基于MATLAB的车牌分割与识别1.docVIP

目录

TOC\o1-3\h\z\u

TOC\o1-3\h\z\u1.引言.. 1

1.1动机 1

1.2要解决的问题 2

2.车牌识别的过程 2

3.数据获取 4

4.车牌识别所采用的技术 5

4.1车牌定位及分割 5

4.2车牌中字符的提取以及归一化 5

特征提取 6

4.4BP神经网络 6

5.总结和展望 7

5.1总结 7

5.2展望 7

参考文献 8

引言

随着车辆的越来越多，无论是在交通管制还是车辆管理上，车牌识别是一个重要的过程。车牌识别是一个复杂的过程，主要涉及到车牌的检测和车牌字符的识别。

1.1动机

车牌识别技术是车辆检测系统中的一个重要的环节，在交通监控和控制中占有很重要的地位，有着多种应用，例如自动收费系统、不停车缴费、失窃车俩的查询、停车场车辆管理、特殊部门车辆的出入控制等，因而对于车牌的识别问题比较重要。由于神经网络技术能够有效并快速的对字符进行识别，因为我们采用BP神经网络来对车牌图像进行识别。

1.2要解决的问题

本文利用BP神经网络进行车牌的识别：

能够利用MATLAB通过预处理，将汽车图片的车牌定位和分割；

能够将提取出的车牌图像进行分割，将车牌中的每个字符提取出来；

能够建立一个BP神经网络，训练网络

能够利用BP神经网络进行车牌的识别

车牌识别的过程

图2.1给出了车牌识别的整个过程：

图2.1车牌识别的过程

数据获取

在车牌识别中，需要两种数据：

一种是车牌的图像；

另一种就是训练BP神经网络的数据：对获取的字符进行归一化处理，使得各个字符变成了一个个大小相同的字符。然后要从这些字符中提取最能体现一个字符特点的特征向量。将提取出的训练样本中的特征向量输入BP网络中就可以对网络进行训练。

为了克服字符存在倾斜和偏移是都会对识别产生误差，可选取13段特征提取法来进行特征提取，作为BP神经网络的数据。

13段特征提取法的操作过程：

首先把字符平均分成8份，统计每一份内的黑色的像素点个数作为8个特征，如图1.1所示；

图3.1特征提取

然后统计水平方向中间两列和竖直方向中间两列的黑色像素点的个数作为4个特征，如图1.2所示；

图1.SEQ图\*ARABIC2特征提取

最后统计所有黑色像素点的个数作为第13个特征。

采用13段特征提取法对所有的大小相同字符进行处理，得到BP神经网络训练样本的数据。

车牌识别时所采用的技术

进行车牌识别的关键技术就是：首先，要讲车牌从汽车图片中提取出来，然后要将提取出的车牌再次进行分割，车牌中各字符的图片；第二，就是要将这些字符图片进行处理，得到统一大小的图片；第三，采用

车牌提取

采用MATLAB，从多个汽车图片中获取多个车牌图像

在提取车牌之前，首先要对车牌进行一些预处理操作，例如我们要对图3进行

车牌提取，其预处理主要MATLAB程序为：

图SEQ图\*ARABIC3要提取的车牌

I=imread(图像地址\图像名);%读取图像

I1=rgb2gray(I);%转化为灰度图像，加快处理速度

I2=edge(I1,robert,0.09,both);%采用robert算子进行边缘检测

se=[1;1;1];%线型结构元素

I3=imerode(I2,se);%腐蚀图像

se=strel(rectangle,[25,25]);%矩形结构元素

I4=imclose(I3,se);%图像聚类、填充图像

I5=bwareaopen(I4,2000);%进行形态滤波，去除聚团灰度值小于2000的部分

通过上述的处理可得到的如图4所示的图像：

图SEQ图\*ARABIC4图像处理的结果

由于形态滤波后将图片中的车牌形成了一个连通的区域，所以可以对所得的形态滤波后的图像进行车牌的定位与切割。进行切割时，要分别计算图像的行、列像素点的分布，因为只有在车牌的位置才有像素点。对行、列上的像素点的统计程序为：

X1=zeros(1,x);[y,x,z]=size(I5);

I6=double(I5);

%行方向

Y1=zeros(y,1);

fori=1:y

forj=1:x

if(I6(i,j,1)==1)

Y1(i,1)=Y1(i,1)+1;

end

end

end

figure;

plot(0:y-1,Y1),title(行方向像素点灰度值累计和),xlabel(‘行值’),ylabel(像素);

%列方向

forj=1:x

fori=1