车牌识别毕业论文 - 图文

摘 要

车牌自动识别技术是实现智能交通系统的关键技术，对我国交通事业的发展起着十分重要的作用，进而影响我国的经济发展速度及人们的生活质量。车牌识别系统运用模式识别、人工智能技术，能够实时准确地自动识别出车牌的数字、字母及汉字字符，进而实现电脑化监控和管理车辆。一个车牌识别系统的基本硬件配置有照明装置、摄像机、主控机、采集卡等。而软件则是由具有车牌识别功能的图像分析和处理软件，以及能够具体满足应用需求的后台管理软件组成。车牌自动识别系统主要分为图像预处理、车牌定位、字符分割和字符识别等主要模块,也包括后续应用程序的开发。

针对不同的模块,本文研究分析了现有的理论算法,并提出了具有实际应用意义的解决方案。 1.在图像预处理模块,因为人眼对于不同颜色分量的敏感度不同,图像灰度化采用加权平均值法；二值化过程中阈值的选取至关重要,本文采用动态自适应阈值法,效果理想；边缘提取利用了拉普拉斯算子;去噪过程采用的是中值滤波方法；2.车牌定位模块包括粗定位和细定位,本文通过分析车牌的尺寸、类型、颜色,得到不同的特征向量,即车牌的几何特征、灰度分布特征、投影特征和字符排列特征等,利用这些特征进行车牌定位； 3.在车牌字符分割模块,提出了双向对比垂直投影分割法,该方法基于车牌的垂直投影,能够将字符准确的分割开,利于车牌字符识别: 4.本文对车牌数字和车牌字母及汉字提出了不同的处理方法,数字识别采用投影技术,汉字和字母识别应用BP神经网络技术,兼顾了识别准确率和识别速度;根据上述方法原理,基于MATLAB软件进行程序设计,编制了车牌自动识别软件。

关键字：车牌图像；图像处理；字符分割；BP神经网络

Abstract

License plate recognition technology is to realize the key technology of intelligent transportation system of our country, the development of the cause of traffic plays a very important role, then affects the economic development of our country and speed and people's quality of life. License plate recognition system with pattern recognition, artificial intelligence technology, to real-time accurately recognize the license plate number of automatic, letters and Chinese characters, and achieve computerized monitoring and management vehicles. A license plate recognition system of basic hardware configuration have lighting devices, video camera, master control machine, acquisition card, etc. And software is with license plate identification function by the image analysis and processing software, and can meet the demand of the specific application background management software component. License plate recognition system mainly divided into the image preprocessing, license plate location, character segment and character recognition and other major modules, including the follow-up application development.

In view of the different module, this paper analyzed the existing algorithm theory, and puts forward the practical significance of the solution. 1. In the image preprocessing module, for the human eye to different color the sensitivity of the component is different, the image intensity by weighted average method; In the process of binary of the threshold is very important to select is adopted in this paper, dynamic adaptive threshold value method, the effect ideal; Using the Laplace operator edge extraction; Denoising the process is the median filtering method; 2. The license plate localization module contains coarse position and fine positioning, the paper analyzes the license plate size, type, color, get different characteristic vector, namely the geometrical characteristics of the license plate, gray distribution, projection characteristics and characters arrangement characteristics, use these characteristics of the license plate location; 3. In the license plate character segmentation module, and put forward the two-way contrast vertical projection segmentation method, this method is based on the license plate vertical projection, can make the character of accurate separated, beneficial to the license plate character recognition: 4. This article on license plate Numbers and letters and characters put forward different processing methods, number recognition by projection technology, Chinese characters and letters recognition application BP neural network technology, and taking account of the identification accuracy and recognition rate; According to the above method, based on the MATLAB software program design, compiled the license plate recognition software.

Keywords License plate image, image processing, character segment, the BP

neural network

目 录

摘要 ........................................... 错误！未定义书签。 Abstract .......................................................... 2 第1章 绪论 .................................... 错误！未定义书签。 1.1 引言 ...................................... 错误！未定义书签。 1.2汽车牌照识别技术介绍 ....................... 错误！未定义书签。 1.2.1车牌识别自动识别系统主要模块简介 ........ 错误！未定义书签。 1.2.2 车牌识别的大致流程 ..................... 错误！未定义书签。 1.2.3 车牌识别技术的应用 ..................... 错误！未定义书签。 1.3 车牌识别技术的发展及研究现状 .............. 错误！未定义书签。 1.4我国汽车牌照识别的特殊性及车牌识别中的难点 . 错误！未定义书签。 1.5 本文的研究内容 ............................ 错误！未定义书签。 第2章 车牌图像处理方法简介 .................... 错误！未定义书签。 2.1 MATLAB在车牌识别过程中应用 .............. 错误！未定义书签。 2.1.1 MATLAB 发展历史 ...................... 错误！未定义书签。 2. 1.2 MATLAB 的语言特点 ................... 错误！未定义书签。 2.2用MATLAB实现车牌数字图像处理概述 ........ 错误！未定义书签。 2.2.1 数字图像的存储和显示 ................... 错误！未定义书签。 2.2.2图像的灰度化技术 ........................ 错误！未定义书签。 2.2.3 图像二值化技术 ........................ 错误！未定义书签。 2.2.4车牌图像的去噪处理 ...................... 错误！未定义书签。 2.2.5图像的增强 ............................... 错误！未定义书签。 2.2.6边缘检测 ................................ 错误！未定义书签。 2.3特征提取技术 ............................... 错误！未定义书签。 2.3.1纹理特征提取技术 ........................ 错误！未定义书签。 2.3.2形状和结构特征提取技术 .................. 错误！未定义书签。 2.4 图像分割技术 .............................. 错误！未定义书签。 2.4.1 图像分割技术简介 ....................... 错误！未定义书签。 2.4.2 车牌字符分割技术简介 ................... 错误！未定义书签。 2.5 字符识别技术 .............................. 错误！未定义书签。 2.5.1 字符归一化技术 ......................... 错误！未定义书签。 2.5.2 模板匹配 ............................... 错误！未定义书签。 2.6 本章小结 .................................. 错误！未定义书签。 第三章 车牌的特征及定位方法 .................... 错误！未定义书签。 3.1．汽车牌照的特征 ........................... 错误！未定义书签。 3.2车牌定位方法 ............................... 错误！未定义书签。 3.2.1基于纹理特性的车牌定位 .................. 错误！未定义书签。

第四章 车牌自动识别系统的实现 .................. 错误！未定义书签。 4.1图像采集 ................................... 错误！未定义书签。 4.2 车牌图像的预处理 .......................... 错误！未定义书签。 4.3车牌区域定位 ............................... 错误！未定义书签。 4.3.1 车牌粗定位 ............................. 错误！未定义书签。 4.3.2图像的倾斜矫正 .......................... 错误！未定义书签。 4.3.3车牌边框和柳钉的去除 .................... 错误！未定义书签。 4.3.4 车牌精确定位 ........................... 错误！未定义书签。 4.4 字符分割 .................................. 错误！未定义书签。 4.5 字符识别 .................................. 错误！未定义书签。 4.5.1 BP神经网络分类器的设计和应用 ........... 错误！未定义书签。 4.5.2 BP神经网络的设计 ........................ 错误！未定义书签。 4.5.3 训练样本的选取 .......................... 错误！未定义书签。 4.5.4 BP网络的识别过程 ........................ 错误！未定义书签。 4.5.5 测试结果及分析 .......................... 错误！未定义书签。 结论 ........................................... 错误！未定义书签。 致谢 ........................................... 错误！未定义书签。 参考文献 ....................................... 错误！未定义书签。 附录 ........................................... 错误！未定义书签。

第一章 绪 论

1.1引 言

自工业革命以来，为从根本上解决交通状况问题，人们采用各种新技术把车辆、道路、使用者紧密联系起来，如计算机技术、信息技术、通信技术、电子控制技术，有效解决交通阻塞问题，对交通事故应急处理、环境保护、能源节约都有显著效果，从此智能交通系统(Intelligent Transportation System)应运而生[1]。ITS系统是以汽车牌照为特定目标的专用计算机视觉系统，是计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一。

该系统通过对道路交通流信息进行实时监测，及时了解交通状况，根据交通流的动态变化迅速做出交通诱导控制、减轻道路拥塞程度、减小交通工具的运行延误、降低交通事故发生概率、保障行车安全高效、使相关的交通设施得到充分合理的运用。它可广泛应用于交通流量检测，交通控制与诱导，机场、港口、小区的车辆管理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，且具有广阔的应用前景。但现实中使用的车牌识别系统需要较严格的条件与环境，在夜晚、雨雾天气和复杂背景等特殊情况时，鲁棒性、通用性都较差。因此对其进行研究具有较大理论意义和实际应用价值[2－4]。

近年来随着高速公路在我国的迅速发展，我国重要交通要道年流量大，过境车辆较多。各省高速公路的配套机电设施正在逐步完善的同时，交通部在全国大部分省市内及区域内开始实施高速公路联网收费。车辆动态管理系统应运而生。该系统的关键技术正是车辆牌照自动识别技术。利用该技术可以实现集统计、分析、特殊车辆自动提示于一体的智能化系统。该系统在分析车辆地域性、提高收费车道的通行能力和堵漏增收方面效果显著。有力的改善了高速公路的服务质量和服务效率。该系统的优势如下：

1．该系统可以在十几分钟的时间内完成某一时段数万辆车的归属地、车辆收费类型分布等信息的统计、分析工作，并输出一系列的报表。可大大节省以前做这些工作所需要的人力、物力。

2．该系统在堵漏增收方而效果突：对有闯岗记录的车辆在经过收费站时，管理系统自动对收费员给予提示，进而治理车辆逃费。在追缴通行费的同时，也使得逃费车辆逐渐下降。

3．该系统有效提高了车辆的通行能力。防汛车辆、森林消防车辆等固定车牌号码的车辆在经过收费站时，电脑也可以自动进行提示，缩短了收费人员查验证件的时间，从而减少了车辆在车道的积压。

1.2 汽车牌照识别技术介绍

1.2.1车牌自动识别系统主要模块简介

车牌自动识别系统主要模块包括：触发模块、成像模块、识别模块、通信模块和应用模块五部分。该系统的关键是成像模块和识别模块。

1．触发模块：自动检测车辆在指定区域的存在，常用的触发方式有：线圈触发、视频触发、红外触发、雷达触发、激光触发。目前，收费系统中使用最多的是线圈触发。

2．成像模块：用成像控制和补光技术，使得摄像机全天在各时段各种复杂气候下都能清晰成像。利用定向反射与自然光相结合的识别原理，来提高牌照识别率和定位率。摄像机二次开发和智能补光技术，确保了成像质量不受大灯和光线明暗的影响一成像清晰、识别牢高。

3．识别模块：抓拍车辆罔像，采用图像处坪和模式识别技术对抓拍的图像分析、识别。

4．通信模块：根据通信协议，识别模块跟 之相连的设备进行数据交互。 5．应用模块：根据车辆信息化管理的需要，对车辆牛H关信息进行存储、查询、分析等，以达到应用的目的。

1.2.2 车牌识别的流程

典型的车牌识别系统由图像采集、图像预处理与图像识别3个步骤组成，其中图像采集通过拍摄照片完成，主要靠硬件支撑；图像预处理主要是通过二值化、锐化、降噪等步骤处理图片信息，获得图片的关键部分，即车牌字符；特征是车牌字符特点的表现形式，每个字符都有其自身特征，用于后续的识别。流程如图1-1所示。

图像采集 图像预处理 车牌识别 相机拍摄 灰度化 二值化 梯度锐化 降噪 分割 归一化 匹配 图1-1车牌图像预处理流程图

1.2.3 车牌识别技术的应用

车牌识别技术作为交通管理自动化的重要手段和车辆检测系统的一个重要环节，该技术能经过图像抓拍、车牌定位、图像处理、字符分割、字符识别等一系列算法运算[3]，识别出视野范围内的车辆牌照号码，它运用数字图像处理、模式识别、人工智能技术，对采集到的汽车图像进行处理的方法，能够实时准确地自动识别出车牌的数字、字母及汉字字符，并以计算机可直接运行的数据形式给出识别结果，使得车辆的电脑化监控和管理成为现实。其在交通监视和控制中占有很重要的地位，可以应用到以下一些领域： 1. 高速公路收费管理系统

在高速公路收费入、出口分别完成车牌号码识别和车牌匹配工作，实现不停车收费；还可以根据识别出的车牌号码从数据库中调出该车档案材料，可发现没有及时交纳养路费的车辆。 2． 高速公路超速自动化监管系统

该系统以车牌识别技术为核心技术，辅助其他高科技手段，建立高速公路超速无人值守的自动监测和自动布控系统，可以有效地解决高速公路上因超速造成交通事故；同时当车辆超速时，可以获取该车的图像，并得到该车的牌照号码，便于对违规车辆的处罚。 3．公路布控管理系统

该系统采用车牌识别技术，可以发现失窃车辆并定位出车辆在道路上的行驶位置，这对防范、发现和追踪车辆的犯罪，保护重要车辆(例如运钞车)的安全有重大作用，从而对城市的治安及交通安全有重要的保障作用。 4．城市交通路口的“电子警察”

利用车牌识别系统的摄像设备，可以监视相应路段的交通状况，获得车辆密度、对长等交通信息，利用此信息来控制交通流量并且可以防范和观察监测交通事故。它是我国交通管理中体现科技强警的一项重要举措，它缓解了日益繁忙的交通勤务管理与警力严重不足之间的矛盾。同时在一定程度上消除了道路交通管理在空间和空间上的盲点，有效抑制了机动车驾驶员的违章行为。随着技术的不断进步，电子警察系统已由早期单一的闯红灯抓拍演变为多项违章内容的监控系统。一般包括，超速行驶、违章压黄线、禁区停车、逆行等几项内容。此外，对打击有记录的黑车也有很大的帮助，使之无所遁形、束手就擒，大大的节省了警力，真正意义上地规范了城市交通秩序。 5．停车场收费管理系统

将车牌识别设备安装于出人口，记录车辆的车牌号码、出入时间，并与自动门、栏杆机的控制结合，实现车辆的自动管理。应用于停车场可以实现自动计时收费，也可以自动计算可用车位数量并给出提示，实现停车收费自动管理节省人力、提高效率。

6．封闭式居民小区物业管理及重要部门的保安管理

在小区及重要部门的人口处设有自动车牌识别系统，对进出车辆自动识别，并根据数据库中的车牌数据判断是否是小区内的车辆，如果是则放行并记录其进区时间，以便出现车辆被盗等情况的查询；对小区外的车辆，要求其登记后方可进入。

1.3 车牌识别技术的发展及研究现状

车辆牌照在交通系统管理中有着重要的作用，从20世纪90年代初，国外的研究人员就已经开始了对车牌识别的相关研究，其中具有代表性的工作有：R．Parisi利用DSP和神经网络技术开发出了一套车牌识别系统。Young Sung Soh[5]开发出一套实时车牌识别系统，该系统的车牌定位正确率可以达到99.2％。西方发达国家的自动识别系统已经进人了实用化阶段，全世界已有多家厂商推出此类产品，如新加坡Potasia公司推出的IMPS(Integrated Multi—Pass System)，以色列Hi-Tech公司推出的See／Car System[6]。下面是几种国外研制的系统：

1.REAL—TIME VEHICLE NUMBER PLATE

REC0GNITION该系统是一套便携式车牌识别设备，外部仅需要一个12V电源和一个摄象头。它只需车牌图象视频输入，而无须其他的触发引擎，能在各种天气情况下的白天和夜晚工作。

2.VEHICLE NUMBER PLATE REC0GNIT10N VNPR系统主要应用于找寻被盗的汽车、停车场的控制和交通流量的统计方面。VNPR的主要工作是车牌的定位、字符的切割和字符的识别，这几部分的工作是紧密结合在一起的。 3.CARINA软件开发包

CARINA图象识别软件包能监测定位和识别世界上不同国家的汽车牌照。可集成汽车牌照识别(ANPR)技术到系统和应用中去；使方案提供者，开发者，系统集成商共同受益。

4.LPR (LICENSE PLATE RECOGNITION)

License Plate Recognition系统能应用到停车场、入口控制、交通监测等场所，能检测和识别汽车车牌。它可以作为一个WINDOWS的动态连接库方便的集成到应用系统中去。除以上介绍的几家公司研究的系统以外，还有很多国外公司都有相应的车牌识别系统产品，他们的产品都提高了车辆管理的自动化[7]。

我国高校科研实验室也在进行该方面的研究，如西安交通大学的图像处理和识别研究室、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩[8]。

从整体上说，目前的车辆监测系统，大多是对车辆的数量、速度、大小、外型、种类等粗略特征的自动识别，而对类似车辆牌照等较为精细的特征信息的识别由于许多条件前提限制而应用不广泛[9]。

虽然市面上这些产品在一定的条件下能够定位到车牌，但车牌识别系统大

多是利用摄像机室外拍摄汽车图像，存在许多客观的干扰，如天气、背景、车牌磨损、牌照倾斜等因素，因此定位识别并不十分理想，特别对于我国的车牌，由于汉字的特殊性，往往会产生拒识或误识的现象[10]。还没有出现十分成熟的车牌识别系统。

1.4 我国汽车牌照识别的特殊性及车牌识别中的难点

近来年国内的机动车辆规模大幅度的增加。据统计：我国机动车数量 2000年保有量为 8546 万量，截止到 2011 年 2 月保有量超过 18000 万量。全国机动车量年均增长率在 15﹪以上。因此在我国实现车牌自动识别是很有意义的。然而我国车辆与车牌现状使得该技术实现起来具有一定的困难。主要影响分析如下：

1.我国不同类型的车牌底色和字符色种类偏多，并且牌照格式（车牌大小、字符排列等）不一。

车牌的底色有兰色、黄色、白色、黑色。小车车牌（包括小吨位的货车）是兰色。大车或农用车用的车牌及教练车车牌，还有新产品为定型的试验车并且摩托车车牌均是黄牌。特种车车牌（如军车警车车牌及赛车车牌）是白色。外商及外商的企业由国外自带车的车牌是黑色。 大型民用汽车为黑字黄底； 小型民用汽车为白字蓝底； 武警专用汽车为白底红“WJ”、黑字； 其它外籍汽车是黑底白字； 使、领馆外籍汽车均为黑底白字及空心“使”字标志； 试车牌照是白底红字且数字前有“试”字标志； 临时牌照为白底红字，数字前有“临时”二字； 汽车补用牌照：白底黑字。 绿色民航车用牌，只在机场范围内使用。

2.车牌的质量无法保证。有些车牌有污迹或破损，有的车牌字迹模糊不清，这些因素都会极大地影响车牌的识别率。

3.车牌的悬挂位置不定、高度不一，我国在这方面并无统一规定。

4.我国车牌中均伴有相关汉字，并且有些车牌的数字中夹杂字母，均使车牌识别过程变得复杂化。

限制我国车牌自动识别技术的应用和推广的原因主要有以下三个方面：

1．识别速度实行较慢，对高速交通流无法处理；

2．识别率波动较大，只有在较为理想的环境下才能达到较高的识别率； 3．系统的设计合理性较差，不易于移植和升级，从而造成了使用寿命较短，最终导致系统的推广和维护价值较高。

至今为止，国内外的许多学者和专家对车牌自动识别系统做了广泛的研究，提出了许多新的、快速的算法，并不断进行改进。一种较常见的方法是采用扫描的车牌提取方法：他利用车牌区域在逐行扫描时会呈现规律起伏这一现象，达到定位车牌区域的目的；缺点是对环境要求比较严格，限制了这种方法在实际场景中的运用。还有一种是利用边缘检测的方法：它是利用提取图像边缘的信息进行分析，进而确定车牌所在位置：其缺点是对边缘的连续性要求比较高，

当图像降质或背景较复杂都能造成定位效果较差。为了解决车牌自动识别过程中处理速度这个关键环节，有人提出使用分布式系统进行处理，但这种方法实现难度大，成本高离真正实用化还存在一定差距。

1.5 本文研究内容

本文应用数字图像处理技术进行车牌定位和分割、对字符进行特征提取、并利用BP神经网络对特征进行训练和识别来解决牌照字符识别问题。将图像处理技术与模式识别技术紧密结合，针对汽车牌照识别的主要应用技术和现阶段的发展动向，提出了车牌识别系统的设计方案。在理论上着重分析了车牌的定位和字符分割方法，车牌的准确提取和字符分割是进行字符识别的前提和基础，关系到最终识别结果的好坏；最后对切割出的单个字符提取特征送入BP神经网络识别器进行识别。在此基础上，设计了车牌识别系统的软件系统，包括车牌的定位与分割和车牌字符的识别。这两部分是相辅相承，缺一不可的。车牌定位与字符分割是为字符的识别做准备，是字符识别正确的前提保证，而字符的识别则关系到最终输出的识别结果。具体实现法如下。 1．车辆牌照的定位

首先对车牌图片进行灰度变换，并提取出HSI彩色空间信息；利用改进的直方图均衡化算法和中值滤波对图像进行增强处理，以利于后面的车牌定位。应用Prewitt和Canny算子相结合的边缘检测检测出边缘信息，然后采用一种基于纹理特征和HSI颜色特征相结合的定位方法，提取出车牌位置。 2．字符的分割

首先对车牌进行二值化、倾斜校正、去除干扰和边框，然后利用垂直投影信息结合字符排列特征的垂直分割方法分割字符[13]。 3．基于BP神经网络的车牌字符识别

对分割后的单个字符进行尺寸归一化的处理，统一为32*16。采用小波变换结合网格法提取出待识别字符的16维特征信息。把提取出的字符小波网格特征作为输入，利用改进的BP神经网络进行训练，最后识别出字符[14]。

[12]

第二章 车牌图像处理

2.1 MATLAB在车牌识别过程中应用

2.1.1 MATLAB 发展历史

MATLAB 是一门计算机编程语言，取名来源于 Matrix Laboratory，本意是专门以矩阵的方式来处理计算机数据，它把数值计算和可视化环境集成到一起，非常直观，而且工具箱提供了大量的函数功能强大，具有良好的开放性和可靠性，应用范围广泛。20 世纪九十年代， MATLAB 已经成为国际控制界公认的标准计算软件，在数值计算方面独占鳌头。Mathcad 因其提供计算、图形、文字处理的统一环境而深受中学生欢迎。 国际学术界， MATLAB 已经被确认为准确、可靠的科学计算标准软件。在设计研究单位和工业部门， MATLAB 被认作进行高效研究、开发的首选软件工具。如美国 National Instruments 公司信号测量、分析软件 LabVIEW ， Cadence 公司信号和通信分析设计软件 SPW 等，或者直接建筑在MATLAB 之上，或者以 MATLAB 为主要支撑。又如 HP 公司的 VXI 硬件， TM公司的 DSP ， Gage 公司的各种硬卡、仪器等都接受 MATLAB 的支持。

2.1.2 MATLAB 的语言特点

一种语言之所以能如此迅速地普及，显示出如此旺盛的生命力，是由于它有着不同于其他语言的特点。MATLAB给用户带来的是最直观、最简洁的程序开发环境。

以下简单介绍一下MATLAB的主要特点[6]：

（1）语言简洁紧凑，使用方便灵活，库函数极其丰富。MATLAB程序书写形式自由，利用其丰富的库函数避开繁杂的子程序编程任务，压缩了一切不必要的编程工作。由于库函数都由本领域的专家编写，用户不必担心函数的可靠性。可以说，用MATLAB进行科技开发是站在专家的肩膀上。

（2）运算符丰富。由于MATLAB是用C语言编写的，MATLAB提供了和C语言几乎一样多的运算符，灵活使用MATLAB的运算符将使程序变得极为简短。

（3）MATLAB既具有结构化的控制语句（如for循环、while循环、break语句和if语句），又有面向对象编程的特性。

（4）语法限制不严格，程序设计自由度大。例如，在MATLAB里，用户无需对矩阵预定义就可使用。

（5）程序的可移植性很好，基本上不做修改就可以在各种型号的计算机和操作系统上运行。

（6）MATLAB的图形功能强大。在FORTRAN和C语言里，绘图都很不容易，但在MATLAB里，数据的可视化非常简单。MATLAB还具有较强的编辑图形界面的能力。

（7）MATLAB的缺点是：它和其他高级程序相比，程序的执行速度较慢。由于MATLAB的程序不用编译等预处理，也不生成可执行文件，程序为解释执行，所以速度较慢。

（8）功能强劲的工具箱是MATLAB的另一重大特色。MATLAB包含两个部分：核心部分和各种可选的工具箱。核心部分中有数百个核心内部函数。其工具箱又可分为两类：功能性工具箱和学科性工具箱。功能性工具箱主要用来扩充其符号计算功能、图示建模仿真功能、文字处理功能以及与硬件实时交互功能。功能性工具箱能用于多种学科。而学科性工具箱是专业性比较强的 ， 如 control 、 toolbox 、 signal processing toolbox 、 communicationtoolbox等。这些工具箱都是由该领域内的学术水平很高的专家编写的，所以用户无需编写自己学科范围内的基础程序，而直接进行高、精、尖的研究。

2.2用MATLAB实现车牌数字图像处理概述

2.2.1 数字图像的存储和显示

图像采集到计算机中，是以图像文件的形式存储的，在需要使用时，由程序对这些文件进行及信息处理。

1.图片的文件结构

1）头文件，用于存放图像基本信息，包括各种特征参数、像素数据和调色版数据在文件中的位置，以及文字注释等；

2）像素数据，以位图的形式存放，每像素数据对应图像相应位置上的颜色值，具体颜色值的定义由调色板数据提供；

3）调色板数据，是指二值、16色、256色彩色图像的色调数据，真彩色图像的像素数据中已有颜色分量，故不再需要调色板信息。

应该注意的是图像的扫描方向（存储顺序），大多数图像文件采取的扫描方向为自上而下（如TIF和JPEG文件等），少数为自下而上（如BMP文件等）。

2.图像显示

图像显示过程是按照图片存储过程相反方向进行。

2.3图像的灰度化技术

将彩色图像转化为灰度图像的灰度化。彩色图像每个像素包含R、G、B三个颜色分量，每个颜色分量有256个中值可取。而灰度图像是R、G、B三个颜色

分量值相等的特殊的颜色图像[7]。

在RGB模型中，如果R＝G＝B时，则彩色表示一种灰度颜色，其中R＝G＝B的值叫灰度值，因此，灰度图像每个像素只需一个字节存放灰度值（又称强度值、亮度值），灰度范围为0到255。一般有以下四种方法对彩色图像进行灰度化：

1.分量法

将彩色图像中的三分量的亮度作为三个灰度图像的灰度值，可根据应用需要选取一种灰度图像。

f1?i,j??R(i,j)f2?i,j??G?i,j?f3?i,j??B?i,j? （2-1） 其中fk?i,j?(k?1,2,3)为转换后的灰度图像在?i,j?处的灰度值。 2.最大值法

将彩色图像中的三分量亮度的最大值作为灰度图的灰度值。

f?i,j??maxR(i,j)G?i,j?B?i,j? （2-2） 3．平均值法

将彩色图像中的三分量亮度求平均值得到一个灰度图。

f?i,j??(R(i,j)?G?i,j??B?i,j?)3 （2-3）

4．加权平均法

根据重要性及其他指标，将三个分量以不同的权值进行加权平均。由于人眼对绿色的敏感最高，对蓝色敏感最低，因此，按下式对RGB三分量进行加权平均能得到较合理的灰度图像。

f?i,j??0.299R(i,j)?0.588G?i,j??0.114B?i,j? （2-4）

2.4 图像二值化技术

图像的二值化即把灰度图像处理成二值图像的过程。二值化的关键是要找到合适的阈值来区分对象和背景。灰度图像二值化能显著减小数据存储的容量，并能降低后续处理的复杂度。根据阈值选取方法的不同，二值化方法主要分为三类：全局阈值法、局部阈值法和动态阈值法[8]。

1.全局阈值二值化

全局阈值二值化方法是根据图像的直方图或灰度空间分布确定一个阈值，并且据此阈值实现灰度图像到二值化图像的转化。典型的全局阈值法包括Ostu方法、最大熵方法等。全局阈值方法的优点在于算法简单，对目标和背景明显分离、直方图是双峰的图像效果良好，但对输入图像量化噪声或不均匀光照等情况抵抗力差，应用受到限制。

2.局部阈值二值化

由像素?i,j?的灰度值f?i,j?和像素周围点的局部灰度特性确定阈值的方法称为局部阈值选择法。非均匀光照条件等情况虽然影响整体图像的灰度分布却不影响局部的图像性质。邻域的规定及邻域计算模板的选取都是决定算法效果的关键因素。局部阈值法也存在缺点和问题，如实现速度慢，不能保证字符笔画连通性，以及容易出现伪影现象等。

3.动态阈值二值化

当阈值选择不仅取决于该像素阈值以及其周围像素的灰度值，而且还和该像素坐标位置有关时，称之为动态阈值选择法。由于充分考虑了每个像素邻域的特征，能更好的突出背景和目标的边界，使相距很近的两条线不会产生粘连现象，可以处理低质量甚至单峰值直方图图像。但是，这种方法的计算量很大，运算速度一般比较慢。

阈值计算公式：

T?Gmax??Gmax?Gmin?图像二值化公式：

3 （2-5）

（2-6） f?x,y??

f?x,y??T01f?x,y??T2.5 车牌图像的去噪处理

在图像中，由于获取图像的设备会产生噪声，在图像传输过程中也会存在

噪声，而车牌本身也会有噪声，这就使得我们获得的图像都夹杂着或多或少的噪声。是否需要将图像进行去噪处理，这取决于噪声对图像的影响程度。一般来说我们只有对图像进行去噪处理后才能更好的实现车牌的分割和识别。一般将图像中的噪声分为两种：一种是加性噪声，另一种是乘性噪声。加性噪声和原图像是加的关系，可以用表达式2.7表示。而乘性噪声和原图像数据是相乘的关系，可用表达式2-8表示。

g?x,y??f?x,y????x,y? （2-7） g?x,y??f?x,y????x,y? （2-8）

产生的噪声会因产生原因的不同而表现出不同特点。常见的噪声类型有：均匀分布噪声、高斯噪声、脉冲噪声、指数分布噪声、瑞利噪声、伽马噪声等噪声类型。在去噪时，我们需要根据噪声的特点采取相应的方法去噪。大体上可以分为两种，一种是在时域进行去噪，另一种是在频域进行去噪。这两种方法是根据不同的思想进行去噪的，一个是利用信号和噪声的时域特征来去噪，另一个是利用信号和噪声的频域特征来去噪。不管是哪一种方法，我们都是为了将信号和噪声分离从而得到一个含有少量噪声的图像数据。在时域上去噪的方法有很多种，比如：均值滤波、顺序滤波、自适应滤波等滤波方法。而在频域上去噪主要是利用噪声和信号所占频带的不同从而将其分离，根据噪声所在不同的频带，我们可以采用低通滤波和带通滤波来去噪。

2.6 图像的增强

图像增强，即增强图像中的有用信息，一般是一个失真的过程，其目的是要增强视觉效果，将原来不清晰的图像变得清晰或强调某些感兴趣的特征，抑制不感兴趣的特征，使之改善图像质量、丰富信息量，加强图像判读和识别效果。

图像增强的目的是改善图像的视觉效果，针对给定图像的应用场合，有目的地强调图像的整体或局部特性，扩大图像中不同物体特征之间的差别，满足某些特殊分析的需要。其方法是通过一定手段对原图像附加一些信息或变换数据，有选择地突出图像中感兴趣的特征或者抑制图像中某些不需要的特征，使图像与视觉响应特性相匹配。

图像增强按所用方法可分成频率域法和空间域法。采用低通滤波(即只让低频信号通过)法，可去掉图中的噪声；采用高通滤波法，则可增强边缘等高频信号，使模糊的图片变得清晰。具有代表性的空间域算法有局部求平均值法和中值滤波(取局部邻域中的中间像素值)法等，它们可用于去除或减弱噪声。

结合对车辆牌照特征的分析以及对各种定位方法的比较，本系统采用的是基于行扫描灰度跳变分析的车牌定位方法。该方法综合了基于纹理特征分析和基于边缘检测分析方法的特点，具有速度快和准确性高的优点。

2.7 边缘检测

图像的边缘是图像的最基本的特征。所谓边缘是指周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。物体的边缘是由灰度不连续性所反映的。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要基础。图像分析和理解的第一步往往是边缘检测。

一般边缘的提取方法是考察图像的每个像素在某个领域内灰度的变化，利用边缘邻近一阶或二阶方向导数变化规律，选取适当的算子，用卷积的方法检

测边缘。边缘提取的，最大好处就是能够突出边缘区域，并使背景图像中无关的部分暗淡。车牌部分是边缘相对集中的区域，在对其边缘分割后，可看到车牌部分很明显的突现出来。

图像边缘检测大幅度地减少了数据量，并且剔除了可以认为不相关的信息，保留了图像重要的结构属性。常用的边缘检测方法有Sobel算子、Roberts算子、Prewitt算子等。

1. Roberts算子

Roberts算子是最古老的算子之一，是一种交叉差分算子。由于它只使用当前像素的2×2邻域，是最简单的梯度算子，所以计算非常简单。Roberts算子计算时利用的像素一共有4个，可以用模板对应4个像素与模板相应的元素相乘相加得到。

Roberts算子边缘定位准，主要缺点是其对噪声的高度敏感性，原因在于仅使用了很少的几个像素来近似梯度。实用于边缘明显且噪声较少的图像分割。因此，通常用3×3的邻域计算梯度值。

2. Sobel算子

采用梯度微分锐化图像，同时会使噪声、条纹等得到增强，Sobel算子则在一定程度上克服了这个问题。Sobel算子不像普通梯度算子那样用两个像素的差值，这就导致了两个优点：

1）由于引入了平均因素，因而对图像中的随机噪声有一定的平滑作用； 2）由于它是相隔两行或两列之差分，故边缘两侧元素得到了增强，边缘显得粗而亮。 3.Prewitt算子

Prewitt算子进行计算时要用到9个像素。对于每个方向的梯度，可以用模板对应的9个像素与模板相应的元素相乘相加得到，其计算过程与Roberts算子类似。

Prewitt算子对噪声有抑制作用，抑制噪声的原理是通过像素平均。但是像素平均相当于对图像进行低通滤波，所以Prewitt算子对边缘的定位不如Roberts算子。

4. Canny算子

Canny算子是基于图像一阶导数特性的效果最佳的边缘检测算法。Canny算法其实是在边缘检测的过程中引入了一些边缘连接的思想，所以其效果比较理想。

Canny算子的基本原理是通过查找图像梯度强度局部的最大值的方法来得到边缘信息，图像梯度的计算采用Gauss滤波器。为了消除噪声干扰、提高边缘检测的精度，Canny算子采用双阈值来提取边缘点。高阈值用于提取对比度较强的边缘像素点。如果梯度强度不满足高阈值的检测条件，但是与已检测出的较强边缘点相连接，并且满足低阈值条件，则确定为弱边缘点。双阈值法使Canny算子提取的边缘点更具有鲁棒性。

利用Canny算子检测图像边缘的关键是选取适当的Gauss滤波器参数以及双阈值。Gauss滤波器的标准差σ参数影响着边缘提取的尺度，σ越小，边缘的定位精度越高，但是不能有效地抑制虚假边缘和噪声；σ越大，对小尺度边缘和噪声点的抑制越强，同时降低定位精度。

5. Laplacian算子

为了突出增强图像中的孤立点、孤立线或孤立端点，在某些实际用途中常采用Laplacian算子，这个算子是旋转不变算子。以上四种算子为一阶算子，而Laplacian算子为二阶算子。Laplacian算子是近似只给出梯度幅值的二阶导数的流行方法。通常使用3×3的掩模，根据邻域不同可以分为4邻域和8邻域。

Laplacian算子对于边缘比较敏感。一般增强技术对于陡峭的边缘和缓慢的边缘很难确定其边缘线的位置，此算子可以用二次微分正峰和负峰之间的过零点来确定。

Laplacian算子对噪声比较敏感，所以图像一般先经过平滑处理。因此Laplacian算子通常与平滑算子结合使用来对图像进行分割。Laplacian算子的一个缺点是它对图像中的某些边缘产生双重响应。

2.8特征提取技术

2.8.1纹理特征提取技术

纹理是图像分析和识别中常用的概念，但目前尚无对它正式的定义，一般说来可以认为纹理是由许多相互接近的、相互编制的元素构成，并常富有周期性。也 可以认为是灰度在空间以一定的形式变化而产生的图案。

主要方法是灰度直方图统计法。直方图是图像窗口中，多种不同灰度的像素分布的概率统计。纹理是像素灰度级变化具有空间规律性的视觉表现。因此，可以根据灰度的规律性变化来找到图像中的纹理特征。

2.8.2形状和结构特征提取技术

对于一个图像识别系统而言，物体的形状是一个赖以识别的重要特征。一个图像的形状和结构特征有两种形式，一种是数字特征，主要包括几何属性和拓扑属性；另一种是句法语言。

由于我们感兴趣的是图像的形状和结构特征，所以其灰度信息往往可以忽略，只要能将目标和背景分离即可，常用的一种技术就是图像的二值化。将感兴趣的部分标以最大灰度级，把背景标以最小灰度级。

2.9 本章小结

本章主要介绍了有关系统开发的基础知识和相关算法。这些知识对系统的设计起到了一定的参考作用，也有利于对系统的理解。

第三章 车牌的特征及识别相关技术

3.1．汽车牌照的特征

汽车牌照作为车辆的唯一标识，其特征也就成为车牌定位的重要参考依据。车辆牌照的特征有形状特征、字符特征和灰度变化特征等。车牌定位系统在处理这些特征时将会应用到数字图像处理技术。 (1 )形状特征

标准车牌的宽、高、以及宽高比一定。车牌的边缘是线段围成的有规则的矩形，大小变化有一定的范围。汽车前车牌的标准外轮廓尺寸为440xl4O，每个字符宽度为45，高度为9O，间隔符宽10，字符间隔l2。整个车牌的宽高比近似为3：1。实际中摄像机的拍摄角度不同，拍摄到的车牌宽高比例会有所差别。 (2 )字符特征

标准车牌首位为省名简称，共有31个字符(不考虑军、警车)；次位为英文字母(除去“I”)共25个英文大写字母，再次两位为英文字母或阿拉伯数字(字母除去字母“I”和字母“O”)，各有34个字符；最末三到四位均为数字。 (3 )灰度变化特征

车牌的底色、边缘颜色以及车牌外的颜色都是不相同的，表现在图像中就是灰度级互不相同，这样在车牌边缘形成了灰度突变边界。实际上，车牌的边缘在灰度上的表现是一种屋脊状边缘，在车牌区域内部，穿过车牌的水平直线其灰度呈现连续的波峰、波谷、波峰的分布，车牌区域内的边缘灰度直方图具有两个明显并且分离的分布中心，车牌区域内的水平和垂直投影呈现连续的波峰、波谷、波峰的分布。这部分特征主要用在对灰度图像进行车牌定位、字符分割方面。

3.2车牌定位方法

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[9]： (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。本文结合车牌纹颜色与数学形态学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，均能取得较好的定位

效果。

3.3 车牌定位的原理

要想从一整幅车牌图像包括车身、背景等中提取出车牌，必须抓住车牌的最主要特征，利用它来提取车牌图像。根据我国机动车牌号(GA36—92)标准[10]，所有的牌照都是矩形的，而且长宽的标准尺寸为44cm 和14cm，本文根据牌照的这一特征来进行车牌的定位。车牌的长宽比为22：7，故面积与周长的平方的关系为

22a?7a2?7a?22a?2?122，其中a为车牌的宽，可调用area2(7a+22a)和perimeter

函数分别计算面积和周长。若检测到某区域的面积与周长的平方之比为近似为

122则可确定为车牌部分。

3.3.1车牌定位中应用的算法

车牌识别过程中常用的算法如下[11]：

(1)特征提取：提取水平灰度跳变特征。对经过了水平平滑的灰度图像，选取适当阈值T ，将每一行各像素与其前一像素比较，若灰度差绝对值超过 T，则记为l，否则记为0，从而完成对灰度图像进行水平方向灰度跳变特征的提取。实验证明，此方法与传统边缘检测相比，特征提取效果更显著、噪音更小。以水平方向为对象是因为车牌在水平方向较垂直方向灰度跳变特征更为明显。

(2)水平方向粗定位：对由生成的二值图像，结合先验知识，即图像中车牌位置以下的部分与车牌以上的部分相比干扰要小很多，采取由下至上的行搜索方法。当某1行的1个值个数与整行像素之比值大于一定阈值时，便记下行位置x1，继续逐行上移搜索，当比值小于阈值时记下行位置x2，xl与x2形成坐标对，若x1与x2距离超过较小的高度（以400×300为例，车牌高度应大于l0，所以选择10)时，即确定其为车牌水平方向切割位置(为了防止少切，分别对x1和x2进行向下和向上的适当延伸)；否则，排除此xl和x2，并继续向上搜索寻找x1、x2坐标对，直到确定x1、x2为止，并对二值图像切割。为了增强稳定性，可以用双行比值代替单行比值，此时应缩小判定阈值。

(3)垂直方向粗定位：设由(2)切割出来的图像为A，对A进行除噪处理后。先用1个与A等高度、宽度与高度相同的矩形框体B对A从左至右遍历搜索，若B中1值像素之和与B中全部像素之比大于一定阈值时，记录此时列位置为yl，然后用同样方式从右之左搜索，获得列位置y2。用y1与y2对A切割，完成垂直方向的粗定位。

(4)精确定位：在以往的车牌识别方法中，Hough变换线检测一般只用于车牌矫正，实际上Hough变换线检测更可用来做车牌定位。Hough变换提取直线的原理[12]：

对于图像空间中的任意一点?x0,y0?，将其变换为参数空间??,r?中的l条曲线r?x0cos??y0sin?，对位于同一直线l上的n个点逐一进行上述变换，则在

参数空间??,r?中对应得到n条曲线，由变换公式可知，这n条曲线必定经过同一点??0,r0?。找到参数空间中的这个点就知道了图像空间中的对应直线l，因此，Hough变换可以用来在二值图像中检测直线。

3.4 基于纹理特性的车牌定位

图像边缘都是灰度不连续的点，或者是灰度值或色彩急剧变化之处，因而可以利用微分运算来进行图像边缘的检测，也就是用各种锐化模板对图像进行卷积运算，可以检测出图像的边缘。由于车辆图像中背景区域的边缘相对较少，而车牌区域含有的边缘信息较丰富，所以针对拍摄车辆图像的这种特点，可以选择采用边缘检测算法将车牌区域与背景区域分离开。下图是几种常见的微分算子的模板和其算子的特点。

由分析可以得出，Sobel算子由于不像普通算子那样用两个像素的差值，而是引人了加权平均因素，对图像中的随机噪声起到了一定的平滑作用，而且它是相隔两行或者两列的差分，故边缘两侧元素得到了增强，边缘显得粗而亮，其对边缘定位的精度相对较高。Sobel算子的缺点是得到的边缘不连续，封闭性不好并且对噪声敏感，其缺点可以运用形态学运算进行弥补。

卷积运算如下[13]：

g1?x,y????f?x?1,y?1??2f?x,y?1??f?x?1,y?1??g2?x,y??k??1i??1??S?k,l?f?x?k,y?l???f?x?1,y?1??2f?x,y?1??f?x?1,y?1??1111??f?x?1,y?1??2f?x?1,y??f?x?1,y?1??2?x,y? g?x,y??g12?x,y??g2k??1i??1??S?k,l?f?x?k,y?l???f?x?1,y?1??2f?x?1,y??f?x?1,y?1??

21若g1?x,y??g2?x,y?，说明像素点?x,y?处有垂直方向的边缘通过，反之则

为有水平方向的边缘通过。

如果像素点?x,y?处的像素值f?x,y?满足下面两个条件组之一时，则判断它为边缘像素点，该点在输出的边缘图像中用“0”表示；否则判断该点为非边缘像素点，在输出的边缘图像中用“1”表示。

条件组一：

①g?x,y??cutoff ②g1?x,y??g2?x,y? ③g?x,y?1??g?x,y? ④g?x,y??g?x,y?1? 条件组二：

①g?x,y??cutoff

②g1?x,y??g2?x,y? ③g?x?1,y??g?x,y? ④g?x,y??g?x?1,y?

假设图像的行数和列数分别为row和list，g?x,y?为边缘图像中点?x,y?的值。其中cutoff按下述公式计算，这样就可以将其边缘从原来的灰度图像中提取并表示出来。

cutoff?4???g2?i,j?I?row?list?

i?1j?1rowlist3.5图像分割技术

3.5.1图像分割技术简介

图像分割是把图像分割成若干特定的、具有独特性质的区域并提取出感兴趣目标的技术和过程。在对图像的研究和应用中，人们往往仅对图像的某些部分感兴趣，它们一般对应图像中特定的、具有独特性质的区域。为了分析和识别目标，需要将它们分割并提取出来。

图像分割是由图像处理转到图像分析的关键。

图像分割算法的研究一直受到人们的高度重视，到目前为止，提出的分割算法已经多达上千种。基本包括以下几种算法：

1.灰度阈值分割 阈值化分割算法是图像分割中应用数量最多的一类。即是根据阈值将图像二值化，分析二值化图像特征，按特征分割图像。

2.彩色分割

对颜色的感受是人类对电磁辐射中可见部分里不同频率知觉的体现。根据分割需要将感兴趣的颜色部分分割出来。

3.特殊方法的图像分割

基于数学形态学的分割技术。形态学一般指生物学中研究动物和植物结构的一个分支。后来人们用数学形态学表示以形态为基础的对象进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量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。

3.5.2 车牌字符分割技术简介

字符分割就是把牌照上的字符分割成一个个单个的字符，传统的字符分割方法有投影法、模板匹配法、聚类分析法[14]。

投影法是指：先自下由上对图像进行扫描，遇到第一个白色点，记录下来。在自上由下进行逐行扫描，这样就得到图像的大致高度，再从左至右扫描，当碰到第一个白色点时，作为字符起点，继续扫描直到没有白色象素点时作为第一个字符的终点，然后继续按这种方法扫描，直至全部扫描完毕。

模板匹配法是指：先把二值图像进行垂直投影，得到一个函数W(X)，搜索W(X)的波谷值，并分别把各个波谷标上序号，在相邻的两个波谷之间分别作为左右边界进行分割。

聚类分析法是指：众所周知汽车牌照一般是由7个字符组成，以等于车牌宽度的1/7为阀值，对车牌图像按行进行扫描，若发现有线段长大于阀值，则认为是牌照的上下边框。再以等于车牌高度的3/5为阀值，对车牌图像按列进行扫描，若发现有线段长大于该阀值，则认为是牌照的左右边框，因此可除去边框部分。最后把车牌平均分割成7块，达到分割的目的。

本文采用投影法，因为投影法比较准确且编程较简单，易于实际操作，能满足在复杂环境下，分割汽车牌照字符。

直投求垂 平均影的值 求垂直投影的最小值 取阈值 计算字符上升点 计算谷宽度 输出分割字符 找到字符中心位置 计算字符距离 图2-1车牌分割的MATLAB算法流程图

3.6 字符识别技术

字符识别是本系统中的最后一步，也是最重要的一步，字符识别的精确度直接影响车牌识别系统的精确度。字符识别的方法一般有三种：人工神经网络算法、模板匹配法和BP神经网络。

人工神经网络算法是模拟人脑或自然神经网络，是近些年来提出的新型技术，它的优点是： ① 具有强大的逼近功能可任意逼近复杂的非线性关系； ② 具有很强的自适应功能； ③ 具有很好的鲁棒性和容错性；

④ 具有储存功能，但系统还不成熟，编程复杂。

模板匹配法是将归一化的字符分别与字符库的字符进行比较识别。我国的车牌字符包括50多个汉字，25个大写英语字母，10个数字，可以把这些字符做成标准的模块并建立一个数据库。实践证明模板匹配法操作简单，抗干扰能力强，识别率高。

BP神经网络又叫误差反向传播算法的人工神经网络，具有多学科交叉技术领域的特点。在MATLAB工具箱中可调用newlin 和adapt函数进行字符识别。

建立数据库 样本与数据库中图片相减 计算误差 找到误差最小图片 输出识别结果 依次次识别并识别 图2-2字符识别的MATLAB算法流程图

3.6.1 字符归一化技术

像的归一化包括位置、大小、旋转和倾斜归一化。下面主要介绍位置归一化和大小归一化。

1.位置归一化

位置归一化即是把数字图像都放到某一固定的位置，能够消除数字点阵位置上的偏差，并能方便数字特征描述、提取。

2.大小归一化

大小归一化是指对不同大小的数字图像作变换，使之成为同一尺寸大小的文字，图像大小归一化方法分为两大类：线性归一化和非线性归一化。

1）线性归一化

线性归一化是将数字图像的笔画按比例线性放缩或缩小到规定尺寸的图像，仅与原始数字图像和归一化后图像的大小有关系。

设?x,y?为原图像像素点坐标，?m,n?为归一化后的像素点坐标，则其变换关系如下所示：

?x??a1b1??x??c1???y?????y?????ab????c?? (2-9) ???22????2??a1b1??c1????其中系数矩阵?决定了图像的比例和和旋转变换尺度，????体现了图abc?22??2?像的平移变换。如果数字图像已经经过位置归一化，且没有旋转，则上述公式可以简化为：

?m??fx0??x???? ??n????? （2-10） ?0f??y???y???2）非线性归一化[15]

线性归一化的变换函数为线性函数，不能解决图像的变形问题，故提出了非线性归一化方法。非线性归一化是通过密度均衡的方法实现大小归一化，以消除输入模式的各种变形，这些方法大致分为以下三种：点密度均衡法、线密度均衡法和笔画穿透数均衡法。

由于数码相机拍摄的汽车图像大小不一样，所以得到的牌照上的字符大小

就不一样，为了便于字符的识别，需要对字符进行归一化处理。归一化处理的目的就是使车牌字符同标准模块里面的字符特征一样。归一化处理分为倾斜度校正和大小归一化，而倾斜度校正前面已经调用MATLAB工具箱中的imrote涵数，而大小归一是指在长度和宽度方向上分别乘以一个比例因子，使其等于标准模块的字符大小，大小归一化常用的方法有两种：一种是将整个牌照图像按线性比例放大或缩小到标准模块尺寸，这样字符就自然的变为标准模块尺寸；另一种是分别从水平投影和垂直投影两个方向上对字符象素的大小进行归一化处理。在本文中运用MATLAB工具箱中的imresize涵数，进行归一化处理。

归一化图像就是要把原来各不相同的字符统一到同一尺寸。因为扫描进来的图像中字符大小存在较大的差异，而相对来说，统一尺寸的字符识别的标准性更强，准确率自然也更高。具体算法如下：先得到原来字符的高度和宽度，与系统要求的作比较，得出要变换的系数，然后根据得到的系数按照插值的方法映射到原图像中。

3.6.2 模板匹配

模板匹配是将从待识别的图像提取若干特征与模板对应的特征进行比较，计算图像和模板特征量之间的距离，用最小距离法判定所属类。用模板匹配法进行模式识别时通常需要事先建立标准模版库。该方法是图像识别中最具有代表性的方法之一。具有算法实现容易、匹配速度快的特点。

模板匹配方法是将要识别的字符与预告构造好了的模板进行比较，根据与模板的相似度大小来确定最终的识别结果 。基本思想是：首先根据字符模板大小，确定一幅带有加权因子的骨架模板，然后，将切割下来的字符按照模板的大小进行归一化，包括大小的归一化和灰度的归一化，归一化后的字符图像与创建的模板进行匹配。变换后的图像中，亮度的高低指示相应区域与模板的匹配程度。通过检查匹配后图像的最大值，试验确定一个合适的阈值，显示亮度大于该阈值的点，也就是与模板的匹配程度最高的位置。

由于车辆牌照字符中只有25个大写英文字母、10个阿拉伯数字和约50个汉字，所以字符集合较小，该方法对于有一定变形、污损或笔画缺损的字符图像有较好的识别效果，总体识别率较高，同时也能满足实时性的要求。经过实验分析，采用模板匹配算法，将分割出来的字符图像与模板图像相减，差值最小的便是与之匹配的模板，从而识别出字符。

3.7本章小结

本章主要介绍了一下车牌的特征，以及利用该特征对其进行提取和字符分割、识别的相关技术，加深对系统相关技术的理解，为后续的系统设计做参考。

第四章 车牌自动识别系统的实现

4.1图像采集

图像采集是该系统的第一步，照片质量的好坏直接关系到系统识别的精度，故选择好的摄像设备，设置好的摄像角度是关键。随着现代社会的发展，数码照相机的分辨率已越来越高，可使用红外传感器来控制照相机的开启与关闭，照相机通过串口通信来传递图片信息给计算机。

采集到的图像由于受到天气影响，包括晴天、阴天、晚上等，由于光照影响和摄像机曝光的不同，再加上有些车牌的老化污损、陈旧褪色，这些都可能使车牌图像产生对比度不足的弊端，图像细节分辨不清，车牌字符部分不突出。而且对高速进行中的汽车拍摄的图像往往产生模糊、扭曲、变形等现象，这些都增加了预处理的难度。而这些处理需要很复杂的过程，因为系统把读入的图片默认为比较清晰的、几乎没有倾斜角度的图片。

4.2 车牌图像的预处理

由于本系统的车牌图像是在室外拍摄的，因此不可避免地会受到自然光线、季节等因素的影响。要去除这些干扰就得先对车牌图像进行预处理。原始图像的数据一般比较大，对其进行处理的时间一般也较长，而由于实时性的要求，车牌的提取需要一次性处理就能把绝大多数特征提取出来。需要把得到的图像进行预处理。预处理的过程需要把图像转化为二值图像，这样会大大减少数据量，为实时性提供一定程度的保证。二值化后的车牌要能再现原字符图像，基本不出现笔画断裂和粘连现象，尽量不丢失原字符的特征。经试验，采用阈值为0．2附近时车牌字符最为清楚，杂点最少。

图像预处理主要包括：灰度化、二值化、梯度锐化、降噪、分割、归一化[16]。具体流程如下图所示。

灰度化 二值化 梯度锐化 降噪 分割 归一化 图4-1 车牌图像预处理流程图

车牌定位 车牌区域二值化 车牌倾斜矫正 字符分割 字符细化 图4-2车牌字符识别预处理流程

4.3车牌区域定位

自然环境下，汽车图像背景复杂，光照不均匀，在自然背景中准确地确定牌照区域是整个图像识别过程中的关键。首先对采集到的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一步分析、评判。最后选定一个最佳区域作为牌照区域，将其从图像中分割出来．同时要考虑车牌倾斜问题。算法流程如下：

(1)对二值图像进行区域提取，计算并比较区域特征参数，提取车牌区域。 (2)计算包含所标记区域的最小宽和高，并根据先前知识，提取并显示更接近的车牌二子值图。

(3)通过计算车牌旋转角度解决车牌倾斜问题。由于车牌倾斜导致投影效果峰 不明显，需车牌矫正处理。采取线性拟合方法．计算出车牌上边或下边图像值为l的点拟合直线与水平 轴的夹角。用MATLAB函数的旋转车牌图象函数Imrotate．计算车牌旋转角度和经旋转、二值化后的车牌二值子图处理结果如图4-3所示。

图 4-3图像二值化效果图

为此我们经过大量实践后找到了基于图像差分投影法，从而将车牌识别时间缩短到一百毫秒以内。其原理是将车辆灰色图像按水平方向求差分图，然后按垂直方向求差分，最后对差分后的车辆图像分别在水平和垂直方向投影，按照给定的车牌尺寸范围找出可似车牌区域。

采用基于车牌纹理和颜色信息的综合车牌定位方法对车牌区域精确定位，其实现流程如下图4-4所示。

假设输入彩色图像为I，通过Gray =0．229×R+0．587×G+ 0．114 ×B将I转化为灰度图Gray，采用迭代求阈值的方法求出最佳阈值T，根据T对Gray进行二值化处理得到图像B；用Sobel垂直算子进行边缘检测，得到边缘图像S；对S，利用平滑方法对其消噪，用腐蚀方法去除一些孤立点和细的突出，用膨胀方法融合图像中的隙缝弯孔和小洞，得到图像F；在F中搜索连通区域形成车牌侯选区域Rect[i]，对于每个Rect[i]根据颜色信息去除伪车牌区域，然后对校正后的车牌区域通过区域行跳变Rect[i]jumpnum、垂直投影Rect[i]．hproject及水平投影Rect[i]．vproject对车牌区域精确定位。

区域行跳图像输入 灰度化 灰度拉伸 图像预处边缘检测 二值化 联通区域 区域颜色 车牌粗定倾斜矫正 行扫描 列扫描 车牌精确定位

图4-4 车牌区域定位流程图

4.3.1 车牌粗定位

车牌粗定位即对车牌区域进行筛选。由于图像背景往往比较复杂，车体的其他区域存在着干扰因素，因此车牌定位所提取出的车牌候选区域往住有多个，需要进一步对这些候选区域进行筛选，剔除干扰区域，定位出真正的车牌。

假设第i个候选区域的高为h ，宽为W ，则该候选区域高与宽的比R 及面积A 分别为

Ri??ihi ，Ai??ihi （4-1）

再假设第i个候选区域黄、蓝色、白三色像素个数分别为Si,y，Si,b和Si,w；

跳变次数为Si,j；二值化后第j行白色点数为nij,w。

1) 车牌通常有一定的长度和宽度，并且长宽有一定的比例，国内的单行车牌长宽比为440/140=22/7。利用车牌的这一特征，如果300像素≤Ai≤ 1200像素，或者3≤Ri ≤ 4，就认为第i个候选区域是车牌区域，否则将之去除。通常候选区域会比实际的车牌区域大，如果严格按标准车牌区域的长宽比来判定车牌区域就会导致错误筛选。为此在粗定位时根据实际情况放宽候选区域的限制，以杜绝“错误筛选”的发生。

2) 车牌区域还有一个明显的特征就是其底色与字符有固定的搭配，如我国的标准车牌有4种固定搭配：蓝底白字、黄底黑字、白底黑字及白底红字。如果Si,y≥Ai /4，或者Si,b≥Ai/4，或者Si,w ≥Ai/4，并且Si,j≥ 14，此区域就被认为是车牌区域，否则就是伪车牌区域。

3) 为进一步提高车牌定位的速度，考虑到车牌区域二值化后每行的白点数目比较多，在系统实现时，设定一个阈值T。如果nij,w≤ T，则候选区域第J行就过滤掉。这样能减少车牌定位时的计算量，从而减少候选车牌连通区域的数量。

通过上面3个条件即可在车牌的候选区域中筛选出真正的车牌，车牌候选区域筛选对比图如下图所示。

图4-5车牌候选区域筛选对比图

4.3.2图像的倾斜矫正

由于拍摄时镜头与牌照的角度、车辆的运动及路面的状况等因素的影响，例如车牌在捕捉图像中的位置不固定，捕捉图像时车头或者镜头发生摆动以及车牌本身就挂歪了或路况较差，都可能使拍摄到的车牌图像有一定的倾斜度，为了正确识别需要进行倾斜度校正，否则将无法进行单个字符的正确分割，字符识别的误差率就会上升。但是若以某个固定的经验值对所有牌照统一进行旋转处理，又会使原本正常的牌照倾斜，导致新的错误。因此有必要针对特定的牌照图像提取其倾斜角度，再加以相应的旋转处理。如何从牌照中自动提取其倾斜度是预处理过程中的一个难点，一般使用Hough变换检测图像中的直线来对图像的倾斜进行相应的矫正[17]。

具体算法是根据图像上左右两边的黑色像素的平均高度来确定的。字符组成的图像它的左右两边的字符像素高度应该是处于水平位置附近的，如果两边字符像素的平均位置有比较大的起落，那就说明图像存在倾斜，需要进行调整。首先要计算图像左半边和右半边的像素的平均高度，然后求斜率，根据斜率重新组织图像，也就是从新图像到旧图像的映射。如果新图像中的像素映射到旧图像时超出了旧图像的范围，则把新图像中的该像素置成白色。

4.3.3车牌边框和柳钉的去除

在实际处理中，面对要识别的牌照字符背景非常复杂，存在较大的干扰、噪声。当车牌的二值图像统一为黑底白字并经过对图像梯度锐化和去除噪声后，还会有汽车保险杠与牌照四条边框的残缺图像以及牌照上两个铆钉干扰的一个区域。借助先验知识，可以采取图像处理方法从上述复杂背景中去除干扰。将车牌图像进行二值化后，图像仅黑、白二值。白色像素点(灰度值2 5 5)取l，黑色像素点(灰度值0)取0，这里采用的是白底黑字模式。车牌图像中上下边框和铆钉的去除是很重要的，没有去除边框线和铆钉的车牌图像，经常出现铆钉和字符及边框线粘连的现象，给后续车牌字符的分割造成很大的困难。在车牌边框线的内侧，通常有四个铆钉，他们不同程度地与第2个字符或第6个字符粘连，如果不去除铆钉，将给第2和第6在字符的识别造成困难。

对于标准车牌，字符间间距为12㎜ ，第2、3个字符间间距为34㎜，其中，中间小圆点l0㎜ 宽，小圆点与第2、3个字符间间距分别为12㎜。根据这些先验知识，对车牌图像逐行进行从内向外式扫描，当扫描到车牌图像某一行中，白色像素点的宽度大于某一阀值时(第一个符合条件的行)，则认为是车牌字符的

边沿处，切除这一行以上或以下的所有行。以除去车牌的上边框和铆钉干扰为例，其算法思想为：设要处理的图片尺寸为m ×n，其中m 为行，n为列，取经验值9n/l0作为在行方向投影的门限值，从i=2m/3行开始往上逐行扫描，若该行在行方向上的投影j>9n/l0，就认为找到了字符的上边界为i+l行处，将从i开始的所有行全部切除。若没有找到符合条件的行，则认为无上边框干扰。

4.3.4 车牌精确定位

粗定位车牌成功后，在得到的车牌区域中除了车牌图像外还有其他一些背景信息，必须把这些背景信息过滤掉，得到只有车牌字符的图像才能进行车牌字符更精确的分割和识别。经倾斜矫正后，通过投影法搜索车牌边界。 1) 搜索车牌上下边界

车牌上下边界的提取将频率法和投影法结合起来使用。所谓投影法就是分析图像的纵横方向的投影值，来找到车牌的边界。求图像的行投影和列投影的公式分别为

fv?sum?i???x?i,j?, fh?sum?i???x?i,j?, （4-2）

i?1j?1式中，i和j分别为图像的行数和列数；fv?sum?i?，fh?sum?i?分别为图像水平投影和垂直投影的统计信息。根据投影特征，再结合频率分析和跳变次数，即可找到车牌的上下边界。 2) 搜索车牌左右边界

车牌区域在垂直投影上表现出不同的统计特征：真车牌区域的垂直投影有明显的峰一谷一峰的现象；由于车牌字符是7个，所以波峰数一般大于7个(假设字符灰度级高于车牌背景)；波峰与波峰、波谷与波谷之间的值相差不大。根据投影特征，再结合频率分析，即可找到车牌的左右边界。

车牌区域从粗定位、水平投影、垂直投影到精确定位的效果如下图所示。

1）粗定位 2）水平投影

3）垂直投影 4）精确定位

图4-6 车牌区域精确定位过程效果图

4.4 字符分割

采用灰度投影法对字符进行分割。此算法的思想是基于图像投影直方图即二值图像中的行或列与每行或每列的白色象素值的出现个数的统计关系中存在波峰波谷起伏变化，其中波谷可能就是相邻字符的间隔处。根据先验知识，标

准的车辆牌照有7个字符，首位为省名简称(汉字)，次位为英文字母，最后一位是汉字(挂)或英文字母或数字，其他位为英文字母或数字。考虑到汉字偏旁与部首之间投影后可能会出现一定的波谷，并且汉字与噪声之间也会存在波谷，因此采用投影法直接分割。即设置一个阈值，将投影之间波谷距离小于这个阈值的投影进行合并，从而使汉字偏旁和部首的投影进行合并。合并后，计算其第一个字符和最后一个字符的宽度，如果计算值大于车牌字符平均宽度的1.5倍，就认为是错误合并，则撤销合并以排除错误合并，避免将车牌边框的投影合并在字符中。对于其他5个字符，由于是数字和字母，其结构具有连通性的特点，所以采用数学形态学中连通域法对其进行分割。

字符分割流程如下图所示。

车牌图像 否 黄牌或白牌 是 反色 车牌区域投影 是 根据投影分割字符 汉字是否粘连、断裂 拆分、合并

图4-7字符分割流程图 否 车牌图像 分割效果如下图4-8所示。

a.吉C7T498分割总体效果 d.吉C6E597分割总体效果

b.图a的水平投影 e.图d的水平投影

c.图a的垂直投影 f.图d的垂直投影

图4-8分割效果图

4.5 字符识别

采用自适应性和学习能力强的BP神经网路对分割出的字符进行识别，其识别流程如下图4-9所示。

分割的字符 归一化

提取字符特是 第一个字符 汉字网络 是 第七个字符 否 汉字、字母、数字网络 分割的字符 分割的字符 图4-9字符识别流程图 4.5.1 BP神经网络分类器的设计和应用

车牌字符的分布是有规律的。根据车牌上字符分布的规律性，在系统中设计“汉字网络”，“数字、字母网络”及“汉字、字母、数字网络”等3个识别网络。

应用时，将第1个分割字符送到“汉字网络”，第7个文字送到“汉字、字母、数字网络”，其他字符送到“数字、字母网络”。

4.5.2 BP神经网络的设计

1) 初始权值的选取。初始权值直接影响神经网络收敛的速度，若选得不好，神经网络将处于饱和而导致难以收敛或陷入局部极小。在系统中，初始权值选取0～1之间均匀分布的随机值。

2) 输入层节点数的确定。将分割字符规格化为2O×16点阵大小的字符图像，故输入层神经元个数取320。

3) 输出层节点数的确定。输出层节点数和待识别的字符个数有关，系统中

需要识别50个汉字，1O个数字和25个字母(不包括字母I，因为车牌字符无字母I)。系统中采用字符的8421码来对识别字符进行编码，所以输出层节点数取7。

4) 隐含层节点数的确定。隐含层节点数少了，学习过程不收敛；隐含层节点数多了，网络的学习及推理效率变差。隐层节点数目选择的经验公式为

N?n?m?a，其中，N为隐层神经元个数，n 为输入层神经元个数，m 为输出层神经元个数，a为1～10之间的整数。取，n=320，m=7。另根据以往的经验，并对大量的实验结果进行分析、比较，知隐含层节点数为30时识别效果比较好，故取N=30。

5) 特征归一化。将输入的字符图像归一化为20×16点阵大小的字符图像，系统将归一化后的字符图像二值化，然后统一转化为黑底白字字符作为神经网络的输人特征。

4.5.3 训练样本的选取

在字符识别中，每一类字符所选取的训练样本必须能真实地反映该类字符的共同特征。车牌字符分割结果不理想时会出现分割字符不规范的观象，若为了追求字符识别而将不规范字符作为了训练样本，结果往往使网络虽然学会了该不规范字符，但对真正较正规的字符的识别率却下降了。因此，在系统中将字符分割后的图像显示出来(如下图所示)，如果分割效果比较好但识别不正确时再使用神经网络进行训练，这样可以达到系统兼容其他常见车牌分割字符识别的目的。当然，考虑到系统识别的其他因素，如车辆在静止或运动时分割出来的字符效果有差异，在系统中提供保存和读取不同网络连接权值的功能，以便在识别不同目标分割出的字符时进行切换训练文件来对分割字符精确识别。

图4-10 车牌分割效果示意图

4.5.4 BP网络的识别过程

对于一个训练好的网络，识别过程其实就是一个利用训练好的权值完成一次顺传播过程，然后在输出层得到一个识别结果。系统中输出层有7个节点，每个节点的输出结果都和一个待识别字符的编码相对应。字符编码采用8421码，如果节点的输出和字符编码相同，就认为输入的字符为该节点对应的字符。由于系统采用的激活函数Sigmoid函数的输出永远不可能等于0或者1，同时为了提高系统识别率，定义：当输出值≤0.1时，输出为0；而当输出值≥O.9时输出为1。

4.5.5 测试结果及分析

由车牌粗定位、精确定位，字符分割、字符识别综合生成车牌自动识别系

统。

利用车牌自动识别系统对在不同条件下高速公路处汽车通过的视频中获得的200张720×576像素的车牌图像进行测试，测试内容包括车牌粗定位、车牌精确定位、字符分割以及车牌字符识别。

粗定位时定位196张，定位率为98 ，每张图像定位处理时间改为80ms；字符分割成功183张，成功率为91．5％；每张图像车牌定位及字符分割处理和识别时间约为190 ms；绝大多数图像经一次粗定位搜索和一次精定位即可以比较准确地确定车牌区域。测试结果表明，基于纹理和颜色信息的综合车牌定位方法能准确地定位车牌，并且经过候选区域筛选后，使车牌区域搜索变得异常简单，计算量也相对减少。可以说，系统的各部分效果已经达到了应用要求。

结 论

高速公路、城市交通、停车场等基础设施建设水平的不断发展和车辆管理体制的不断完善，为以计算机视觉为基础的智能交通管理系统的实际应用提供了契机。在智能交通系统中，车牌自动识别系统是智能化交通系统非常重要的发展方向。从开始的收费辅助系统演变过来的车牌识别技术现在运用的领域是越来越广。它在车辆过路、过桥全自动不停车收费，交通流量控制指标的测量，车辆自动识别，高速公路上的事故自动测报，不停车检查，车辆定位，汽车防盗，稽查和追踪车辆违规、违法行为，维护交通安全和城市治安，防止交通堵塞，提高收费路桥的服务速度，缓解交通紧张状况等方面有重要作用，有重要的现实应用意义。

从MATLAB运行结果来看，该系统可有效检测车牌图像的上下左右边框、旋转角度，可以很好地完成车牌的定位、字符的分割和字符的识别。与传统的编程语言相比，工作量和开发周期都减少很多。但在实际应用中牌照识别系统的识别率还与图像拍摄质量的好坏有很大关系，同时还会受到各种因素干扰，

需要不断完善系统，提高系统的识别能力。

近几年出现了许多切实可行的识别技术和方法，从这些新技术和方法中可以看出单一的预处理和识别技术都无法达到理想的结果，多种方法的有机结合才能使系统有效识别能力提高。

致 谢

时光匆匆如流水，转眼便是大学毕业时节，春梦秋云，聚散真容易。离校日期已日趋临近，毕业论文的的完成也随之进入了尾声。此时，回头想想这段求学路，时而喜悦，时而惆怅。在这个美丽的校园里，原本天真幼稚的我如今已蜕变成一个睿智、沉稳的青年，感谢命运的安排，让我有幸结识了许多良师益友，是他们教我如何品味人生，让我懂得如何更好的生活！人生处处是驿站，已是挥手作别之时，在此，向所有帮助过我的人献上我最诚挚的谢意！

“饮其流时思其源，成吾学时念吾师。”至此论文完成之际，谨向我尊敬的指导老师刘甫教授致以诚挚的谢意和崇高的敬意。从选题、定题、撰写提纲，到论文的反复修改、润色直至定稿，刘老师始终认真负责地给予我深刻而细致地指导，使我受益匪浅。除了敬佩刘教授的专业水平外，他的治学严谨和科学研究的精神也是我永远学习的榜样，并将积极影响我今后的学习和工作。

其次要感谢我的班主任姜雅槐老师和大学四年中给我们授课的所有老师们，是他们的悉心教导和精心栽培，让我掌握了很多专业知识，为将来的工作打下了良好的基础。

还要感谢我的父母，给予我生命并竭尽全力给予了我接受教育的机会，他们给我生活上的关怀和精神上的鼓励是我学习的动力。

最后，感谢我的同学和朋友们，谢谢他们陪伴我成长，给我鼓励和帮助。 谢谢所有关心我的人！

参考文献

[1] 叶晨洲，廖金周. 一种基于纹理的牌照图象二值化方法[J]. 微型电脑应用，1999(6)：28-29

[2] 袁志伟，潘晓露. 车辆牌照定位的算法研究[J]. 昆明理工大学学报，2001，

26(2)： 56-60

[3] 郁梅等. 基于视觉的车辆牌照检测[J]. 计算机应用研究，1999(5)：65-67 [4] 张引，潘云鹤. 面向车辆牌照字符识别的预处理算法[J]. 计算机应用研究，1999(7)： 85-87

[5] 叶晨洲等. 车辆牌照字符识别系统[J]. 计算机系统应用，1999(5): 10-13 [6] 孙增祈. 智能控制理论与技术[M]. 北京：清华大学出版社，1999

[7] 蒋先刚. 基于Delphi的数字图像处理工程软件设计[J]. 中国水利水电出版社，2006：179- 181

[8] 胡小锋，赵辉. Visual C + + /MATLAB 图像处理与识别[M]. 北京：人民邮电出版社，2004

[9] 冈萨雷斯. 数字图像处理（第二版）[M]. 北京：电子工业出版社，2007 [10]Khairunnisa Thanin, Syamsiah Mashohor and Wisam Al-Faqheri .An Improved

Malaysian Automatic License Plate Recognition(M-ALPR) System using Hybrid Fuzzy in C++ Environment[ J ]. 2009 Conference on Innovative Technologies in Intelligent Systems and Industrial Applications (CITISIA 2009)Monash University, Sunway campus, Malaysia, 25th & 26th July 2009

[11] D. S. Kim and S. I. Chien,. Automatic car license plate extraction using

modified generalized symmetry transform and image warp ing[ J ]. in Proc. IEEE Int. Symp. Industrial Elec2tronics, vol. 3, 2001, pp. 2022 - 2027

[12] 吴李汉，文俊浩．车牌自动识别系统的设计与实现口]．机器视觉，2006，

16(3)：97—103． [13] 程时虎，文灏．基于纹理及颜色特征的分级车牌定位方法[J]．计算机访

真，2009，26(6)：304—308．

[14] 李波，曾志远，周建中，等．一种车牌自动识别系统设计方法[J]．计算机应用，2006，28(10)：156—162． [15] A1 Faqheri W，Mashohor s．A Real Time Malaysian Automatic License Plate

Recognition(M—ALPR)Using Hybrid Fuzzy I-J]．International Journal of Computer Science and Network Security，2009，9(2)：333—340．

[16] 孙光民，李岩，王鹏，等．用于神绎网络手写字符识别的自适应归一化处理方法[J]．模式识别与人工智能，2005，18(3)：268—271． [17] 迟晓军，孟庆春．基于投影特征值的车牌字符分割算法[J]．计算机应用研究，2006，18(7)：256—257．

附录A：源代码 主函数： close all; clc;

I=imread(' C:\\Documents and Settings\\X\\桌面\\车牌识别\\程序与图像\\car2.jpg'); figure(1),imshow(I);title('原图')

I1=rgb2gray(I); %灰度化

figure(2),subplot(1,2,1),imshow(I1);title('灰度图');

figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图'); I2=edge(I1,'robert',0.15,'both'); %边缘检测 se=[1;1;1];

I3=imerode(I2,se); %腐蚀 se=strel('rectangle',[25,25]); I4=imclose(I3,se); %闭运算

I5=bwareaopen(I4,2000); %计算图像中的目标区域

figure(3),subplot(221);imshow(I2);title('robert算子边缘检测'); subplot(222);imshow(I3);title('腐蚀后图像'); subplot(223);imshow(I4);title('平滑图像的轮廓'); subplot(224);imshow(I5);title('从对象中移除小对象'); [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;%蓝色像素点统计 end end end

[temp MaxY]=max(Blue_y);%Y方向车牌区域确定 PY1=MaxY;

while ((Blue_y(PY1,1)>=5)&&(PY1>1))

PY1=PY1-1; end

PY2=MaxY;

while ((Blue_y(PY2,1)>=5)&&(PY2

IY=I(PY1:PY2,:,:);

%%%%%% X方向 %%%%%%%%%

Blue_x=zeros(1,x);%进一步确定x方向的车牌区域 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)&&(PX1

while ((Blue_x(1,PX2)<3)&&(PX2>PX1)) PX2=PX2-1; end

PX1=PX1-1;%对车牌区域的校正 PX2=PX2+1;

dw=I(PY1:PY2-8,PX1:PX2,:); t=toc;

figure(4),subplot(1,2,1),imshow(IY),title('Y方向合理区域'); subplot(1,2,2),imshow(dw),title('定位');

b=rgb2gray(dw); %对定位后的车牌灰度化

figure(5);subplot(2,2,1),imshow(b),title('1.车牌灰度图像') g_max=double(max(max(b))); g_min=double(min(min(b)));

T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值 [m,n]=size(b);

d=(double(b)>=T); % d:二值图像

figure(5);subplot(2,2,2),imshow(d),title('2.车牌二值图像')

% 滤波

h=fspecial('average',3);

d=im2bw(round(filter2(h,d)));

figure(5),subplot(2,2,3),imshow(d),title('3.均值滤波后')

% 某些图像进行操作 % 膨胀或腐蚀

% se=strel('square',3); % 使用一个3X3的正方形结果元素对象对创建的图像进行膨胀

% 'line'/'diamond'/'ball'...

se=eye(2); % eye(n) returns the n-by-n identity matrix 单位矩阵 [m,n]=size(d);

if bwarea(d)/m/n>=0.365 d=imerode(d,se);

elseif bwarea(d)/m/n<=0.235

本文来源：https://www.bwwdw.com/article/5rp6.html