基于MATLAB的車牌分割與數(shù)字識(shí)別系統(tǒng)畢業(yè)論文

學(xué)號(hào)：南湖學(xué)院畢業(yè)設(shè)計(jì)（論文）題目：基于MATLAB的車牌分割與數(shù)字識(shí)別算法設(shè)計(jì)作者屆別系別機(jī)械與電子工程系專業(yè)電子信息工程指導(dǎo)老師職稱完成時(shí)間2013.05摘要車牌識(shí)別技術(shù)是智能道路交通管理的重要容，其識(shí)別的準(zhǔn)確性和可靠性直接影響到交通管理系統(tǒng)的性能。車牌識(shí)別技術(shù)包括車牌圖像獲取、車牌定位、車牌分割、車牌校正、車牌字符分割、車牌字符歸一化和車牌字符識(shí)別，本文重點(diǎn)針對(duì)車牌圖像的分割和車牌數(shù)字的識(shí)別進(jìn)行了算法研究和設(shè)計(jì)，同時(shí)也對(duì)其它步驟進(jìn)行了探討。論文首先對(duì)獲取的車牌圖像進(jìn)行了預(yù)處理，包括車牌圖像增強(qiáng)、車牌區(qū)域提取、車牌幾何校正以與車牌字符分割和歸一化，然后設(shè)計(jì)了BP網(wǎng)絡(luò)算法，最后在MATLAB平臺(tái)上設(shè)計(jì)實(shí)現(xiàn)了以上各種算法。實(shí)驗(yàn)結(jié)果表明，本文中的分割算法能準(zhǔn)確的獲取字符區(qū)域并實(shí)現(xiàn)對(duì)字符的分割和歸一化，經(jīng)過(guò)訓(xùn)練后的BP網(wǎng)絡(luò)能穩(wěn)定、可靠的實(shí)現(xiàn)對(duì)分割后字符的識(shí)別，實(shí)驗(yàn)結(jié)果達(dá)到預(yù)期要求。關(guān)鍵詞：MATLAB；車牌分割；圖像預(yù)處理；數(shù)字識(shí)別AbstractLicenseplaterecognitiontechnologyisanimportantcontentofintelligenttrafficmanagement,accuracyandreliabilityidentificationdirectlyaffectstheperformanceoftrafficmanagementsystem.Licenseplaterecognitiontechnologyincludelicenseplateimageacquisition,licenseplatelocation,licenseplatesegmentation,licenseplatecorrection,licenseplatecharactersegmentation,normalizationoflicenseplatecharactersegmentationandlicenseplatecharacterrecognition.Thispapermainlydesignandresearchonthealgorithmforlicenseplateimagesegmentationandlicenseplatenumberrecognition,butalsoforothersteps.Firstly,thethesisgetthelicenseplateimagepreprocessing,includinglicenseplateimageenhancement,plateregionextraction,plategeometriccorrectionandlicenseplatecharactersegmentationandnormalization,andthendesignstheBPnetworkalgorithm,finallyusetheMATLABplatformtodesignalgorithmstoimplementabove.Experimentalresultsshowthatthesegmentationalgorithminthisthesiscanobtaincharacterareaandrealizethecharactersegmentationandnormalizationaccurately,aftertrainingtheBPnetworkcanimplementtherecognitionforcharactersegmentationstablyandreliably,theexperimentalreachesexpectation.Keywords:MATLAB;Licenseplatesegmentation;Imagepreprocessing;Digitalidentification目錄摘要IAbstractII1緒論11.1引言11.2車牌識(shí)別技術(shù)概述11.3車牌分割和數(shù)字識(shí)別的發(fā)展歷史和現(xiàn)狀21.4車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用31.5本文的主要容與結(jié)構(gòu)安排32車牌分割方法42.1車牌獲取42.2車牌預(yù)處理42.3車牌分割73車牌數(shù)字識(shí)別方法113.1數(shù)字識(shí)別概述113.2車牌數(shù)字特點(diǎn)113.3基于神經(jīng)網(wǎng)路的車牌數(shù)字識(shí)別124基于MATLAB的算法設(shè)計(jì)與實(shí)現(xiàn)154.1MATLAB概述154.2車牌分割算法設(shè)計(jì)154.3車牌字符識(shí)別算法設(shè)計(jì)245總結(jié)與展望315.1總結(jié)315.2展望31參考文獻(xiàn)32致341緒論1.1引言近年來(lái)，由于國(guó)外的交通迅速發(fā)展，車牌識(shí)別系統(tǒng)作為數(shù)字?jǐn)z像、計(jì)算機(jī)信息管理、圖像分割和圖形識(shí)別技術(shù)在智能交通領(lǐng)域得到廣泛的應(yīng)用，該項(xiàng)技術(shù)成為了智能交通管理系統(tǒng)中不可或缺的重要組成部分，例如道路交通監(jiān)控、交通事故現(xiàn)場(chǎng)勘察、交通違章自動(dòng)記錄、高速公路超速管理系統(tǒng)、小區(qū)智能化管理等各方面，是智能交通管理系統(tǒng)中高效、時(shí)效的最重要手段之一[1-2]。目前，全球各國(guó)都在研究適合于本國(guó)的車牌識(shí)別系統(tǒng)，美國(guó)、日本、國(guó)等諸多國(guó)家都已經(jīng)研究出相關(guān)的識(shí)別系統(tǒng)（基于傳感器）。由于引進(jìn)這些系統(tǒng)成本極高，而且引進(jìn)的技術(shù)也不一定適用于我國(guó)的車牌以與實(shí)際的交通環(huán)境，所引進(jìn)的系統(tǒng)往往并不能滿足我國(guó)需求，盡管國(guó)市場(chǎng)上已有不少投入生產(chǎn)并使用的產(chǎn)品，但是這些產(chǎn)品的后續(xù)處理仍然需要大量的人工識(shí)別，所以車牌識(shí)別技術(shù)的研究依然是我國(guó)目前高科技領(lǐng)域的熱門課題之一。為了促使車牌識(shí)別技術(shù)的快速發(fā)展，需要對(duì)該項(xiàng)技術(shù)提出更高的要求，使得該項(xiàng)技術(shù)日益精湛。該系統(tǒng)軟件處理具有兩大主要模塊：圖像處理模塊和字符識(shí)別模塊。由于MATLAB語(yǔ)言對(duì)圖像處理和字符識(shí)別異常方便，在數(shù)字圖像處理中有著其他語(yǔ)言所無(wú)法比擬的優(yōu)勢(shì)，由于它能直接調(diào)用預(yù)先編好的函數(shù)，使得整個(gè)系統(tǒng)有了較高的保障。所以本文介紹的是利用MATLAB對(duì)圖像處理模塊和字符識(shí)別模的設(shè)計(jì)和研究。1.2車牌識(shí)別技術(shù)概述隨著日益發(fā)展的計(jì)算機(jī)科技和不斷提高的硬件水平，數(shù)字識(shí)別技術(shù)以與人工智能理論的有效結(jié)合，智能車牌識(shí)別技術(shù)發(fā)展日趨完善。智能車牌識(shí)別系統(tǒng)以與工作原理實(shí)質(zhì)上就是融合數(shù)字?jǐn)z像技術(shù)和計(jì)算機(jī)信息管理技術(shù)，采用先進(jìn)的數(shù)字圖像處理工具、數(shù)字識(shí)別以與人工智能技術(shù)，通過(guò)對(duì)原始圖像的采集、預(yù)處理、分割、識(shí)別等相應(yīng)的措施，獲得我們想要的圖像信息，進(jìn)而實(shí)現(xiàn)對(duì)車牌字符自動(dòng)識(shí)別的系統(tǒng)，該系統(tǒng)是數(shù)字識(shí)別技術(shù)在現(xiàn)實(shí)生活中實(shí)際應(yīng)用中的實(shí)踐之一。目前，一個(gè)完整的車牌識(shí)別系統(tǒng)需要完成從圖像采集到字符的識(shí)別以與輸出的復(fù)雜過(guò)程，需要硬件和軟件兩大組成部分。其中硬件包括系統(tǒng)觸發(fā)、圖像采集兩個(gè)主要組成部分，軟件則包含了圖像預(yù)處理、車牌獲取、字符分割以與字符識(shí)別四個(gè)主要模塊。一個(gè)完整的車牌識(shí)別系統(tǒng)主要結(jié)構(gòu)如圖1.1所示：圖1.1車牌識(shí)別系統(tǒng)結(jié)構(gòu)圖1.3車牌分割和數(shù)字識(shí)別的發(fā)展歷史和現(xiàn)狀自1988年提出車牌識(shí)別（LicensePlateRecognition，LPR）技術(shù)以來(lái)，人們己經(jīng)對(duì)其進(jìn)行了廣泛的研究，而近些年來(lái)，車牌識(shí)別的技術(shù)發(fā)展迅速，就識(shí)別基礎(chǔ)而言，主要可以分為基于IC(即無(wú)線電頻率鑒別（REID）)或是基于條碼識(shí)別的間接法和基于圖像車牌識(shí)別的直接法。原始的圖像采集，由于受到外界環(huán)境中光線差異、光路中灰塵密度差異、季節(jié)環(huán)境變化的影響，以與車牌本身比較模糊等諸多客觀因素影響，使得LPR技術(shù)的發(fā)展受到一定的限制。為了解決圖像的惡化等問題，國(guó)外的許多研究機(jī)構(gòu)、高校以與公司企業(yè)采取的主要采用的方法是主動(dòng)紅外照明攝像或使用特殊的傳感器來(lái)提高圖像的質(zhì)量，從而提高識(shí)別率，但這種做法的同時(shí)也使得投資的成本加大了不少，且減小了應(yīng)用領(lǐng)域，不并適合普遍的推廣與工業(yè)生產(chǎn)。國(guó)外己有不少關(guān)于車牌數(shù)字識(shí)別的文章發(fā)表，有相當(dāng)一部分比較成熟，并已經(jīng)投入實(shí)際生產(chǎn)使用中。早在70年代，國(guó)外就已經(jīng)存在自動(dòng)車牌檢測(cè)系統(tǒng)，且應(yīng)用于檢查被盜車輛的情況，車牌識(shí)別系統(tǒng)發(fā)展到今天，已經(jīng)達(dá)到較高的應(yīng)用水平。在車牌識(shí)別發(fā)展的過(guò)程中，也出現(xiàn)了許多不同的技術(shù)方法，例如英國(guó)IPI公司研發(fā)了RTVNPR系統(tǒng)，新加坡Optasia公司的VLPRS產(chǎn)品，以色列Hi-Tech公司的SeeCarSystem系列產(chǎn)品，HSTOL公司開發(fā)的LPR系統(tǒng)，以與中國(guó)AsiaVisionTechnology公司的VECON產(chǎn)品等較為實(shí)用[3]。由于VECON系統(tǒng)和VLPRS系統(tǒng)都只是適合于當(dāng)?shù)氐能嚺?，摒棄SeeCarSystem對(duì)我國(guó)的漢字識(shí)別較低，加上我國(guó)車牌自動(dòng)識(shí)別的研究起步較晚，且我國(guó)的車牌并不規(guī)，多樣化，不同的車型車牌規(guī)格、大小、顏色也不同，這也就造成了對(duì)車牌識(shí)別相當(dāng)大的困難。目前，比較適合我國(guó)的產(chǎn)品主要有中科院自動(dòng)化研究所漢王公司的“漢王眼”、川大智勝軟件的ZT2000車牌自動(dòng)別系統(tǒng)等。與此同時(shí)，國(guó)許多研究機(jī)構(gòu)和高等院校也開始對(duì)車牌識(shí)別系統(tǒng)進(jìn)行理論研究與實(shí)際開發(fā)。1.4車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用車牌識(shí)別系統(tǒng)的核心是微處理器，它基于圖像處理、數(shù)字識(shí)別等技術(shù)的高智能電子系統(tǒng)，該系統(tǒng)主要由攝像頭、視頻采集接口、輔助照明裝置、計(jì)算機(jī)以與識(shí)別軟件等組成。基本過(guò)程是攝像頭所拍攝的原始圖像通過(guò)視頻采集接口輸入計(jì)算機(jī)，通過(guò)所預(yù)設(shè)的識(shí)別軟件進(jìn)行識(shí)別并輸出。因此，在車牌識(shí)別中，車牌分割和數(shù)字識(shí)別占有主要的作用。在車牌識(shí)別系統(tǒng)中，車牌分割需要完成的任務(wù)是將原始圖像中的車牌區(qū)域分割出來(lái)，并將車牌字符準(zhǔn)確的切分出來(lái)。在正式識(shí)別前，我們要做的僅僅是字符的分割，字符分割的好壞，直接影響著字符識(shí)別的準(zhǔn)確率。也就是說(shuō)，一個(gè)好的車牌識(shí)別系統(tǒng)的前提是有一個(gè)好的車牌分割模塊，無(wú)法將字符很好的從原始圖像中分割出來(lái)，意味著字符無(wú)法被準(zhǔn)確的識(shí)別，也就意味著該車牌自動(dòng)識(shí)別系統(tǒng)無(wú)法投入實(shí)際中應(yīng)用。經(jīng)過(guò)圖像預(yù)處理、車牌定位、字符分割并校正后，才可以進(jìn)行字符識(shí)別。車牌識(shí)別中最關(guān)鍵的步驟就是字符識(shí)別。字符識(shí)別模塊是目前最難處理的部分，卻也是車牌識(shí)別技術(shù)中最關(guān)鍵的部分。字符的識(shí)別率和識(shí)別時(shí)間是字符識(shí)別性能的主要技術(shù)指標(biāo)?？焖?、準(zhǔn)確以與具備較強(qiáng)的魯棒性是字符識(shí)別的目標(biāo)。一個(gè)好的車牌自動(dòng)識(shí)別系統(tǒng)，關(guān)鍵就看其字符識(shí)別的性能。由此可知，車牌分割和數(shù)字識(shí)別是車牌識(shí)別技術(shù)中的兩大主要技術(shù)指標(biāo)。其中最關(guān)鍵的是數(shù)字識(shí)別技術(shù)。1.5本文的主要容與結(jié)構(gòu)安排本文研究的容包括了車牌識(shí)別系統(tǒng)的五個(gè)主要組成部分的算法，提出了有效的解決策略，進(jìn)行了測(cè)試，并完成了車牌識(shí)別系統(tǒng)的開發(fā)。本文的主要容共分為五章，容安排如下：第一節(jié)緒論，概述了車牌識(shí)別技術(shù)，總結(jié)了國(guó)外車牌識(shí)別系統(tǒng)的發(fā)展歷史和現(xiàn)狀，介紹了車牌分割和數(shù)字識(shí)別在車牌識(shí)別中的作用，最后簡(jiǎn)述了本文的主要容與結(jié)構(gòu)安排；第二節(jié)車牌分割方法的研究，首先介紹了車牌獲取的方法，接下來(lái)簡(jiǎn)述了車牌預(yù)處理的基本算法，包括灰度話、二值化、濾波、增強(qiáng)、邊緣檢測(cè)等，然后是車牌分割的基本步驟，最后介紹了歸一化處理。第三節(jié)車牌數(shù)字識(shí)別方法的研究，概述了數(shù)字識(shí)別的現(xiàn)狀，簡(jiǎn)述了車牌數(shù)字特點(diǎn)，最后介紹了基于BP神經(jīng)網(wǎng)絡(luò)的車牌數(shù)字識(shí)別的算法。第四節(jié)主要介紹的是基于MATLAB的算法設(shè)計(jì)與實(shí)現(xiàn)，主要介紹MATLAB概述、車牌分割算法設(shè)計(jì)、車牌字符識(shí)別算法設(shè)計(jì)三個(gè)方面，包括系統(tǒng)的算法流程、程序設(shè)計(jì)，并給出了設(shè)計(jì)的仿真結(jié)果與分析。最后一部分是結(jié)論，總結(jié)了本文的研究成果，并做出了分析和評(píng)價(jià)，同時(shí)對(duì)未來(lái)提出了展望。2車牌分割方法2.1車牌獲取車牌獲取即圖像采集部分，大體分為檢測(cè)和成像兩個(gè)部分。車輛檢測(cè)即使用傳感器技術(shù)，檢測(cè)目標(biāo)區(qū)域有無(wú)車輛。當(dāng)機(jī)動(dòng)車輛在路過(guò)預(yù)先設(shè)置好的攝像頭并達(dá)到觸發(fā)條件，攝像頭即可拍攝出原始圖像，圖像采集卡將所拍攝的圖像從視頻信號(hào)轉(zhuǎn)化為數(shù)字信號(hào)傳輸?shù)接?jì)算機(jī)中，這就完成了車牌的獲取過(guò)程。其中車牌獲取流程圖如圖2.1所示圖2.1車牌獲取流程圖實(shí)質(zhì)上，車牌獲取就是指在實(shí)際拍攝的圖像中確定車牌區(qū)域、位置，以便提取、分割車牌區(qū)域。受自然等客觀條件的影響，需要對(duì)車牌進(jìn)行預(yù)處理，以便提高車牌的識(shí)別率。車牌識(shí)別主要包括三個(gè)步驟：（1）對(duì)拍攝的圖片進(jìn)行格式識(shí)別、灰度化、二值化、濾波、邊緣檢測(cè)等圖片預(yù)處理；（2）利用各種算法將已通過(guò)預(yù)處理的圖片準(zhǔn)確定位其車牌的位置，并將車牌所處的位置分割出來(lái)，為接下來(lái)的字符切割做好相關(guān)準(zhǔn)備；（3）對(duì)切割出來(lái)的字符進(jìn)行歸一化和識(shí)別。2.2車牌預(yù)處理照片拍攝的好壞受許多外界因素決定，例如光照強(qiáng)度因素，晴天與陰天所拍攝的照片質(zhì)量是不一樣，白天和晚上所拍攝的照片質(zhì)量更是不同；再比如說(shuō)，車輛行駛速度因素，行駛慢的原始圖像會(huì)比行駛快的原始圖像質(zhì)量要好一些，此外，過(guò)快的車速，會(huì)導(dǎo)致照片的字跡模糊不清，這也就必定在一定程度上影響著字符識(shí)別率。這也就是為什么要對(duì)原始圖像進(jìn)行灰度化、二值化、濾波等預(yù)處理的原因[4]。2.2.1灰度化目前，我國(guó)車牌的原始圖像采集，由于基本上都是通過(guò)攝像機(jī)、數(shù)碼相機(jī)等拍攝設(shè)備拍攝獲取，所以一般情況下，原始圖像為彩色圖像。由于彩色圖像包含著大量的顏色信息，且每個(gè)像素都具有R、G、B三種不同顏色分量，所以在對(duì)其進(jìn)行處理時(shí)，浪費(fèi)許多系統(tǒng)資源的同時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度。因而，我們需要對(duì)原始圖像進(jìn)行灰度化，以便減小圖像占用的存儲(chǔ)空間。最基本的灰度化是直接取彩色圖像R、G、B三個(gè)分量中最大值或平均值代替各分量。由于灰度化后，每一個(gè)像素的三個(gè)分量都是均等的，解決可彩色圖像中顏色差異的問題，只存在亮度上的差異?；叶葓D像存在256個(gè)亮度級(jí)，其中白色的灰度值為255，黑色的亮度級(jí)為0[5]。另外，我們也可以采用加權(quán)系數(shù)對(duì)圖像進(jìn)行灰度化，常用到的灰度化公式：（2-1）其中I為灰度化之后的像素值，R、G、B分別為紅、綠、藍(lán)的像素。2.2.2增強(qiáng)拍攝車牌圖像時(shí)往往受到許多條件的限制和干擾，這使得圖像的灰度值與實(shí)際景物不完全一樣。成像系統(tǒng)有它一定的亮度圍，亮度最大值與其最小值之比稱為對(duì)比度。因?yàn)槌上裣到y(tǒng)的有限亮度，常使得對(duì)比度不足，導(dǎo)致圖像視覺效果很差，這也就直接影響了圖像的后續(xù)處理。因此，研究者常常通過(guò)灰度變換和直方圖均衡化來(lái)增強(qiáng)對(duì)比度，以改善視覺效果。造成對(duì)比度不足的原因主要有：（1）目標(biāo)的遠(yuǎn)近不同導(dǎo)致的圖像中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡；（2）攝像頭掃描時(shí)各點(diǎn)的靈敏度差異產(chǎn)生的灰度失真；（3）曝光不足或過(guò)度而導(dǎo)致灰度值限定在較小的圍。這時(shí)可以采取灰度變換增強(qiáng)灰度變化圍，豐富灰度層次，以達(dá)到增強(qiáng)圖像對(duì)比度的目的。用線性單值函數(shù)，對(duì)圖像各像素點(diǎn)作線性擴(kuò)充，從而有效的改善圖像的視覺效果。為了克服上述問題，本文采用灰度信息與背景信息相結(jié)合的局部灰度修正增強(qiáng)方法，其基本原理是將原圖像的灰度和背景圖像區(qū)域相減，實(shí)現(xiàn)圖像的增強(qiáng)，即所謂的形態(tài)學(xué)top-hat變換[9]。設(shè)用h表示top-hat變換后的結(jié)果，則top-hat變換可定義為：（2-2）其中，表示原灰度圖，表示使用結(jié)構(gòu)元素對(duì)集合進(jìn)行開操作[6]。圖像的top-hat變換對(duì)增強(qiáng)目標(biāo)區(qū)域，隱藏背景細(xì)節(jié)有很大用處，最初的命名是由于使用了帶有一個(gè)平頂?shù)膱A柱形或平行六面體形的結(jié)構(gòu)元素。2.2.3二值化灰度圖像一般有256個(gè)灰度級(jí)的單色圖像，能表現(xiàn)出比較豐富的明暗度。但在車牌識(shí)別時(shí)，我們需要徹底的從原始圖像中分離出目標(biāo)。為了減少背景像素的干擾，保留并增強(qiáng)目標(biāo)區(qū)域的信息，通常將圖像分為目標(biāo)和背景兩部分。即得到的圖像只有0和1兩個(gè)灰度級(jí)，常規(guī)是將目標(biāo)區(qū)設(shè)為1，背景區(qū)為0，這樣就可以得到我們所說(shuō)的二值圖像。用數(shù)學(xué)式可以表示為：（2-3）其中，BW為二值圖像某像素的像素值，為該像素在灰度圖像中對(duì)應(yīng)的灰度值。為選定的閾值。圖像的二值化處理即將灰度圖像中除了灰度值為0的像素點(diǎn)外，其余的像素點(diǎn)均設(shè)為255.通過(guò)二值化處理后的整個(gè)圖像明顯呈現(xiàn)出黑白效果。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不疊交的區(qū)域。二值化算法一般分為全局閾值算法和局部閾值算法或稱為自適應(yīng)閾值算法[7-8]。從二值圖像可以得到圖像中對(duì)象物的形狀特征的主要信息。與灰度化后的圖像相比，二值化后的圖像具有以下幾個(gè)特點(diǎn)：大量減小了信息量，加快了處理速度，降低了成本，實(shí)用價(jià)值更高。所以一般情況下，在對(duì)車牌字符分割前，會(huì)對(duì)圖像進(jìn)行二值化處理。2.2.5濾波圖像的本質(zhì)其實(shí)就是光電信息，圖像噪聲主要有以下三個(gè)來(lái)源：圖像在信號(hào)的轉(zhuǎn)換過(guò)程中所引入的噪聲；大氣層中的浪涌等引起的脈沖干擾；粒子性或不連續(xù)性所引起的自然起伏性噪聲[10]。由于圖像的質(zhì)量被噪聲所惡化，導(dǎo)致圖像模糊不清，甚至連圖像的本身特征都會(huì)被淹沒或改變，這給圖像的分析與識(shí)別帶來(lái)了較大的困難。為了消除圖像的噪聲，常常采取濾波措施，且合適的濾波還可以銳化圖像與增強(qiáng)圖像的邊緣信息。常用的濾波方法有空間域?yàn)V波和同態(tài)濾波兩種，其中空間濾波又分為三種：平滑濾波、中值濾波、高通濾波。其中，平滑濾波主要的作用是模糊和消除噪聲，常用的方法是領(lǐng)域平均法，即求鄰近像素點(diǎn)的平均亮度。這種方法簡(jiǎn)單，且處理速度快，但在降低噪聲的同時(shí)使圖像產(chǎn)生了模糊，尤其是在邊緣與細(xì)節(jié)處。中值濾波是非線性濾波，也是領(lǐng)域算法，類似卷積。與平滑濾波不同的是，它的計(jì)算不是加權(quán)求和，當(dāng)其像素點(diǎn)數(shù)為奇數(shù)時(shí)，則將該領(lǐng)域的像素按其灰度值排序，再去其中間值作為領(lǐng)域中心像素點(diǎn)的輸出值；當(dāng)其像素點(diǎn)數(shù)為偶數(shù)時(shí)，取排序后的中間兩個(gè)像素灰度值的平均值作為輸出值[11]。為了銳化圖像突出圖像邊緣，常對(duì)圖像采用了高通濾波，在增強(qiáng)圖像邊緣的同時(shí)孤立的噪聲點(diǎn)也得到了增強(qiáng)。高通濾波的效果也可以通過(guò)原始圖像減去低通圖像得到，這種方法稱為非銳化掩模法。比較常見的高通濾波的沖激響應(yīng)陣列有以下三種：（2-6）2.2.4邊緣檢測(cè)邊緣是圖像的重要特征，圖像理解、分析的第一步通常是邊緣檢測(cè)。由于邊緣是圖像灰度變化最嚴(yán)重的區(qū)域，傳統(tǒng)的邊緣檢測(cè)通常是通過(guò)計(jì)算圖像中像素的梯度值來(lái)確定邊緣點(diǎn)。此外，比較常見的圖像邊緣提取算子有Robert梯度算子、濾波算子、Canny算子、拉斯算子等。拉斯算子前幾種算子都是通過(guò)計(jì)算一階導(dǎo)數(shù)來(lái)檢測(cè)邊緣，但這幾種算子導(dǎo)致檢測(cè)到的邊緣點(diǎn)過(guò)多，不利于后期處理。而拉斯算子是二階導(dǎo)數(shù)段子，再找出梯度局部最大值對(duì)應(yīng)點(diǎn)后才確定其為真正的邊緣點(diǎn)。其中拉普拉斯的運(yùn)算公式為：（2-4）拉普拉斯算子同樣是借助模板實(shí)現(xiàn)，其中最為常見的模板如下：（2-5）上文所提到的幾種邊緣檢測(cè)算子都對(duì)噪聲非常的敏感，也就是說(shuō)必然會(huì)在計(jì)算的過(guò)程中加大噪聲的成分。因此，通常在處理含有比較大的噪聲圖像時(shí)，需要先對(duì)圖像進(jìn)行平滑操作，然后再進(jìn)行微分，這也就產(chǎn)生了新的邊緣檢測(cè)方法——LOG邊緣檢測(cè)。這種檢測(cè)方法需要用高斯函數(shù)對(duì)圖像進(jìn)行平滑處理后，再用拉普拉斯算子計(jì)算[09]。2.3車牌分割2.3.1車牌定位車牌定位的本質(zhì)是把車牌圖像從含有汽車和背景的圖像中提取出來(lái)，即輸入車牌原始圖像輸出車牌圖像。在自然環(huán)境下，原始圖像采集背景復(fù)雜，光照不均，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)牌照是別的關(guān)鍵。經(jīng)過(guò)圖像于處理后所得到的圖像，在垂直方向上的面積投影出現(xiàn)了峰-谷-峰的特性。根據(jù)這種特性，可以檢測(cè)到車牌的區(qū)域，即車牌區(qū)域定位法，這種初步定位后的車牌還需要進(jìn)一步微定位。對(duì)初步確定出來(lái)的車牌進(jìn)行微定位，而所謂的微定位法即對(duì)基本定位后的車牌圖像進(jìn)行局部分析，以便進(jìn)一步確定字符圍，縮減車牌的左右、上下邊界，這有利于后續(xù)的車牌處理，確定車牌的具體位置后再提取車牌[12]。微定位技術(shù)包括三部分:(1)橫向定位；（2）縱向定位；（3）微定位。需要在大圍的原始圖像中找到車牌的區(qū)域，需要對(duì)原始圖像進(jìn)行搜索，找到符合車牌特征的部分區(qū)域作為車牌候選區(qū)域，在對(duì)其進(jìn)行深層次的分析、評(píng)判，計(jì)算，最終找到真正的車牌區(qū)域，并將該區(qū)域從圖像中分割出來(lái)。圖2.2車牌圖像定位示意圖目前，國(guó)外車牌定位的主要方法有：特征定位法，邊緣檢測(cè)定位法，數(shù)學(xué)形態(tài)定位法，小波變換法，開運(yùn)算定位法等。本文中所采用的是開運(yùn)算定位法。2.3.2幾何校正在實(shí)際的車牌獲取過(guò)程中，通常是由道路某側(cè)或上方的攝像機(jī)拍攝所得。因此，所得到的原始圖像車牌區(qū)域角度、距離有一定的差距，也就是說(shuō)原始圖像中的車牌存在一定的傾斜度。主要的三種傾斜方式是：水平上的傾斜、垂直上的傾斜、水平和垂直上的傾斜。車牌的傾斜度校正前，需要先對(duì)車牌的傾斜進(jìn)行檢測(cè)。其檢測(cè)公式如下：（2-7）其中，表示第i行的0、255的跳躍次數(shù)。常見的幾種傾斜校正的方法為：（1）基于霍夫變換的校正算法，（2）基于車牌投影變換的校正算法[13-14]，（3）基于直線擬合的校正算法[15]。本文所采用的方法是基于車牌投影變換的傾斜校正算法?；谲嚺仆队暗膬A斜校正算法實(shí)質(zhì)上是一種基于Radon變換的校正算法。用二維函數(shù)表示原始圖像坐標(biāo)為（x,y）的像素值，某方向上的投影可用該方向上的積分表示。積分公式如（2-8）所示：（2-8）其中為的周期函數(shù)，T=180°，且[0°，180°]。坐標(biāo)變換的公式如（2-9）所示：（2-9）Radon變化所檢測(cè)的直線是在坐標(biāo)的峰值，可根據(jù)橫坐標(biāo)和縱坐標(biāo)確定一條直線。2.3.3分割算法字符分割實(shí)質(zhì)上是把車牌上的字符分割成一個(gè)個(gè)單個(gè)的字符，傳統(tǒng)的字符分割方法有投影法[16-18]、模板匹配法、聚類分析法[19-20]。由于投影法比較準(zhǔn)確、編程較簡(jiǎn)單，且易于實(shí)際操作，能滿足在復(fù)雜環(huán)境下，所以本文采用的是投影法分割車牌字符。投影法的具體操作如下：（1）對(duì)灰度化的車牌圖像從下向上逐行掃描，逐行統(tǒng)計(jì)出像素值為255的像素的個(gè)數(shù)，當(dāng)其個(gè)數(shù)大于7時(shí)（車牌有7個(gè)字符），認(rèn)為尋找到車牌字符的下邊界，同理，找到車牌的上邊界。去除車牌字符上下邊界以外的區(qū)域，之后設(shè)車牌的高度為height，寬度為width。（2）對(duì)車牌圖像從左向右逐列掃描，逐列統(tǒng)計(jì)像素值為255的像素的個(gè)數(shù)，并將結(jié)果保存在一位數(shù)組count[width+1]中，其中count[i]用于存儲(chǔ)第i列像素值為255的像素的個(gè)數(shù)。（3）根據(jù)漢字特征，需要設(shè)置兩個(gè)閾值來(lái)分割一個(gè)漢字字符。設(shè)兩個(gè)閾值分別為threshold1，threshold2。從左向右掃描經(jīng)過(guò)預(yù)處理后的車牌圖像，記第一個(gè)大于閾值threshold1的列為漢字的開始位置S，記第一個(gè)小于閾值threshold1的列為H，比較這兩列的寬度H-S與threshold2的大小直到找到與S列相差的寬度大于threshold2且滿足像素值為255的像素的個(gè)數(shù)小于閾值的列，設(shè)為車牌的漢字字符的結(jié)束列。在分割不連通的漢字的時(shí)候，這種改進(jìn)的方法起到作用是顯著的。（4）之后的英文字母和阿拉伯?dāng)?shù)字不存在不連通性的問題，所以只要利用第一個(gè)閾值threshold1就可以分割出車牌剩下的字符。（5）若出現(xiàn)像素值為255的像素個(gè)數(shù)大于閾值threshold1時(shí)記為車牌字符開始的位置，小于閾值threshold1時(shí)記為車牌字符的結(jié)束位置。如此重復(fù)的下去，直到字符全部分割出來(lái)為止。流程圖如圖2-1所示：圖2.3車牌圖像定位示意圖2.3.4歸一化處理由于原始圖像采集的時(shí)候，圖像像素值不一致，所以經(jīng)過(guò)字符切割后所得到的字符大小也不一致，因此需要在進(jìn)行字符匹配之前需要對(duì)字符圖像進(jìn)行歸一化處理。不言而喻，歸一化處理的目的是使得車牌字符與標(biāo)準(zhǔn)模塊中的字符特征一致。歸一化處理可以分為傾斜度校正和大小歸一化兩個(gè)主要部分，其中傾斜度校正部分使用的是MATLAB工具箱中的Imrote函數(shù)。由于大小歸一化值得是長(zhǎng)度和寬度上分別乘以某個(gè)比例因子，使其大小與模塊中的字符大小一致，大小歸一化最為常用的方法是將整個(gè)牌照?qǐng)D像按線性比例放大或縮小到標(biāo)準(zhǔn)模快的大小。歸一化流程圖如2.4所示：圖2.4歸一化流程圖3車牌數(shù)字識(shí)別方法3.1數(shù)字識(shí)別概述早期，約在1870年時(shí)字符識(shí)別作為視力障礙人的輔助工具。隨著計(jì)算機(jī)的日益發(fā)展，約在29世紀(jì)40年代，OCR(字符識(shí)別OpticalCharacterRecognition,簡(jiǎn)稱OCR)系統(tǒng)問世，但在當(dāng)時(shí)也只是商業(yè)界的數(shù)據(jù)處理手段。20世紀(jì)50年代中期以后，商業(yè)OCR機(jī)并正式開始投入市場(chǎng)。自50年代后，人們開始研究印刷體字符，隨著算法的日益完善，到80年代末90年代初字符識(shí)別已經(jīng)發(fā)展到可以識(shí)別出手寫字體。在當(dāng)時(shí)看來(lái)，手寫漢字的識(shí)別成為字符識(shí)別的最終目標(biāo)之一。到1992年時(shí)，單個(gè)字符的手寫體達(dá)到較高的識(shí)別率，特別是數(shù)字的識(shí)別率接近95%，于是識(shí)別系統(tǒng)開始步入市場(chǎng)。雖然國(guó)對(duì)車牌字符研究起步較晚，但國(guó)外在字符研究方面早已有所成就，如英國(guó)、日本、德國(guó)、加拿大等不少國(guó)家已經(jīng)研究出適合本國(guó)的車牌識(shí)別系統(tǒng)，并且擁有比較高的字符識(shí)別率和比較少的識(shí)別時(shí)間。由前文可知，車牌識(shí)別系統(tǒng)中最為關(guān)鍵的技術(shù)是字符識(shí)別，字符識(shí)別中的主要指標(biāo)是識(shí)別率和識(shí)別時(shí)間。目前，國(guó)外的車牌字符識(shí)別的方法[21]主要有模板匹配字符識(shí)別算法、神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法[22]、統(tǒng)計(jì)特征匹配法、支持向量機(jī)模式識(shí)別算法等幾種方法，其中最早使用于車牌識(shí)別的是模版匹配字符識(shí)別算法，然而目前最受研究者和學(xué)者們青睞的時(shí)神經(jīng)網(wǎng)絡(luò)識(shí)別算法。隨著我國(guó)的數(shù)字圖像處理技術(shù)的發(fā)展以與實(shí)際應(yīng)用，我國(guó)利用數(shù)字圖像處理技術(shù)對(duì)字符進(jìn)行處理識(shí)別的技術(shù)也有所進(jìn)展，目前國(guó)比較具有代表性的研究院、高校有清華大學(xué)、信息工程學(xué)院、中字漢王、郵電大學(xué)、自動(dòng)化等。3.2車牌數(shù)字特點(diǎn)目前，我國(guó)的車牌主要分為藍(lán)底白字和黃底黑字兩種[23]。一般情況下，國(guó)輕型車所使用的是藍(lán)底白字車牌，常常用于一些中小型的民用汽車，也是目前國(guó)最為常見的車牌。大型車輛一般所采用的是黃底黑字車牌，通常是大型民用汽車、重型載重車輛，這種車牌與藍(lán)底白字的車牌相比較少，但也是我國(guó)常用車牌。除此以外，我國(guó)還存在一些比較特殊的車牌，例如使館車牌、領(lǐng)館車牌、軍車車牌等。目前，我國(guó)車牌的具體規(guī)格，如表3-1所示：表2-1車牌格式分類外廓尺寸（mm）顏色面數(shù)大型民用汽車440*140/440*220黃底黑字2小型民用汽車440*140藍(lán)底白字2公安專用汽車440*140白底紅“GA”、黑字2武警專用汽車440*140白底紅“WJ”、黑字2大使館外籍汽車440*140黑底白字與空心“使”字2領(lǐng)事館外籍汽車440*140黑底白字與空心“領(lǐng)”字2外籍汽車440*140黑底白字2實(shí)驗(yàn)汽車440*140白底紅字，數(shù)字前有“試”字2學(xué)習(xí)汽車440*140白底紅字，數(shù)字前有“學(xué)”字2臨時(shí)牌照白底紅字，數(shù)前有“臨時(shí)”字2汽車補(bǔ)用牌照白底黑字2車輛移動(dòng)證白底紅字2本文主要分析藍(lán)底白字和黃底黑字的車牌，具有以下幾個(gè)特點(diǎn)：（1）車牌拍照一共七位，第一個(gè)為漢字，一般為各個(gè)省級(jí)行政區(qū)的簡(jiǎn)稱；（2）第二個(gè)字符一般為英文字符，作為地市一級(jí)代號(hào)，后五位是數(shù)字和字母的排列組合；（3）車牌大小尺寸高度統(tǒng)一為140mm左右，寬度統(tǒng)一為均為440mm，字體規(guī)、科學(xué)、容易辨認(rèn)；（4）字符總長(zhǎng)度409mm，單個(gè)字符寬度45mm，高度為90mm，第二三個(gè)字符之間的間隔是34mm.這也就是說(shuō)標(biāo)準(zhǔn)的車牌字符識(shí)別可以分為三部份，按照車牌上的七個(gè)字符的排列原則可知，首位是省名縮寫的漢字，接下來(lái)是因?yàn)樽帜?，接下?lái)的一位可能是數(shù)字也可能是字母，末四位是數(shù)字。所以車牌的額構(gòu)造大體為“”的車牌中，其中代表著省級(jí)行政區(qū)（漢字）的集合，可能出現(xiàn)的漢字集合為{湘，，皖，京…}；為車牌所在地的英文字母代碼的集合，構(gòu)成的集合時(shí)出I以外的25個(gè)字母{A，B，C…}；可能是數(shù)字也可能是字母，所以有34個(gè)字符構(gòu)成{0，1，…，9，A，B，…Z}；只可能是數(shù)字，所以可能的集合時(shí){0，1，2，…，9}。3.3基于神經(jīng)網(wǎng)路的車牌數(shù)字識(shí)別由于字符識(shí)別率是車牌識(shí)別研發(fā)成功與否的關(guān)鍵指標(biāo)，可知字符識(shí)別在車牌識(shí)別系統(tǒng)中的作用是極其重要的，字符識(shí)別的主要涉與到特征提取和識(shí)別方法兩方面，并且兩者是繼承互補(bǔ)的關(guān)系。經(jīng)過(guò)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)不僅可以有效地提取信號(hào)、圖像等感知模式的特征，還可以調(diào)試現(xiàn)有的啟發(fā)模式識(shí)別系統(tǒng)，使其更好的解決不變量探測(cè)、自適應(yīng)、抽象或者概括等一些常見問題，也就是說(shuō)神經(jīng)網(wǎng)路可以很好的應(yīng)用于數(shù)組識(shí)別系統(tǒng)算法的設(shè)計(jì)之中。預(yù)處理好以后的餓圖片，需要使用神經(jīng)網(wǎng)絡(luò)對(duì)樣本進(jìn)行訓(xùn)練，本文中所使用的是前饋后向傳播網(wǎng)絡(luò)（BP網(wǎng)絡(luò)）[20-22]。BP網(wǎng)絡(luò)的設(shè)計(jì)主要包括了輸入層、隱層、輸出層以與各層之間的傳輸函數(shù)的設(shè)計(jì)。BP網(wǎng)絡(luò)用于模式分類是基于以下原理，首先，隱層將輸入模式空間的樣本映射到隱層模式空間；其次輸入層將隱層模式空間的輸出模式樣本映射到輸出模式空間；最后，根據(jù)判斷依據(jù)判決規(guī)則決定決策空間，進(jìn)行模式分類。結(jié)構(gòu)示意圖如圖3.1所示：……………圖3.1BP網(wǎng)絡(luò)結(jié)構(gòu)圖其中單個(gè)的神經(jīng)元結(jié)構(gòu)如圖3.2所示：圖3.2單個(gè)神經(jīng)元結(jié)構(gòu)圖設(shè)第k-1層中第i個(gè)神經(jīng)元的輸入為，輸出為，則輸入與輸出的關(guān)系如公式3-1所示：（3-1）式中：是第k-1層第i個(gè)神經(jīng)元到第k層的第j個(gè)神經(jīng)元的連接權(quán)值；是第k層神經(jīng)元的數(shù)目；是第k層神經(jīng)元的閾值；f(x)是神經(jīng)元的傳遞函數(shù)。盡管BP網(wǎng)絡(luò)在模式識(shí)別中取得相對(duì)比較大的成功，但還是存在一些不足：學(xué)習(xí)率與穩(wěn)定性的矛盾、學(xué)習(xí)率的選擇缺乏有效的方法、訓(xùn)練過(guò)程可能陷入局部最小網(wǎng)絡(luò)、沒有確定隱層神經(jīng)元數(shù)的有效方法。這需要我們不斷地改變訓(xùn)練方法，從而找到比BP網(wǎng)絡(luò)更適合字符識(shí)別的神經(jīng)網(wǎng)絡(luò)，以便提高字符識(shí)別的精度、準(zhǔn)確率以與時(shí)間。4基于MATLAB的算法設(shè)計(jì)與實(shí)現(xiàn)4.1MATLAB概述MATLAB語(yǔ)言是由CleverMoler博士于20世紀(jì)80年代開發(fā)的一種功能強(qiáng)、效率高、簡(jiǎn)單易學(xué)的數(shù)學(xué)軟件，它是MATrixLABoratory（矩陣實(shí)驗(yàn)室）的縮寫，設(shè)計(jì)者的初衷是為了解決“線性代數(shù)”課程的矩陣運(yùn)算問題。該語(yǔ)言具有四大特點(diǎn)：（1）具有豐富的工具箱，功能十分強(qiáng)大，支持的圖像文件格式非常豐富，如*.BMP、*.JPG、*.JPEG、*.GIF、*.TIF、*.TIFF、*.PNG、*.PCX、*.XWD、*.HDF、*.ICO、*.CUR等，MATLAB7.1提供了20多類圖像處理函數(shù)，幾乎涵蓋了圖像處理的所有技術(shù)方法，是學(xué)習(xí)和研究圖像處理的人員難得的寶貴資料和加工工具箱；（2）具有超強(qiáng)的數(shù)值運(yùn)算功能，超過(guò)500種數(shù)學(xué)、統(tǒng)計(jì)、科學(xué)以與工程方面的函數(shù)運(yùn)算，并且簡(jiǎn)單快捷；（3）具有強(qiáng)大的數(shù)據(jù)可視化功能，高質(zhì)量的圖形；（4）具有開放式的構(gòu)架和可延拓的特性，除了部函數(shù)外，MATLAB主包文件和各種工具箱均可讀可改，還可以加入自己的函數(shù)構(gòu)成新的工具包。MATLAB函數(shù)按其功能可分為：數(shù)值的分析、數(shù)值與符號(hào)的計(jì)算、工程與科學(xué)的繪圖、控制系統(tǒng)的設(shè)計(jì)與仿真、數(shù)字圖像的處理、數(shù)字信號(hào)的處理、通訊系統(tǒng)的設(shè)計(jì)與仿真、財(cái)務(wù)與金融工程、圖像轉(zhuǎn)換等。MATLAB在圖形用戶界面（GUI）的制作上做了較大的調(diào)整，使得即使在這方面有特殊要求的用戶也可以得到相應(yīng)的滿足[23]。本文將給出MATLAB的圖像處理工具箱中圖像處理與分析的實(shí)際應(yīng)用技術(shù)實(shí)例。4.2車牌分割算法設(shè)計(jì)簡(jiǎn)而言之，投影法實(shí)質(zhì)上是將車牌圖像二值化后,將二值圖像所有列的垂直投影做一個(gè)統(tǒng)計(jì),再利用之前所得到的垂直投影直方圖的期望與方差計(jì)算閾值,從而根據(jù)車牌的形狀、車牌的紋理特征、字符特征、字符寬度以與相對(duì)位置，可以準(zhǔn)確的分割出車牌的字符位置。但是基于投影分割法也有他一定的缺點(diǎn)，例如無(wú)法精確地分割出傾斜車牌的字符位置。4.2.1算法流程圖4.1車牌分割流程圖4.2.2程序設(shè)計(jì)主要代碼：%ex1505clcclearfilename='car.jpg';I=im2gray(filename);%調(diào)用自編函數(shù)讀取圖像，并轉(zhuǎn)化為灰度圖像；tic%計(jì)時(shí)開始[height,width]=size(I);%預(yù)處理I_edge=zeros(height,width);fori=1:width-1I_edge(:,i)=abs(I(:,i+1)-I(:,i));endI_edge=(255/(max(max(I_edge))-min(min(I_edge))))*(I_edge-min(min(I_edge)));[I_edge,y1]=select(I_edge,height,width);%%%%%%調(diào)用select函數(shù)BW2=I_edge;%%%%%%%%%%%%%%%%%一些形態(tài)學(xué)處理SE=strel('rectangle',[10,10]);IM2=imerode(BW2,SE);IM2=bwareaopen(IM2,20);IM3=imdilate(IM2,SE);%%%%%%%%%%%%%%%%%%投影以粗略估計(jì)車牌位置p_h=projection(double(IM3),'h');%調(diào)用projection函數(shù)if(p_h(1)>0)p_h=[0,p_h];endp_v=projection(double(IM3),'v');%調(diào)用projection函數(shù)if(p_v(1)>0)p_v=[0,p_v];end%%%%%%p_h=double((p_h>5));p_h=find(((p_h(1:end-1)-p_h(2:end))~=0));len_h=length(p_h)/2;%%%%%p_v=double((p_v>5));p_v=find(((p_v(1:end-1)-p_v(2:end))~=0));len_v=length(p_v)/2;%%%%%%%%%%%%%%%%%粗略計(jì)算車牌候選區(qū)k=1;fori=1:len_hforj=1:len_vs=IM3(p_h(2*i-1):p_h(2*i),p_v(2*j-1):p_v(2*j));if(mean(mean(s))>0.1)p{k}=[p_h(2*i-1),p_h(2*i)+1,p_v(2*j-1),p_v(2*j)+1];k=k+1;endendendk=k-1;%%%%%%%%%%%%%%進(jìn)一步縮小車牌候選區(qū)fori=1:kedge_IM3=double(edge(double(IM3(p{i}(1):p{i}(2),p{i}(3):p{i}(4))),'canny'));[x,y]=find(edge_IM3==1);p{i}=[p{i}(1)+min(x),p{i}(2)-(p{i}(2)-p{i}(1)+1-max(x)),...p{i}(3)+min(y),p{i}(4)-(p{i}(4)-p{i}(3)+1-max(y))];p_center{i}=[fix((p{i}(1)+p{i}(2))/2),fix((p{i}(3)+p{i}(4))/2)];p_ratio(i)=(p{i}(4)-p{i}(3))/(p{i}(2)-p{i}(1));end%對(duì)上面參數(shù)和變量的說(shuō)明：p為一胞元，用于存放每個(gè)圖像塊的左上和右下兩個(gè)點(diǎn)的坐標(biāo)；%存放格式為：p{k}=[x1,x2,y1,y2]；x1,x2分別為行坐標(biāo)，y1,y2為列坐標(biāo)%p_center為一胞元,用于存放每個(gè)圖像塊的中心坐標(biāo),p_center{k}=[x,y];x,y分別為行,列坐標(biāo)%p_ratio為一矩陣，用來(lái)存放圖像塊的長(zhǎng)寬比例%%%%%%%%%%合并臨近區(qū)域%%%%%%%%如果有多個(gè)區(qū)域則執(zhí)行合并ifk>1n=0;ncount=zeros(1,k);fori=1:k-1%%%需要調(diào)整if條件中的比例%%%需要調(diào)整%檢查是否滿足合并條件if(abs(p{i}(1)+p{i}(2)-p{i+1}(1)-p{i+1}(2))<=height/30&&abs(p{i+1}(3)-p{i}(4))<=width/15)p{i+1}(1)=min(p{i}(1),p{i+1}(1));p{i+1}(2)=max(p{i}(2),p{i+1}(2));p{i+1}(3)=min(p{i}(3),p{i+1}(3));p{i+1}(4)=max(p{i}(4),p{i+1}(4));%向后合并n=n+1;ncount(n)=i+1;endend%如果有合并，求出合并后最終區(qū)域if(n>0)d_ncount=ncount(2:n+1)-ncount(1:n);%避免重復(fù)記錄臨近的多個(gè)區(qū)域。index=find(d_ncount~=1);m=length(index);fori=1:mpp{i}=p{ncount(index(i))};%重新記錄合并區(qū)域的比例pp_ratio(i)=(pp{i}(4)-pp{i}(3))/(pp{i}(2)-pp{i}(1));endp=pp;%更新區(qū)域記錄p_ratio=pp_ratio;%更新區(qū)域比例記錄clearpp;clearpp_ratio;%清除部分變量endendk=length(p);%更新區(qū)域個(gè)數(shù)%%%%%%%%%%%%%%合并結(jié)束%%%%%%%%%%%%%%%%%%%%%%%%%%%%%根據(jù)區(qū)域比例判斷是否為車牌區(qū)域%%%%%%%%%%%%m=1;T=0.6*max(p_ratio);fori=1:kif(p_ratio(i)>=T&p_ratio(i)<20)p1{m}=p{i};m=m+1;endendp=p1;clearp1;k=m-1;%更新區(qū)域數(shù)%%%%%%%%%%%判定結(jié)束%%%%%%%%%%%%%%%%%%%%%toc%計(jì)時(shí)結(jié)束clearedge_IM3;clearx;cleary;%清空部分變量%%%%%%%%%%%%%%%%顯示figure(1)imshow(I);title('原始圖像')figure(2)imshow(IM2);title('腐蝕后圖像')figure(3)imshow(IM3);title('灰度膨脹后圖像')%%%%%%%%%%%%%%%%%顯示figure(4)fori=1:ksubplot(1,k,i);index=p{i};imshow(I(index(1)-2:index(2),index(3):index(4)));title('車牌圖像')end%存儲(chǔ)車牌圖像if(k==1)imwrite(I(index(1)-2:index(2),index(3):index(4)),'cp.jpg');end4.2.3仿真結(jié)果與分析圖4.2原始圖像圖4.3TOPHAT圖像圖4.4灰度增強(qiáng)的圖像圖4.5開運(yùn)算圖像圖4.6車牌校正圖像圖4.7車牌灰度圖和二值圖圖4.8圖像的水平投影圖4.9車牌定位圖像圖4.10垂直投影圖像圖4.11車牌字符分割圖像4.3車牌字符識(shí)別算法設(shè)計(jì)經(jīng)過(guò)一系列的預(yù)處理后，可以得到分割后的字符子圖，即可以進(jìn)行字符識(shí)別了。本文所用到的是人工神經(jīng)網(wǎng)絡(luò)方法，神經(jīng)網(wǎng)絡(luò)可以分為：反向反饋型網(wǎng)絡(luò)模型、自組織型網(wǎng)絡(luò)模型和隨機(jī)型網(wǎng)絡(luò)模型、前向反饋型(BP)網(wǎng)絡(luò)模型等幾種模式。由于BP網(wǎng)絡(luò)識(shí)別率較高，所以本文采用了BP網(wǎng)絡(luò)方法。4.3.1算法流程輸入樣本輸入樣本對(duì)網(wǎng)絡(luò)進(jìn)行BP算法學(xué)習(xí)形成能識(shí)別字符的神經(jīng)網(wǎng)絡(luò)輸入英文字符圖像歸一化處理仿真測(cè)試識(shí)別成功顯示失敗顯示識(shí)別字符重新輸入重新輸入否是圖4.12識(shí)別算法流程圖4.3.2程序設(shè)計(jì)%ex1506_2%讀取原始圖像I=imread('cp.jpg');figure(1)imshow(I);title('原始圖像1');%調(diào)用函數(shù)對(duì)圖像進(jìn)行二值化等一系列操作img=myimgpreprocess(I);fort=4:50%調(diào)用函數(shù)對(duì)圖像進(jìn)行修剪bw2=myimgcrop(img{cnt});%調(diào)用函數(shù)對(duì)圖像進(jìn)行重采樣charvec=myimgresize(bw2);out(:,cnt)=charvec;endP=out(:,1:40);T=[eye(10)eye(10)eye(10)eye(10)];Ptest=out(:,41:50);%建立神經(jīng)網(wǎng)絡(luò)并對(duì)其進(jìn)行訓(xùn)練net=mycreatenn(P,T);%測(cè)試神經(jīng)網(wǎng)絡(luò)[a,b]=max(sim(net,Ptest));%輸出測(cè)試量disp(b);%%%%%%%%%%%%%%%%%functionlett=myimgresize(bw2)bw_7050=imresize(bw2,[70,50]);fort=1:7fort2=1:5Atemp=sum(bw_7050((cnt*10-9:cnt*10),(cnt2*10-9:cnt2*10)));lett((cnt-1)*5+cnt2)=sum(Atemp);endendlett=((100-lett)./100);lett=lett';%%%%%%%%%%%%%%%%%%%%functionimg=myimgpreprocess(I)Igray=rgb2gray(I);Ibw=im2bw(Igray,graythresh(Igray));Iedge=edge(uint8(Ibw));se=strel('square',3);Iedge2=imdilate(Iedge,se);Ifill=imfill(Iedge2,'holes');[Ilabelnum]=bwlabel(Ifill);Iprops=regionprops(Ilabel);Ibox=[Iprops.BoundingBox];Ibox=reshape(Ibox,[450]);Ic=[Iprops.Centroid];Ic=reshape(Ic,[250]);Ic=Ic';Ic(:,3)=(mean(Ic.^2,2)).^(1/2);Ic(:,4)=1:50;Ic2=sortrows(Ic,2);fort=1:5Ic2((cnt-1)*10+1:cnt*10,:)=sortrows(Ic2((cnt-1)*10+1:cnt*10,:),4);endIc3=Ic2(:,1:2);ind=Ic2(:,4);fort=1:50img{cnt}=imcrop(Ibw,Ibox(:,ind(cnt)));end%%%%%%%%%%%%%%%%%%%%%%functionbw2=myimgcrop(bw)[y2tempx2temp]=size(bw);x1=1;y1=1;x2=x2temp;y2=y2temp;cntB=1;while(sum(bw(:,cntB))==y2temp)x1=x1+1;tB=cntB+1;endcntB=1;while(sum(bw(cntB,:))==x2temp)y1=y1+1;tB=cntB+1;endcntB=x2temp;while(sum(bw(:,cntB))==y2temp)x2=x2-1;tB=cntB-1;endcntB=y2temp;while(sum(bw(cntB,:))==x2temp)y2=y2-1;tB=cntB-1;endbw2=imcrop(bw,[x1,y1,(x2-x1),(y2-y1)]);%%%%%%%%%%%%%%%%%%%%%%%functionnet=mycreatenn(P,T)alphabet=P;targets=T;[R,Q]=size(alphabet);[S2,Q]=size(targets);S1=10;net=newff(minmax(alphabet),[S1S2],{'logsig''logsig'},'traingdx');net.LW{2,1}=net.LW{2,1}*0.01;net.b{2}=net.b{2}*0.01;net.performFcn='sse';net.trainParam.goal=0.1;net.trainParam.show=20;net.trainParam.epochs=5000;net.trainParam.mc=0.95;P=alphabet;T=targets;[net,tr]=train(net,P,T);4.3.3仿真結(jié)果與分析圖4.13識(shí)別結(jié)果圖4.14數(shù)字樣本由上述各圖結(jié)果顯示可知，當(dāng)車牌原始圖像采集良好時(shí)，即沒有明顯的破損與垢漬，曝光度良好等高清晰，則該系統(tǒng)能夠進(jìn)行正常的字符識(shí)別。為了驗(yàn)證該系統(tǒng)的可用性與實(shí)用性，在自然條件下獲取的部分車牌樣本，對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，對(duì)每一個(gè)車牌進(jìn)行仿真識(shí)別，樣本與訓(xùn)練結(jié)果如圖4.13所示：圖4.15車牌樣本圖4.16BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（1）圖4.17BP網(wǎng)絡(luò)訓(xùn)練結(jié)果（2）全部的仿真結(jié)果顯示，其中2副車牌的字符分割與識(shí)別發(fā)生錯(cuò)誤，余下的車牌都能進(jìn)行正常的識(shí)別。在識(shí)別的仿真過(guò)程中可以看到，識(shí)別隨著樣本數(shù)目改變的同時(shí)，也受到了樣本的質(zhì)量選取的問題。在BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程中，對(duì)該識(shí)別算法的識(shí)別率統(tǒng)計(jì)結(jié)果如表4-1所示：表4-1識(shí)別率數(shù)據(jù)統(tǒng)計(jì)正確識(shí)別率樣本數(shù)=5樣本數(shù)=10樣本數(shù)=1586.3%87.25%88.6%由于受到時(shí)間以與其他一些客觀條件的限制，本次樣本的正確率約87%，且對(duì)于一些比較相似的字符識(shí)別產(chǎn)生失誤，例如“8”與“B”，“7”與“2”，“1”與“I”等。增加對(duì)該神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，可以在一定程度上解決該問題。此外，BP神經(jīng)網(wǎng)絡(luò)的具有比其他方法高的并行性和容錯(cuò)性。由此可知，BP神經(jīng)網(wǎng)絡(luò)的具有它的理論價(jià)值與實(shí)用價(jià)值。5總結(jié)與展望5.1總結(jié)車牌識(shí)別技術(shù)是智能交通管理中最為關(guān)鍵的技術(shù)之一，與此同時(shí)，車牌識(shí)別的技術(shù)和方法也在其他檢測(cè)、識(shí)別領(lǐng)域也發(fā)揮著它重要的作用。由此可知，車牌識(shí)別技術(shù)已然成為目前研究的熱點(diǎn)、重點(diǎn)問題之一。本文結(jié)合我國(guó)車牌的特殊性，對(duì)車牌識(shí)別系統(tǒng)所涉與的算法做了深入的研究，在基于前人的研究成果上提出了自己的改進(jìn)。尤其是在字符識(shí)別部分，根據(jù)我國(guó)車牌的特殊組成提出了基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的多分類器。該分類器由3個(gè)子BP神經(jīng)網(wǎng)絡(luò)組成，即漢字網(wǎng)絡(luò)、字母網(wǎng)絡(luò)以與字母數(shù)字網(wǎng)絡(luò)。與此同時(shí)，對(duì)于本文中所提與的算法都進(jìn)行了相應(yīng)的仿真，并對(duì)多得到的仿真結(jié)果做了分析。最后，綜合對(duì)車牌識(shí)別系統(tǒng)的相關(guān)算法研究，在其基礎(chǔ)上實(shí)現(xiàn)了一個(gè)小的車牌識(shí)別系統(tǒng)，根據(jù)仿真、測(cè)試結(jié)果表明，該系統(tǒng)具有實(shí)際應(yīng)用的價(jià)值，甚至可以投入生產(chǎn)。盡管本次車牌識(shí)別系統(tǒng)得到改進(jìn)，且效果顯著，卻仍然需要不斷地改進(jìn)，還需要大量提高算法的準(zhǔn)確度和提高算法運(yùn)行的速度。5.2展望車牌識(shí)別技術(shù)是基于數(shù)字圖像處理和模式識(shí)別高度融合的一項(xiàng)技術(shù)，同時(shí)也是智能交通的一個(gè)重點(diǎn)、難點(diǎn)。由于受車牌特征的多樣性、車牌本身的新舊程度原始圖像的模糊程度、原始圖像背景復(fù)雜性、以與一些人為的、客觀的因素干擾，導(dǎo)致車牌識(shí)別系統(tǒng)設(shè)計(jì)的難度大大提高。至今，尚沒有一個(gè)完全通用的車牌識(shí)別系統(tǒng)問世。本文中也還有許多不足的、有待改善的地方：（1）對(duì)于車牌圖像模糊不清、背景復(fù)雜、光線不足等情況下，車牌定位的準(zhǔn)確性較低，還有待提高；（2）本文所研究的車牌識(shí)別系統(tǒng)雖然可以對(duì)多車牌原始圖像識(shí)別進(jìn)行了研究，但其多車牌識(shí)別率比單車牌識(shí)別率低許多，這也就希望未來(lái)的研究對(duì)此能有更大的進(jìn)展；（3）目前，所設(shè)計(jì)的車牌識(shí)別系統(tǒng)，只能針對(duì)于靜止的圖像進(jìn)行識(shí)別，由于運(yùn)動(dòng)中的圖像車牌識(shí)別處理比較復(fù)雜，故而希望在未來(lái)的車牌