(完整word版)车牌识别系统报告.doc

车牌识别系统-------MATLAB

林加伟（电子信息工程学号：104173424）

摘要：通过对车牌定位，车牌字符分割和车牌字符识别进行研究，实现一种可以在MATLAB上实现的算法。

关键字：图像预处理，车牌定位，字符分割，车牌字符识别

引言

当今世界，车辆的数量正在迅速增长，在给出行提供方便的同时，车辆管理上存在的问题日益突出，人工管理的方式已经不能满足实际的需要。作为信息来源的图像识别技术越来越受到人们的重视。近年来计算机的飞速发展和数字图像技术的日趋成熟，为传统的交通管理带来巨大转变，先进的计算机处理技术，不但可以将人力从繁琐的人工观察、监测中解放出来，而且能够大大提高其精确度。

统框架结构

图像预处理汽车车牌识别系统主要包括图像预处理、车牌定位、字符分割、字符识别、输出结果几个单元。

图像预处理

输出结果字符识别字符分割车牌定位

输出结果

字符识别

字符分割

车牌定位

各模块实现

2.1图像预处理

2.1.1图像灰度化：

因为车牌识别系统的摄像头拍摄的图片是彩色的，彩色图片会占用较大的存储空间，使计算机处理速度变慢，加重计算机负担，所以我们要对拍摄的照片进行灰度化处理。

对于将彩色图像转换成灰度图像时，目前比较主流的灰度化方法叫平均值法，公式为：H=0.229R+0.588G+0.144B

公式中H表示灰度图的亮度值；R代表彩色图像红色分量值；G代表色彩图像绿色分量值；B代表彩色图像蓝色分量值。RGB三分量前的系数为经验加权值。加权系数的取值建立在人眼的视觉模型之上。对于人眼较为敏感的绿色取较大的权值；对人眼较为不敏感的蓝色则取较小的权值。通过该公式转换的灰度图能够比较好地反应原图像的亮度信息。

在MATLAB中我们可以调用im2gray函数对图像进行灰度化处理。

语句如下：

结果：

2.1.2边缘提取

边缘是指图像局部亮度变化显著的部分，是图像风、纹理特征提取和形状特征提取等图像分析的重要基础。所以在此我们要对图像进行边缘检测。图象增强处理对图象牌照的可辩认度的改善和简化后续的牌照字符定位和分割的难度都是很有必要的。在对边缘进行提取前，可通过提取图像背景后，原图减去背景，对图进行二值化等方式增强图片对比度。

现机动车车牌图像都处在水平的矩形区域，在图像中位置较为固定，车牌中字符都是按水平方向排列。因为有这些明显的特征，经过适当的图像变换，可以清晰的呈现出车牌的边缘。本文采用经典的Canny边缘检测算子来对图像进行边缘检测。检测出边缘后再用imopen和imclose对所得二值图像做滤波。

程序如下

2.1.3车牌定位

?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。算法流程如下：

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。

?计算包含所标记区域的宽和高，选出候选区，求出每个候选区的宽高比。2007年实施的车牌标准规定，车前车牌长440mm，宽140mm。其比例为440/140=3.15。所以在选出候选区中要找出宽高比最接近此比例的区域。

程序如下

结果

2.1.4车牌进一步处理

经过上述方法分割出来的车牌图像中存在目标物体、背景还有噪声，要想从图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：大于T的像素群和小于T的像素群，即对图像二值化。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。

2.1．5字符的分割与归一化

算法流程如下

[

[m，n]=size（d），逐排检查有没有白色像素点，设置1=jn-1，若图像两边s（j）=0，则切割，去除图像两边多余的部分

切割去图像上下多余的部分

根据图像的大小，设置一阈值，检测图像的X轴，若宽度等于这一阈值则切割，分离出七个字符

归一化切割出来的字符图像的大小为40*20，与模板中字符图像的大小相匹配

4．5字符的识别

字符的识别采用基于模板匹配的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。

识别输出

程序附录(切割和字符识别部分):

d=qiege(d);%割去车牌上下左右多余部分

[m,n]=size(d)