资源描述
word基于matlab的车牌识别系统一、 目的与要求目的：利用matlab实现车牌识别系统，熟悉matlab应用软件的根底知识，了解了根本程序设计方法，利用其解决数字信号处理的实际应用问题，从而加深对理论知识的掌握，并把所学的知识系统、高效的贯穿到实践中来，防止理论与实践的脱离，巩固理论课上知识的同时，加强实践能力的提高，理论联系实践，提高自身的动手能力。同时不断的调试程序也提高了自己独立编程水平，并在实践中不断完善理论根底，有助于自身综合能力的提高。要求：1.理解各种图像处理方法确切意义。2.独立进展方案的制定，系统结构设计要合理。3在程序开发时，如此必须清楚主要实现函数的目的和作用，需要在程序书写时说明做适当的注释。如果使用matlab来进展开发，要理解每个函数的具体意义和适用围，在写课设报告时，必须要将主要函数的功能和参数做详细的说明。4、通过多幅不同形式的图像来检测该系统的稳定性和正确性。二、设计的容学习MATLAB程序设计，利用MATLAB函数功能，设计和实现通过设计一个车牌识别系统。车牌识别系统的根本工作原理为：将手机拍摄到的包含车辆牌照的图像输入到计算机中进展预处理，再对牌照进展搜索、检测、定位，并分割出包含牌照字符的矩形区域，然后对牌照字符进展二值化并将其分割为单个字符，然后将其逐个与创建的字符模板中的字符进展匹配，匹配成功如此输出，最终匹配完毕如此输出如此为车牌的数字。车牌识别系统的根本工作原理图如图1所下所示：字符分割车辆输出车牌字符识别车牌的定位图像预处理图像采集三、总体方案设计车辆牌照识别整个系统主要是由车牌定位和字符分割识别两局部组成，其中车牌定位又可以分为图像预处理与边缘提取模块和牌照的定位与分割模块；字符识别可以分为字符分割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，原始图象应具有适当的亮度，较大的比照度和清晰可辩的牌照图象。但由于是采用智能手机在开放的户外环境拍照，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等因素的影响，牌照图象可能出现模糊、歪斜和缺损等严重缺陷，因此需要对原始图象进展识别前的预处理。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象预处理后的原始灰度图象中确定牌照的具体位置，并将包含牌照字符的一块子图象从整个图象中分割出来，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，需要将拍出的车牌进展处理，在这个过程中，我采用画图工具，将汽车图像的车牌局部进展裁剪，并将车牌的蓝色局部过亮的地方颜色加深，还将车牌中的一个白色的原点抹去，另外还将车牌上的铆钉使用车牌的蓝色背景覆盖，这样分割出的字符更加准确。车牌识别的最终目的就是对车牌上的文字进展识别。主要应用的为模板匹配方法。因为系统运行的过程中，主要进展的都是图像处理，在这个过程中要进展大量的数据处理，所以处理器和存要求比拟高，CPU要求主频在600HZ与以上，存在128MB与以上。系统可以运行于Windows7、Windows2000或者Windows XP操作系统下，程序调试时使用matlabR2011a。四、各个功能模块的主要实现程序一首先介绍代码中主要的函数功能与用法：1.Imerode功能：对图像实现腐蚀操作，即膨胀操作的反操作。用法：IM2 = imerode(IM,SE)IM2 = imerode(IM,NHOOD)IM2 = imerode(IM,SE,PACKOPT,M)IM2 = imerode(.,PADOPT)IM2 = imerode(IM,SE) 腐蚀灰度，二值，压缩二值图像IM，返回IM2。参数SE为由strel函数返回的结构元素或者结构元素对象组。IM2 = imerode(IM,NHOOD)腐蚀图像IM，这里NHOOD是定义结构元素邻域0和1的矩阵。IM2 = imerode(.,PADOPT)指出输出图像的大小是否与输入图像大小一致。2.imdilate功能：对图像实现膨胀操作。用法：IM2 = imdilate(IM,SE)IM2 = imdilate(IM,NHOOD)IM2 = imdilate(IM,SE,PACKOPT)IM2 = imdilate(.,PADOPT)IM2 = imdilate(IM,SE) 膨胀灰度，二值，压缩二值图像IM，返回IM2。参数SE为由strel函数返回的结构元素或者结构元素对象组。IM2 = imdilate(IM,NHOOD)膨胀图像IM，这里NHOOD是定义结构元素邻域0和1的矩阵。IM2 = imdilate(IM,SE,PACKOPT)定义IM是否是一个压缩的二值图像。IM2 = imdilate(.,PADOPT)指出输出图像的大小。3.strel功能：用于膨胀腐蚀与开闭运算等操作的结构元素对象(本论坛随即对膨胀腐蚀等操作进展讲解)。用法：SE = strel(shape,parameters)创建由指定形状shape对应的结构元素。其中shape的种类有arbitrary，pair，diamond，periodicline，disk，rectangleline，square，octagon参数parameters一般控制SE的大小。BW = edge(I) 采用灰度或一个二值化图像I作为它的输入，并返回一个与I一样大小的二值化图像BW，在函数检测到边缘的地方为1，其他地方为0。 BW = edge(I,sobel) 自动选择阈值用Sobel算子进展边缘检测。 BW = edge(I,sobel,thresh) 根据所指定的敏感度阈值thresh，用Sobel算子进展边缘检测，它忽略了所有小于阈值的边缘。当thresh为空时，自动选择阈值。 BW = edge(I,sobel,thresh,direction) 根据所指定的敏感度阈值thresh，在所指定的方向direction上，用Sobel 算子进展边缘检测。Direction可取的字符串值为horizontal(水平方向)、vertical(垂直方向)或both(两个方向)。 BW,thresh = edge(I,sobel,.) 返回阈值 BW = edge(I,prewitt) 自动选择阈值用prewitt算子进展边缘检测。 BW = edge(I,prewitt,thresh) 根据所指定的敏感度阈值thresh，用prewitt算子进展边缘检测，它忽略了所有小于阈值的边缘。当thresh为空时，自动选择阈值。 BW = edge(I,prewitt,thresh,direction) 根据所指定的敏感度阈值thresh，在所指定的方向direction上，用prewitt算子进展边缘检测。Direction可取的字符串值为horizontal(水平方向)、vertical(垂直方向)或both(两个方向)默认方向为both。BW = edge(I,roberts) 自动选择阈值用roberts算子进展边缘检测。 BW = edge(I,roberts,thresh) 根据所指定的敏感度阈值thresh，用Roberts算子进展边缘检测，它忽略了所有小于阈值的边缘。当thresh为空时，自动选择阈值。 5.Imclose功能：对图像实现闭运算，闭运算也能平滑图像的轮廓，但与开运算相反，它一般融合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。用法：IM2 = imclose(IM,SE)IM2 = imclose(IM,NHOOD)用法和imopen一样。功能：对图像实现开运算，开运算一般能平滑图像的轮廓，消弱狭窄的局部，去掉细的突出。用法：IM2 = imopen(IM,SE)IM2 = imopen(IM,NHOOD)IM2 = imopen(IM,SE)用结构元素SE实现灰度图像或二值图像的IM的形态开运算。SE可以是单个结构元素对象或者结构元素对象数组。IM2 = imopen(IM,NHOOD)用结构元素strelNHOOD执行开运算。7.bwareaopen功能：删除小面积对象格式：BW2 = bwareaopen(BW,P,conn)作用：删除二值图像BW中面积小于P的对象，默认情况下conn使用8邻域。8.tic和toc函数这两个函数一般配合使用，tic表示计时的开始，toc表示计时的完毕。格式如：tic任意表达式toct=toc9.fspecial功能：用于建立预定义的滤波算子，其语法格式为：h = fspecial(type)h = fspecial(type，para)其中type指定算子的类型，para指定相应的参数；type的类型有：1、averageaveraging filter为均值滤波，参数为hsize代表模板尺寸，默认值为【3，3】。diskcircular averaging filter为圆形区域均值滤波，参数为radius代表区域半径，默认值为5.gaussianGaussian lowpass filter为高斯低通滤波，有两个参数，hsize表示模板尺寸，默认值为【3 3】，sigma为滤波器的标准值，单位为像素，默认值为0.5.prewittPrewitt horizontal edge-emphasizing filter用于边缘增强，大小为【3 3】，无参数sobelSobel horizontal edge-emphasizing filter用于边缘提取，无参数9. filter2J = filter2(h,I);使用指定的滤波器h对I进展滤波，结果保存在J中10.bwarea函数功能：计算二值图像中对象的总面积。调用格式：total = bwarea(BW)估算二值图像BW中对象的总面积。 返回的total是一个标量， 它的值大致地反映了和图像中on像素的个数。由于对于不同像素类型， 度量标准不同， 因此结果可能并不十分准确。BW可以是数值类型整型、浮点型或者逻辑类型。对于数值类型， 像素值不为0被视为on。返回值total是double类型的。11.sum功能：函数求和sum(x,2)表示矩阵x的横向相加，求每行的和，结果是列向量。而缺省的sum(x)就是竖向相加，求每列的和，结果是行向量。A0的结果是得到一个逻辑矩阵，大小跟原来的A一致，A于零的元素的位置置为1，小于等于零的位置置为0。所以横向求和以后，就是求A中每行大于零的元素个数。12.round功能：四舍五入调用格式：Y = round(X) 在matlab中round也是一个四舍五入函数。(二)对汽车图像进展图像转换、图像增强和边缘检测等。1.载入车牌图像：I=imread(car1.jpg);figure(1),imshow(I);title(original image)；%将车牌的原图显示出来，结果如下：2.将彩图转换为灰度图并绘制直方图：I1=rgb2gray(I);%将彩图转换为灰度图figure(2),subplot(1,2,1),imshow(I1);title(gray image);figure(2),subplot(1,2,2),imhist(I1);title(灰度图直方图);%绘制灰度图的直方图结果如下所示：3. 用roberts算子进展边缘检测：I2=edge(I1,roberts,0.18,both);%选择阈值0.18，用roberts算子进展边缘检测figure(3),imshow(I2);title(roberts operator edge detection image)；结果如下：4.图像实施腐蚀操作：se=1;1;1;I3=imerode(I2,se);%对图像实施腐蚀操作，即膨胀的反操作figure(4),imshow(I3);title(corrosion image);se=strel(rectangle,25,25);%构造结构元素以正方形构造一个seI4=imclose(I3,se);% 图像聚类、填充图像figure(5),imshow(I4);title(smothing image);结果如下所示：6. 删除二值图像的小对象 I5=bwareaopen(I4,2000);% 去除聚团灰度值小于2000的局部figure(6),imshow(I5);title(remove the small objects); %用imshow函数显示滤波后图像结果如下所示 ：三车牌定位y,x,z=size(I5);%返回I5各维的尺寸，存储在x,y,z中myI=double(I5);%将I5转换成双精度tic %tic表示计时的开始，toc表示计时的完毕 Blue_y=zeros(y,1);%产生一个y*1的零阵 for i=1:y for j=1:x if(myI(i,j,1)=1) %如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景颜色蓝色 %如此Blue_y(i,1)的值加1 Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计 end end end temp MaxY=max(Blue_y);%Y方向车牌区域确定 %temp为向量yellow_y的元素中的最大值，MaxY为该值的索引 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,:,:); %行方向车牌区域确定 % X方向 % 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)PX1) PX2=PX2-1; end PX1=PX1-1;%对车牌区域的校正 PX2=PX2+1; dw=I(PY1:PY2-8,PX1:PX2,:); t=toc; figure(7),subplot(1,2,1),imshow(IY),title(Line direction areas);%行方向车牌区域确定figure(7),subplot(1,2,2),imshow(dw),title(positioning color images);%定位后的车牌区域如下所示：(四)字符分割与识别对分割出的彩色车牌图像进展灰度转换、二值化、均值滤波、腐蚀膨胀以与字符分割以从车牌图像中别离出组成车牌的单个字符图像，对分割出来的字符进展预处理二值化、归一化，然后分析提取，对分割出的字符图像进展识别给出文本形式的车牌。代码如下：imwrite(dw,dw.jpg);%将彩色车牌写入dw文件中a=imread(dw.jpg);%读取车牌文件中的数据b=rgb2gray(a);%将车牌图像转换为灰度图imwrite(b,gray licence plate.jpg);%将灰度图像写入文件中figure(8);subplot(3,2,1),imshow(b),title(车牌灰度图像)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m,n=size(b);d=(double(b)=T); % d:二值图像imwrite(d,binary licence plate.jpg);subplot(3,2,2),imshow(d),title(before filtering binary licence plate)%均值滤波前% 滤波h=fspecial(average,3);%建立预定义的滤波算子，average为均值滤波，模板的尺寸为3*3d=im2bw(round(filter2(h,d);%使用指定的滤波器h对h进展d即均值滤波imwrite(d,after average licence plate.jpg);subplot(3,2,3),imshow(d),title(after average licence plate)% 某些图像进展操作% 膨胀或腐蚀% se=strel(square,3); % 使用一个3X3的正方形结果元素对象对创建的图像进展膨胀% line/diamond/ball.se=eye(2); % eye(n) returns the n-by-n identity matrix 单位矩阵m,n=size(d);%返回矩阵b的尺寸信息， 并存储在m,n中 d=imdilate(d,se);%如果小于如此实现膨胀操作endimwrite(d,expansion or corrosion the licence plate.jpg);subplot(3,2,4),imshow(d),title(expansion or corrosion the licence plate)；运行结果如下所示：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根底上进展字符的分割，然后再利用分割的结果进展字符识别。字符识别的算法很多，因为车牌字符间间隔较大，不会出现字符粘连情况，所以此处采用的方法为寻找连续有文字的块，假设长度大于某阈值，如此认为该块有两个字符组成，需要分割。一般分割出来的字符要进展进一步的处理，以满足下一步字符识别的需要。但是对于车牌的识别，并不需要太多的处理就已经可以达到正确识别的目的。在此只进展了归一化处理，然后进展后期处理。% 寻找连续有文字的块，假设长度大于某阈值，如此认为该块有两个字符组成，需要分割%首先创建子函数qiege与getword，而后调用子程序，将车牌的字符分割开并且进展归一化处理d=qiege(d);m,n=size(d);subplot(3,2,5),imshow(d),title(n)k1=1;k2=1;s=sum(d);j=1;while j=n while s(j)=0 j=j+1; end k1=j; while s(j)=0 & j=round(n/6.5) val,num=min(sum(d(:,k1+5:k2-5); d(:,k1+num+5)=0; % 分割 endend% 再切割d=qiege(d);% 切割出 7 个字符y1=10;y2=0.25;flag=0;word1=;while flag=0 m,n=size(d); left=1;wide=0; while sum(d(:,wide+1)=0 wide=wide+1; end if widey2 flag=1;word1=temp; % WORD 1 end d(:,1:wide)=0;d=qiege(d); endend% 分割出第二个字符word2,d=getword(d);% 分割出第三个字符word3,d=getword(d);% 分割出第四个字符word4,d=getword(d);% 分割出第五个字符word5,d=getword(d);% 分割出第六个字符word6,d=getword(d);% 分割出第七个字符word7,d=getword(d);figure(9);subplot(2,7,1),imshow(word1),title(1);subplot(2,7,2),imshow(word2),title(2);subplot(2,7,3),imshow(word3),title(3);subplot(2,7,4),imshow(word4),title(4);subplot(2,7,5),imshow(word5),title(5);subplot(2,7,6),imshow(word6),title(6);subplot(2,7,7),imshow(word7),title(7);m,n=size(word1);% 商用系统程序中归一化大小为 40*20,此处演示word1=imresize(word1,40 20);word2=imresize(word2,40 20);word3=imresize(word3,40 20);word4=imresize(word4,40 20);word5=imresize(word5,40 20);word6=imresize(word6,40 20);word7=imresize(word7,40 20);subplot(2,7,8),imshow(word1),title(1);subplot(2,7,9),imshow(word2),title(2);subplot(2,7,10),imshow(word3),title(3);subplot(2,7,11),imshow(word4),title(4);subplot(2,7,12),imshow(word5),title(5);subplot(2,7,13),imshow(word6),title(6);subplot(2,7,14),imshow(word7),title(7);imwrite(word1,1.jpg);imwrite(word2,2.jpg);imwrite(word3,3.jpg);imwrite(word4,4.jpg);imwrite(word5,5.jpg);imwrite(word6,6.jpg);imwrite(word7,7.jpg);运行结果如下：三车牌识别：模板匹配是图象识别方法中最具代表性的根本方法之一，它是将从待识别的图象或图象区域f(i,j)中提取的假设干特征量与模板T(i,j)相应的特征量逐个进展比拟，计算它们之间规格化的互相关量，其中互相关量最大的一个就表示期间相似程度最高，可将图象归于相应的类。也可以计算图象与模板特征量之间的距离，用最小距离法判定所属类。此处采用相减的方法来求得字符与模板中哪一个字符最相似，然后找到相似度最大的输出。汽车牌照的字符一般有七个，大局部车牌第一位是汉字，通常代表车辆所属省份，紧接其后的为字母与数字。车牌字符识别与一般文字识别在于它的字符数有限，汉字共约50多个，大写英文字母26个，数字10个。为了实验方便，结合本次设计所选汽车牌照的特点，只建立了7个数字26个字母与10个数字的模板。其他模板设计的方法与此一样。首先取字符模板，接着依次取待识别字符与模板进展匹配，将其与模板字符相减，得到的0越多那么就越匹配。把每一幅相减后的图的0值个数保存，即为识别出来的结果。识别的流程图如下所示：建立自动识别的代码表读取分割出来的字符第一个字符与模板中的汉字模板进展匹配第二个字符与模板中的字母模板进展匹配待识别字符与模板字符相减，值越小相似度越大，找到最小的一个即为匹配的最好的识别完成，输出此模板对应值后5个字符与模板中的字母与数字模板进展匹配源代码如下：liccode=char(0:9 A:Z 豫陕鲁京辽浙); %建立自动识别字符代码表 SubBw2=zeros(40,20);l=1;for I=1:7 ii=int2str(I); t=imread(ii,.jpg); SegBw2=imresize(t,40 20,nearest); SegBw2=double(SegBw2)20; if l=1 %第一位汉字识别 kmin=37; kmax=43; elseif l=2 %第二位 AZ 字母识别 kmin=11; kmax=36; else l=3 %第三位以后是字母或数字识别 kmin=1; kmax=36; end for k2=kmin:kmax fname=strcat(字符模板,liccode(k2),.jpg); SamBw2 = imread(fname); SamBw2=double(SamBw2)1; for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j); end end % 以上相当于两幅图相减得到第三幅图 Dmax=0; for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1; end end end Error(k2)=Dmax; end Error1=Error(kmin:kmax); MinError=min(Error1); findc=find(Error1=MinError); Code(l*2-1)=liccode(findc(1)+kmin-1); Code(l*2)= ; l=l+1;endfigure(10),imshow(dw),title (车牌:, Code,Color,b);通过以上的方法，我对另外一幅图像进展了检测，也有较好的识别效果。下面是对另一幅车牌照的检测，结果如下所示：【参考文献】M.电子科技大学,2008年.M.电子工业，2001年.M.科学，1999年.M.科学教育，2001年.26 / 26
展开阅读全文