畢業(yè)論文基于matlab的車牌號(hào)碼識(shí)別系統(tǒng)設(shè)計(jì)(編輯修改稿)

　

【文章內(nèi)容簡介】 籍車牌上的是建交國家的代號(hào)，與所在地區(qū)的監(jiān)管機(jī)關(guān)編號(hào)無關(guān)。 在這10種汽車中，編號(hào)為9和10的臨時(shí)入境和臨近行駛汽車以及使領(lǐng)館汽車由于數(shù)量很少、出現(xiàn)的概率極小，為了簡化算法和節(jié)省時(shí)間，忽略這幾種車型的特殊性，認(rèn)為它們與其他的7種汽車車型一致，采用相同的方法進(jìn)行識(shí)別。由于編號(hào)為1的大型汽車，由于系統(tǒng)的CCD攝像頭收集的是汽車頭部的牌照?qǐng)D像，因此對(duì)于大型汽車后車牌的特殊性也可以忽略不計(jì)。 本論文中，不考慮車牌在背景色和前景色上的差異，在這些車牌中，大型汽車（前）、小型汽車、使領(lǐng)館汽車、境外汽車、外籍汽車、教練車和試驗(yàn)汽車的號(hào)牌格式完全一樣，同時(shí)，由于小型車數(shù)量最多，出現(xiàn)概率最大，牌照規(guī)范與其它幾種車牌很相似，算法的識(shí)別對(duì)象最終設(shè)定為小型車。 常見車牌顏色特征的信息 對(duì)目前8種常見車牌（對(duì)大型車輛取前置車牌）的顏色分布和格式分布進(jìn)行分析，可以得出如下結(jié)論：l 工存在5種顏色：黃石、黑色、藍(lán)色、白色和紅色；l 存在5中前景和背景的顏色組合；黃底黑字黑框線、藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線，黑底紅字紅框線；l 字符顏色與背景顏色的亮度相差很大：要么亮度高于背景顏色的亮度（藍(lán)底白字白框線、黑底白字紅“使”（或“領(lǐng)”）字白框線、黑底白字白框線、黑底紅字紅框線；要么字符顏色低于背景顏色亮度（黃底黑字黑框線），對(duì)于這種車牌，其二值化結(jié)果顏色相反，前景字符為黑色，背景為白色，需要進(jìn)行處理；l 牌照上的文字由7個(gè)字符和一個(gè)分隔符橫向水平排列組成，字符高度為90mm，寬度為45mm，分割符的直徑為10mm（實(shí)際上，每個(gè)字符是劇中分布在一個(gè)高位90mm，寬為45mm的矩形區(qū)域。）l 字符和字符之間或字符和分割符之間的距離為12mm；l 使館牌照的間隔符在第4和第5個(gè)字符之間，其余的車牌的間隔符在第l 2個(gè)和第3個(gè)字符之間。由于使館牌照出現(xiàn)的概率很小，將之視為小型車牌照一種變形情況，不單獨(dú)處理，后面提出的車牌格式均值后一種格式情況；l 從左到右，車牌中每一位的可能字符如下：第1位，30個(gè)省份的簡稱和“使”字，共有31個(gè)字符（暫時(shí)不考慮軍警車）；第2位，除去字母“I”之外的25個(gè)英文大寫字母；第3位，除去字母“I”和字母“O”之外的24個(gè)英文大寫字母和10個(gè)數(shù)字，共有34個(gè)字符；第4~6位，10個(gè)數(shù)字字符；第7位，10個(gè)數(shù)字字符和“領(lǐng)”“學(xué)”“試”“境”，共有14個(gè)字符。字符總數(shù)共有70個(gè)。l 觀測和分析車牌外形特點(diǎn)，無論哪種車牌，外輪廓都有一個(gè)寬度不大的輪廓線，輪廓線的顏色和字符顏色一致，與背景的亮度差異很大。現(xiàn)實(shí)環(huán)境下，車牌有時(shí)安裝后，車輛廠商的商標(biāo)會(huì)遮擋牌照外輪廓線，但商標(biāo)本身又是一個(gè)輪廓線，其亮度與背景的亮度差異也很大，同樣可以利用之。 車牌特征分析結(jié)論 首先，結(jié)合車牌分析結(jié)論，利用其中的特征6點(diǎn)可以構(gòu)造牌照字符的格式模型，這個(gè)模型在其后的用來指導(dǎo)牌照定位后、字符識(shí)別前的字符分割。結(jié)合GA3692標(biāo)準(zhǔn)，牌照?qǐng)D像的實(shí)際大小可能隨著CCD攝像頭采集的時(shí)機(jī)不同而產(chǎn)生一定的縮放，但是總體比例不會(huì)發(fā)生大的變化。設(shè)第1個(gè)字符中心和第2個(gè)字符的中心間距為一個(gè)長度單位，以第1個(gè)字符中心為原點(diǎn)，那么非使館車牌的其余字符中心的橫向位置應(yīng)分別為：1，，。 其次，利用分析結(jié)論7，可以利用字符在牌照的排列縮小候選字符的集合規(guī)模，加快識(shí)別速度或進(jìn)行識(shí)別后結(jié)果的糾正判別。如果不知道字符在牌照中的排列位置，那么每個(gè)位置的候選字符可以達(dá)到70個(gè)，如果知道了它的位置，那么該位置的候選字符至多有34個(gè)，尤其是對(duì)牌照的第6位，候選字符只有10個(gè)數(shù)字。 車牌號(hào)碼初定位牌照的定位[6]和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。由于牌照?qǐng)D象在原始圖象中是很有特征的一個(gè)子區(qū)域，確切說是水平度較高的橫向近似的長方形，它在原始圖象中的相對(duì)位置比較集中，而且其灰度值與周邊區(qū)域有明顯的不同，因而在其邊緣形成了灰度突變的邊界，這樣就便于通過邊緣檢測來對(duì)圖象進(jìn)行分割。 圖6 牌照定位與分割流程圖牌照?qǐng)D象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。但是車牌邊緣并不是連續(xù)的，不利于根據(jù)其特征進(jìn)行進(jìn)一步的判斷。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用的是數(shù)學(xué)形態(tài)學(xué)的方法，其基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了膨脹和閉合這兩個(gè)基本運(yùn)算，最后還用了bwareaopen來去除對(duì)象中不相干的小對(duì)象。 車牌二值化 經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對(duì)圖像二值化。圖像中對(duì)象物的形狀特征的主要信息，常常可以從二值圖像中得到。二值圖像與灰度圖像相比，信息量大大減少，因而處理二值圖像的速度快，成本低，實(shí)用價(jià)值高。因此，在車牌字符切分前，首先對(duì)圖像進(jìn)行二值化處理。 均值濾波是典型的線性濾波算法，它是指在圖像上對(duì)目標(biāo)像素給一個(gè)模板，該模板包括了其周圍的臨近像素。再用模板中的全體像素的平均值來代替原來像素值。 圖像二值化的基本原理 圖像的二值化處理就是將圖像上的點(diǎn)的灰度值置為 0 或255，這樣處理后整個(gè)圖像呈現(xiàn)明顯的黑白效果，即將 256 個(gè)亮度等級(jí)的灰度圖經(jīng)過合適的閾值選取，而獲得的二值化圖像仍然可以反映圖像整體和局部特征。 二值化處理后的圖像，其集合性質(zhì)只與像素值為 0 或255 的點(diǎn)的位置有關(guān)，不再涉及像素的其他級(jí)值，處理過程簡單，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，否則，灰度值為 0，表示背景或者其他的物體區(qū)域。如果某圖像在內(nèi)部有均勻一致的灰度值，并且處在一個(gè)具有其他等級(jí)灰度值的均勻背景下，利用閥值法就能得到較好的切分效果。如果物體同背景的差別難以用不同的灰度值表現(xiàn)（比如紋理不同），可以把這些差別特征轉(zhuǎn)換為灰度的差別，然后利用閥值法來切分該圖像。動(dòng)態(tài)調(diào)節(jié)閥值來實(shí)現(xiàn)圖像的二值化可動(dòng)態(tài)地觀察其切分圖像的具體結(jié)果。 牌照區(qū)域的分割 對(duì)車牌的分割可以有很多種方法，本程序是利用車牌的彩色信息的彩色分割方法。根據(jù)車牌底色等有關(guān)的先驗(yàn)知識(shí)，采用彩色像素點(diǎn)統(tǒng)計(jì)的方法分割出合理的車牌區(qū)域，確定車牌底色藍(lán)色RGB對(duì)應(yīng)的各自灰度范圍，然后行方向統(tǒng)計(jì)在此顏色范圍內(nèi)的像素點(diǎn)數(shù)量，設(shè)定合理的閾值，確定車牌在行方向的合理區(qū)域。然后，在分割出的行區(qū)域內(nèi)，統(tǒng)計(jì)列方向藍(lán)色像素點(diǎn)的數(shù)量，最終確定完整的車牌區(qū)域。 國內(nèi)汽車牌照種類很多，為研究方便以常見的藍(lán)色車牌為例來說明。2007 年頒布的車牌規(guī)范規(guī)定車牌總長440mm，牌照中的7 個(gè)字符的實(shí)際總長為409mm左右，寬 140mm，每個(gè)字符 45mm 寬，90mm 高，字符間距為 10mm ，其中第二個(gè)字符與第三個(gè)字符的間距較為特殊，最后一個(gè)字符與第一個(gè)字符距邊界 25mm 。這樣，如果平均分配每個(gè)字符在牌照中占據(jù)的寬度，那么每個(gè)字符寬度為：width/7（width為車牌圖像的寬度）。但是，實(shí)際上，第二個(gè)第三個(gè)字符之間存在一個(gè)黑點(diǎn)，牌照左右兩邊與圖像邊緣也都有一定的寬度，所以每個(gè)字符的寬度應(yīng)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(jìn)的變化得到。 5 牌照字符分割 字符字符切分綜述 在車輛牌照準(zhǔn)確定位后，本章主要是對(duì)車輛牌照識(shí)別中的字符切分算法進(jìn)行研，車牌字符切分的流程框圖如圖12所示。 圖7 字符分割與歸一化流程圖 字符分割 在汽車牌照自動(dòng)識(shí)別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎(chǔ)上進(jìn)行字符的分割，然后再利用分割的結(jié)果進(jìn)行字符識(shí)別[7]。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，若長度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。 字符歸一化 一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(shí)別的需要。但是對(duì)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，然后進(jìn)行后期處理。6 車牌字符的識(shí)別 車牌字符識(shí)別綜述目前已經(jīng)提出的車牌字符識(shí)別的方法[5]有以下幾種： 1) 模板匹配字符識(shí)別算法。模板匹配字符識(shí)別算法的實(shí)現(xiàn)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，但是對(duì)噪點(diǎn)比較敏感。在實(shí)際應(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。 2 ）統(tǒng)計(jì)特征匹配法。統(tǒng)計(jì)特征匹配法的要點(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，魯棒性較差。3 ）神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法。主要有兩種方法：一種方法是先對(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)過多會(huì)增加訓(xùn)練時(shí)間，過少會(huì)引起判斷上的歧義。另一種方法是充分利用神經(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。4）支持向量機(jī)模式識(shí)別算法。支持向量機(jī)（Support Vector Machine ，SVM）是Vapnik 及其研究小組針對(duì)二類別的分類問題提出的一種分類技術(shù)，其基本思想是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：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得的特征來訓(xùn)練 SVM分類器。另一種是直接將每個(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。 這四種方法中，模板匹配是車牌字符識(shí)別最簡單的方法之一，神經(jīng)網(wǎng)絡(luò)字符識(shí)別算法是目前比較流行的算法，本章重點(diǎn)研究模版匹配算法。 模版匹配字符識(shí)別模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。匹配時(shí)相似度函數(shù)定義為： （7）其中， 為待識(shí)別車牌字符圖像中像素點(diǎn) 的灰度值，這里的取值為 0或1，為模板字符圖像中像素點(diǎn)的灰度值，這里的取值為 0 或1；M 和N為模板字符點(diǎn)陣橫向和縱向包含的像素個(gè)數(shù)。 匹配的步驟為： (1)依次取出模板字符，將模板字符按照上、下、左、右四個(gè)方向，在周圍五個(gè)像素的范圍內(nèi)滑動(dòng)，每次分別計(jì)算出相似度 S 值，取其中 S 的最大值做為字符與模板字符之間的相似度函數(shù)。 (2)依次從待識(shí)別的字符與模板字符的相似度中找出最大相似度所對(duì)應(yīng)的模板字符，判斷是否大于該字符的閾值 T，如果 S 大于 T ，那么待識(shí)別的字符的匹配結(jié)果就是該模板字符，反之，如果 S 小于 T，表示不匹配，則需要重新檢測。 也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來構(gòu)建模板，就可以避免上述問題。 圖8 字符識(shí)別流程圖 此處采用相減的方法來求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約50多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。為了實(shí)驗(yàn)方便，結(jié)合本次設(shè)計(jì)所選汽車牌照的特點(diǎn)，只建立了4個(gè)數(shù)字26個(gè)字母與10個(gè)數(shù)字的模板。其他模板設(shè)計(jì)的方法與此相同。 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越多那么就越匹配。把每一幅相減后的圖的0值個(gè)數(shù)保存，即為識(shí)別出來的結(jié)果。7 車牌號(hào)碼識(shí)別軟件設(shè)計(jì)結(jié)果及分析 車牌識(shí)別仿真 采用車牌號(hào)碼為魯HC9669的車牌照片進(jìn)行仿真，仿真效果如下： 使用加權(quán)平均值法處理車輛圖像，得到的灰度圖效果如圖10所示。圖9 原始圖像圖10 灰度圖車輛圖像進(jìn)行灰度