基于BP神经网络的车牌识别技术-车牌定位.ppt

基于BP神经网络的车牌识别技术 ——车牌定位 导师：XX 答辩人：XX 2012.6.27 Outline 车牌定位模块的介绍 常用的车牌定位方法 本系统采用的方法 源代码分析 1、车牌定位模块在系统中的位置、作用 图像采集 字符识别 字符分割 车牌定位 图像预处理 结果 车牌定位： 车牌定位 2、常用的车牌定位方法 基于边缘检测的车牌定位方法 基于彩色分割的车牌定位方法 基于小波变换的车牌定位方法 基于遗传算法的车牌定位方法 基于数学形态学的车牌定位方法 基于纹理分析的车牌定位方法 3、本系统采用的车牌定位方法 ——基于数学形态学和行列  扫描的车牌定位方法 此算法先应用数学形态学的方法对车牌进行粗定位，再通过对图像的行列扫描精确确定车牌的位置。此算法具有较强的滤波作用，定位效果比较理想，故本文采用此种算法进行车牌定位。 算法介绍：粗定位+精确定位 粗定位： （1)首先对图像进行形态学闭运算，即先膨胀再腐蚀， 平滑图形轮廓，将图像分成若干白色区域； （2)再根据车牌大小，设定一个阈值，小于此阈值的图 像被剔除，最后得到的白色区域即初步得到的车牌 位置。 粗定位：（1）imclose(IM,SE) 粗定位：（2）bwareaopen(BW,P,conn) 精确定位： 分别在x、y方向上建立两层循环，统计每行、每列像素为1的点，设定阈值，找到车牌区域，最后沿找到的车牌区域的上下左右边界进行切割，得到车牌的精确图像。 结果： 为进一步提高识别精度,在确定车牌区域后，继续对车牌进行灰度化、二值化、滤波、膨胀腐蚀等操作，实行第二次预处理，具体方法与图像预处理所述基本相同。经过第二次预处理后，便为下一步字符分割奠定基础。效果如图所示： 4、源代码分析 (1)粗定位： se=strel(‘rectangle’,[25,25]);%创建结构元素 I4=imclose(I3,se);%对灰度图像执行形态学闭运算 figure(5),imshow(I4);title(平滑图像的轮廓); I5=bwareaopen(I4,1500)%从对象中移除小面积对象格式 figure(6),imshow(I5);title(从对象中移除小对象); (2)精确定位 确定车牌的上下边界： Blue_y=zeros(y,1);%建立y*1的零矩阵 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 end [temp MaxY]=max(Blue_y)； PY1=MaxY; while ((Blue_y(PY1,1)=5)(PY11)) PY1=PY1-1； end PY2=MaxY； while ((Blue_y(PY2,1)=5)(PY2y)) PY2=PY2+1； end IY=I(PY1:PY2,:,:); 确定车牌的左右边界： 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)(PX1x)) PX1=PX1+1; end PX2=x; while ((Blue_x(1,PX2)3)(PX2PX1)) PX2=PX2-1; end PX1=PX1-1;%对车牌区域的校正 PX2=PX2+1; dw=I(PY1:PY2,PX1:PX2,:); figure(7),subplot(1,2,1),imshow(IY),title(‘行方向合理 区域); figure(7),subplot(1,2,2),imshow(dw),title(定位剪切后 的彩色车牌图像) 第二次图像预处理： b=rgb2gray(a);%灰度化 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 d=(double(b)=T); %二值