車牌識別課程設計--車牌識別的設計與實現

1、<p><b>　　課 程 設 計</b></p><p>　　車牌識別的設計與實現</p><p><b>　　姓名： </b></p><p><b>　　學號 ： </b></p><p><b>　　專業(yè)：信息工程</b></p&g

2、t;<p><b>　　指導老師： </b></p><p><b>　　2014年1月 </b></p><p>　　車牌識別的設計與實現</p><p>　　摘要：隨著我國經濟、交通的的快速發(fā)展，車牌定位系統(tǒng)以及車牌字符自動識別技術也逐漸受到人們的重視。車牌識別是對采集的車牌圖像進行灰度變換、邊緣檢測、腐

3、蝕以及平滑處理，最后在取得的大對像中移除小對像，由此提出了一種基于車牌紋理特征的車牌定位算法，最終實現對車牌的定位。車牌字符分割是為了以便后續(xù)對車牌模板進行匹配從而對車牌進行識別，考慮到我國車牌的結構構成所采用的字符并不是很多，由此本文采用了模板匹配的方法，對輸出的圖像和模板庫里的模板進行匹配，通過處理后得到的圖片與模板字符相減，得到的0越多那么就越匹配，然后對其個數進行累計并找出數值最大的，即為識別出來的結果。</p>

4、<p>　　關鍵詞：字符識別；模式識別；車牌定位；模板匹配；邊緣檢測</p><p><b>　　1 引 言</b></p><p>　　近年來隨著社會經濟的高速發(fā)展、汽車數量急劇增加，對交通管理的要求也日益提高，而相應的人工管理方式以不能滿足實際的需要，微電子、通信和計算機技術在交通領域的應用極大地提高了交通管理的效率。運用電子信息技術實現安全、高效的智能

5、交通成為交通管理的主要發(fā)展方向。汽車牌照號碼是車輛的唯一“身份”標識，通過智能的車牌定位及識別技術將對于維護交通安全和城市治安，防止交通堵塞，實現交通自動化管理有著現實的意義。</p><p>　　車牌識別技術(Vehicle License Plate Recognition，VLPR) 是指能夠檢測到受監(jiān)控路面的車輛并自動提取車輛牌照信息進行處理的技術。車牌識別是現代智能交通系統(tǒng)中的重要組成部分之一，應用十分

6、廣泛。它以數字圖像處理、模式識別、計算機視覺等技術為基礎，對攝像機所拍攝的車輛圖像或者視頻序列進行分析，得到每一輛汽車唯一的車牌號碼，從而完成識別過程。</p><p>　　車牌定位與字符識別技術是基于計算機圖像處理、模式識別等技術為基礎，通過對原圖像的處理，以及邊緣檢測技術實現對車牌的定位，然后對車牌圖像處理、歸一化處理、分割以及保存，最后進行分割圖像與模板庫的模板進行匹配，最后輸出匹配結果。車牌的智能定位以及

7、識別是一個完整的系統(tǒng)，考慮到其應用的普遍性以及廣泛性，就要求我們在設計過程中考慮到以下幾方面：</p><p>　?。?）準確性:盡可能的避開其他外界造成的干擾，準確的識別車牌信息。</p><p>　?。?）實時性:考慮到車載行駛的過程中速度不一，對觸發(fā)超速攝像的抓拍應當及時的對其進行識別并且儲存，才能有效的提高工作效率。</p><p>　　（3）優(yōu)化性：采用竟

8、可能低的硬件要求，對其快速的做出的計算與識別。</p><p>　　本文采用的是選取不同的邊緣算子檢測，通過實驗分析不同算子的效果，最終選取了canny算子進行車牌的邊緣檢測，更好的對其進行檢測與識別，然后通過二值化等處理進行分割，最終與模板庫模板進行對比，達到車牌識別的目的。 2 車牌識別系統(tǒng)分析</p><p>　　2.1 車牌識別現狀分析</p><p>

9、　　模式識別[]是一門以應用為基礎的學科，目的是將對像進行分類，這些對像與應用領域有關，他們可以是圖像，信號波形或者是任何可測量且需要分類的對像，在機器視覺中，模式識別是非常重要的，機器視覺系統(tǒng)通過照相機捕捉圖像，然后通過分析生成圖像的描述信息。車牌識別技術是計算機模式識別技術在智能交通領域的典型應用，是一個以特寫目標為對像的專用計算機視覺系統(tǒng)[]。簡單地說，它使計算機能像人一樣認識汽車牌照(包括車牌的漢字、字母、數字)。</p&

10、gt;<p>　　車輛牌照識別技術推出以來，人們就對其進行了廣泛的研究。從20世紀90年代初，國外就已經開始了對汽車牌照自動識別[]的研究，其主要途徑就是對車牌的圖像進行分析，自動提取車牌信息，確定汽車牌號。國外己有不少相關的文章發(fā)表，有的己經非常成熟，投入實際使用。</p><p>　　我國車牌自動識別的研究起步較晚，大約發(fā)生在八十年代末。1988年戴營等利用常見的圖像處理技術方法提出漢字識別的分

11、類是在提取漢字特征的基礎上進行的。根據漢字的投影直方圖（ProjectionHIStogram），選取浮動閡值，進行量化處理后，形成一個變長鏈碼，再用動態(tài)規(guī)劃法，求出與標準模式鏈碼的最小距離，實現細分類，完成漢字省名的自動識別。 </p><p>　　目前我國市場上有二十幾家企業(yè)從事車牌識別產品的開發(fā)和生產，其中比較成熟的有香港的ASiavisionTeChnologyLtd公司（亞洲視覺科技有限公司）、北京

12、</p><p>　　漢王、沈陽聚德、川大智勝、上海高德威、清華紫光、杭州友通、深圳科安信、利普視覺中智交通電子系統(tǒng)有限公司等企業(yè)。</p><p>　　2.2 車牌識別的意義</p><p>　　結合我國的國情，由于我國地域廣闊，車輛道路復雜，安裝相應的檢測設備或者人員配備投資巨大，且造成人力物力的浪費，因此我們急需對現有的檢測設備優(yōu)化，而車牌識別技術恰好能滿足這

13、一需求，通過車牌識別我們可以解決被納入“黑名單”的通緝車輛，可以統(tǒng)計一定時間范圍內進出各省的車輛，還能有效的對該車輛進行定位，對公安機關等相關部門有著很重要的作用，具體歸結應用方式如下：</p><p><b>　　1）監(jiān)測報警 </b></p><p>　　對于納入“黑名單”的車輛，例如：被通緝或掛失的車輛、欠交費車輛、未年檢車輛、肇事逃逸及違章車輛等，我們只需要把

14、其牌照的信息輸入系統(tǒng)，那么該車輛在通過裝有全國聯網系統(tǒng)的路口或者收費站等卡口時，信息采集設備將會對其進行采集并且與數據庫對比，實現其定位。這種方式可以通過程序實現24小時工作，而且此過程保密性好，不會提醒黑名單車輛的死機。</p><p>　　2）車輛出入自動登記及放行</p><p>　　在需要管制的小區(qū)或者辦公場所門口裝設車牌識別系統(tǒng)，那么汽車進出此場所時間，車牌牌照等信息將會被存儲在

15、相應的數據庫中，通過修改相應的數據庫，添加車牌信息，我們還能讓自動門禁對相應的車輛進行自動放行，如遇到非數據庫中的車輛則由保安進行相應的咨詢，或批準后人為放行。這不僅提高物業(yè)管理的效益，同時自動比對進出車輛，防止偷盜事件的發(fā)生。</p><p><b>　　3）違法違章管理 </b></p><p>　　車牌識別技術結合測速設備可以用于車輛超速違章處罰，一般用于高速公

16、路、容易肇事路段。還可以在紅綠燈路口加上紅外檢測實現違規(guī)檢測，對出現闖紅燈的現像或者違規(guī)轉彎的現像進行相應的數據采集。將其傳送至相關部門，從而對其下發(fā)處罰通知書，實現對其處罰。</p><p>　　4）交通流控制指標參量的測量</p><p>　　為達到交通流控制的目標，一些交通流指標的測量相當重要。車牌識別系統(tǒng)能夠測量和統(tǒng)計很多交通流指標參數例如車流量，車流高峰時間段，平均車速，車輛密度

17、等。這也為交通誘導系統(tǒng)提供必要的交通流信息。從而能夠有效的采取措施預防堵車，排隊，事故等交通異?，F像。</p><p>　　5）移動電子警察系統(tǒng)</p><p>　　隨著我國公路基礎建設的快速發(fā)展，公路的質量、里程都有了很大程度上的提高，但也出現了不交養(yǎng)路費等情況，給國家造成了巨大的經濟損失。且丟失車輛稽查、車輛是否合法、攔車路檢等情況都需要公安人員對其進行相應的檢查，由于人工判斷工作效率

18、很低且容易讓正常車主及乘客造成誤解，現在有了車牌自動識別技術之后將大大提高辦公效率以及檢查的準確性，很大程度上解決了以上的問題。</p><p><b>　　3實現目標和功能</b></p><p>　　車牌識別(Vehicle License Plate Recognition，VLPR) 是現代智能交通系統(tǒng)中的重要組成部分之一，應用十分廣泛，車牌識別技術通過對信息

19、量較大的對像采集，然后經過一系列的處理提取了相對較小的信息量且有價值的一部分信息，僅僅提取識別車“身份”的車牌信息。在交通管理過程中，通常采用視頻監(jiān)控方式對闖紅燈和超速等違章車輛進行監(jiān)督。對違章車輛，需要自動檢測車牌信息，提取車牌號碼，以便查找車主信息和監(jiān)督管理。對于維護交通安全和城市治安，防止交通堵塞，實現交通自動化管理有著現實的意義。</p><p><b>　　實現功能</b><

20、/p><p>　　1）對圖像進行預處理，增加圖像的對比度；</p><p>　　2）根據圖像的顏色對車牌區(qū)域定位</p><p>　　3）對圖像進行旋轉、二值化操作，并進行水平投影操作，根據直方圖峰值和谷值對字符進行分割；</p><p>　　4）可采用模板匹配方法，對數字和字母進行識別，并輸出識別后的結果。</p><p&g

21、t;　　4 實現所采用的方法</p><p>　　車輛牌照識別整個系統(tǒng)主要是由車牌定位和字符識別兩部分組成，其中車牌定位又可以分為圖像預處理及邊緣提取模塊和牌照的定位及分割模塊；字符識別可以分為字符分割與特征提取和單個字符識別兩個模塊。</p><p>　　為了用于牌照的分割和牌照字符的識別，原始圖像應具有適當的亮度，較大的對比度和清晰可辯的牌照圖像。但由于該系統(tǒng)的攝像部分工作于開放的戶外

22、環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時攝像機與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照圖像可能出現模糊、歪斜和缺損等嚴重缺陷，因此需要對原始圖像進行識別前的預處理。</p><p>　　牌照的定位和分割是牌照識別系統(tǒng)的關鍵技術之一，其主要目的是在經圖像預處理后的原始灰度圖像中確定牌照的具體位置，并將包含牌照字符的一塊子圖像從整個圖像中分割出來，供字符識別子系統(tǒng)識別之用，分割的準確與否直接關系到

23、整個牌照字符識別系統(tǒng)的識別率。</p><p>　　由于拍攝時的光照條件、牌照的整潔程度的影響，和攝像機的焦距調整、鏡頭的光學畸變所產生的噪聲都會不同程度地造成牌照字符的邊界模糊、細節(jié)不清、筆劃斷開或粗細不均，加上牌照上的污斑等缺陷，致使字符提取困難，進而影響字符識別的準確性。因此，需要對字符在識別之前再進行一次針對性的處理。</p><p>　　車牌識別的最終目的就是對車牌上的文字進行識

24、別。主要應用的為模板匹配方法。</p><p>　　因為系統(tǒng)運行的過程中，主要進行的都是圖像處理，在這個過程中要進行大量的數據處理，所以處理器和內存要求比較高，CPU要求主頻在600HZ及以上，內存在128MB及以上。系統(tǒng)可以運行于Windows98、Windows2000或者Windows XP操作系統(tǒng)下，程序調試時使用matlab。</p><p>　　5實現目標方法流程圖</p

25、><p>　　車牌定位與字符識別技術是基于計算機圖像處理、模式識別等技術為基礎，通過對原圖像的處理，以及邊緣檢測技術實現對車牌的定位，然后對車牌圖像處理、歸一化處理、分割以及保存，最后進行分割圖像與模板庫的模板進行匹配，最后輸出匹配結果。流程如下圖所示</p><p><b>　　車牌識別系統(tǒng)流程圖</b></p><p>　　圖1車牌識別系統(tǒng)流程

26、圖</p><p><b>　　6實現目標主要步驟</b></p><p>　　1） 獲取圖像 裝入待處理彩色圖像并顯示原始圖像 </p><p>　　2） 圖像預處理 對Sgray 原始黑白圖像進行開操作得到圖像背景</p><p>　　3） 取得最佳閾值，將圖像二值化 </p><p>

27、;　　4） 對得到二值圖像作開閉操作進行濾波</p><p>　　5） 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數。進行區(qū)域特征參數比較，提取車牌區(qū)域 </p><p>　　6） 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　7） 計算車牌旋轉角度 </p><p>　　8） 旋轉車牌后重新計算車牌水平投影，去掉車牌水平邊框

28、，獲取字符高度</p><p>　　9） 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　10） 計算車牌上每個字符中心位置，計算最大字符寬度</p><p>　　11） 提取分割字符,并變換為22行?14列標準子圖</p><p><b>　　7 程序結果顯示</b></p>

29、<p>　　Step1 獲取圖像 裝入待處理彩色圖像并顯示原始黑白圖像</p><p>　　圖1-1原始彩色圖像</p><p>　　圖1-2原始黑白圖像</p><p>　　Step2 圖像預處理 對原始黑白圖像進行開操作得到圖像背景</p><p>　　圖2-1原始黑白圖像

30、 </p><p><b>　　圖2-2背景圖像</b></p><p>　　圖2-3增強黑白圖像（原始黑白圖像與背景圖像相減）</p><p>　　Step3 取得最佳閾值，將圖像二值化 </p><p>　　二值圖像是指整幅圖像畫面內僅黑、白二值的圖像。在實際的車牌處理系統(tǒng)中，進行圖像二值變換的關

31、鍵是要確定合適的閾值，使得字符與背景能夠分割開來，二值變換的結果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會產生額外的空缺等等。車牌識別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進行處理，能大大地提高處理效率。閾值處理的操作過程是先由用戶指定或通過算法生成一個閾值，如果圖像中某中像素的灰度值小于該閾值，則將該像素的灰度值設置為0或255，否則灰度值設置為255或0。</p><p><b

32、>　　圖3-1圖像二值化</b></p><p>　　Step4 對得到二值圖像作開閉操作進行濾波 </p><p>　　1)邊緣檢測：兩個具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎。為了對有意義的邊緣點進行分類，與這個點相聯系的灰度級必須比在這一點的背景上變換更有效，我們通過門限方法來決定一

33、個值是否有效。所以，如果一個點的二維一階導數比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據事先定好的連接準則相連的邊緣點就定義為一條邊緣。經過一階的導數的邊緣檢測，所求的一階導數高于某個閾值，則確定該點為邊緣點，這樣會導致檢測的邊緣點太多?？梢酝ㄟ^求梯度局部最大值對應的點，并認定為邊緣點，去除非局部最大值，可以檢測出精確的邊緣。一階導數的局部最大值對應二階導數的零交叉點，這樣通過找圖像強度的二階導數的零交叉點就能找到

34、精確邊緣點。</p><p>　　圖4-1圖像邊緣提取</p><p>　　2)對得到圖像作開操作進行濾波：數學形態(tài)非線性濾波，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題。腐蝕是一種消除邊界點的過程，結果是使目標縮小，孔洞增大，因而可有效的消除孤立噪聲點；膨脹是將與目標物體接觸的所有背景點合并到物體中的過程，結果是使目標增大，孔洞縮小，可填補目標物體中的空洞，形成連通

35、域。先腐蝕后膨脹的過程稱為開運算，它具有消除細小物體，并在纖細處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過程稱為閉運算，具有填充物體內細小空洞，連接鄰近物體和平滑邊界的作用。對圖像做了開運算和閉運算，閉運算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細的鴻溝，消除小的孔洞，并彌補輪廓線中的斷裂。</p><p><b>　　圖4-2圖像閉運算</b></p>

36、<p><b>　　圖4-3圖像開運算</b></p><p>　　Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數。進行區(qū)域特征參數比較，提取車牌區(qū)域</p><p>　　1)對圖像每個區(qū)域進行標記，然后計算每個區(qū)域的圖像特征參數：區(qū)域中心位置、最小包含矩形、面積。</p><p>　　圖5-1圖像彩色標記</p>

37、;<p>　　2)計算出包含所標記的區(qū)域的最小寬和高，并根據先驗知識，比較誰的寬高比更接近實際車牌寬高比，將更接近的提取并顯示出來。</p><p>　　圖5-2車牌灰度子圖與二值子圖</p><p>　　Step6 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　1)對水平投影進行峰谷分析,計算出車牌上邊框、車牌字符投影、車牌下邊框的

38、波形峰上升點、峰下降點、峰寬、谷寬、峰間距離、峰中心位置參數。</p><p>　　對水平投影進行峰谷分析:</p><p>　　圖6-2車牌二值子圖</p><p>　　Step7 計算車牌旋轉角度</p><p>　　1)車牌傾斜的原因導致投影效果峰股谷不明顯，在這里需要做車牌矯正處理。這里采取的線性擬合的方法,計算出車牌上邊或下邊圖像值

39、為1的點擬合直線與水平X軸的夾角。</p><p>　　Step8 旋轉車牌后重新計算車牌水平投影，去掉車牌水平邊框 </p><p>　　圖8-1垂直與水平投影</p><p>　　Step9 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　1)通過以上水平投影、垂直投影分析計算，獲得了車牌字符高度、字符頂行

40、與尾行、字符寬度、每個字符的中心位置，為提取分割字符具備了條件。</p><p>　　Step10字符分割及輸出結果</p><p>　　進行車牌識別前需要使用樣本對神經網絡進行訓練，然后使用訓練好的網絡對車牌進行識別。其具體流程為:使用漢字、字母、字母數字、數字四個樣本分別對四個子網絡進行訓練，得到相應的節(jié)點數和權值。對已經定位好的車牌進行圖像預處理，逐個的特征提取，然后從相應的文件中讀

41、取相應的節(jié)點數和權值，把車牌字符分別送入相應的網絡進行識別，輸出識別結果。</p><p><b>　　結果圖</b></p><p>　　顯示結果為：除漢字外的字符BB88888 </p><p><b>　　8 結果總結及分析</b></p><p>　　實驗對車牌識別系統(tǒng)的軟件部分進行了研究，

42、分別從圖像預處理、車牌定位、字符分割以及字符識別等方面進行了系統(tǒng)的分析。整理和總結了國內外在車牌定位、分割、字符識別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國車牌的固有特征，以及車牌識別的特點。在車牌定位我們采用基于灰度跳變的定位方法，采用先對圖像進行預處理，再進行二值化操作的方法。實驗表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后續(xù)處理的速度?；诓噬至康亩ㄎ环椒ǎ\用基于藍色像素點統(tǒng)計特性的

43、方法對車牌是藍色的車牌進行定位，實驗表明，用該方法實現的車牌定位準確率較高。本設計用MATLAB編程運行結果可以得出，本設計采用的圖像預處理、CANNY邊緣檢測、開閉運算子[5，19]、車牌長寬比特征識別等對車牌的定位都是非常有效的，而本設計提出的二次水平投影分析和閾值技術有效檢測了車牌圖像的上下左右邊框、旋轉角度，準確實現的車牌字符的分割，對多個車牌進行實驗，均有很高的正確率。本設計雖然只對藍底白字車牌進行分割識別，對黑底白字車牌原則

44、上整個算法可直接適用，對白底黑字車牌、黃底黑字車牌，需要對車牌定位算法進行調整，</p><p><b>　　9設計體會</b></p><p>　　經過近一周的奮戰(zhàn)我的課程設計終于完成了。課程設計不僅是對前面所學知識的一種檢驗，而且也是對自己能力的一種提高。以前老是覺得自己什么東西都不會，什么東西都不懂，而且又急于求成，結果造成什么都沒學好，還是什么都不會。通過這次

45、課程設計，我才明白學習是一個長期積累的過程，在以后的工作、生活中都應該不斷的學習，努力提高自己知識和綜合素質，特別是對于我，基礎比較差，一定不能太過于心急，要靜下心來慢慢的研究。在這次課程設計中也使我們的同學關系更進一步了，同學之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對我們更好的理解知識，所以在這里非常感謝幫助我的同學，我也明白學習不是埋頭苦讀書，而是合理的利用資源，從同學那里，老師那里得到的有用的想法和信息，特別是網上

46、有很多很好的資料，對自己的自學能力也是很好的提高。</p><p><b>　　參考文獻</b></p><p>　　[1]（希）西奧多里德斯等著.模式識別（第三版）[M].電子工業(yè)出版社，2006年12月。1-6</p><p>　　[2]孫增祈. 智能控制理論與技術[M]. 北京：清華大學出版社，1999</p><p&

47、gt;　　[3]鐘珞，潘昊，何平.模式識別[M]書.武漢：武漢大學出版社，2006年9月第1版：P1-P5，P62-P64</p><p>　　[4]葉晨洲等. 車輛牌照字符識別系統(tǒng)[J]. 計算機系統(tǒng)應用，1999(5): 10-13</p><p>　　[5]袁志偉，潘曉露. 車輛牌照定位的算法研究[J]. 昆明理工大學學報，2001，26(2)： 56-60</p>&

48、lt;p>　　[6]岡薩雷斯. 數字圖像處理（第二版）[M]. 北京：電子工業(yè)出版社，2007</p><p><b>　　附錄</b></p><p><b>　　主要代碼程序</b></p><p><b>　　clear ;</b></p><p>　　close

49、all;</p><p>　　%Step1 獲取圖像 裝入待處理彩色圖像并顯示原始圖像</p><p>　　Scolor = imread（'3.jpg'）;%imread函數讀取圖像文件</p><p>　　%將彩色圖像轉換為黑白并顯示</p><p>　　Sgray = rgb2gray（Scolor）;%rgb2gr

50、ay轉換成灰度圖</p><p>　　figure,imshow（Scolor）,title（'原始彩色圖像'）;%figure命令同時顯示兩幅圖</p><p>　　figure,imshow（Sgray）,title（'原始黑白圖像'）;</p><p>　　%Step2 圖像預處理 對Sgray 原始黑白圖像進行開操作得到圖

51、像背景</p><p>　　s=strel（'disk',13）;%strel函數</p><p>　　Bgray=imopen（Sgray,s）;%打開sgray s圖像</p><p>　　figure,imshow（Bgray）;title（'背景圖像'）;%輸出背景圖像</p><p>　　%用原始圖像

52、與背景圖像作減法，增強圖像</p><p>　　Egray=imsubtract（Sgray,Bgray）;%兩幅圖相減</p><p>　　figure,imshow（Egray）;title（'增強黑白圖像'）;%輸出黑白圖像</p><p>　　%Step3 取得最佳閾值，將圖像二值化</p><p>　　fmax1=d

53、ouble（max（max（Egray）））;%egray的最大值并輸出雙精度型</p><p>　　fmin1=double（min（min（Egray）））;%egray的最小值并輸出雙精度型</p><p>　　level=（fmax1-（fmax1-fmin1）/3）/255;%獲得最佳閾值</p><p>　　bw22=im2bw（Egray,level）

54、;%轉換圖像為二進制圖像</p><p>　　bw2=double（bw22）;</p><p>　　%Step4 對得到二值圖像作開閉操作進行濾波</p><p>　　figure,imshow（bw2）;title（'圖像二值化'）;%得到二值圖像</p><p>　　grd=edge（bw2,'canny'

55、;）%用canny算子識別強度圖像中的邊界</p><p>　　figure,imshow（grd）;title（'圖像邊緣提取'）;%輸出圖像邊緣</p><p>　　bg1=imclose（grd,strel（'rectangle',[5,19]））;%取矩形框的閉運算</p><p>　　figure,imshow（bg1）;t

56、itle（'圖像閉運算[5,19]'）;%輸出閉運算的圖像</p><p>　　bg3=imopen（bg1,strel（'rectangle',[5,19]））;%取矩形框的開運算</p><p>　　figure,imshow（bg3）;title（'圖像開運算[5,19]'）;%輸出開運算的圖像</p><p>

57、　　bg2=imopen（bg3,strel（'rectangle',[19,1]））;%取矩形框的開運算</p><p>　　figure,imshow（bg2）;title（'圖像開運算[19,1]'）;%輸出開運算的圖像</p><p>　　%Step5 對二值圖像進行區(qū)域提取，并計算區(qū)域特征參數。進行區(qū)域特征參數比較，提取車牌區(qū)域</p>

58、<p>　　[L,num] = bwlabel（bg2,8）;%標注二進制圖像中已連接的部分</p><p>　　Feastats = imfeature（L,'basic'）;%計算圖像區(qū)域的特征尺寸</p><p>　　Area=[Feastats.Area];%區(qū)域面積</p><p>　　BoundingBox=[Feastat

59、s.BoundingBox];%[x y width height]車牌框架大小</p><p>　　RGB = label2rgb（L, 'spring', 'k', 'shuffle'）; %標志圖像向RGB圖像轉換</p><p>　　figure,imshow（RGB）;title（'圖像彩色標記'）;%輸出框架的彩色

60、圖像</p><p><b>　　lx=0;</b></p><p>　　for l=1:num</p><p>　　width=BoundingBox（（l-1）*4+3）;%框架寬度的計算</p><p>　　hight=BoundingBox（（l-1）*4+4）;%框架高度的計算</p><p

61、>　　if （width>98 & width<160 & hight>25 & hight<50）%框架的寬度和高度的范圍</p><p><b>　　lx=lx+1;</b></p><p>　　Getok（lx）=l;</p><p><b>　　end</b>&

62、lt;/p><p><b>　　end</b></p><p>　　for k= 1:lx</p><p>　　l=Getok（k）; </p><p>　　startcol=BoundingBox（（l-1）*4+1）-2;%開始列</p><p>　　startrow=BoundingBox

63、（（l-1）*4+2）-2;%開始行</p><p>　　width=BoundingBox（（l-1）*4+3）+8;%車牌寬</p><p>　　hight=BoundingBox（（l-1）*4+4）+2;%車牌高</p><p>　　rato=width/hight;%計算車牌長寬比</p><p>　　if rato>2 &a

64、mp; rato<4 </p><p><b>　　break;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　sbw1=bw2（startrow:startrow+hight,startcol:s

65、tartcol+width-1）; %獲取車牌二值子圖</p><p>　　subcol1=Sgray（startrow:startrow+hight,startcol:startcol+width-1）;%獲取車牌灰度子圖</p><p>　　figure,subplot（2,1,1）,imshow（subcol1）;title（'車牌灰度子圖'）;%輸出灰度圖</

66、p><p>　　subplot（2,1,2）,imshow（sbw1）;title（'車牌二值子圖'）;%輸出車牌的二值圖</p><p>　　%Step6 計算車牌水平投影，并對水平投影進行峰谷分析</p><p>　　histcol1=sum（sbw1）; %計算垂直投影</p><p>　　histrow=sum（

67、sbw1'）; %計算水平投影</p><p>　　figure,subplot（2,1,1）,bar（histcol1）;title（'垂直投影（含邊框）'）;%輸出垂直投影</p><p>　　subplot（2,1,2）,bar（histrow）; title（'水平投影（含邊框）'）;%輸出水平投影</p>&

68、lt;p>　　figure,subplot（2,1,1）,bar（histrow）; title（'水平投影（含邊框）'）;%輸出水平投影</p><p>　　subplot（2,1,2）,imshow（sbw1）;title（'車牌二值子圖'）;%輸出二值圖</p><p>　　%對水平投影進行峰谷分析</p><p>

69、;　　meanrow=mean（histrow）;%求水平投影的平均值</p><p>　　minrow=min（histrow）;%求水平投影的最小值</p><p>　　levelrow=（meanrow+minrow）/2;%求水平投影的平均值</p><p><b>　　count1=0;</b></p><p>

70、;<b>　　l=1;</b></p><p>　　for k=1:hight</p><p>　　if histrow（k）<=levelrow </p><p>　　count1=count1+1; </p>

71、;<p><b>　　else </b></p><p>　　if count1>=1</p><p>　　markrow（l）=k;%上升點</p><p>　　markrow1（l）=count1;%谷寬度（下降點至下一個上升點）</p><p><b>　　l=l+1;</b&g

72、t;</p><p><b>　　end</b></p><p><b>　　count1=0;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　markrow2=

73、diff（markrow）;%峰距離（上升點至下一個上升點）</p><p>　　[m1,n1]=size（markrow2）;</p><p><b>　　n1=n1+1;</b></p><p>　　markrow（l）=hight;</p><p>　　markrow1（l）=count1;</p>

74、<p>　　markrow2（n1）=markrow（l）-markrow（l-1）;</p><p><b>　　l=0;</b></p><p>　　for k=1:n1</p><p>　　markrow3（k）=markrow（k+1）-markrow1（k+1）;%下降點</p><p>　　mark

75、row4（k）=markrow3（k）-markrow（k）;%峰寬度（上升點至下降點）</p><p>　　markrow5（k）=markrow3（k）-double（uint16（markrow4（k）/2））;%峰中心位置</p><p><b>　　end </b></p><p>　　%Step7 計算車牌旋轉角度</p>

76、;<p>　　%（1）在上升點至下降點找第一個為1的點</p><p>　　[m2,n2]=size（sbw1）;%sbw1的圖像大小</p><p>　　[m1,n1]=size（markrow4）;%markrow4的大小</p><p>　　maxw=max（markrow4）;%最大寬度為字符</p><p>　　if

77、markrow4（1） ~= maxw%檢測上邊</p><p><b>　　ysite=1;</b></p><p><b>　　k1=1;</b></p><p>　　for l=1:n2</p><p>　　for k=1:markrow3（ysite）%從頂邊至第一個峰下降點掃描</p

78、><p>　　if sbw1（k,l）==1</p><p>　　xdata（k1）=l;</p><p>　　ydata（k1）=k;</p><p><b>　　k1=k1+1;</b></p><p><b>　　break;</b></p><p>

79、;<b>　　end</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　else %檢測下邊</p><p><b>　　ysite=n1;</b></p><p>

80、;　　if markrow4（n1） ==0</p><p>　　if markrow4（n1-1） ==maxw</p><p>　　ysite= 0; %無下邊</p><p><b>　　else</b></p><p>　　ysite= n1-1;</p><p><b>　　e

81、nd</b></p><p><b>　　end</b></p><p>　　if ysite ~=0</p><p><b>　　k1=1;</b></p><p>　　for l=1:n2</p><p><b>　　k=m2;</b>&

82、lt;/p><p>　　while k>=markrow（ysite） %從底邊至最后一個峰的上升點掃描</p><p>　　if sbw1（k,l）==1</p><p>　　xdata（k1）=l;</p><p>　　ydata（k1）=k;</p><p><b>　　k1=k1+1;</b&

83、gt;</p><p><b>　　break;</b></p><p><b>　　end</b></p><p><b>　　k=k-1;</b></p><p><b>　　end</b></p><p><b>　

84、　end</b></p><p><b>　　end</b></p><p>　　end </p><p>　　%（2）線性擬合，計算與x夾角</p><p>　　fresult = fit（xdata',ydata','poly1'）; %poly1 Y

85、 = p1*x+p2</p><p>　　p1=fresult.p1;</p><p>　　angle=atan（fresult.p1）*180/pi; %弧度換為度，360/2pi, pi=3.14</p><p>　　%（3）旋轉車牌圖像</p><p>　　subcol = imrotate（subcol1,angle,'bi

86、linear','crop'）; %旋轉車牌圖像</p><p>　　sbw = imrotate（sbw1,angle,'bilinear','crop'）;%旋轉圖像</p><p>　　figure,subplot（2,1,1）,imshow（subcol）;title（'車牌灰度子圖'）;%輸出車牌旋轉后的灰度

87、圖像標題顯示車牌灰度子圖</p><p>　　subplot（2,1,2）,imshow（sbw）;title（''）;%輸出車牌旋轉后的灰度圖像</p><p>　　title（['車牌旋轉角: ',num2str（angle）,'度'] ,'Color','r'）;%顯示車牌的旋轉角度</p>

88、<p>　　%Step8 旋轉車牌后重新計算車牌水平投影，去掉車牌水平邊框，獲取字符高度</p><p>　　histcol1=sum（sbw）; %計算垂直投影</p><p>　　histrow=sum（sbw'）; %計算水平投影</p><p>　　figure,subplot（2,1,1）,bar（histcol1）;title（

89、9;垂直投影（旋轉后）'）;</p><p>　　subplot（2,1,2）,bar（histrow）; title（'水平投影（旋轉后）'）;</p><p>　　figure,subplot（2,1,1）,bar（histrow）; title（'水平投影（旋轉后）'）;</p><p>　　subplo

90、t（2,1,2）,imshow（sbw）;title（'車牌二值子圖（旋轉后）'）;</p><p>　　%去水平（上下）邊框,獲取字符高度</p><p>　　maxhight=max（markrow2）;</p><p>　　findc=find（markrow2==maxhight）;</p><p>　　rowtop=

91、markrow（findc）;</p><p>　　rowbot=markrow（findc+1）-markrow1（findc+1）;</p><p>　　sbw2=sbw（rowtop:rowbot,:）; %子圖為（rowbot-rowtop+1）行</p><p>　　maxhight=rowbot-rowtop+1; %字符高度（rowbot-row

92、top+1）</p><p>　　%Step9 計算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度</p><p>　　histcol=sum（sbw2）; %計算垂直投影</p><p>　　figure,subplot（2,1,1）,bar（histcol）;title（'垂直投影（去水平邊框后）'）;%輸出車牌的垂直投影圖像</

93、p><p>　　subplot（2,1,2）,imshow（sbw2）; %輸出垂直投影圖像</p><p>　　title（['車牌字符高度： ',int2str（maxhight）],'Color','r'）;%輸出車牌字符高度</p><p>　　%對垂直投影進行峰谷分析</p><p>　　

94、meancol=mean（histcol）;%求垂直投影的平均值</p><p>　　mincol=min（histcol）;%求垂直投影的平均值</p><p>　　levelcol=（meancol+mincol）/4;%求垂直投影的1/4</p><p><b>　　count1=0;</b></p><p>&l

95、t;b>　　l=1;</b></p><p>　　for k=1:width</p><p>　　if histcol（k）<=levelcol </p><p>　　count1=count1+1;</p><p><b>　　else </b></p><p>　　if

96、 count1>=1</p><p>　　markcol（l）=k; %字符上升點</p><p>　　markcol1（l）=count1; %谷寬度（下降點至下一個上升點）</p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p>

97、<p><b>　　count1=0;</b></p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　markcol2=diff（markcol）;%字符距離（上升點至下一個上升點）</p><p>　　[m1,n

98、1]=size（markcol2）;</p><p><b>　　n1=n1+1;</b></p><p>　　markcol（l）=width;</p><p>　　markcol1（l）=count1;</p><p>　　markcol2（n1）=markcol（l）-markcol（l-1）;</p>

99、<p>　　%Step10 計算車牌上每個字符中心位置，計算最大字符寬度maxwidth</p><p><b>　　l=0;</b></p><p>　　for k=1:n1</p><p>　　markcol3（k）=markcol（k+1）-markcol1（k+1）;%字符下降點</p><p>　

100、　markcol4（k）=markcol3（k）-markcol（k）; %字符寬度（上升點至下降點）</p><p>　　markcol5（k）=markcol3（k）-double（uint16（markcol4（k）/2））;%字符中心位置</p><p><b>　　end </b></p><p>　　markcol6=diff（ma

101、rkcol5）; %字符中心距離（字符中心點至下一個字符中心點）</p><p>　　maxs=max（markcol6）; %查找最大值，即為第二字符與第三字符中心距離</p><p>　　findmax=find（markcol6==maxs）;</p><p>　　markcol6（findmax）=0;</p><p>　　maxwi

102、dth=max（markcol6）;%查找最大值，即為最大字符寬度</p><p>　　%Step11 提取分割字符,并變換為22行14列標準子圖</p><p><b>　　l=1;</b></p><p>　　[m2,n2]=size（subcol）;</p><p><b>　　figure;</b

103、></p><p>　　for k=findmax-1:findmax+5</p><p>　　cleft=markcol5（k）-maxwidth/2;</p><p>　　cright=markcol5（k）+maxwidth/2-2;</p><p>　　if cleft<1</p><p><

104、b>　　cleft=1;</b></p><p>　　cright=maxwidth;</p><p><b>　　end</b></p><p>　　if cright>n2</p><p>　　cright=n2;</p><p>　　cleft=n2-maxwidth

105、;</p><p><b>　　end</b></p><p>　　SegGray=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw1=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw2 = imresize（SegBw1,[

106、22 14]）;%變換為22行14列標準子圖 </p><p>　　subplot（2,n1,l）,imshow（SegGray）;</p><p><b>　　if l==7</b></p><p>　　title（['車牌字符寬度： ',int2str（maxwidth）],'Color','

107、;r'）;</p><p><b>　　end</b></p><p>　　subplot（2,n1,n1+l）,imshow（SegBw2）; </p><p>　　fname=strcat（'c:\work\sam\image',int2str（k）,'.jpg'）;<

108、;/p><p>　　imwrite（SegBw2,fname,'jpg'） </p><p><b>　　l=l+1;</b></p><p><b>　　end</b></p><p>　　%Step12 將計算計算獲取的字符圖像與樣本庫進行匹配，自動識別出字符代碼。</p>

109、;<p>　　liccode=char（['0':'9' 'A':'Z' ]）; %建立自動識別字符代碼表 </p><p>　　SubBw2=zeros（22,14）;</p><p><b>　　l=1;</b></p><p>　　[m2,n2]=size（s

110、bw）;</p><p>　　for k=findmax-1:findmax+5</p><p>　　cleft=markcol5（k）-maxwidth/2;</p><p>　　cright=markcol5（k）+maxwidth/2-2;</p><p>　　if cleft<1</p><p><

111、b>　　cleft=1;</b></p><p>　　cright=maxwidth;</p><p><b>　　end</b></p><p>　　if cright>n2</p><p>　　cright=n2;</p><p>　　cleft=n2-maxwidth

112、; end</p><p>　　SegBw1=sbw（rowtop:rowbot,cleft:cright）;</p><p>　　SegBw2 = imresize（SegBw1,[22 14]）;%變換為22行14列標準子圖 </p><p>　　if l==1 %第一位漢字識別</p><p>

113、;<b>　　kmin=37;</b></p><p><b>　　kmax=45;</b></p><p>　　elseif l==2 %第二位 A~Z 字母識別</p><p><b>　　kmin=11;</b></p><p><b>

114、　　kmax=36;</b></p><p>　　elseif l>=3 & l<=5 %第三、四位 0~9 A~Z字母和數字識別</p><p><b>　　kmin=1;</b></p><p><b>　　kmax=36;</b></p><p>　

115、　else %第五～七位 0~9 數字識別</p><p><b>　　kmin=1;</b></p><p><b>　　kmax=10;</b></p><p><b>　　end</b></p><p>　　for k2=kmin:k

116、max</p><p>　　fname=strcat（'H:\work\sam\Sam',liccode（k2）,'.jpg'）;</p><p>　　SamBw2 = imread（fname）; </p><p>　　for i=1:22</p><p>　　for j=1:14<

117、;/p><p>　　SubBw2（i,j）=SegBw2（i,j）-SamBw2（i,j）;</p><p><b>　　end</b></p><p>　　end %SubBw2 = SamBw2-SegBw2;</p><p><b>　　Dmax=0;</b></p><p&g

118、t;　　for k1=1:22</p><p>　　for l1=1:14</p><p>　　if （ SubBw2（k1,l1） > 0 | SubBw2（k1,l1） <0 ）</p><p>　　Dmax=Dmax+1;</p><p><b>　　end</b></p><p&g

119、t;<b>　　end</b></p><p><b>　　end</b></p><p>　　Error（k2）=Dmax;</p><p><b>　　end</b></p><p>　　Error1=Error（kmin:kmax）;%比較誤差</p>&l

120、t;p>　　MinError=min（Error1）;%取誤差的最小值</p><p>　　findc=find（Error1==MinError）;%查找最小誤差的圖像</p><p>　　RegCode（l*2-1）=liccode（findc（1）+kmin-1）;</p><p>　　RegCode（l*2）=' ';%輸出最小誤差圖像