毕业论文文章岛屿回忆

1、汽车牌照自动识别技术已经被广泛应用。处理汽车牌照自动识别的处理过程为图像预处理、车牌定位、字符分割、字符识别四大步，其中字符识别过程主要由以下3个部分组成：正确地分割文字图像区域；正确的分离单个文字；正确识别单个字符。利用matlab软件编程实现每一个部分，识别出车牌信息，研究分析了存在的问题并进行处理。随着计算机技术的飞速发展，计算机网络技术和通信技术在人们的日常生活中应用广泛，发展迅速，经济得以飞速发展。车牌识别技术在其他识别领域的应用也很广泛，车牌识别技术已经成为现在交通工程领域中一个重要的热点研究问题。能否适应户外全天候的工作环境是车牌识别技术能否得以应用的关键条件，既要能处理各种实际

2、场景，比如车牌图像的倾斜、模糊污垢等。国内外研究人员在上世纪90年代初开始对车牌识别技术进行研究，主要方法是对车牌图像进行分析，对车牌信息进行自动提取，最后确定汽车品牌。这些方法需要大量的熟知计算，也无法进行实时处理。为此，国内外采取主动红外照明摄像来解决图像恶化问题，使用特殊的传感器来改善图像质量，提高识别率。此外，许多的西方国家，加拿大、法国、意大利等已经开发出了适合自己的车牌识别系统。虽然各个国家的识别产品不同，但大部分都是设备投资巨大的车牌识别系统。发达国家都不公布各自的识别产品正是由于车牌识别技术的巨大商业价值。再者，汉字的识别难度大，已经众多复杂的自然和人为因素干扰，使得国家内的车

3、牌自动识别系统成熟的产品不多，这也需广大学者进一步进行研究，车牌识别系统技术的研究还有很多工作要做。颜色特点：我国采用颜色使字符和背景形成强烈对比度、边框为黑色或者白色的车牌为法定车牌。通常，车牌为黄底黑字的为大型车、教练车和其他低速车辆，蓝底白字的为小型车辆，警车采用白底黑字且“警”字为红色的车牌，黑底白字为使领馆车辆。车牌是车辆的标志，在交通管理中具有不可代替的作用，因此，车牌识别系统应具有高度的识别正确率，满足能够实时处理的条件，需要较大的容阀来抵消因环境照明、拍摄位置和行驶速度等因素产生的影响。该系统是应用在交通管理系统的智能化计算机图像处理和字符识别技术，它主要包括车牌图像的采集和预

4、处理、车牌定位、字符分割和字符识别，如图所示。（1）设在固定位置上的传感器被经过的行驶车辆触发，系统被唤醒之后变为工作状态。一旦链接传感器的光学快门触发相机，同时拍摄下车辆前后左右各个方向的车牌图像。 （2）摄像机或CCD与车牌图像通过视频卡的计算机输入预处理摄像机拍摄，图像预处理包括灰度校正、平滑处理和提取边缘等。 （3）检索模块进行牌照的搜索与检测处理，定位之后分割出车牌信息的区域，是一个矩形的区域。 （4）需要将车牌信息分割成单个的字符，利用二值化完成此步骤后，确定归一化最后出入字符识别系统完成字符的识别。整个车牌识别的系统主要有两部分组成车牌定位和字符识别。车牌定位分为四步骤：图像预处

5、理、边缘提取、车牌定位和模块分割；字符识别分为三步骤：字符分割、字符特征提取和识别单个字符。 车牌识别系统中的关键技术就是车牌定位和字符分割，车牌定位可以将经图像预处理之后车牌图像确定出车牌的具体位置，字符分割可以将定位出来的车牌的每一个字符从中分割出来，以便后期系统对字符进行识别。车牌分割的准确率直接影响到整个车牌识别系统的识别正确率。 拍摄时光照条件不好、车牌有污渍等的影响，以及相机焦距镜头的调整、光学畸变都会导致车牌不同程度的干扰，模糊的字符边界、不清晰的细节、笔画的残缺等都会给字符提取造成困难，从而影响到整个字符识别的准确率。因此，需要对字符在识别之前再进行一次针对性的处理。由于系统运

6、行过程中主要是图像处理，需要处理大量的数据，因此对处理器和内存的要求比较高。主频在600HZ以上的CPU，128MB以上的内存。该系统可以运行在windows xp、windows98或windows2000操作系统，利用matlab进行程序调试。目前，RGB，HSV，YUV三色图片格式是最常用的图像处理格式。本文采用RGB模型。取三个分量中最大亮度的分量作为灰度图灰度值的方法叫做最大值法，取三个分量的亮度平均值得到灰度图的方法叫做平均值法，将三个分量加权平均得到灰度图像的方法叫做加权平均法。其中，加权平均法可以得到较为合理的灰度图像，这是因为人的视觉系统系统对不同颜色的敏感程度也不同，在R、

7、G、B三中分量中，对绿色最为敏感，红色次之，蓝色最不敏感。我们要对图像进行边缘检测的原因是由于边缘是图像局部亮度变化的一个重要组成部分，是图像风分析、提取纹理特征和形状特征提取的重要基础。车牌图像的增强处理可以说是对后续车牌定位和字符分割是很有必要的，改善和简化了后部的程序。图像的对比度增强方法有灰度变化、图像平滑处理等。可以采用灰度矫正的方法来处理由于曝光不足致使灰度值变化范围变小或者被摄物体离摄像机距离长短不一而导致图像边缘和中央区域失衡，处理之后的图像对比度和分辨率都得以增强，灰度值得变化范围也增大了。我们发现，灰度值范围的车牌图像大多局限在之间（R = 50200），在一般情况下，灰度

8、低，图像变暗。噪音是后续边缘图像局部亮度变化的一个重要组成部分，是对图像分析的重要基础，提取纹理特征和提取形状特征所以我们要对图像进行边缘检测。车牌图像增强处理可以说程度的认识提高和简化后续的车牌定位和字符分割的难度是很有必要的。图像的对比度增强方法有灰度变换，图像平滑等。由于噪声点多在频率域映射到高频率成分，所以你可以通过一个低通滤波器来滤除噪声，但实践中为了简化算法，也可以直接在空间域与邻域平均法来降低噪声的影响，这种方法称为图像的平滑处理。例如，某一象素点的邻域S 有两种表示方法：8邻域和4邻域分别对应的邻域平均值为，g（i，j）=1/M _(（i，j）S)f（i，j） 其中，M 为邻域

9、中除中心象素点f(i,j) 之外包括的其它象素总数，对于4邻域M=4，8 邻域M=8。然而，邻域平均平滑图像的灰度变化剧烈，尤其是目标区域和边缘轮廓部分产生模糊函数。为了克服由模糊现象引起的平均图像，我们对中心像素值和设置一个固定的阈值邻域平均值的差异，只有超过阈值点替换邻域平均，而差不大于阈值，仍保留原有的价值，从而降低平均引起的图像模糊。这是因为车牌图像的特点，经过适当的变换，它在整个可清晰显示边缘。边缘提取与经典的边缘提取算法相比，这里采用罗伯茨算子。 对比以上几幅图片，图的边缘已经模糊掉了。图中包含的噪声太多，图未经滤波直接提取出的边缘图像最清晰，所包含的有用信息最多。综上所述，结合M

10、ATLAB实验，不是每个图像处理开始时都适合的滤波和边缘增强。车牌识别以保留更多的有用信息，经过反复比较，最后选择为图七。车牌定位和分割是车牌识别系统中的关键技术，其主要目的是进行预处理后在特定的位置确定车牌在图像中的原始灰度图像位置，将包含的图像分割出的子块图像车牌字符，以供后面用来进行字符识别子系统。车牌字符识别系统的高准确率离不开准确的字符分割。由于车牌图像是原始车牌图像中的一个子区域，它是一个水平度较高的近似长方形，准确的说它很有特征，它在原始车牌图像中的位置相对集中。为了对图像进行分割，需要形成灰度突变的边缘边界，且它的灰度值明显不同于其余区域。经过以上的车牌图像处理，车牌区域已经非

11、常明显，但边缘已经勾勒和加强。这可以进一步确定车牌图像的准确位置。在这里，我们选择了数学形态学的方法。其基本思想是以制度要素来度量和提取图像中的对应形式以实现图像分析和识别的目的，一定的形式。数学形态学的应用可以简化图像数据，保持其基本特征，并去除不相干的结构。扩张和关闭两个基本操作是在程序中使用，并使用bwareaopen去除小物体无关的对象。车牌分割可以有多种方法，本程序是利用车牌的颜色信息的彩色图像分割方法。根据车牌颜色的先验知识的彩色像素计数法分割合理的车牌区域，确定钢板背景蓝RGB对应的灰度范围，在这个范围和数量的彩色像素方向统计，设定合理的阈值，确定行方向车牌合理区域。然后，在排面

12、积除以统计的列数，蓝色像素的方向，并最终确定车牌区域完成。由于车牌类型的多样化，二值化之后的图像分为了黑底白字和白底黑字两类，为了下一步的处理，需要将其统一称为同一类。目前最常见的车牌有两种，一种是蓝底白字，另一种是黄底黑字。二值化两种车牌图像之后，蓝底白字车牌的字符灰度值大于图像背景，黄底黑字车牌的字符灰度值则小于背景图像。两种车牌图像经过二值化处理之后得到的图像黑白相反，为了得到一致的黑底白字图像，需要进行反色处理。反色处理说白了就是将图像中的白色像素处理变为黑色，黑色像素处理变为白色。经过以上处理，就可以得到统一为黑底白字的车牌图像。对车牌灰度图像进行二值化处理的方法主要有全局阀值处理法

13、和局部阀值处理法两种。最佳分割阀值可以通过对全局信息的分析得到，且二值化算法简单，处理后可以使车牌和背景明显分离。在光照不均匀或者收到噪声干扰的情况下，虽然政府图像的灰度分布受到了影响，但却仍然无法改变局部图像的图像性质。在车牌自动识别过程中，字符分割具有重要作用。它是基于以前的特征对车牌定位和分割，然后利用分割结果进行字符识别。 在完成字符分割之后，不需要额外太多的处理就可以满足下一步骤的正确识别字符的目的。在此只进行了归一化处理，然后进行后期处理。目前主要有两种算法进行字符识别功能，分别是模版匹配法和bp神经网络算法。基于模板匹配识别的基本过程是首先处理字符识别的二值化和尺寸缩放字符的大小

14、在数据库中的模板，然后配合所有最终选择最佳匹配的模板作为一个结果。利用人工神经网络进行字符识别主要有两种方法：一种方法是处理字符识别的特征提取，然后用得到的功能是用来训练神经网络分类器。字符特征提取和识别的效果，往往是耗时和字符特征提取。因此，提取字符特征成为关键的研究。另一种方法是充分利用神经网络的特性，直接将待处理的图像输入网络，由网络自动特征提取到识别。 实现简单是模板匹配法最主要的特点。经常字符图像缺短或者受到污渍的干扰，但其识别率仍然很高，这是因为它有着极强的适应性。模板匹配是图象识别方法中最具代表性的基本方法之一，它是将从待识别的图象或图象区域f(i,j)中提取的若干特征量与模板T

15、(i,j)相应的特征量逐个进行比较，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。然而，通常情况下用于匹配的图象各自的成像条件存在差异，产生较大的噪声干扰，或图象经预处理和规格化处理后，使得图象的灰度或像素点的位置发生改变。在实际设计模板的时候，是根据各区域形状固有的特点，突出各类似区域之间的差别，并将容易由处理过程引起的噪声和位移等因素都考虑进去，按照一些基于图象不变特性所设计的特征量来构建模板，就可以避免上述问题。在减法得到的字符和模板中是最相似的，找到相似度最大的输出。汽车的

16、车牌共有七个字符，大多数车牌讲汉字放在第一位，通常用来代表车辆所属省份地区，或是其他服务性质等具有特殊含义的简称，其次是字母和数字。车牌字符识别和字符识别的一般特征是其数量有限，汉字总数约50个以上，26个大写英文字母，0至9十个数字，非常适合建立字符模板。为了方便实验，本文应用的字符模板中的汉字只取了个别五六个。其他模板设计的方法与此相同。牌照区域分割算法的彩色通道的使用，充分利用了车牌图像的颜色信息，简化了算法的实现，加快图像处理速度在对车牌字符分割进行预处理时，利用车牌字符的分割均值滤波，膨胀或腐蚀。车牌的噪声是非常有用的，因为这可以消除两个字符之间的斑点，只留有白色和黑色的背景特征，为进行字符分割处理提供了便利。总之，尽管目前的车牌字符识别率不理想，但只