车牌识别课程设计修改版

课程设计车牌识别的设计与实现姓名：程闯军学号:1008020226专业：信息工程指导老师：李辉2014年1月车牌识别的设计与实现摘要：随着我国经济、交通的的快速发展，车牌定位系统以及车牌字符自动 识别技术也逐渐受到人们的重视。车牌识别是对采集的车牌图像进行灰度变换、 边缘检测、腐蚀以及平滑处理，最后在取得的大对像中移除小对像，由此提出了 一种基于车牌纹理特征的车牌定位算法，最终实现对车牌的定位。车牌字符分割 是为了以便后续对车牌模板进行匹配从而对车牌进行识别，考虑到我国车牌的结 构构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，对输出的图 像和模板库里的模板进行匹配，通过处理后得到的图片与模板字符相减，得到的 0越多那么就越匹配，然后对其个数进行累计并找出数值最大的，即为识别出来 的结果。关键词：字符识别；模式识别；车牌定位；模板匹配；边缘检测1引言近年来随着社会经济的高速发展、汽车数量急剧增加，对交通管理的要求也 日益提高，而相应的人工管理方式以不能满足实际的需要，微电子、通信和计算 机技术在交通领域的应用极大地提高了交通管理的效率。运用电子信息技术实现 安全、高效的智能交通成为交通管理的主要发展方向。汽车牌照号码是车辆的唯 一“身份”标识，通过智能的车牌定位及识别技术将对于维护交通安全和城市治 安，防止交通堵塞，实现交通自动化管理有着现实的意义。车牌识别技术(Vehicle License Plate Recognition，VLPR)是指能够检测到受 监控路面的车辆并自动提取车辆牌照信息进行处理的技术。车牌识别是现代智能 交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、 计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析， 得到每一辆汽车唯一的车牌号码，从而完成识别过程。车牌定位与字符识别技术是基于计算机图像处理、模式识别等技术为基础， 通过对原图像的处理，以及边缘检测技术实现对车牌的定位，然后对车牌图像处 理、归一化处理、分割以及保存，最后进行分割图像与模板库的模板进行匹配， 最后输出匹配结果。车牌的智能定位以及识别是一个完整的系统，考虑到其应用 的普遍性以及广泛性，就要求我们在设计过程中考虑到以下几方面：(1) 准确性:尽可能的避开其他外界造成的干扰，准确的识别车牌信息。(2) 实时性:考虑到车载行驶的过程中速度不一，对触发超速摄像的抓拍应 当及时的对其进行识别并且储存，才能有效的提高工作效率。(3) 优化性：采用竟可能低的硬件要求，对其快速的做出的计算与识别。本文采用的是选取不同的边缘算子检测，通过实验分析不同算子的效果，最 终选取了 canny算子进行车牌的边缘检测，更好的对其进行检测与识别，然后通 过二值化等处理进行分割，最终与模板库模板进行对比，达到车牌识别的目的。 2车牌识别系统分析2.1车牌识别现状分析模式识别1是一门以应用为基础的学科，目的是将对像进行分类，这些对像与应用领域有关，他们可以是图像，信号波形或者是任何可测量且需 要分类的对像，在机器视觉中，模式识别是非常重要的，机器视觉系统通 过照相机捕捉图像，然后通过分析生成图像的描述信息。车牌识别技术是 计算机模式识别技术在智能交通领域的典型应用，是一个以特写目标为对 像的专用计算机视觉系统。简单地说，它使计算机能像人一样认识汽车牌 照(包括车牌的汉字、字母、数字)。车辆牌照识别技术推出以来，人们就对其进行了广泛的研究。从20世纪90 年代初，国外就已经开始了对汽车牌照自动识别的研究，其主要途径就是对车 牌的图像进行分析，自动提取车牌信息，确定汽车牌号。国外己有不少相关的文 章发表，有的己经非常成熟，投入实际使用。我国车牌自动识别的研究起步较晚，大约发生在八十年代末。1988年戴营等 利用常见的图像处理技术方法提出汉字识别的分类是在提取汉字特征的基础上 进行的。根据汉字的投影直方图(ProjectionHIStogram )，选取浮动阂值，进行 量化处理后，形成一个变长链码，再用动态规划法，求出与标准模式链码的最小 距离，实现细分类，完成汉字省名的自动识别。目前我国市场上有二十几家企业从事车牌识别产品的开发和生产，其中比较 成熟的有香港的ASiavisionTeChnologyLtd公司（亚洲视觉科技有限公司）、北京 汉王、沈阳聚德、川大智胜、上海高德威、清华紫光、杭州友通、深圳科安信、 利普视觉中智交通电子系统有限公司等企业。2.2车牌识别的意义结合我国的国情，由于我国地域广阔，车辆道路复杂，安装相应的检测设备 或者人员配备投资巨大，且造成人力物力的浪费，因此我们急需对现有的检测设 备优化，而车牌识别技术恰好能满足这一需求，通过车牌识别我们可以解决被纳 入“黑名单”的通缉车辆，可以统计一定时间范围内进出各省的车辆，还能有效 的对该车辆进行定位，对公安机关等相关部门有着很重要的作用，具体归结应用 方式如下：1）监测报警对于纳入“黑名单”的车辆，例如：被通缉或挂失的车辆、欠交费车辆、未 年检车辆、肇事逃逸及违章车辆等，我们只需要把其牌照的信息输入系统，那么 该车辆在通过装有全国联网系统的路口或者收费站等卡口时，信息采集设备将会 对其进行采集并且与数据库对比，实现其定位。这种方式可以通过程序实现24 小时工作，而且此过程保密性好，不会提醒黑名单车辆的死机。2）车辆出入自动登记及放行在需要管制的小区或者办公场所门口装设车牌识别系统，那么汽车进出此场 所时间，车牌牌照等信息将会被存储在相应的数据库中，通过修改相应的数据库， 添加车牌信息，我们还能让自动门禁对相应的车辆进行自动放行，如遇到非数据 库中的车辆则由保安进行相应的咨询，或批准后人为放行。这不仅提高物业管理 的效益，同时自动比对进出车辆，防止偷盗事件的发生。3）违法违章管理车牌识别技术结合测速设备可以用于车辆超速违章处罚，一般用于高速公 路、容易肇事路段。还可以在红绿灯路口加上红外检测实现违规检测，对出现闯 红灯的现像或者违规转弯的现像进行相应的数据采集。将其传送至相关部门，从 而对其下发处罚通知书，实现对其处罚。4）交通流控制指标参量的测量为达到交通流控制的目标，一些交通流指标的测量相当重要。车牌识别系统 能够测量和统计很多交通流指标参数例如车流量，车流高峰时间段，平均车速, 车辆密度等。这也为交通诱导系统提供必要的交通流信息。从而能够有效的采取 措施预防堵车，排队，事故等交通异常现像。5）移动电子警察系统随着我国公路基础建设的快速发展，公路的质量、里程都有了很大程度上的 提高，但也出现了不交养路费等情况，给国家造成了巨大的经济损失。且丢失车 辆稽查、车辆是否合法、拦车路检等情况都需要公安人员对其进行相应的检查， 由于人工判断工作效率很低且容易让正常车主及乘客造成误解，现在有了车牌自 动识别技术之后将大大提高办公效率以及检查的准确性，很大程度上解决了以上 的问题。3实现目标和功能车牌识别（Vehicle License Plate Recognition ，VLPR）是现代智能交通系统中的重要组成部分之一，应用十分广泛，车牌识别技术通过对信息量较 大的对像采集，然后经过一系列的处理提取了相对较小的信息量且有价值 的一部分信息，仅仅提取识别车“身份”的车牌信息。在交通管理过程中， 通常采用视频监控方式对闯红灯和超速等违章车辆进行监督。对违章车辆，需要 自动检测车牌信息，提取车牌号码，以便查找车主信息和监督管理。对于维护 交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。实现功能1）对图像进行预处理，增加图像的对比度；2）根据图像的颜色对车牌区域定位3）对图像进行旋转、二值化操作，并进行水平投影操作，根据直方图峰值 和谷值对字符进行分割；4）可采用模板匹配方法，对数字和字母进行识别，并输出识别后的结果。4实现所采用的方法车辆牌照识别整个系统主要是由车牌定位和字符识别两部分组成，其 中车牌定位又可以分为图像预处理及边缘提取模块和牌照的定位及分割模 块；字符识别可以分为字符分割与特征提取和单个字符识别两个模块。为了用于牌照的分割和牌照字符的识别，原始图像应具有适当的亮度， 较大的对比度和清晰可辩的牌照图像。但由于该系统的摄像部分工作于开 放的户外环境，加之车辆牌照的整洁度、自然光照条件、拍摄时摄像机与 牌照的矩离和角度以及车辆行驶速度等因素的影响，牌照图像可能出现模 糊、歪斜和缺损等严重缺陷，因此需要对原始图像进行识别前的预处理。牌照的定位和分割是牌照识别系统的关键技术之一，其主要目的是在 经图像预处理后的原始灰度图像中确定牌照的具体位置，并将包含牌照字 符的一块子图像从整个图像中分割出来，供字符识别子系统识别之用，分 割的准确与否直接关系到整个牌照字符识别系统的识别率。由于拍摄时的光照条件、牌照的整洁程度的影响，和摄像机的焦距调 整、镜头的光学畸变所产生的噪声都会不同程度地造成牌照字符的边界模 糊、细节不清、笔划断开或粗细不均，加上牌照上的污斑等缺陷，致使字 符提取困难，进而影响字符识别的准确性。因此，需要对字符在识别之前 再进行一次针对性的处理。车牌识别的最终目的就是对车牌上的文字进行识别。主要应用的为模 板匹配方法。因为系统运行的过程中，主要进行的都是图像处理，在这个过程中要 进行大量的 数据处理，所以处理 器和内存要求比较高，CPU要求主频在 600HZ及以上，内存在128MB及以上。系统可以运行于Windows98、 Windows2000或者Windows XP操作系统下，程序调试时使用 matlab。5实现目标方法流程图车牌定位与字符识别技术是基于计算机图像处理、模式识别等技术为基础， 通过对原图像的处理，以及边缘检测技术实现对车牌的定位，然后对车牌图像处 理、归一化处理、分割以及保存，最后进行分割图像与模板库的模板进行匹配， 最后输出匹配结果。流程如下图所示车牌识别系统流程图图1车牌识别系统流程图6实现目标主要步骤1） 获取图像装入待处理彩色图像并显示原始图像2） 图像预处理对Sgray原始黑白图像进行开操作得到图像背景3）取得最佳阈值，将图像二值化4）对得到二值图像作开闭操作进行滤波5）对二值图像进行区域提取，并计算区域特征参数。进行区域特征参数比较, 提取车牌区域6）计算车牌水平投影，并对水平投影进行峰谷分析7）计算车牌旋转角度8）旋转车牌后重新计算车牌水平投影，去掉车牌水平边框，获取字符高度9）计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度10）计算车牌上每个字符中心位置，计算最大字符宽度11）提取分割字符，并变换为22行?14列标准子图7程序结果显示Step1获取图像装入待处理彩色图像并显示原始黑白图像原始黔色團像图1-1原始彩色图像馬始黑白图像图1-2原始黑白图像Step2图像预处理对原始黑白图像进行开操作得到图像背景原始零白图像图2-1原始黑白图像背景圄像图2-2背景图像图2-3增强黑白图像（原始黑白图像与背景图像相减）Step3取得最佳阈值，将图像二值化二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统 中，进行图像二值变换的关键是要确定合适的阈值，使得字符与背景能够分割开 来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不 会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大， 采用二值图像进行处理，能大大地提高处理效率。阈值处理的操作过程是先由用 户指定或通过算法生成一个阈值，如果图像中某中像素的灰度值小于该阈值，则 将该像素的灰度值设置为0或255，否则灰度值设置为255或0。图3-1图像二值化Step4对得到二值图像作开闭操作进行滤波1）边缘检测：两个具有不同灰度值的相邻区域之间总存在边缘，边缘就是灰 度值不连续的结果，是图像分割、纹理特征提取和形状特征提取等图像分析的基 础。为了对有意义的边缘点进行分类，与这个点相联系的灰度级必须比在这一点 的背景上变换更有效，我们通过门限方法来决定一个值是否有效。所以，如果一 个点的二维一阶导数比指定的门限大，我们就定义图像中的次点是一个边缘点， 一组这样的依据事先定好的连接准则相连的边缘点就定义为一条边缘。经过一阶 的导数的边缘检测，所求的一阶导数高于某个阈值，则确定该点为边缘点，这样 会导致检测的边缘点太多。可以通过求梯度局部最大值对应的点，并认定为边缘 点，去除非局部最大值，可以检测出精确的边缘。一阶导数的局部最大值对应二 阶导数的零交叉点，这样通过找图像强度的二阶导数的零交叉点就能找到精确边 缘点。图像边缘提取图4-1图像边缘提取2）对得到图像作开操作进行滤波:数学形态非线性滤波,可以用于抑制噪声， 进行特征提取、边缘检测、图像分割等图像处理问题。腐蚀是一种消除边界点的 过程，结果是使目标缩小，孔洞增大，因而可有效的消除孤立噪声点；膨胀是将 与目标物体接触的所有背景点合并到物体中的过程，结果是使目标增大，孔洞缩 小，可填补目标物体中的空洞，形成连通域。先腐蚀后膨胀的过程称为开运算， 它具有消除细小物体，并在纤细处分离物体和平滑较大物体边界的作用；先膨胀 后腐蚀的过程称为闭运算，具有填充物体内细小空洞，连接邻近物体和平滑边界 的作用。对图像做了开运算和闭运算，闭运算可以使图像的轮廓线更为光滑，它 通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓线中的断裂。图4-2图像闭运算图4-3图像开运算Step5对二值图像进行区域提取，并计算区域特征参数。进行区域特征参数比较, 提取车牌区域1）对图像每个区域进行标记，然后计算每个区域的图像特征参数：区域中心 位置、最小包含矩形、面积。图像彩色标记nJ图5-1图像彩色标记2）计算出包含所标记的区域的最小宽和高，并根据先验知识，比较谁的宽高比更 接近实际车牌宽高比，将更接近的提取并显示出来。车牌灰度子團车牌二值子團图5-2车牌灰度子图与二值子图Step6计算车牌水平投影，并对水平投影进行峰谷分析1）对水平投影进行峰谷分析，计算出车牌上边框、车牌字符投影、车牌下边 框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。求水平投影的平均值对水平投影进行峰谷分析:图6-2车牌二值子图Step7计算车牌旋转角度1）车牌倾斜的原因导致投影效果峰股谷不明显，在这里需要做车牌矫正处理。这 里采取的线性拟合的方法，计算出车牌上边或下边图像值为1的点拟合直线与水 平X轴的夹角。车強灰度子图.车牌旋转角:-1.4284度BB8888Step8旋转车牌后重新计算车牌水平投影，去掉车牌水平边框垂直投影（旋转后）图8-1垂直与水平投影车牌二值子團旋转后）BB8888Step9计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度1）通过以上水平投影、垂直投影分析计算，获得了车牌字符高度、字符顶行与尾 行、字符宽度、每个字符的中心位置，为提取分割字符具备了条件。SteplO字符分割及输出结果进行车牌识别前需要使用样本对神经网络进行训练，然后使用训练好的网络 对车牌进行识别。其具体流程为：使用汉字、字母、字母数字、数字四个样本分 别对四个子网络进行训练，得到相应的节点数和权值。对已经定位好的车牌进行 图像预处理，逐个的特征提取，然后从相应的文件中读取相应的节点数和权值， 把车牌字符分别送入相应的网络进行识别，输出识别结果。车牌二值團车牌除汉字第一字符鼻汉字第二字符车牌除汉字第三字符除汉字第四字符车牌除汉字第五字符壬牌除汉字第六字符13:结果图F E V【In Tc De- Wir H =In Tc De- Wii H 、3 a d 氐謠”Q Figure 1 I -回第二字符2 =回举第字祀回igure 498 & width25 & hight2 & rato4break;endendsbw1=bw2 (startrow:startrow+hight,startcol:startcol+width-1) ; %获取车牌 二值子图subcol1=Sgray (startrow:startrow+hight,startcol:startcol+width-1) ;% 获取 车牌灰度子图figure,subplot (2,1,1) ,imshow (subcol1) ;title (车牌灰度子图)；输出 灰度图subplot (2,1,2) ,imshow (sbw1) ;title (车牌二值子图);%输出车牌的 二值图%Step6计算车牌水平投影，并对水平投影进行峰谷分析 histcol1=sum (sbw1) ;%计算垂直投影histrow=sum (sbw1) ;%计算水平投影figure,subplot (2,1,1) ,bar (histcol1) ;title (垂直投影(含边框);% 输出垂直投影subplot (2,1,2) ,bar (histrow) ; title (水平投影(含边框);%输 出水平投影figure,subplot (2,1,1) ,bar (histrow) ; title (水平投影(含边框);% 输出水平投影subplot (2,1,2) ,imshow (sbw1) ;title (车牌二值子图)；输出二值图 %对水平投影进行峰谷分析meanrow=mean (histrow) ;%求水平投影的平均值minrow=min (histrow) ;%求水平投影的最小值levelrow= ( meanrow+minrow ) /2;%求水平投影的平均值 countl=0;1=1；for k=1:hightif histrow (k) =1markrow (l) =k;%上升点 markrow1 (l) =count1;%谷宽度(下降点至下一个上升点) l=l+1;endcount1=0;endend markrow2=diff (markrow) ;%峰距离(上升点至下一个上升点) m1,n1=size (markrow2);n1=n1+1;markrow (l) =hight;markrow1 (l) =count1;markrow2 (n1) =markrow (l) -markrow (l-1);l=0;for k=1:n1markrow3 (k) =markrow (k+1) -markrow1 (k+1) ;%下降点 markrow4 (k) =markrow3 (k) -markrow (k) ;%峰宽度(上升点至 下降点)markrow5 (k) =markrow3 (k) -double (uint16 (markrow4 (k) /2) ) ;% 峰中心位置end%Step7计算车牌旋转角度% (1)在上升点至下降点找第一个为1的点 m2,n2=size (sbw1) ;%sbw 1 的图像大小 m1,n1=size (markrow4) ;%markrow4的大小maxw=max (markrow4) ;%最大宽度为字符f markrow4 (1)= maxw%检测上边ysite=l;k1=1;for l=1:n2for k=1:markrow3 (ysite) %从顶边至第一个峰下降点扫描f sbwl (k,l) =1xdata (kl)=l;ydata(kl)=k;k1=k1+1;break;endendendelse %检测下边ysite=n1;if markrow4 (n1)=0if markrow4 (n1-1) =maxwysite= 0; %无下边elseysite= n1-1;endendif ysite =0k1=1;for l=1:n2k=m2;while k=markrow (ysite)%从底边至最后一个峰的上升点扫描f sbw1 (k,l) =1xdata (k1) =l;ydata (k1) =k;k1=k1+1;break;endk=k_l;endendendend% (2)线性拟合，计算与x夹角fresult = fit (xdata,ydata,polyl) ; %polyl Y = pl*x+p2 pl=fresult.pl;angle=atan (fresult.pl) *180/pi; %弧度换为度，360/2pi, pi=3.14% (3)旋转车牌图像subcol = imrotate ( subcol1,angle,bilinear,crop); %旋转车牌图像 sbw = imrotate (sbw1,angle,bilinear,crop);%旋转图像figure,subplot (2,1,1),imshow (subcol);title (车牌灰度子图);%输出 车牌旋转后的灰度图像标题显示车牌灰度子图subplot (2,1,2),imshow (sbw);title ();%输出车牌旋转后的灰度图像 title (车牌旋转角：,num2str (angle)，度,Color,r);%显示车牌的旋转 角度%Step8旋转车牌后重新计算车牌水平投影，去掉车牌水平边框，获取 字符高度histcol1=sum (sbw); %计算垂直投影 histrow=sum ( sbw); %计算水平投影 figure,subplot (2,1,1),bar (histcoll);title (垂直投影(旋转后); subplot (2,1,2),bar (histrow); title (水平投影(旋转后);figure,subplot (2,1,1),bar (histrow); title (水平投影(旋转后); subplot (2,1,2),imshow (sbw);title (车牌二值子图(旋转后);%去水平(上下)边框,获取字符高度maxhight=max (markrow2);findc=find (markrow2=maxhight); rowtop=markrow (findc);rowbot=markrow (findc+1)-markrowl (findc+1); sbw2=sbw (rowtop:rowbot,:);%子图为(rowbot-rowtop+1)行maxhight=rowbot-rowtop+1;% 字符高度(rowbot-rowtop+1)%Step9计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度histcol=sum (sbw2) ;%计算垂直投影figure,subplot (2,1,1) ,bar (histcol) ;title (垂直投影(去水平边框后);% 输出车牌的垂直投影图像subplot (2,1,2) ,imshow ( sbw2); %输出垂直投影图像title (车牌字符高度：,int2str (maxhight) ,Color,r) ;%输出车牌字符 咼度%对垂直投影进行峰谷分析meancol=mean (histcol) ;%求垂直投影的平均值 mincol=min (histcol) ;%求垂直投影的平均值 levelcol= (meancol+mincol) /4;%求垂直投影的 1/4 count1=0;l=1;for k=1:widthif histcol (k) =1markcol (l) =k; %字符上升点 markcol1 (l) =count1; %谷宽度(下降点至下一个上升点) l=l+1;endcount1=0;endendmarkcol2=diff (markcol) ;%字符距离(上升点至下一个上升点)m1,n1=size (markcol2);n1=n1+1;markcol (l) =width;markcol1 (l) =count1;markcol2 (n1) =markcol (l) -markcol (l-1);%Step10计算车牌上每个字符中心位置，计算最大字符宽度maxwidthl=0;for k=1:n1markcol3 (k) =markcol (k+1) -markcoll (k+1) ;%字符下降点 markcol4 (k) =markcol3 (k) -markcol (k) ; %字符宽度(上升点至 下降点)markcol5 (k) =markcol3 (k) -double (uint16 (markcol4 (k) /2) ) ;% 字符中心位置endmarkcol6=diff (markcol5) ; %字符中心距离(字符中心点至下一个字符 中心点)maxs=max (markcol6) ; %查找最大值，即为第二字符与第三字符中心距 离findmax=find (markcol6=maxs);markcol6 (findmax) =0; maxwidth=max (markcol6) ;%查找最大值，即为最大字符宽度 %Step11提取分割字符，并变换为22行x14列标准子图1=1； m2,n2=size (subcol); figure;for k=findmax-1:findmax+5cleft=markcol5 (k) -maxwidth/2; cright=markcol5 (k) +maxwidth/2-2; 讦 cleftn2cright=n2; cleft=n2-maxwidth; endSegGray=sbw (rowtop:rowbot,cleft:cright);SegBw1=sbw (rowtop:rowbot,cleft:cright);SegBw2 = imresize (SegBw1,22 14) ;%变换为22行x14列标准子图subplot (2,n1,l) ,imshow (SegGray);讦 1=7title (车牌字符宽度：,int2str (maxwidth) ,Color,r); endsubplot (2,nl,nl+l) ,imshow (SegBw2);fname=strcat (c:worksamimage,int2str (k)，.jpg);imwrite (SegBw2,fname,jpg)1=1+1;end%Step12将计算计算获取的字符图像与样本库进行匹配，自动识别出字 符代码。liccode=char (O:9 A:Z ) ; %建立自动识别字符代码表SubBw2=zeros (22,14);1=1；m2,n2=size (sbw);for k=findmax-1:findmax+5c1eft=markco15 (k) -maxwidth/2;cright=markco15 (k) +maxwidth/2-2;讦 c1eftn2cright=n2;c1eft=n2-maxwidth; endSegBw1=sbw (rowtop:rowbot,c1eft:cright);SegBw2 = imresize (SegBw1,22 14) ;%变换为22行 14列标准 子图讦1=1%第一位汉字识别kmin=37;kmax=45;elseif 1=2%第二位AZ字母识别%第三、四位09 AZ字母和数字识kmin=11; kmax=36;elseif 1=3 & 1 0 | SubBw2 (k1,l1) 0 ) Dmax=Dmax+1;endendendError (k2) =Dmax;endError1=Error (kmin:kmax) ;% 比较误差MinError=min (Error1) ;%取误差的最小值findc=find (Error1=MinError) ;%查找最小误差的图像 RegCode (l*2-1) =liccode (findc (1) +kmin-1);RegCode (l*2) = ;%输出最小误差图像l=l+1;endtitle (识别车牌号码:,RegCode,Color,r);