基于MATLAB汽车牌照识别研究.docVIP

基于MATLAB汽车牌照识别研究 　　【摘要】通过对基于MATLAB的字符识别研究，以汽车牌照的识别与设计为例，简要的介绍了字符识别的相关原理。整个汽车牌照识别的过程分为预处理、边缘检测、车牌定位、字符分割、字符识别五个方面，具体介绍了车牌自动识别的原理，并用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；数字图像处理；车牌识别 　　1.引言 　　车牌识别系统作为数字摄像、计算机信息管理、图像分割和图形识别技术在智能交通领域的应用，是智能交通管理系统中重要的组成部分。车牌识别技术可应用于道路交通监控、交通事故现场勘察、交通违章自动记录、高速公路超速管理系统、小区智能化管理等方面[1]，为智能交通管理提供了高效、实用的手段。 　　目前世界各国都在进行适用于本国汽车牌照的自动识别研究，美、日、韩等国已有相关系统（基于传感器）问世。引进这些系统费用比较高、而且由于各国车牌和实际的交通环境不同，引进的系统往往无法满足我国城市的需求，而国内市场上虽然已有产品投入使用，但是在后续处理时很大程度上仍然需要人工识别，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。 　　2.基于MATLAB图像处理的汽车牌照识别系统 　　2.1 系统组成 　　基于MATLAB图像处理的汽车牌照识别系统主要包括车牌定位、字符车牌分割和车牌字符识别三个关键环节。其识别流程图如图1所示。 　　2.2 图像预处理 　　图像在形成传输或变换过程中，受多种因素的影响，因此在图像处理之前必须进行预处理，包括去除噪音、边界增强、增加亮度等等。 　　输入的彩色图像包含大量颜色信息，会占用较多的存储空间，且处理时也会降低系统的执行速度，因此对图像进行识别等处理时，常将彩色图像转换为灰度图像，以加快处理速度。对图像进行灰度化处理、边缘提取、再利用形态学方法对车牌进行定位[2]。 　　具体步骤如下：首先对图像进行灰度转换，二值化处理，然后采用4X1的结构元素对图像进行腐蚀，去除图像的噪声。采用25X25的结构元素，对图像进行闭合应算使车牌所在的区域形成连通。再进行形态学滤波去除其它区域。 　　通过对比原始图片，我们可以发现形态滤波后的图像已经很接近正确的车牌位置了，因此后期处理将通过这张图来找出车牌位置。 　　2.3 车牌定位 　　观察经过预处理后得到的图像发现车牌位置有明显的矩形图样，通过对矩形区域的定位即可获得具体的车牌位置。 　　2.4 字符分割 　　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。 　　2.5 建立字符模板数据库 　　模板库的合理建造是字符识别准确的关键之一，所以在字符识别之前必须把模板库设置好。汽车牌照的字符一般有7个，大部分车牌第一位是汉字，通常代表车辆所属省份，或是军种警别等有特定含义的字符简称；紧接其后的为字母与数字。车牌字符识别与一般文字识别的不同在于它的字符数有限，十个阿拉伯数字0～9，26个大写英文字母A～Z以及相关的车牌用汉字：京、沪、苏、台、港、澳、甲、乙、丙、使、领、学、试、境、消、边、警等，以及新式军牌中的汉字南、兰、广、北、沈、济、空、海等；车牌颜色：蓝、白、黑、黄等。所以建立字符模板库也极为方便。通过前面实验获取的几幅不同的车牌图片截取到的图片加上使用PhotoShop制作的部分图片。 　　建立模板数据库时必须对这些图片进行统一处理，因为对前面处理分割后的车牌图像的测量得知单个字符的最佳宽高比是1:2，所以将这些图片归一化为50×25大小；因为之后的字符识别考虑使用神经网络算法进行字符识别，所以再将上面归一化后的模板图像的样本排列在一起构成1250×18的矩阵样本。 　　2.6 字符识别 　　字符的识别目前用于车牌字符识别（OCR）中的算法主要有基于模板匹配的OCR算法以及基于人工神经网络的OCR算法。基于模板匹配的OCR的基本过程是：首先对待识别字符进行二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。用人工神经网络进行字符识别主要有两种方法：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。识别效果与字符特征的提取有关，而字符特征提取往往比较耗时。因此，字符特征的提取就成为研究的关键。另一种方法则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。本文主要研究基于人工神经网络的方法来识别车牌字符。 　　3.总结 　　在汽车车牌识别的整个过程中，查找了很多