%%fori=1:7while((X1(1,Px0)<3)&&(Px0<x1))Px0=Px0+1;endPx1=Px0;while(((X1(1,Px1)>=3)&&(Px1<x1))||((Px1-Px0)<10))Px1=Px1+1;endZ=I2(:,Px0:Px1,:);switchstrcat('Z',num2str(i))case'Z1'PIN0=Z;case'Z2'PIN1=Z;case'Z3'PIN2=Z;case'Z4'PIN3=Z;case'Z5'PIN4=Z;case'Z6'PIN5=Z;otherwisePIN6=Z;endfigure(11);subplot(1,7,i);imshow(Z);Px0=Px1;End模板匹配法識別字符程序代碼：liccode=char(['0':'9''A':'Z''???￥é??3']);%?¨á￠×??ˉê?±e×?·?′ú??±íSubBw2=zeros(40,20);I=1;forI=1:7ii=int2str(I);t=imread([ii,'.jpg']);SegBw2=imresize(t,[4020],'nearest');ifl==1