基于图像处理的车牌识别系统的研究

基于图像处理的车牌识别系统的研究

【摘要】 本文介绍了汽车牌照识别的主要应用技术和现阶段识别技术的发展方向，简要介绍了车牌识别系统软件设计要求，对图像处理处理技术，图像分割技术和方法进行了讨论;论文着重对牌照的预处理、图像提取、定位、字符识别特征量的提取以及神经网络的构成原理及算法实现进行了详细分析，并用软件实现了完整的系统。使用MATLAB2010软件编程实现了整个系统，并验证了所提出的方法的可行性。

【关键字】MATLAB，车牌识别，定位，分割

1

Abstract

This article discusses the main applications of vehicle license plate recognition technology and stage of development trends outlined license plate recognition system software design requirements, processing technology in image processing theory and method of image segmentation are discussed; paper focuses on the pre-license Handling, positioning, the amount of character recognition feature extraction, neural network theory and the composition of a detailed analysis of algorithms and software to realize the complete system. Use MATLAB2010 software programming of the entire system, and verified by experiment the feasibility of the proposed method

Key: MATLAB, license plate recognition, positioning, segmentation

2

目录

正文 ............................................................................................................. 4 一． 绪论........................................................................................... 4 1.1 研究背景 ............................................................................... 4 1.2 国内外研究现状 ................................................................... 6 1.3 本文章节安排 ....................................................................... 7 二． 车牌照图像预处理技术 .......................................................... 8 三． 车牌照定位技术 .................................................................... 11 四． 车牌字符分割技术 ................................................................ 15 五． 车牌字符识别技术 ................................................................ 17 六． 实现及测试结果 .................................................................... 18 七． 总结与展望 ............................................................................ 31 7.1 本文工作总结 ....................................................................... 31 7.2 下一步工作展望 ................................................................... 31 参考文献............................................................................................. 33 致谢（模板） .................................................................................... 35

3

正文

一． 绪论

1.1 研究背景

随着社会经济的发展，人民生活水平的不断提高，私人拥有机动车辆的数量迅速增加，车辆普及成为必然的趋势。在此情况下，仅仅依靠大力发展交通设施己不能解决交通拥挤、交通事故频发、环境污染加剧等问题。尽管现在世界上的许多国家，仍然主要依靠建设更 多的道路基础设施，建立完善的道路网络缓解道路交通增长的需求，但由于城市空间的不断减小、修建新路所需的巨额资金以及环境的压力，建设更多的基础设施将受到限制。因此，只有道路建设和现代化管理齐头并进，在加强交通建设的同时，大力发展智能交通系统，才有可能真正地解决日益严重的交通问题。车辆牌照识别 (LPR)技术是智能交通系统中的一个重要环节，它在交通监视和控制中占有很重要的地位，车辆牌照识别技术作为交通信息服务系统的重要手段，其任务是分析处理车辆图像，自动识别汽车牌号码。为了避免人工干预所带来的弊端，提高管理效率，对车辆牌照自动识别系统的需求和标准的要求越来越高。汽车牌照自动识别技术己经越来越受到人们的重视。车辆识别系统在道路交通监控、交通事故现场勘察、交通违章自动纪录、高速公路自动收费系统、停车场自动安全管理、智能园区管理等方面有着广泛的应用前景，其研究的意义在与[1-10]：

4

1) 收费管理系统:

在高速公路、桥梁、隧道等地点，人们将LPR系统应用于收费管理系统中，可以实现高效、准确、自动和不停车收费，真正实现无人干预，克服常规收费系统的工作量大、人工易疲劳等不足，极大地减轻劳动强度，节省大量人力、物力，同时，对于不停车收费系统，还可以节省车主的大量时间[11]。 2) 交通监控:

在公路交通检测部门，几乎每天都有大量的交通违规车辆，对于列“黑名单”的车辆，如挂失的车辆、肇事后逃逸的车辆、欠费的车辆等，通常将这些车辆用摄像机拍摄下来，用人工来识别、比较车牌，这样导致工作效率低下、易出错，而应用LPR系统，只需要将车辆信息输入系统中，系统可以24小时连续对过往的车辆进行自动检测，对车牌号码进行识别、比较、处理，若符合条件则立刻发出控制信号。其它如海关边境，应用LPR系统同样可以收到很好的效果[12]。 3) 小区、停车场管理:

在智能小区和智能停车场，应用LPR系统后，出入车辆可以在不停车状态下进入入口，而系统可以及时识别车牌号，将车辆信息经过通信网络传到小区或停车场管理系统，从而免去管理人员的人工干扰，节省人力物力。

4) 车牌验证，车流统计，移动和车载系统:

LPR系统也可以应用于交通管理部门、路桥卡口等进行车流统计;在移动和车载中，应用LPR系统可以对公路、街道等复杂地点的车

5

辆随时进行车辆牌照识别，有利于管理部门进行巡视、监管、处理突发情况。同时，汽车牌照自动识别的基本方法还可应用到其他检测和识别领域，所以汽车牌照的识别问题已成为现代交通工程领域中研究的重点和热点问题之一[13]。

1.2 国内外研究现状

目前，基于数字图像处理和模式识别的方法是车牌自动识别中最为常用和最为有效的方法。车牌识别的两个关键指标是识别精度和识别速度。随着计算机技术的发展，计算机处理能力越来越强，识别速度有了很大的提高，随着LPR技术的发展，国内外都有大量关于车牌识别方面的研究的报道。

国外这方面的研究工作开展的比较早，其中有代表性的工作有如下几个方面：R.Mullot等开发了一种既可以用于集装箱识别，又可用于车牌识别的系统，该系统主要是利用文字纹理在车辆图像中的共性进行定位与识别，车牌识别与集装箱识别共用一套硬件系统。Youngsungso开发出一套实时车牌识别系统，据报道该系统的车牌定位正确率达到99.2%。日本在车牌图像的获取的方面作了大量的研究，并为系统产业化作了大量的工作[14-20]。

国内也有大量的学者从事这方面的研究，中国科学院自动化所的刘智勇等发表文章针对车牌特点，设计了一个变换函数来突出其特点，从而进行车牌提取，该方法采用最大方差法来进行二值化闽值的选取，并对二值化后的图像进行水平扫描，找出候选区域。他们在一

6

个样本数为3180的样本集中，车牌定位准确率为99，42%，切分准确率为94.52%，从当时来看这是一个非常高的指标，他们这套系统后来和汉王公司的车牌识别系统有很大的关系。北航的胡爱明等也利用模板匹配技术开发了一种车牌识别系统，其识别正确率据报道为97%以上，应用环境为收费站[21]。

1.3 本文章节安排

本文以解决牌照识别中的问题为主线，各个章节内容安排如下： 第一章：绪论中介绍了课题研究的背景，国内外研究的现状等，已经本文的章节安排。

第二章：车牌的图像预处理技术，介绍了几种预处理技术，已经各种技术的应用，举实例说明预处理的过程和算法。

第三章：车牌的定位技术，介绍了几种车牌定位技术和算法，并举实例说明算法的过程。

第四章：车牌的分割技术，介绍了几种车牌分割技术和算法，并举实例说明算法的过程。

第五章：车牌的字符识别技术，介绍了几种车牌字符识别技术和算法，并举实例说明算法的过程

第六章：总结与展望。总结了本文的主要工作，展望下一步的可能工作安排。

7

二． 车牌照图像预处理技术

在实际应用中，我们的系统获取的原始图像不是完美的，例如对于系统获取的原始图像，由于噪声、光照等原因，图像的质量不高，所以需要进行预处理，以有利于提取我们感兴趣的信息。图像的预处理既可以在空间域实现，也可以在频空间内实现，为了便于图像处理，将更多的精力投入到算法的研究与实现上，车牌图像预处理是指对获取的原始车牌图像进行车牌定位、分割和字符识别前所进行的前处理。预处理的主要目是消除图像中的干扰信息，恢复有价值的信息，增强汽车牌照的可检测性和最大限度的降低车牌识别系统的运算量，从而改进车牌图像进行车牌定位、分割和字符识别的可靠性[22]。 本文图像预处理包括对采集到的原始图像进行色彩校正、图像增强、灰度化、滤波、锐化等处理，以克服干扰因素，最大限度的提高识别效果。车牌识别中的图像获取一般通过摄像机完成的。由于硬件等因素，所获取的目标图像中，含有复杂的车身背景及自然背景信息，同时易受照明条件、天气条件和运动失真、模糊等因素的影响，严重影响获取图像的质量，给之后的车牌分割及字符识别带来很大的困难，所以在进行车牌识别之间有必要对图像进行预处理操作。

2.1CIE-XYZ系统转化

本程序是采用RGB转化为CIE-XYZ系统来进行运算。CIE-XYZ系统，就是在RGB系统的基础上，用数学方法，选用三个理想的原色来代替实际的三原色，从而将CIE-RGB系统中的光谱三刺激值 和色度坐标r、g、b均变为正值。

8

选择三个理想的原色（三刺激值）X、Y、Z，X代表红原色,Y代表绿原色,Z代表蓝原色,这三个原色不是物理上的真实色，而是虚构的假想色。由XYZ形成的虚线三角形将整个光谱轨迹包含在内。因此整个光谱色变成了以XYZ三角形作为色域的域内色。在XYZ系统中所得到的光谱三刺激值、 、、和色度坐标x、y、z将完全变成正值。经数学变换，两组颜色空间的三刺激值有以下关系： X=0.490R+0.310G+0.200B Y=0.177R+0.812G+0.011B ? Z= 0.010G+0.990B

两组颜色空间色度坐标的相互转换关系为：

x=（0.490r+0.310g+0.200b）/（0.667r+1.132g+1.200b） y=（0.117r+0.812g+0.010b）/（0.667r+1.132g+1.200b）?

z=（0.000r+0.010g+0.990b）/（0.667r+1.132g+1.200b） ?只要知道某一颜色的色度坐标r、g、b，即可以求出它们在新设想的三原色XYZ颜色空间的的色度坐标x、y、z。通过式?的变换，对光谱色或一切自然界的色彩而言，变换后的色度坐标均为正值，而且等能白光的色度坐标仍然是（0.33，0.33），没有改变。由CIE-RGB系统按表的数据，计算的结果。所有光谱色度坐标x(l)，y(l)，z(l)的数值均为正值。

9

2.2 车牌的灰度化

数字摄像机采集到的原始图像是 24 位真彩色图像，真彩色图像又称RGB 图像，它是利用 R , G ,B 三个分量表示一个像素值，其中 R , G ,B分别代表红、绿、蓝三种不同的颜色分量，通过三基色可以合成出242 种颜色。一幅 m × n大小的图片，需要一个 m × n× 3的多维数组才能存储。在存储上开销很大，而且在进行图像处理算法时会占用很大运算量。因此在对图像进行车牌定位分割等处理时要先将 24 位真彩色图像转变为灰度图像，以减小运算量。 1.最大值算法：取 R , G ,B 值中最大的一个值，即 Gray =max( R , G , B)

2.平均值算法：取 R , G ,B 的值的平均值作为灰度值，即 Gray = ( R + G +B) / 3

3.取 YUV 颜色空间的亮度分量 Y 的值为当前像素值，即 Gray = (W r * R + Wg * G +Wb * B)

其中 , ,r g b W W W 分别为 R , G ,B 的权值。 2.3膨胀运算 2.3.1膨胀定义

膨胀：将与物体接触的所有背景点合并到该物体中，使边界向外部扩张的过程。利用它可以填补物体中的空洞。B对X膨胀所产生的

10

二值图像D是满足以下条件的点（x,y）的集合:如果B的原点平移到点（x,y），那么它与X的交集非空。在膨胀操作时，输出像素值是输入图像相应像素邻域内所有像素的最大值。 2.3.2膨胀运算规则：

超出图像边界的像素值定义为该数据类型允许的最小值，对于二膨进制图像，这些像素值设置为0；对于灰度图像，unit8类型的最胀 小值也为0。

膨胀效果图

三． 车牌照定位技术

牌照的定位从图像处理的意义上来说就是从一幅随机图像中找出一块具有某种特征的区域，该区.域中包含了汽车牌照。这种特征就是牌照本身区别于图像其他部分的特征。根据特征提取的不同，牌照定位的方法也就有很大的不同:

1.利用牌照具有四边形边框的特点，通过检测图像中的长直线段，

11

然后用一定的约束条件进行搜索的方法来确定牌照的位置。这种方法定位的精度较高，但是易受到噪声的影响。且对有些边框磨损、不明显的牌照效果不好。

2.利用统计投影直方图的方法，通过对含有汽车的图像水平和垂直两个方向的灰度投影直方图的分析，来推断出汽车牌照的位置。这种方法优点是对图像中的噪声不敏感，缺点是定位精度不够高。 3.区域生长法是对边缘图像进行均匀性区域生长以获得潜在车牌区域，然后利用车牌的几何特征以及车牌区域内的边缘灰度直方图统计特征删除伪车牌，即得到真实车牌。

4.DTF变换法是先对图像逐行做DTF变换，然后把频率系数逐行累加平均，并根据这些平均值做出频率谱曲线，根据频谱曲线中的“峰”的起始点位置确定车牌水平位置，对这一水平区域逐列做DTF变换可确定车牌竖直位置。

5.近年来又出现了基于彩色汽车图像牌照定位的方法。这种方法主要是利用我国汽车牌照字符与底色对比较多，彩色图像比灰度图像能够更多的视觉信息并对各种光照不敏感等特点。这种方法也取得了较好的效果。

本文采用对汽车图像进行水平扫描的办法对车牌区域进行定位分割。这种方法克服了噪声的影响又提高了车牌定位分割的准确性。在最后章节的实现中会具体看到算法的效果。 3.1 SOBEL边缘检测

Sobel算子用于图像处理 ，特别是在边缘检测算法。 从技术上

12

讲，它是一个离散的微分算子 ，计算了该逼近梯度的图像强度函数。 在图像中的每个点，Sobel算子的结果是，其对应的梯度向量或向量的范数。 该Sobel算子是基于卷积具有体积小，可分的形象，价值过滤和整数水平和垂直方向，因此在计算方面相对便宜。 另一方面，梯度近似它生产的是比较粗糙，特别是对图像中的高频率的变化。 简化描述：简单来说，操作计算梯度强度在每一点的形象，使光的方向最大可能增加对黑暗和方向率的变化研究。 因此，结果显示“突然”或“顺利”的形象在这一点上的变化，因此，怎么可能，那就是这种形象的一部分，代表了优势 ，以及如何这种优势很可能是导向。 在实践中，幅度（边可能性）计算更可靠和更容易理解的方向比计算。 数学上， 渐变的双变量函数（这里的图像强度函数），是在每个图像点的二维向量与给定的组件衍生物在水平和垂直方向。 在每一个像点，在最大可能强度增加的方向梯度矢量点，渐变的矢量长度对应于在该方向的变化率。 这意味着，该Sobel算子在图像点在不断图像强度区域结果是零向量，在边缘上的一个点是一个向量，点对面，从黑暗的边缘，到光明的价值。

算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。 边沿提取图片

13

3.1.1SOBEL算子优点：

产生较好的边缘检测效果，抗噪声能力较好，受噪声影响小。SOBEL算子利用像素点上下左右邻点的灰度加权算法，根据边缘的极值这一现象进行边缘的检测。对噪声具有平滑左右。 3.2 RANDON图像旋转 3.2.1RANDON变换：

其原理是对原图像沿不同方向进行投影，并对投影结果建立二维直方图．选取极值点为直线所对应的点(二维直方图中的每一个极值点的两坐标对应直线边缘的倾斜角度和位置，而该坐标处对应的函数值对应投影的高度)，从而可以得到直线的几何参数信息(倾斜角度和位置)．如果物体图像具有大致沿竖直方向的物体边缘，须先将图像进行预处理得到二值图像．然后根据Randon变换，沿竖直方向对二值图像进行投影．

3.2.2RANDON具体数学原理

设?（x）的= ?（的x，y）是一个连续函数，Radon变换，R?，是由一个函数 L 2中定义的空间直线在 R 线积分沿每个这样的行：

14

通过参数化

Radon变换可表示在这些坐标

3.2.3图像的旋转：

应用语句 imrotate Bilinear 双线性插值法

imrotate(bw2,a,'bilinear');%bw2为二值图像旋转

四． 车牌字符分割技术

为了准确地识别牌照上的汉字、英文字母和数字。必须把单个字符从牌照中提取分离出来。在实际处理中，我们面对的是要识别的牌照字符情况非常复杂。可能会存在较大的干扰、噪声，这是由于各种设备可能产生的噪声所引起的，使得牌照图像中可能产生字符之间断裂的现象，图像中算符的笔画可能产生字符之间粘连或者字符断裂的

15

现象;算符的笔画可能变粗，其影响是字符的轮廓模糊不清、字符之间粘连。同时，经牌照定位而分割出的牌照区域亦非完全精确到牌照上的字符区域，所面对的是在牌照四个边框附近误差几个象素;并且字符为白字，还将有汽车保险杠与牌照四边边框的残留图像以及牌照上两个铆钉干扰的一个区域。这就要求我们对牌照要有一定的了解。 现有的牌照有四种类型:(1)小功率汽车所用的蓝底白字牌照;(2)大功率汽车所用的黄底黑字牌照;(3)军用或警用的白底黑字、红字牌照;(4)国外驻华机构用的黑底白字牌照。这四种牌照的外轮廓长度均为45Omm，总的宽度为150mm，共有字符7个(不包括第二、三字符之间的小圆点)。标准的民用车辆牌照(军车、警车、教练车、领事馆车除外)均为七个字符，首位为省名缩写(汉字)，次位为英文字母，再次位为英文字母或阿拉伯数字，末四位字符均为数字。字符总长度为409mm，其中单个字符统一宽度为45mm，高90mm，第二三个字符间间距为34mm(中间小圆点10mm宽，小圆点与第二、三个字符间间距分别为12mm)，其余字符间间距为12mm。牌照字符为规则的印刷体字，其字符串长度比、字符间隙、字符的宽高比及笔画宽高都是按照严格的标准制造的，在牌照图像数字化、提取和校正的过程中会代入一些干扰，但字符串参数之间的相互关系都不会发生很大的变化。

实现字符分割的算法如下:记录竖直方向投影值小于一定阈值的水平坐标，为的字符分界点，从而进行字符的分割[23]。 影响算法效率的主要因素:

16

1.判断是否为字符边界线的闭值; 2.寻找字符右侧边界的时候跳动的距离。

这种切分算法简单，但是适应性不强。实际中汉字可能与左边框相连，在字符分割时有可能会把边框包括进去。对于这个问题的处理方法是:如果发现汉字宽度大于标准宽度，则根据标准宽度由左到右取出预选字符的一部分作为最后的汉字部分，以去掉左边框部分。对于与字符相连的右边框，我们也作同样处理。其中，标准宽度是根据字符高度与字符固定宽高比例计算所得。通过检查字符的宽度，我们也可以发现字符间的粘连问题。如果某字符的宽度远远大于标准字符宽度，先找出它所在的位置，根据此预选字符的实际宽度和所处位置可估算出所含的这几个字符在车牌字符串中的排位。例如:如果发现车牌的第4、5、6这几个字符相连成一个预选字符，我们从预选字符的左端开始取一个具有标准字符宽度的部分，作为第4个字符，然后右移一个标准间距宽度，再同理选择第5个字符，剩下的便是第6个字符。

五． 车牌字符识别技术

现在就具体字符识别的常用方法作一个介绍和比较。字符识别有 常规方法有以下四种:

1.结构模式识别方法。2. 贝叶斯统计决策模式识别方法。3.结构与统计相结合的识别方法。4.人工神经网络方法。

17

不详细介绍每一种方法，本文中使用人工神经网络方法。 神经网络的字符识别系统是神经网络模式识别系统的一种，基本原理是一致的。根据神经网络字符识别系统中的特征提取部分是否存在，分为两大类:

①有特征提取部分:这一类系统实际上是传统模式识别方法与神经网络方法技术的结合，这种方法可以充分利用人的经验来获取模式特征，利用神经网络分类能力来识别字符。特征提取必须能够真正反映字符的特征。采用这种方法的识别网络的结构一般不很复杂，但抗干扰能力不如无特征提取部分的识别系统。

②无特征提取部分:省去特征提取，整个字符直接作为神经网络的输入。这种方式下，系统用于分类的神经网络的结构复杂度大大增加，输入模式维数的增加导致了网络规模的庞大。此外，神经网络结构需要完全自己消除模式变形的影响。但是这种网络的抗干扰性能好，识别率高。构造神经网络分类器首先要选择适当的网络结构:神经网络分类器的输入就是字符的特征向量，神经网络分类器的输出节点数应根据结果的设定来决定，隐层数要选好，每层神经元数要合适，目前有很多采用一层隐层的网络结构。然后要选择适当的学习算法，这样才会有很好的识别效果。

六． 实现及测试结果

本章中将会给出设计并实现的车牌识别系统的实际过程。本文最后使用MATLAB2010开发了基于图像的车牌识别系统，系统的实现

18

过程如下：图1为选取的一张拍摄下来的汽车图片，使用图1为原始采集到的汽车图片处理。

图1 处理的原始图片

使用了“Yellow region filter”和“yellow region dialted”，提取汽车车牌的黄色区域，和对黄色区域做腐蚀膨胀运算，如图2-3所示：

19

图2 Yellow Regions Filter 结果

图3 Yellow Regions Diltated 结果

然后使用“license plate region”获得到车前的车牌区域，并对

车牌区域进行放大。如图4所示：

20

图4 license plate region结果

继续处理图像，使用“Determing the angle of the plate using the radon transform”通过radon变换获取车牌区域的角度。如图5所示：

图5 radon变换获取车牌区域的角度结果

使用“yellow region rotated”和“yellow region dialted”将汽车车

牌的黄色区域进行角度旋转，并再次进行腐蚀和膨胀操作。如图：6-7

21

所示：

图6 “yellow region rotated” 结果

图7 “yellow region Dilated” 结果

然后使用“improved license plate region”将车牌区域增强。如图8所示：

22

图8 “improved license plate region” 结果

9-10 是调整后的颜色控制变化：

图9 颜色空间变化-1

23

图

图9 颜色空间变化-2

然后，使用“LP Grop”，获取车牌颜色数字区域，详细如图10所

示：

图10 获取车牌颜色数字区域结果

使用“Gray Scale Lp”主要将数字区域转换成为灰度，如图11所

示：

24

图11 “Gray Scale Lp”转换灰度结果

使用“LP quantisation and equalization”进行处理：

图12 LP quantisation and equalization处理结果

使用“Binary LP”和“normalized LP”将图13,14图片进行数字化和标准化：图15是调整后的颜色空间，图16为LP矫正；

图13 Binary LP 结果

图14 normalized LP结果

25

图15 颜色空间变化结果

图16 LP Horizontal Contours Adjusted 结果

图17-23为整个字符识别的过程，弄清楚后面数字如何识别数字7识别：

26

图17 第一个数字“7”识别过程

图18 第二个数字“8”识别过程

27

图19 第三个数字“9”识别过程

图20 第四个数字“7”识别过程

28

图21 第五个数字“5”识别过程

图22 第六个数字“0”识别过程

29

图23 第七个数字“4”识别过程

总识别结果如图24所示：

图24 最终结果

经过100此的不同图像车牌识别测试，本系统的正确率在90%以上。

30

七． 总结与展望

7.1 本文工作总结

本文论述了汽车牌照识别的主要应用技术和现阶段的发展动向，简要介绍了车牌识别系统软件设计要求，对图像处理处理技术中的图像分割理论和方法进行了讨论;论文着重对牌照的预处理、定位、字符识别中特征量的提取、神经网络的构成原理及算法实现进行了详细分析，并用软件实现了完整的系统。通过实验验证了所提出的方法的可行性。

7.2 下一步工作展望

从技术角度来讲，运用以计算机、通讯和控制技术，即3C技术为代表的现代科技对交通系统进行控制和管理。涉及的技术领域很广，包括系统工程、信号处理、电子工程、机械工程、计算机科学以及运筹学等领域。牌照识别在其中占有重要地位，可以广泛应用于高速公路监控、电子警察、停车管理等系统。这对于我国交通状况智能化有很大现实意义。由于存在巨大的市场潜力，很多公司对牌照识别项目投入了大量的资金。北京行者多媒体有限公司、普天集团、普天首信集团此事业部等公司都在此项技术的市场化方面进行了有益的尝试。但是由于牌照识别的技术含量高、受客观条件影响大等因素，并未见有较为通用的牌照识别系统由国内的公司所开发。大部分的牌照识别系统属于实验室产品，未经过严格的测试和市场检验。从目前

31

的技术发展角度来看，开发一套通用的、可适应于各种环境且真正具有应用能力的牌照识别系统仍是较为困难的，但是开发一种特定条件下的牌照识别系统是完全可行的，并且具有很大的应用价值。 另外，如果一张图片内有多个车牌的情况下，识别系统的正确性也需要下一步工作证实。

32

参考文献

[1] Charl Coetzee.PC based number plate recognition system.IEEE Transaction on

Pattern Analysis and Machine Intelligence,7(8):124-129,1998.

[2] Takashi Naito,Toshihiko Tsukada.Moving-Vehicle license plate recognition

method robust to changes in lighting conditions.System and Computer in Japan,Vol.31,No.11,2000,pp:82-92.

[3] Masataka Kagesawa,Shinichi Ueno.Vehicle recongnition system in infrared

images using IMAP parallel vision board.Electronics and Communications in Japan, Part 3,Vol.86,No.5,2003.

[4] Da-shan Gao,Jie Zhou.Car license plate detection from complex scene.ICSP2000,

pp:1409-1414.

[5] D.M.Emiris,D.E.Koulouriotis.Automated optic recognition of alphanumeric

content in car license plates in a semi-structured environment.IEEE Transaction on Pattern Analysis and Machine Intelligence,7(8):121-129,2001.

[6] 刘庆祥，蒋天发.智能车牌识别系统中图像获取技术的研究.武汉理工大学学

报.2003，（2）：127-130.

[7] 孟国强，陈大立，窦凯.车辆牌照自动识别系统预处理算法研究.河南科

学.2002，（10）：594-596.

[8] 张芮，姚明海，顾勤龙.车辆牌照识别系统的一个新的实现方法.控制工

程.2003,10(1):59-61.

[9] 刘忠伟,章毓晋.利用局部累加直方图进行彩色图像检索.中国图像图形学

报,1998,Vol.3(7),pp:533-537.

[10] Pass G.,Zabih R..Histogram refinement for content-based image retrieval.

Proceedings 3rd IEEE Workshop on Applications of Computer Vision,WACV 96,pp:96-102.

[11] Androutsos D..A Novel Vector-Based Approach to Color Image Retrieval Using

a Vector Angular-Based Distance Measure,Computer Vision and Image

33

Understanding, 1999,Vol.75(1),pp:46-58.

[12] 袁志伟，潘晓露，陈艾，李一民.车辆牌照定位的算法研究.昆明理工大学学

报.2001，(4)：56-60.

[13] 袁宝民，于万波，魏小鹏.汽车牌照定位研究综述.大连大学学报.2002，（4）：

6-11.

[14] 张引.基于空间分布的最大类间方差牌照图像二值化算法.浙江大学学

报.2001，（5）：272-275.

[15] 黄志斌.面向车辆牌照的L快速二值比算法.华侨大学学报.2002，（10）：

427-430.

[16] 叶芗芸，戚飞虎，吴健渊.文本图像的快速二值化方法.红外与毫米波学

报.1997，（10）：344-350.

[17] 潘武模，焦扬，王庆人.Hough变换在中文名片图像倾斜校正中的应用.中文

信息学报.15，（3）：50-56.

[18] 崔新春，魏春英.基于小波变换和亮度矩的车牌图像分割算法.曲阜师范大学

学报，2002，Vol.28(4).

[19] 叶晨洲，廖金周，梅帆.车辆牌照字符识别系统.计算机系统应用.1999，（5）：

10-13.

[20] 廖金周，宣国荣.车辆牌照的自动分割.微型电脑应用.1999，（7）：32-34. [21] 王广宇.车辆牌照识别系统综述.郑州轻工业学院学报（自然科学版）.2001，

（6）：47-50.

[22] 崔江，王友仁.车牌自动识别方法中的关键技术研究.计算机测量与控制.2003，

（11）：260-262.

[23] 尹令，黄辉先，汤红忠.车牌定位、分割算法研究及其在VC++中的实现.湘潭

大学自然科学学报.2006，（6）：102-105.

34

致谢（模板）

首先要感谢我的指导老师×××教授的关心和指导。×老师是×××大学×××学院的一名教授，为人谦和，具有严谨的治学态度，在论文的创作中一直给与我无私的帮助和关心。在此表达我对×××老师的崇高的敬意，感谢老师从立题到论文完成整个过程对我的悉心指导和全力支持。

同时，感谢我的兼职指导教师×××对我的关心和指导。并且感谢×××理和×××对我的帮助，×××和×××在项目的实践教育上使我获益匪浅。

感谢实习公司给了我一个很好的实习机会，感谢×××有限公司负责人×××老师，×××老师在各个方面给了我很多的指导，使我受益匪浅。

最后，感谢我的父母，今天的成果来自于他们的默默支持。感谢所有帮助和支持过我的老师、同学、亲人和朋友。

35

本文来源：https://www.bwwdw.com/article/i0e3.html