基于MATLAB的车辆牌照图像识别算法研究毕业论文.doc

《基于MATLAB的车辆牌照图像识别算法研究毕业论文.doc》由会员分享，可在线阅读，更多相关《基于MATLAB的车辆牌照图像识别算法研究毕业论文.doc（37页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、单位代码 01 学 号 100102077 分 类 号 TN7 密 级 毕业论文基于MATLAB的车辆牌照图像识别算法研究 院（系）名称信息工程学院 专业名称电子信息工程 学生姓名 指导教师 2014年4月26日第 III 页黄河科技学院毕业论文基于MATLAB的车辆牌照图像识别算法研究摘 要MATLAB既是一种直观、高效的计算机语言,同时又是一个科学计算平台。为数据分析、算法和应用程序开发提供了最核心的数学和高级图形工具。随着我国经济的飞速发展，交通运输车辆的不断增多，车辆牌照的识别显得越来越重要。数字图像处理技术是上世纪发展起来的一门新兴学科，随着图像处理理论和方法的进一步完善，使得数字图

2、像处理技术在各个领域得到了广泛应用，并显示出广阔的应用前景。本课题主要研究基于MATLAB的车辆牌照识别算法，以车辆牌照识别的算法设计为实例，详细介绍图像识别的基本方法。在整个车辆牌照识别的过程中，有预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，用MATLAB软件编程来实现每一个部分，最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析，处理。寻找出对于具体的汽车牌照识别过程的最好的方法。关键词：MATLAB，图像识别，图像处理，字符分割The Vehicle Plate Recognition Algorithm Based on MATLAB Author:Chen X

3、u Tutor:Cai YanyanAbstractMATLAB is an intuitive and efficient computer language ,at the same time it is also a scientific computing platform. It provides the most core mathematics and advanced graphical tools for data analysis, algorithm and application development. With the rapid development of ou

4、r countrys economy and the increasing of transportation vehicles, vehicle license plate recognition is becoming more and more important. Digital image processing technology is an emerging discipline and develops since last century. With the image processing theory and method of further perfect, the

5、digital image processing technology has been widely applied in different fields and shown a broad application prospect. The topic mainly studies the vehicle license plate recognition algorithm based on MATLAB and it is designed with the algorithm of vehicle license plate recognition as an example an

6、d detailed introduce the basic method of image recognition. In the course of the vehicle license plate recognition, there is a preprocessing, edge detection, license plate location, character segmentation and character recognition five modules by using MATLAB software programming to realize every pa

7、rt, finally recognizing the license plates. In the research of some concrete problems We should find out the best way to the process of car license plate recognition.Key words: MATLAB, Image Recognition, Image Processing，Character segmentation 目 录1 绪 论11.1 车牌识别背景综述11.2 车牌号识别研究现状12 车牌号码识别系统总体方案32.1 图

8、像的采集32.2 图像预处理32.2.1 图像的灰度处理42.2.2 边缘提取52.2.3 图像平滑62.3 车牌定位62.3.1 车牌特征的信息82.3.2 车牌号码定位92.3.3 牌照区域的分割102.3.4 牌照字符分割112.4 车牌字符的识别122.4.1 车牌字符识别方法122.4.2 模版匹配字符识别133 仿真结果及分析15结论21致谢22参考文献23附录24第 24 页黄河科技学院毕业论文1 绪 论1.1 车牌识别背景综述随着我国经济的发展和人民生活水平的提高，汽车的数量迅速增长，汽车的使用在给人们生活提供方便的同时，也使车辆管理上存在的问题日益突出，人工管理的方式已经不能

9、满足实际的需要。智能交通系统在交通领域的应用极大地提高了交通管理效率，作为信息来源的自动检测、图像识别技术越来越受到人们的重视。近年来计算机的飞速发展和数字图像技术的日趋成熟，为传统的交通管理带来巨大转变，精确视频处理技术和先进的计算机处理技术，不但可以将人力从繁琐的人工观察，监测中解放出来，而且能够大大提高其精确度，汽车牌照自动识别系统就是在这样的背景与目的下进行开发的。汽车牌照等相关信息的自动采集和管理对于车辆管理有着十分重要的意义，所以汽车牌的识别成为信息处理技术的一项重要研究课题。关于车牌识别技术及定位系统研究，在我国已经有了十几年的发展历程，目前系统的应用还处于起步阶段，大规模投入使

10、用的成熟系统还没有出现，汽车牌照识别系统作为改进交通管理的有效工具，技术水平仍需完善。国内外学者对此已经有了较多工作，但实际效果并不理想，尤其是对车牌自适应性强、速度快、准确率高的高速车牌定位方法还有待进一步研究。另外，对辅助光源要求高，也很难有效解决复杂背景下多车牌移动识别的技术难题，如：车牌图像的倾斜、车牌表面污秽或磨损、光线干扰等都会影响定位的准确性。传统车牌识别一般仅支持单一车辆，背景比较简单。而当今许多实际应用场合，如在繁忙交通路口临时对欠税费、报废、挂失等车辆的稽查，则监视区域比较复杂，现有识别方法无法直接应用；而且多数情况下，同时出现多辆汽车，背景有广告牌、树木、建筑物、斑马线以

11、及各种背景文字等，现有的识别方法也不能很好的适应多变的环境，所以对车牌识别技术的研究依然是目前高科技领域的热门课题之一。1.2 车牌号识别研究现状现在，欧美等西方发达国家车牌识别系统在实际交通系统中已经成功应用，而国内外有大量关于车牌识别方面的研究。发达国家在这方面的研究工作开展较早，技术上已经成熟。在上世纪70年代，英国就在实验室中完成了“实时车牌检测系统”的广域检测和开发。同时代，诞生了面向被盗车辆的第一个实时自动车牌监测系统，时至今日国外对车牌检测的研究已经取得了一些令人瞩目的成就，识别率都在80%以上，甚至有高于90%。并且已经实现了商业化，在实际的交通系统中得到了广泛的应用。由于我国

12、车牌的格式与国外有较大差异，所以国外关于识别的研究只具有参考价值，其在中国的应用效果可能没有在其国内的应用效果好，但其识别系统中采用的很多算法具有很好的借鉴意义。从车牌识别系统进入中国以来，国内有大量的学者在从事这方面的研究，提出了很多新颖快速的算法。目前中国研究的车牌识别系统，车牌定位准确率为99.42%，切分准确率为94.52%，但是包括其他研究人员提出的算法，都存在计算量和存储量大的问题，难以满足实时性的要求。此外，当车辆区域的颜色和附近颜色相近时，定位失误率会增加。所以我们要优化算法，以满足实时处理的能力。2 车牌号码识别系统总体方案图像信息交给管理系统进行处理，而整个系统的核心是软件

13、部分的工作，在现代化的智能交通系统中能否通过牌照对车辆进行有效管理，很大程度上取决于软件部分识别车牌的准确性。车辆牌照识别方法的一般结构如图2.1所示。图2.1 车牌识别系统流程图2.1 图像的采集智能交通系统的图像采集由摄像机等硬件装置完成。在智能交通系统中，系统硬件主要包括车辆传感探测器、高性能工控计算机、高分辨率CCD摄像机、高放大倍数镜头、CCD自动亮度控制器和视频采集卡等设备。当车辆传感器探测到车辆接近时，摄像机开始对车辆图像。常用的硬件设备有光探测器、微波雷达通过型探测器、测速雷达探测器、声探测器、红外探测器、电磁感应探测器和压敏探测器等。而红外探测器和电磁感应环探测器在我国应用广

14、泛，在停车场入口和出口设置的两对红外发射和接收设备进行车辆检测。利用数字信号，增强抗干扰的能力，使采集的图像信息具有较强的可靠性。前端工控机利用红外线探测到车辆经过的信号时，控制图像采集卡抓拍图像，并对抓拍的汽车图像进行牌照识别，同时控制摄像机光圈的大小，以适应外界环境不同的光照条件。然后将识别出的牌照信息储存到服务器中，当车辆离开时，同样的进行牌照识别，将其与前面输入的牌照信息进行对比。该论文主要侧重于对算法的研究，主要工作是利用MATLAB进行软件设计，对已采集到的车辆照片实现车牌识别。 2.2 图像预处理图像预处理就是需要对车辆牌照在识别之前再进行一次针对性的处理。预处理的原因是由于在拍

15、摄时的光照条件不理想，车辆牌照的整洁程度不高，摄像机的焦距调整不到位以及摄像机镜头的光学畸变等所产生的噪声都会不同程度地造成车辆牌照字符的边界模糊、细节不清、笔划断开或粗细不均，加上车辆牌照上的污渍腐蚀等缺陷，致使字符提取困难，进而影响字符识别的准确性。因此，需要在字符识别之前对车辆牌照进行一次针对性的图像预处理处理；采集到的车辆牌照是彩色图像，而彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度1，因此在对图像进行预处理是经常将彩色图像转变为灰度图像，以加快处理速度。经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。

16、车辆图像的预处理是指对采集到的车辆图像进行灰度化和去噪声处理，以使车辆图像尤其是牌照区域的图像的质量得到改善，同时保留和增强车牌中纹理和颜色的信息，去除可能影响牌照区域纹理和颜色信息的噪点，为牌照定位提供方便。利用摄像头拍摄到的车辆图像往往存在很多噪点，因此在进行识别前要进行车辆图像的预处理。预处理的流程图如图2.2所示。 图2.2预处理流程图2.2.1 图像的灰度处理灰度图只包含亮度信息，不包含色彩信息，平时看到的亮度连续变化的黑白照片就是一幅灰度图。灰度化处理就是将一幅彩色图像转化为灰度图像。彩色图像有R、G、B三个分量，分别合成各种彩色图像，灰度化就是使彩色的R、G、B分量相等的过程。灰

17、度值大的像素点比较亮为白色，反之比较暗是黑色。 图像灰度化的算法2主要有以下3种：（1）平均值法：使转化后R、G、B 的值为转化前R、G 、B 的平均值 （2.1） 这种方法产生的灰度图像比较柔和。 （2）最大值法：使转化后R、G、B 的值等于转化前3个值中最大的一个，即： （2.2）这种方法转换的灰度图亮度很高。 （3）加权平均值法：按照一定的权值，对R、G、B 的值加权平均，即： （2.3）其中， 、 、分别为R、G、B 的权值。 、 、取不同的值，将形成不同的灰度图像。由于人眼对绿色最为敏感，红色次之，对蓝色的敏感性最低，因此使 将得到较易识别的灰度图像。一般情况下，当=0.299 、=

18、0.587 、=0.114 时，得到的灰度图像效果最好。 为了增强牌照部位图像和其他部位图像的对比度，使其明暗鲜明，有利于提高识别率，需要将车辆图像进行灰度拉伸。对车辆图像进行灰度化处理之后，车牌部分和非车牌部分图像的对比度并不是很高，此时如果直接进行边缘提取，由于车牌界限较为模糊，难以提取出车牌边缘，因而难以准确定位车牌。灰度拉伸是指根据灰度直方图的分布有选择地对灰度区间进行分段拉伸以增强对比度。它将输入图像中某点的灰度，通过映射函数T，映射成输出图像中的灰度，即： （2.4） 假定原图像的灰度范围为s1,s2 希望变换后图像的灰度范围扩展至t1,t2 ，可采用下述线性变换来实现。 （2.5

19、）2.2.2 边缘提取边缘主要存在于目标与背景之间，边缘检测主要是精确定位边缘和抑制噪点，其基本思想是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置门限的方法提取边缘点集。图像中车辆牌照是具有比较显著特征的一块图像区域，这此特征表现在：近似水平的矩形区域；其中字符串都是按水平方向排列的；在整体图像中的位置较为固定。正是由于牌照图像的这些特点，再经过适当的图像变换，它在整幅中可以明显地呈现出其边缘。边缘提取是较经典的算法，能够进行检测的方法有多种，如Prewitt算子，Sobel算子，Roberts边缘算子以及拉普拉斯边缘检测3；Prewitt算子和Sobel算

20、子都是一阶的微分算子，而前者是平均滤波，后者是加权平均滤波且检测的图像边缘可能大于2个像素。这两者对灰度渐变低噪声的图像有较好的检测效果，但是对于混合多复杂噪声的图像，处理效果就不理想了。Robert算子定位比较精确，但由于不包括平滑，所以对于噪声比较敏感。LOG滤波器方法通过检测二阶导数过零点来判断边缘点。LOG滤波器中的a正比于低通滤波器的宽度，a越大，平滑作用越显著，去除噪声越好，但图像的细节也损失越大，边缘精度也就越低。2.2.3 图像平滑大多数车牌图像会存在一些孤立的噪点，在车牌预处理时，若不能有效抑制或者去除这些噪点，将影响车牌的准确定位或者根本无法定位。通常采用图像平滑的方法去除

21、噪点，图像平滑4包括空域滤波和频域滤波，其中空域滤波中采用平滑滤波器的中值滤波去除噪点的效果最好，中值滤波的主要原理是：首先确定一个以某个像素为中心点的邻域，一般为方形邻域；然后将邻域中的各个像素的灰度值进行排序，取其中间值作为中心点像素灰度的新值，这里的邻域通常被称为窗口；当窗口在图像中上下左右进行移动后，利用中值滤波算法可以很好地对图像进行平滑处理。 但实际中为了简化算法也可以直接在空域中用求邻域平均值5的方法来削弱噪声的影响，这种方法称为图像平滑处理。例如，某一象素点的邻域S有两种表示方法：8邻域和4邻域分别对应的邻域平均值为： （2.6） 其中，M为邻域中除中心象素点f(i,j) 之外

22、包括的其它象素总数，对于4邻域M=4，8邻域M=8。然而，邻域平均值的平滑处理会使得图像灰度急剧变化的地方，尤其是物体边缘区域和字符轮廓等部分产生模糊作用。为了克服这种平均化引起的图像模糊现象，我们给中心点像素值与其邻域平均值6的差值设置一固定的阈值，只有大于该阈值的点才能替换为邻域平均值，而差值不大于阈值时，仍保留原来的值，从而减少由于平均化引起的图像模糊。2.3 车牌定位自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。在图像预处理后，首先对采集到的车牌图像进行大范围相关搜索，找到符。合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进

23、一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图像中分割7出来，确定车辆牌照的准确位置。车牌图像往往是在复杂的环境中拍摄得到的，车牌由于与复杂的车身背景融为一体，由于车牌在使用中磨损与灰尘及拍摄仪器的影响以及由于拍摄角度的不同，车牌在图像中往往有很大的形变，如何在复杂背景中准确、快速找出车牌的位置成为车牌识别中的难点。目前已有不少学者在这方面进行了研究,总结起来主要有如下几类方法8：（1）基于水平灰度变化特征的方法，这种方法主要在车牌定位以前，需要对图像进行预处理，将彩色图像转换为灰度图像，利用车牌区域水平方向的纹理特征进行车牌定位；（2）基于边缘检测的定位方法，这种方法是利用车

24、牌区域丰富的边缘特征进行车牌定位，能够进行检测的方法有多种，如Roberts边缘算子、Prewitt算子、Sobel算子以及拉普拉斯边缘检测；（3）基于车牌颜色特征的定位方法，这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位；（4）基于Hough变换的车牌定位方法，这种方法是利用车牌边框的几何特征，采取寻找车牌边框直线的方法进行车牌定位；（5）基于变换域的车牌定位方法，这种方法是将图像从空域变换到频域进行分析，例如采用小波变换等；（6）基于数学形态学的车牌定位方法，这种方法是利用数学形态学图像处理的基本思想，利用一个结构元素

25、来探测一个图像， 看是否能将这个结构元素很好的填放在图像内部，同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。这些方法各有优缺点，要实现快速、准确地定位车牌，应该综合利用车牌的各种特征，仅靠单一特征很难奏效。本次结合车牌纹颜色与数学形态学9两方面的特征对车牌进行定位，对于提高车牌定位准确率提供更有利的保障。该方法包括牌照区域的粗定位和细定位两个步骤。在粗定位阶段中采用了基于数学形态学的定位方法，在得到定位图像后进行细定位，在细定位中采用车牌颜色特征的方法以获得最后定位图像。本方法对在多种光照条件下采集的车辆牌照图像、车牌本身不洁、或者牌照存在倾斜和扭曲等情形，均能

26、取得较好的定位效果。2.3.1 车牌特征的信息机动车牌照作为机动车的“身份证”，制造和使用都有严格的规范加以明确规定。根据中华人名共和国公共安全行业标准GA36-92，汽车车牌有10种。本论文中，不考虑车牌在背景色和前景色上的差异，在这些车牌中，大型汽车（前）、小型汽车、使领馆汽车、境外汽车、外籍汽车、教练车和试验汽车的号牌格式完全一样，同时，由于小型车数量最多，出现概率最大，牌照规范与其它几种车牌很相似，算法的识别对象最终设定为小型车。对目前8种常见车牌（对大型车辆取前置车牌）的颜色分布和格式分布进行分析，可以得出如下结论：存在5种颜色：黄石、黑色、蓝色、白色和红色；存在5种前景和背景的颜色

27、组合；黄底黑字黑框线、蓝底白字白框线、黑底白字红字白框线、黑底白字白框线，黑底红字红框线；字符颜色与背景颜色的亮度相差很大：要么亮度高于背景颜色的亮度蓝底白字白框线、黑底白字白框线、黑底红字红框线；要么字符颜色低于背景颜色亮度（黄底黑字黑框线），对于这种车牌，其二值化结果颜色相反，前景字符为黑色，背景为白色，需要进行处理；牌照上的文字由7个字符和一个分隔符横向水平排列组成，字符高度为90mm，宽度为45mm，分割符的直径为10mm（实际上，每个字符是剧中分布在一个高位90mm，宽为45mm的矩形区域）。字符和字符之间或字符和分割符之间的距离为12mm；使馆牌照的间隔符在第4和第5个字符之间，其

28、余的车牌的间隔符在第2个和第3个字符之间。由于使馆牌照出现的概率很小，将之视为小型车牌照一种变形情况，不单独处理，后面提出的车牌格式均值后一种格式情况；从左到右，车牌中每一位的可能字符如下：第1位，30个省份的简称字，共有31个字符（暂时不考虑军警车）；第2位，除去字母“I”之外的25个英文大写字母；第3位，除去字母“I”和字母“O”之外的24个英文大写字母和10个数字，共有34个字符；第46位，10个数字字符；第7位，10个数字字符，字符总数共有70个。这是我国目前大多数汽车车牌的特征。观测和分析车牌外形特点，无论哪种车牌，外轮廓都有一个宽度不大的轮廓线，轮廓线的颜色和字符颜色一致，与背景的

29、亮度差异很大。现实环境下，车牌有时安装后，车辆厂商的商标会遮挡牌照外轮廓线，但商标本身又是一个轮廓线，其亮度与背景的亮度差异也很大，同样可以利用之。首先，结合车牌分析结论，利用其中的特征4、5、6点可以构造牌照字符的格式模型，这个模型在其后的用来指导牌照定位后、字符识别前的字符分割。结合GA36-92标准，牌照图像的实际大小可能随着CCD摄像头采集的时机不同而产生一定的缩放，但是总体比例不会发生大的变化。设第1个字符中心和第2个字符的中心间距为一个长度单位，以第1个字符中心为原点，那么非使馆车牌的其余字符中心的横向位置应分别为：1，2.39，3.39，4.39，5.39和6.39，字符的宽度同

30、样为0.79。其次，利用分析结论7，可以利用字符在牌照的排列缩小候选字符的集合规模，加快识别速度或进行识别后结果的纠正判别。如果不知道字符在牌照中的排列位置，那么每个位置的候选字符可以达到70个，如果知道了它的位置，那么该位置的候选字符至多有34个，尤其是对牌照的第4、5、6位，候选字符只有10个数字。2.3.2 车牌号码定位牌照的定位和分割是牌照识别系统的关键技术之一，其主要目的是在经图像预处理后的原始灰度图像中确定牌照的具体位置，并将包含牌照字符的一块子图像从整个图像中分割出来，供字符识别子系统识别之用，分割的准确与否直接关系到整个牌照字符识别系统的识别率。由于牌照图像在原始图像中是很有特

31、征的一个子区域，确切说是水平度较高的横向近似的长方形，它在原始图像中的相对位置比较集中，而且其灰度值与周边区域有明显的不同，因而在其边缘形成了灰度突变10的边界，这样就便于通过边缘检测来对图像进行分割。其分割流程图如图2.3所示。图2.3 牌照定位与分割流程图牌照图像经过了以上的处理后，牌照区域已经十分明显，而且其边缘得到了勾勒和加强。但是车牌边缘并不是连续的，不利于根据其特征进行进一步的判断。此时可进一步确定牌照在整幅图像中的准确位置。这里选用的是数学形态学的方法，其基本思想是用具有一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据1

32、1，保持它们基本的形态特征，并除去不相干的结构。在本程序中用到了膨胀和闭合这两个基本运算，最后还用了bwareaopen来去除对象中不相干的小对象。经过上述方法分割出来的车牌图像中存在目标物体、背景还有噪声，要想从图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群，即对图像二值化。图像中对象物的形状特征的主要信息，常常可以从二值图像中得到。二值图像与灰度图像相比，信息量大大减少，因而处理二值图像的速度快，成本低，实用价值高。因此，在车牌字符切分前，首先对图像进行二值化处理。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给

33、一个模板，该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。图像的二值化处理就是将图像上的点的灰度值置为0或255，这样处理后整个图像呈现明显的黑白效果12，即将256个亮度等级的灰度图经过合适的阈值选取，而获得的二值化图像仍然可以反映图像整体和局部特征。二值化处理后的图像，其集合性质只与像素值为0或255的点的位置有关，不再涉及像素的其他级值，处理过程简单，且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255，否则，灰度值为0，表示背景或者其他的物体区域。如果某图

34、像在内部有均匀一致的灰度值，并且处在一个具有其他等级灰度值的均匀背景下，利用阈值法就能得到较好的切分效果。如果物体同背景的差别难以用不同的灰度值表现（比如纹理不同），可以把这些差别特征转换为灰度的差别，然后利用阈值法来切分该图像。动态调节阈值来实现图像的二值化可动态地观察其切分图像的具体结果。2.3.3 牌照区域的分割对车牌的分割可以有很多种方法，本程序是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识，采用彩色像素点统计的方法分割出合理的车牌区域，确定车牌底色蓝色RGB对应的各自灰度范围，然后行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域。然后

35、，在分割出的行区域内，统计列方向蓝色像素点的数量，最终确定完整的车牌区域。国内汽车牌照种类很多，为研究方便以常见的蓝色车牌为例来说明。2007 年颁布的车牌规范规定车牌总长440mm，牌照中的7个字符的实际总长为409mm左右，宽140mm，每个字符45mm宽，90mm高，字符间距为10mm ，其中第二个字符与第三个字符的间距较为特殊，为15.5mm，最后一个字符与第一个字符距边界25mm。这样，如果平均分配每个字符在牌照中占据的宽度，那么每个字符宽度为：width/7（width为车牌图像的宽度）。但是，实际上，第二个第三个字符之间存在一个黑点，牌照左右两边与图像边缘也都有一定的宽度，所以每

36、个字符的宽度应该小于 width/7。考虑所有的情况，一般情况下最小的宽度为 width/9。因此，字符的宽度可以从 width/9到width/7之间渐进的变化得到。2.3.4 牌照字符分割在车辆牌照准确定位后，本章主要是对车辆牌照识别中的字符切分算法进行研究，车牌字符切分的流程图如图2.4所示。图2.4 字符分割与归一化流程图在汽车牌照自动识别过程中，字符分割有承前启后的作用。它在前期牌照定位的基础上进行字符的分割，然后再利用分割的结果进行字符识别13。字符识别的算法很多，因为车牌字符间间隔较大，不会出现字符粘连情况，所以此处采用的方法为寻找连续有文字的块，若长度大于某阈值，则认为该块有两

37、个字符组成，需要分割。一般分割出来的字符要进行进一步的处理，以满足下一步字符识别的需要。但是对于车牌的识别，并不需要太多的处理就已经可以达到正确识别的目的。在此只进行了归一化处理，然后进行后期处理。完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。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间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果，其流程图如2.5所示。图2.5 牌照字符分割流程图2.4 车牌字符的识别2.4.1 车牌字符识别方法目前

38、已经提出的车牌字符识别14的方法有以下几种： （1）统计特征匹配法。统计特征匹配法的要点是先提取待识别模式的一组统计特征，然后按照一定的准则所确定的决策函数进行分类判决。实际应用中，当字符出现字符模糊、笔画融合，断裂、部分缺失时，此方法效果不理想，鲁棒性较差。（2）神经网络字符识别算法。这种网络互连较多，待处理信息量大，抗干扰性能好，识别率高，但是产生的网络结构比较复杂，输入模式维数的增加可能导致网络规模庞大。主要有两种方法：一种方法是先对待识别字符进行特征提取，然后用所获得的特征来训练神经网络分类器。其中，字符特征的提取是研究的关键，特征参数过多会增加训练时间，过少会引起判断上的歧义。另一种

39、方法是充分利用神经网络的特点，直接把待处理图像输入网络，由网络自动实现特征提取直至识别。（3）支持向量机模式识别算法。主要有两种方法应用于字符识别：一种是先对待识别字符进行特征提取，然后用所获得的特征来训练SVM分类器。另一种是直接将每个字符的整幅图像作为一个样本输入，不需要进行特征提取，节省了识别时间。支持向量机是Vapnik及其研究小组针对二类别的分类问题提出的一种分类技术，其基本思想是在样本空间或特征空间，构造出最优平面使超平面与不同类样本集之间的距离最大，从而达到最大的泛化能力。（4）模板匹配字符识别算法。在实际应用中，为了提高正确率往往需要使用大的模板或多个模板进行匹配，处理时间则随

40、着模板的增大以及模板个数的增加而增加。模板匹配字符识别算法的实现方法是计算输入模式与样本之间的相似性，取相似性最大的样本为输入模式所属类别。该方法识别速度快，但是对噪点比较敏感。这四种方法中，模板匹配是车牌字符识别最简单的方法之一。虽然在通常情况下用于匹配的图像各自的成像条件存在差异，产生较大的噪声干扰，或像经预处理和规格化处理后，使得像的灰度或像素点的位置发生改变，但是在实际设计模板的时候，是根据各区域形状固有的特点，突出各类似区域之间的差别，并将容易由处理过程引起的噪声和位移等因素都考虑进去，按照一些基于图像不变特性所设计的特征量来构建模板，就可以避免上述问题。神经网络字符识别算法是目前比

41、较流行的算法，但是由于模板匹配简单，所以在此次算法中选择模版匹配算法。2.4.2 模版匹配字符识别模板匹配是图像识别方法中最具代表性的基本方法之一，它是将从待识别的图像或图像区域f(i,j)中提取的若干特征量与模板T(i,j)相应的特征量逐个进行比较，计算它们之间规格化的互相关量，其中互相关量最大的一个就表示期间相似程度最高，可将图像归于相应的类。匹配时相似度函数定义为： （2.7）其中， 为待识别车牌字符图像中像素点 的灰度值，这里的取值为 0或1，为模板字符图像中像素点的灰度值，这里的取值为 0 或1；M 和N为模板字符点阵横向和纵向包含的像素个数。 匹配的步骤15为：（1）依次取出模板字

42、符，将模板字符按照上、下、左、右四个方向，在周围五个像素的范围内滑动，每次分别计算出相似度S值，取其中S的最大值作为字符与模板字符之间的相似度函数。（2）依次从待识别的字符与模板字符的相似度中找出最大相似度所对应的模板字符，判断是否大于该字符的阈值T，如果S大于T，那么待识别的字符的匹配结果就是该模板字符，反之，如果S小于T，表示不匹配，则需要重新检测。也可以计算图像与模板特征量之间的距离，用最小距离法判定所属类。模板匹配字符识别的流程图如图2.6所示。此处采用相减的方法来求得字符与模板中哪一个字符最相似，然后找到相似度最大的输出。汽车牌照的字符一般有七个，我国车牌第一位是汉字，紧接其后的为字

43、母与数字。车牌字符识别与一般文字识别在于它的字符数有限，汉字共约50多个，大写英文字母26个，数字10个。为了实验方便，结合本次设计所选汽车牌照的特点，只建立了4个数字26个字母与10个数字的模板。其他模板设计的方法与此相同。首先取字符模板，接着依次取待识别字符与模板进行匹配，将其与模板字符相减，得到的0越多那么就越匹配。把每一幅相减后差值最小的保存，即为识别出来的字符。图2.6 字符识别流程图3 仿真结果及分析车牌预处理的程序如下:I=imread(car1.png);figure(1),imshow(I);title(采集的图像);I1=rgb2gray(I);figure(2),imsh

44、ow(I1);title(灰度图像);I2=edge(I1,robert,0.08,both);figure(3),imshow(I2);title(robert算子边缘检测)se=1;1;1;I3=imerode(I2,se);figure(4),imshow(I3);title(腐蚀后图像);se=strel(rectangle,40,40);I4=imclose(I3,se);figure(5),imshow(I4);title(平滑图像的轮廓);I5=bwareaopen(I4,4000);figure(6),imshow(I5);title(从对象中移除小对象);输入图像如图3.1所

45、示。图3.1 输入图像输入图像经过预处理后的仿真结果如图3.2所示。图3.2 图像预处理后的仿真图车辆牌照的预处理就是将采集到的彩色图像进行，即RGB图像，然后进行字符的切割与识别。为了去除图像中的噪声点必须对截取的图像进行滤波处理，经滤波后，不仅去除了噪声，并且使图像得到了锐化。经过这些步骤可以使得最终识别出的图像与原图的相似度更高，即结果更精确。仿真的结果也使得车牌部分从原图被准确的提取出来了，达到了车牌定位及图像读取及其图像处理的目的。车牌字符定位及其图像处理，其程序如下；y,x=size(I5);myI=double(I5); %横向扫描 tic Blue_y=zeros(y,1);

46、for i=1:y for j=1:x if(myI(i,j,1)=1) Blue_y(i,1)= Blue_y(i,1)+1; end end endtemp MaxY=max(Blue_y); PY1=MaxY; while (Blue_y(PY1,1)=120)&(PY11) PY1=PY1-1; end PY2=MaxY; while (Blue_y(PY2,1)=40)&(PY2y) PY2=PY2+1; endIY=I(PY1:PY2,:,:);%IY为原始图像I中截取的纵坐标在PY1：PY2之间的部分%横向扫描结束%纵向扫描开始Blue_x=zeros(1,x);for j=1:xfor i=PY1:PY2 if(myI(i,j,1)=1) Blue_x(1,j)= Blue_x(1,j)+1; end end endPX1=1; while (Blue_x(1,PX1)3)&(PX1x