?目 錄
一. 課程設(shè)計(jì)任務(wù) 1
二. 課程設(shè)計(jì)原理及設(shè)計(jì)方案 2
三. 課程設(shè)計(jì)的步驟和結(jié)果 3
四. 課程設(shè)計(jì)總結(jié) 4
五. 設(shè)計(jì)體會(huì) 5
六. 參考文獻(xiàn) 6
?設(shè)計(jì)任務(wù)
在交通管理過程中，通常采用視頻監(jiān)控方式對(duì)闖紅燈和超速等違章車輛進(jìn)行監(jiān)督。對(duì)違章車輛，需要自動(dòng)檢測(cè)車牌信息，提取車牌號(hào)碼，以便查找車主信息和監(jiān)督管理。國(guó)內(nèi)常用的一般車牌通常是是藍(lán)底白字，長(zhǎng)寬比3:1。
1、對(duì)車牌圖像進(jìn)行預(yù)處理，然后進(jìn)行車牌定位；
2、進(jìn)行字符分割；
2、對(duì)車牌中的數(shù)字、字母和漢字進(jìn)行提取和識(shí)別；
3、要求自行設(shè)計(jì)方案、編寫代碼實(shí)現(xiàn)上述功能，并設(shè)計(jì)車牌識(shí)別的軟件界面。
一. 設(shè)計(jì)原理及設(shè)計(jì)方案
1.系統(tǒng)簡(jiǎn)述
一個(gè)完整的車牌識(shí)別系統(tǒng)閉應(yīng)包括車輛檢測(cè)、圖像采集、圖像預(yù)處理、車牌定位、字符分割、字符識(shí)別等單元。當(dāng)車輛到達(dá)觸發(fā)圖像采集單元時(shí)，系統(tǒng)采集當(dāng)前的視頻圖像。車輛識(shí)別單元對(duì)圖像進(jìn)行處理，定位出牌照位置，再將車牌中的字符分割出來進(jìn)行識(shí)別，然后組成車牌號(hào)碼輸出。車牌識(shí)別系統(tǒng)原理如圖l所示。
?

（1）圖像預(yù)處理：對(duì)汽車圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強(qiáng)和邊緣檢測(cè)等。
（2）車牌定位：從預(yù)處理后的汽車圖像中分割出車牌圖像。即在一幅車輛圖像中找到車牌所在的位置。
（3）字符分割：對(duì)車牌圖像進(jìn)行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號(hào)碼的單個(gè)字符圖像
（4）字符識(shí)別：對(duì)分割出來的字符進(jìn)行預(yù)處理（二值化、歸一化），然后分析提取，對(duì)分割出的字符圖像進(jìn)行識(shí)別給出文本形式的車牌號(hào)碼。
為了用于牌照的分割和牌照字符的識(shí)別，原始圖象應(yīng)具有適當(dāng)?shù)牧炼?#xff0c;較大的對(duì)比度和清晰可辯的牌照?qǐng)D象。但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時(shí)攝像機(jī)與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照?qǐng)D象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對(duì)原始圖象進(jìn)行識(shí)別前的預(yù)處理。
牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。
由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。因此，需要對(duì)字符在識(shí)別之前再進(jìn)行一次針對(duì)性的處理。
車牌識(shí)別的最終目的就是對(duì)車牌上的文字進(jìn)行識(shí)別。識(shí)別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。
2.圖像預(yù)處理
?

2.1灰度變換
輸入的彩色圖像包含大量顏色信息，會(huì)占用較多的存儲(chǔ)空間，且處理時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別等處理時(shí)．常將彩色圖像轉(zhuǎn)換為灰度圖像，以加快處理速度。可對(duì)圖像進(jìn)行灰度化處理、提取背景圖像、增強(qiáng)處理、圖像二值化，邊緣檢測(cè)、濾波等處理。然后采用robert算子進(jìn)行邊緣檢測(cè)，再用imopen和imclose對(duì)所得二值圖像作開、閉操作進(jìn)行濾波。
彩色圖像分為R、G、B三個(gè)分量，分別顯示出紅、綠、藍(lán)等各種顏色，灰度化就是使彩色的R、G、B 分量相等的過程。灰度值大的像素點(diǎn)比較亮（像素值最大為255，為白色） ，反之比較暗（像素值最小為 0，是黑色） 。
圖像灰度化的算法主要有以下 3 種：
1）最大值法：使轉(zhuǎn)化后R、G、B的值等于轉(zhuǎn)化前 3 個(gè)值中最大的一個(gè)，即：R=G=B=max(R,G,B)，這種方法轉(zhuǎn)換的灰度圖亮度很高。
2）平均值法：使轉(zhuǎn)化后R、G、B的值為轉(zhuǎn)化前R、G、B的平均值 R=G=B=(R+G+B)/3 這種方法產(chǎn)生的灰度圖像比較柔和。
3）加權(quán)平均值法：按照一定的權(quán)值，對(duì)R、G、B的值加權(quán)平均。
2.2邊緣提取
數(shù)字圖像的邊緣檢測(cè)是圖像分割、目標(biāo)區(qū)域的識(shí)別、區(qū)域形狀提取等圖像分析領(lǐng)域十分重要的基礎(chǔ)。邊緣是圖像的重要特征，圖像理解和分析的第一步往往就是邊緣檢測(cè)。目前，邊緣檢測(cè)已成為計(jì)算機(jī)視覺研究領(lǐng)域最活躍的課題之一，在工程應(yīng)用中占有十分重要的地位。車牌的一個(gè)重要特征就是在該區(qū)域存在大量的邊緣信息，所以邊緣檢測(cè)對(duì)于我們進(jìn)行車牌識(shí)別來說也是相當(dāng)重要的。
邊緣是以圖像的局部特征不連續(xù)的形式出現(xiàn)的，也就是指圖像局部亮度變化最顯著的部分，如灰度值的突變、顏色的突變、紋理結(jié)構(gòu)的突變等，同時(shí)邊緣也是不同區(qū)域的分界處。圖像邊緣有方向和幅度兩個(gè)特性，通常沿邊緣的走向灰度變化平緩，垂直于邊緣走向灰度變化劇烈。由于邊緣是圖像上灰度變化最劇烈的地方，傳統(tǒng)的邊緣檢測(cè)就利用這個(gè)特點(diǎn)，通過計(jì)算圖像中像素的梯度值來確定邊緣點(diǎn)。
常用的圖像邊緣提取算子有Roberts算子、sobel算子、Prewitt算子、Laplacian算子等，它們的模板分別如下：
?

?
3.車牌定位
自然環(huán)境下，汽車圖像背景復(fù)雜，光照不均勻，在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)圖像識(shí)別過程中的關(guān)鍵。首先對(duì)采集到的圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳區(qū)域作為牌照區(qū)域。將其從圖像中分割嘲出來，同時(shí)要考慮車牌傾斜問題。算法流程如下：
(1)對(duì)二值圖像進(jìn)行區(qū)域提取。計(jì)算并比較區(qū)域特征參數(shù)，提取車牌區(qū)域。進(jìn)行閉運(yùn)算，可使得水平相鄰的邊緣連接成為連通區(qū)域；進(jìn)行開運(yùn)算可使得車牌區(qū)域與其它背景區(qū)域分開，成為獨(dú)立的連通域。
(2)計(jì)算包含所標(biāo)記區(qū)域的最小寬和高。并根據(jù)先前知識(shí)，提取并顯示更接近的車牌二子值圖。
(3)通過計(jì)算車牌旋轉(zhuǎn)角度解決車牌傾斜問題。由于車牌傾斜導(dǎo)致投影效果峰谷不明顯，需車牌矯正處理，采取線性擬合方法，計(jì)算出車牌上邊或下邊圖像值為1的點(diǎn)擬合直線與水平X軸的夾角。
4.字符分割
完成牌照區(qū)域的定位后，再將牌照區(qū)域分割為單個(gè)字符，可采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值．并且該位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制等條件。利用垂直投影法實(shí)現(xiàn)復(fù)雜環(huán)境下汽車圖像中的字符分割效果較好。
通過分析計(jì)算字符的水平投影和垂直投影，可獲得車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置，以方便提取分割字符。然后計(jì)算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度。最后計(jì)算車牌每個(gè)字符的中心位置和最大字符寬度，提取分割字符，其算法流程如圖3所示。
?

此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。算法如下：
?

5.字符識(shí)別
字符識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法是首先將分割后的字符二值化，并將其尺寸縮放為字符數(shù)據(jù)庫中模板的大小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果。建立數(shù)字庫對(duì)該方法在車牌識(shí)別過程中很重要，數(shù)字庫準(zhǔn)確才能保證檢測(cè)出的數(shù)據(jù)正確。基于人工神經(jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對(duì)特征提取待識(shí)別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別結(jié)果。模板匹配實(shí)現(xiàn)簡(jiǎn)單，當(dāng)字符較規(guī)整時(shí)，對(duì)字符圖像的缺損、污跡干擾適應(yīng)力強(qiáng)且識(shí)別率高。因此，這里將模板匹配作為車牌字符識(shí)別的主要方法。
模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來構(gòu)建模板，就可以避免上述問題。
?

一. 步驟和結(jié)果
此處以車牌1作為示例圖像

獲取圖像
[fn,pn,fi]=uigetfile(’*.bmp’,‘選擇圖片’);
Scolor=imread([pn fn]);

?

圖像灰度化
Sgray = rgb2gray(Scolor);%rgb2gray轉(zhuǎn)換成灰度圖

?
3. 圖像增強(qiáng)
s=strel(‘disk’,13);%strei函數(shù)13
Bgray=imopen(Sgray,s);%打開sgray s圖像
Egray=imsubtract(Sgray,Bgray);%兩幅圖相減

?
4. 邊緣提取
圖像中車輛牌照是具有比較顯著特征的一塊圖象區(qū)域，這此特征表現(xiàn)在：近似水平的矩形區(qū)域；其中字符串都是按水平方向排列的；在整體圖象中的位置較為固定。正是由于牌照?qǐng)D象的這些特點(diǎn)，再經(jīng)過適當(dāng)?shù)膱D象變換，它在整幅中可以明顯地呈現(xiàn)出其邊緣。邊緣提取是較經(jīng)典的算法，此處邊緣的提取采用的是Roberts算子。
grd=edge(Egray,‘robert’,0.09,‘both’);
se=[1;1;1]; %線型結(jié)構(gòu)元素
I3=imerode(grd,se); %腐蝕圖像

?

開閉運(yùn)算進(jìn)行濾波
牌照?qǐng)D象經(jīng)過了以上的處理后，牌照區(qū)域已經(jīng)十分明顯，而且其邊緣得到了勾勒和加強(qiáng)。此時(shí)可進(jìn)一步確定牌照在整幅圖象中的準(zhǔn)確位置。這里選用數(shù)學(xué)形態(tài)學(xué)的方法，基本思想是用具有一定形態(tài)的機(jī)構(gòu)元素去量度和提取圖像中的對(duì)應(yīng)形狀以達(dá)到對(duì)圖像分析和識(shí)別的目的。數(shù)學(xué)形態(tài)學(xué)的應(yīng)用可以簡(jiǎn)化圖像數(shù)據(jù)，保持它們基本的形態(tài)特征，并除去不相干的結(jié)構(gòu)。在本程序中用到了開閉兩個(gè)基本運(yùn)算，最后還用了bwareaopen來去除對(duì)象中不相干的小對(duì)象。
bg1=imclose(I3,strel(‘rectangle’,[8,18]));%取矩形框的閉運(yùn)算即平滑8,18
bg3=imopen(bg1,strel(‘rectangle’,[8,14]));%取矩形框的開運(yùn)算8,18
bg2=bwareaopen(bg3,700);%去除聚團(tuán)灰度值小于700的部分

?
6. 車牌初步定位
通過比較累計(jì)行像素灰度值和列像素灰度值確定車牌的真實(shí)位置。
[y,x,]=size(bg2);
I6=double(bg2);
%繪制行曲線圖
Y1=zeros(y,1);%y行1列的零矩陣 累計(jì)行像素灰度值
for i=1:y
for j=1:x
if(I6(i,j,1)==1)
Y1(i,1)= Y1(i,1)+1;
end
end
end
[temp, MaxY]=max(Y1);
PY1=MaxY;
while ((Y1(PY1,1)>=50)&&(PY1>1))
PY1=PY1-7;
end
PY2=MaxY;
while ((Y1(PY2,1)>=50)&&(PY2<y))
PY2=PY2+7;
end
%繪制列曲線圖
X1=zeros(1,x);% 累計(jì)列像素灰度值
for j=1:x
for i=PY1:PY2
if(I6(i,j,1)==1)
X1(1,j)= X1(1,j)+1;
end
end
end
PX1=1;
while ((X1(1,PX1)??)&&(PX1<x))
PX1=PX1+1;
end
PX2=x;
while ((X1(1,PX2)??)&&(PX2>PX1))
PX2=PX2-1;
end
DW=Scolor(PY1:PY2,PX1:PX2,:);%車牌定位后圖像

?
7. 進(jìn)一步車牌定位
經(jīng)過上述方法分割出來的車牌圖像中存在目標(biāo)物體、背景還有噪聲，要想從圖像中直接提取出目標(biāo)物體，最常用的方法就是設(shè)定一個(gè)閾值T，用T將圖像的數(shù)據(jù)分成兩部分：大于T的像素群和小于T的像素群，即對(duì)圖像二值化。然后通過行像素點(diǎn)的累計(jì)值去除頂端和底端不感興趣的地方。
if isrgb(DW)
I1 = rgb2gray(DW); %將RGB圖像轉(zhuǎn)化為灰度圖像
else I1=DW;
end
g_max=double(max(max(I1)));
g_min=double(min(min(I1)));
T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾值
[m,n]=size(I1);% d:二值圖像
imane_bw=im2bw(I1,T/256); %二值化車牌圖像
[y1,x1,z1]=size(imane_bw);
I3=double(imane_bw);
TT=1;
%%%%%%%去除圖像頂端和底端的不感興趣區(qū)域%%%%%
Y1=zeros(y1,1);
for i=1:y1
for j=1:x1
if(I3(i,j,1)==1)
Y1(i,1)= Y1(i,1)+1 ;
end
end
end
Py1=1;Py0=1;
while ((Y1(Py0,1)<9)&&(Py0<y1))
Py0=Py0+1;
end
Py1=Py0;
while((Y1(Py1,1)>=9)&&(Py1<y1))
Py1=Py1+1;
end
I2=imane_bw(Py0:Py1,:😅; %目標(biāo)車牌區(qū)域

?
8. 車牌字符分割
字符分割的算法很多，因?yàn)檐嚺谱址g間隔較大，通常不會(huì)出現(xiàn)字符粘連情況，所以此處采用的方法為尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割。一般分割出來的字符要進(jìn)行進(jìn)一步的處理，以滿足下一步字符識(shí)別的需要。但是對(duì)于車牌的識(shí)別，并不需要太多的處理就已經(jīng)可以達(dá)到正確識(shí)別的目的。在此只進(jìn)行了歸一化處理，然后進(jìn)行后期處理。
% 尋找連續(xù)有文字的塊，若長(zhǎng)度大于某閾值，則認(rèn)為該塊有兩個(gè)字符組成，需要分割
d=qiege(I2);
[m,n]=size(d);
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<=n-1
j=j+1;
end
k2=j-1;
if k2-k1>=round(n/6.5)
[val,num]=min(sum(d(:,[k1+5:k2-5])));
d(:,k1+num+5)=0; % 分割
end
end
% 再切割
d=qiege(d);
% 切割出 7 個(gè)字符
y1=10;y2=0.25;flag=0;word1=[];
while flag0
[m,n]=size(d);
left=1;wide=0;
while sum(d(:,wide+1))~=0
wide=wide+1;
end
if wide<y1 % 認(rèn)為是左側(cè)干擾
d(:,[1:wide])=0;
d=qiege(d);
else
temp=qiege(imcrop(d,[1 1 wide m]));
[m,n]=size(temp);
all=sum(sum(temp));
two_thirds=sum(sum(temp([round(m/3):2round(m/3)]😅));
if two_thirds/all>y2
flag=1;word1=temp; % WORD 1
end
d(:,[1:wide])=0;d=qiege(d);
end
end
[word2,d]=getword(d);% 分割出第二個(gè)字符
[word3,d]=getword(d); % 分割出第三個(gè)字符
[word4,d]=getword(d); % 分割出第四個(gè)字符
[word5,d]=getword(d); % 分割出第五個(gè)字符
[word6,d]=getword(d); % 分割出第六個(gè)字符
[word7,d]=getword(d); % 分割出第七個(gè)字符
[m,n]=size(word1);
%歸一化大小為2214
word1=imresize(word1,[22 14]);
……
word7=imresize(word7,[22 14]);
imwrite(word1,‘1.jpg’);
……
imwrite(word7,‘7.jpg’);

?
9. 車牌字符識(shí)別
此處采用相減的方法來求得字符與模板中哪一個(gè)字符最相似，然后找到相似度最大的輸出。汽車牌照的字符一般有七個(gè)，大部分車牌第一位是漢字，通常代表車輛所屬省份，緊接其后的為字母與數(shù)字。車牌字符識(shí)別與一般文字識(shí)別在于它的字符數(shù)有限，漢字共約30多個(gè)，大寫英文字母26個(gè)，數(shù)字10個(gè)。
首先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的非0值越少那么就越匹配。把每一幅相減后的圖的非0值個(gè)數(shù)保存，即為識(shí)別出來的結(jié)果。
liccode=char([‘0’:‘9’ ‘A’:‘Z’ ‘藏川甘贛貴桂黑滬吉濟(jì)冀津晉京警蘭遼領(lǐng)魯蒙閩寧青瓊陜使蘇皖湘新學(xué)渝豫粵云浙’]); %建立自動(dòng)識(shí)別字符代碼表
tt=1;
l=1;
for I=1:7
ii=int2str(I);
t=imread([ii,’.jpg’]);
t=255-t;
level=graythresh(t);
t=im2bw(t,level);
SegBw2=imresize(t,[22 14],‘nearest’);
if tt1 %第一位漢字識(shí)別
kmin=37;
kmax=72;
t=~t;
SegBw2=imresize(t,[22 14],‘nearest’);
elseif tt2 %第二位 A~Z 字母識(shí)別
kmin=11;
kmax=36;
else %第三位以后是字母或數(shù)字識(shí)別
kmin=1;
kmax=36;
end
for k2=kmin:kmax
fname=strcat(‘code module\Sam’,liccode(k2),’.jpg’);
SamBw22 = imread(fname);
SamBw22 = rgb2gray(SamBw22);
SamBw2=imresize(SamBw22,[22 14],‘nearest’);
level=graythresh(SamBw2);
SamBw2=im2bw(SamBw2,level);
for i=1:22
for j=1:14
SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j);
end
end
% 以上相當(dāng)于兩幅圖相減得到第三幅圖
Dmax=0;
for k1=1:22
for l1=1:14
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(Error1MinError);
if tt1
findc=findc+36;
end
if tt2
findc=findc+10;
end
tt=tt+1;
res=liccode(findc);
shibiejieguo(1,l)=res;
l=l+1;
end
%%%getword子函數(shù)為：
function [word,result]=getword(d)
word=[];flag=0;y1=8;y2=0.5;
while flag0
[m,n]=size(d);
wide=0;
while sum(d(:,wide+1))~=0 && wide<=n-2
wide=wide+1;
end
temp=qiege(imcrop(d,[1 1 wide m]));
[m1,n1]=size(temp);
if wide<y1 && n1/m1>y2
d(:,[1:wide])=0;
if sum(sum(d))~=0
d=qiege(d); % 切割出最小范圍
else word=[];flag=1;
end
else
word=qiege(imcrop(d,[1 1 wide m]));
d(:,[1:wide])=0;
if sum(sum(d))~=0;
d=qiege(d);flag=1;
else d=[];
end
end
end
result=d;
%%%qiege子函數(shù)為：
function e=qiege(d)
[m,n]=size(d);
top=1;bottom=m;left=1;right=n; % init
while sum(d(top,:))==0 && top<=m
top=top+1;
end
while sum(d(bottom,:))==0 && bottom>1
bottom=bottom-1;
end
while sum(d(:,left))==0 && left<n
left=left+1;
end
while sum(d(:,right))==0 && right>=1
end
dd=right-left;
hh=bottom-top;
e=imcrop(d,[left top dd hh]);

得出車牌檢測(cè)結(jié)果為：陜A906L4
2. 對(duì)話框顯示及語音朗讀
msgbox(shibiejieguo,‘識(shí)別結(jié)果’);
duchushengyin(shibiejieguo);

?
10. 設(shè)計(jì)GUI界面
界面設(shè)計(jì)如下：
?

界面可顯示車輛的原始圖像，車牌定位圖像，進(jìn)一步定位的車牌區(qū)域，車牌字符分割后的結(jié)果以及車牌的識(shí)別結(jié)果。瀏覽文件按鈕可在文件夾中選擇要處理的圖片，然后按下確認(rèn)按鈕，開始處理，按下結(jié)束后，所有圖片及字符顯示均清除。
11. 設(shè)計(jì)總結(jié)
本文主要解決了以下問題：1、在背景的圖象中如何定位牌照2、將定位的牌照區(qū)域中的字符分割；3、對(duì)分割下來的牌照字符提取具有分類能力的特征，并對(duì)漢字、字母及數(shù)字均進(jìn)行識(shí)別。在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到：單一的預(yù)處理和識(shí)別技術(shù)都無法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析。
根據(jù)車牌特點(diǎn)，一般采用的車牌定位算法有：1.邊緣檢測(cè)定位算法；2.利用哈夫變換進(jìn)行車牌定位；3.色彩分割提取車牌等。這里我采用的是邊緣檢測(cè)的方法實(shí)現(xiàn)定位的。
字符分割的方法也有多種：1. 基于聚類分析的字符分割；2. 投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對(duì)在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn)單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。
字符識(shí)別的基本方法通常有三類：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來確定最終的識(shí)別結(jié)果。
但是系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距，但我卻在這次設(shè)計(jì)中學(xué)到了很多知識(shí)。車牌識(shí)別基本太多人做了，如果做成比較大型的設(shè)計(jì)，建議加創(chuàng)新元素，否則很low，如計(jì)時(shí)計(jì)費(fèi)，停車場(chǎng)應(yīng)用，違章檢測(cè)，結(jié)合人臉做車主溯源等都不錯(cuò)的設(shè)計(jì)。
12. 設(shè)計(jì)體會(huì)
通過這次設(shè)計(jì)使我明白了自己原來的數(shù)字圖像處理知識(shí)還比較欠缺，這個(gè)設(shè)計(jì)讓我學(xué)到了很多東西，在這整個(gè)過程中我遇到了很多困難，查閱了大量的資料，也得到了老師和同學(xué)的幫助，才逐步將一個(gè)個(gè)困難克服。其中，讓我困擾很長(zhǎng)時(shí)間的便是許多參數(shù)的選取。在圖像的預(yù)處理階段，開閉運(yùn)算的矩陣選取，根據(jù)行列累計(jì)像素灰度值定位車牌的閾值選取以及車牌分割的參數(shù)等都需要多次的嘗試與總結(jié)才可以找到適合多幅圖像的合適的值。另外，字符識(shí)別的過程中模板的選取很關(guān)鍵，由于我檢測(cè)出來的車牌是黑底白字的，而我所使用的模板是白底黑字的，曾一度檢測(cè)錯(cuò)誤，后來才發(fā)現(xiàn)這個(gè)問題，經(jīng)過二值變換之后取反再比較，可以得到正確的識(shí)別字符。中間也更換過幾次模板，要選取與車牌數(shù)字最接近的模板，否則很容易識(shí)別錯(cuò)誤。
總之，理論只有應(yīng)用到實(shí)際中才能學(xué)著更有意義。學(xué)習(xí)是一個(gè)長(zhǎng)期積累的過程，在后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識(shí)和綜合素質(zhì)。此次設(shè)計(jì)也大大提高了我的動(dòng)手能力，使我充分體會(huì)到了在創(chuàng)造過程中探索的艱難和成功時(shí)的喜悅。雖然這個(gè)設(shè)計(jì)目前實(shí)現(xiàn)了少數(shù)的車輛牌照識(shí)別，但是在設(shè)計(jì)過程中所學(xué)到的學(xué)習(xí)方法是我最大收獲和財(cái)富，相信定會(huì)使我受益終身。
13. 參考文獻(xiàn)
1 王剛，冀小平. 基于MATLAB的車牌識(shí)別系統(tǒng)的研究.電子設(shè)計(jì)工程,2019.17(11):72-73
2 岡薩雷斯．數(shù)字圖像處理（第二版）．電子工業(yè)出版社，2007．8
3 宋建才．汽車牌照識(shí)別技術(shù)研究叨．工業(yè)控制計(jì)算機(jī)，2014(4)：44—45．
4 陳永超. 基于數(shù)字圖像處理的車牌識(shí)別研究.武漢理工大學(xué)碩士學(xué)位論文. 2016:16-19
5 王璐. 基于 MATLAB的車牌識(shí)別系統(tǒng)研究.上海交通大學(xué)碩士學(xué)位論文. 2019:15-27
6 張 引，潘云鶴.面向車輛牌照字符識(shí)別的預(yù)處理算法.計(jì)算機(jī)應(yīng)用研究，2019(7):85～87
7 郁梅等.基于視覺的車輛牌照檢測(cè).計(jì)算機(jī)應(yīng)用研究.2018(5):65～67
?

總結(jié)

以上是生活随笔為你收集整理的MATLAB车牌识别GUI设计实现的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。