汽車車牌的自動(dòng)檢測(cè)技術(shù)的研究

1、<p>　　汽車車牌的自動(dòng)檢測(cè)技術(shù)的研究</p><p><b>　　摘要</b></p><p>　　車牌自動(dòng)識(shí)別是現(xiàn)代交通體系的車牌識(shí)別系統(tǒng)的重要組成部分。隨著現(xiàn)代交通管理要求越來(lái)越高，出現(xiàn)了汽車牌照識(shí)別技術(shù)。自動(dòng)識(shí)別技術(shù)車牌定位，切割和字符識(shí)別和后處理的字符是關(guān)鍵技術(shù)。</p><p>　　車牌檢測(cè)是汽車牌照識(shí)別系統(tǒng)的重要環(huán)節(jié)，

2、本文提出了基于數(shù)學(xué)形態(tài)學(xué)與多特征組合分析相結(jié)合的快速汽車車牌定位方法。首先將彩色圖像轉(zhuǎn)換成灰度圖像，消除了因車身顏色不同以及環(huán)境因素給車牌定位造成的不良影響。采用 Otsu 算法進(jìn)行二值化處理，用 Robert 算子進(jìn)行邊緣檢測(cè)，利用數(shù)學(xué)形態(tài)學(xué)中由膨脹和腐蝕組合成的開運(yùn)算和閉運(yùn)算對(duì)邊緣圖像進(jìn)行處理，得到較好的車牌候選圖像。針對(duì)車牌候選區(qū)的二值圖像，采用長(zhǎng)寬比、面積比以及車牌字符的水平分布特征等多種因素綜合分析的方式進(jìn)行判別，提高了車牌檢

3、測(cè)的準(zhǔn)確性。</p><p>　　基于在內(nèi)容中所采用的算法是不是由圖像中板的位置的限制，它有對(duì)變形，污染和模糊較強(qiáng)的抗干擾能力，也適用于環(huán)境光線和圖像對(duì)比度的品種。</p><p>　　關(guān)鍵詞：車牌識(shí)別系統(tǒng)、車牌檢測(cè)、字符分割識(shí)別</p><p><b>　　Abstract</b></p><p>　　Automati

4、c license plate recognition is an important part of the modern transportation system license plate recognition system. With the increasing demands of modern traffic management , vehicle license plate recognition technolo

5、gy emerged . Automatic Identification Technology license plate location , character segmentation and character recognition and post-processing is a key technology.</p><p>　　License plate detection is an impo

6、rtant part of car license plate recognition system , this paper presents a fast car license plate location method based on mathematical morphology and multi-feature combination of portfolio analysis . First, the color im

7、age into a grayscale image , eliminating the adverse effects due to different body colors as well as environmental factors to cause the license plate location . Otsu algorithm using binary processing , with Robert operat

8、or edge detection , the us</p><p>　　Algorithms used in the content is not based on the location of the image plate restrictions , it has to deformation , pollution and fuzzy strong anti-jamming capability ,

9、the algorithm also applies to the ambient light and image contrast varieties.</p><p>　　Key words: License plate recognition system, license plate detection , character segmentation recognition</p><

10、;p><b>　　目 錄</b></p><p><b>　　摘要1</b></p><p>　　Abstract2</p><p><b>　　第1章 緒論3</b></p><p>　　第1.1節(jié) 背景3</p><p>　　第1.2節(jié)

11、 國(guó)內(nèi)外研究現(xiàn)狀3</p><p>　　第1.3節(jié) 目標(biāo)與任務(wù)5</p><p>　　第1.4節(jié) 論文體系結(jié)構(gòu)6</p><p>　　第2章 系統(tǒng)設(shè)計(jì)7</p><p>　　第2.1節(jié) 圖像預(yù)處理7</p><p>　　第2.2節(jié) 圖像灰度化7</p><p>　　第2.3節(jié) 邊緣檢

12、測(cè)8</p><p>　　第2.4節(jié) 部分算法設(shè)計(jì)9</p><p>　　第2.5節(jié) 預(yù)處理后的結(jié)果11</p><p>　　第3章 車牌定位14</p><p>　　第3.1節(jié) 車牌定位流程14</p><p>　　第3.2節(jié) 圖像形態(tài)學(xué)處理14</p><p>　　第3.3節(jié) 車

13、牌邊界確定15</p><p>　　第3.4節(jié) 車牌定位的MATLAB實(shí)現(xiàn)15</p><p>　　第4章 字符分割識(shí)別20</p><p>　　第4.1節(jié) 字符分割20</p><p>　　第4.2節(jié) 字符的識(shí)別20</p><p>　　第4.3節(jié) 字符歸一化處理21</p><p&g

14、t;　　第4.4節(jié) 處理后的結(jié)果21</p><p><b>　　第5章 結(jié)論22</b></p><p><b>　　致謝23</b></p><p><b>　　參考文獻(xiàn)24</b></p><p><b>　　附錄25</b></p&

15、gt;<p><b>　　緒論</b></p><p><b>　　背景</b></p><p>　　隨著經(jīng)濟(jì)的迅速發(fā)展，對(duì)交通工具的安全管理的要求也相應(yīng)提高。智能交通系統(tǒng)因此誕生，利用圖像處理技術(shù)、信息通信技術(shù)和自動(dòng)控制技術(shù)等來(lái)實(shí)現(xiàn)對(duì)車輛、駕駛員和道路的自動(dòng)化管理，以達(dá)到緩解城市交通堵塞、減少城市污染、提高工作效率和增加城市活力的

16、目的。 </p><p>　　車輛牌照識(shí)別系統(tǒng) (License Plate Recognition, LPR)是智能交通系統(tǒng)關(guān)鍵組成部分，在交通調(diào)查、交通監(jiān)管和車輛管理等方面發(fā)揮著舉足輕重的重用，利用車牌的識(shí)別技術(shù)能夠完成車輛的自動(dòng)化管理，從而提升車輛管理的效率。具體應(yīng)用：</p><p>　　㈠ 公路收費(fèi)、監(jiān)控管理</p><p>　　能準(zhǔn)確地識(shí)別出車牌號(hào)碼

17、，很好地監(jiān)督車輛在公路上的收費(fèi)情況，避免逃費(fèi)情況發(fā)生。</p><p>　　㈡ 城市道路監(jiān)控、違章管理、安全管理。</p><p>　　通過(guò)車牌識(shí)別系統(tǒng)，對(duì)行駛在道路上的車輛進(jìn)行實(shí)時(shí)監(jiān)控，并對(duì)一些壓線、超速和闖紅燈等違章汽車進(jìn)行監(jiān)控。</p><p><b>　?、?車輛定位</b></p><p>　　能自動(dòng)地識(shí)別出車

18、牌的號(hào)碼，精確定位出車輛的具體位置，對(duì)于防范和追蹤犯罪的車輛具有重要的作用。</p><p>　?、?停車場(chǎng)、園區(qū)管理</p><p>　　可對(duì)進(jìn)出停車場(chǎng)的汽車進(jìn)行實(shí)時(shí)的記錄，實(shí)現(xiàn)車輛收費(fèi)管理和保證車輛安全。</p><p><b>　　國(guó)內(nèi)外研究現(xiàn)狀</b></p><p>　　上世紀(jì)80年代國(guó)外就有大量相關(guān)研究，取得

19、的成果也比較多。牌照自動(dòng)識(shí)別主要分成：牌照定位、牌照分割、和字符識(shí)別。技術(shù)難點(diǎn)在于如何在復(fù)雜的環(huán)境下進(jìn)行汽車牌照的準(zhǔn)確定位。牌照本身處于一個(gè)非常復(fù)雜的識(shí)別環(huán)境中，汽車車體及汽車周圍背景都會(huì)干擾汽車牌照的識(shí)別。且識(shí)別現(xiàn)場(chǎng)的光照角度、光線強(qiáng)度、天氣因素也會(huì)對(duì)汽車牌照識(shí)別產(chǎn)生較大影響。這些使得LPR系統(tǒng)一直得不到很好的應(yīng)用,很多方法需要大量的數(shù)值運(yùn)算,不能進(jìn)行實(shí)時(shí)處理。為解決上述因環(huán)境影響而造成的圖像惡化的問(wèn)題,牌照識(shí)別算法必須具有比較強(qiáng)的抗

20、干擾能力，具備足夠的強(qiáng)度。國(guó)內(nèi)采取的辦法是主動(dòng)紅外照明攝像或使用特殊的傳感器采集圖像等方法來(lái)提高圖像的質(zhì)量,繼而提高識(shí)別率。</p><p>　　國(guó)外現(xiàn)在一些比較成功的產(chǎn)品系列:以色列Hi-TeehSolution公司的See/Car System一系列產(chǎn)品,新加坡Optasia公司的VLPRS產(chǎn)品等。另外加拿大、英國(guó)等西方發(fā)達(dá)國(guó)家都有適合于本國(guó)車牌的識(shí)別系統(tǒng)，基本上都是基于車輛探測(cè)器的系統(tǒng)。</p>

21、<p>　　目前內(nèi)地有多家企業(yè)從事車牌產(chǎn)品的開發(fā)和生產(chǎn)，比較成熟的有北京漢王、川大智勝等企業(yè)。比較典型的是北京漢王的“漢王眼”、川大智勝的ZTZ000車牌自動(dòng)識(shí)別系統(tǒng)等。</p><p><b>　　車牌檢測(cè)的研究現(xiàn)狀</b></p><p><b>　　㈠ 車牌檢測(cè)</b></p><p>　　車牌檢測(cè)，又

22、稱車牌定位，作為牌照識(shí)別技術(shù)的第一個(gè)環(huán)節(jié)，如果定位不準(zhǔn)確就無(wú)法進(jìn)行車牌分割識(shí)別。國(guó)外汽車牌照和國(guó)內(nèi)的差別很大，因而這方面的算法也不盡相同。</p><p>　　國(guó)外汽車牌照多為長(zhǎng)方形，少數(shù)為正方形的，車號(hào)多為單排的，少數(shù)為雙牌的，因此國(guó)外的牌照識(shí)別算法比較復(fù)雜。目前，國(guó)外較理想的牌照定位算法多是采用純粹的數(shù)學(xué)形態(tài)學(xué)方法。此算法如下： </p><p><b>　　1圖像預(yù)處理&

23、lt;/b></p><p>　　將彩色汽車圖像進(jìn)行灰度化處理。 </p><p><b>　　2形態(tài)學(xué)處理</b></p><p>　　形態(tài)學(xué)處理分兩步：首先定義一個(gè)黑色的圓形結(jié)構(gòu)元素，對(duì)汽車圖像進(jìn)行Top-Hat運(yùn)算。</p><p>　　設(shè)圖形元素為A，圓形結(jié)構(gòu)元素為B，則Top Hat 形態(tài)學(xué)運(yùn)算公式

24、如下：</p><p><b>　?。?-1）</b></p><p>　　運(yùn)算完畢，其結(jié)果為變換后的圖像中將只包含汽車牌照中德字符識(shí)別部分和少量的干擾信息。下一步對(duì)圖像進(jìn)行二值化處理生成黑白圖像，然后用一個(gè)橫線結(jié)構(gòu)元素進(jìn)行多次形態(tài)閉運(yùn)算。字符將融合成一個(gè)白色矩形區(qū)。再尋找此矩形區(qū)即可完成汽車牌照定位工作。</p><p>　　該算法較實(shí)用，對(duì)

25、牌照字符比劃寬度有要求，要求汽車和圖像采集設(shè)備的距離在一定范圍之內(nèi)。</p><p>　　國(guó)外還有其他算法：神經(jīng)網(wǎng)絡(luò)方法、基于邊緣特征方法、基于彩色特征方法。</p><p>　　由于國(guó)內(nèi)對(duì)汽車牌照的管理非常嚴(yán)格，汽車牌照的形狀、顏色、安裝位置基本不變。這就為牌照定位算法創(chuàng)造了非常有利的條件。具體如下：</p><p>　　1基于彩色圖像信息的算法</p>

26、;<p>　　2基于灰度聚類的算法</p><p>　　3基于紋理特征的算法</p><p>　　4基于邊緣檢測(cè)的算法</p><p>　　這些算法都是通過(guò)在汽車圖像中找符合汽車牌照特征區(qū)域進(jìn)行汽車牌照定位的。思路是可行的，但有不足：</p><p>　　第一種算法運(yùn)算量過(guò)大，不能滿足系統(tǒng)實(shí)時(shí)性</p><p

27、>　　第二種算法僅考慮圖像的灰度信息，忽略顏色信息，難以解決背景復(fù)雜的圖像定位問(wèn)題</p><p>　　第三種算法較為常用，抗干擾能力弱，難以解決背景復(fù)雜的圖像定位問(wèn)題</p><p>　　第四種算法利用邊緣檢測(cè)方法測(cè)得汽車牌照邊緣，要求圖像邊緣的連續(xù)性要好，但實(shí)際拍攝的汽車牌照邊框往往不連續(xù)；</p><p>　　綜上，關(guān)于牌照的定位問(wèn)題，不論是國(guó)外的還是國(guó)

28、內(nèi)的算法都有局限性，尤其是在背景、光照、氣候的多變以及牌照本身污損等條件下，目前都解決得不理想。</p><p>　　㈡ 車牌區(qū)域圖像的分割 車牌區(qū)域圖像分割，是檢驗(yàn)車牌字符和車牌背景的不同屬性，最終將其分離的過(guò)程。圖像分割的方法和種類有很多，一般采用的方法有邊緣檢測(cè)、邊界追蹤等。</p><p><b>　　目標(biāo)與任務(wù)</b></p>&

29、lt;p><b>　　目標(biāo)</b></p><p>　　目標(biāo)是在復(fù)雜環(huán)境下，主要針對(duì)車牌識(shí)別系統(tǒng)的圖像預(yù)處理、車牌識(shí)別定位和字符的分割識(shí)別的方法進(jìn)行研究，不涉及信息采集以及系統(tǒng)硬件的問(wèn)題。是在圖像已經(jīng)采集好了的情況下，找出一種能夠自動(dòng)檢測(cè)出圖像中車牌的有效方法。</p><p><b>　　任務(wù)</b></p><p&g

30、t;　　本課題以灰度車牌定位系統(tǒng)為例，介紹如何基于MATLAB的自動(dòng)車牌檢測(cè)的研究與開發(fā)。主要包括車牌的定位,車牌提取和字符的分割識(shí)別。涉及了圖像處理、數(shù)學(xué)形態(tài)學(xué)等方面,系統(tǒng)總體結(jié)構(gòu)如圖1.1所示:</p><p>　　圖1.1 系統(tǒng)總體結(jié)構(gòu)圖</p><p>　　其基本工作過(guò)程如下：</p><p>　　1攝像頭所采集的車輛圖片由專用的網(wǎng)絡(luò)傳輸?shù)接糜谲嚺谱R(shí)別的計(jì)

31、算機(jī)系統(tǒng)中；</p><p>　　2由計(jì)算機(jī)處理系統(tǒng)對(duì)采集的車輛牌照進(jìn)行預(yù)處理，灰度車牌預(yù)處理包括灰度化處理、直方圖均衡化、小顆粒去噪、圖像的平滑處理和傾斜校正等；</p><p>　　3利用各種不同的定位算法對(duì)牌照進(jìn)行檢測(cè)處理，從中搜索出車牌所在的區(qū)域，并最終把車牌所在的矩形區(qū)域從整幅圖像中定位并分割出來(lái)；</p><p>　　本文主要子模塊如下：車牌顏色提取、車

32、牌區(qū)域定位、車牌字符識(shí)別、提取、檢測(cè)傾斜度、車牌校正、車牌區(qū)域二值化、擦除干擾區(qū)域、字符分割、字符歸一化處理、結(jié)果輸出</p><p><b>　　論文體系結(jié)構(gòu)</b></p><p>　　1第一章介紹了自動(dòng)車牌檢測(cè)系統(tǒng)的應(yīng)用領(lǐng)域，和研究現(xiàn)狀，并論述了本文研究的主要內(nèi)容。</p><p>　　2第二章介紹了系統(tǒng)設(shè)計(jì)方案:車牌預(yù)處理，對(duì)用到的技術(shù)

33、分別作了介紹與分析。主要包括圖像灰度化、邊緣檢測(cè)、腐蝕、圖像的平滑處理。</p><p>　　3第三章介紹了本文提出的基于數(shù)學(xué)形態(tài)學(xué)與小波變換的車牌定位方法，并對(duì)可能出現(xiàn)的車牌傾斜問(wèn)題進(jìn)行討論，并提出了處理方法。主要包括數(shù)學(xué)形態(tài)學(xué)、Hough 變換等。</p><p>　　4第四章進(jìn)行車牌字符的識(shí)別分割及歸一化處理。</p><p>　　5第五章對(duì)本文進(jìn)行了總結(jié)，提

34、出不足和需要改進(jìn)的地方。</p><p><b>　　系統(tǒng)設(shè)計(jì)</b></p><p><b>　　圖像預(yù)處理</b></p><p>　　圖像預(yù)處理是車牌檢測(cè)的第一步,用攝像頭采集的是RGB彩色圖像,而車牌識(shí)別系統(tǒng)處理的是灰度圖像或二值圖像,因此首先要把原圖轉(zhuǎn)化為灰度圖像;另外,在景物成像的過(guò)程中,由于季節(jié)更替、自然光照

35、度晝夜變化等原因會(huì)引起牌照?qǐng)D像的退化,會(huì)使圖像的灰度值與實(shí)際景物不完全匹配,進(jìn)行一定的灰度變換。為便于處理,我們對(duì)灰度圖進(jìn)行閥值分割,把它變換為二值圖像,使得字符與背景能夠分離開來(lái)，減小存儲(chǔ)空間，便于后期字符識(shí)別，見(jiàn)流程圖2.1所示</p><p>　　圖2.1圖像預(yù)處理流程圖</p><p><b>　　圖像灰度化</b></p><p>&

36、lt;b>　　彩色圖像的表達(dá)</b></p><p>　　基于彩色圖像處理技術(shù)來(lái)尋找車牌區(qū)域。因?yàn)檐嚺票尘邦伾妥址伾慕M合數(shù)量有限（藍(lán)底白字、黃底黑字、黑底白字），在一幅圖像中只存在一處車牌區(qū)域。以家庭小型車藍(lán)底白字車牌進(jìn)行識(shí)別為例，根據(jù)彩色圖像的RGB 比例定位出近似藍(lán)色的候選區(qū)域。由于RGB 三原色空間中兩點(diǎn)間的歐氏距離與顏色距離不成線性比例，在設(shè)定藍(lán)色區(qū)域的定位范圍時(shí)不能很好的控制，因

37、此造成的定位出錯(cuò)是最主要的。這樣出現(xiàn)較多的藍(lán)色背景情況下識(shí)別率會(huì)下降，不能有效提取車牌區(qū)域。車牌區(qū)域內(nèi)邊緣的固定顏色搭配特征，采用顏色對(duì)邊緣檢測(cè)，可以有效地突出符合車牌顏色搭配邊緣像素點(diǎn)，削弱其它邊緣。以藍(lán)白車牌為例，藍(lán)底色由于褪色、灰塵覆蓋及攝像設(shè)備引起的失真等原因，其飽和度不為1，即并不是純藍(lán)色而是介于藍(lán)色和青色之間的一種深藍(lán)色，車牌區(qū)域包含著密集的藍(lán)白邊緣，而其它區(qū)域則較少，所以針對(duì)顏色做邊緣檢測(cè)較容易突出車牌區(qū)域。</p&

38、gt;<p><b>　　灰度處理</b></p><p>　　灰度化就是使彩色的RGB分量值相等的過(guò)程，灰度化處理的方法 [5]：</p><p>　　最大值法：使RGB的值等于這3個(gè)值中最大的一個(gè)，形成亮度很高的灰度圖像，則公式為：</p><p><b>　?。?-1）</b></p>&

39、lt;p>　　平均值法：利用RGB的值求出平均值，形成較柔和的灰度圖像，則公式為：</p><p><b>　?。?-2）</b></p><p>　　加權(quán)平均值法：根據(jù)重要性或其他指標(biāo)給RGB賦予不同的權(quán)值，并使RGB的值加權(quán)平均，即公式為：</p><p><b>　　（2-3）</b></p>&

40、lt;p>　　其中N表示灰度圖的亮度值;R代表紅色分量值;G代表綠色分量值；B代表藍(lán)色分量值。分量前的系數(shù)為經(jīng)驗(yàn)加權(quán)值，系數(shù)的取值建立在人眼的視覺(jué)模型之上。對(duì)于較為敏感的綠色取較大的權(quán)值，對(duì)較為不敏感的藍(lán)色則取較小的權(quán)值。通過(guò)該公式轉(zhuǎn)換的灰度圖能夠比較好地反應(yīng)原圖像的亮度信息。</p><p><b>　　邊緣檢測(cè)</b></p><p>　　圖像的邊緣是圖像的

41、基本特征，是指圖像中周圍像素灰度有階躍或屋頂變化的那些像素點(diǎn)，即灰度值導(dǎo)數(shù)較大或極大的地方。邊緣檢測(cè)用于標(biāo)識(shí)數(shù)字圖像中亮度變化明顯的點(diǎn)，實(shí)質(zhì)是一種梯度銳化的思想,準(zhǔn)確的邊緣信息是車牌定位的重要特征。</p><p>　　常見(jiàn)的邊緣監(jiān)測(cè)算子[3]：</p><p>　　1、Roberts 算子</p><p>　　是一種利用局部差分算子尋找邊緣的算子，邊緣定位精度高，

42、不足之處在于容易丟失一部分邊緣，不具備抑制噪聲的能力，適用于邊緣陡峭且含噪聲小的圖像，其計(jì)算公式如下：</p><p>　?。?-4） </p><p>　　其中 是表示處理后 點(diǎn)的灰度值， 表示處理前該點(diǎn)的灰度值。是具有整數(shù)像素坐標(biāo)的輸入圖像，平方根運(yùn)算使處理類似于在人類視覺(jué)系統(tǒng)中發(fā)生的過(guò)程。該算法的算子模板如圖 2.2 所示。</p><p>

43、;　　圖2.2Roberts算子模版</p><p>　　2. Sobel算子</p><p>　　具有兩個(gè)3×3的卷積核。圖像中的每個(gè)點(diǎn)都用這兩個(gè)核進(jìn)行卷積，一個(gè)核對(duì)通常的垂直邊緣影響最大；另一個(gè)核對(duì)水平邊緣影響最大。兩個(gè)卷積的最大值作為該點(diǎn)的輸出值，運(yùn)算結(jié)果是一幅邊緣幅度圖像。它具有方向性，在水平方向和垂直方向上形成最強(qiáng)烈的邊緣?？紤]了鄰域問(wèn)題，具備一定的抑制能力，不能完全排

44、除檢測(cè)結(jié)果中出現(xiàn)的虛假邊緣。雖然邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣易出現(xiàn)多像素寬度。算法模版圖如圖2.3所示。</p><p>　　圖2.3Sobel算子模版</p><p>　　3. Prewitt算子</p><p>　　具有2個(gè)卷積核，圖像中的每個(gè)點(diǎn)都用這兩個(gè)核進(jìn)行卷積，取最大值作為輸出，產(chǎn)生一幅邊緣幅度圖像，考慮了鄰域問(wèn)題，具備一定的抑制能力，不能完全排除檢測(cè)

45、結(jié)果中出現(xiàn)的虛假邊緣。雖然邊緣定位效果不錯(cuò)，但檢測(cè)出的邊緣易出現(xiàn)多像素寬度。</p><p>　　4. Canny 邊緣檢測(cè)算子</p><p>　　對(duì)圖像選擇一定的高斯濾波器進(jìn)行平滑濾波，再采用非極值抑制技術(shù)進(jìn)行處理得到最后的邊緣圖像，具有較強(qiáng)的去噪能力,也存在容易濾掉一些邊緣信息的問(wèn)題</p><p><b>　　部分算法設(shè)計(jì)</b><

46、;/p><p><b>　　圖像灰度化算法：</b></p><p>　　1讀取圖像，判斷是否是灰度圖像，是返回，否繼續(xù)；</p><p><b>　　2獲取圖像參數(shù)</b></p><p>　　3據(jù)公式，計(jì)算每個(gè)點(diǎn)的灰度值；</p><p>　　4再令原像素點(diǎn)的R，G，B值都等

47、于N值；生成灰度圖像顏色表；</p><p><b>　　腐蝕算法：</b></p><p><b>　　1獲取圖像參數(shù)；</b></p><p>　　2讀取結(jié)構(gòu)元素；求輸入圖像數(shù)據(jù)的補(bǔ)集；</p><p>　　3針對(duì)每個(gè)像素，判斷結(jié)構(gòu)元素能否填入目標(biāo)內(nèi)部；</p><p>

48、　　4判斷結(jié)構(gòu)元素是否可以在當(dāng)前點(diǎn)填入目標(biāo)內(nèi)部;</p><p>　　5若當(dāng)前結(jié)果元素位置為1，則判斷對(duì)應(yīng)的圖像上的像素點(diǎn)是否為1；</p><p>　　6若像素點(diǎn)為1,則將標(biāo)志位置0;</p><p>　　7判斷所有像素點(diǎn)的標(biāo)志位，若為0，則置白；若為1，則置黑；</p><p>　　8求出整幅圖像的補(bǔ)集，輸出結(jié)果。</p>

49、<p><b>　　圖像平滑算法：</b></p><p><b>　　1獲取圖像的參數(shù)；</b></p><p>　　2處理處于圖像邊界的行和列將其置黑；</p><p>　　3利用模版進(jìn)行卷積運(yùn)算；</p><p><b>　　4歸一化處理；</b></p&

50、gt;<p><b>　　5輸出圖像</b></p><p><b>　　圖像二值化算法：</b></p><p>　　1判斷圖像是否為灰度圖像，若不是，則進(jìn)行灰度化處理；若是，則繼續(xù)。</p><p>　　2將每個(gè)像素的灰度值與設(shè)定的閥值進(jìn)行比較。若大于平均值，則將灰度值設(shè)為0；反之，則設(shè)為255</

51、p><p>　　3建立一個(gè)新視圖顯示二值化結(jié)果；</p><p><b>　　膨脹算法：</b></p><p><b>　　1獲取圖像參數(shù);</b></p><p><b>　　2讀取結(jié)構(gòu)元素;</b></p><p>　　3針對(duì)每個(gè)像素,判斷結(jié)構(gòu)元素能否

52、填入目標(biāo)內(nèi)部;</p><p>　　4判斷結(jié)構(gòu)元素是否可以在當(dāng)前點(diǎn)填入目標(biāo)內(nèi)部;</p><p>　　5若當(dāng)前結(jié)構(gòu)元素位置為1,判斷對(duì)應(yīng)的圖像上的像素點(diǎn)是否為1;</p><p>　　若像素為1,則將標(biāo)志位為0;</p><p>　　6判斷所有像素點(diǎn)的標(biāo)志位,若為0,則置白;若為1,則置黑</p><p><b&

53、gt;　　7輸出結(jié)果</b></p><p><b>　　車牌定位算法：</b></p><p><b>　　1獲取圖像參數(shù)</b></p><p>　　2掃描圖像，通過(guò)統(tǒng)計(jì)特定范圍內(nèi)的黑色像素的個(gè)數(shù)和頻度的變化，初步確定車牌的位置</p><p>　　3細(xì)尋找車牌的縱向坐標(biāo)</p

54、><p>　　4細(xì)尋找車牌的橫向坐標(biāo)</p><p><b>　　5輸出結(jié)果</b></p><p><b>　　字符分割算法：</b></p><p>　　1[m,n]=size(d),逐排檢查有沒(méi)有白色像素點(diǎn),設(shè)置1<=j<n-1,若圖像兩邊s(j)=0,則切割，去除圖像兩邊多余的部分；

55、</p><p>　　2切割去圖像上下多余的部分</p><p>　　3根據(jù)圖像的大小，設(shè)置一閥值，檢測(cè)圖像的X軸，若寬度等于這一閥值則切割，分離出七個(gè)字符</p><p>　　4歸一化切割出來(lái)的字符圖像的大小為40*20，與模板中字符圖像的大小匹配</p><p><b>　　字符識(shí)別算法</b></p>

56、<p>　　1建立自動(dòng)識(shí)別的代碼表</p><p>　　2讀取分割出來(lái)的字符</p><p>　　3第一個(gè)字符與模板中的漢字模板進(jìn)行匹配</p><p>　　4第二個(gè)字符與模板中的字母模板進(jìn)行匹配</p><p>　　5后五個(gè)字符與模板中的字母與數(shù)字進(jìn)行匹配</p><p>　　6待識(shí)別字符與模板字符相減，

57、值越小相似度越大，找到最小的一個(gè)即為匹配最好的</p><p>　　7識(shí)別完成，輸出此模板對(duì)應(yīng)值。</p><p><b>　　預(yù)處理后的結(jié)果</b></p><p>　　MATLAB函數(shù)功能介紹</p><p><b>　　1. imread</b></p><p>　　函

58、數(shù)功能：可以將指定位置文件讀入工作區(qū)。</p><p><b>　　2. figure</b></p><p>　　函數(shù)功能：創(chuàng)建圖形窗口。</p><p>　　3. subplot</p><p>　　函數(shù)功能：將多個(gè)圖畫到一個(gè)平面上的工具。</p><p><b>　　4. imsh

59、ow</b></p><p>　　函數(shù)功能：用于顯示工作區(qū)或圖像文件中的圖像，同時(shí)可控制部分效果。</p><p>　　5. rgb2gray</p><p>　　函數(shù)功能：將真彩色圖像轉(zhuǎn)換為灰度圖像。</p><p>　　6. roberts算子</p><p>　　函數(shù)功能：利用局部差分算子尋找邊緣。&

60、lt;/p><p>　　2.5.2 實(shí)驗(yàn)后的結(jié)果</p><p>　　1讀入原始的圖像，如圖2.4所示。</p><p>　　程序?yàn)椋篒=imread('e:\chepai1.jpg');</p><p>　　figure(1),imshow(I);title('原圖')</p><p>&

61、lt;b>　　圖2.4原圖</b></p><p>　　2灰度化處理后的圖像，如圖2.5所示。</p><p><b>　　程序?yàn)椋?lt;/b></p><p>　　I1=rgb2gray(I);</p><p>　　figure(2),subplot(1,2,1),imshow(I1);title(

62、9;灰度圖');</p><p>　　figure(2),subplot(1,2,2),imhist(I1);title('灰度圖直方圖');</p><p>　　圖2.5灰度處理后的圖像</p><p>　　3邊緣檢測(cè)后的圖像，如圖2.6所示。</p><p>　　程序?yàn)椋篒2=edge(I1,'robert

63、',0.15,'both');</p><p>　　figure(3),imshow(I2);title('邊緣檢測(cè)后圖像')</p><p>　　圖2.6邊緣檢測(cè)后的圖像</p><p><b>　　車牌定位</b></p><p><b>　　車牌定位流程</b

64、></p><p>　　首先對(duì)邊緣檢測(cè)后的圖像進(jìn)行圖像的形態(tài)學(xué)處理，處理之后檢測(cè)車牌的上下，左右邊界，最后進(jìn)行定位剪切，得到最終的結(jié)果，流程圖如圖3.1所示。</p><p>　　圖3.1車牌定位流程圖</p><p><b>　　圖像形態(tài)學(xué)處理</b></p><p>　　數(shù)學(xué)形態(tài)學(xué)主要用于從圖像中提取對(duì)描繪區(qū)域

65、形狀有意義的圖像分量，使后續(xù)的識(shí)別工作能夠抓住目標(biāo)圖像最為本質(zhì)的形態(tài)特征。經(jīng)過(guò)前期處理含有車牌的圖像中，仍保留有一些雜亂邊緣，有車牌、背景的邊緣和一些頑固的噪聲。同時(shí)就車牌本身而言，存在空洞、缺陷和斷裂噪聲等?；谛螒B(tài)學(xué)的圖像變換濾除這些雜亂邊緣，將合理的邊緣保留下來(lái)，并消除車牌自身的噪聲。</p><p>　　基本運(yùn)算有4個(gè)：膨脹、腐蝕、以及開、閉運(yùn)算[5]。</p><p>　　運(yùn)算對(duì)

66、象是集合，設(shè)A為圖像集合，B為結(jié)構(gòu)元素。</p><p><b>　?、?膨脹</b></p><p>　　運(yùn)算符為“”，用來(lái)膨脹，寫作“”，其定義為：</p><p><b>　　（3-1）</b></p><p>　　其中，表示的映像。

67、 </p><p>　　膨脹對(duì)填補(bǔ)圖像分割后物體中的空洞很有用。</p><p><b>　?、诟g</b></p><p>　　運(yùn)算符為“”，用來(lái)腐蝕記作“” ，其定義為： </p><p><b>　　(3-2)</b></p><p>　　腐蝕的作用是消除物體

68、邊界點(diǎn)，還可以把小于結(jié)構(gòu)元的物體去除。</p><p><b>　?、坶_啟</b></p><p>　　運(yùn)算符為“”，用來(lái)開啟記為“”，其定義如下：</p><p><b>　　(3-3)</b></p><p>　　開啟運(yùn)算可以把結(jié)構(gòu)元素小的突刺濾掉，切斷細(xì)長(zhǎng)搭接而起到的分離作用。</p&g

69、t;<p><b>　　④閉合</b></p><p>　　運(yùn)算符為“”，用來(lái)閉合記為“”，其定義如下：</p><p><b>　　(3-4)</b></p><p>　　閉合運(yùn)算可把結(jié)構(gòu)元素小的缺口或孔填充上，搭接短的間斷而起到的聯(lián)通作用。</p><p><b>　　車

70、牌邊界確定</b></p><p><b>　　1上下邊界的確定</b></p><p>　　峰谷法確定上下邊界的原理是依據(jù)車牌中字符的灰度變化、峰谷有規(guī)律的分布，圖像中除字符以外的部分的峰谷變化與字符串的峰谷變化有明顯差別，對(duì)圖像采取與邊緣檢測(cè)類似的處理，對(duì)二維圖像而言,水平梯度：

71、 </p><p><b>　　(3-5)</b></p><p>　　用式(3-5)求梯度后,在字符與背景處就形成了較強(qiáng)的邊緣，得到了特征圖像。對(duì)水平差分圖像的象素沿水平方向累加產(chǎn)生一個(gè)投影圖，由投影圖可以看出有車牌字符的地方，灰度變化呈峰谷分布的。</p><p><b>　　2左右邊界的確定</b><

72、/p><p>　　在上下界粗定位的基礎(chǔ)上，對(duì)特征圖像進(jìn)行垂直投影,得到投影圖后，對(duì)投影圖進(jìn)行處理，在濾除噪聲干擾之后，從粗定位車牌的2個(gè)邊界向中間搜索車牌區(qū)域的左右邊界。</p><p>　　車牌定位的MATLAB實(shí)現(xiàn)</p><p>　　MATLAB函數(shù)功能介紹</p><p><b>　　1． Strel</b><

73、/p><p>　　函數(shù)功能：構(gòu)造結(jié)構(gòu)元素，用于圖像的形態(tài)學(xué)運(yùn)算。</p><p>　　2. imerode</p><p>　　函數(shù)功能：對(duì)圖像實(shí)現(xiàn)腐蝕操作。</p><p>　　3. imclose</p><p>　　函數(shù)功能：對(duì)圖像實(shí)現(xiàn)閉運(yùn)算，融合窄的缺口和細(xì)長(zhǎng)的彎口，去掉小洞，填補(bǔ)輪廓上的縫隙。 4. bw

74、areaopen</p><p>　　函數(shù)功能：刪除小面積對(duì)象。</p><p><b>　　實(shí)驗(yàn)結(jié)果</b></p><p>　　1對(duì)圖像進(jìn)行腐蝕后的結(jié)果，如圖3.2所示</p><p>　　程序?yàn)椋簊e=[1;1;1];</p><p>　　I3=imerode(I2,se);</p&g

75、t;<p>　　figure(4),imshow(I3);title('腐蝕后圖像')</p><p>　　圖3.2腐蝕后的圖像</p><p>　　2對(duì)圖像進(jìn)行閉運(yùn)算后的結(jié)果,如圖3.3所示。</p><p>　　程序?yàn)椋簊e=strel('rectangle',[25,25]); </p><p

76、>　　I_close=imclose(I_erode,se); %圖像閉合、填充圖像</p><p>　　subplot(1,1,1),imshow(I_close),title('閉運(yùn)算后圖像');</p><p>　　圖3.3閉運(yùn)算后圖像</p><p>　　3閉運(yùn)算處理后,對(duì)圖像進(jìn)行濾波處理,過(guò)濾圖像的噪聲，如圖3.

77、4所示是過(guò)濾噪聲后的圖像</p><p>　　程序?yàn)椋篒_final=bwareaopen(I_close,2000); %去除聚團(tuán)灰度值小于2000的部分</p><p>　　subplot(3,2,6),imshow(I_final),title('形態(tài)濾波后圖像');</p><p>　　圖3.4濾波后的圖像</p>

78、<p>　　4從對(duì)象中移除小對(duì)象后的圖像,從圖像中一出車牌所在的區(qū)域，如圖3.5 所示</p><p>　　圖3.5從對(duì)象中移除小對(duì)象圖</p><p>　　5圖像上下邊界的測(cè)定結(jié)果，如圖3.6所示</p><p>　　圖3.6上下邊界測(cè)定后圖</p><p>　　6圖像左右邊界測(cè)定后圖像，如圖3.7所示</p>&l

79、t;p>　　圖3.7左右邊界測(cè)定后圖</p><p>　　7行方向區(qū)域和最終定位出來(lái)的圖像,如圖3.8 所示</p><p>　　圖3.8最終的車牌檢測(cè)結(jié)果</p><p>　　8裁剪出來(lái)的圖像進(jìn)一步處理過(guò)程圖,如圖3.9 所示</p><p>　　圖3.9裁剪出來(lái)的圖像進(jìn)一步處理過(guò)程圖</p><p><

80、b>　　字符分割識(shí)別</b></p><p><b>　　字符分割</b></p><p>　　字符分割在前期牌照定位的基礎(chǔ)上進(jìn)行字符分割，再利用分割的結(jié)果進(jìn)行字符識(shí)別。字符識(shí)別的算法很多，因?yàn)檐嚺谱址g間隔較大，不會(huì)出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。</p>

81、<p><b>　　字符的識(shí)別</b></p><p><b>　　字符識(shí)別綜述</b></p><p>　　車牌字符識(shí)別的方法有以下幾種[1]： </p><p>　　1模板匹配字符識(shí)別算法。方法是計(jì)算輸入模式與樣本之間的相似性，取相似性最大的樣本為輸入模式所屬類別。該方法識(shí)別速度快，但對(duì)噪點(diǎn)比較敏感。在實(shí)際

82、應(yīng)用中，為了提高正確率往往需要使用大的模板或多個(gè)模板進(jìn)行匹配，處理時(shí)間則隨著模板的增大以及模板個(gè)數(shù)的增加而增加。 </p><p>　　2統(tǒng)計(jì)特征匹配法。要點(diǎn)是先提取待識(shí)別模式的一組統(tǒng)計(jì)特征，然后按照一定的準(zhǔn)則所確定的決策函數(shù)進(jìn)行分類判決。實(shí)際應(yīng)用中，當(dāng)字符出現(xiàn)字符模糊、筆畫融合、斷裂、部分缺失時(shí)，此方法效果不理想。</p><p>　　3神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法。主要有兩種方法：一是先對(duì)待識(shí)

83、別字符進(jìn)行特征提取，再用所獲得的特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分類器。其中，字符特征的提取是研究的關(guān)鍵，特征參數(shù)過(guò)多會(huì)增加訓(xùn)練時(shí)間，過(guò)少會(huì)引起判斷上的歧義。二是充分利用神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別。這種網(wǎng)絡(luò)互連較多，待處理信息量大，抗干擾性能好，識(shí)別率高。但是產(chǎn)生的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，輸入模式維數(shù)的增加可能導(dǎo)致網(wǎng)絡(luò)規(guī)模龐大。</p><p>　　4支持向量機(jī)模式識(shí)別算法。其基本思想是

84、在樣本空間或特征空間，構(gòu)造出最優(yōu)平面使超平面與不同類樣本集之間的距離最大，從而達(dá)到最大的泛化能力。主要有兩種方法應(yīng)用于字符識(shí)別：一是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來(lái)訓(xùn)練分類器。二是直接將每個(gè)字符的整幅圖像做為一個(gè)樣本輸入，不需要進(jìn)行特征提取，節(jié)省了識(shí)別時(shí)間。 </p><p>　　本章采用模版匹配算法。首先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配,將其與模板字符相減，得到的0越多越匹配，把每

85、一幅進(jìn)行相減后的0值個(gè)數(shù)保存，找數(shù)值最大的，為所求的結(jié)果。 </p><p><b>　　字符歸一化處理</b></p><p>　　分割出來(lái)的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(shí)別的需要。由于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此只進(jìn)行了歸一化處理。</p><p><b>　　處理后的結(jié)果<

86、/b></p><p>　　1分割出來(lái)的七個(gè)字符的圖像，如圖4.1 所示</p><p>　　圖4.1分割出字符圖像</p><p>　　2歸一化處理結(jié)果圖，如圖4.2所示</p><p>　　圖4.1歸一化處理結(jié)果圖</p><p><b>　　結(jié)論</b></p><

87、p>　　本課題對(duì)車牌識(shí)別系統(tǒng)的車牌檢測(cè)做了大量的分析與研究，對(duì)實(shí)驗(yàn)結(jié)果較為滿意,還可從以下幾個(gè)方面改正：</p><p>　　1、仿真使用的圖像質(zhì)量較好，對(duì)于圖像質(zhì)量不理想，盡管做了一系列的圖像預(yù)處理，影響到了最終的識(shí)別結(jié)果。為此，進(jìn)對(duì)質(zhì)量不高的圖像處理方面，如何實(shí)現(xiàn)正常工作，這將涉及到大量數(shù)字圖像處理方面。</p><p>　　2、對(duì)車牌的處理思路是對(duì)彩色圖像轉(zhuǎn)換成灰度圖像來(lái)處理，

88、雖提高計(jì)算速度和減少存儲(chǔ)空間，但犧牲了大量的有用信息。還有沒(méi)有考慮對(duì)一幅圖像中含有多個(gè)車牌的識(shí)別。</p><p>　　3、對(duì)圖像處理上還可以繼續(xù)探索，如BP神經(jīng)識(shí)別網(wǎng)絡(luò)。</p><p><b>　　致謝</b></p><p>　　畢業(yè)設(shè)計(jì)是在魏明老師悉心指導(dǎo)下完成的。魏明老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、淵博的學(xué)術(shù)知識(shí)以及敏銳的洞察力給我留下了終生難忘

89、的回憶。正是源于他在論文研究階段中給予我的無(wú)私幫助,我才能順利完成本論文。同時(shí)，感謝所有任課老師和所有同學(xué)在這兩年來(lái)給自己的指導(dǎo)和幫助，是他們教會(huì)了我專業(yè)知識(shí)，教會(huì)了我如何學(xué)習(xí)，教會(huì)了我如何做人。正是由于他們，我才能在各方面取得顯著的進(jìn)步，在此向他們表示我由衷的謝意，并祝所有的老師身體健康、工作順利，培養(yǎng)出越來(lái)越多的優(yōu)秀人才，桃李滿天下！</p><p><b>　　參考文獻(xiàn)</b><

90、/p><p>　　崔江、王友仁．車牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究［M］．計(jì)算機(jī)測(cè)量與控制, 2003.11 ．</p><p>　　梁瑋、羅劍鋒、賈云得．一種復(fù)雜背景下的多車牌圖像分割與識(shí)別方法［D］. 2003.</p><p>　　張錚，王艷平，薛桂香．?dāng)?shù)字圖像處理與視覺(jué)實(shí)現(xiàn)—Viscual C++與Matlab實(shí)現(xiàn)［Ｍ］．北京：人民郵電大學(xué)出版社,2010.4．&

91、lt;/p><p>　　高展宏，徐文波．基于MATLAB圖像處理案例教程［Ｍ］．北京：清華大學(xué)出版社，2011.4．</p><p>　　馮偉興，梁洪，王臣業(yè).Visual C++數(shù)字圖像識(shí)別典型案例詳解[M]. 北京：機(jī)械工業(yè)出版社，2012.7．</p><p>　　徐輝﹒基于MATLAB實(shí)現(xiàn)汽車車牌自動(dòng)識(shí)別系統(tǒng)[J]﹒電腦知識(shí)與技術(shù)，2010，17．</p&

92、gt;<p>　　蔡旭暉，劉衛(wèi)國(guó)，蔡立燕﹒MATLAB基礎(chǔ)與應(yīng)用教程[M]﹒北京：人民郵電出版社，2009:247．</p><p>　　魯小平，陳阿林﹒基于MATLAB的車牌識(shí)別[J]﹒測(cè)繪通報(bào)，2007，10．</p><p>　　齊敏，王玲﹒LPR中車牌分割的MATLAB解決方案[J]﹒現(xiàn)代電子技術(shù)﹒2007，23．</p><p>　　陳虹.汽

93、車車牌的自動(dòng)檢測(cè)與識(shí)別[D].保存地:蘇州大學(xué),2008．</p><p>　　劉洋洋.基于嵌入式的車牌識(shí)別系統(tǒng)的實(shí)現(xiàn)及應(yīng)用[D].保存地:西安建筑科技大學(xué),2010．</p><p>　　陳揚(yáng).基于數(shù)字圖像處理的車牌識(shí)別關(guān)鍵技術(shù)研究[D].保存地:武漢工業(yè)大學(xué),2009．</p><p>　　[13]. MAKOS PAPAGEORGIOU, CHRISTNA D

94、IAKAKI, VAYA DINOPOULOU, APOSTOLOS KOTSIALOUS, YIBING WANG. Review of Road Traffic Control Strategies [J].Proceedings of IEEE, 2003,91 [12]: 2043-2067/*外文期刊*/</p><p>　　[14]. 陳揚(yáng)，陳榮娟，郭穎輝．MATLAB 6.X 圖形編程與圖像處理[

95、M].西安：西安電子科技大學(xué)出版社，2002.10.</p><p>　　附錄：中英文文獻(xiàn)翻譯名稱——圖像處理操作的層次結(jié)構(gòu)</p><p><b>　　附錄</b></p><p><b>　　1 程序：</b></p><p>　　I=imread('e:\chepai1.jpg'

96、;);</p><p>　　figure(1),imshow(I);title('原圖')</p><p>　　I1=rgb2gray(I);</p><p>　　figure(2),subplot(1,2,1),imshow(I1);title('灰度圖');</p><p>　　figure(2),subp

97、lot(1,2,2),imhist(I1);title('灰度圖直方圖');</p><p>　　I2=edge(I1,'robert',0.08,'both');</p><p>　　figure(3),imshow(I2);title('robert算子邊緣檢測(cè)')</p><p>　　se=[1;

98、1;1];</p><p>　　I3=imerode(I2,se);</p><p>　　figure(4),imshow(I3);title('腐蝕后圖像');</p><p>　　se=strel('rectangle',[40,40]);</p><p>　　I4=imclose(I3,se);</

99、p><p>　　figure(5),imshow(I4);title('平滑圖像的輪廓');</p><p>　　I5=bwareaopen(I4,2000);</p><p>　　figure(6),imshow(I5);title('從對(duì)象中移除小對(duì)象');</p><p>　　[y,x,z]=size(I5)

100、;</p><p>　　myI=double(I5);</p><p>　　%begin橫向掃描</p><p><b>　　tic</b></p><p>　　Blue_y=zeros(y,1);</p><p><b>　　for i=1:y</b></p>

101、<p><b>　　for j=1:x</b></p><p>　　if(myI(i,j,1)==1) </p><p>　　%如果myI(i,j,1)即myI圖像中坐標(biāo)為(i,j)的點(diǎn)為藍(lán)色</p><p>　　%則Blue_y的相應(yīng)行的元素white_y(i,1)值加1</p><p>　　Blue_y(

102、i,1)= Blue_y(i,1)+1;%藍(lán)色像素點(diǎn)統(tǒng)計(jì) </p><p><b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p>　　[temp MaxY]=max(Blue_y);%temp為向量white_y的元素中

103、的最大值，MaxY為該值的索引（ 在向量中的位置）</p><p><b>　　PY1=MaxY;</b></p><p>　　while ((Blue_y(PY1,1)>=120)&&(PY1>1))</p><p>　　PY1=PY1-1;</p><p><b>　　end

104、 </b></p><p><b>　　PY2=MaxY;</b></p><p>　　while ((Blue_y(PY2,1)>=40)&&(PY2<y))</p><p>　　PY2=PY2+1;</p><p><b>　　end</b></p

105、><p>　　IY=I(PY1:PY2,:,:);</p><p>　　%IY為原始圖像I中截取的縱坐標(biāo)在PY1：PY2之間的部分</p><p><b>　　%end橫向掃描</b></p><p>　　%begin縱向掃描</p><p>　　Blue_x=zeros(1,x);%進(jìn)一步確定x方向

106、的車牌區(qū)域</p><p><b>　　for j=1:x</b></p><p>　　for i=PY1:PY2</p><p>　　if(myI(i,j,1)==1)</p><p>　　Blue_x(1,j)= Blue_x(1,j)+1; </p><p>&l

107、t;b>　　end </b></p><p>　　end </p><p><b>　　end</b></p><p><b>　　PX1=1;</b></p><p>　　while ((Blue_x(1,PX1)<3)&&(PX1<x)

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

109、p>　　PX2=PX2-1;</p><p><b>　　end </b></p><p><b>　　%end縱向掃描</b></p><p>　　PX1=PX1-2;%對(duì)車牌區(qū)域的校正</p><p>　　PX2=PX2+2;</p><p>　　dw=I(PY1:

110、PY2,:,:);</p><p><b>　　t=toc; </b></p><p>　　figure(7),subplot(1,2,1),imshow(IY),title('行方向合理區(qū)域');</p><p>　　figure(7),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色

111、車牌圖像')</p><p>　　imwrite(dw,'dw.jpg');</p><p>　　[filename,filepath]=uigetfile('dw.jpg','輸入一個(gè)定位裁剪后的車牌圖像');</p><p>　　jpg=strcat(filepath,filename);</p>

112、;<p>　　a=imread('dw.jpg');</p><p>　　b=rgb2gray(a);</p><p>　　imwrite(b,'1.車牌灰度圖像.jpg');</p><p>　　figure(8);subplot(3,2,1),imshow(b),title('1.車牌灰度圖像')&l

113、t;/p><p>　　g_max=double(max(max(b)));</p><p>　　g_min=double(min(min(b)));</p><p>　　T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值</p><p>　　[m,n]=size(b);</p><p>

114、　　d=(double(b)>=T); % d:二值圖像</p><p>　　imwrite(d,'2.車牌二值圖像.jpg');</p><p>　　figure(8);subplot(3,2,2),imshow(d),title('2.車牌二值圖像')</p><p>　　figure(8),subplot(3,2,3),

115、imshow(d),title('3.均值濾波前')</p><p><b>　　% 濾波</b></p><p>　　h=fspecial('average',3);</p><p>　　d=im2bw(round(filter2(h,d)));</p><p>　　imwrite(d,

116、'4.均值濾波后.jpg');</p><p>　　figure(8),subplot(3,2,4),imshow(d),title('4.均值濾波后')</p><p>　　% 某些圖像進(jìn)行操作</p><p><b>　　% 膨脹或腐蝕</b></p><p>　　% se=strel

117、('square',3); % 使用一個(gè)3X3的正方形結(jié)果元素對(duì)象對(duì)創(chuàng)建的圖像膨脹</p><p>　　% 'line'/'diamond'/'ball'...</p><p>　　se=eye(2); % eye(n) returns the n-by-n identity matrix 單位矩陣</p>&l

118、t;p>　　[m,n]=size(d);</p><p>　　if bwarea(d)/m/n>=0.365</p><p>　　d=imerode(d,se);</p><p>　　elseif bwarea(d)/m/n<=0.235</p><p>　　d=imdilate(d,se);</p><

119、p><b>　　end</b></p><p>　　imwrite(d,'5.膨脹或腐蝕處理后.jpg');</p><p>　　figure(8),subplot(3,2,5),imshow(d),title('5.膨脹或腐蝕處理后')</p><p>　　% 尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為

120、該塊有兩個(gè)字符組成，需要分割</p><p>　　d=qiege(d);</p><p>　　[m,n]=size(d);</p><p>　　figure,subplot(2,1,1),imshow(d),title(n)</p><p>　　k1=1;k2=1;s=sum(d);j=1;</p><p>　　whi

121、le j~=n</p><p>　　while s(j)==0</p><p><b>　　j=j+1;</b></p><p><b>　　end</b></p><p><b>　　k1=j;</b></p><p>　　while s(j)~=0

122、&& j<=n-1</p><p><b>　　j=j+1;</b></p><p><b>　　end</b></p><p><b>　　k2=j-1;</b></p><p>　　if k2-k1>=round(n/6.5)</p>

123、<p>　　[val,num]=min(sum(d(:,[k1+5:k2-5])));</p><p>　　d(:,k1+num+5)=0; % 分割</p><p><b>　　end</b></p><p><b>　　end</b></p><p><b>　　% 再

124、切割</b></p><p>　　d=qiege(d);</p><p>　　% 切割出 7 個(gè)字符</p><p>　　y1=10;y2=0.25;flag=0;word1=[];</p><p>　　while flag==0</p><p>　　[m,n]=size(d);</p>&l

125、t;p>　　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 % 認(rèn)為是左側(cè)干擾</p><p>

126、　　d(:,[1:wide])=0;</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>　　a