基于matlab的車牌識別系統設計論文(編輯修改稿)

　

【文章內容簡介】 圖像進行二值化，然后輪廓平滑處理后，圖像的每個點為兩個離散值中的一個，這兩個值代表開 (1)與關 (0)，即只有黑與白的特殊灰度圖像，并且整個圖像只有兩個域 (如果有多個域需改變參數后重新進行一此剔除干擾對象處理 )，全 1 的域即為車牌區域，并且近似矩形，長寬比為 :1,也可以用這兩個特性去檢驗提取的區域是否為車牌區域。 經區域確定了，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。 水平坐標的確定，先定義一個 1x? 的數組，其中 ? 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 ? 錯誤 !未找到引用源。 坐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循環語句。 垂直方向的分界線可用同樣的 方法實現。分界線計算后，即可從原圖像中剪切出只包含車牌的區域圖像。剪切得到的圖像如下。圖 為二值圖切割的車牌區域，圖 RGB 圖像切割出來的圖像： 圖 車牌區域二值圖裁減圖像 圖 原圖中的車牌區域圖像 對比原始圖像與二值圖裁減圖可以看出，車牌的四個邊界值基本上被確定下來了，這樣就可以從原始圖像中直接確定車牌的區域了。所以車牌就成功地被提取出來了。 14 字符切割 字符切割前的圖像去噪處理 由于圖像車牌號區域提取后獲得的是從原始圖像中剪切的，是 RGB 圖像 ，分割同樣采取投影法，故同樣需要先將 RGB 圖像轉換成灰度值，再將灰度圖轉化成二進制圖，轉化的方法就是限定一個閥值，如果大于閥值則為 1，小于閥值為 0,閥值采用 全局 閥值 ，全局閥值 是指整幅圖像都采用相同的 閥值 T 處理，適用于背景和前景有明顯對比的圖像。 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 實現方式如下： T=round(License_Image_Gray_max(License_Image_Gray_maxLicense_Image_Gray_min)/3)。 同時采集大的圖像噪點依然存在，因此可以通過處理圖像的低頻部分來銳化圖像。這里采用高通濾波算法。由此可得出濾波前后的圖像如下所示： 圖 車牌區域圖像濾波前效果 圖 車牌區域圖像濾波后效果 可以對比濾波前跟濾波后的圖像，如圖 和圖 所示，很明顯，不但噪聲去除了，而且圖像得到了銳化。 15 字符切割前的圖像膨脹和腐蝕處理 腐蝕已經在在上文介紹，膨脹剛好與腐蝕相反，運算規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。 根據經驗值，車牌圖像中，字符面積與車牌面積之比在 (,)之間，因此計算字符面積與車牌面積比值，如果大于 ，如果小于 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1001??????錯誤 !未找到引用源。 。 對于此對象，系統給予膨脹處理，效果圖如圖 所示： 圖 車牌區域圖像腐蝕、膨脹后效果 字符切割 完成牌照區域的定位后，再將牌照區域分割成單個字符，然后進行識別。字符分割一般采用垂直投影法 。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符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。 分析垂直投影找到每個字符中心位置 去掉車牌的框架 計算水平投影進行車牌水平校正 16 圖 牌照字符切割框圖 2020年頒布的我國車牌規范 (普通中小型汽車 )規定車牌總長 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特殊，為 ，最后一個字符與第一個字符距邊界 25mm。這樣，如果平均分配每個字符在牌照中占據的寬度，那么每個字符寬度為： width/7（ width 為車牌圖像的寬度）。但是，實際上，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。考慮所有的情況，一般情況下最小的寬度為 width/9。因此，字符的寬度可以從 width/9 到 width/7 之間漸進的變化得到 ,程序流程圖。 字符切割流程圖如 下圖所示： 按左右寬度切割出字符 17 圖 字符切割流程圖 字符分割一般采用垂直投影法。 在這之前還必須切除周邊空白， 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符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字符分割有較好的效果。 經過切割，切割的字符圖像如下： 圖 經切割的七個字符 開始 車牌二值圖像 切除周邊空白 垂直投影 從左往右查找，垂直投影白色像素點累計小于 10 的值的 wide 以水平區域（ 0，wide）剪切出 判斷是否為標準字符 保存這個字符 將剩余部分保存并覆蓋原先圖像 字符個數是否為 7 結束 Y N N Y 18 切割后一連串的字符串變成了單個字符，為后面的字符匹配識別奠定了基礎。 字符識別 字符識別方法選擇 目前字符識別的方案有使用神經網絡和模板匹配法進行比對。人工神經網絡是模擬人腦思維功能和組織建立起來的數學模型，雖然現在神經網絡正在迅速發展，但總體來說應用還是相對復雜的。模板匹配法雖然識別率低，但實現簡單，計算量小，只有矩陣的加減與統計，而且車牌字符是有阿拉伯數字，英文大寫字母，還有部分漢字，雖有字庫量不大， 字符較規整時 對字符圖像的缺損、污跡干擾適應力強且識別率相當高，因此 本課題使用這種方法。對于模板匹配，首先建立標準模板庫，庫中字符使用統一的尺寸，這里使用 20 40? 。 字符歸一化 由于圖像采集時圖像的像素值不一樣，經切割出來的字符的大小也會不一樣，所以在進行匹配前必須先進行字符圖像歸一化。使圖像字符大小跟模板圖像大小一致，Matlab提供一個改變圖像大小的函數 imresize(I， Size， Model)， Model是插值運算方法，這里選用 39。nearest39。最近鄰插值 法 ,經歸一化后的圖像如下。 圖 經歸一化后的七個字符 切割的字符經過歸一化之后，每個字符的大小基本一致，由此便解決了像素值不一致 帶來的問題，并且利于和庫中的字符進行匹配比較。 字符匹配識別 字符匹配識別的是要前提要簡歷可以與之相比較的字庫表，再將已切割并進行了歸一化處理的單個字符相比較，逐個字符進行匹配比較，再將待識別的字符的特征值 19 和模板字符相減，找到相減值為最小的那個即為匹配得最好的字符。字符識別步驟如下： 圖 字符匹配框圖 字符匹配的準確度是車牌識別中的關鍵部分，所以首先要簡歷精準有效的模板字庫表，便于切割完的字符與庫中內容相比較，接下來是讀取切割的字 符，從第一個字符開始一次與庫中字符相比較匹配，切割后的字符特征值與庫中模板字符相減，找到值最小的那個就是匹配得最恰當的字符。 匹配方法采用將目標圖像與模板圖像逐點做差，得到第三幅圖像，程序實現如下 for ii=1:40 or jj=1:20 Word_Image_Diff(ii,jj)=Word_Image(ii,jj)Word_Image_Code(ii,jj)。 end end 最后計算第三幅二進制圖像中像素值為 1的個數，數值最小的即為匹配出來的結果，經對比可得相似度 最高的數字 建立模板字庫表 讀取分割出來的字符 第一個字符與模板中的漢字模板進行匹配 第二個字符與模板中的字母模板進行匹配 待識別字符與模板字符相減，值越小相似度越大，找到最小的一個即為匹配的最好的 識別完成，輸出此模板對應值 后 5 個字 符與模板中的字母與數字模板進行匹配 20 圖 字符相似度比較 如圖 ：第一個字符在 Lib_Code_No=39處取得最大相似度，查字庫Lib_Code_No=39的字符為“魯”，則可以確定該字符為“魯”，同理可得出其他 6個字符。 4 仿真結果及分析 車牌定位及圖像讀取及其圖像處理 車牌定位后系統邊緣檢測的仿真結果圖如下圖所示 : 21 圖 圖像讀取及檢測結果圖 結果分析：圖像車牌區域提取就是從原圖中截取含車牌的部分，即 RGB 圖像，然后進行字符的切割與識別。為了去除圖像中的噪聲點必須對截取的圖像 進行濾波處理，經濾波后，不僅去除了噪聲，并且使圖像得到了銳化。經過這些步驟可以使得最終識別出的圖像與原圖的相似度更高，即結果更精確。仿真的結果也使得車牌部分從原圖被準確的提取出來了，達到了 車牌定位及圖像讀取及其圖像處理的目的。 車牌字符分割及其圖像處理 對經邊緣檢測掃描后的圖像經字符切割后的圖像如下圖所示： 圖 字符分割及歸一化結果圖 結果分析： 從 MATLAB 編程運行結果看 ，便于 圖像進行匹配識別，必須先將連續的字符切割成單個字符，并且在切割字符之前要將周邊空白切除掉。由以上結果圖可 22 以看到 ，車牌被切成只含字符部分，并且七個字符被切成清晰的七個字符，實現了字符切割。由右側的歸一化圖像可以看出，切割出的圖像像素值和模板圖像達到了一致，由此便避免了切割出的圖像像素值不一