汽車(chē)車(chē)牌識(shí)別系統(tǒng)畢業(yè)論文（帶外文翻譯）

1、<p><b>　　汽車(chē)車(chē)牌識(shí)別系統(tǒng)</b></p><p>　　---車(chē)牌定位子系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)</p><p><b>　　摘 要</b></p><p>　　汽車(chē)車(chē)牌識(shí)別系統(tǒng)是近幾年發(fā)展起來(lái)的計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一。在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中，首先要將車(chē)牌從所獲取的圖像中分割

2、出來(lái)實(shí)現(xiàn)車(chē)牌定位，這是進(jìn)行車(chē)牌字符識(shí)別的重要步驟，定位的準(zhǔn)確與否直接影響車(chē)牌識(shí)別率。</p><p>　　本次畢業(yè)設(shè)計(jì)首先對(duì)車(chē)牌識(shí)別系統(tǒng)的現(xiàn)狀和已有的技術(shù)進(jìn)行了深入的研究，在此基礎(chǔ)上設(shè)計(jì)并開(kāi)發(fā)了一個(gè)基于MATLAB的車(chē)牌定位系統(tǒng)，通過(guò)編寫(xiě)MATLAB文件，對(duì)各種車(chē)輛圖像處理方法進(jìn)行分析、比較,最終確定了車(chē)牌預(yù)處理、車(chē)牌粗定位和精定位的方法。本次設(shè)計(jì)采取的是基于微分的邊緣檢測(cè)，先從經(jīng)過(guò)邊緣提取后的車(chē)輛圖像中提取車(chē)牌

3、特征，進(jìn)行分析處理，從而初步定出車(chē)牌的區(qū)域，再利用車(chē)牌的先驗(yàn)知識(shí)和分布特征對(duì)車(chē)牌區(qū)域二值化圖像進(jìn)行處理，從而得到車(chē)牌的精確區(qū)域，并且取得了較好的定位結(jié)果。</p><p>　　關(guān)鍵詞：圖像采集，圖像預(yù)處理，邊緣檢測(cè)，二值化，車(chē)牌定位</p><p>　　ENGLISH SUBJECT</p><p><b>　　ABSTRACT</b><

4、/p><p>　　The subject of the automatic recognition of license plate is one of the most significant subjects that are improved from the connection of computer vision and pattern recognition. In LPSR, the first st

5、ep is for locating the license plate in the captured image which is very important for character recognition. The recognition correction rate of license plate is governed by accurate degree of license plate location.<

6、/p><p>　　Firstly, the paper gives a deep research on the status and technique of the plate license recognition system. On the basis of research, a solution of plate license recognition system is proposed throug

7、h the software MATLAB,by the M-files several of methods in image manipulation are compared and analyzed. The methods based on edge map and das differential analysis is used in the process of the localization of the licen

8、se plate, extracting the characteristics of the license plate in the car images</p><p>　　KEY WORDS：imageacquisition，image preprocessing，edge detection，binarization，licence，license plate location</p>&

9、lt;p><b>　　目　錄</b></p><p><b>　　前　言1</b></p><p><b>　　第1章緒 論2</b></p><p>　　§1.1 課題研究的背景2</p><p>　　§1.2 車(chē)牌的特征2</p&g

10、t;<p>　　§1.3 國(guó)內(nèi)外車(chē)輛牌照識(shí)別技術(shù)現(xiàn)狀3</p><p>　　§1.4車(chē)牌識(shí)別技術(shù)的應(yīng)用情況4</p><p>　　§1.5 車(chē)牌識(shí)別技術(shù)的發(fā)展趨勢(shì)5</p><p>　　§1.6車(chē)牌定位的意義6</p><p>　　第2章MATLAB簡(jiǎn)介7</p>

11、<p>　　§2.1 MATLAB發(fā)展歷史7</p><p>　　§2.2 MATLAB的語(yǔ)言特點(diǎn)7</p><p>　　第3章圖像預(yù)處理10</p><p>　　§3.1 灰度變換10</p><p>　　§3.2 圖像增強(qiáng)11</p><p>　

12、　§3. 3 圖像邊緣提取及二值化13</p><p>　　§3. 4 形態(tài)學(xué)濾波18</p><p>　　第4章 車(chē)牌定位21</p><p>　　§4.1 車(chē)牌定位的主要方法21</p><p>　　§4.1.1基于直線檢測(cè)的方法22</p><p>　　§

13、;4.1.2 基于閾值化的方法22</p><p>　　§4.1.3 基于灰度邊緣檢測(cè)方法22</p><p>　　§4.1.4 基于彩色圖像的車(chē)牌定位方法25</p><p>　　§4.2 車(chē)牌提取26</p><p><b>　　結(jié) 論30</b></p><

14、;p><b>　　參考文獻(xiàn)31</b></p><p><b>　　致 謝33</b></p><p><b>　　前　言</b></p><p>　　隨著交通問(wèn)題的日益嚴(yán)重，智能交通系統(tǒng)應(yīng)運(yùn)而生。從20世紀(jì)90年代起，我國(guó)也逐漸展開(kāi)了智能交通系統(tǒng)的研究和開(kāi)發(fā)，探討在現(xiàn)有的交通運(yùn)輸網(wǎng)的基礎(chǔ)上

15、，提高運(yùn)輸效率，保障運(yùn)輸安全。我國(guó)加強(qiáng)智能交通系統(tǒng)（ITS）的研究與開(kāi)發(fā)勢(shì)在必行，特別是考慮到我國(guó)的國(guó)情和我國(guó)經(jīng)濟(jì)的快速發(fā)展，社會(huì)信息化程度日益提高，交通管理智能化成為發(fā)展的趨勢(shì)。</p><p>　　汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)是近幾年發(fā)展起來(lái)的計(jì)算機(jī)視覺(jué)和模式識(shí)別技術(shù)在智能交通領(lǐng)域應(yīng)用的重要研究課題之一。車(chē)牌識(shí)別的目的是對(duì)攝像頭獲取的汽車(chē)圖像進(jìn)行預(yù)處理,確定車(chē)牌位置,提取車(chē)牌上的字符串，并對(duì)這些字符進(jìn)行識(shí)別處理,用文

16、本的形式顯示出來(lái)。車(chē)牌自動(dòng)識(shí)別技術(shù)在智能交通系統(tǒng)中具有重要的應(yīng)用價(jià)值。在車(chē)牌自動(dòng)識(shí)別系統(tǒng)中，首先要將車(chē)牌從所獲取的圖像中分割出來(lái)，這是進(jìn)行車(chē)牌字符識(shí)別的重要步驟，定位準(zhǔn)確與否直接影響車(chē)牌識(shí)別率。本次設(shè)計(jì)主要對(duì)車(chē)牌的定位做了比較詳細(xì)的研究。</p><p>　　汽車(chē)牌照自動(dòng)識(shí)別系統(tǒng)作為一種交通信息的獲取技術(shù)在交通車(chē)輛管理、園區(qū)車(chē)輛管理、停車(chē)場(chǎng)管理有著特別重要的應(yīng)用價(jià)值，受到業(yè)內(nèi)人士的普遍關(guān)注。車(chē)牌自動(dòng)識(shí)別的處理有三

17、部分組成，其中車(chē)牌定位作為最關(guān)鍵的技術(shù)，成為重點(diǎn)研究的對(duì)象。</p><p>　　車(chē)牌定位的成功與否以及定位的準(zhǔn)確程度將會(huì)直接決定后期能否進(jìn)行車(chē)牌識(shí)別以及識(shí)別的準(zhǔn)確度。由于在現(xiàn)實(shí)中，汽車(chē)的車(chē)牌圖像受到光照、背景、車(chē)型等外界干擾因素以及拍攝角度、遠(yuǎn)近等人為因素的影響，造成圖像受光不均勻，車(chē)牌區(qū)域不明顯，給車(chē)牌區(qū)域的提取帶來(lái)了較大的困難。</p><p>　　車(chē)牌定位的方法有很多種，目前比較經(jīng)

18、典的定位方法大都在基于灰度圖像的基礎(chǔ)上。本次畢業(yè)設(shè)計(jì)就針對(duì)灰度圖像的定位進(jìn)行了研究。針對(duì)不同背景和光照條件下的車(chē)輛圖像，提出了一種基于灰度圖像灰度變化特征進(jìn)行車(chē)牌定位的方法。依據(jù)車(chē)牌中不同區(qū)域的灰度分布，車(chē)牌定位時(shí)可以首先將彩色車(chē)牌進(jìn)行灰度化然后再進(jìn)行車(chē)牌定位。</p><p><b>　　緒 論</b></p><p>　　§1.1 課題研究的背景<

19、/p><p>　　隨著21世紀(jì)經(jīng)濟(jì)全球化的到來(lái)，高速度、高效率的生活節(jié)奏，使車(chē)輛普及成為必然的趨勢(shì)，交通管理自動(dòng)化越來(lái)越成為亟待解決的問(wèn)題。現(xiàn)代智能交通系統(tǒng) (Intelligent Transportation System，ITS)中，車(chē)輛牌照識(shí)別(License Plate Recognition，LPR)技術(shù)是計(jì)算機(jī)視覺(jué)與模式識(shí)別技術(shù)在交通領(lǐng)域應(yīng)用的重要研究課題之一，是實(shí)現(xiàn)交通管理能夠智能化的重要環(huán)節(jié)，其任務(wù)

20、是分析、處理汽車(chē)圖像，自動(dòng)識(shí)別汽車(chē)牌號(hào)。LPR系統(tǒng)可以廣泛應(yīng)用于電子收費(fèi)、出入控制、公路流量監(jiān)控、失竊車(chē)輛查詢和停車(chē)場(chǎng)車(chē)輛管理等需要車(chē)牌認(rèn)證的場(chǎng)合；尤其在高速公路收費(fèi)系統(tǒng)中，實(shí)現(xiàn)不停車(chē)收費(fèi)提高公路系統(tǒng)的運(yùn)行效率，LPR系統(tǒng)更具有不可替代的作用。因而從事LPR技術(shù)的研究具有極其重要的現(xiàn)實(shí)意義和巨大的經(jīng)濟(jì)價(jià)值。LPR系統(tǒng)中的兩個(gè)關(guān)鍵子系統(tǒng)是車(chē)牌定位系統(tǒng)和車(chē)牌字符識(shí)別系統(tǒng)。關(guān)于車(chē)牌定位系統(tǒng)的研究，國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的工作，但實(shí)際效果并不是

21、很理想，比如車(chē)牌圖像的傾斜、車(chē)牌表面的污穢和磨損、光線的干擾等都是影響定位準(zhǔn)確度的潛在因素。為此，近年來(lái)不少學(xué)者針對(duì)車(chē)牌本身的特點(diǎn)、車(chē)輛拍攝的不良現(xiàn)象及背景復(fù)</p><p>　　§1.2 車(chē)牌的特征</p><p>　　車(chē)牌的本身具有許多固有特征，這些特征對(duì)不同的國(guó)家是不同的，我國(guó)現(xiàn)在使用的車(chē)牌主要根據(jù)中華人民共和國(guó)機(jī)動(dòng)車(chē)牌號(hào)GA36-92標(biāo)準(zhǔn)，具有以下特征： </p&

22、gt;<p>　?。?）形狀特征：標(biāo)準(zhǔn)的車(chē)牌外輪廓尺寸440*140，字符高90，寬45，字符間距12，間隔符寬10。整個(gè)字符的高寬比例近似為3:1，車(chē)牌的邊緣是線段圍成的有規(guī)則的矩形。主要用在車(chē)牌的定位分割。</p><p>　　（2）顏色特征：現(xiàn)有的字符顏色與車(chē)牌底色搭配有四種類(lèi)型，藍(lán)底白字，黃底黑字，白底黑字，黑底白字。這部分特征主要用在對(duì)彩色圖像進(jìn)行車(chē)牌的定位。</p><

23、;p>　?。?）字符的特征：標(biāo)準(zhǔn)的車(chē)牌上有7個(gè)字符，呈水平排列，待識(shí)別的字符模板可以分為一下三類(lèi)，漢字，英文字母，阿拉伯?dāng)?shù)字，主要用于對(duì)字符匹配識(shí)別方面。</p><p>　?。?）其他國(guó)家的汽車(chē)牌照格式(如汽車(chē)牌照的尺寸大小，牌照上的字符排列等)通常只有一種，而我國(guó)則根據(jù)不同車(chē)輛、車(chē)型、用途，規(guī)定了多種牌照格式(例如分為軍車(chē)、警車(chē)、普通車(chē)等)。</p><p>　　（5）我國(guó)汽車(chē)牌

24、照的規(guī)范懸掛位置不唯一。</p><p>　　（6）由于環(huán)境、道路或人為因素造成汽車(chē)牌照污染嚴(yán)重，這種情況下，國(guó)外發(fā)達(dá)國(guó)家不允許上路，而在我國(guó)仍可上路行駛。</p><p>　　車(chē)牌與汽車(chē)的其它區(qū)域相比，還有以下主要特征：</p><p>　　（1）車(chē)牌區(qū)域中的垂直邊緣比水平邊緣密集，而車(chē)身其它部分的水平邊緣</p><p>　　明顯，垂直邊

25、緣較少。</p><p>　?。?）灰度變化特征：車(chē)牌的底色、邊緣顏色，車(chē)輛外部的顏色都是不同的，</p><p>　　表現(xiàn)在圖像中就是灰度級(jí)互不相同，這就在車(chē)牌邊緣形成了灰度突變邊界。實(shí)際上，車(chē)牌的邊緣在灰度上的表現(xiàn)是一種屋脊?fàn)钸吘?。在?chē)牌區(qū)域內(nèi)部，字符和車(chē)牌底的灰度較均勻的呈現(xiàn)波峰波谷。 </p><p>　?。?）有相對(duì)集中和規(guī)則的紋理特征。</p>

26、;<p>　　由于我國(guó)汽車(chē)車(chē)牌識(shí)別的特殊性，這就導(dǎo)致了采用任何單一識(shí)別技術(shù)都是難以奏效的。</p><p>　　§1.3 國(guó)內(nèi)外車(chē)輛牌照識(shí)別技術(shù)現(xiàn)狀</p><p>　　目前，國(guó)內(nèi)外有大量關(guān)于車(chē)牌識(shí)別方面的研究報(bào)道。國(guó)外在這方面的研究工作開(kāi)展較早。在上世紀(jì)70 年代，英國(guó)就在實(shí)驗(yàn)室中完成了“實(shí)時(shí)車(chē)牌檢測(cè)系統(tǒng)”的廣域檢測(cè)和開(kāi)發(fā)。同時(shí)代，誕生了面向被盜車(chē)輛的第一個(gè)實(shí)時(shí)自

27、動(dòng)車(chē)牌監(jiān)測(cè)系統(tǒng)。發(fā)展到今日，國(guó)外對(duì)車(chē)牌檢測(cè)的研究已經(jīng)取得了一些令人矚目的成就，如Yuntao Cui提出了一種車(chē)牌識(shí)別系統(tǒng)，在車(chē)牌定位以后，利用馬爾科夫場(chǎng)對(duì)車(chē)牌特征進(jìn)行提取和二值化，對(duì)樣本的識(shí)別達(dá)到了較高的識(shí)別率。Eun Ryung 等利用圖像中的顏色分量，對(duì)車(chē)輛照進(jìn)行定位識(shí)別，其中提到了三種方法：①以Hough 變換為基礎(chǔ)的邊緣檢測(cè)定位識(shí)別；②以灰度值變換為基礎(chǔ)的識(shí)別算法；③以HLS彩色模式為基礎(chǔ)的車(chē)牌識(shí)別系統(tǒng)，識(shí)別率分別為81.25

28、%、85%、91.2%。日本對(duì)車(chē)牌圖像的獲取也做了大量的研究，并為系統(tǒng)產(chǎn)業(yè)化做了大量工作。Luis開(kāi)發(fā)系統(tǒng)應(yīng)用于公路收費(fèi)站，全天識(shí)別率達(dá)到了90%以上，即使在天氣不好的情況下也達(dá)到了70%。國(guó)外對(duì)車(chē)牌識(shí)別的研究起步早，總體來(lái)講其技術(shù)已比較領(lǐng)先，同時(shí)由于他們車(chē)牌種類(lèi)單一規(guī)范程度較高，易于定位識(shí)別。目前，已經(jīng)實(shí)現(xiàn)了產(chǎn)品化，并在實(shí)際的交通系統(tǒng)中得到了廣泛的應(yīng)用。由于</p><p>　　§1.4車(chē)牌識(shí)別技術(shù)的

29、應(yīng)用情況</p><p>　　車(chē)輛牌照識(shí)別系統(tǒng)技術(shù)能夠從一幅車(chē)輛圖像中準(zhǔn)確定位出車(chē)牌圖像，經(jīng)過(guò)字符切分和識(shí)別后實(shí)現(xiàn)車(chē)輛牌照的自動(dòng)識(shí)別，從而為以上應(yīng)用提供信息和基礎(chǔ)功能。</p><p>　　目前車(chē)牌識(shí)別系統(tǒng)主要應(yīng)用于以下領(lǐng)域：</p><p>　?。?）停車(chē)場(chǎng)管理系統(tǒng)。利用車(chē)牌識(shí)別技術(shù)對(duì)出入車(chē)輛的號(hào)牌進(jìn)行識(shí)別和匹配，與停車(chē)卡結(jié)合實(shí)現(xiàn)自動(dòng)計(jì)時(shí)、計(jì)費(fèi)的車(chē)輛收費(fèi)管理系統(tǒng)。

30、</p><p>　?。?）高速公路超速自動(dòng)化管理系統(tǒng)。以車(chē)牌自動(dòng)識(shí)別技術(shù)為基礎(chǔ)，與其他高科技手段結(jié)合，對(duì)高速公路交通流狀況進(jìn)行自動(dòng)監(jiān)測(cè)、自動(dòng)布控，從而降低交通事故的復(fù)發(fā)生率，確保交通順暢。</p><p>　?。?）公路布控。采用車(chē)牌識(shí)別技術(shù)實(shí)現(xiàn)對(duì)重點(diǎn)車(chē)輛的自動(dòng)識(shí)別，快速報(bào)警，既可以有效查找被盜車(chē)輛，同時(shí)又為公安、檢察機(jī)關(guān)提供了對(duì)犯罪嫌疑人的交通工具進(jìn)行遠(yuǎn)程跟蹤與監(jiān)查的技術(shù)手段。<

31、/p><p>　　（4）城市十字交通路口的“電子警察”。可以對(duì)違章車(chē)輛進(jìn)行責(zé)任追究，也可以輔助進(jìn)行交通流量統(tǒng)計(jì)，交通監(jiān)測(cè)和疏導(dǎo)。</p><p>　　(5）小區(qū)車(chē)輛管理系統(tǒng)。社區(qū)保安系統(tǒng)將出入社區(qū)的車(chē)輛通過(guò)車(chē)牌識(shí)別技術(shù)進(jìn)行記錄，將結(jié)果與內(nèi)部車(chē)輛列表對(duì)比可以實(shí)現(xiàn)防盜監(jiān)管。</p><p>　　§1.5 車(chē)牌識(shí)別技術(shù)的發(fā)展趨勢(shì)</p><p&g

32、t;　　車(chē)牌識(shí)別技術(shù)作為智能交通系統(tǒng)中的關(guān)鍵技術(shù)，在各國(guó)學(xué)者的共同努力下，已經(jīng)得到了長(zhǎng)足的發(fā)展，并且已經(jīng)得到了不同程度的實(shí)際應(yīng)用，但目前還存在著種種不足。</p><p>　　對(duì)于未來(lái)車(chē)牌識(shí)別產(chǎn)品的技術(shù)發(fā)展趨勢(shì)，漢王科技智能交通部總經(jīng)理喬炬認(rèn)為，首先，由于市場(chǎng)需求不同，對(duì)識(shí)別產(chǎn)品的需求也有差異，因此就要求研發(fā)針對(duì)不同細(xì)分市場(chǎng)的車(chē)牌識(shí)別產(chǎn)品。其次，隨著算法的不斷改進(jìn)，基于視頻觸發(fā)技術(shù)的車(chē)牌識(shí)別產(chǎn)品將得到大范圍的應(yīng)用

33、，但是視頻觸發(fā)技術(shù)取代外觸發(fā)裝置尚需時(shí)日。第三，現(xiàn)在的車(chē)牌識(shí)別系統(tǒng)設(shè)備過(guò)多，系統(tǒng)集成難度大，系統(tǒng)穩(wěn)定性差，系統(tǒng)維護(hù)是一個(gè)讓人頭疼的問(wèn)題。隨著技術(shù)不斷進(jìn)步，以往多個(gè)設(shè)備實(shí)現(xiàn)的功能可能由一個(gè)設(shè)備實(shí)現(xiàn)。</p><p>　　目前，車(chē)牌識(shí)別技術(shù)和產(chǎn)品性能進(jìn)入實(shí)用階段的時(shí)間還不是很長(zhǎng)，隨著人工智能以及自動(dòng)識(shí)別技術(shù)的進(jìn)步，未來(lái)的技術(shù)發(fā)展空間還會(huì)非常大。例如，核心算法繼續(xù)發(fā)展，識(shí)別率和識(shí)別速度進(jìn)一步改善，圖像處理中對(duì)模糊圖像預(yù)

34、處理能力增強(qiáng)，畫(huà)質(zhì)改善技術(shù)的提高等等</p><p>　　§1.6車(chē)牌定位的意義</p><p>　　現(xiàn)在社會(huì)已經(jīng)進(jìn)入信息時(shí)代，隨著計(jì)算機(jī)技術(shù)、通信技術(shù)和計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)的法杖，自動(dòng)化的信息處理能力和水平不算提高，并在人們社會(huì)活動(dòng)和生活的各個(gè)領(lǐng)域得到廣泛應(yīng)用。在這種情況下，作為信息來(lái)源的自動(dòng)檢測(cè)、圖像識(shí)別技術(shù)越來(lái)越受到人們的的重視。作為現(xiàn)代社會(huì)的主要交通工具之一的汽車(chē)，在人們的生產(chǎn)

35、、生活的各個(gè)領(lǐng)域得到大量使用，對(duì)它的信息自動(dòng)采集和管理在交通車(chē)輛管理、園區(qū)車(chē)輛管理、停車(chē)場(chǎng)管理等方面有十分重要的意義，成為信息處理技術(shù)的一項(xiàng)重要課題。</p><p><b>　　MATLAB簡(jiǎn)介</b></p><p>　　§2.1 MATLAB發(fā)展歷史</p><p>　　MATLAB是一門(mén)計(jì)算機(jī)編程語(yǔ)言，取名來(lái)源于Matrix

36、 Laboratory，本意是專(zhuān)門(mén)以矩陣的方式來(lái)處理計(jì)算機(jī)數(shù)據(jù)，它把數(shù)值計(jì)算和可視化環(huán)境集成到一起，非常直觀，而且提供了大量的函數(shù)，使其越來(lái)越受到人們的喜愛(ài)，工具箱越來(lái)越多，應(yīng)用范圍也越來(lái)越廣泛。</p><p>　　MATLAB 以商品形式出現(xiàn)后，僅短短幾年，就以其良好的開(kāi)放性和運(yùn)行的可靠性，使原先控制領(lǐng)域里的封閉式軟件包（如英國(guó)的 UMIST ，瑞典的 LUND 和 SIMNON ，德國(guó)的 KEDDC ）紛紛

37、淘汰，而改以 MATLAB 為平臺(tái)加以重建。在時(shí)間進(jìn)入 20 世紀(jì)九十年代的時(shí)候， MATLAB 已經(jīng)成為國(guó)際控制界公認(rèn)的標(biāo)準(zhǔn)計(jì)算軟件。 </p><p>　　到九十年代初期，在國(guó)際上 30 幾個(gè)數(shù)學(xué)類(lèi)科技應(yīng)用軟件中， MATLAB 在數(shù)值計(jì)算方面獨(dú)占鰲頭，而 Mathematica 和 Maple 則分居符號(hào)計(jì)算軟件的前兩名。 Mathcad 因其提供計(jì)算、圖形、文字處理的統(tǒng)一環(huán)境而深受中學(xué)生歡迎。 </

38、p><p>　　國(guó)際學(xué)術(shù)界， MATLAB 已經(jīng)被確認(rèn)為準(zhǔn)確、可靠的科學(xué)計(jì)算標(biāo)準(zhǔn)軟件。在許多國(guó)際一流學(xué)術(shù)刊物上，（尤其是信息科學(xué)刊物），都可以看到 MATLAB 的應(yīng)用。 </p><p>　　在設(shè)計(jì)研究單位和工業(yè)部門(mén)， MATLAB 被認(rèn)作進(jìn)行高效研究、開(kāi)發(fā)的首選軟件工具。如美國(guó) National Instruments 公司信號(hào)測(cè)量、分析軟件 Lab VIEW ， Cadence 公司信號(hào)

39、和通信分析設(shè)計(jì)軟件 SPW 等，或者直接建筑在 MATLAB 之上，或者以 MATLAB 為主要支撐。又如 HP 公司的 VXI 硬件， TM 公司的 DSP ， Gage 公司的各種硬卡、儀器等都接受 MATLAB 的支持。</p><p>　　§2.2 MATLAB的語(yǔ)言特點(diǎn)</p><p>　　一種語(yǔ)言之所以能如此迅速地普及，顯示出如此旺盛的生命力，是由于它有著不同于其他

40、語(yǔ)言的特點(diǎn)。正如同F(xiàn)ORTRAN和C等高級(jí)語(yǔ)言使人們擺脫了需要直接對(duì)計(jì)算機(jī)硬件資源進(jìn)行操作一樣，被稱作為第四代計(jì)算機(jī)語(yǔ)言的MATLAB，利用其豐富的函數(shù)資源，使編程人員從繁瑣的程序代碼中解放出來(lái)。MATLAB的最突出的特點(diǎn)就是簡(jiǎn)潔。MATLAB用更直觀的、符合人們思維習(xí)慣的代碼，代替了C和FORTRAN語(yǔ)言的冗長(zhǎng)代碼。MATLAB給用戶帶來(lái)的是最直觀、最簡(jiǎn)潔的程序開(kāi)發(fā)環(huán)境。以下簡(jiǎn)單介紹一下MATLAB的主要特點(diǎn)：</p>

41、<p>　?。?）語(yǔ)言簡(jiǎn)潔緊湊，使用方便靈活，庫(kù)函數(shù)極其豐富。MATLAB程序書(shū)寫(xiě)形式自由，利用其豐富的庫(kù)函數(shù)避開(kāi)繁雜的子程序編程任務(wù)，壓縮了一切不必要的編程工作。由于庫(kù)函數(shù)都由本領(lǐng)域的專(zhuān)家編寫(xiě)，用戶不必?fù)?dān)心函數(shù)的可靠性?？梢哉f(shuō)，用MATLAB進(jìn)行科技開(kāi)發(fā)是站在專(zhuān)家的肩膀上。</p><p>　?。?）運(yùn)算符豐富。由于MATLAB是用C語(yǔ)言編寫(xiě)的，MATLAB提供了和C語(yǔ)言幾乎一樣多的運(yùn)算符，靈活使用M

42、ATLAB的運(yùn)算符將使程序變得極為簡(jiǎn)短。</p><p>　?。?）MATLAB既具有結(jié)構(gòu)化的控制語(yǔ)句（如for循環(huán)、while循環(huán)、break語(yǔ)句和if語(yǔ)句），又有面向?qū)ο缶幊痰奶匦浴?lt;/p><p>　　（4）語(yǔ)法限制不嚴(yán)格，程序設(shè)計(jì)自由度大。例如，在MATLAB里，用戶無(wú)需對(duì)矩陣預(yù)定義就可使用。</p><p>　?。?）程序的可移植性很好，基本上不做修改就可

43、以在各種型號(hào)的計(jì)算機(jī)和操作系統(tǒng)上運(yùn)行。</p><p>　?。?）MATLAB的圖形功能強(qiáng)大。在FORTRAN和C語(yǔ)言里，繪圖都很不容易，但在MATLAB里，數(shù)據(jù)的可視化非常簡(jiǎn)單。MATLAB還具有較強(qiáng)的編輯圖形界面的能力。</p><p>　　（7）MATLAB的缺點(diǎn)是，它和其他高級(jí)程序相比，程序的執(zhí)行速度較慢。由于MATLAB的程序不用編譯等預(yù)處理，也不生成可執(zhí)行文件，程序?yàn)榻忉寛?zhí)行，

44、所以速度較慢。</p><p>　?。?）功能強(qiáng)勁的工具箱是MATLAB的另一重大特色。MATLAB包含兩個(gè)部分：核心部分和各種可選的工具箱。核心部分中有數(shù)百個(gè)核心內(nèi)部函數(shù)。其工具箱又可分為兩類(lèi)：功能性工具箱和學(xué)科性工具箱。功能性工具箱主要用來(lái)擴(kuò)充其符號(hào)計(jì)算功能、圖示建模仿真功能、文字處理功能以及與硬件實(shí)時(shí)交互功能。功能性工具箱能用于多種學(xué)科。而學(xué)科性工具箱是專(zhuān)業(yè)性比較強(qiáng)的，如control、toolbox、si

45、gnal processing toolbox、communication toolbox等。這些工具箱都是由該領(lǐng)域內(nèi)的學(xué)術(shù)水平很高的專(zhuān)家編寫(xiě)的，所以用戶無(wú)需編寫(xiě)自己學(xué)科范圍內(nèi)的基礎(chǔ)程序，而直接進(jìn)行高、精、尖的研究。下表列出了MATLAB的核心部分及其工具箱等產(chǎn)品系列的主要應(yīng)用領(lǐng)域。</p><p><b>　　圖像預(yù)處理</b></p><p>　　圖像預(yù)處理是車(chē)牌

46、定位的準(zhǔn)備工作，以提高車(chē)牌圖片的適用性。從采集卡獲得的原始圖像不僅包括車(chē)牌照，而且還有汽車(chē)本身和汽車(chē)背景圖像，因此必須去掉這些非牌照?qǐng)D像的影響，才有可能正確的提取出牌照區(qū)域，為以后的車(chē)牌字符識(shí)別打下基礎(chǔ)。在實(shí)際應(yīng)用中，由于季節(jié)的更替、自然光照度的晝夜變化、光照的穩(wěn)定性與均勻性、車(chē)輛自身的運(yùn)動(dòng)、觀察點(diǎn)(攝像機(jī)的角度、位置、觀察角度等)、采集圖像的設(shè)備本身的因素等的影響，圖像傳感器所獲取的圖像有時(shí)并不令人十分滿意，存在各種各樣的噪聲。因而必

47、須對(duì)圖像進(jìn)行預(yù)處理，以改善圖像質(zhì)量，提高字符識(shí)別率。</p><p><b>　　§3.1 灰度變換</b></p><p>　　灰度圖是指只包含亮度信息，不包含色彩信息的圖像，例如平時(shí)看到的亮度連續(xù)變化的黑白照片就是一幅灰度圖?；叶然幚砭褪菍⒁环噬珗D像轉(zhuǎn)化為灰度圖像的過(guò)程。彩色圖像分為R、G、B 三個(gè)分量，分別顯示出紅、綠、藍(lán)等各種顏色，灰度化就是使彩

48、色的R、G、B 分量相等的過(guò)程?；叶戎荡蟮南袼攸c(diǎn)比較亮（像素值最大為255，為白色），反之比較暗（像素值最小為0，是黑色）。</p><p>　　本次灰度圖像變換的實(shí)現(xiàn)采用了rgb2gray函數(shù)</p><p>　　rgb2gray：轉(zhuǎn)換RGB圖像或顏色映像表為灰度圖像</p><p>　　格式：I=rgb2gray(RGB)</p><p>

49、;　　I=rgb2gray(A)</p><p>　　原始圖像和灰度圖如圖3-1、3-2所示：</p><p>　　圖 3-1 原始圖像</p><p>　　圖 3-2 灰度圖像</p><p>　　§3.2 圖像增強(qiáng)</p><p>　　對(duì)車(chē)輛圖像進(jìn)行灰度化處理之后，車(chē)牌部分和非車(chē)牌部分圖像的對(duì)比度并不是

50、很高，此時(shí)如果直接進(jìn)行邊緣提取，由于車(chē)牌界限較為模糊，難以提取出車(chē)牌邊緣，因而難以準(zhǔn)確定位車(chē)牌。為了增強(qiáng)牌照部位圖像和其他部位圖像的對(duì)比度，使其明暗鮮明，有利于提高識(shí)別率，需要將車(chē)輛圖像進(jìn)行增強(qiáng)。</p><p>　　圖像增強(qiáng)的目的是對(duì)圖像進(jìn)行加工，以得到對(duì)具體應(yīng)用來(lái)說(shuō)視覺(jué)效果更適于計(jì)算機(jī)識(shí)別的圖像。增強(qiáng)圖像的方法有很多，如灰度變換、圖像平滑處理和線性濾波等，根據(jù)處理圖像域又可分為空間增強(qiáng)與頻域增強(qiáng)。目前用于車(chē)牌

51、圖像增強(qiáng)的方法有：灰度拉伸、直方圖均衡、中值濾波、高斯濾波、鄰域?yàn)V波、圖像腐蝕、多圖像平均、同態(tài)濾波等等。</p><p>　　在本設(shè)計(jì)中用到運(yùn)動(dòng)目標(biāo)檢測(cè)—圖像開(kāi)操作，圖像的開(kāi)操作時(shí)先腐蝕后膨脹，用來(lái)消除小物體、在纖細(xì)點(diǎn)處分離物體、平滑較大物體的邊緣同時(shí)并不明顯改變其面積。</p><p>　?。?）對(duì)原始圖像進(jìn)行開(kāi)操作得到背景圖像：</p><p>　　s=str

52、el('disk',13); %調(diào)用strel函數(shù)</p><p>　　Bgray=imopen(Sgray,s); %對(duì)圖像進(jìn)行開(kāi)運(yùn)算</p><p>　　figure,imshow(Bgray);title('背景圖像');</p><p>　　輸出背景圖像，如圖 3-3 所示：</p><p

53、>　　圖 3-3 背景圖像</p><p>　?。?）原始灰度圖像與背景圖像做減法，對(duì)圖像進(jìn)行增強(qiáng)處理：</p><p>　　Egray=imsubtract(Sgray,Bgray);</p><p>　　figure,imshow(Egray);title('增強(qiáng)黑白圖像');</p><p>　　輸出黑白圖像如圖

54、3-4 所示：</p><p>　　圖 3-4 增強(qiáng)后的黑白圖像</p><p>　　§3. 3 圖像邊緣提取及二值化</p><p>　　§3.3.1 圖像邊緣提取</p><p>　　邊緣主要存在于目標(biāo)與目標(biāo)、目標(biāo)與背景、區(qū)域與區(qū)域（包括不同色彩）之間，邊緣檢測(cè)主要是精確定位邊緣和抑制噪點(diǎn)，原理是：由于微分算子具有突出

55、灰度變化的作用，對(duì)圖像進(jìn)行微分運(yùn)算，在圖像邊緣處及其灰度變化較大，故該處微分計(jì)算值較高，可將這些為分支作為相應(yīng)點(diǎn)的邊緣強(qiáng)度，通過(guò)閾值判別來(lái)提取邊緣點(diǎn)，即如果為分支大于閾值，則為邊緣點(diǎn)。其基本步驟是首先利用邊緣增強(qiáng)算子，突出圖像中的局部邊緣，然后定義像素的“邊緣強(qiáng)度”，通過(guò)設(shè)置門(mén)限的方法提取邊緣點(diǎn)集。</p><p>　　常用的傳統(tǒng)邊緣檢測(cè)算子有 Robert 算子、Sobel 算子、Prewitt 算子、Lapl

56、ace算子和Canny 算子。</p><p>　　Robets算子：邊緣定位準(zhǔn)確，但對(duì)噪聲敏感，去噪聲作用小，適合于邊緣明顯且噪聲較小的圖像分割；</p><p>　　Sobel算子：它是方向性的，在水平和垂直方向上形成了最強(qiáng)烈的邊緣。Sobel算子不僅能檢測(cè)邊緣點(diǎn)，而且能抑制噪聲影響，對(duì)灰度漸變和噪聲較多的圖像處理得較好；</p><p>　　Prewitt算子

57、：與Sobel算子相比，對(duì)噪聲抑制較弱；</p><p>　　Laplace算子：它是一個(gè)與方向無(wú)關(guān)的各向通行邊緣檢測(cè)算子，對(duì)細(xì)線和孤立點(diǎn)檢測(cè)效果好，但邊緣方向信息丟失，常產(chǎn)生雙像素的邊緣，對(duì)噪聲有雙倍加強(qiáng)作用，很少直接用于檢測(cè)邊緣；</p><p>　　Canny算子：邊緣檢測(cè)的方法是尋找圖像梯度的局部極大值，它使用兩個(gè)閾值來(lái)分別檢測(cè)強(qiáng)邊緣和弱邊緣，而且僅當(dāng)弱邊緣和強(qiáng)邊緣相連時(shí)，弱邊緣才

58、會(huì)包含在輸出中。</p><p>　　通過(guò)實(shí)驗(yàn)圖對(duì)幾種邊緣檢測(cè)算子進(jìn)行仿真（圖3-5至3-8），可知：</p><p>　?。?）Roberts算子定位比較準(zhǔn)確，但由于不包括平滑，所以對(duì)噪聲比較敏感。</p><p>　?。?） Prewitt算子和Sobel算子都是一階的微分算子，而前者是平均濾波，后者是加權(quán)平均濾波，對(duì)噪聲具有一定的抑制能力，但不能完全排除檢測(cè)結(jié)

59、果中出現(xiàn)偽邊緣。該類(lèi)算子對(duì)灰度漸變和具有噪聲的圖像處理比較好。其中Sobel算子比Prewitt算子更能抑制噪聲的影響。</p><p>　?。?）Canny算子同樣采用高斯函數(shù)對(duì)圖像做平滑處理，因此具有較強(qiáng)的去噪能力，但同樣存在容易平滑掉一些邊緣信息。同時(shí)它所采用的一階微分算子的方向性較好，因此邊緣定位準(zhǔn)確性較高。</p><p>　　邊緣檢測(cè)算子的實(shí)現(xiàn)代碼：</p>&l

60、t;p>　　I2=edge(I1,'Robert',0.09,'both');</p><p>　　Figure，imshow（I2）；title(‘Robert算子’);</p><p>　　圖 3-6 Robert算子</p><p>　　圖 3-7 Prewitt算子</p><p>　　圖 3-8

61、 Sobel算子</p><p>　　圖 3-9 Canny算子</p><p>　　通過(guò)邊緣檢測(cè)仿真結(jié)果圖可見(jiàn)，幾個(gè)邊緣檢測(cè)算子都可以較好的提取所需的車(chē)牌邊緣。為了車(chē)牌的定位，希望車(chē)輛圖像的車(chē)牌區(qū)域突現(xiàn)出來(lái)的同時(shí)，其它邊緣能夠很好的得到抑制。Canny算子提取邊緣能有效地檢測(cè)出車(chē)牌區(qū)域的紋理特征，所以，本次設(shè)計(jì)選用Canny算子。</p><p>　　§

62、3.3.2 灰度圖像二值化</p><p>　　灰度圖像的二值化處理就是將圖像上的點(diǎn)的灰度置為0或255，也就是將整個(gè)圖像呈現(xiàn)出明顯的黑白效果。即將256個(gè)亮度等級(jí)的灰度圖像通過(guò)適當(dāng)?shù)拈y值選取而獲得仍然可以反映圖像整體和局部特征的二值化圖像。在數(shù)字圖像處理中，二值圖像占有非常重要的地位，要進(jìn)行二值圖像的處理與分析，首先 要把灰度圖像二值化，得到二值化圖像，這樣子有利于再對(duì)圖像做進(jìn)一步處理時(shí)，圖像的集合性質(zhì)只與像素

63、值為0或255的點(diǎn)的位置有關(guān)，不再涉及像素的多級(jí)值，使處理變得簡(jiǎn)單，而且數(shù)據(jù)的處理和壓縮量小。為了得到理想的二值圖像，一般采用封閉、連通的邊界定義不交疊的區(qū)域。所有灰度大于或等于閥值的像素被判定為屬于特定物體，其灰度值為255表示，否則這些像素點(diǎn)被排除在物體區(qū)域以外，灰度值為0，表示背景或者例外的物體區(qū)域。如果某特定物體在內(nèi)部有均勻一致的灰度值，并且其處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，使用閥值法就可以得到比較的分割效果。如果物體同

64、背景的差別表現(xiàn)不在灰度值上（比如紋理不同），可以將這個(gè)差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值選取技術(shù)來(lái)分割該圖像。動(dòng)態(tài)調(diào)節(jié)閥值實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)觀察其分割圖像的具體結(jié)果。</p><p>　　本文采用的圖像二值化最佳閾值計(jì)算方法如下：</p><p>　　Level=(fmax1-(fmax1-fmin1)/3)</p><p>　　式中Level為最佳閥值，f

65、max為最大灰度，fmin為最小灰度，將圖像二值化：</p><p>　　fmax1=double(max(max(Egray))); %egray的最大值并輸出雙精度型</p><p>　　fmin1=double(min(min(Egray))); %egray的最小值并輸出雙精度型</p><p>　　level=(fmax1-(fmax1-

66、fmin1)/3)/255; %獲得最佳閾值</p><p>　　bw22=im2bw(Egray,level); %轉(zhuǎn)換圖像為二進(jìn)制圖像</p><p>　　bw2=double(bw22);</p><p>　　figure,imshow(bw2);title('圖像二值化');%得到二值圖像，如圖 3-10：</p

67、><p>　　圖 3-10 圖像二值化</p><p>　　§3. 4 形態(tài)學(xué)濾波</p><p>　　形態(tài)學(xué)是法國(guó)和德國(guó)的科學(xué)家在研究巖石結(jié)構(gòu)時(shí)建立的一門(mén)學(xué)科。形態(tài)學(xué)的用途主要用來(lái)獲取物體拓?fù)浜徒Y(jié)果信息，他通過(guò)物體和結(jié)構(gòu)元素相互作用的某些運(yùn)算，得到物體更本質(zhì)的形態(tài)。人們后來(lái)用數(shù)學(xué)形態(tài)學(xué)表示以形態(tài)為基礎(chǔ)對(duì)圖像進(jìn)行分析的數(shù)學(xué)工具。他的基本思想是用一個(gè)被稱為結(jié)構(gòu)元

68、素的探針收集圖像的信息。當(dāng)探針在圖像中不斷移動(dòng)時(shí)，便可考察圖像各個(gè)部分間的相互關(guān)系，從而了解圖像各個(gè)部分的結(jié)構(gòu)特征。作為探針的結(jié)構(gòu)元素，可直接攜帶知識(shí)（形態(tài)大小以及灰度和色度信息）來(lái)探測(cè)所研究圖像的結(jié)構(gòu)特征。</p><p>　　數(shù)學(xué)形態(tài)是一種非線性濾波的方法，可以用于抑制噪聲，進(jìn)行特征提取、邊緣檢測(cè)、圖像分割等圖像處理問(wèn)題。數(shù)學(xué)形態(tài)學(xué)首先被用來(lái)處理二值圖像，后來(lái)也被用來(lái)處理灰度圖像，現(xiàn)在又有學(xué)者開(kāi)始用軟數(shù)學(xué)形態(tài)

69、學(xué)和模糊形態(tài)學(xué)來(lái)解決計(jì)算機(jī)視覺(jué)方面的問(wèn)題。</p><p>　　腐蝕是一種消除邊界點(diǎn)的過(guò)程，結(jié)果是使目標(biāo)縮小，空洞增大，因而可有效地消除孤立噪聲點(diǎn)；膨脹是將于目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過(guò)程，結(jié)果是使目標(biāo)增大，孔洞減小，可填補(bǔ)目標(biāo)物體中的空洞，形成聯(lián)通域。先腐蝕后膨脹的過(guò)程為開(kāi)運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過(guò)程為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接臨

70、近物體和平滑邊界的作用。</p><p>　　本次畢業(yè)設(shè)計(jì)是運(yùn)用了這種方法來(lái)實(shí)現(xiàn)其中重要步驟的。對(duì)圖像做了開(kāi)運(yùn)算和閉運(yùn)算，這兩種運(yùn)算是數(shù)學(xué)形態(tài)學(xué)中的重要運(yùn)算。開(kāi)運(yùn)算就是對(duì)圖像先進(jìn)行腐蝕，然后在用同一結(jié)構(gòu)元素對(duì)圖像進(jìn)行膨脹運(yùn)算。閉運(yùn)算就是反過(guò)來(lái)，先對(duì)圖像膨脹再腐蝕。閉運(yùn)算可以使圖像的輪廓線更為光滑，它通常用來(lái)消掉狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓中的斷裂。</p><p>　　

71、se=[1;1;1]; %線型結(jié)構(gòu)元素</p><p>　　I3=imerode(I2,se); %腐蝕圖像</p><p>　　subplot(3,2,4),imshow(I3),title('腐蝕后邊緣圖像');</p><p>　　圖 3-11 腐蝕后的邊緣圖像</p><p>　　se=stre

72、l('rectangle',[25,25]); %矩形結(jié)構(gòu)元素</p><p>　　I4=imclose(I3,se); %形態(tài)學(xué)中的閉運(yùn)算，聚類(lèi)、填充圖像，se為結(jié)構(gòu)元素</p><p>　　subplot(3,2,5),imshow(I4),title('填充后圖像');</p><p>　　圖 3-12 填充（膨脹）后的圖像&

73、lt;/p><p>　　I5=bwareaopen(I4,2000);%去除聚團(tuán)灰度值小于2000的部分</p><p>　　subplot(3,2,6),imshow(I5),title('形態(tài)濾波后圖像');</p><p>　　圖 3-13形態(tài)學(xué)濾波后的圖像</p><p>　　經(jīng)分析采用矩形算子能有效地將車(chē)牌區(qū)域連接成片，

74、去除非車(chē)牌區(qū)域，通過(guò)程序處理后的圖可以清楚地看到對(duì)圖像經(jīng)過(guò)開(kāi)操作濾波后的可能的車(chē)牌區(qū)域都清楚的保留了下來(lái)，是非常成功的。</p><p><b>　　第4章 車(chē)牌定位</b></p><p>　　§4.1 車(chē)牌定位的主要方法</p><p>　　所謂車(chē)牌定位算法是指在實(shí)際拍攝的圖像中確定車(chē)牌區(qū)域的位置以便提取分割出車(chē)牌區(qū)域圖像的問(wèn)題。

75、牌照的快速準(zhǔn)確定位是車(chē)牌自動(dòng)識(shí)別技術(shù)中非常關(guān)鍵的一步，是典型的圖像分割問(wèn)題，因此定位方法與車(chē)牌特征和圖像處理技術(shù)是分不開(kāi)的。</p><p>　　經(jīng)典的車(chē)牌定位分割算法包括從簡(jiǎn)單的灰度閾值方法、頻域和空間分割方法到復(fù)雜的連接元素方法以及Hough變化法等，在背景較復(fù)雜和光照不均勻條件下，這些方法難以取得令人滿意的分割效果。近年來(lái)，人們針對(duì)這種情況，提出了各種各樣的定位算法。目前沒(méi)有一個(gè)標(biāo)準(zhǔn)圖像數(shù)據(jù)庫(kù)來(lái)評(píng)價(jià)無(wú)限制條

76、件車(chē)牌定位算法的性能，這個(gè)問(wèn)題的研究目前剛剛起步。</p><p>　　本次畢業(yè)設(shè)計(jì)中所用的方法是基于圖像的特征來(lái)做的，先初步確定車(chē)牌大致區(qū)域，再通過(guò)計(jì)算對(duì)車(chē)牌進(jìn)行精確定位</p><p>　　流程圖如圖4-1所示：</p><p>　　圖4-1 車(chē)牌定位流程圖</p><p>　　§4.1.1基于直線檢測(cè)的方法</p>

77、;<p>　　這類(lèi)方法一般采用Hough變化等方法來(lái)檢測(cè)直線（車(chē)牌周?chē)吙蛐纬桑?。利用?chē)牌形狀特性來(lái)定位車(chē)牌，在實(shí)際運(yùn)用中憂郁光照不均勻等影響和攝像機(jī)畸變，曝光不足和動(dòng)態(tài)范圍太窄等原因，導(dǎo)致圖像存在偽影，加上車(chē)牌上的灰塵、臟污等使形狀特性表現(xiàn)的不明顯，從而影響定位效果，此外傳統(tǒng)的Hough變換法應(yīng)用在車(chē)牌定位中，只是單純的進(jìn)行直線的檢測(cè)，沒(méi)有和車(chē)牌形狀特性結(jié)合起來(lái)，而且Hough空間與原圖像空間不是一一對(duì)應(yīng)的，由Hough

78、空間中檢測(cè)到的特征點(diǎn)無(wú)法確定出車(chē)牌輪廓的起始位置，無(wú)法避免直線干擾的問(wèn)題，因此在有直線干擾時(shí)及未進(jìn)行邊框提取時(shí)的可能性會(huì)大大增加。Hough變化計(jì)算量較大，對(duì)于邊框不連續(xù)的實(shí)際車(chē)牌，需要附加量加大的運(yùn)算。</p><p>　　§4.1.2 基于閾值化的方法</p><p>　　圖像經(jīng)過(guò)閾值化得到一個(gè)字符和背景分離的二值圖像是這類(lèi)方法的特點(diǎn)。目前已經(jīng)提出了多種閾值化策略，但簡(jiǎn)單算法

79、二值化效果不好，復(fù)雜算法計(jì)算時(shí)間長(zhǎng)、計(jì)算量大限制了實(shí)際應(yīng)用。</p><p>　　§4.1.3 基于灰度邊緣檢測(cè)方法</p><p>　　此類(lèi)方法通常利用車(chē)牌區(qū)域局部對(duì)比度明顯和灰度有規(guī)律變化的紋理特征來(lái)定位。中國(guó)車(chē)牌類(lèi)型較多，在不同光照條件下車(chē)牌對(duì)比度更加不一，需要進(jìn)行圖像增強(qiáng)處理，還要考慮圖像中與車(chē)牌特征非常相似的非車(chē)牌區(qū)域的排除問(wèn)題。</p><p>

80、;　　1.基于灰度直方圖的門(mén)限化邊緣檢測(cè)</p><p>　　基于灰度直方圖的門(mén)限化邊緣檢測(cè)是一種最常用、最簡(jiǎn)單的邊緣檢測(cè)方法。</p><p>　　檢測(cè)目標(biāo)——背景圖像中目標(biāo)的邊緣效果很好。這種圖像的灰度直方圖呈雙峰狀態(tài)。</p><p>　　2.基于微分的邊緣檢測(cè)</p><p>　　（1）基于差分的邊緣檢測(cè)</p><

81、;p><b>　?、僖浑A差分邊緣檢測(cè)</b></p><p>　　對(duì)位于邊緣兩側(cè)的點(diǎn)，像素點(diǎn)灰度值將發(fā)生急劇變化，因此有較大的差分值。當(dāng)差分方向和邊界方向垂直時(shí)將獲得最大差分，因此，只要對(duì)f(i ,j) 各方向的差分值再進(jìn)行一次門(mén)限化處理，即可檢出邊緣像素點(diǎn)，從而求得其邊緣圖像。</p><p><b>　?、诙A差分邊緣檢測(cè)</b><

82、;/p><p>　　這是利用在圖像的邊緣處，灰度發(fā)生急劇變化這一特性，采用圖像灰度值沿著確定方向(x，y或?qū)蔷€)取二次差分后的某些性質(zhì)進(jìn)行邊緣檢測(cè)的</p><p>　?。?）基于梯度的邊緣檢測(cè)</p><p>　　由于邊緣發(fā)生在圖像灰度值變化比較大的地方，對(duì)應(yīng)連續(xù)情形就是函數(shù)梯度最大 的地方。Roberts算子、Prewitt算子和Sobel算子就是比較簡(jiǎn)單而常用的

83、例子。還有一種比較直觀的方法就是利用當(dāng)前像素臨域中的一些像素值擬合一個(gè)曲面，然后求這個(gè)連續(xù)曲面在該像素處梯度。從統(tǒng)計(jì)角度上說(shuō)，我們可 以通過(guò)回歸分析得到一個(gè)曲面，然后做類(lèi)似的處理。</p><p>　?、?Robert算子</p><p>　　在圖 像中邊緣的銳利程度是由圖像的梯度來(lái)決定的。梯度是一個(gè)向量,of指出梯度變化最快的方向和數(shù)量.</p><p><

84、b>　?。?-1）</b></p><p>　?、?Prewitt算子和Sobel算子</p><p>　　1970 年左右，Prewitt和Sobel分別提出了一個(gè)算子，即Prewitt算子Sobel算子。</p><p>　　Prewitt邊緣檢測(cè)算子使用兩個(gè)有向算子(一個(gè)是水平的，一個(gè)是垂直的一般稱為模版，每一個(gè)逼近一個(gè)偏導(dǎo)數(shù)):</p

85、><p><b>　　（4-2）</b></p><p>　　Sobel算子和Prewitt算子的不同在于使用的模板不一樣 ：</p><p><b>　?。?-3）</b></p><p>　　對(duì)一些圖像噪聲結(jié)構(gòu)，Sobel算子和Prewitt算子能產(chǎn)生比較好的結(jié)果，但是他們存在一些共同的問(wèn)題:<

86、;/p><p>　　A 檢測(cè)結(jié)果對(duì)噪聲很敏感，圖像的離散差分對(duì)噪聲比對(duì)原圖像更敏感;</p><p>　　B 可以通過(guò)對(duì)圖像做平滑來(lái)改善結(jié)果，但是又會(huì)產(chǎn)生一個(gè)問(wèn)題，會(huì)把一些靠在一起的邊緣平滑掉，而且會(huì)影響對(duì)邊緣的定位。</p><p>　　C 用上述模板卷積后得到的邊緣可能是跨越好幾個(gè)點(diǎn)而不是一個(gè)點(diǎn)，為了改善這個(gè)問(wèn)題 ，還要做一些改進(jìn)。邊緣像素不只是要大于閩值，而且梯度

87、方向上梯度的 大小要大于它的前者和后者，這個(gè)方法稱之為非極值抑制.</p><p>　　③Canny邊緣檢側(cè)算子</p><p>　　提起圖像邊緣檢測(cè)就不得不提Canny準(zhǔn)則及Canny算子。1986年JohnC anny提出了劃時(shí)代的邊緣檢測(cè)的三條準(zhǔn)則，并在此基礎(chǔ)上得到了一個(gè)很不錯(cuò)的使用算法。Canny三準(zhǔn)則:</p><p>　　A 好的檢測(cè)結(jié)果，或者說(shuō)對(duì)邊緣的

88、錯(cuò)誤檢測(cè)率要盡可能的低:就是在圖像上邊 緣出現(xiàn)的地方檢測(cè)結(jié)果不應(yīng)該沒(méi)有:另一方面也不要出現(xiàn)虛假邊緣。這是因?yàn)樗杏眠吘墮z測(cè)做更深入工作的系統(tǒng)，它的性能依賴于邊緣檢測(cè)的誤差 。</p><p>　　B 對(duì)邊緣的定位要準(zhǔn)確:檢測(cè)出的邊緣位置和圖像上真正的邊緣中心位置充分接近 。</p><p>　　C 對(duì)同一邊緣要有低的響應(yīng)次數(shù)。</p><p>　　Canny還提出一

89、種對(duì)噪聲進(jìn)行估計(jì)的使用方法。假設(shè)邊緣信號(hào)的響應(yīng)是比較少的而且是比較大的值而噪聲的響應(yīng)是很多但是值相對(duì)較小，那么閾值就可以通過(guò)濾波后的圖像的統(tǒng)計(jì)累積直方圖得到(實(shí)踐數(shù)據(jù)表明取閾值為這個(gè)累積直方圖的0.8，而Matlab取其0.7)。在Canny準(zhǔn)側(cè)的基礎(chǔ)上，人們進(jìn)行了更深入的研究，得到了很多的結(jié)果。</p><p>　　但是僅僅有一個(gè)閾值是不夠的。由于噪聲的影響邊緣信號(hào)響應(yīng)只有差不多一半大于這個(gè)閾值的，由此造成了斑

90、紋現(xiàn)象，也就是邊緣是斷的.如果我們把這個(gè)閾值降低，我們往往發(fā)現(xiàn)出現(xiàn)錯(cuò)誤的“邊緣”。為了解決這個(gè)問(wèn)題，Canny提出一種雙閾值方法。前面利用累計(jì)統(tǒng)計(jì)直方圖得到一個(gè)高閾值T,，然后再取一個(gè)低閾值Tz (Matlab6.5中使用的是T2=0.4T,)。如果圖像信號(hào)的響應(yīng)大于高閾值，那么它一定邊緣;如果低于低閾值，那么它一定不是邊緣;如果在低閾值和高閾值之間，我們就看它的8個(gè)鄰接像素有沒(méi)有大大于高閾值的邊緣，如果有，則它是邊緣。 </p&

91、gt;<p>　　§4.1.4 基于彩色圖像的車(chē)牌定位方法</p><p>　　目前的車(chē)牌分割受限于灰度圖像，所以定位效果受陰影和光照條件的限制。由于人類(lèi)視覺(jué)對(duì)彩色信息比較敏感，人眼能分辨的灰度只有20多級(jí)，而分辨的色彩卻有35000種，彩色圖像可以提供更多的視覺(jué)信息，有圖像學(xué)者提出了利用車(chē)牌的顏色信息來(lái)搜索牌照，將處理對(duì)象改為彩色圖像以求可以精確地定位車(chē)牌。</p><

92、;p>　　比如一些系統(tǒng)采用BP神經(jīng)網(wǎng)絡(luò)對(duì)彩色圖像進(jìn)行彩色分割，把每個(gè)像素通過(guò)網(wǎng)絡(luò)學(xué)習(xí)歸類(lèi)為期望的顏色，然后利用水平和數(shù)值直方圖的方法確定牌照的位置，但是當(dāng)車(chē)牌區(qū)域顏色域附近顏色非常相似且牌照傾斜的情況下彩色定位分割錯(cuò)誤將會(huì)增加。</p><p>　　但是基于彩色圖像的定位算法最大的缺點(diǎn)是計(jì)算量和存儲(chǔ)量都比較大，如基于神經(jīng)網(wǎng)絡(luò)的彩色圖像車(chē)牌分割方法，此方法需要處理好網(wǎng)絡(luò)局部收斂問(wèn)題，定位時(shí)間長(zhǎng)。此外當(dāng)車(chē)牌區(qū)域

93、顏色和附近顏色相似時(shí)，定位錯(cuò)誤增加。</p><p>　　也有一些系統(tǒng)采用彩色邊緣檢測(cè)算子計(jì)算二值邊緣圖像，然后采用形態(tài)學(xué)方法來(lái)生成連通區(qū)域圖像，再進(jìn)行輪廓跟蹤，通過(guò)標(biāo)記候選牌照區(qū)域，得到n個(gè)候選牌照區(qū)域，最后對(duì)候選牌照進(jìn)行分析與分解，進(jìn)而提取牌照區(qū)域，但是當(dāng)途中相似顏色區(qū)塊較多時(shí)，定位速度會(huì)急劇下降。 </p><p>　　也有的系統(tǒng)首先利用顏色信息對(duì)輸入圖像進(jìn)行彩色粗分割，得到了顏色為

94、車(chē)牌照的一些區(qū)域。然后將分割結(jié)果中的偽目標(biāo)（即除了車(chē)牌區(qū)域以外的區(qū)域）分為兩類(lèi)（一類(lèi)是與汽車(chē)牌照顏色相近的背景，一類(lèi)是可能與牌照顏色相近的汽車(chē)外殼），分別進(jìn)行處理，最終利用投影法得到準(zhǔn)確的車(chē)牌位置。雖然這種方法的定位率比較準(zhǔn)確，但是識(shí)別速度卻很慢。</p><p>　　這類(lèi)方法一般都是將輸入的RGB彩色圖像轉(zhuǎn)換成HIS彩色圖像，然后進(jìn)行基于模糊邏輯或神經(jīng)網(wǎng)絡(luò)的色彩分割，再進(jìn)一步定位車(chē)牌，計(jì)算量巨大。目前，基本上處

95、于理論研究階段，隨著計(jì)算機(jī)運(yùn)算速度的提高，應(yīng)該逐步走向?qū)嵱秒A段。</p><p>　　上述4種方法中，基于直線檢測(cè)的方法對(duì)我國(guó)車(chē)牌來(lái)講并不完全適用，因?yàn)槲覈?guó)車(chē)牌的懸掛明顯不夠規(guī)范，有些車(chē)牌邊框不夠明顯必然造成定位算法失效，如果結(jié)合別的算法則需要在本身運(yùn)算量很大的情況下額外增加系統(tǒng)開(kāi)銷(xiāo)。車(chē)牌的最明顯特點(diǎn)是其紋理特征，這樣看來(lái)，在兼顧到實(shí)時(shí)心要求和定位成功率的情況下，基于灰度邊緣檢測(cè)的方法不失為一個(gè)理想選擇。此外，基

96、于顏色（提取像素點(diǎn)）的車(chē)牌定位也是比較普遍的定位方法。</p><p><b>　　§4.2 車(chē)牌提取</b></p><p>　　首先對(duì)圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)。進(jìn)行區(qū)域特征參數(shù)比較，提取車(chē)牌區(qū)域，根據(jù)先驗(yàn)知識(shí)和調(diào)試中的經(jīng)驗(yàn)，設(shè)定了車(chē)牌長(zhǎng)寬的范圍作為判斷依據(jù)。</p><p>　?。?）首先求圖像行方向像素點(diǎn)灰度值累積和

97、，然后計(jì)算車(chē)牌行起始位置和終止位置,結(jié)果如圖4-2所示。</p><p><b>　　核心代碼如下：</b></p><p>　　[y,x,z]=size(I5);%讀取I5的大小</p><p>　　I6=double(I5); %將I5轉(zhuǎn)換為double類(lèi)型</p><p>　　Y1=zeros(y,1);

98、%給Y1賦初值為0</p><p><b>　　for i=1:y</b></p><p><b>　　for j=1:x</b></p><p>　　if(I6(i,j,1)==1) %如果I5第一頁(yè)中的元素為1，則是Y1像素</p><p>　　Y1(i,1)= Y1(i,1)+1; %Y1像素

99、點(diǎn)統(tǒng)計(jì)</p><p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p>　　[temp MaxY]=max(Y1);%Y方向車(chē)牌區(qū)域的確定，temp為最大值，MaxY為最大值位置</p><p&

100、gt;<b>　　figure();</b></p><p>　　subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素點(diǎn)灰度值累計(jì)和'),xlabel('行值'),ylabel('像素');</p><p>　　圖 4-2行方向像素點(diǎn)灰度值累積和</p><p>　

101、?。?）首先求圖像列方向像素點(diǎn)灰度值累積和，然后計(jì)算車(chē)牌列起始位置和終止位置結(jié)果如圖4-3所示</p><p><b>　　核心代碼如下：</b></p><p>　　PY1=MaxY; %最大值的位置賦給PY1</p><p>　　while ((Y1(PY1,1)>=50)&&(PY1>1))<

102、/p><p>　　PY1=PY1-1;</p><p>　　end %這個(gè)循環(huán)是在Y方向，向上求離最大值最近的像素小于50的點(diǎn)的位置，存在PY1中</p><p><b>　　PY2=MaxY;</b></p><p>　　while ((Y1(PY2,1)>=50)&&(PY2<y

103、))</p><p>　　PY2=PY2+1;</p><p>　　End %在Y方向，向下求離最大值最近的像素小于50的點(diǎn)的位置，存在PY2中</p><p>　　IY=I(PY1:PY2,:,:); %截取PY1和PY2之間的像素矩陣，X方向暫不限制。因?yàn)檐?chē)牌是個(gè)矩形，是原圖像中矩陣的一部分，所以要將其提取出來(lái)，先確定Y方向上取值的區(qū)間，再確定X方向。<

104、;/p><p>　　X1=zeros(1,x);</p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(I6(i,j,1)==1)</p><p>　　X1(1,j)= X1(1,j)+1; <

105、;/p><p><b>　　end </b></p><p><b>　　end </b></p><p><b>　　end</b></p><p>　　subplot(3,2,2),plot(0:x-1,X1),title('列方向像素點(diǎn)灰度值累計(jì)和'

106、;),xlabel('列值'),ylabel('像數(shù)');</p><p>　　圖 4-3 列方向像素點(diǎn)灰度值累積和</p><p>　?。?）分割出車(chē)牌圖像，根據(jù)車(chē)牌的特征，車(chē)牌的行方向灰度值比較窄車(chē)牌的列方向灰度值較為密集，因此在車(chē)牌的行列方向上連續(xù)第一個(gè)和最后一個(gè)灰度值的和作為車(chē)牌的邊緣進(jìn)行提取。結(jié)果如圖4-4所示。</p><p&

107、gt;　　圖 4-4定位后的車(chē)牌圖像</p><p><b>　　核心代碼如下：</b></p><p><b>　　PX1=1;</b></p><p>　　while ((X1(1,PX1)<3)&&(PX1<x))</p><p>　　PX1=PX1+1;</

108、p><p><b>　　end </b></p><p><b>　　PX2=x;</b></p><p>　　while ((X1(1,PX2)<3)&&(PX2>PX1))</p><p>　　PX2=PX2-1;</p><p><b

109、>　　end</b></p><p>　　PX1=PX1-1; %對(duì)車(chē)牌區(qū)域進(jìn)行矯正</p><p>　　PX2=PX2+1;</p><p>　　dw=I(PY1:PY2,PX1:PX2,:); %車(chē)牌矩陣存在變量dw中</p><p>　　subplot(3,2,3),imshow(dw),title

110、('定位剪切后的彩色車(chē)牌圖像')</p><p>　　經(jīng)上述一系列的處理車(chē)牌被成功定位，車(chē)牌定位系統(tǒng)，其關(guān)鍵部分已經(jīng)完成，下一步對(duì)其進(jìn)行字符分割和字符識(shí)別有同組成員來(lái)完成。</p><p><b>　　結(jié) 論</b></p><p>　　車(chē)牌識(shí)別系統(tǒng)作為智能交通系統(tǒng)中重要的一部分，近年來(lái)引起專(zhuān)家們的重視，并已有部分產(chǎn)品投入使用。

111、為了能夠很好的實(shí)現(xiàn)車(chē)牌識(shí)別，車(chē)牌定位是最關(guān)鍵的，不可忽視的一個(gè)重要步驟。</p><p>　　本文以 MATLAB 為開(kāi)發(fā)工具，對(duì)車(chē)牌定位進(jìn)行了研究，對(duì)多種算法進(jìn)行了分析比較與改進(jìn)，并提出了一些自己的見(jiàn)解，效果較好。</p><p>　　在課題的研究過(guò)程中，主要完成了以下工作：</p><p>　　(1)在對(duì)國(guó)內(nèi)外大量文獻(xiàn)的閱讀研究基礎(chǔ)上，使用MATLAB 開(kāi)發(fā)了一

112、套車(chē)牌定位系統(tǒng)，完成了車(chē)牌定位，基本滿足實(shí)際要求。</p><p>　　(2)在車(chē)牌定位中，最重要的是邊緣的提取，邊緣提取的效果好，后面進(jìn)行形態(tài)學(xué)處理后車(chē)牌特征明顯，車(chē)牌定位的準(zhǔn)確性就高。本文采用微分邊緣檢測(cè)提取邊緣，在其后選用初步定位與精確定位相結(jié)合的方法實(shí)現(xiàn)了車(chē)牌定位。</p><p>　　(3)車(chē)牌的二值化對(duì)于車(chē)牌定位有著非常重要的作用。二值化效果好，車(chē)牌圖像的特征就明顯。</

113、p><p><b>　　參考文獻(xiàn)</b></p><p>　　Markos Papageorgiou,Christina Diakaki,Vaya Dinopoulou,Apostolos Kotsialos,Yibing wang.Review of Road Traffic Contronl Strategies[J].Proceedings of the IEEE,