車牌自動識別系統(tǒng)的設計與研究車牌定位與分割畢業(yè)設計-資料下載頁

　　

【正文】 校正后的結果 （e）車牌 3 傾斜校正前的結果 （f）車牌 3 傾斜校正后的結果 （g）車牌 4 傾斜校正前的結果 （h）車牌 4 傾斜校正后的結果圖 42 多幅車牌圖像進行傾斜校正前后的對比 車牌 1 和車牌 2 是存在水平邊傾斜角度 ，從圖 42（b）和圖 42（d）中?可以看出車牌 1 和車牌 2 得到了很好的傾斜校正。 車牌 3 和車牌 4 不但存在水平邊傾斜角度 ，而且存在垂直邊的傾斜角度，從圖 42（f）和圖 42（h）中可以看出車牌 3 和車牌 4 得到了較好的傾斜?校正。車牌僅僅進行了水平校正，并沒有進行垂直校正，這也是算法的不足之處。第五章 車牌字符分割5．1 車牌區(qū)域的預處理經(jīng)過上述方法分割定位出來的車牌圖像中存在目標物體、背景還有噪聲，要想從車牌圖像中準確地分割出車牌字符，還需要對車牌區(qū)域進行預處理。車牌圖像的預處理過程如下：第一步，對經(jīng)過傾斜校正后的車牌圖像進行灰度化。圖 51 車牌圖像的灰度化第二步，對灰度圖像進行二值化，減少背景像素的干擾，增強目標區(qū)的色素度。圖 52 車牌圖像二值化第三步，對二值化圖像進行均值濾波。通過均值濾波可以消除或減少噪聲，改善圖像的質(zhì)量。圖 53 均值濾波后的車牌圖像第四步，對濾波圖像進行腐蝕或膨脹。膨脹是將裂縫橋接起來，腐蝕的一種是消除不相關的細節(jié)。 圖 54 膨脹或腐蝕后的車牌圖像圖 55 是對其他一些車牌圖像的預處理結果，可以看出車牌圖像經(jīng)過預處理后，噪聲在不斷減弱，為后期字符分割提供基礎。(a)車牌1的預處理結果(b)車牌2的預處理結果(c)車牌3的預處理結果圖55 對分割定位車牌的預處理結果5．2 字符的分割與歸一化[m，n]=size（d） ，逐排檢查有沒有白色像素點，設置1=jn1，若圖像兩邊 s（j）=0，則切割，去除圖像兩邊多余的部分切割去圖像上下多余的部分根據(jù)圖像的大小，設置一閾值，檢測圖像的 X軸，若寬度等于這一閾值則切割，分離出七個字符歸一化切割出來的字符圖像的大小為 40*20，與模板中字符圖像的大小相匹配圖56 字符分割與歸一化流程圖字符分割在汽車牌照自動識別過程中，字符分割有承前啟后的作用。它在前期牌照定位的基礎上進行字符的分割，然后再利用分割的結果進行字符識別。字符識別的算法很多，因為車牌字符間間隔較大，不會出現(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，則認為該塊有兩個字符組成，需要分割。圖57 分割出來的七個字符圖像字符歸一化一般分割出來的字符要進行進一步的處理，以滿足下一步字符識別的需要。但是對于車牌的識別，并不需要太多的處理就已經(jīng)可以達到正確識別的目的。在此只進行了歸一化處理，然后進行后期字符識別處理。圖58 歸一化處理后的七個字符圖像圖59是對其他一些車牌圖像的字符分割結果，從圖中可以看出能夠較好地實現(xiàn)車牌字符的分割。(a) 分割出來的七個字符圖像(b) 分割出來的七個字符圖像(c) 分割出來的七個字符圖像(d) 分割出來的七個字符圖像(e) 分割出來的七個字符圖像 (f) 分割出來的七個字符圖像 圖59 多幅車牌的字符分割結果從上述的字符分割結果中可以看出，本算法能較好地實現(xiàn)車牌的字符分割。有些車牌字符分割結果存在噪聲等，這是由于某些車牌圖像的直方圖存在多峰情況，給車牌圖像二值化過程中閾值的選擇帶來一定的影響，從而影響字符的分割。車牌圖像均值濾波過程中模板大小的選取也帶來一些誤差。第六章 總結與展望6．1 總結本文主要對車牌識別系統(tǒng)中車牌定位、校正與字符分割的算法進行研究。最后編程實現(xiàn)了車牌的定位與校正及字符分割，從輸入的車輛圖像中提取出一個個獨立的字符，為以后把分割出的單個字符輸入字符識別模塊并得到車牌識別結果奠定了基礎。本文的主要工作總結如下:（1）在車牌定位中，本文采用基于數(shù)學形態(tài)學與邊緣檢測以及顏色相結合的方法。（2）在車牌的水平傾斜校正過程中，本文采用了 Radon 變換方法。（3）字符分割中，本文采用了基于模板匹配與垂直投影相結合的字符分割方法。（4）最后使用 MATLAB 語言編寫了車牌定位與字符分割程序。該程序包含上述的車牌定位、傾斜校正和字符分割等所有步驟。經(jīng)過大量的試驗，該程序在抗干擾能力和分析的實時性上都表現(xiàn)良好，為后續(xù)的字符識別創(chuàng)造了良好的條件。6．2 今后展望現(xiàn)代交通的飛速發(fā)展和車牌識別技術應用范圍的不斷拓展給車牌識別提出了更高的要求，然而由于客觀條件及時問的限制，對車牌定位和字符分割的研究仍有很多工作需要進行。后續(xù)的研究有待于從以下幾個方面進步提高和完善:(l)車牌定位對于字符分割有著重要的影響，本文只是針對沒有太多復雜背景的藍白車牌圖片進行，有待進一步實現(xiàn)其他具有復雜背景的車牌圖片的定位。(2)由于采樣圖片的限制，字符分割中尚沒有碰到漢字被分為兩部分的情況，以后要加強對漢字間隔的處理。(3)另外對于非標準車牌，如武警牌、使館牌以及近年出現(xiàn)的個性化車牌的識別，下一步的工作要把這些車牌都考慮進去。除了以上需要改進的方向以外，為了從根本上提高車牌定位與字符分割的效果，還需要有新的理論應用到車牌定位與字符分割技術中。致謝本論文是在童瑩老師的悉心指導和親切關懷下完成的。從選題、研究到撰寫、修改到最后順利完成，整個過程更是凝聚著導師的辛勞和思想。在此，衷心感謝童老師的教誨和關懷!老師嚴謹?shù)闹螌W態(tài)度、淵博的學識、坦誠的處世風格、開拓創(chuàng)新的精神以及特有的人格魅力無不給我留下了很深的影響，使我受益匪淺。感謝一如既往地激勵、關心和支持我的家人和朋友，正是他們，給了我奮斗的力量和信心，并讓我深刻地明白了：“滾滾長江東逝水，浪花淘盡英雄，是非成敗轉頭空” ，每天都是新的零點，應該不斷充滿勇氣和信心去迎接新的挑戰(zhàn)。最后，讓我再一次對培養(yǎng)我的南京工程學院，在百忙之中評閱我的論文和參加答辯的各位老師致以最誠摯的謝意！參考文獻[1](美)岡薩雷斯(Gonzalez，.)等著。阮秋琦等譯，數(shù)字圖像處理(第二版)[M].電子工業(yè)出版社，2022.[2]李樹廣，[D].2022(6):16.[3]張引，潘云鶴，彩色汽車圖像牌照定位新方法[J].中國圖像圖形學報.2022(4):374377.[4]徐建國，[J].(2):712.[5]戴青云，[J].中國圖像(5):411415.[6][M].清華大學出版社，.[7]徐飛， 應用圖像處理[M].西安電子科技大學出版社，.[8][D].武漢:武漢理工大學,2022.[9]曾致遠，[J].電視技術,2022(7):94–96.[10]Kamat V.,Ganesan efficient implementation of the Hough transform for detecting vehicle license plates using DSP’[J].IEEE RealTime Technology and Applications :58–59.[11]李文舉,梁德群,張旗,[J].計算機學報,202227(2):204–208.[12][D]..[13][D].武漢理工大學碩士學位論文，2022.[14]李波，曾致遠，[J].視頻技術應用與工程，2022，(7):9496.[15]趙雪春，[J].上海交通大學學報，1998，32(10):49.[16]李弼程，[M].北京:電子工業(yè)出版社，.[17][D].武漢理工大學碩士學位論文，2022.[18]劉廣起，鄭曉勢，[J].中國圖象圖形學報，2022，10(11):14191422.[19]李文舉，梁德群，[J].信息與控制，2022,33(2):231235.[20]工良紅，冷建華，汽車傾斜牌照中字符的定位與提取[J].電訊技術，2022，4:5962.[21]包明， Hough 變換的車牌傾斜檢測算法[J].交通與計算機，2022，22(2):5760.[22][D].南京航空航天大學碩士學位論文，2022.[23]何東健，耿楠，[M].西安電子科技大學出版社..[24]遲曉君，[J].計算機應用研究.2022，7(l):256257.[25]吳進軍，[J].，18(4):6975.[26][J].計算機工程，2022，32(19):193195.[27]趙海燕，馬馴良，[J].長春理工大學學報，2022，29(3):4547.[28]陳黎，黃心漢，[J].計算機工程與應用，2022，29(3):4547.[29]吳大勇，魏平，侯朝禎等一種車牌圖像中的字符快速分割與識別方法[J].計算機工程與應用，2022，38(3):232233.[30]陳寅鵬，[J].紅外與激光工程，2022，33(l):3033.[31]劉弈，陳學儉，[J].計算機應用與軟件，2022，22(8):98100.附錄close all。clc。I=imread(39。D:\MATLAB7\39。)。figure(1),imshow(I)。title(39。原圖39。)I1=rgb2gray(I)。figure(2),subplot(1,2,1),imshow(I1)。title(39。灰度圖39。)。figure(2),subplot(1,2,2),imhist(I1)。title(39。灰度圖直方圖39。)。J=imadjust(I1,stretchlim(I1),[])。%非線性變換figure(3),subplot(1,2,1),imshow(J)。title(39。灰度拉伸后的圖39。)。figure(3),subplot(1,2,2),imhist(J)。title(39。灰度圖直方圖39。)。I2=edge(I1,39。robert39。)。figure(4),imshow(I2)。title(39。robert 算子邊緣檢測39。)I21=edge(J,39。robert39。)。figure(13),imshow(I21)。title(39。robert 算子邊緣檢測（圖像增強后的）39。)se=[1。1。1]。I3=imerode(I2,se)。figure(5),imshow(I3)。title(39。腐蝕后圖像39。)。se=strel(39。rectangle39。,[25,25])。I4=imclose(I3,se)。figure(6),imshow(I4)。title(39。圖像的輪廓39。)。I5=bwareaopen(I4,2022)。figure(7),imshow(I5)。title(39。從對象中移除小對象39。)。[y,x,z]=size(I5)。myI=double(I5)。tic Blue_y=zeros(y,1)。 for i=1:y for j=1:x if(myI(i,j,1)==1) Blue_y(i,1)= Blue_y(i,1)+1。%藍色像素點統(tǒng)計 end end end [temp Max_index]=max(Blue_y)。%Y 方向車牌區(qū)域確定 PY1=Max_index。 while ((Blue_y(PY1,1)=5)amp。amp。(PY11)) PY1=PY11。 end PY2=Max_index。 while ((Blue_y(PY2,1)=5)amp。amp。(PY2y)) PY2=PY2+1。 end IY=I(PY1:PY2,:,:)。figure(8),subplot(2,2,1),plot(Blue_y)。title(39。Y 方向統(tǒng)計39。)。grid on。 figure(8),subplot(2,2,2),imshow(IY),title(39。Y 方向車牌區(qū)域確定39。)。 %%%%%% X 方向 %%%%%%%%% Blue_x=zeros(1,x)。%進一步確定 x 方向的車牌區(qū)域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)==1) Blue_x(1,j)= Blue_x(1,j)+1。 end end end PX1=1。 while ((Blue_x(1,PX1)3)amp。amp。(PX1x)) PX1=PX1+1。 end PX2=x。 while ((Blue_x(1,PX2)3)amp。amp。(PX2PX1)) PX2=PX21。 end figure(8),subplot(2,2,3),plot(Blue_x)。title(39。X 方向統(tǒng)計39。)。grid on。 PX1=PX11。%對車牌區(qū)域的校正 PX2=PX2+1。 dw=I(PY1:PY28,PX1:PX2,:)。 t=toc。 figure(8),subplot(2,2,4),i