畢業(yè)設(shè)計（論文）基于圖像處理的車牌識別系統(tǒng)的研究

1、基于圖像處理的車牌識別系統(tǒng)的研究【摘要】 本文介紹了汽車牌照識別的主要應(yīng)用技術(shù)和現(xiàn)階段識別技術(shù)的發(fā)展方向，簡要介紹了車牌識別系統(tǒng)軟件設(shè)計要求，對圖像處理處理技術(shù)，圖像分割技術(shù)和方法進(jìn)行了討論;論文著重對牌照的預(yù)處理、圖像提取、定位、字符識別特征量的提取以及神經(jīng)網(wǎng)絡(luò)的構(gòu)成原理及算法實現(xiàn)進(jìn)行了詳細(xì)分析，并用軟件實現(xiàn)了完整的系統(tǒng)。使用matlab2010軟件編程實現(xiàn)了整個系統(tǒng)，并驗證了所提出的方法的可行性。【關(guān)鍵字】matlab，車牌識別，定位，分割abstractthis article discusses the main applications of vehicle license plat

2、e recognition technology and stage of development trends outlined license plate recognition system software design requirements, processing technology in image processing theory and method of image segmentation are discussed; paper focuses on the pre-license handling, positioning, the amount of char

3、acter recognition feature extraction, neural network theory and the composition of a detailed analysis of algorithms and software to realize the complete system. use matlab2010 software programming of the entire system, and verified by experiment the feasibility of the proposed method顯示對應(yīng)的拉丁字符的拼音key

4、: matlab, license plate recognition, positioning, segmentation目錄正文4一緒論41.1研究背景41.2國內(nèi)外研究現(xiàn)狀61.3本文章節(jié)安排7二車牌照圖像預(yù)處理技術(shù)8三車牌照定位技術(shù)8四車牌字符分割技術(shù)10五車牌字符識別技術(shù)12六實現(xiàn)及測試結(jié)果13七總結(jié)與展望257.1 本文工作總結(jié)257.2 下一步工作展望25參考文獻(xiàn)27致謝（模板）29正文一 緒論1.1 研究背景隨著社會經(jīng)濟(jì)的發(fā)展，人民生活水平的不斷提高，私人擁有機(jī)動車輛的數(shù)量迅速增加，車輛普及成為必然的趨勢。在此情況下，僅僅依靠大力發(fā)展交通設(shè)施己不能解決交通擁擠、交通事故頻發(fā)、環(huán)

5、境污染加劇等問題。盡管現(xiàn)在世界上的許多國家，仍然主要依靠建設(shè)更多的道路基礎(chǔ)設(shè)施，建立完善的道路網(wǎng)絡(luò)緩解道路交通增長的需求，但由于城市空間的不斷減小、修建新路所需的巨額資金以及環(huán)境的壓力，建設(shè)更多的基礎(chǔ)設(shè)施將受到限制。因此，只有道路建設(shè)和現(xiàn)代化管理齊頭并進(jìn)，在加強(qiáng)交通建設(shè)的同時，大力發(fā)展智能交通系統(tǒng)，才有可能真正地解決日益嚴(yán)重的交通問題。車輛牌照識別 (lpr)技術(shù)是智能交通系統(tǒng)中的一個重要環(huán)節(jié)，它在交通監(jiān)視和控制中占有很重要的地位，車輛牌照識別技術(shù)作為交通信息服務(wù)系統(tǒng)的重要手段，其任務(wù)是分析處理車輛圖像，自動識別汽車牌號碼。為了避免人工干預(yù)所帶來的弊端，提高管理效率，對車輛牌照自動識別系統(tǒng)的需

6、求和標(biāo)準(zhǔn)的要求越來越高。汽車牌照自動識別技術(shù)己經(jīng)越來越受到人們的重視。車輛識別系統(tǒng)在道路交通監(jiān)控、交通事故現(xiàn)場勘察、交通違章自動紀(jì)錄、高速公路自動收費系統(tǒng)、停車場自動安全管理、智能園區(qū)管理等方面有著廣泛的應(yīng)用前景，其研究的意義在與1-10：1) 收費管理系統(tǒng):在高速公路、橋梁、隧道等地點，人們將lpr系統(tǒng)應(yīng)用于收費管理系統(tǒng)中，可以實現(xiàn)高效、準(zhǔn)確、自動和不停車收費，真正實現(xiàn)無人干預(yù)，克服常規(guī)收費系統(tǒng)的工作量大、人工易疲勞等不足，極大地減輕勞動強(qiáng)度，節(jié)省大量人力、物力，同時，對于不停車收費系統(tǒng)，還可以節(jié)省車主的大量時間11。2) 交通監(jiān)控:在公路交通檢測部門，幾乎每天都有大量的交通違規(guī)車輛，對于列

7、“黑名單”的車輛，如掛失的車輛、肇事后逃逸的車輛、欠費的車輛等，通常將這些車輛用攝像機(jī)拍攝下來，用人工來識別、比較車牌，這樣導(dǎo)致工作效率低下、易出錯，而應(yīng)用lpr系統(tǒng)，只需要將車輛信息輸入系統(tǒng)中，系統(tǒng)可以24小時連續(xù)對過往的車輛進(jìn)行自動檢測，對車牌號碼進(jìn)行識別、比較、處理，若符合條件則立刻發(fā)出控制信號。其它如海關(guān)邊境，應(yīng)用lpr系統(tǒng)同樣可以收到很好的效果12。3) 小區(qū)、停車場管理:在智能小區(qū)和智能停車場，應(yīng)用lpr系統(tǒng)后，出入車輛可以在不停車狀態(tài)下進(jìn)入入口，而系統(tǒng)可以及時識別車牌號，將車輛信息經(jīng)過通信網(wǎng)絡(luò)傳到小區(qū)或停車場管理系統(tǒng)，從而免去管理人員的人工干擾，節(jié)省人力物力。4) 車牌驗證，車流

8、統(tǒng)計，移動和車載系統(tǒng):lpr系統(tǒng)也可以應(yīng)用于交通管理部門、路橋卡口等進(jìn)行車流統(tǒng)計;在移動和車載中，應(yīng)用lpr系統(tǒng)可以對公路、街道等復(fù)雜地點的車輛隨時進(jìn)行車輛牌照識別，有利于管理部門進(jìn)行巡視、監(jiān)管、處理突發(fā)情況。同時，汽車牌照自動識別的基本方法還可應(yīng)用到其他檢測和識別領(lǐng)域，所以汽車牌照的識別問題已成為現(xiàn)代交通工程領(lǐng)域中研究的重點和熱點問題之一13。1.2 國內(nèi)外研究現(xiàn)狀目前，基于數(shù)字圖像處理和模式識別的方法是車牌自動識別中最為常用和最為有效的方法。車牌識別的兩個關(guān)鍵指標(biāo)是識別精度和識別速度。隨著計算機(jī)技術(shù)的發(fā)展，計算機(jī)處理能力越來越強(qiáng)，識別速度有了很大的提高，隨著lpr技術(shù)的發(fā)展，國內(nèi)外都有大量

9、關(guān)于車牌識別方面的研究的報道。國外這方面的研究工作開展的比較早，其中有代表性的工作有如下幾個方面：r.mullot等開發(fā)了一種既可以用于集裝箱識別，又可用于車牌識別的系統(tǒng)，該系統(tǒng)主要是利用文字紋理在車輛圖像中的共性進(jìn)行定位與識別，車牌識別與集裝箱識別共用一套硬件系統(tǒng)。youngsungso開發(fā)出一套實時車牌識別系統(tǒng)，據(jù)報道該系統(tǒng)的車牌定位正確率達(dá)到99.2%。日本在車牌圖像的獲取的方面作了大量的研究，并為系統(tǒng)產(chǎn)業(yè)化作了大量的工作14-20。國內(nèi)也有大量的學(xué)者從事這方面的研究，中國科學(xué)院自動化所的劉智勇等發(fā)表文章針對車牌特點，設(shè)計了一個變換函數(shù)來突出其特點，從而進(jìn)行車牌提取，該方法采用最大方差法

10、來進(jìn)行二值化閩值的選取，并對二值化后的圖像進(jìn)行水平掃描，找出候選區(qū)域。他們在一個樣本數(shù)為3180的樣本集中，車牌定位準(zhǔn)確率為99，42%，切分準(zhǔn)確率為94.52%，從當(dāng)時來看這是一個非常高的指標(biāo)，他們這套系統(tǒng)后來和漢王公司的車牌識別系統(tǒng)有很大的關(guān)系。北航的胡愛明等也利用模板匹配技術(shù)開發(fā)了一種車牌識別系統(tǒng)，其識別正確率據(jù)報道為97%以上，應(yīng)用環(huán)境為收費站21。1.3 本文章節(jié)安排本文以解決牌照識別中的問題為主線，各個章節(jié)內(nèi)容安排如下：第一章：緒論中介紹了課題研究的背景，國內(nèi)外研究的現(xiàn)狀等，已經(jīng)本文的章節(jié)安排。第二章：車牌的圖像預(yù)處理技術(shù)，介紹了幾種預(yù)處理技術(shù)，已經(jīng)各種技術(shù)的應(yīng)用，舉實例說明預(yù)處理

11、的過程和算法。第三章：車牌的定位技術(shù)，介紹了幾種車牌定位技術(shù)和算法，并舉實例說明算法的過程。第四章：車牌的分割技術(shù)，介紹了幾種車牌分割技術(shù)和算法，并舉實例說明算法的過程。第五章：車牌的字符識別技術(shù)，介紹了幾種車牌字符識別技術(shù)和算法，并舉實例說明算法的過程第六章：總結(jié)與展望?？偨Y(jié)了本文的主要工作，展望下一步的可能工作安排。二 車牌照圖像預(yù)處理技術(shù)在實際應(yīng)用中，我們的系統(tǒng)獲取的原始圖像不是完美的，例如對于系統(tǒng)獲取的原始圖像，由于噪聲、光照等原因，圖像的質(zhì)量不高，所以需要進(jìn)行預(yù)處理，以有利于提取我們感興趣的信息。圖像的預(yù)處理既可以在空間域?qū)崿F(xiàn)，也可以在頻空間內(nèi)實現(xiàn)，為了便于圖像處理，將更多的精力投入

12、到算法的研究與實現(xiàn)上，車牌圖像預(yù)處理是指對獲取的原始車牌圖像進(jìn)行車牌定位、分割和字符識別前所進(jìn)行的前處理。預(yù)處理的主要目是消除圖像中的干擾信息，恢復(fù)有價值的信息，增強(qiáng)汽車牌照的可檢測性和最大限度的降低車牌識別系統(tǒng)的運算量，從而改進(jìn)車牌圖像進(jìn)行車牌定位、分割和字符識別的可靠性22。本文圖像預(yù)處理包括對采集到的原始圖像進(jìn)行色彩校正、圖像增強(qiáng)、灰度化、濾波、銳化等處理，以克服干擾因素，最大限度的提高識別效果。車牌識別中的圖像獲取一般通過攝像機(jī)完成的。由于硬件等因素，所獲取的目標(biāo)圖像中，含有復(fù)雜的車身背景及自然背景信息，同時易受照明條件、天氣條件和運動失真、模糊等因素的影響，嚴(yán)重影響獲取圖像的質(zhì)量，給

13、之后的車牌分割及字符識別帶來很大的困難，所以在進(jìn)行車牌識別之間有必要對圖像進(jìn)行預(yù)處理操作。2.1cie-xyz系統(tǒng)轉(zhuǎn)化本程序是采用rgb轉(zhuǎn)化為cie-xyz系統(tǒng)來進(jìn)行運算。cie-xyz系統(tǒng)，就是在rgb系統(tǒng)的基礎(chǔ)上，用數(shù)學(xué)方法，選用三個理想的原色來代替實際的三原色，從而將cie-rgb系統(tǒng)中的光譜三刺激值 和色度坐標(biāo)r、g、b均變?yōu)檎?。選擇三個理想的原色（三刺激值）x、y、z，x代表紅原色,y代表綠原色,z代表藍(lán)原色,這三個原色不是物理上的真實色，而是虛構(gòu)的假想色。由xyz形成的虛線三角形將整個光譜軌跡包含在內(nèi)。因此整個光譜色變成了以xyz三角形作為色域的域內(nèi)色。在xyz系統(tǒng)中所得到的光譜

14、三刺激值、 、和色度坐標(biāo)x、y、z將完全變成正值。經(jīng)數(shù)學(xué)變換，兩組顏色空間的三刺激值有以下關(guān)系： x=0.490r+0.310g+0.200by=0.177r+0.812g+0.011b z= 0.010g+0.990b 兩組顏色空間色度坐標(biāo)的相互轉(zhuǎn)換關(guān)系為：x=（0.490r+0.310g+0.200b）/（0.667r+1.132g+1.200b）y=（0.117r+0.812g+0.010b）/（0.667r+1.132g+1.200b）z=（0.000r+0.010g+0.990b）/（0.667r+1.132g+1.200b）只要知道某一顏色的色度坐標(biāo)r、g、b，即可以求出它們在新設(shè)

15、想的三原色xyz顏色空間的的色度坐標(biāo)x、y、z。通過式的變換，對光譜色或一切自然界的色彩而言，變換后的色度坐標(biāo)均為正值，而且等能白光的色度坐標(biāo)仍然是（0.33，0.33），沒有改變。由cie-rgb系統(tǒng)按表的數(shù)據(jù)，計算的結(jié)果。所有光譜色度坐標(biāo)x(l)，y(l)，z(l)的數(shù)值均為正值。2.2 車牌的灰度化數(shù)字?jǐn)z像機(jī)采集到的原始圖像是 24 位真彩色圖像，真彩色圖像又稱rgb 圖像，它是利用 r , g ,b 三個分量表示一個像素值，其中 r , g ,b分別代表紅、綠、藍(lán)三種不同的顏色分量，通過三基色可以合成出242 種顏色。一幅 m n大小的圖片，需要一個 m n 3的多維數(shù)組才能存儲。在存

16、儲上開銷很大，而且在進(jìn)行圖像處理算法時會占用很大運算量。因此在對圖像進(jìn)行車牌定位分割等處理時要先將 24 位真彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以減小運算量。1.最大值算法：取 r , g ,b 值中最大的一個值，即gray =max( r , g , b)2.平均值算法：取 r , g ,b 的值的平均值作為灰度值，即gray = ( r + g +b) / 33.取 yuv 顏色空間的亮度分量 y 的值為當(dāng)前像素值，即gray = (w r * r + wg * g +wb * b)其中 , ,r g b w w w 分別為 r , g ,b 的權(quán)值。 2.3膨脹運算 2.3.1膨脹定義膨脹：將與物

17、體接觸的所有背景點合并到該物體中，使邊界向外部擴(kuò)張的過程。利用它可以填補(bǔ)物體中的空洞。b對x膨脹所產(chǎn)生的二值圖像d是滿足以下條件的點（x,y）的集合:如果b的原點平移到點（x,y），那么它與x的交集非空。在膨脹操作時，輸出像素值是輸入圖像相應(yīng)像素鄰域內(nèi)所有像素的最大值。2.3.2膨脹運算規(guī)則：膨脹超出圖像邊界的像素值定義為該數(shù)據(jù)類型允許的最小值，對于二進(jìn)制圖像，這些像素值設(shè)置為0；對于灰度圖像，unit8類型的最小值也為0。膨脹效果圖三 車牌照定位技術(shù)牌照的定位從圖像處理的意義上來說就是從一幅隨機(jī)圖像中找出一塊具有某種特征的區(qū)域，該區(qū).域中包含了汽車牌照。這種特征就是牌照本身區(qū)別于圖像其他部分

18、的特征。根據(jù)特征提取的不同，牌照定位的方法也就有很大的不同:1.利用牌照具有四邊形邊框的特點，通過檢測圖像中的長直線段，然后用一定的約束條件進(jìn)行搜索的方法來確定牌照的位置。這種方法定位的精度較高，但是易受到噪聲的影響。且對有些邊框磨損、不明顯的牌照效果不好。2.利用統(tǒng)計投影直方圖的方法，通過對含有汽車的圖像水平和垂直兩個方向的灰度投影直方圖的分析，來推斷出汽車牌照的位置。這種方法優(yōu)點是對圖像中的噪聲不敏感，缺點是定位精度不夠高。3.區(qū)域生長法是對邊緣圖像進(jìn)行均勻性區(qū)域生長以獲得潛在車牌區(qū)域，然后利用車牌的幾何特征以及車牌區(qū)域內(nèi)的邊緣灰度直方圖統(tǒng)計特征刪除偽車牌，即得到真實車牌。4.dtf變換法

19、是先對圖像逐行做dtf變換，然后把頻率系數(shù)逐行累加平均，并根據(jù)這些平均值做出頻率譜曲線，根據(jù)頻譜曲線中的“峰”的起始點位置確定車牌水平位置，對這一水平區(qū)域逐列做dtf變換可確定車牌豎直位置。5.近年來又出現(xiàn)了基于彩色汽車圖像牌照定位的方法。這種方法主要是利用我國汽車牌照字符與底色對比較多，彩色圖像比灰度圖像能夠更多的視覺信息并對各種光照不敏感等特點。這種方法也取得了較好的效果。本文采用對汽車圖像進(jìn)行水平掃描的辦法對車牌區(qū)域進(jìn)行定位分割。這種方法克服了噪聲的影響又提高了車牌定位分割的準(zhǔn)確性。在最后章節(jié)的實現(xiàn)中會具體看到算法的效果。3.1 sobel邊緣檢測sobel算子用于圖像處理 ，特別是在邊

20、緣檢測算法。 technically, it is a discrete differentiation operator , computing an approximation of the gradient of the image intensity function.從技術(shù)上講，它是一個離散的微分算子 ，計算了該逼近梯度的圖像強(qiáng)度函數(shù)。 at each point in the image, the result of the sobel operator is either the corresponding gradient vector or the norm of this

21、vector.在圖像中的每個點，sobel算子的結(jié)果是，其對應(yīng)的梯度向量或向量的范數(shù)。 the sobel operator is based on convolving the image with a small, separable, and integer valued filter in horizontal and vertical direction and is therefore relatively inexpensive in terms of computations.該sobel算子是基于卷積具有體積小，可分的形象，價值過濾和整數(shù)水平和垂直方向，因此在計算方面相對便宜

22、。 on the other hand, the gradient approximation which it produces is relatively crude, in particular for high frequency variations in the image.另一方面，梯度近似它生產(chǎn)的是比較粗糙，特別是對圖像中的高頻率的變化。簡化描述：簡單來說，操作計算梯度強(qiáng)度在每一點的形象，使光的方向最大可能增加對黑暗和方向率的變化研究。 the result therefore shows how abruptly or smoothly the image changes a

23、t that point, and therefore how likely it is that that part of the image represents an edge , as well as how that edge is likely to be oriented.因此，結(jié)果顯示“突然”或“順利”的形象在這一點上的變化，因此，怎么可能，那就是這種形象的一部分，代表了優(yōu)勢 ，以及如何這種優(yōu)勢很可能是導(dǎo)向。 in practice, the magnitude (likelihood of an edge) calculation is more reliable and e

24、asier to interpret than the direction calculation.在實踐中，幅度（邊可能性）計算更可靠和更容易理解的方向比計算。 mathematically, the gradient of a two-variable function (here the image intensity function) is at each image point a 2d vector with the components given by the derivatives in the horizontal and vertical directions.數(shù)學(xué)上，

25、 漸變的雙變量函數(shù)（這里的圖像強(qiáng)度函數(shù)），是在每個圖像點的二維向量與給定的組件衍生物在水平和垂直方向。 at each image point, the gradient vector points in the direction of largest possible intensity increase, and the length of the gradient vector corresponds to the rate of change in that direction.在每一個像點，在最大可能強(qiáng)度增加的方向梯度矢量點，漸變的矢量長度對應(yīng)于在該方向的變化率。 this imp

26、lies that the result of the sobel operator at an image point which is in a region of constant image intensity is a zero vector and at a point on an edge is a vector which points across the edge, from darker to brighter values.這意味著，該sobel算子在圖像點在不斷圖像強(qiáng)度區(qū)域結(jié)果是零向量，在邊緣上的一個點是一個向量，點對面，從黑暗的邊緣，到光明的價值。 算子包含兩組3x

27、3的矩陣，分別為橫向及縱向，將之與圖像作平面卷積，即可分別得出橫向及縱向的亮度差分近似值。邊沿提取圖片3.1.1sobel算子優(yōu)點：產(chǎn)生較好的邊緣檢測效果，抗噪聲能力較好，受噪聲影響小。sobel算子利用像素點上下左右鄰點的灰度加權(quán)算法，根據(jù)邊緣的極值這一現(xiàn)象進(jìn)行邊緣的檢測。對噪聲具有平滑左右。 3.2 randon圖像旋轉(zhuǎn) 3.2.1randon變換：其原理是對原圖像沿不同方向進(jìn)行投影，并對投影結(jié)果建立二維直方圖選取極值點為直線所對應(yīng)的點(二維直方圖中的每一個極值點的兩坐標(biāo)對應(yīng)直線邊緣的傾斜角度和位置，而該坐標(biāo)處對應(yīng)的函數(shù)值對應(yīng)投影的高度)，從而可以得到直線的幾何參數(shù)信息(傾斜角度和位置)如

28、果物體圖像具有大致沿豎直方向的物體邊緣，須先將圖像進(jìn)行預(yù)處理得到二值圖像然后根據(jù)randon變換，沿豎直方向?qū)Χ祱D像進(jìn)行投影 3.2.2randon具體數(shù)學(xué)原理設(shè)（x）的=（的x，y）是一個連續(xù)函數(shù)，radon變換，r，是由一個函數(shù)l2中定義的空間直線在r線積分沿每個這樣的行：通過參數(shù)化radon變換可表示在這些坐標(biāo)3.2.3圖像的旋轉(zhuǎn)：應(yīng)用語句 imrotatebilinear 雙線性插值法imrotate(bw2,a,bilinear);%bw2為二值圖像旋轉(zhuǎn)四 車牌字符分割技術(shù)為了準(zhǔn)確地識別牌照上的漢字、英文字母和數(shù)字。必須把單個字符從牌照中提取分離出來。在實際處理中，我們面對的是要識

29、別的牌照字符情況非常復(fù)雜?？赡軙嬖谳^大的干擾、噪聲，這是由于各種設(shè)備可能產(chǎn)生的噪聲所引起的，使得牌照圖像中可能產(chǎn)生字符之間斷裂的現(xiàn)象，圖像中算符的筆畫可能產(chǎn)生字符之間粘連或者字符斷裂的現(xiàn)象;算符的筆畫可能變粗，其影響是字符的輪廓模糊不清、字符之間粘連。同時，經(jīng)牌照定位而分割出的牌照區(qū)域亦非完全精確到牌照上的字符區(qū)域，所面對的是在牌照四個邊框附近誤差幾個象素;并且字符為白字，還將有汽車保險杠與牌照四邊邊框的殘留圖像以及牌照上兩個鉚釘干擾的一個區(qū)域。這就要求我們對牌照要有一定的了解。現(xiàn)有的牌照有四種類型:(1)小功率汽車所用的藍(lán)底白字牌照;(2)大功率汽車所用的黃底黑字牌照;(3)軍用或警用的白

30、底黑字、紅字牌照;(4)國外駐華機(jī)構(gòu)用的黑底白字牌照。這四種牌照的外輪廓長度均為45omm，總的寬度為150mm，共有字符7個(不包括第二、三字符之間的小圓點)。標(biāo)準(zhǔn)的民用車輛牌照(軍車、警車、教練車、領(lǐng)事館車除外)均為七個字符，首位為省名縮寫(漢字)，次位為英文字母，再次位為英文字母或阿拉伯?dāng)?shù)字，末四位字符均為數(shù)字。字符總長度為409mm，其中單個字符統(tǒng)一寬度為45mm，高90mm，第二三個字符間間距為34mm(中間小圓點10mm寬，小圓點與第二、三個字符間間距分別為12mm)，其余字符間間距為12mm。牌照字符為規(guī)則的印刷體字，其字符串長度比、字符間隙、字符的寬高比及筆畫寬高都是按照嚴(yán)格的

31、標(biāo)準(zhǔn)制造的，在牌照圖像數(shù)字化、提取和校正的過程中會代入一些干擾，但字符串參數(shù)之間的相互關(guān)系都不會發(fā)生很大的變化。實現(xiàn)字符分割的算法如下:記錄豎直方向投影值小于一定閾值的水平坐標(biāo)，為的字符分界點，從而進(jìn)行字符的分割23。影響算法效率的主要因素:1.判斷是否為字符邊界線的閉值;2.尋找字符右側(cè)邊界的時候跳動的距離。這種切分算法簡單，但是適應(yīng)性不強(qiáng)。實際中漢字可能與左邊框相連，在字符分割時有可能會把邊框包括進(jìn)去。對于這個問題的處理方法是:如果發(fā)現(xiàn)漢字寬度大于標(biāo)準(zhǔn)寬度，則根據(jù)標(biāo)準(zhǔn)寬度由左到右取出預(yù)選字符的一部分作為最后的漢字部分，以去掉左邊框部分。對于與字符相連的右邊框，我們也作同樣處理。其中，標(biāo)準(zhǔn)寬

32、度是根據(jù)字符高度與字符固定寬高比例計算所得。通過檢查字符的寬度，我們也可以發(fā)現(xiàn)字符間的粘連問題。如果某字符的寬度遠(yuǎn)遠(yuǎn)大于標(biāo)準(zhǔn)字符寬度，先找出它所在的位置，根據(jù)此預(yù)選字符的實際寬度和所處位置可估算出所含的這幾個字符在車牌字符串中的排位。例如:如果發(fā)現(xiàn)車牌的第4、5、6這幾個字符相連成一個預(yù)選字符，我們從預(yù)選字符的左端開始取一個具有標(biāo)準(zhǔn)字符寬度的部分，作為第4個字符，然后右移一個標(biāo)準(zhǔn)間距寬度，再同理選擇第5個字符，剩下的便是第6個字符。五 車牌字符識別技術(shù)現(xiàn)在就具體字符識別的常用方法作一個介紹和比較。字符識別有常規(guī)方法有以下四種:1.結(jié)構(gòu)模式識別方法。2. 貝葉斯統(tǒng)計決策模式識別方法。3.結(jié)構(gòu)與統(tǒng)

33、計相結(jié)合的識別方法。4.人工神經(jīng)網(wǎng)絡(luò)方法。不詳細(xì)介紹每一種方法，本文中使用人工神經(jīng)網(wǎng)絡(luò)方法。神經(jīng)網(wǎng)絡(luò)的字符識別系統(tǒng)是神經(jīng)網(wǎng)絡(luò)模式識別系統(tǒng)的一種，基本原理是一致的。根據(jù)神經(jīng)網(wǎng)絡(luò)字符識別系統(tǒng)中的特征提取部分是否存在，分為兩大類:有特征提取部分:這一類系統(tǒng)實際上是傳統(tǒng)模式識別方法與神經(jīng)網(wǎng)絡(luò)方法技術(shù)的結(jié)合，這種方法可以充分利用人的經(jīng)驗來獲取模式特征，利用神經(jīng)網(wǎng)絡(luò)分類能力來識別字符。特征提取必須能夠真正反映字符的特征。采用這種方法的識別網(wǎng)絡(luò)的結(jié)構(gòu)一般不很復(fù)雜，但抗干擾能力不如無特征提取部分的識別系統(tǒng)。無特征提取部分:省去特征提取，整個字符直接作為神經(jīng)網(wǎng)絡(luò)的輸入。這種方式下，系統(tǒng)用于分類的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)

34、雜度大大增加，輸入模式維數(shù)的增加導(dǎo)致了網(wǎng)絡(luò)規(guī)模的龐大。此外，神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)需要完全自己消除模式變形的影響。但是這種網(wǎng)絡(luò)的抗干擾性能好，識別率高。構(gòu)造神經(jīng)網(wǎng)絡(luò)分類器首先要選擇適當(dāng)?shù)木W(wǎng)絡(luò)結(jié)構(gòu):神經(jīng)網(wǎng)絡(luò)分類器的輸入就是字符的特征向量，神經(jīng)網(wǎng)絡(luò)分類器的輸出節(jié)點數(shù)應(yīng)根據(jù)結(jié)果的設(shè)定來決定，隱層數(shù)要選好，每層神經(jīng)元數(shù)要合適，目前有很多采用一層隱層的網(wǎng)絡(luò)結(jié)構(gòu)。然后要選擇適當(dāng)?shù)膶W(xué)習(xí)算法，這樣才會有很好的識別效果。六 實現(xiàn)及測試結(jié)果本章中將會給出設(shè)計并實現(xiàn)的車牌識別系統(tǒng)的實際過程。本文最后使用matlab2010開發(fā)了基于圖像的車牌識別系統(tǒng)，系統(tǒng)的實現(xiàn)過程如下：圖1為選取的一張拍攝下來的汽車圖片，使用圖1為原始采集

35、到的汽車圖片處理。圖1 處理的原始圖片使用了“yellow region filter”和“yellow region dialted”，提取汽車車牌的黃色區(qū)域，和對黃色區(qū)域做腐蝕膨脹運算，如圖2-3所示：圖2 yellow regions filter 結(jié)果圖3 yellow regions diltated 結(jié)果然后使用“l(fā)icense plate region”獲得到車前的車牌區(qū)域，并對車牌區(qū)域進(jìn)行放大。如圖4所示：圖4 license plate region結(jié)果繼續(xù)處理圖像，使用“determing the angle of the plate using the radon tra

36、nsform”通過radon變換獲取車牌區(qū)域的角度。如圖5所示：圖5 radon變換獲取車牌區(qū)域的角度結(jié)果使用“yellow region rotated”和“yellow region dialted”將汽車車牌的黃色區(qū)域進(jìn)行角度旋轉(zhuǎn)，并再次進(jìn)行腐蝕和膨脹操作。如圖：6-7所示：圖6 “yellow region rotated” 結(jié)果圖7 “yellow region dilated” 結(jié)果然后使用“improved license plate region”將車牌區(qū)域增強(qiáng)。如圖8所示：圖8 “improved license plate region” 結(jié)果圖9-10 是調(diào)整后的顏色控制

37、變化：圖9 顏色空間變化-1圖9 顏色空間變化-2然后，使用“l(fā)p grop”，獲取車牌顏色數(shù)字區(qū)域，詳細(xì)如圖10所示：圖10 獲取車牌顏色數(shù)字區(qū)域結(jié)果使用“gray scale lp”主要將數(shù)字區(qū)域轉(zhuǎn)換成為灰度，如圖11所示：圖11 “gray scale lp”轉(zhuǎn)換灰度結(jié)果使用“l(fā)p quantisation and equalization”進(jìn)行處理：圖12 lp quantisation and equalization處理結(jié)果使用“binary lp”和“normalized lp”將圖13,14圖片進(jìn)行數(shù)字化和標(biāo)準(zhǔn)化：圖15是調(diào)整后的顏色空間，圖16為lp矯正；圖13 binary

38、 lp 結(jié)果圖14 normalized lp結(jié)果圖15 顏色空間變化結(jié)果圖16 lp horizontal contours adjusted 結(jié)果圖17-23為整個字符識別的過程，弄清楚后面數(shù)字如何識別數(shù)字7識別：圖17 第一個數(shù)字“7”識別過程圖18 第二個數(shù)字“8”識別過程圖19 第三個數(shù)字“9”識別過程圖20 第四個數(shù)字“7”識別過程圖21 第五個數(shù)字“5”識別過程圖22 第六個數(shù)字“0”識別過程圖23 第七個數(shù)字“4”識別過程總識別結(jié)果如圖24所示：圖24 最終結(jié)果經(jīng)過100此的不同圖像車牌識別測試，本系統(tǒng)的正確率在90%以上。七 總結(jié)與展望7.1 本文工作總結(jié)本文論述了汽車牌照識

39、別的主要應(yīng)用技術(shù)和現(xiàn)階段的發(fā)展動向，簡要介紹了車牌識別系統(tǒng)軟件設(shè)計要求，對圖像處理處理技術(shù)中的圖像分割理論和方法進(jìn)行了討論;論文著重對牌照的預(yù)處理、定位、字符識別中特征量的提取、神經(jīng)網(wǎng)絡(luò)的構(gòu)成原理及算法實現(xiàn)進(jìn)行了詳細(xì)分析，并用軟件實現(xiàn)了完整的系統(tǒng)。通過實驗驗證了所提出的方法的可行性。7.2 下一步工作展望從技術(shù)角度來講，運用以計算機(jī)、通訊和控制技術(shù)，即3c技術(shù)為代表的現(xiàn)代科技對交通系統(tǒng)進(jìn)行控制和管理。涉及的技術(shù)領(lǐng)域很廣，包括系統(tǒng)工程、信號處理、電子工程、機(jī)械工程、計算機(jī)科學(xué)以及運籌學(xué)等領(lǐng)域。牌照識別在其中占有重要地位，可以廣泛應(yīng)用于高速公路監(jiān)控、電子警察、停車管理等系統(tǒng)。這對于我國交通狀況智能

40、化有很大現(xiàn)實意義。由于存在巨大的市場潛力，很多公司對牌照識別項目投入了大量的資金。北京行者多媒體有限公司、普天集團(tuán)、普天首信集團(tuán)此事業(yè)部等公司都在此項技術(shù)的市場化方面進(jìn)行了有益的嘗試。但是由于牌照識別的技術(shù)含量高、受客觀條件影響大等因素，并未見有較為通用的牌照識別系統(tǒng)由國內(nèi)的公司所開發(fā)。大部分的牌照識別系統(tǒng)屬于實驗室產(chǎn)品，未經(jīng)過嚴(yán)格的測試和市場檢驗。從目前的技術(shù)發(fā)展角度來看，開發(fā)一套通用的、可適應(yīng)于各種環(huán)境且真正具有應(yīng)用能力的牌照識別系統(tǒng)仍是較為困難的，但是開發(fā)一種特定條件下的牌照識別系統(tǒng)是完全可行的，并且具有很大的應(yīng)用價值。另外，如果一張圖片內(nèi)有多個車牌的情況下，識別系統(tǒng)的正確性也需要下一步

41、工作證實。參考文獻(xiàn)1 charl coetzee.pc based number plate recognition system.ieee transaction on pattern analysis and machine intelligence,7(8):124-129,1998.2 takashi naito,toshihiko tsukada.moving-vehicle license plate recognition method robust to changes in lighting conditions.system and computer in japan,vo

42、l.31,no.11,2000,pp:82-92.3 masataka kagesawa,shinichi ueno.vehicle recongnition system in infrared images using imap parallel vision board.electronics and communications in japan, part 3,vol.86,no.5,2003.4 da-shan gao,jie zhou.car license plate detection from complex scene.icsp2000, pp:1409-1414.5 d.m.emiris,d.e.koulouriotis.automated optic recognition of alphanumeric content in car license plates in a semi-structured environment.ieee transaction on pattern analysis and machine intelligence,7(8):121-129,2001.6 劉慶祥，蔣天發(fā).智能車牌識別系統(tǒng)中圖像獲取技術(shù)的研究.武漢理工大學(xué)學(xué)報.