基于MATLAB的車牌識別系統(tǒng)設(shè)計

1、基于MATLAB的車牌識別系統(tǒng)設(shè)計 學 院 測控與通信工程學院專 業(yè) 信號與信息處理學生姓名 二妮子 學 號 1101101101 指導教師 么么噠 基于MATLAB的車牌識別系統(tǒng)設(shè)計摘要：本文主要介紹了基于MATLAB的有關(guān)數(shù)字圖像處理的車牌數(shù)字識別系統(tǒng)。系統(tǒng)是利用單張包含車牌的靜態(tài)圖片進行識別的，整個識別過程主要分為車牌定位和字符分割和字符識別三個大的模塊。而其中的字符識別是系統(tǒng)的核心部分。字符識別目前運用的最多的就是神經(jīng)網(wǎng)絡(luò)和模板匹配的方法，本文所介紹的就是基于神經(jīng)網(wǎng)絡(luò)的方法來實現(xiàn)車牌數(shù)字的識別。過程中也相應(yīng)結(jié)合了特征提取、直方圖統(tǒng)計等一系列方法。從實驗得知，這種神經(jīng)網(wǎng)絡(luò)的方法實現(xiàn)簡單，

2、且容易理解，在確保識別準確率的前提下，可以提高識別的效率，使得系統(tǒng)在比較準確地定位了車牌及分割出字符后，能更準確地實現(xiàn)字符的識別。關(guān)鍵詞：車牌識別；matlab；神經(jīng)網(wǎng)絡(luò)1 引言隨著我國交通運輸?shù)牟粩喟l(fā)展，智能交通系統(tǒng)（Intelligent Traffic System，簡稱ITS）的推廣變的越來越重要，而作為ITS的一個重要組成部分，車牌識別系統(tǒng)（LPRS）是智能交通系統(tǒng)的重要組成部分。隨著機動車輛數(shù)量的大幅度增加以及計算機技術(shù)的發(fā)展，人們對交通控制系統(tǒng)的要求顯著提高。因而智能交通系統(tǒng)被廣泛地應(yīng)用于交通控制系統(tǒng)當中，比如高速公路收費、停車場車輛管理、違章車輛監(jiān)控、交通誘導控制等場合。這使得

3、車牌識別系統(tǒng)也得到了更廣泛的關(guān)注。與傳統(tǒng)的車輛管理方法比較，車牌識別系統(tǒng)可以大大提高交通管理的效率和水平，幫助實現(xiàn)車輛管理的規(guī)范化。由于牌照是機動車輛管理的唯一標識符號，因此，車輛牌照識別系統(tǒng)的研究在機動車管理方面具有十分重要的實際意義。2 車輛牌照識別系統(tǒng)工作原理車輛牌照識別系統(tǒng)的基本工作原理為：將攝像頭拍攝到的包含車輛牌照的圖像通過視頻卡輸入到計算機中進行預處理，再由檢索模塊對牌照進行搜索、檢測、定位，并分割出包含牌照字符的矩形區(qū)域，然后對牌照字符進行二值化并將其分割為單個字符，然后輸入JPEG或BMP格式的數(shù)字，輸出則為車牌號碼的數(shù)字。3 車輛牌照識別系統(tǒng)組成1.讀入圖像： 輸入的圖像由

4、于受到天氣影響，包括晴天、陰天、晚上等,由于光照影響和攝像機曝光的不同,再加上有些車牌老化污損、陳舊退色,這些都可能使車牌圖像產(chǎn)生對比度不足的弊端,圖像細節(jié)分辨不清,車牌字符部分不突出. 而且,對高速行進中的汽車拍攝的圖像往往產(chǎn)生模糊、扭曲、變形等現(xiàn)象,這些都增加了預處理的難度。而這些處理需要很復雜的過程，因為系統(tǒng)把讀入的圖片默認為比較清晰的、幾乎沒有傾斜角度的圖片。  2.圖像預處理：圖像預處理過程需要把圖像轉(zhuǎn)換成便于車牌定位的二值化圖像。需要經(jīng)過圖像灰度化，圖像增強，邊緣提取，二值化操作。  3.車牌定位：從預處理后的汽車圖像中分割出車牌圖像。即在一幅車輛圖像

5、中找到車牌所在的位置。4.字符分割：對車牌圖像進行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號碼的單個字符圖像5.字符識別：對分割出來的字符進行預處理（二值化、歸一化），然后分析提取，對分割出的字符圖像進行識別給出文本形式的車牌號碼。4 汽車牌照識別系統(tǒng)的matlab實現(xiàn)4.1 圖像預處理 圖像在形成、傳輸或變換過程中，受多種因素的影響，如：光學系統(tǒng)失真、系統(tǒng)噪聲、曝光不足或過量、相對運動等，往往會與原始景物之間或圖像與原始圖像之間產(chǎn)生了某種差異，這種差異稱為降質(zhì)或退化。因此在圖像處理之前必須進行預處理，包括去除噪音、邊界增強、增加亮度等。     輸入

6、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。對圖像進行灰度化處理、邊緣提取、再利用形態(tài)學方法對車牌進行定位。    具體步驟如下：首先對圖像進行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對圖像進行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對圖像進行閉合應(yīng)算使車牌所在的區(qū)域形成連通。再進行形態(tài)學濾波去除其它區(qū)域。圖像預處理原圖像灰度圖像邊緣檢測腐蝕圖像填充后圖像形態(tài)學濾波后圖像 通過對比原始圖片，我們可以發(fā)現(xiàn)形態(tài)濾波后的圖像已經(jīng)很接近正確的車牌位置了，因此后期

7、處理將通過這張圖來找出車牌位置。車牌定位  觀察經(jīng)過預處理后得到的圖像發(fā)現(xiàn)車牌位置有明顯的矩形有明顯的矩形圖樣，通過對矩形區(qū)域的定位即可獲得具體的車牌位置。（1）車牌的行起始和終止位置的確定。車牌的列起始位置和終止位置的確定。（2） 最后拼合獲取的車牌在圖像的行列位置定位剪切后彩色車牌圖像（3） 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。灰度圖像二值化車牌圖像 4.3 車牌字符識別建立字符模板數(shù)據(jù)庫     模板庫的合理建造是字符識別準確的關(guān)鍵

8、之一，所以在字符識別之前必須把模板庫設(shè)置好。汽車牌照的字符一般有 7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，十個阿拉伯數(shù)字09， 26個大寫英文字母AZ以及相關(guān)的車牌用漢字：京、滬、蘇、臺、港、澳、甲、乙、丙、使、領(lǐng)、學、試、境、消、邊、警等，以及新式軍牌中的漢字南、蘭、廣、北、沈、濟、空、海等；車牌顏色：藍、白、黑、黃等。所以建立字符模板庫也極為方便。4.3.1 構(gòu)造訓練樣本如下圖所示的數(shù)字和字母 建立模板數(shù)據(jù)庫時必須對這些圖片進行統(tǒng)一處理，因為對前面處理分割后的車牌圖像的測

9、量得知單個字符的最佳寬高比是1：2，所以將這些圖片歸一化為50×25大??；因為之后的字符識別考慮使用神經(jīng)網(wǎng)絡(luò)算法進行字符識別，所以再將上面歸一化后的模板圖像的樣本排列在一起構(gòu)成1250×18的矩陣樣本。 將樣本進行歸一化為50X20大小，再將圖像按列轉(zhuǎn)換成一個1000X1的行向量，將上述18個圖像的樣本排列在一起構(gòu)成1000X18的矩陣樣本，盡可能多的采集汽車圖像提取車牌，部分切分出車牌字符，構(gòu)造出更多1000X18的矩形樣本，用構(gòu)造好的樣本庫對神經(jīng)網(wǎng)絡(luò)進行訓練。4.3.2 構(gòu)造輸入樣本，按同樣的方法，將前面分割出的樣本歸一化 4.3.3 神經(jīng)網(wǎng)絡(luò)進行識別總結(jié) 目前，基于數(shù)

10、字圖像的車牌數(shù)字識別系統(tǒng)已經(jīng)開發(fā)完畢。系統(tǒng)設(shè)計過程中，在對圖像處理概念和方法有了一定了解之后，開始了系統(tǒng)的開發(fā)，此過程大概用了一個半月時間。而后完成系統(tǒng)的實現(xiàn)和測試。系統(tǒng)基本完成了當初預計的功能，根據(jù)輸入的包含車牌信息的靜態(tài)圖片，利用神經(jīng)網(wǎng)絡(luò)方法識別車牌內(nèi)部數(shù)字。就目前結(jié)果來看，系統(tǒng)基本實現(xiàn)了當初預計的功能。  本系統(tǒng)的特點： 1. 原創(chuàng)性：在消化理解了現(xiàn)有一些圖像操作算法的基礎(chǔ)上，根據(jù)實際情況，將有關(guān)算法轉(zhuǎn)化為了個人的方法，從系統(tǒng)實驗結(jié)果可以看到，這些算法起到了一定效果  2. 多方式運行：系統(tǒng)可以實現(xiàn)一鍵運行，即運行程序立即顯現(xiàn)結(jié)果。同時，可以進行分步運行，幫

11、助用戶及使用者觀察到系統(tǒng)每一步運行所產(chǎn)生的變化，進而更加理解系統(tǒng)的作用，能夠更好的運行系統(tǒng)。  3. 方法的豐富性：系統(tǒng)中運用了多種圖像處理算法，并加之個人理解，從而形成了一個功能比較齊全的軟件系統(tǒng)。 展望 雖然系統(tǒng)目前完成了基本功能，但是由于圖像處理操作很多，并且其設(shè)計的知識也相當?shù)膹V，在短時間內(nèi)很難全部理解和靈活運用，再加之個人技術(shù)水平的限制，因此系統(tǒng)仍存在一些不足之處，總結(jié)起來主要有以下三個方面:  1. 系統(tǒng)默認輸入圖片為具有一定清晰度的圖片，但是也會有模糊的情況，系統(tǒng)應(yīng)降低它的局限性，因此應(yīng)增加一些更進一步的圖像增強的操作，以使得能夠處理大部分圖片，且能

12、更好的進行車牌定位。  2. 車牌定位算法，雖然可以定位出車牌的位置，但有時還是會出現(xiàn)一定偏差，仍可以進一步完善。  3.系統(tǒng)字符識別過程中的神經(jīng)網(wǎng)絡(luò)參數(shù)選擇如果更加精確，可以更加準確的識別。附錄：clear all;close all;clc; I=imread('H:/532.jpg'); %讀取圖片 figure(1);imshow(I);I1=rgb2gray(I); %轉(zhuǎn)化為灰度圖像 figure(2);imshow(I1);I2=edge(I1,'roberts',0.09,'both'); %采用robert算子

13、進行邊緣檢測 figure(3);imshow(I2);se=1;1;1; %線型結(jié)構(gòu)元素 I3=imerode(I2,se); %腐蝕圖像figure(4);imshow(I3);se=strel('rectangle',25,25); %矩形結(jié)構(gòu)元素 I4=imclose(I3,se); %圖像聚類、填充圖像 figure(5);imshow(I4);I5=bwareaopen(I4,2000); %去除聚團灰度值小于2000的部分<span style="color:#ff0000;"> figure(6);imshow(I5);y,x,=

14、size(I5); I6=double(I5); %繪制行曲線圖 Y1=zeros(y,1); for i=1:y for j=1:x if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end figure(7); subplot(1,2,1); plot(0:y-1,Y1),title('行像素灰度值累計'),xlabel('行值'),ylabel('像素和'); temp, MaxY=max(Y1); PY1=MaxY; while (Y1(PY1,1)>=80)&&(PY1>

15、1) PY1=PY1-7; end PY2=MaxY; while (Y1(PY2,1)>=80)&&(PY2<y) PY2=PY2+7; end %繪制列曲線圖 X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(1,2,2); plot(0:x-1,X1),title('列像素灰度值累計'),xlabel('列值'),ylabel('像數(shù)和'); PX1=1; while (X1

16、(1,PX1)<3)&&(PX1<x) PX1=PX1+7; end PX2=x; while (X1(1,PX2)<3)&&(PX2>PX1) PX2=PX2-7; end DW=I(PY1:PY2,PX1:PX2,:); figure(8); imshow(DW),title('車牌定位后圖像');% 車牌圖像轉(zhuǎn)為灰度 if isrgb(I) I1 = rgb2gray(I); else I1 = I; end % 二值化車牌圖像 I1 = im2bw(I1,graythresh(I1);%二值化圖像 I2 = bwa

17、reaopen(I1,16);%去除小于16像素的區(qū)塊 figure(); subplot(1,2,1); imshow(I2),title('二值化車牌圖像'); % 分割字符按行積累量 y,x=size(I2); I3=double(I2); X1=zeros(1,x); for j=1:x for i=1:y if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(1,2,2); plot(0:x-1,X1),title('車牌列像素點累計'),xlabel('列值'),ylabel(

18、'像素和'); % 分割字符 Px0=1; Px1=1; figure(); for i=1:7 while (X1(1,Px0)<3)&&(Px0<x) Px0=Px0+1; end Px1=Px0; while (X1(1,Px1)>=3)&&(Px1<x)|(Px1-Px0)<10) Px1=Px1+1; end Z=I2(:,Px0:Px1,:); switch strcat('Z',num2str(i) case 'Z1' PIN0=Z; case 'Z2'

19、PIN1=Z; case 'Z3' PIN2=Z; case 'Z4' PIN3=Z; case 'Z5' PIN4=Z; case 'Z6' PIN5=Z; otherwise PIN6=Z; end subplot(1,7,i); imshow(Z); Px0=Px1; end function inpt = Pretreatment(I) % 訓練樣本前期處理 if isrgb(I) I1 = rgb2gray(I); else I1=I; end I1=imresize(I1,50 25);%將圖片統(tǒng)一劃為50*25大小

20、I1=im2bw(I1,0.9); m,n=size(I1); inpt=zeros(1,m*n); % 將圖像按列轉(zhuǎn)換成一個行向量 for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); end end close all; clear all; % 歸一化訓練樣本 I0=pretreatment(imread('BP/0.jpg'); I1=pretreatment(imread('BP/1.jpg'); I2=pretreatment(imread('BP/2.jpg'); I3=pretreatmen

21、t(imread('BP/3.jpg'); I4=pretreatment(imread('BP/4.jpg'); I5=pretreatment(imread('BP/5.jpg'); I6=pretreatment(imread('BP/6.jpg'); I7=pretreatment(imread('BP/7.jpg'); I8=pretreatment(imread('BP/8.jpg'); I9=pretreatment(imread('BP/9.jpg'); I10=pr

22、etreatment(imread('BP/A.jpg'); I11=pretreatment(imread('BP/B.jpg'); I12=pretreatment(imread('BP/C.jpg'); I13=pretreatment(imread('BP/D.jpg'); I14=pretreatment(imread('BP/G.jpg'); I15=pretreatment(imread('BP/K.jpg'); I16=pretreatment(imread('BP/L.jp

23、g'); I17=pretreatment(imread('BP/M.jpg'); P=I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17' T=eye(18,18); %輸出樣本 % bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置 net=newff(minmax(P),1250,32,18,'logsig','logsig

24、','logsig','trainrp'); net.inputWeights1,1.initFcn ='randnr' net.layerWeights2,1.initFcn ='randnr' net.trainparam.epochs=5000; net.trainparam.show=50; %net.trainparam.lr=0.003; net.trainparam.goal=0.0000000001; net=init(net); net,tr=train(net,P,T); %訓練樣本 % 測試 I=im

25、read('CAR/0.jpg'); DW=Location(I);%車牌定位 PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(DW);%字符分割及處理 % 測試字符，得到識別數(shù)值 PIN0=pretreatment(PIN0); PIN1=pretreatment(PIN1); PIN2=pretreatment(PIN2); PIN3=pretreatment(PIN3); PIN4=pretreatment(PIN4); PIN5=pretreatment(PIN5); PIN6=pretreatment(PIN6); P0=PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6' for i=2