摘要隨著科學(xué)技術(shù)的迅速發(fā)展和日常生活質(zhì)量的提高，汽車數(shù)量在國家總數(shù)中迅速增加。目前，中國的汽車數(shù)量已增加到120萬輛，占世界汽車總量的12％，成為世界上第二個汽車國家。而且這個數(shù)字還在不斷增加。當(dāng)然，隨著車輛數(shù)量的增加，道路的擴(kuò)大和擴(kuò)大，這些車輛的管理越來越受到關(guān)注，成為研究中非常重要的問題。該學(xué)科的主要研究任務(wù)依賴于車輛識別，即車牌識別。車牌識別的一般步驟主要由三部分組成：車牌位置，車牌標(biāo)記分割和車牌識別。這三部分構(gòu)成了識別車牌照的完整過程。對于有限的能量，本文僅分三步檢查車牌和標(biāo)記分割定位。本節(jié)中使用的定位方法通過特定算法的篩選過程掃描水平和垂直定位板標(biāo)記，定位板標(biāo)記和下板之間的色差特征，以確定定位板的位置車牌及其分離面基于功能執(zhí)行。主要算法是通過使用Prewitt算子的邊緣檢測比較車牌邊緣的信息來定位板的垂直方向并且，為了根據(jù)色差的特征去除關(guān)于干涉邊緣的特定信息，根據(jù)車牌的格式，指定綁定域的組合邊緣點(diǎn)。功能和采用AdaBoost方法強(qiáng)調(diào)定位板的圖像，傾斜抗蝕劑板的校正圖像，并繼續(xù)去除干涉信息以去除上邊界和下邊界以及左邊界和右邊界以獲得抗蝕劑板的正確區(qū)域。通過仿真分析，該算法可以很好地找到定位板的圖像，可對單車牌圖像和多車牌圖像都適用，定位成功率高，靈活性好。第二部分是配準(zhǔn)板的分割，在第一階段，配準(zhǔn)板的正確放置圖像，即分析典型的標(biāo)記分割方法，被分成單個字符。關(guān)鍵詞：車牌定位多特征與多方法字符分割模板匹配Abstract:Withtherapiddevelopmentofscienceandtechnologyandtheimprovementofthequalityofdailylife,thenumberofcarshasincreasedrapidlyinthetotalnumberofcountries.Atpresent,thenumberofcarsinChinahasincreasedto1.2million,accountingfor12%oftheworld'stotalcar,becomingthesecondcarcountryintheworld.Andthisnumberisstillincreasing.Ofcourse,withtheincreaseinthenumberofvehiclesandtheexpansionandexpansionofroads,themanagementofthesevehicleshasreceivedincreasingattentionandbecomeaveryimportantissueinresearch.Themainresearchtaskofthedisciplinereliesonvehicleidentification,ielicenseplaterecognition.Thegeneralstepsoflicenseplaterecognitionaremainlycomposedofthreeparts:licenseplateposition,licenseplatemarksegmentationandlicenseplaterecognition.Thesethreepartsconstitutethecompleteprocessofidentifyingthelicenseplate.Forlimitedenergy,thisarticleonlyexaminesthelicenseplateandmarkersegmentationinthreesteps.Thepositioningmethodusedinthissectionscansthehorizontalandverticalpositioningplatemarksbyaspecificalgorithm'sscreeningprocess,andlocatesthecolordifferencecharacteristicsbetweentheplatemarkandthelowerplatetodeterminethepositionofthepositioningplateanditsseparationsurfacebasedonfunctionexecution.ThemainalgorithmistolocatetheverticaldirectionoftheboardbycomparingtheinformationoftheedgeofthelicenseplateusingtheedgedetectionofthePrewittoperatorand,inordertoremovethespecificinformationabouttheinterferenceedgeaccordingtothefeatureofthecolordifference,specifythecombinededgepointofthebindingdomainaccordingtotheformatofthelicenseplate..FunctionandusetheAdaBoostmethodtoemphasizetheimageofthepositioningplate,tiltthecorrectedimageoftheresistplate,andcontinuetoremovetheinterferenceinformationtoremovetheupperandlowerboundariesandtheleftandrightboundariestoobtainthecorrectareaof??theresistplate.Throughsimulationanalysis,thealgorithmcanfindtheimageofthepositioningplatewell,anditcanbeappliedtoboththelicenseplateimageandthemulti-licenseplateimage.Thepositioningsuccessrateishighandtheflexibilityisgood.Thesecondpartisthedivisionoftheregistrationplate.Inthefirststage,thecorrectplacementoftheimageoftheregistrationplate,ietheanalysisofthetypicalmarksegmentationmethod,isdividedintoindividualcharacters.Keywords:licenseplatelocation,multiplefeaturesandmultiplemethods,charactersegmentation,templatematching目錄摘要 1第一章 緒論 31.1本文的背景及意義 31.2車牌識別的國內(nèi)外研究動向 31.3國內(nèi)車牌的特征 5第二章 幾種車牌定位方法簡析 72.1依據(jù)灰度圖像的車牌定位 82.1.1依據(jù)邊緣檢測進(jìn)行車牌定位 82.1.2依據(jù)車牌紋理特點(diǎn)的定位方法 102.1.3依據(jù)形態(tài)學(xué)定位方法 112.2依據(jù)彩色圖像進(jìn)行車牌定位 12第三章 基于多特征與多方法篩選的車牌定位 143.1本文車牌定位步驟 143.1.1預(yù)處理灰度化 153.1.2使用小波變換濾波 153.1.3邊緣檢測凸顯細(xì)節(jié)特征 193.2傾斜校正與邊緣修整 203.3本文定位算法分析 213.4本章小結(jié) 22第四章 基于MATLAB的車牌識別 233.1MATLAB簡介 233.2設(shè)計(jì)方案 243.3圖像的邊緣檢測 243.4車牌定位和分割 273.5字符的識別 29第五章 總結(jié)與展望 325.1論文總結(jié) 325.2工作展望 32致謝 33參考文獻(xiàn) 34附錄 35緒論1.1本文的背景及意義隨著科學(xué)技術(shù)的飛速發(fā)展和社會生活水平的不斷提高，世界交通運(yùn)輸業(yè)的發(fā)展也取得了長足的發(fā)展。人們在車到達(dá)之前走路和騎馬。旅行的時間是時間。汽車的出現(xiàn)改變了現(xiàn)狀：汽車擴(kuò)大了人們的生活范圍。我與人們建立了一個簡單而快速的聯(lián)系。并且不受距離或地理環(huán)境的限制。這加強(qiáng)了相互溝通。促進(jìn)社會進(jìn)步。目前，中國的汽車數(shù)量已增加到1200萬輛，占世界汽車總數(shù)的12％，成為世界第二大汽車國家，并且數(shù)量在不斷增加。當(dāng)然，隨著車輛數(shù)量的增加，道路的擴(kuò)大和擴(kuò)大，這些車輛的管理越來越受到關(guān)注，成為研究中非常重要的問題。該學(xué)科的主要研究任務(wù)依賴于車輛識別，即車牌識別。登記牌的識別在智能交通系統(tǒng)中起著重要作用。智能交通系統(tǒng)的定義是基于許多先進(jìn)技術(shù)的使用，如自動道路交通監(jiān)控，數(shù)字成像技術(shù)管理，控制，通信技術(shù)等。其中，車牌識別系統(tǒng)廣泛用于道路交通監(jiān)控，自動道路收費(fèi)和智能園區(qū)管理。這些特定應(yīng)用可減少流量，降低勞動力成本，提高效率并改善管理結(jié)果。因此，車牌識別系統(tǒng)認(rèn)可制度的應(yīng)用對整個國民經(jīng)濟(jì)的發(fā)展起到了積極作用。1.2車牌識別的國內(nèi)外研究動向以下簡要介紹了對國外和國家注冊板塊的認(rèn)可以及現(xiàn)有研究成果的研究趨勢。首先，對外國板塊識別的研究出現(xiàn)得更早，并且有許多成熟的算法。他們在車牌識別算法中使用了先進(jìn)的數(shù)字圖像處理和模式識別算法的優(yōu)秀算法。他們的算法計(jì)算所有圖像中的配準(zhǔn)板區(qū)域的直方圖邊界，執(zhí)行大量圖像處理實(shí)驗(yàn)并且基于先前的知識和圖像直方圖的限制來確定配準(zhǔn)板的面積。識別車牌標(biāo)記，以達(dá)到識別目的。P.V。Suryanarayana和他們提出了一種算法，該算法首先使用二進(jìn)制算法對包含車牌的圖像進(jìn)行二值化，然后使用邊緣檢測算子來獲取近海物體的圖像。接下來，通過表征定位板區(qū)域的長度，寬度和比例，該算法搜索定位板的所有可能區(qū)域，然后通過打開和移除一些不具有定位板區(qū)域的典型特征的候選區(qū)域。關(guān)閉操作并最終通過車板的地板區(qū)域。對比度和背景顏色功能分離對齊板的目標(biāo)區(qū)域的圖像。EunRyungLee提出的算法和它使用流行的神經(jīng)網(wǎng)絡(luò)應(yīng)用技術(shù)將圖像中的每個特定像素分類和分類成幾組。然后將圖像轉(zhuǎn)換為HIS顏色空間，找到每個像素的八個字段中的每個字段中的顏色分量的最大值作為該點(diǎn)的顏色的值，并逐個處理像素。然后以顏色直方圖的形式搜索配準(zhǔn)板的區(qū)域，并使用HV顏色直方圖方法進(jìn)行劃分，并將字符劃分為單獨(dú)的單元，并使用傳統(tǒng)模板獲得識別的最終結(jié)果。匹配方法識別劃分的字符。軸：Notturmo，Gramieri等人為其國家車牌的特征設(shè)計(jì)了車牌識別系統(tǒng)，該識別系統(tǒng)的名稱是TELEPASS。英國也有自己的車牌識別系統(tǒng)，稱為RGUS。該系統(tǒng)更先進(jìn)，功能齊全。識別時間僅為100毫秒左右，可以準(zhǔn)確識別高速車輛。其他發(fā)達(dá)國家，如美國，日本和德國，都有與其國家車牌相對應(yīng)的車牌識別系統(tǒng)。我們國家車牌照識別系統(tǒng)的發(fā)展比國外發(fā)達(dá)國家要晚，但目前有幾種識別適用于中國車職能的車牌系統(tǒng)。例如，武漢大學(xué)的YuXiao和LiMulong提出了一種車牌定位算法。該算法基于配準(zhǔn)板區(qū)域標(biāo)記的特征和下板的顏色特征以及配準(zhǔn)板標(biāo)記區(qū)域的特殊發(fā)票。首先使用基本算法，數(shù)學(xué)形態(tài)學(xué)和邊緣檢測來找到定位板的可能區(qū)域，然后使用定位板的區(qū)域標(biāo)記和底板的顏色特征來移除定位板的區(qū)域以獲得有關(guān)的信息。目標(biāo)板華中科技大學(xué)沉世炎和盛玉芝提出的算法是基于灰度映射算法。他們將彩色圖像轉(zhuǎn)換為灰色圖像，然后使用邊界檢測算法獲取邊界檢測圖像二進(jìn)制檢測圖像使用指定的二進(jìn)制算法進(jìn)行二值化，然后通過橫向投影，根據(jù)投影功能是對準(zhǔn)板的橫向區(qū)域。最后，垂直投影功能用于分割印版標(biāo)記。其他學(xué)者還提出了許多用于識別車牌位置的算法。有幾個產(chǎn)品已完成產(chǎn)品并已收到申請，如中國科學(xué)院漢王眼科自動化研究所和香港亞光視覺技術(shù)有限公司惠光車牌識別系統(tǒng)。1.3國內(nèi)車牌的特征與其他國家的車牌相比，中國車牌相對具有特色，因此我們首先需要了解中國車牌照結(jié)構(gòu)的特點(diǎn)，這對我們使用車牌識別方法有很大幫助。每個國家都根據(jù)國情和中國設(shè)計(jì)，生產(chǎn)和使用自己的車牌。與其他國家的車牌照相比，中國的地方原因和中國標(biāo)識的復(fù)雜性使得中國的車牌照相對復(fù)雜。在本章中，我們將使用中國公安部公布的“中華人民共和國車輛數(shù)字表”的內(nèi)容，更全面地描述中國車牌的特征，將以中國車牌照的形式對其進(jìn)行描述。從形狀，顏色，成分和距離角度進(jìn)行分析。幾何大小我國的車牌幾何形狀根據(jù)車輛的屬性的不同而不同，而且有的車輛前后車牌的大小也不一樣。像小型汽車、警用汽車、教練汽車、港澳出入境機(jī)動車、使領(lǐng)館汽車的前后車牌，還有大型汽車的前車牌，它們的尺寸都是440mm×140mm。輕便摩托車、普通摩托車、使領(lǐng)館摩托車、教練摩托車的前車牌尺寸大小是220mm×95mm，而這些車輛的后車牌和警用摩托車、臨時行駛車的前后車牌的大小是220mm×140mm、大型汽車后面車牌的大小是440mm×220mm，摩托車車牌大小是88mm×60mm，低速車車牌大小是300mm×165mm。2.色彩我國車牌上的字符和字符采用兩種顏色組合，對比明顯，因此車牌明顯不同于其他東西，車牌周圍的框架為黑白色。在正常情況下，大型汽車，汽車，普通摩托車和車輛將使用黃色和黑色車牌，小型車使用藍(lán)白車牌制作來自香港和澳門的領(lǐng)事館和摩托車，出入境車輛。這是一個黑白車牌，使館車牌上的“制造”和“領(lǐng)”字是紅色的。香港的“香港”和“澳大利亞”以及澳門的車牌都是白色的。警車和摩托車在白色背景上使用黑色標(biāo)記，“警察”一詞使用紅色。拖拉機(jī)車牌的顏色在綠色背景上應(yīng)為白色。1.3車牌字符組成在我們國家，現(xiàn)有的車牌按照字符的分布特點(diǎn)，車牌可以分為單行車牌和多行車牌兩種形式的車牌，如圖1.1和圖1.2所示。其中的字符保含漢字、英文字母和阿拉伯?dāng)?shù)字，一副車牌共有7個相應(yīng)的字符組成。第一個字符是是漢字，是各個省、自治區(qū)、直轄市、行政區(qū)的中國特色縮寫，第二個字符是大寫英文字母，是發(fā)牌機(jī)關(guān)的代號，為26個大寫的英文字母中的一個。第三到第六個字符是阿拉伯?dāng)?shù)字或者是除了大寫字母‘I’和‘O’的英文字母，第七個字符是阿拉伯?dāng)?shù)字或者是除了‘I’和‘O’的英文字母，或者是帶有特別含義的漢字，比如“使”、“領(lǐng)”、“學(xué)”、“警”等等。1.4隔斷符的使用在我國，車牌上有一個分區(qū)標(biāo)志，也根據(jù)不同的型號和類別單獨(dú)處理。它的形狀有點(diǎn)狀和矩形塊狀，顏色為黑色和白色。通常，單行車牌在第二和第三字符之間具有分隔符，單行車牌具有在第四和第五字符的中間具有使用對齊板的隔板。大型車輛的后輪上的車板和兩個車輛的車牌在前兩個字符的中間具有它們的分離器。下面的圖1.1和圖1.2表示普通單行和多行車板的結(jié)構(gòu)。幾種車牌定位方法簡析車牌的定位很簡單：為了達(dá)到識別的目的，根據(jù)包含車輛信息的圖像和通過攝影或攝影在生活中獲得的干擾信息，所有關(guān)于干擾的信息都通過科學(xué)精確過濾算法和過程，并且是精確定義的。車牌信息應(yīng)由算法分開。當(dāng)涉及到非常重要時，牌照的位置也是圖像分割的應(yīng)用。圖像分割在整個圖像處理理論框架中起著重要作用，在計(jì)算機(jī)視覺領(lǐng)域也起著重要的研究作用。在完整的牌識別系統(tǒng)的中間，牌的位置基本上是獲得圖像源之后的第一步。定位的準(zhǔn)確性對后期工作產(chǎn)生巨大影響，最終可以發(fā)揮出完美的效果。一個決定性的角色。雖然有很多方法可以實(shí)現(xiàn)它，但定位圖像一直是測試印版識別系統(tǒng)的傳統(tǒng)難題。車牌圖像的定位已達(dá)到當(dāng)前水平，有許多典型的定位算法，如基于圖像邊界檢測的定位算法，基于圖像顏色分割的定位算法，基于波的定位算法和基于數(shù)學(xué)的定位算法。形態(tài)學(xué)算法。算法，定位算法基于車牌區(qū)域的紋理特征等。在總結(jié)和總結(jié)以前的算法之后，可以直接將其分為定位方法的兩個方面。根據(jù)灰度圖像定位車牌的方法和根據(jù)彩色圖像的直接定位方法應(yīng)相應(yīng)地進(jìn)行。2.1依據(jù)灰度圖像的車牌定位彩色圖像包含大量信息，需要大量存儲空間并需要更高的處理設(shè)備條件。當(dāng)我們在開始時沒有這些條件時，我們將彩色圖像轉(zhuǎn)換為灰色圖像，但是灰色圖像仍然包含許多基本特征，例如尺寸，紋理，位置等。由于這些特征，我們也可以從車牌上拍照。找到所需的車牌信息。2.1.1依據(jù)邊緣檢測進(jìn)行車牌定位邊緣概念是在圖像上具有特定特征的一組像素：這些像素的灰度值與圍繞像素的灰度值顯著不同。邊緣的檢測主要是為了突出灰度圖像中所請求信息的邊緣與關(guān)于干擾的周圍信息的邊緣之間的差異，并且已經(jīng)確定了目標(biāo)的位置。該邊界的表征是許多圖像分析理論的基礎(chǔ)，如圖像分割，紋理分析，圖像識別等。在這個發(fā)展階段，有很多邊緣檢測方法，主要涉及以下重要的算子，但是每個算子使用的模型不同，邊緣識別的強(qiáng)度不一樣，效果看起來不同，所以應(yīng)用于不同的場合。Roberts算子：定位比較精確的一種算子，算子的原理是通過部分區(qū)域的方差來搜尋邊緣點(diǎn)。Prewitt和Sobel算子：這兩個算子比較相近，雖然不能對假邊緣完全的濾除掉，但是對圖像中存在的噪聲信息有一定的濾除能力。Laplac算子：該算子對噪聲的影響比較敏感，且容易濾除一部分有用的邊緣信息；但其具有旋轉(zhuǎn)后不改變圖像邊緣特點(diǎn)的特性，同時對階躍型的邊緣信息具有較好的識別能力。對以上四種算子的簡要分析可知，對于不同的圖片，不同的要求，不同的環(huán)境需要尋找不同的邊緣檢測算子來搜尋邊緣信息點(diǎn)，這樣能夠最大程度的保留有用的信息點(diǎn)，濾除最多的干擾邊緣信息點(diǎn)。依據(jù)邊緣檢測特點(diǎn)定位具體流程如圖所示依據(jù)邊緣檢測特點(diǎn)定位過程基于邊緣檢測功能定位定位板的方法定位成功率高由于灰度圖像，定位時間相對較短，適當(dāng)?shù)牟僮髡邔υ肼暡幻舾?，非常適合于。圖像包含許多定位板，不會影響定位所需的時間長度。雖然有很多優(yōu)點(diǎn)，但如果圖像上的牌照不清楚并且由于時間長而顏色不是很大，則可能無法搜索到登記牌的邊框而登記牌的區(qū)域不能被發(fā)現(xiàn)。如果存在大量類似于關(guān)于定位板邊緣的信息的干擾或干擾，則可能定位的定位板區(qū)域?qū)@些大的干涉區(qū)域而不是僅具有定位板標(biāo)記的更準(zhǔn)確區(qū)域。下圖顯示了位于標(biāo)志邊緣附近的干涉區(qū)域之后的定位板圖像出現(xiàn)在定位板上并包含那些干擾區(qū)域的情況。邊緣檢測定位大干擾邊緣例圖2.1.2依據(jù)車牌紋理特點(diǎn)的定位方法基本上對現(xiàn)有的灰度圖像執(zhí)行圖像紋理特征的分析。根據(jù)配準(zhǔn)板的紋理定位的方法需要首先縮放圖像，并且首先將得到的彩色圖像處理成灰度圖像。然后水平掃描，利用登記板區(qū)域的紋理特征的先驗(yàn)知識，在掃描過程中找到關(guān)于每行中的登記板區(qū)域的有用信息的片段，并保存有用信息的開始和最后位置。如果在此過程中看起來仍然存在具有特定閾值的有用信息記錄，我們認(rèn)為可以找到登記牌的可能區(qū)域并且候選區(qū)域的形狀是基于上一條記錄的開頭和最后一個條目。然后垂直掃描該區(qū)域，并使用相同的方法確定初始和最終縱向位置，從而確定候選區(qū)域的范圍。指定注冊板的區(qū)域。然后繼續(xù)掃描該區(qū)域以查找其他區(qū)域，直到您掃描圖像并找到對齊板的所有區(qū)域的圖像?；谂錅?zhǔn)板的紋理特征定位配準(zhǔn)板的方法的工作方案如圖所示。依據(jù)圖像紋理特點(diǎn)定位過程基于圖像紋理特征的定位算法對噪聲敏感，但是如果圖像上存在配準(zhǔn)板的圖像，則可以很好地處理具有陰影和不均勻照明的圖像以獲得配準(zhǔn)板的區(qū)域。如果圖像非常復(fù)雜且干涉點(diǎn)的數(shù)量不同且大，則需要結(jié)合長距離投影掃描來確定有用的信息區(qū)域，效果會更好。下圖顯示存在大量噪聲（圖像中的樹木被預(yù)處理）并且無法實(shí)現(xiàn)更好的預(yù)處理效果，并且最終它們無法精確定位車牌所需的圖像?；诩y理特征方法噪聲敏感舉例2.1.3依據(jù)形態(tài)學(xué)定位方法形態(tài)定位方法的思想首先是構(gòu)造形態(tài)結(jié)構(gòu)以尋找圖像以查看它是否可以匹配圖像上的現(xiàn)有像素區(qū)域。該組表示這些像素組可以是關(guān)于登記牌的所需信息區(qū)域。當(dāng)然，還必須測試該結(jié)構(gòu)搜索過程的必要性和正確性，以確定它是否正確和有效?；镜男螒B(tài)學(xué)操作包括：腐蝕，擴(kuò)大，打開和關(guān)閉。下圖顯示了基于形態(tài)定位車牌的簡單過程。依據(jù)形態(tài)學(xué)定位過程根據(jù)形態(tài)定位方法，可以定位定位板的近似區(qū)域，因?yàn)橥ㄟ^創(chuàng)建結(jié)構(gòu)來創(chuàng)建圖像，不能精確地找到定位板的精確邊界，只有定位板所在的區(qū)域。登記牌的區(qū)域還必須包括其他方法。基于數(shù)學(xué)形態(tài)學(xué)定位定位板面積的方法不能準(zhǔn)確地確定定位板左右邊界的位置，因此必須與其他定位方法精確配合。效果如下圖所示：以上是通過特定方法對登記牌的位置進(jìn)行單一算法，當(dāng)條件不能滿足時或多或少存在某些問題，這些方法不能使用，它們必須與其他定位方法相結(jié)合。例如，李波，曾志遠(yuǎn)，付祥生提出了一種基于數(shù)學(xué)形態(tài)學(xué)和邊緣特征定位配準(zhǔn)板的方法，他們提出的方法首先處理圖像，將彩色圖像轉(zhuǎn)換為灰度圖像，然后進(jìn)行濾波。該過程基于區(qū)域像素塊的縱向腐蝕。腐蝕后，會出現(xiàn)對位板的區(qū)域，但會有小間隙影響識別。應(yīng)使用閉合算法填充間隙并連接定位板的區(qū)域，以成為定位板連接的擴(kuò)展域。最后，使用上面提到的邊框功能來定位車牌。該方法是兩種方法的結(jié)合，有效地解決了獨(dú)立算法的局限性，為識別最終登記板奠定了良好的基礎(chǔ)。從技術(shù)角度來看，該算法的實(shí)用性也得到了提高，識別時間也減少了。2.2依據(jù)彩色圖像進(jìn)行車牌定位現(xiàn)在從不同設(shè)備獲得的圖像資源是彩色圖像，傳統(tǒng)的方法是先將彩色圖像轉(zhuǎn)換成灰度圖像，然后用灰度圖像處理方法進(jìn)行定位。他慢慢成熟。然而，在識別登記牌的過程中，還必須考慮登記牌的具體特征以進(jìn)行分析。在第一章中，我們對車牌的特性進(jìn)行了一些計(jì)算和分析，考慮到車牌有黑色和黃色底部，白色背景和最常見的白色藍(lán)色。人眼可以區(qū)分黑白圖像以及彩色圖像，而人眼對彩色圖像更敏感，可以直接處理彩色圖像和識別人眼的過程。例如，有超過35000種關(guān)于人們可以區(qū)分的顏色的信息，并且可以解決的灰度級別僅為20級。您可以看到處理彩色圖像不僅具有更多信息資源?？梢允褂脕碓床⑶腋先祟愐曈X無能。目前，彩色圖像的直接處理正在發(fā)展得越來越快，并且彩色圖像經(jīng)常用于以后獲取和分離目標(biāo)信息，并且可以針對不同的光強(qiáng)度容易地解決彩色圖像。下面列舉出一些直接使用彩色圖像來進(jìn)行車牌的定位的具體算法例子。上海大學(xué)交通大學(xué)趙學(xué)春和嚴(yán)飛虎聯(lián)合提出了一種基于顏色的板位定位算法。他們的方法使用幾級網(wǎng)絡(luò)識別方法直接分離彩色圖像，然后使用長丟棄函數(shù)選擇可能的板標(biāo)記區(qū)域。一般而言，使用RGB分離功能處理彩色圖像，但是在特定應(yīng)用中，RGB中的兩個點(diǎn)的歐幾里德距離與顏色之間不存在線性比例關(guān)系。然而，在HSV模型中存在這樣的比例依賴性，其可以優(yōu)化和調(diào)整圖像以易于處理。他們的算法使用子區(qū)域圖像信息提取來減少圖像信息量以減少計(jì)算量，使用對數(shù)方法調(diào)整飽和度以減少圖像采集期間光強(qiáng)度的影響。SV通過神經(jīng)網(wǎng)絡(luò)的分離進(jìn)行處理，并且在登記板區(qū)域的末端被劃分，并且所使用的方法基于先前的知識，例如背景顏色，形狀因子等，根據(jù)垂直投影函數(shù)。該算法的準(zhǔn)確性仍然很高，但算法的過程使用神經(jīng)網(wǎng)絡(luò)方法，需要時間來計(jì)算和減慢最終定位時間。海軍航空工程研究院的王梅開發(fā)了一種基于HSV模型合并的登記牌定位算法。他們的算法結(jié)合了定位板的特性和下板的顏色以及水平和垂直定位板的掃描特性，這使得飛行定位板的干涉邊緣的特性能夠快速消除和干擾沒有登記牌的區(qū)域可以快速拆除。這種基于融合的定位方法可以比單一定位方法獲得更好的結(jié)果，提高了系統(tǒng)的穩(wěn)定性和可靠性。上述兩種用于彩色車牌定位的算法可以獲得良好的結(jié)果，并且與單一的灰度處理方法相比具有巨大的優(yōu)勢，但在時間上沒有這樣的優(yōu)勢。在此基礎(chǔ)上，如果可以找到一種方法，可以將圖像預(yù)處理成灰色區(qū)域，并根據(jù)特征去除某些干擾邊緣或區(qū)域，并根據(jù)指定的進(jìn)一步去除顏色域中存在的干涉邊緣。顏色域中的顏色特征u。或者是干涉區(qū)域，最后在灰色區(qū)域中定位對準(zhǔn)板的目標(biāo)區(qū)域，這可以提供彩色圖像的速度和優(yōu)點(diǎn)。該方法是定位車牌的更好方法?；诙嗵卣髋c多方法篩選的車牌定位3.1本文車牌定位步驟第二章闡述和分析了幾種基于灰色車牌的定位方法，并介紹了幾種國家定位基于顏色的車牌的方法，并進(jìn)行了一些分析。根據(jù)分析，僅使用灰度圖像處理的車牌的定位也可以定位車牌，但是在定位過程中丟失了許多關(guān)于顏色函數(shù)的有用信息，這在處理上有局限性，只能定位處理過程為車牌的位置帶來彩色圖像。車牌照的圖像，但往往不符合時間要求。因此，結(jié)合灰度和彩色成像方法，可以更好地滿足速度和精度要求。因此，本文使用復(fù)雜算法，這是一種由優(yōu)秀的前任算法和許多比較模擬實(shí)驗(yàn)相結(jié)合定義的算法。該算法主要基于與其他區(qū)域相比的配準(zhǔn)板標(biāo)記邊緣的信息。區(qū)域的特征是明顯的，車牌和底板的顏色當(dāng)然是對比的，車牌的區(qū)域和周圍區(qū)域當(dāng)然與那些特征形成對比來定義車牌的區(qū)域，從而設(shè)置車牌。該算法不僅處理灰色區(qū)域中的配準(zhǔn)板，而且還使用顏色域中的顏色函數(shù)處理信息，在時間和精度方面表現(xiàn)良好，并且得到了很好的應(yīng)用。下圖顯示了本文檔中算法的流程。本文算法流程3.1.1預(yù)處理灰度化灰度圖像包含的信息少，處理速度快，本文主要對灰度圖像進(jìn)行處理，再結(jié)合彩色圖像的一些特征來定位。所以先要將彩色圖像進(jìn)行灰度化處理。使用的彩色圖像灰度化公式是式(3-1)，公式中左邊Y是輸出的圖像，公式右邊RGB分別是圖像像素點(diǎn)的彩色分量紅色，綠色和藍(lán)色的分量值，前面是相應(yīng)的系數(shù)。3.1.2使用小波變換濾波本文中使用的定位板的源圖像是由相機(jī)在白天的不同場景中制作的。在拍攝過程中，為了避免這些噪聲在后續(xù)處理中受到干擾，引入了更少或更多的干擾噪聲，它必須是灰色的。處理圖像后，過濾圖像。由于獵鷹變壓器可以很好地處理噪聲，因此波形變換方法用于過濾過程。波變換理論是圖像處理中非常重要的理論知識，圖像中波變換的使用將更加深入。波變換方法包括資源信號的分配，該信息僅在諸如平移和擴(kuò)展的某些操作中開始于這種子空間信號。這些信號在時間方面也具有良好的性質(zhì)。通過將原始圖像轉(zhuǎn)換為波形變換，可以分析其在頻率和時間上的特定局部改進(jìn)。Mallat算法是一種非?？焖俚牟ㄗ儞Q算法，我們將其用作這種算法。設(shè)Aj，D1j，D2j，D3j是從D3j分別到子空間的投影算子，則有其中因?yàn)橥瞥銎湎禂?shù)由以下的迭代公式確定：引入無窮矩陣，簡化后得設(shè)，則由式(3-7)經(jīng)J步（J為大于零的整數(shù)）分解后有：對應(yīng)的重構(gòu)算法波變換中的二維波使用上述平移方法將原始圖像信息分成關(guān)于不同頻率的子部分的許多信息，以便描述不同頻率上的詳細(xì)圖像信息。源圖像信息應(yīng)分為子圖信息的四個部分，包括表征整個圖像畫面幀的低頻子信息區(qū)域，以及表征水平，垂直和特定細(xì)節(jié)的高頻子信息區(qū)域。水平方向。通過這種方式，子信息區(qū)域的一般輪廓仍然是分布的，因此可以獲得子信息的許多區(qū)域，從而緩慢地突出顯示每個函數(shù)，從而可以選擇有用的函數(shù)來濾除不需要的干擾信息。該分解的過程如圖所示。依據(jù)小波變換方法的濾波三步過程如下：(1)本文選取的小波函數(shù)是Sym4小波函數(shù)，選取三層分解系數(shù)來分解。(2)對高頻子信息區(qū)域處理時選取合適的閾值對分解的三層子信息域分別進(jìn)行處理。(3)使用經(jīng)過處理的高頻子信息和之前沒有處理的低頻子信息一起重新構(gòu)造出圖像完成濾波。經(jīng)過仿真分析，這種選用Sym4小波函數(shù)且選取三層分解系數(shù)來對圖像進(jìn)行分解后重構(gòu)的小波變換濾波方法能有效的消除很多的引進(jìn)來的干擾噪聲，而且還能保留有用的信息。很適合本文的要求。使用這種方法濾波仿真效果如圖所示?；谛〔ㄗ儞Q的圖像濾波3.1.3邊緣檢測凸顯細(xì)節(jié)特征本文中使用的定位板圖像中的圖像是包含許多區(qū)域的定位板的圖像，標(biāo)記區(qū)域和定位板的背景區(qū)域以一定的時間間隔定位，這使得長掃描紋理和登記板密集圖案標(biāo)記區(qū)域的邊緣特征尋找其他圖像。許多人處理車牌信息，找到車牌區(qū)域的圖像。使用邊緣檢測算子：傳統(tǒng)的邊緣檢測算子是Roberts算子，Sobel算子，Prewitt算子，LOG算子和Canny算子。任何特定的算子都可以使用不同的方式。兩個LOG和Canny運(yùn)算符需要匹配其他運(yùn)算符以準(zhǔn)確檢查圖像的邊緣?？梢詥为?dú)使用其他三個運(yùn)算符來檢測圖像邊界信息。下面我們通過仿真比較使用這三個運(yùn)算符的效果來確定哪個邊緣檢測算子適用于本文檔。下圖比較了使用三個邊緣檢測器檢測許多紙張?jiān)S可證圖像邊緣的檢測結(jié)果。邊緣檢測算子使用效果上述四幅圖像是通過波變換濾波的灰度圖像，其他三幅圖像是通過三種邊緣檢測方法獲得的邊緣檢測結(jié)果：三種邊緣檢測算法的效果比較表明，Prewitt使用了圖像檢測。本文效果更好，邊緣特征可以更好地區(qū)分，并提供良好的源圖像供以后處理。Roberts算子算法的思想是使用差分算法來定位圖像的邊緣，因此得到的邊緣特征比其他邊緣檢測方法更具體，但是在此步驟之前沒有消除干擾的步驟。邊緣信息，因此對使用有一些限制。與Roberts相比，Sobel和Prewitt在檢測到邊緣之前對源圖像進(jìn)行了充分的濾波，因此扭曲噪聲對圖像的影響對處理效果幾乎沒有影響。3.2傾斜校正與邊緣修整車牌的傾斜度在車牌照的照片中非常普遍，即使照相機(jī)位于右側(cè)拍攝車牌照的照片，人為因素也是不可避免的，或多或少地提取部分傾斜度車牌，傾斜車牌導(dǎo)致劃分呃。標(biāo)志也是傾斜的，即使它們被分成段，由于最終識別期間的斜率，識別的結(jié)果將不會被識別。因此需要校正板圖像上的傾斜度。還有許多方法可以糾正傾向，如氡的變換，傅立葉的變換，霍夫的變換等。這些方法各有利弊。由于本地算法的需要，我們選擇更常用的霍夫變換，但也更好地實(shí)現(xiàn)了對齊板圖像的切換校正。Hough的變換是非常有效和實(shí)用的，它主要是一種校正搜索區(qū)形狀的方法，坐標(biāo)的坐標(biāo)用于調(diào)整邊界點(diǎn)，以便相應(yīng)的線可以計(jì)算出傾斜度。角度，從而校正板圖像的傾斜角度。首先找到車牌圖像的邊界點(diǎn)的坐標(biāo)，然后相應(yīng)地計(jì)算要通過霍夫變換校正的角度。在正常情況下，定位板的框架形狀是固定的，應(yīng)該更好地檢測框架的邊緣點(diǎn)以檢測角度，但是在先前定位過程中的干涉或算法問題導(dǎo)致定位板的底部框架不一定必須準(zhǔn)確地顯示所有點(diǎn)信息邊緣，而原則上不存在配準(zhǔn)板區(qū)域中的字符信息，因此配準(zhǔn)板上的頂部和底部邊緣信息點(diǎn)用作確定霍夫變換角度的點(diǎn)。3.3本文定位算法分析在本文中，基于先前的算法，使用一種算法來定位車牌，用于處理車牌和中國獨(dú)特車牌的區(qū)段的特征。該算法基于車牌區(qū)域的大多數(shù)特征，并且最終l位于一系列算法過程中。車牌圖片。由于模擬測試，該算法適用于圖像包含許多牌照的情況，這些牌照適用于在不同場合收集的車牌圖像。本文中使用的車牌的多個圖像是從交通信息的圖像集合中獲得的，并且單個登記板的其他圖片是單獨(dú)拍攝的。拍照并得到107張照片結(jié)果用不同的定位算法模擬結(jié)果如下表所示盡管使用一種基本算法時間非常短，但定位成功率非常普遍，有些方法對噪聲很敏感。具有多個圖像的車牌可能不是完全分布的，顏色定位算法通常與其他基本算法混合以獲得定位，除了較慢的定位時間和更好的結(jié)果。彩色圖像的位置節(jié)奏，時間相對較短，因此通用性非常好，可以更好地滿足不同方面的要求。使用本文的車牌定位方法對107張車牌圖片試驗(yàn)，能正確定位的有103張圖片，準(zhǔn)確率達(dá)到97.2%，但還有4張圖片沒有定位出車牌圖片或者定位錯誤區(qū)域，對于檢測失敗的車牌圖像分析對比，失敗可能有以下幾個方面的原因：(1)傍晚拍攝的圖片曝光效果不好，顏色失真較大。(2)車牌周圍太多泥點(diǎn)造成車牌區(qū)域無法構(gòu)成連通區(qū)域，從而無法正確定位(3)車牌變形，某個字符被遮蓋。(4)所拍攝圖片車牌傾斜角度太大，分割時候分割不全。3.4本章小結(jié)根據(jù)國家登記牌的顏色和結(jié)構(gòu)特征，本文件采用特殊的登記牌定位方法。該定位方法基于沿著車牌的邊緣掃描的功能以及車牌和下板的顏色特征，然后通過采用關(guān)于定位的特定特征的其他細(xì)節(jié)來執(zhí)行車牌的定位工作。板和不同的f區(qū)分方法。在本章中，通過比較模擬效果，為了獲得更詳細(xì)和準(zhǔn)確的車牌的縱向邊界，Prewitt用于檢測邊緣以獲得邊緣的縱向表征，因?yàn)檐嚺茦?biāo)記和底線項(xiàng)目很明顯，車牌區(qū)域的縱向?qū)R的特點(diǎn)是車牌區(qū)域的垂直投影之間的差異，按照上述兩點(diǎn)，以便去除大部分邊緣然后，使用組合域的邊界點(diǎn)和標(biāo)記的連接，以預(yù)先確認(rèn)登記板的區(qū)域。通過了解登記牌區(qū)域的比例，從登記牌的指定區(qū)域中排除許可證未覆蓋的部分區(qū)域，然后使用先驗(yàn)的AdaBoost方法排除許可證未涵蓋的部分區(qū)域。為了獲得登記牌區(qū)域的組合域，可以通過以下方式獲得：這種方式，位置。板圖像所需的面積。定位登記區(qū)域后，應(yīng)對登記區(qū)域的位置進(jìn)行修正，確定上下左右邊界，從而得到包含登記信息的最小但最完整的區(qū)域。盤子。車牌區(qū)域的精確定位應(yīng)通過上述一系列步驟進(jìn)行。本文中的單獨(dú)算法是非常簡單的算法，但它們可以在合并后執(zhí)行定位牌照的任務(wù)。模擬后，采用紙張算法對登記板的采集圖像進(jìn)行處理，定位精度為97.2％，并且可以在一幅圖像上準(zhǔn)確定位多個現(xiàn)有的車牌，可以在不同場合使用，通用性非常好?；贛ATLAB的車牌識別基于MATLAB的車牌動識別系統(tǒng)主要分為這幾個步驟：圖像采集、圖像預(yù)處理、車牌定位、字符分割、字符識別、輸出識別結(jié)果等，本文中主要選取車牌定位、字符分割、圖像預(yù)處理以及字符識別作為主要研究對象。3.1MATLAB簡介由MathWorks于1984年推出。MATLAB代表MatrixLabs，這是一套科學(xué)計(jì)算軟件，包含主體和幾個工具箱。它主要由MATLAB和仿真兩部分組成，具有強(qiáng)大的可視化數(shù)據(jù)和矩陣計(jì)算功能。MATLAB可以在一個簡單的窗口中執(zhí)行許多高級功能，如矩陣計(jì)算，數(shù)值分析，科學(xué)數(shù)據(jù)可視化以及非線性動態(tài)系統(tǒng)的建模和仿真。它可以為科學(xué)研究和工程設(shè)計(jì)提供一個新的交互式軟件環(huán)境，可以更好地解決其他非交互式編程語言無法解決的問題。您。矩陣是MATLAB程序的基本算術(shù)單元，具有與數(shù)學(xué)和工程相同的非常類似的命令表達(dá)式，使用MATLAB解決實(shí)際問題與使用FORTRAN，C和其他編程語言相同。有一件事簡單易行：MATLAB可以成為一個功能強(qiáng)大的數(shù)學(xué)軟件，MATLAB不僅可以消除其他數(shù)學(xué)軟件的不完善之處，還可以繪制出優(yōu)秀的作品的軟件，。3.2設(shè)計(jì)方案圖像處理和字符識別是車牌識別系統(tǒng)中的兩個重要主要步驟。初步圖像處理（灰度圖像變換，圖像校正處理，圖像邊界分界），配準(zhǔn)板的位置和配準(zhǔn)板的區(qū)域的分界是圖像處理的一部分。標(biāo)志的分割和標(biāo)志的標(biāo)準(zhǔn)化以及標(biāo)志的識別是標(biāo)志識別的一部分。在收集圖像的情況下，首先處理圖像，即圖像在灰度上變換并且圖像被改善并且圖像的邊緣被分離，因?yàn)樗占膱D像通常不是高質(zhì)量的，主要設(shè)備是受到環(huán)境和車輛的影響。速度效果。例如，照明角度，圖像通過網(wǎng)絡(luò)傳輸?shù)碾娮釉O(shè)備的噪聲等，圖像的初步處理的目的是獲得更清晰的圖像，這為諸如以下步驟提供了良好的基礎(chǔ)。車牌的位置和標(biāo)記的識別。車牌識別系統(tǒng)的兩個最重要的部分是車牌的位置和車牌區(qū)域的提取物，車牌的位置和車牌區(qū)域的精確識別將對商標(biāo)的認(rèn)可有效性有直接影響。c板識別系統(tǒng)的識別系數(shù)。車牌的自動識別原理是識別車牌的收集圖像，并在識別出所有圖像后得出識別結(jié)果。更成熟的車牌識別方法主要是匹配模板的方法和神經(jīng)網(wǎng)絡(luò)的方法。本文使用模板匹配方法。3.3圖像的邊緣檢測邊緣在圖像的處理和理解中起著重要作用，因?yàn)檫吘壥菆D像最重要的特征之一。圖像邊界）邊緣（指某些區(qū)域的圖像不安全。圖像在灰色空間或結(jié)構(gòu)信息中發(fā)生了顯著變化。邊緣是一個區(qū)域劃分為另一個區(qū)域。邊界線，圖像的邊緣可用于得到圖像的分割是因?yàn)檫吘墮z測的變化不會影響光強(qiáng)度的變化，大多數(shù)圖像處理都是基于邊緣的，邊緣檢測會顯著增加圖像的對比度。接地起到加強(qiáng)圖像的作用通過板識別系統(tǒng)的裝置獲得的車輛圖像常常受到外部環(huán)境，車輛本身和電子設(shè)備噪聲的干擾，難以直接識別字符識別系統(tǒng)，因此圖像質(zhì)量很高。邊緣檢測用于提高圖像質(zhì)量，以實(shí)現(xiàn)更高的字符識別頻率。以下分割和識別步驟更簡單更準(zhǔn)確：高質(zhì)量邊緣檢測的優(yōu)點(diǎn)如下：在插入分界線的背景中降低噪音，清晰的車輛圖像，登記板字的總保留信息為此提供了良好的準(zhǔn)備登記牌的位置和標(biāo)記的識別在登記牌的識別系統(tǒng)中，用于獲得圖像的裝置永久地安裝在指定位置，并且車輛登記牌也應(yīng)永久地安裝在指定位置。車輛。因此，車輛登記牌圖像基本上是矩形區(qū)域并且都是水平的并且登記牌的區(qū)域在圖像位置中相對穩(wěn)定，因此登記牌標(biāo)記也在適當(dāng)?shù)乃椒较蛏?。處理還可以顯示登記板的邊緣。在本文中，Roberts一階檢測算子用于下圖，以獲得操作員Robert的邊緣檢測圖?；叶然瓦吘墮z測的MATLAB程序如下：I=imread('car5.jpg');figure(1),imshow(I);title('原圖')I1=rgb2gray(I);figure(2),subplot(1,2,1),imshow(I1);title('灰度圖');figure(2),subplot(1,2,2),imhist(I1);title('灰度圖直方圖');I2=edge(I1,'robert',0.12,'both');figure(3),imshow(I2);title('robert算子邊緣檢測')原圖灰度圖3.4車牌定位和分割車牌的識別系統(tǒng)最希望獲得車牌所在的區(qū)域。然而，由設(shè)備收集的圖像通常是車輛的完整圖像，并且必須在圖像上定位和分割板。初步圖像處理是指對準(zhǔn)板的圖像的灰度級和對準(zhǔn)板的矩形區(qū)域的灰度級朝向轉(zhuǎn)換為與其他圖像的灰度級不同的灰度圖像的水平圖像。邊緣檢測使得圖像可以在完成和處理圖像之后被放置并分成段。只有當(dāng)車牌準(zhǔn)確放置并分成段時，才能正確識別車牌上的信息。因此，車牌的位置和圖像的分割是登記板自動識別系統(tǒng)中最重要的兩個步驟。車牌位置的框圖如圖所示。將車牌定位是第一步，再把車牌區(qū)域有效分割出來，分割出來的車牌減少了其他背景對字符分割的影響。提高了字符的識別率。車牌分割的方法有很多種，由于背景的顏色特征與紋理特征和車牌的顏色信息與紋理特征不一致。所以用彩色圖像的分割原理進(jìn)行分割。本文中設(shè)計(jì)的車牌自動識別系統(tǒng)主要以藍(lán)色作為車牌底色。對藍(lán)色的像素進(jìn)行統(tǒng)計(jì)的方法來正確的分割出來，首先統(tǒng)計(jì)出車牌底色藍(lán)色的紅色分量（R）、綠色分量（G）、藍(lán)色分量（B）灰度變化范圍。然后根據(jù)顏色特征一致或者相似的規(guī)定，區(qū)分每一個像素的所屬區(qū)域，形成區(qū)域圖，最后得到完整的車牌區(qū)域車牌的字符分割就是把車牌中的字符分割成一個一個的單字符圖像，字符分割的準(zhǔn)確性直接影響字符識別的效率。所以說字符分割有著承上啟下的關(guān)鍵作用，是字符識別的基礎(chǔ)。車牌的字符分割也使圖像處理的一種，有著許多外在的因素影響分割準(zhǔn)確性。主要包括：1采集到的圖像有嚴(yán)重的噪聲干擾，極大地影響了圖像的質(zhì)量如泥點(diǎn)、反光等。2邊框和鉚釘容易造成分割不準(zhǔn)確。3車牌中的小圓點(diǎn)（間隔符）要特殊處理。4車牌水平分割受車牌傾斜極大的影響。5光照不均勻容易分割錯誤。6牌照邊框樣式不規(guī)范也容易造成分割失敗。車牌字符分割主要分為兩個部分：一是水平分割；二是垂直分割。所謂水平分割就是將車牌中的字符區(qū)域分割出來，而垂直分割便是將分割出來后字符區(qū)域進(jìn)行單個字符的分割，形成一個個的圖像。水平分割的辦法主要是：1水平分割是基于車牌字符區(qū)域的紋理特征，該方法是利用字符區(qū)域和車牌背景灰度變化的程度來完成水平分割。字符區(qū)域灰度變化相對更劇烈。2基于連通字符提取的水平分割，這種方法對水平分割和垂直分割同時進(jìn)行分割。一次就完成字符分割的全部過程。3利用Hough的變換進(jìn)行水平分割，也就是將Hough變換來的檢測直線線段相連，將形成的直線進(jìn)行水平分割。常見的字符垂直分割有：1基于垂直投影的分割辦法，利用字符的垂直投影的波峰波谷間隔出現(xiàn)和字符間的投影很小來實(shí)現(xiàn)單個字符的垂直分割。2基于連通域思想的垂直分割方法，根據(jù)車牌字符的自身特征車牌的字符可以分為漢字、字母、阿拉伯?dāng)?shù)字，且漢字的連通性與其他字符不同再結(jié)合以前的經(jīng)驗(yàn)來實(shí)現(xiàn)字符的垂直分割。本文中對車牌字符所采用的分割辦法基本上是按照水平分割與垂直分割，水平分割根據(jù)車牌字符區(qū)域中的紋理進(jìn)行，垂直分割則是根據(jù)其垂直投影。3.5字符的識別字符識別屬于圖像識別，是模糊識別的一種。車牌的字符識別方法通常有下列幾種：1模板匹配法首先，通過分割識別的標(biāo)記將被標(biāo)準(zhǔn)化，即，字符的實(shí)際大小將被縮放，直到它在字符數(shù)據(jù)庫中變?yōu)檎?，并且可以依次用模板中的字符來識別。這種方法非常簡單，但它也有很大的缺陷，即只有當(dāng)定位板水平放置時才能識別。如果標(biāo)記的尺寸不均勻或形狀略微反轉(zhuǎn)，則通常容易發(fā)生識別錯誤。2神經(jīng)網(wǎng)絡(luò)法通過具有良好自組織和自適應(yīng)性的網(wǎng)絡(luò)，以及高識別速度，強(qiáng)干擾和高靈活性，可以實(shí)現(xiàn)信息的同時大規(guī)模處理和擴(kuò)散存儲。所謂神經(jīng)網(wǎng)絡(luò)方法包括利用神經(jīng)網(wǎng)絡(luò)來區(qū)分角色的圖像特征，構(gòu)建網(wǎng)絡(luò)識別網(wǎng)絡(luò)并發(fā)揮分類器的作用。在這個階段，BP網(wǎng)絡(luò)被廣泛用作神經(jīng)網(wǎng)絡(luò)的信號識別應(yīng)用?？梢允褂玫淖址瘮?shù)主要包括間距，矩形，表面密度和輪廓等功能。3統(tǒng)計(jì)特征匹配法統(tǒng)計(jì)特征匹配法的原理是收集大量字符的統(tǒng)計(jì)特征，從而形成特征庫，然后將待識別字符的特征也提取出來按照一定得準(zhǔn)則的決策函數(shù)和特征庫進(jìn)行判決。但這種方法的字符識別很容易受到字符斷裂、模糊、缺失的影響。4結(jié)構(gòu)模式識別通過結(jié)構(gòu)設(shè)計(jì)識別標(biāo)志應(yīng)基于標(biāo)志的結(jié)構(gòu)，例如水平方向的類型，垂直方向的類型和輪廓，結(jié)構(gòu)的識別不需要標(biāo)準(zhǔn)化或配置。但是，這種方法在識別中文標(biāo)記方面不是很有效。這四種方法中最常用的方法是神經(jīng)網(wǎng)絡(luò)信號的識別和模式匹配的識別神經(jīng)網(wǎng)絡(luò)信號的識別是目前非常流行的算法，具有很高的識別率，但需要長時間的訓(xùn)練測試。該方法更復(fù)雜。模板匹配方法比較簡單，而且程序的實(shí)現(xiàn)非常簡單，只需構(gòu)建一個匹配的數(shù)據(jù)庫。它非常耐特征缺陷和污跡，并且可見度非常高。本文設(shè)計(jì)車牌自動識別系統(tǒng)就是采用模板匹配法來識別字符，模板匹配法的流程圖如下圖所示：模板匹配方法實(shí)際的MATLAB編程首先創(chuàng)建一個自動識別代碼表，它是單個標(biāo)準(zhǔn)化字符和模板庫中字符之間的交互橋。當(dāng)要執(zhí)行字符識別時，將識別的字符特征分開并逐一與模板中的字符進(jìn)行比較。根據(jù)我國牌照的獨(dú)特屬性，第一個標(biāo)志是中文，第二個標(biāo)志是字母，后五個是字母和數(shù)字的組合。因此，第一個中文標(biāo)記和第二個字母分別被識別，接下來的五個字符被一個接一個地識別。在本文中，作者使用模板匹配方法，這是一種每日提款方法，減法方法包括從要識別的字符中減去模板中的字符，并比較減去的值越小的值，更好。作為最佳擬合值，在識別出所有字符后顯示結(jié)果，結(jié)果如圖所示。識別結(jié)果總結(jié)與展望5.1論文總結(jié)隨著科學(xué)和社會的發(fā)展，車輛的使用逐年增加，車輛管理已成為當(dāng)今社會必須解決的問題。智能交通系統(tǒng)的出現(xiàn)大大提高了車輛管理效率，減少了道路擁堵，節(jié)省了許多人力資源。用于識別登記牌的系統(tǒng)是智能運(yùn)輸系統(tǒng)的基本組成部分之一。它基于數(shù)字成像技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展。它適用于許多領(lǐng)域。如高速公路收費(fèi)，交通法規(guī)的執(zhí)行，汽車盜竊，停車管理和智能住宅的訪問，城市道路交通測量的統(tǒng)計(jì)和管理，質(zhì)量檢測系統(tǒng)，車輛檢測等?？梢哉f，登記牌的自動識別系統(tǒng)被廣泛使用并且具有相當(dāng)大的實(shí)際重要性。5.2工作展望本文主要探討以下幾點(diǎn)：1，結(jié)合和總結(jié)國內(nèi)外注冊板自動識別系統(tǒng)的發(fā)展，借鑒國外注冊板自動識別系統(tǒng)的經(jīng)驗(yàn)和成果，檢驗(yàn)中國注冊板的認(rèn)可制度。介紹中國登記牌的機(jī)智和自動識別登記牌的難度。2學(xué)習(xí)使用MATLAB軟件進(jìn)行編程，了解應(yīng)用程序的方向以及熟悉語言，函數(shù)和編程原理的軟件開發(fā)歷史。3描述基于MATLAB注冊板識別系統(tǒng)的設(shè)計(jì)階段，以及如何選擇不同的定位注冊板，分割標(biāo)記和識別標(biāo)記的方法，選擇適合本文檔系統(tǒng)要求的方法，并了解每種方法的優(yōu)缺點(diǎn)?；贛ATLAB板識別系統(tǒng)，對系統(tǒng)的仿真結(jié)果進(jìn)行分析和總結(jié)，作為不足和改進(jìn)方法。如果識別失敗，摘要將失敗，然后問題將在第二次識別時解決。雖然本文件設(shè)計(jì)的系統(tǒng)仍存在許多缺點(diǎn)，但實(shí)際情況仍存在較大差距。但是，我學(xué)到了很多關(guān)于MATLAB編程和圖像處理以及模式識別的知識。參考文獻(xiàn)[1]白利波.車牌檢測與識別算法研究[D]，北京交通大學(xué)，北京，2007，P30-31[2]謝盛嘉，梁競敏.車牌識別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J]，微計(jì)算機(jī)信息，2013，2，P25-27[3]崗薩雷斯.數(shù)字圖像處理（第二版）[M]，電子工業(yè)出版社，北京，2007，P45-48[4]李盛宇.車牌識別系統(tǒng)中車牌定位算法的研究[D]，蘇州大學(xué)，蘇州，2014，P12-16[5]王敏，黃心漢.一種模板匹配和神經(jīng)網(wǎng)絡(luò)的車牌字符識別方法[J].華中科技大學(xué)學(xué)報，2001，5，P23-24[6]MATLAB/view/10598.htm[7]MingG.He,AlanL.Harvey,Houghtransformincarnumberplateskewdetection.ISSPA,1996[8]?？?，赫拉瓦卡.圖像處理分析與機(jī)器視覺（第3版）[M]，清華大學(xué)出版社，北京，2011，P36-37[9]張學(xué)工.模式識別（第3版）[M]，清華大學(xué)出版社，北京，2010，P05-07[10]陳杰.MATLAB寶典[M]，電子工業(yè)出版社，北京，2010，P24-26[11]錢成.車牌識別中字符分割的研究[J].中國科技論文在線，2014，3，P05-07[12]陸興娟，吳震宇.圖像邊緣檢測算法研究[J].現(xiàn)代電子技術(shù)，2013，5，P12-14[13]阮秋琦，阮宇智.數(shù)字圖像處理[M]，電子工業(yè)出版社，北京，2014，P11-13[14]劉衛(wèi)國.MATLAB程序設(shè)計(jì)與應(yīng)用［M］，高等教育出版社，北京，2002，P21-23[15]ThanongsakSirithinaphong,KosinChamnongthai.TheRecognitionofCarLicensePlateforAutomaticParkingSystem[J].ProceedingsoftheFifthInternationalSymposiumonSignalProcessingandItsApplications,1999[16]劉衛(wèi)國.MATLAB程序設(shè)計(jì)與應(yīng)用［M］，高等教育出版社，北京，2002，P18-19[17]RafaelC.Gonzalez,RichardE.Woods,StevenL.Eddins.數(shù)字圖像處理（MATLAB版）.電子工業(yè)出版社，北京，2009，P11-14附錄function[d]=main(jpg)I=imread('car5.jpg');figure(1),imshow(I);title('原圖')I1=rgb2gray(I);%將真彩色圖像轉(zhuǎn)換為灰度圖像figure(2),subplot(1,2,1),imshow(I1);title('灰度圖');figure(2),subplot(1,2,2),imhist(I1);title('灰度圖直方圖');I2=edge(I1,'robert',0.08,'both');%高斯濾波器,方差為0.08figure(3),imshow(I2);title('robert算子邊緣檢測')se=[1;1;1];I3=imerode(I2,se);%圖像的腐蝕figure(4),imshow(I3);title('腐蝕后圖像');se=strel('rectangle',[40,40]);%構(gòu)造結(jié)構(gòu)元素，以長方形構(gòu)造一個seI4=imclose(I3,se);%對圖像實(shí)現(xiàn)閉運(yùn)算，閉運(yùn)算也能平滑圖像的輪廓，但與開運(yùn)算相反，它一般融合窄的缺口和細(xì)長的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。figure(5),imshow(I4);title('平滑圖像的輪廓');I5=bwareaopen(I4,2000);%從二進(jìn)制圖像中移除所有少于p像素的連接的組件（對象），產(chǎn)生另一個二進(jìn)制圖像figure(6),imshow(I5);title('從對象中移除小對象');[y,x,z]=size(I5);%返回I5各維的尺寸，并存儲在變量y、x、z中myI=double(I5);%換成雙精度數(shù)值%begin橫向掃描tic%計(jì)算tic與toc之間程序的運(yùn)行時間Blue_y=zeros(y,1);%產(chǎn)生y*1的全0矩陣fori=1:yforj=1:xif(myI(i,j,1)==1)%如果myI(i,j,1)即myI圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色%則Blue_y的相應(yīng)行的元素white_y(i,1)值加1Blue_y(i,1)=Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì)endendend[tempMaxY]=max(Blue_y);%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;while((Blue_y(PY1,1)>=120)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while((Blue_y(PY2,1)>=40)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);%IY為原始圖像I中截取的縱坐標(biāo)在PY1：PY2之間的部分%end橫向掃描%begin縱向掃描Blue_x=zeros(1,x);%進(jìn)一步確定x方向的車牌區(qū)域forj=1:xfori=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)=Blue_x(1,j)+1;endendendPX1=1;while((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;end%end縱向掃描PX1=PX1-2;%對車牌區(qū)域的校正PX2=PX2+2;dw=I(PY1:PY2,:,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title('行方向合理區(qū)域');figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色車牌圖像')imwrite(dw,'dw.jpg');%將圖像數(shù)據(jù)寫入到圖像文件中[filename,filepath]=uigetfile('dw.jpg','輸入一個定位裁剪后的車牌圖像');%讀取jpg=strcat(filepath,filename);%將數(shù)組filepath,filename水平地連接成單個字符串，并保存于變量jpg中a=imread('dw.jpg');%讀取圖片文件中的數(shù)據(jù)b=rgb2gray(a);%將真彩色圖像轉(zhuǎn)換為灰度圖像imwrite(b,'1.車牌灰度圖像.jpg');%將圖像數(shù)據(jù)寫入到圖像文件中figure(8);subplot(3,2,1),imshow(b),title('1.車牌灰度圖像')g_max=double(max(max(b)));%換成雙精度數(shù)值g_min=double(min(min(b)));%換成雙精度數(shù)值T=round(g_max-(g_max-g_min)/3);%T為二值化的閾值[m,n]=size(b);%返回矩陣b的尺寸信息，并存儲在m、n中。其中m中存儲的是行數(shù)，n中存儲的是列數(shù)。d=(double(b)>=T);%d:二值圖像imwrite(d,'2.車牌二值圖像.jpg');%將圖像數(shù)據(jù)寫入到圖像文件中figure(8);subplot(3,2,2),imshow(d),title('2.車牌二值圖像')figure(8),subplot(3,2,3),imshow(d),title('3.均值濾波前')%濾波h=fspecial('average',3);%建立預(yù)定義的濾波算子，average指定算子的類型，3為相應(yīng)的參數(shù)d=im2bw(round(filter2(h,d)));%轉(zhuǎn)換為二值圖像imwrite(d,'4.均值濾波后.jpg');%將圖像數(shù)據(jù)寫入到圖像文件中figure(8),subplot(3,2,4),imshow(d),title('4.均值濾波后')%某些圖像進(jìn)行操作%膨脹或腐蝕%se=strel('square',3);%使用一個3X3的正方形結(jié)果元素對象對創(chuàng)建的圖像膨脹%'line'/'diamond'/'ball'...se=eye(2);%eye(n)returnsthen-by-nidentitymatrix單位矩陣[m,n]=size(d);%返回矩陣b的尺寸信息，并存儲在m、n中。其中m中存儲的是行數(shù)，n中存儲的是列數(shù)ifbwarea(d)/m/n>=0.365%計(jì)算二值圖像中對象的總面積d=imerode(d,se);%圖像的腐蝕elseifbwarea(d)/m/n<=0.235%計(jì)算二值圖像中對象的總面積d=imdilate(d,se);%實(shí)現(xiàn)膨脹操作endimwrite(d,'5.膨脹或腐蝕處理后.jpg');%將圖像數(shù)據(jù)寫入到圖像文件中figure(8),subplot(3,2,5),imshow(d),title('5.膨脹或腐蝕處理后')%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d=qiege(d);%切割[m,n]=size(d);%返回矩陣b的尺寸信息，并存儲在m、n中。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;k2=1;s=sum(d);j=1;whilej~=nwhiles(j)==0j=j+1;endk1=j;whiles(j)~=0&&j<=n-1j=j+1;endk2=j-1;ifk2-k1>=round(n/6.5)[val,num]=min(sum(d(:,[k1+5:k2-5])));d(:,k1+num+5)=0;%分割endend%再切割d=qiege(d);%切割出7個字符y1=10;y2=0.25;flag=0;word1=[];whileflag==0[m,n]=size(d);left=1;wide=0;whilesum(d(:,wide+1))~=0wide=wide+1;endifwide<y1%認(rèn)為是左側(cè)干擾d(:,[1:wide])=0;d=qiege(d);elsetemp=qiege(imcrop(d,[11widem]));[m,n]=size(temp);all=sum(sum(temp));two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));iftwo_thirds/all>y2flag=1;word1=temp;%WORD1endd(:,[1:wide])=0;d=qiege(d);endend%分割出第二個字符[word2,d]=getword(d);%分割出第三個字符[word3,d]=getword(d);%分割出第四個字符[word4,d]=getword(d);%分割出第五個字符[word5,d]=getword(d);%分割出第六個字符[word6,d]=getword(d);%分割出第七個字符[word7,d]=getword(d);figure(9),imshow(word1),title('1');figure(10),imshow(word2),title('2');figure(11),imshow(word3),title('3');figure(12),imshow(word4),title('4');figure(13),imshow(word5),title('5');figure(14),imshow(word6),title('6');figure(15),imshow(word7),title('7');[m,n]=size(word1);%返回矩陣b的尺寸信息，并存儲在m、n中。其中m中存儲的是行數(shù)，n中存儲的是列數(shù)word1=imresize(word1,[4020]);%商用系統(tǒng)程序中歸一化大小為40*20,此處演示word2=imresize(word2,[4020]);%對圖像做縮放處理，高40，寬20word3=imresize(word3,[4020]);word4=imresize(word4,[4020]);word5=imresize(word5,[4020]);word6=imresize(word6,[4020]);word7=imresize(word7,[4020]);figure(16),subplot(3,7,8),imshow(word1),title('1');subplot(3,7,9),imshow(word2),title('2');subplot(3,7,10),imshow(word3),title('3');subplot(3,7,11),imshow(word4),title('4');subplot(3,7,12),imshow(word5),title('5');subplot(3,7,13),imshow(word6),title('6');subplot(3,7,14),imshow(word7),title('7');imwrite(word1,'1.jpg');imwrite(word2,'2.jpg');imwrite(word3,'3.jpg');imwrite(word4,'4.jpg');im