汽車車牌的自動檢測技術的研究

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

2、本文提出了基于數(shù)學形態(tài)學與多特征組合分析相結合的快速汽車車牌定位方法。首先將彩色圖像轉換成灰度圖像，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 算法進行二值化處理，用 Robert 算子進行邊緣檢測，利用數(shù)學形態(tài)學中由膨脹和腐蝕組合成的開運算和閉運算對邊緣圖像進行處理，得到較好的車牌候選圖像。針對車牌候選區(qū)的二值圖像，采用長寬比、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行判別，提高了車牌檢

3、測的準確性。</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，它有對變形，污染和模糊較強的抗干擾能力，也適用于環(huán)境光線和圖像對比度的品種。</p><p>　　關鍵詞：車牌識別系統(tǒng)、車牌檢測、字符分割識別</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、 國內(nèi)外研究現(xiàn)狀3</p><p>　　第1.3節(jié) 目標與任務5</p><p>　　第1.4節(jié) 論文體系結構6</p><p>　　第2章 系統(tǒng)設計7</p><p>　　第2.1節(jié) 圖像預處理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8</p><p>　　第2.4節(jié) 部分算法設計9</p><p>　　第2.5節(jié) 預處理后的結果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實現(xiàn)15</p><p>　　第4章 字符分割識別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) 處理后的結果21</p><p><b>　　第5章 結論22</b></p><p><b>　　致謝23</b></p><p><b>　　參考文獻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)濟的迅速發(fā)展，對交通工具的安全管理的要求也相應提高。智能交通系統(tǒng)因此誕生，利用圖像處理技術、信息通信技術和自動控制技術等來實現(xiàn)對車輛、駕駛員和道路的自動化管理，以達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>　　車輛牌照識別系統(tǒng) (License Plate Recognition, LPR)是智能交通系統(tǒng)關鍵組成部分，在交通調查、交通監(jiān)管和車輛管理等方面發(fā)揮著舉足輕重的重用，利用車牌的識別技術能夠完成車輛的自動化管理，從而提升車輛管理的效率。具體應用：</p><p>　　㈠ 公路收費、監(jiān)控管理</p><p>　　能準確地識別出車牌號碼

17、，很好地監(jiān)督車輛在公路上的收費情況，避免逃費情況發(fā)生。</p><p>　　㈡ 城市道路監(jiān)控、違章管理、安全管理。</p><p>　　通過車牌識別系統(tǒng)，對行駛在道路上的車輛進行實時監(jiān)控，并對一些壓線、超速和闖紅燈等違章汽車進行監(jiān)控。</p><p><b>　?、?車輛定位</b></p><p>　　能自動地識別出車

18、牌的號碼，精確定位出車輛的具體位置，對于防范和追蹤犯罪的車輛具有重要的作用。</p><p>　　㈣ 停車場、園區(qū)管理</p><p>　　可對進出停車場的汽車進行實時的記錄，實現(xiàn)車輛收費管理和保證車輛安全。</p><p><b>　　國內(nèi)外研究現(xiàn)狀</b></p><p>　　上世紀80年代國外就有大量相關研究，取得

19、的成果也比較多。牌照自動識別主要分成：牌照定位、牌照分割、和字符識別。技術難點在于如何在復雜的環(huán)境下進行汽車牌照的準確定位。牌照本身處于一個非常復雜的識別環(huán)境中，汽車車體及汽車周圍背景都會干擾汽車牌照的識別。且識別現(xiàn)場的光照角度、光線強度、天氣因素也會對汽車牌照識別產(chǎn)生較大影響。這些使得LPR系統(tǒng)一直得不到很好的應用,很多方法需要大量的數(shù)值運算,不能進行實時處理。為解決上述因環(huán)境影響而造成的圖像惡化的問題,牌照識別算法必須具有比較強的抗

20、干擾能力，具備足夠的強度。國內(nèi)采取的辦法是主動紅外照明攝像或使用特殊的傳感器采集圖像等方法來提高圖像的質量,繼而提高識別率。</p><p>　　國外現(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、英國等西方發(fā)達國家都有適合于本國車牌的識別系統(tǒng)，基本上都是基于車輛探測器的系統(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車牌自動識別系統(tǒng)等。</p><p><b>　　車牌檢測的研究現(xiàn)狀</b></p><p><b>　?、?車牌檢測</b></p><p>　　車牌檢測，又

22、稱車牌定位，作為牌照識別技術的第一個環(huán)節(jié)，如果定位不準確就無法進行車牌分割識別。國外汽車牌照和國內(nèi)的差別很大，因而這方面的算法也不盡相同。</p><p>　　國外汽車牌照多為長方形，少數(shù)為正方形的，車號多為單排的，少數(shù)為雙牌的，因此國外的牌照識別算法比較復雜。目前，國外較理想的牌照定位算法多是采用純粹的數(shù)學形態(tài)學方法。此算法如下： </p><p><b>　　1圖像預處理&

23、lt;/b></p><p>　　將彩色汽車圖像進行灰度化處理。 </p><p><b>　　2形態(tài)學處理</b></p><p>　　形態(tài)學處理分兩步：首先定義一個黑色的圓形結構元素，對汽車圖像進行Top-Hat運算。</p><p>　　設圖形元素為A，圓形結構元素為B，則Top Hat 形態(tài)學運算公式

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

25、牌照字符比劃寬度有要求，要求汽車和圖像采集設備的距離在一定范圍之內(nèi)。</p><p>　　國外還有其他算法：神經(jīng)網(wǎng)絡方法、基于邊緣特征方法、基于彩色特征方法。</p><p>　　由于國內(nèi)對汽車牌照的管理非常嚴格，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基于邊緣檢測的算法</p><p>　　這些算法都是通過在汽車圖像中找符合汽車牌照特征區(qū)域進行汽車牌照定位的。思路是可行的，但有不足：</p><p>　　第一種算法運算量過大，不能滿足系統(tǒng)實時性</p><p

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

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，是檢驗車牌字符和車牌背景的不同屬性，最終將其分離的過程。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、邊界追蹤等。</p><p><b>　　目標與任務</b></p>&

29、lt;p><b>　　目標</b></p><p>　　目標是在復雜環(huán)境下，主要針對車牌識別系統(tǒng)的圖像預處理、車牌識別定位和字符的分割識別的方法進行研究，不涉及信息采集以及系統(tǒng)硬件的問題。是在圖像已經(jīng)采集好了的情況下，找出一種能夠自動檢測出圖像中車牌的有效方法。</p><p><b>　　任務</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的自動車牌檢測的研究與開發(fā)。主要包括車牌的定位,車牌提取和字符的分割識別。涉及了圖像處理、數(shù)學形態(tài)學等方面,系統(tǒng)總體結構如圖1.1所示:</p><p>　　圖1.1 系統(tǒng)總體結構圖</p><p>　　其基本工作過程如下：</p><p>　　1攝像頭所采集的車輛圖片由專用的網(wǎng)絡傳輸?shù)接糜谲嚺谱R別的計

31、算機系統(tǒng)中；</p><p>　　2由計算機處理系統(tǒng)對采集的車輛牌照進行預處理，灰度車牌預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牌照進行檢測處理，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；</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、車牌字符識別、提取、檢測傾斜度、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、結果輸出</p><p><b>　　論文體系結構</b></p><p>　　1第一章介紹了自動車牌檢測系統(tǒng)的應用領域，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)設計方案:車牌預處理，對用到的技術

33、分別作了介紹與分析。主要包括圖像灰度化、邊緣檢測、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)學形態(tài)學與小波變換的車牌定位方法，并對可能出現(xiàn)的車牌傾斜問題進行討論，并提出了處理方法。主要包括數(shù)學形態(tài)學、Hough 變換等。</p><p>　　4第四章進行車牌字符的識別分割及歸一化處理。</p><p>　　5第五章對本文進行了總結，提

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

35、度晝夜變化等原因會引起牌照圖像的退化,會使圖像的灰度值與實際景物不完全匹配,進行一定的灰度變換。為便于處理,我們對灰度圖進行閥值分割,把它變換為二值圖像,使得字符與背景能夠分離開來，減小存儲空間，便于后期字符識別，見流程圖2.1所示</p><p>　　圖2.1圖像預處理流程圖</p><p><b>　　圖像灰度化</b></p><p>&

36、lt;b>　　彩色圖像的表達</b></p><p>　　基于彩色圖像處理技術來尋找車牌區(qū)域。因為車牌背景顏色和字符顏色的組合數(shù)量有限（藍底白字、黃底黑字、黑底白字），在一幅圖像中只存在一處車牌區(qū)域。以家庭小型車藍底白字車牌進行識別為例，根據(jù)彩色圖像的RGB 比例定位出近似藍色的候選區(qū)域。由于RGB 三原色空間中兩點間的歐氏距離與顏色距離不成線性比例，在設定藍色區(qū)域的定位范圍時不能很好的控制，因

37、此造成的定位出錯是最主要的。這樣出現(xiàn)較多的藍色背景情況下識別率會下降，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，采用顏色對邊緣檢測，可以有效地突出符合車牌顏色搭配邊緣像素點，削弱其它邊緣。以藍白車牌為例，藍底色由于褪色、灰塵覆蓋及攝像設備引起的失真等原因，其飽和度不為1，即并不是純藍色而是介于藍色和青色之間的一種深藍色，車牌區(qū)域包含著密集的藍白邊緣，而其它區(qū)域則較少，所以針對顏色做邊緣檢測較容易突出車牌區(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個值中最大的一個，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>　　加權平均值法：根據(jù)重要性或其他指標給RGB賦予不同的權值，并使RGB的值加權平均，即公式為：</p><p><b>　?。?-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代表藍色分量值。分量前的系數(shù)為經(jīng)驗加權值，系數(shù)的取值建立在人眼的視覺模型之上。對于較為敏感的綠色取較大的權值，對較為不敏感的藍色則取較小的權值。通過該公式轉換的灰度圖能夠比較好地反應原圖像的亮度信息。</p><p><b>　　邊緣檢測</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，即灰度值導數(shù)較大或極大的地方。邊緣檢測用于標識數(shù)字圖像中亮度變化明顯的點，實質是一種梯度銳化的思想,準確的邊緣信息是車牌定位的重要特征。</p><p>　　常見的邊緣監(jiān)測算子[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，其計算公式如下：</p><p>　?。?-4） </p><p>　　其中 是表示處理后 點的灰度值， 表示處理前該點的灰度值。是具有整數(shù)像素坐標的輸入圖像，平方根運算使處理類似于在人類視覺系統(tǒng)中發(fā)生的過程。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3×3的卷積核。圖像中的每個點都用這兩個核進行卷積，一個核對通常的垂直邊緣影響最大；另一個核對水平邊緣影響最大。兩個卷積的最大值作為該點的輸出值，運算結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烈的邊緣?？紤]了鄰域問題，具備一定的抑制能力，不能完全排

44、除檢測結果中出現(xiàn)的虛假邊緣。雖然邊緣定位效果不錯，但檢測出的邊緣易出現(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個卷積核，圖像中的每個點都用這兩個核進行卷積，取最大值作為輸出，產(chǎn)生一幅邊緣幅度圖像，考慮了鄰域問題，具備一定的抑制能力，不能完全排除檢測

45、結果中出現(xiàn)的虛假邊緣。雖然邊緣定位效果不錯，但檢測出的邊緣易出現(xiàn)多像素寬度。</p><p>　　4. Canny 邊緣檢測算子</p><p>　　對圖像選擇一定的高斯濾波器進行平滑濾波，再采用非極值抑制技術進行處理得到最后的邊緣圖像，具有較強的去噪能力,也存在容易濾掉一些邊緣信息的問題</p><p><b>　　部分算法設計</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，計算每個點的灰度值；</p><p>　　4再令原像素點的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讀取結構元素；求輸入圖像數(shù)據(jù)的補集；</p><p>　　3針對每個像素，判斷結構元素能否填入目標內(nèi)部；</p><p>

48、　　4判斷結構元素是否可以在當前點填入目標內(nèi)部;</p><p>　　5若當前結果元素位置為1，則判斷對應的圖像上的像素點是否為1；</p><p>　　6若像素點為1,則將標志位置0;</p><p>　　7判斷所有像素點的標志位，若為0，則置白；若為1，則置黑；</p><p>　　8求出整幅圖像的補集，輸出結果。</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利用模版進行卷積運算；</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，則進行灰度化處理；若是，則繼續(xù)。</p><p>　　2將每個像素的灰度值與設定的閥值進行比較。若大于平均值，則將灰度值設為0；反之，則設為255</

51、p><p>　　3建立一個新視圖顯示二值化結果；</p><p><b>　　膨脹算法：</b></p><p><b>　　1獲取圖像參數(shù);</b></p><p><b>　　2讀取結構元素;</b></p><p>　　3針對每個像素,判斷結構元素能否

52、填入目標內(nèi)部;</p><p>　　4判斷結構元素是否可以在當前點填入目標內(nèi)部;</p><p>　　5若當前結構元素位置為1,判斷對應的圖像上的像素點是否為1;</p><p>　　若像素為1,則將標志位為0;</p><p>　　6判斷所有像素點的標志位,若為0,則置白;若為1,則置黑</p><p><b&

53、gt;　　7輸出結果</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，通過統(tǒng)計特定范圍內(nèi)的黑色像素的個數(shù)和頻度的變化，初步確定車牌的位置</p><p>　　3細尋找車牌的縱向坐標</p

54、><p>　　4細尋找車牌的橫向坐標</p><p><b>　　5輸出結果</b></p><p><b>　　字符分割算法：</b></p><p>　　1[m,n]=size(d),逐排檢查有沒有白色像素點,設置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，設置一閥值，檢測圖像的X軸，若寬度等于這一閥值則切割，分離出七個字符</p><p>　　4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匹配</p><p><b>　　字符識別算法</b></p>

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

57、值越小相似度越大，找到最小的一個即為匹配最好的</p><p>　　7識別完成，輸出此模板對應值。</p><p><b>　　預處理后的結果</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：將多個圖畫到一個平面上的工具。</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 實驗后的結果</p><p>　　1讀入原始的圖像，如圖2.4所示。</p><p>　　程序為：I=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>　　程序為：</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邊緣檢測后的圖像，如圖2.6所示。</p><p>　　程序為：I2=edge(I1,'robert

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

64、></p><p>　　首先對邊緣檢測后的圖像進行圖像的形態(tài)學處理，處理之后檢測車牌的上下，左右邊界，最后進行定位剪切，得到最終的結果，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)學處理</b></p><p>　　數(shù)學形態(tài)學主要用于從圖像中提取對描繪區(qū)域

65、形狀有意義的圖像分量，使后續(xù)的識別工作能夠抓住目標圖像最為本質的形態(tài)特征。經(jīng)過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。同時就車牌本身而言，存在空洞、缺陷和斷裂噪聲等?；谛螒B(tài)學的圖像變換濾除這些雜亂邊緣，將合理的邊緣保留下來，并消除車牌自身的噪聲。</p><p>　　基本運算有4個：膨脹、腐蝕、以及開、閉運算[5]。</p><p>　　運算對

66、象是集合，設A為圖像集合，B為結構元素。</p><p><b>　?、?膨脹</b></p><p>　　運算符為“”，用來膨脹，寫作“”，其定義為：</p><p><b>　　（3-1）</b></p><p>　　其中，表示的映像。

67、 </p><p>　　膨脹對填補圖像分割后物體中的空洞很有用。</p><p><b>　　②腐蝕</b></p><p>　　運算符為“”，用來腐蝕記作“” ，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，還可以把小于結構元的物體去除。</p><p><b>　　③開啟</b></p><p>　　運算符為“”，用來開啟記為“”，其定義如下：</p><p><b>　　(3-3)</b></p><p>　　開啟運算可以把結構元素小的突刺濾掉，切斷細長搭接而起到的分離作用。</p&g

69、t;<p><b>　　④閉合</b></p><p>　　運算符為“”，用來閉合記為“”，其定義如下：</p><p><b>　　(3-4)</b></p><p>　　閉合運算可把結構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，對圖像采取與邊緣檢測類似的處理，對二維圖像而言,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的邊緣，得到了特征圖像。對水平差分圖像的象素沿水平方向累加產(chǎn)生一個投影圖，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上，對特征圖像進行垂直投影,得到投影圖后，對投影圖進行處理，在濾除噪聲干擾之后，從粗定位車牌的2個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：構造結構元素，用于圖像的形態(tài)學運算。</p><p>　　2. imerode</p><p>　　函數(shù)功能：對圖像實現(xiàn)腐蝕操作。</p><p>　　3. imclose</p><p>　　函數(shù)功能：對圖像實現(xiàn)閉運算，融合窄的缺口和細長的彎口，去掉小洞，填補輪廓上的縫隙。 4. bw

74、areaopen</p><p>　　函數(shù)功能：刪除小面積對象。</p><p><b>　　實驗結果</b></p><p>　　1對圖像進行腐蝕后的結果，如圖3.2所示</p><p>　　程序為：se=[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對圖像進行閉運算后的結果,如圖3.3所示。</p><p>　　程序為：se=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('閉運算后圖像');</p><p>　　圖3.3閉運算后圖像</p><p>　　3閉運算處理后,對圖像進行濾波處理,過濾圖像的噪聲，如圖3.

77、4所示是過濾噪聲后的圖像</p><p>　　程序為：I_final=bwareaopen(I_close,2000); %去除聚團灰度值小于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從對象中移除小對象后的圖像,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從對象中移除小對象圖</p><p>　　5圖像上下邊界的測定結果，如圖3.6所示</p><p>　　圖3.6上下邊界測定后圖</p><p>　　6圖像左右邊界測定后圖像，如圖3.7所示</p>&l

79、t;p>　　圖3.7左右邊界測定后圖</p><p>　　7行方向區(qū)域和最終定位出來的圖像,如圖3.8 所示</p><p>　　圖3.8最終的車牌檢測結果</p><p>　　8裁剪出來的圖像進一步處理過程圖,如圖3.9 所示</p><p>　　圖3.9裁剪出來的圖像進一步處理過程圖</p><p><

80、b>　　字符分割識別</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上進行字符分割，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。</p>

81、<p><b>　　字符的識別</b></p><p><b>　　字符識別綜述</b></p><p>　　車牌字符識別的方法有以下幾種[1]： </p><p>　　1模板匹配字符識別算法。方法是計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。該方法識別速度快，但對噪點比較敏感。在實際

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

83、別字符進行特征提取，再用所獲得的特征來訓練神經(jīng)網(wǎng)絡分類器。其中，字符特征的提取是研究的關鍵，特征參數(shù)過多會增加訓練時間，過少會引起判斷上的歧義。二是充分利用神經(jīng)網(wǎng)絡的特點，直接把待處理圖像輸入網(wǎng)絡，由網(wǎng)絡自動實現(xiàn)特征提取直至識別。這種網(wǎng)絡互連較多，待處理信息量大，抗干擾性能好，識別率高。但是產(chǎn)生的網(wǎng)絡結構比較復雜，輸入模式維數(shù)的增加可能導致網(wǎng)絡規(guī)模龐大。</p><p>　　4支持向量機模式識別算法。其基本思想是

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

85、一幅進行相減后的0值個數(shù)保存，找數(shù)值最大的，為所求的結果。 </p><p><b>　　字符歸一化處理</b></p><p>　　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。由于車牌的識別，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。</p><p><b>　　處理后的結果<

86、/b></p><p>　　1分割出來的七個字符的圖像，如圖4.1 所示</p><p>　　圖4.1分割出字符圖像</p><p>　　2歸一化處理結果圖，如圖4.2所示</p><p>　　圖4.1歸一化處理結果圖</p><p><b>　　結論</b></p><

87、p>　　本課題對車牌識別系統(tǒng)的車牌檢測做了大量的分析與研究，對實驗結果較為滿意,還可從以下幾個方面改正：</p><p>　　1、仿真使用的圖像質量較好，對于圖像質量不理想，盡管做了一系列的圖像預處理，影響到了最終的識別結果。為此，進對質量不高的圖像處理方面，如何實現(xiàn)正常工作，這將涉及到大量數(shù)字圖像處理方面。</p><p>　　2、對車牌的處理思路是對彩色圖像轉換成灰度圖像來處理，

88、雖提高計算速度和減少存儲空間，但犧牲了大量的有用信息。還有沒有考慮對一幅圖像中含有多個車牌的識別。</p><p>　　3、對圖像處理上還可以繼續(xù)探索，如BP神經(jīng)識別網(wǎng)絡。</p><p><b>　　致謝</b></p><p>　　畢業(yè)設計是在魏明老師悉心指導下完成的。魏明老師嚴謹?shù)闹螌W態(tài)度、淵博的學術知識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私幫助,我才能順利完成本論文。同時，感謝所有任課老師和所有同學在這兩年來給自己的指導和幫助，是他們教會了我專業(yè)知識，教會了我如何學習，教會了我如何做人。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)出越來越多的優(yōu)秀人才，桃李滿天下！</p><p><b>　　參考文獻</b><

90、/p><p>　　崔江、王友仁．車牌自動識別方法中的關鍵技術研究［M］．計算機測量與控制, 2003.11 ．</p><p>　　梁瑋、羅劍鋒、賈云得．一種復雜背景下的多車牌圖像分割與識別方法［D］. 2003.</p><p>　　張錚，王艷平，薛桂香．數(shù)字圖像處理與視覺實現(xiàn)—Viscual C++與Matlab實現(xiàn)［Ｍ］．北京：人民郵電大學出版社,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：清華大學出版社，2011.4．</p><p>　　馮偉興，梁洪，王臣業(yè).Visual C++數(shù)字圖像識別典型案例詳解[M]. 北京：機械工業(yè)出版社，2012.7．</p><p>　　徐輝﹒基于MATLAB實現(xiàn)汽車車牌自動識別系統(tǒng)[J]﹒電腦知識與技術，2010，17．</p&

92、gt;<p>　　蔡旭暉，劉衛(wèi)國，蔡立燕﹒MATLAB基礎與應用教程[M]﹒北京：人民郵電出版社，2009:247．</p><p>　　魯小平，陳阿林﹒基于MATLAB的車牌識別[J]﹒測繪通報，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﹒2007，23．</p><p>　　陳虹.汽

93、車車牌的自動檢測與識別[D].保存地:蘇州大學,2008．</p><p>　　劉洋洋.基于嵌入式的車牌識別系統(tǒng)的實現(xiàn)及應用[D].保存地:西安建筑科技大學,2010．</p><p>　　陳揚.基于數(shù)字圖像處理的車牌識別關鍵技術研究[D].保存地:武漢工業(yè)大學,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，陳榮娟，郭穎輝．MATLAB 6.X 圖形編程與圖像處理[

95、M].西安：西安電子科技大學出版社，2002.10.</p><p>　　附錄：中英文文獻翻譯名稱——圖像處理操作的層次結構</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')</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('從對象中移除小對象');</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圖像中坐標為(i,j)的點為藍色</p><p>　　%則Blue_y的相應行的元素white_y(i,1)值加1</p><p>　　Blue_y(

102、i,1)= Blue_y(i,1)+1;%藍色像素點統(tǒng)計 </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>　　% 某些圖像進行操作</p><p><b>　　% 膨脹或腐蝕</b></p><p>　　% se=strel

117、('square',3); % 使用一個3X3的正方形結果元素對象對創(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，若長度大于某閾值，則認為

120、該塊有兩個字符組成，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 % 認為是左側干擾</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