基于matlab車牌識別畢業(yè)論文

1、<p><b>　　摘 要</b></p><p>　　伴隨著時代的發(fā)展，車輛的逐漸走進千家萬戶，車輛的管理日益困難，于是車牌識別系統(tǒng)的應用得到了廣泛發(fā)展。車牌識別系統(tǒng)主要包括了圖像采集、圖像預處理、車牌定位、字符分割、字符識別五個核心部分。本文側重于介紹圖像預處理、車牌定位、字符分割三個模塊的實現(xiàn)。車牌識別系統(tǒng)使車輛管理更智能化，數(shù)字化，有效的提升了交通管理的方便性和有效性。本文

2、的圖像預處理環(huán)節(jié)則采用圖像灰度化和用Roberts算子對車牌進行邊緣檢測。車牌定位和分割采用的是利用數(shù)學形態(tài)法來確定車牌位置，然后利用車牌彩色信息的彩色分割法來完成車牌部位分割。分割后的字符先進行二值化處理，再對垂直投影進行掃描后完成對字符的分割。本課題是基于Matlab下的環(huán)境下對其進行仿真。</p><p>　　關鍵詞：圖像預處理 圖像定位 圖像分割</p><p><b&g

3、t;　　Abstract </b></p><p>　　With the development of era, the car gradually into the homes, vehicles management is becoming more and more difficult, so the application of license plate recognition system

4、 has been widely developed. License plate recognition system mainly includes image acquisition, image preprocessing, license plate location, character segmentation, character recognition five core part. This paper focuse

5、s on the image preprocessing, license plate location, character segmentation, the realization of the three</p><p>　　Key Words：image preprocessing, license plate localization, character segmentation .</p&g

6、t;<p><b>　　目 錄</b></p><p>　　第1章 緒論……………………………………………………………….….……1</p><p>　　1.1本課題的研究背景………………………………………………................ 2</p><p>　　1.2本課題研究的意義和目.......………………………

7、.…………….................2</p><p>　　1.3 本課題研究的內容..........................................................................................................2</p><p>　　本課題程序設計……………………..….…… …………………..

8、.............3</p><p>　　2.1 開發(fā)環(huán)境………………………………………………….……………... ....3</p><p>　　2.1.1設計方案....................................................................................................3</p&g

9、t;<p>　　2.2 圖像預處理…………………………….…………………………...……......3</p><p>　　2.2.1 圖像灰度化.............................................................................................. 3</p><p>　　2.2.2 圖像邊

10、緣檢測............................................................................................5</p><p>　　2.3 圖像的定位和分割.........................................................................................

11、.....................6</p><p>　　2.3.1車牌定位........................................................................................................................6</p><p>　　2.3.2車牌分割.............

12、...........................................................................................................9</p><p>　　2.4 對定位后的車牌再處理...........................................................................

13、..........................10</p><p>　　2.5 字符的分割與歸一化.....................................................................................................11</p><p>　　2.5.1 字符的分割...................

14、...............................................................................................12</p><p>　　2.5.2 字符的歸一化........................................................................................

15、......................13</p><p>　　3 實驗結果與分析................................................................................................................14</p><p>　　總結.........................

16、......................................................................................................................15</p><p>　　致謝……………………………….……………………..………………...………...16</p><p>　　參考文獻……………………

17、…….…………………..……..……………….……...17</p><p>　　附錄………………………….…………………..……..……………… ........……...18</p><p><b>　　緒 論</b></p><p>　　1.1本課題的研究背景</p><p>　　伴隨著我國現(xiàn)代化事業(yè)的高速發(fā)展，

18、人民的生活水平也正逐步提高，車輛的數(shù)量也日益增加，給人們的出行帶來了便捷的同時，也對公路車輛的管理帶來了巨大的壓力，人工管理的方式也不能滿足實際的需要。</p><p>　　電子科技領域在交通管理的應用越來越頻繁，比如自動檢測，圖像處理技術便進入了人們的視野中。并且隨著計算機的推陳出新速度加快，數(shù)字圖像處理技術日趨成熟，先進的計算機處理技術給傳統(tǒng)的管理方式帶來了轉折點，不僅簡化了工作流程，節(jié)省了人力，也最大限度的

19、提高了精確度，于是汽車車牌識別系統(tǒng)便是在此背景與目的下研發(fā)的。汽車車牌等相關信息的自動采集和管理有著非常重要的意義，成為信息處理技術的一項重要研究課題。</p><p>　　在我國該系統(tǒng)的應用仍處于起步階段，只是成熟的系統(tǒng)還沒出現(xiàn)在市場中， 車牌識別系統(tǒng)作為管理交通的有效工具仍然需要逐步的完善，尤其是對車牌的自適應強，速度快，精準度高的高速車牌定位識別需要進一步的完善。</p><p>　

20、　1.2本課題研究的意義和目的</p><p>　　隨著人們生活水平的逐漸提高，私家車的出現(xiàn)越來越多，城市交通的壓力便開始擴大，如何高效進行交通管理也成為現(xiàn)在生活中所關注的焦點問題，于是各種各樣運用于各種交通道路監(jiān)視，管理的系統(tǒng)出現(xiàn)在了人們的視線當中，這些系統(tǒng)主要是通過對其過往的車輛進行檢測，提取中間的交通數(shù)據，以達到監(jiān)控，管制，指揮調度的目的。汽車車牌的識別是當中的重要環(huán)節(jié)，是實現(xiàn)現(xiàn)代化交通管理和智能化的關鍵，

21、也是現(xiàn)今交通工程研究領域的重點。識別算法的好壞關系到識別的正確性好高效性，而傳統(tǒng)設備如IC卡識別因價格昂貴，設備復雜無形中增加了企業(yè)的成本，因此基于圖像處理的車牌識別方法，努力提高車牌識別系統(tǒng)的性能是有非常重要的現(xiàn)實意義。</p><p>　　1.3本課題研究的內容</p><p>　　車牌系統(tǒng)是計算機視覺和模式識別技術在智能交通領域的重要應用課題之一。車牌識別系統(tǒng)是一特定目標位對象的專用

22、計算機系統(tǒng)該系統(tǒng)能從一幅圖像中自動提取車牌圖像、自動分割自符進而對分割自符的圖像進行圖像識別。車牌識別的關鍵技術有車牌定位、字符切割和字符識別。車牌識別系統(tǒng)的一般流程：</p><p>　　1.圖像采集：通過數(shù)碼相機采集，由于圖像采集是整個系統(tǒng)的第一步，所以必須保障圖像的質量，這樣在后續(xù)的識別階段才能減少誤差。不過由于技術的進步，現(xiàn)在手機的像素也得到了大幅度的提升，所以我覺得也可以用手機來采集圖像。<

23、/p><p>　　2.圖像預處理：一般情況下車牌的拍攝都是在室外，因此就會受到自然光線，季節(jié)等因素影響，所以需對圖像進行預處理。由于采集的圖像是彩色的，數(shù)據量較大，所以需對其轉換為灰色圖像，然后轉化成二值圖像，接著進行邊緣檢測，濾波等。</p><p>　　3.車牌定位：由于車牌圖像是在室外拍攝，難免會受到自然因素的影響，。一般</p><p>　　采用的方案是首先對采

24、集到的視頻圖像進行大范圍相關搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對這些侯選區(qū)域做進一步分析、評判，最后選定一個最佳的區(qū)域作為牌照區(qū)域并將其從圖象中分割出來。通過以上步驟，牌照一般能夠被定位。</p><p>　　4.字符分割：完成車牌定位后，將車牌區(qū)域的字符分割成單獨的個體，一般用垂直投影的方法。由于字符在垂直方向上的投影必然在字符間或字符內的間隙處取得局部最小值的附近，并且這個位置應滿足牌照的字

25、符書寫格式、字符、尺寸限制和一些其他條件，所以垂直投影法可以取得較好的效果。</p><p>　　5.字符識別：主要采用模版匹配算法和人工神經網絡算法。模版匹配算法是講分割后的字符二值化，然后對其模版進行匹配，選取比較理想的作為結果。牌照質量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實際拍攝過程也會受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。為

26、了提高識別率，除了不斷的完善識別算法，還應該想辦法克服各種光照條件，使采集到的圖像最利于識別。</p><p>　　第2章 本課題程序設計</p><p><b>　　2.1 開發(fā)環(huán)境</b></p><p>　　本課題選用Matlab來對車牌識別系統(tǒng)進行實現(xiàn)，因為Matlab繪圖功能很強大，它的可視化程度非常高并且具有較強的編輯圖形界面的能

27、力；Matlab語言簡單，入門容易，程序設計不嚴格，自由度大；)Matlab語言簡潔緊湊，使用方便靈活，庫函數(shù)豐富，并且內部集成了很多工具箱，為程序開發(fā)提供現(xiàn)成模塊；Matlab的可移植性很好，基本上不做修改就可以在在各種型號的計算機和操作系統(tǒng)上運行。</p><p><b>　　2.1.1設計方案</b></p><p>　　該系統(tǒng)主要由圖像處理和字符識別兩部分構成

28、。其中圖像處理部分包括圖像預處理，邊緣提取，車牌的定位和字符的分割。字符部分可以分為字符識別分割與特征提取和單字符識別。</p><p>　　字符識別對圖像的清晰度要求很高，但由于光照條件，拍攝角度和距離，車輛自身條件，以及車輛行駛速度的因素，所以必須對拍攝的圖像進行預處理，比如圖像灰度化，圖像的邊緣檢測等。</p><p>　　車牌定位和分割是系統(tǒng)的核心，它將預處理過后的灰度圖的車牌區(qū)域

29、提取出來，并從中把字符挨個的分割出來，以便供字符識別之用，分割的準確與否直接關系到整個識別系統(tǒng)的準確性。本課題主要研究圖像的預處理，車牌的定位和字符分割三個模塊。</p><p><b>　　2.2 圖像預處理</b></p><p>　　2.2.1 圖像灰度化</p><p>　　因為車牌識別系統(tǒng)采集的圖像是彩色的，圖像的背景有時候會與車牌顏

30、色類似，并且彩色圖像比較占存儲空間，導致計算機運行緩慢，加重計算機運算，所以需要對拍攝的圖像進行灰度化處理。</p><p>　　目前較常用的灰度化方法是平均值法，公式：H=0.229R+0.588G+0.144B</p><p>　　其中H表示灰度圖的亮度值，R表示彩色圖像中紅色分量值，G代表圖像中的綠色分量值，B表示圖像中的藍色分量值。RGB三分量的系數(shù)是經驗加權值。加權值是建立在人眼

31、的視網模型上，人眼不敏感的顏色取較小值，反之取較大值，通過該公式可以較好的反應原圖像的亮度信息。在Matlab中可以用imrgb2gray函數(shù)來對圖像進行灰度化。</p><p><b>　　例如：</b></p><p>　　I=imread(‘E:\chepai’); %讀取圖像</p><p>　　I1=inrgb2gray

32、(I); %彩色圖轉換灰色圖像</p><p>　　Figure(1); </p><p>　　Subplot(3,3,1);</p><p>　　Imshow(I1); %顯示灰色圖</p><p><b>　　圖1：原始圖像</b&

33、gt;</p><p><b>　　圖2：灰色圖像 </b></p><p>　　2.2.2 圖像的邊緣檢測</p><p>　　邊緣指圖像灰度發(fā)生空間突變或者在梯度方向上發(fā)生突變的像素的集合。在采集過程中由于受到自然因素（噪聲干擾和車速）的影響。使得獲取理想圖像變得比較困難。在對車牌進行定位和分割之前需要對圖像進行邊緣檢測處理，以便提高圖像的

34、質量，方便后面的識別所需。通過邊緣檢測可以將干擾降到最低，分離出復雜環(huán)境中的車牌圖像，保留較好的車牌字符信息。因為其車牌一般都有固定的屬性，所以我們可以觀察到車輛的車牌一般都處于水平位置，在圖像中較為固定，車牌字符都是按水平方向排列，因此可以通過這些特征經過適當?shù)膱D像變換將車牌區(qū)域顯示出來。用Robert邊緣檢測算子對圖像進行邊緣檢測。具體的用法如下所示: </p><p>　　Car_Image_Bin=

35、edge(Car_Image_Gray,'robert',0.09,'both'); </p><p>　　在edge()函數(shù)中有Sobel算子,Prewitt算子,Roberts算子,Log算子,Canny算子及Robert算子,幾種算法相比之下,Roberts算子是一種最簡單的算子,是一種利用局部差分算子尋找邊緣的算子,他采用對角線方向相鄰兩象素之差近似梯度幅值檢測邊緣。檢測垂

36、直邊緣的效果好于斜向邊緣,定位精度高,對噪聲敏感,無法抑制噪聲的影響。因此本課題使用了Robert算子。 </p><p>　　由于Roberts邊緣檢測算子是一種利用局部差分算子尋找邊緣的算子, 根據任一相互垂直方向上的差分都可用來估計梯度,Robert 算子采用對角方向相鄰兩像素之差,其計算公式如下:</p><p>　　Δ xf=f(x,y)-f(x-1,y-1)   

37、 (3.3)    </p><p>　　Δ yf=f(x-1,y)-f(x,y-1)    (3.4)</p><p>　　其幅值為:!錯誤,未找到引用源。  (3.5) </p><p>　　Robert梯度以(x-1/2,y-1/2)為中心,所以他度量了(x-1/2

38、,y-1/2)點處45°和135°錯誤！未找到引用源。方向(相互正交)的灰度變化。適當取門限T，做如下判斷：G （x， y）>T,(x，y)為階躍狀邊緣點。Roberts邊緣檢測算子相當于用[0 1 1 0]和錯誤!未找到引用源。對圖像進行卷積。both表示雙向0.09為敏感度值檢測算法。</p><p><b>　　例如：</b></p><

39、p>　　I2=edge(I1,’robert’,0.09,’both’); %robert邊緣檢測</p><p>　　Figure(2);</p><p>　　Imshow(I2);</p><p><b>　　二值化圖像：</b></p><p><b>　　圖3：二值化圖像<

40、;/b></p><p>　　2.3車牌定位和分割</p><p>　　系統(tǒng)采集的是整個車輛的圖片，但只有車牌部分對系統(tǒng)有用，因此需要對車牌進行定位和分割。車輛圖像中的車牌部分是一個水平度很高的長方形區(qū)域，在原圖中比較集中，且灰色值和周圍圖樣有明顯的差異，因此比較容易用邊緣檢測來對圖像進行分割。</p><p><b>　　2.3.1車牌定位<

41、/b></p><p>　　車輛圖像經過灰色化和邊緣檢測后，邊緣得到加強，車牌區(qū)域已經顯示出來。本課題采用數(shù)學形態(tài)學來進行圖像處理和模式識別。數(shù)學形態(tài)學用具有一定形態(tài)的機構元素去度量和提取圖像中對應形狀以達到對圖像的分析和識別，能有效的去除雜質，保留有用的信息，并使圖像的邊緣平滑，出現(xiàn)的圖像骨架斷點少。通過對圖像進行腐蝕和去除噪聲，而腐蝕是即消除邊界點，是邊界向內部收縮的過程，腐蝕的規(guī)則是輸出圖像的最小值是

42、輸入圖像領域中的最小值，在一個二值圖像中，只要有一個像素值為0，則相應的輸出像素值為0。假設B對X腐蝕所產生的二值圖像E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），而在Matlab中用imerode（）函數(shù)來實現(xiàn)：</p><p>　　Car_Image_Erode=imerode(Car_Image_Bin,Se);</p><p>　　其中結構元素Se又被形象成

43、為刷子，用于測試輸入圖像，一般比待處理圖像小很多。結構元素的大小形狀任意，一般是二維的。二維結構元素為數(shù)值0和1組成的矩陣。結構元素中數(shù)值為1的點決定結構元素的領域像素在進行腐蝕操作時是否需要參加運算。結構元素太大會造成腐蝕過度，造成信息丟失，太小起不了預期的效果，這里使用3x1矩陣的線性結構元素,即se=[1;1;1]。</p><p><b>　　車牌的腐蝕圖像：</b></p&

44、gt;<p>　　Se=[1;1;1];</p><p>　　I3=imerode(I2,se);</p><p>　　Figure(3);</p><p>　　Imshow(I3);</p><p><b>　　圖4：邊緣檢測</b></p><p>　　從圖中可以看到，對于一些小

45、的目標通過腐蝕的方法已經消除留下了的大體就是車牌區(qū)域部分。</p><p>　　雖然對圖像進行了必要的腐蝕處理，但由于圖像在存在數(shù)字 化誤差和噪聲，所以需要對圖像進行平滑處理，可以使用Matlab中的imclose（）函數(shù)來解決，公式如下：</p><p>　　Car_Image_Perform=imclose(Car_Image_Erode,Se);</p><p&g

46、t;　　它的作用是融合窄的缺口和細長的彎口，去除小洞以及填補輪廓中的縫隙。公式中的se采用50x50的矩形將幾個封閉的區(qū)域連接起來，從而形成一個矩形，這樣能方便的提取需要的圖像區(qū)域。</p><p><b>　　平滑后圖像：</b></p><p>　　Se=imstrel(‘rectangle’,[50,50]);</p><p>　　I4=

47、imclose(I3,se);</p><p>　　Figure(4);</p><p>　　Imshow(I4);</p><p><b>　　圖5：平滑后圖像</b></p><p>　　圖像平滑處理后，可能會有多個閉合區(qū)域，對于不是車牌區(qū)域的必須予以刪除，這時需要使用Matlab中的bwareaopen()函數(shù)刪除

48、二值圖像中面積小于一個定值的對象，默認情況下使用8鄰居。</p><p>　　Car_Image_Perform2=bwareaopen(Car_Image_Perform,10000); </p><p>　　這樣，Car_Image_Perform中面積小于10000的對象都被刪除了。</p><p>　　形態(tài)學處理后的圖像：</p><p&

49、gt;　　I5=bwareaopen(I4,10000);</p><p>　　Figure(5);</p><p>　　Imshow(I5);</p><p>　　圖6：形態(tài)濾波后圖像</p><p><b>　　2.3.2車牌分割</b></p><p>　　車牌部分采用的是車牌色彩信息分割。

50、使用統(tǒng)計色彩圖像素點的方法分割出車牌區(qū)域。經區(qū)域確定了即可將車牌的四個邊界值確定下來。這里采用水平與垂直雙向投影法：</p><p>　　水平坐標的確定，先定義一個1xX的數(shù)組，其中X錯誤！未找到引用源。為原始圖像的寬度值，然后將二值圖像垂直投影到x軸。從直方圖中基本可以看書水平方向上的兩個分界線，為了便于處理，該課題將像素值臨界值定量化，取值5個像素。從左向右尋找第一個1值像素大于5的X錯誤！未找到引用源。坐

51、標為水平方向左側分界線，從右向左尋找到第一個1值像素量大于5的為右側分界線，程序可以用for循環(huán)語句。</p><p>　　垂直方向的分界線可用同樣的方法實現(xiàn)。分界線計算后，即可分割出車牌圖。 </p><p>　　圖7：分割后的彩色圖像區(qū)域 </p><p>　　2.4對定位后的車牌再處理</p><p>

52、;　　定位后的圖像需要對其進行二值化，避免對計算機的存儲空間的過多的占用，減少存在的噪聲。圖像的二值化處理是將圖像上的點的灰度值設置為兩個數(shù)值（0和255），是圖像呈現(xiàn)黑白效果。雖然圖像間受背景、光照等影響存在較大的差異但計算簡單程序運算效率高。在Matlab實現(xiàn)方式如下：</p><p>　　T=round(License_Image_Gray_max-(License_Image_Gray_max-Lic

53、ense_Image_Gray_min)/3);</p><p>　　然后通過濾波來去除噪聲。均值濾波是指在圖像上對目標像素給一個模板，再用模板中的全體像素的平均值代替原有的像素值。這里采用的是高通濾波算法。通過對比濾波前后對比，不僅去除了噪聲，還銳化了圖像。濾波后的圖像需要進行腐蝕或者膨脹處理，膨脹的運算規(guī)則是輸出圖像的像素值是輸入圖像鄰域中的最大值，在一個二值圖像中，只要一個像素值為1，則相應的輸出像素值為1

54、。</p><p>　　根據經驗值，車牌圖像中，字符面積與車牌面積之比在(0.235,0.365)之間，因此計算字符面積與車牌面積比值，如果大于0.365則對圖像進行腐蝕，如果小于0.235則對圖像進行膨脹，在這里結構元素Se使用一個二維單位矩陣[1 0 01]錯誤!未找到引用源。從圖像中可以看到膨脹后的圖像更加的清晰。</p><p>　　圖9 ：分割區(qū)域處理后圖像</p>

55、<p>　　2.5字符分割與歸一化</p><p>　　字符分割與歸一化流程圖：</p><p><b>　　2.5.1字符分割</b></p><p>　　得到二值化圖像后對其進行垂直投影，此時可以用直方圖來表示，通過對波形從左到右進行</p><p>　　掃描，根據谷和峰的特征來判斷每個字符的位置 ，計

56、算垂直峰，檢測合理的字符高寬比?？梢酝ㄟ^對字符的寬度的統(tǒng)計來減少字符分割的不準確性，并將切割過寬的字符進行分裂處理出來。 </p><p>　　2007年頒布的我國車牌規(guī)范(普通中小型汽車)規(guī)定車牌總長440mm，牌照中的7個字符的實際總長為409mm 左右，寬140mm，每個字符45mm寬，90mm高，字符間距為10mm，其中第二個字符與第三個字符的間距較為為15.5mm，最后一個字符與第一個字符距邊界25mm

57、。如果平均分配每個字符在牌照中占據的寬度，則每個字符寬度為：width/7（width 指字符寬度）。實際情況中，往往第二個第三個字符之間存在一個黑點，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個字符的寬度應該小于width/7。所以一般情況下字符的寬度可以以width/9 到width/7范圍內進行切割。</p><p><b>　　分割流程圖：</b></p><

58、p><b>　　Y</b></p><p>　　Y </p><p><b>　　N</b></p><p><b>　　N</b></p><p>　　Y

59、 </p><p><b>　　Y</b></p><p>　　通過算法將字符分割出來。</p><p>　　圖10：分割后字符圖像</p><p>　　2.5.2字符歸一化</p><p>　　因采集的汽車圖像大小不統(tǒng)一，需對分割后的字符進一步的處

60、理，用歸一化處理的目的就是使車牌字符同標準模塊里的特征一樣。大小歸一化是在長度和寬度方向分別乘以一個比例因子，使其等于標準模塊的大小。</p><p><b>　　3實驗結果與分析</b></p><p>　　為了說明該系統(tǒng)的準確性以及實用性，于是進行了多次不同車牌的定位以及分割識別，下面是另一組圖片數(shù)據：</p><p>　　定位后的車牌彩色

61、照：</p><p>　　分割后的字符效果圖：</p><p><b>　　字符識別效果圖：</b></p><p>　　字符分割效果主要取決于系統(tǒng)識別前期的充足準備，講車牌圖像進行灰度化和邊緣檢測處理，然后在對其進行定位，講定位好的圖像進行字符分割。得到的字符歸一化，運用Matlab中的函數(shù)，對其進行編譯。</p><p&

62、gt;　　分割后的圖像我們依舊采取了均值化，膨脹和腐蝕，將圖像中的雜質過濾掉，只留下黑白圖像。雖然成功的分割出了字符，但還是有錯誤產生比如在采集的時候，由于拍攝角度不同，得到的有些圖像中會產生大量的噪聲，不便于需要部分的提?。辉谧址指畹臅r候，若圖像中噪聲未降低至最小，則會造成后面字符的大小不一。如若提高圖像的質量，分割字符的準確率還是可以提高。</p><p><b>　　總 結</b>

63、</p><p>　　本文主要是側重于軟件部分的應用，分別從圖像預處理、車牌定位、字符分割以及字符識別幾個方面對系統(tǒng)進行分析。主要工作內容及結論如下：</p><p>　　（1）收集，整理和總結了國內外在車牌定位、分割、字符識別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國車牌的固有特征，以及車牌識別等特點。 </p><p>　?。?）在車牌定位后我們先通過圖像灰度化處

64、理，再進行二值化操作的方法。實驗表明本方法不僅保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后面分割的準確性。 </p><p>　　（3）采用彩色分量的定位方法，通過對藍色象素點的統(tǒng)計對車牌是藍色的車牌進行定位，實驗表明，通過該方法得到的車牌定位準確率較為理想。 </p><p>　?。?）該設計采用的圖像預處理、邊緣檢測、車牌長寬比特征識別等對車牌的定位都比

65、較成功，并且本設計提出的垂直投影分析和閾值技術有效檢測到了車牌圖像的上下左右邊框、旋轉角度，較為準確實現(xiàn)的車牌字符的分割，并對多個車牌進行實驗，準確性都比較高。</p><p>　　本設計盡管只是藍底白字車牌進行分割識別，但由于整個算法原則上對黑底白字車牌也適用，而對白底黑字車牌、黃底黑字車牌，則需對車牌定位算法進行調整，并將圖像反轉，但車牌字符的分割算法仍然適用。 因此，本設計提出的車牌字符的分割算法實驗證明在

66、實際運用中是準確、有效、可行的。</p><p><b>　　致 謝</b></p><p>　　四年的大小的學習生活即將結束，在此，我要感謝所有曾經教導過我的老師和關心過我的同學，他們在我成長過程中給予了我很多的幫助。本文能夠成功的完成，要特別感謝我的指導老師的關懷和教導，同時感謝各位同學的關心和幫助。</p><p>　　最后也要感謝我的

67、父母，是他們讓我學會了獨立自主，也學會了擁有一顆執(zhí)著奮斗的心，讓我明白要想在社會立足，就必須要有實力，只有通過自己的不懈的努力，才能在社會闖出屬于自己的一片天地。</p><p>　　不管以后會遇到什么樣的環(huán)境，都要時刻記得“活到老，學到老”，用熱情和專注去做好每一件事情，并要堅定的相信通過自己誠實勤勞的雙手是可以鑄就成功，再此感謝我的老師和同學。</p><p><b>　　參

68、考文獻</b></p><p>　　[1] 武良臣,王裕清，趙俊偉.無心軸新型托輥的研制.煤礦機械，1996(4):37-38</p><p>　　[2] 謝盛嘉,梁競敏.車牌識別系統(tǒng)的設計與實現(xiàn)[J].微計算機信息,2010（6）</p><p>　　[3] 王廣宇.車輛牌照識別系統(tǒng)的原理及算法研究[D].鄭州大學,2000</p>

69、<p>　　[4] 許志影,李晉平.MATLAB在圖像處理中的應用[J].計算機與現(xiàn)代化，2004（4）</p><p>　　[5] 白利波.車牌檢測與識別算法研究[D].北京交通大學,2007.30-31.</p><p>　　[6] 崔江,王友仁.車牌自動識別方法中的關鍵技術研究[J].計算機測量與控制，2003.11（4）</p><p>　

70、　[7] 賀興華、周媛媛、王繼陽等.MATLAB 圖像處理[M].北京人民郵電出版社,2006.96100 </p><p>　　[8] 王愛玲葉明生等.MATLAB R2007圖像處理技術與應用[M].北京電子工業(yè)出版社2008.1</p><p>　　[9] 張強,王正林.精通MATLAB圖像處理[M].北京:電子工業(yè)出版社,2009 </p><p

71、>　　[10] 張禹、馬駟良、韓笑、張忠波.車牌識別中的圖像提取及分割算法[J].吉林大學學報,2006. 第44卷第3期407410</p><p>　　[11] 葉晨洲等.車輛牌照字符識別[J].上海上海交通大學學報,2000.46</p><p><b>　　附件：</b></p><p><b>　　cle

72、ar all</b></p><p>　　a=imread('E:\che.jpg');</p><p>　　i1=rgb2gray(a);</p><p>　　i2=edge(i1,'robert',0.09,'both');</p><p>　　se=[1;1;1];</p

73、><p>　　i3=imerode(i2,se);</p><p>　　se=strel('rectangle',[50,50]);</p><p>　　i4=imclose(i3,se);</p><p>　　i5=bwareaopen(i4,10000);</p><p>　　[y,x,z]=size(

74、i5);</p><p>　　myi=double(i5);</p><p><b>　　tic</b></p><p>　　blue_y=zeros(y,1);</p><p>　　for i=1:y</p><p>　　for j=1:x</p><p>　　

75、if(myi(i,j,1)==1)</p><p>　　blue_y(i,1)=blue_y(i,1)+1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p&g

76、t;　　[temp MaxY]=max(blue_y);</p><p><b>　　py1=MaxY;</b></p><p>　　while((blue_y(py1,1)>=5)&&(py1>1))</p><p>　　py1=py1-1;</p><p><b>　　end&l

77、t;/b></p><p><b>　　py2=MaxY;</b></p><p>　　while((blue_y(py2,1)>=5)&&(py2<y))</p><p>　　py2=py2+1;</p><p><b>　　end</b></p>

78、<p>　　IY=a(py1:py2,:,:);</p><p>　　blue_x=zeros(1,x);</p><p>　　for j=1:x</p><p>　　for i=py1:py2</p><p>　　if(myi(i,j,1)==1)</p><p>　　blue_x(1,j)=blue

79、_x(1,j)+1;</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　px1=1;</b></p><p>　　whil

80、e((blue_x(1,px1)<3)&&(px1<x))</p><p>　　px1=px1+1;</p><p><b>　　end</b></p><p><b>　　px2=x;</b></p><p>　　while((blue_x(1,px2)<3)&a

81、mp;&(px2>px1))</p><p>　　px2=px2-1;</p><p><b>　　end</b></p><p>　　px1=px1+25;</p><p>　　px2=px2-20;</p><p>　　py1=py1+47;</p><p&g

82、t;　　py2=py2-25;</p><p>　　dw=a(py1:py2,px1:px2,:);</p><p><b>　　t=toc;</b></p><p>　　figure(1);</p><p>　　subplot(3,3,1);</p><p>　　imshow(IY);</

83、p><p>　　subplot(3,3,2);</p><p>　　imshow(dw);</p><p>　　imwrite(dw,'dw.jpg');</p><p>　　[filename,filepath]=uigetfile('dw.jpg','輸入一個定位后的圖像');</p>

84、;<p>　　jpg=strcat(filepath,filename);</p><p>　　a=imread('dw.jpg');</p><p>　　b=rgb2gray(a);</p><p>　　imwrite(b,'1.車牌灰色圖像.jpg');</p><p>　　figure(2)

85、;</p><p>　　subplot(3,3,1);</p><p>　　imshow(b);title('1.車牌灰色圖像');</p><p>　　g_max=double(max(max(b)));</p><p>　　g_min=double(min(min(b)));</p><p>　　T

86、=round(g_max-(g_max-g_min)/2);</p><p>　　[m,n]=size(b);</p><p>　　d=(double(b)>=T);</p><p>　　imwrite(d,'2.車牌二值化.jpg');</p><p>　　figure(2);</p><p>

87、　　subplot(3,3,2);</p><p>　　imshow(d);title('2.車牌二值化圖像');</p><p>　　subplot(3,3,3);</p><p>　　imshow(d);title('3.均值濾波前圖像');</p><p><b>　　%濾波</b>

88、</p><p>　　h=fspecial('average',3);</p><p>　　d=im2bw(round(filter2(h,d)));</p><p>　　imwrite(d,'4.均值濾波.jpg');</p><p>　　figure(2);</p><p>　　su

89、bplot(3,3,4);</p><p>　　imshow(d);title('4.均值后化圖像')</p><p><b>　　%膨脹或者腐蝕</b></p><p>　　se=eye(2);</p><p>　　[m,n]=size(d);</p><p>　　if bwa

90、rea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</p><p>　　else if bwarea(d)/m/n<=0.235</p><p>　　d=imdilate(d,se);</p><p><b>　　end</b></p><p>

91、;<b>　　end</b></p><p>　　imwrite(d,'5.膨脹或者腐蝕后.jpg');</p><p>　　figure(2);</p><p>　　subplot(3,3,5);</p><p>　　imshow(d);title('5.腐蝕或膨脹后圖像');</

92、p><p>　　%%%%%%%%尋找字塊，判斷并分割</p><p>　　d=qiege(d);</p><p>　　[m,n]=size(d);</p><p><b>　　k1=1;</b></p><p><b>　　k2=1;</b></p><p&g

93、t;<b>　　s=sum(d);</b></p><p><b>　　j=1;</b></p><p>　　while j~=n</p><p>　　while s(j)==0</p><p><b>　　j=j+1;</b></p><p><

94、;b>　　end</b></p><p><b>　　k1=j;</b></p><p>　　while s(j)~=0 && j<=n-1</p><p><b>　　j=j+1;</b></p><p><b>　　end</b>&l

95、t;/p><p><b>　　k2=j-1;</b></p><p>　　if k2-k1>=round(n/6.5)</p><p>　　[val,num]=min(sum(d(:,[k1+5:k2-5])));</p><p>　　d(:,k1+num+5)=0;</p><p><b

96、>　　end</b></p><p><b>　　end</b></p><p><b>　　%%%%%再分割</b></p><p>　　d=qiege(d);</p><p><b>　　y1=10;</b></p><p><

97、;b>　　y2=0.25;</b></p><p><b>　　flag=0;</b></p><p><b>　　word1=[];</b></p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p>

98、　　left=1;wide=0;</p><p>　　while sum(d(:,wide+1))~=0</p><p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　if wide<y1</p><p>　　d(:,[1:wide])=0;

99、</p><p>　　d=qiege(d);</p><p><b>　　else</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m,n]=size(temp);</p><p>　　all=sum(sum(temp));

100、</p><p>　　two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));</p><p>　　if two_thirds/all>y2;</p><p>　　flag=1;word1=temp;</p><p><b>　　end</b></p>

101、;<p>　　d(:,[1:wide])=0;d=qiege(d);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　[word2,d]=getword(d);</p><p>　　[word3,d]=getword(d);&

102、lt;/p><p>　　[word4,d]=getword(d);</p><p>　　[word5,d]=getword(d);</p><p>　　[word6,d]=getword(d);</p><p>　　[word7,d]=getword(d);</p><p>　　figure(4);</p>

103、<p>　　subplot(5,7,1);imshow(word1);title('1');</p><p>　　subplot(5,7,2);imshow(word2);title('2');</p><p>　　subplot(5,7,3);imshow(word3);title('3');</p><p&g

104、t;　　subplot(5,7,4);imshow(word4);title('4');</p><p>　　subplot(5,7,5);imshow(word5);title('5');</p><p>　　subplot(5,7,6);imshow(word6);title('6');</p><p>　　sub

105、plot(5,7,7);imshow(word7);title('7');</p><p>　　[m,n]=size(word1);</p><p>　　word1=imresize(word1,[40,20]);</p><p>　　word2=imresize(word2,[40,20]);</p><p>　　word3

106、=imresize(word3,[40,20]);</p><p>　　word4=imresize(word4,[40,20]);</p><p>　　word5=imresize(word5,[40,20]);</p><p>　　word6=imresize(word6,[40,20]);</p><p>　　word7=imresiz

107、e(word7,[40,20]);</p><p>　　figure(5);</p><p>　　subplot(5,7,1);imshow(word1);title('1');</p><p>　　subplot(5,7,2);imshow(word2);title('2');</p><p>　　subpl

108、ot(5,7,3);imshow(word3);title('3');</p><p>　　subplot(5,7,4);imshow(word4);title('4');</p><p>　　subplot(5,7,5);imshow(word5);title('5');</p><p>　　subplot(5,7,

109、6);imshow(word6);title('6');</p><p>　　subplot(5,7,7);imshow(word7);title('7');</p><p>　　%%%%%%%%%%%%%%%%%%%%分割字符%%%%%%%%%%%%%%%%%%%%</p><p>　　function [word,result]

110、=getword(d)</p><p>　　word=[];flag=0;y1=8;y2=0.5;</p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p><p><b>　　wide=0;</b></p><p>　　while sum(d(

111、:,wide+1))~=0 && wide<=n-2</p><p>　　wide=wide+1;</p><p><b>　　end</b></p><p>　　temp=qiege(imcrop(d,[1 1 wide m]));</p><p>　　[m1,n1]=size(temp);<

112、;/p><p>　　if wide<y1 && n1/m1>y2</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d))~=0</p><p>　　d=qiege(d);</p><p>　　else word=[];flag=1;<

113、/p><p><b>　　end</b></p><p><b>　　else</b></p><p>　　word=qiege(imcrop(d,[1 1 wide m]));</p><p>　　d(:,[1:wide])=0;</p><p>　　if sum(sum(d

114、))~=0;</p><p>　　d=qiege(d);flag=1;</p><p>　　else d=[];</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></

115、p><p><b>　　%end</b></p><p><b>　　result=d;</b></p><p>　　function e=qiege(d)</p><p>　　[m,n]=size(d);</p><p>　　top=1;bottom=m;left=1;righ

116、t=n;</p><p>　　while sum(d(top,:))==0&&top<=m</p><p>　　top=top+1;</p><p><b>　　end</b></p><p>　　while sum(d(bottom,:))==0&&bottom>=1&l

117、t;/p><p>　　bottom=bottom-1;</p><p><b>　　end</b></p><p>　　while sum(d(:,left))==0&&left<=n</p><p>　　left=left+1;</p><p><b>　　end&l

118、t;/b></p><p>　　while sum(d(:,right))==0&&right>=1</p><p>　　right=right-1;</p><p><b>　　end</b></p><p>　　dd=right-left;</p><p>　　h