基金的三种组织形式及基于阈值分割的车牌定位识别

基金的三种组织形式1、公司型公司型产业投资基金是依据公司法成立的法人实体，通过募集股份将集中起来的资金进行投资。公司型基金有着与一般公司相类似的治理结构，基金很大一部分决策权掌握在投资人组成的董事会，投资人的知情权和参与权较大。公司型产业基金的结构在资本运作及项目选择上受到的限制较少，具有较大的灵活性。在基金管理人选择上，既可以由基金公司自行管理，也可以委托其他机构进行管理。2、契约型契约型产业投资基金一般采用资管计划、信托和私募基金的形式，投资者作为信托、资管等契约的当事人和产业投资基金的受益者，一般不参与管理决策。契约型产业投资基金不是法人，必须委托基金管理公司管理运作基金资产，所有权和经营权分离，有利于产业投资基金进行长期稳定的运作。但契约型基金是一种资金的集合，不具有法人地位，在投资未上市企业的股权时，无法直接作为股东进行工商登记的，一般只能以基金管理人的名义认购项目公司股份。3、有限合伙型有限合伙型产业基金由普通合伙人（GeneralPartner，GP）和有限合伙人（LimitedPartner，LP）组成。普通合伙人通常是资深的基金管理人或运营管理人，负责有限合伙基金的投资，一般在有限合伙基金的资本中占有很小的份额。而有限合伙人主要是机构投资者，他们是投资基金的主要提供者，有限合伙基金一般都有固定的存续期，也可以根据条款延长存续期。通常情况下，有限合伙人实际上放弃了对有限合伙基金的控制权，只保留一定的监督权，将基金的运营交给普通合伙人负责。普通合伙人的报酬结构以利润分成为主要形式。科类理工类编号（学号）本科生毕业论文（设计）基于阈值分割的车牌定位识别Licenseplaterecognitionbasedontemplatematchingandmatlabimplementation陈靖文指导教师：职称讲师云南农业大学昆明黑龙潭学院：基础与信息工程学院专业：电子信息工程年级：论文（设计）提交日期：20**年5月答辩日期：20**年5月答辩委员会主任：云南农业大学20**年05月

目录摘要 1ABSTRACT 21前言 32车牌识别系统分析 42.1车牌识别的目的 42.2车牌识别现状分析 42.3车牌识别的意义 42.4我国车牌分析 63车牌识别系统的原理及方法 63.1车牌识别系统简述 63.2车牌图像处理 73.2.1图像灰度化 73.2.2图像二值化 73.2.3边缘检测 83.2.4图像形态学运算 93.2.5图像滤波处理 103.2.6车牌图像的闭运算 113.3车牌定位原理 113.4车牌字符处理 113.4.1阈值分割原理 113.4.2对车牌阈值化分割 133.4.3字符归一化处理 133.5字符识别 133.5.1字符识别简述 133.5.2字符识别的方法 133.5.3基于模板匹配的字符识别 144实验分析 154.1GUI界面设计 164.2车牌区域的定位 164.3车牌字符识别 184.4车牌识别结果及分析 205结论 22参考文献 23第4页共33页基于阈值分割的车牌定位识别陈靖文（云南农业大学基础与信息工程学院，昆明650201） 摘要汽车牌照自动识别模块是现代社会智能交通系统（ITS）的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用。车牌识别主要包括车牌区域定位、车牌字符分割、车牌字符识别三个步骤。本文通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀及平滑等过程来进行车牌的预处理，并运用基于车牌颜色纹理特征的车牌定位方法，最终实现车牌区域定位。然后采用模板匹配的方法对输出的字符图像和模板库里的模板进行匹配得到对应的字符信息。本文基于MATLAB的GUI工具进行设计仿真实验，实验表明，整体方案有效可行，基于阈值分割的车牌识别技术在其识别正确率、速度方面具有独特的优势及广阔的应用前景。关键词：字符识别；车牌定位；阈值分割；模板匹配；边缘检测LicenseplaterecognitionbasedonthresholdsegmentationChenJingWen(YunnanAgriculturalUniversityinformationengineering,Kunming,650201)ABSTRACTVehiclelicenseplateautomaticrecognitionmoduleisamodernsocietyanimportantpartofintelligenttransportationsystem(ITS),isahotspotofresearchonimageprocessingandpatternrecognitiontechnology,hasveryextensiveapplication.Licenseplaterecognitionmainlyincludethelicenseplatelocalizationandlicenseplatecharactersegmentation,licenseplatecharacterrecognitionthreesteps.Thisarticlethroughtotheacquisitionofthelicenseplateimagegray-scaletransformation,edgedetection,corrosionandsmoothprocessforthepretreatmentoflicenseplate,andtheuseoflicenseplatelocationmethodbasedonlicenseplatecolortexturefeature,finallyrealizesthelicenseplatelocalization.Thenadoptthemethodoftemplatematchingtheoutputcharacterimageandthetemplatelibrarytemplatematchingtogetthecorrespondingcharacterinformation.BasedonMATLABGUItoolstocarryonthedesignofsimulationexperiment,theexperimentalresultsshowthattheoverallschemeofeffectiveandfeasible,basedonthresholdsegmentationoflicenseplaterecognitiontechnologyintherecognitionaccuracy,speed,hasuniqueadvantagesandbroadapplicationprospects.Keywords:characterrecognition;patternrecognition;licenseplatelocation;templatematching;edgedetection 基于阈值分割的车牌定位识别1前言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已经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(VehicleLicensePlateRecognition，VLPR)是能检测到受监控的车辆并自动提取车辆牌照信息进行处理的技术。识别车牌是现代智能交通系统中的重要组成部分，应用十分的广泛。它是以数字图像处理、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后得到每一辆汽车的车牌号码，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:因为车辆在行驶过程中速度不一，对触发超速摄像的抓拍应当及时的进行识别并且储存，才可以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。常用的边缘检测算子有很多，根据实验分析canny算子对弱边缘的检测相对精确，能更多地保留车牌区域的特征信息，所以本文采用canny算子来进行边缘检测，然后通过二值化，阈值分割等处理，最后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车牌识别的目的车牌识别技术通过对信息量较大的对象采集，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。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。2.2车牌识别现状分析模式识别[[]（希）西奥多里德斯等著.模式识别（第三版）[M].电子工业出版社，2006年12月。1-6]是一门以应用为基础的学科，目的是将对象进行分类，这些对象与应用领域有关，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象的专用计算机视觉系统[[][]（希）西奥多里德斯等著.模式识别（第三版）[M].电子工业出版社，2006年12月。1-6[]孙增祈.智能控制理论与技术[M].北京：清华大学出版社，1999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[[]钟珞，潘昊，何平.模式识别[M]书.武汉：武汉大学出版社，2006年9月第1版：P1-P5，P62-P64]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。国外己有许多相关的文章发表，有的[]钟珞，潘昊，何平.模式识别[M]书.武汉：武汉大学出版社，2006年9月第1版：P1-P5，P62-P64我国车牌自动识别的研究起步较晚一些，大约在八十年代末。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，然后选取浮动阈值，对其进行量化处理后，得到一个变长链码，再用动态规划法，求出与标准模式链码的最小距离，最后进行细分类，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\o"车牌识别"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。2.3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，对出现闯红灯的现象或者违规转弯的现象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了达到交通流控制的目的，对部分交通流指标的测量显得相当重要。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，事故等交通异常现象。（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。2.4我国车牌分析汽车牌照具有统一格式、统一式样，由车辆管理机关经过申领牌照的汽车进行审核、检验、登记后，核发的带有注册登记编码的硬质号码牌。我国车牌号的第一个是汉字：代表该车户口所在省的简称：如云南就是云，北京就是京，重庆就是渝，上海就是沪……，第二个是英文：代表该车所在地的地市一级代码，规律一般是这样的，A是省会，B是该省第二大城市，C是该省第三大城市，依此类推。目前国内汽车牌照有六种类型：①大型民用汽车所用的黄底黑字牌照；②小型民用汽车所用的蓝底白字牌照；③军队或武警专用汽车的白底红字、黑字牌照；④使、领馆外籍汽车的黑底白字牌照；⑤试车和临时牌照是白底红字，且数字前分别标有“试”和“临时”字标志；⑥汽车补用牌照是白底黑字。从人的视觉特点出发，车牌的目标区域具有以下几个特点：①车牌底色与车身颜色、字符颜色有较大差异；②车牌有一个连续或因为损坏而不连续的边框，车牌内有多个字符，基本呈水平排列，因此在牌照的矩形区域内存在较丰富的边缘，并且呈现出规则的纹理特征；③车牌内字符之间的间隔是比较均匀的，字符本身与牌照底的内部有较均匀灰度，但字符和牌照底色在灰度值上存在跳变；④不同图像中牌照的具体大小、位置不确定，但基本在一定范围。根据这些特点，可以在灰度图像的基础上提取相应的特征。3车牌识别系统的原理及方法3.1车牌识别系统简述车牌定位与字符识别技术以计算机图像处理、模式识别等技术为基础，通过对原图像进行预处理以及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的图像与模板库的模板进行匹配识别，输出匹配结果。该流程如图3.1所示。图3.1车辆牌照识别系统Figure3.1Vehicleplaterecognitionsystem车牌识别首先要正确的分割车牌区域，为此已经提出了很多方法:使用Hough变换检测直线来定位车牌边界进而获取车牌区域；使用灰度阈分割、区域生长等方法进行区域分割；使用纹理特征分析技术检测车牌区域等。Hough变换对图像噪声比较敏感，因此在检测车牌边界直线时容易受到车牌变形或噪声等因素的影响，具有较大的误检测几率。灰度阈值分割、区域增长等方法则比Hough直线检测方法稳定，但当图像中包含某些与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确性也会受到影响。因此，仅采用单一的方法难以达到实际应用的要求。如果进行车牌字符的定位及裁剪，则需要首先对输入的车牌图像进行预处理以得到精确的车牌字符图像；然后将处理后的车牌看作由连续的字符块组成，设定一个灰度阈值，如果超过该阈值，则认为有多个字符相连，需要对其进行切割，进而实现对车牌字符的分割；最后把分割的字符图片进行标准化并于模板库进行对比，选出最相似的字符结果并输出，即为车牌信息。3.2车牌图像处理3.2.1图像灰度化车牌图像的采集一般是通过数码相机或者摄像机来进行，得到的图片一般是RGB[[]RafaelC，GonzalezRichardE，Woods，阮秋琦，阮宇智．数字图像处理（第二版）［M］.北京：电子工业出版社，2003]图像即为真彩图像，根据三基色原理，每一种颜色都是可以由红、绿、蓝三种基色按不同的比例构成，所以车牌图像的每个像素都是由3个数值来指定红、绿、蓝的颜色分量。灰度图像实际上是一个数据矩阵I，该矩阵每个元素的数值代表一定范围内的亮度值，矩阵I可以是整型、双精度，通常0代表黑色、255代表白色。在MATLAB中，一幅RGB图像可以用uint8、uint16或者双精度类型的m*n*3数组来描述，其中m和n分别表示图像的宽度和高度，此处的RGB[]RafaelC，GonzalezRichardE，Woods，阮秋琦，阮宇智．数字图像处理（第二版）［M］.北京：电子工业出版社，2003在RGB模型中，如果R=G=B，则颜色表示一种灰度颜色，其中R=G=B的值叫做灰度值，由彩色转换为灰度的过程叫做灰度化处理。因此，灰度图像是只有强度信息而没有颜色信息的图像。一般而言，可采用加权平均值法对原始RGB图像进行灰度化处理，该方法的主要思想是从原图像中取R、G、B各层像素值加权求和得到灰度图的亮度值。在现实生活中人眼对绿色敏感度最高，对红色敏感度次之，对蓝色敏感度最低，因此为了选择合适的权值对象使之能够输出合理的灰度图像，权值系数应该满足G>R>B。实验和理论证明，当R、G、B的权值系数分别选择0.299，0.587，0.114时，能够得到最合适人眼观察的灰度图像。3.2.2图像二值化灰度图像二值化[[]（希）西奥多里德斯等著.模式识别（第三版）[M].电子工业出版社，2006年12月。1-6]在图像处理的过程中有着很重要的作用，图像二值化不仅能使数据量大幅减小，还能突出需要的目标轮廓，便于进行后续的图像处理与分析。对车牌灰度图像而言，所谓的二值化处理就是将车牌图像上的像素点的灰度值设置为0或255，从而让整张图片呈现黑白的效果，因此，对灰度图像进行适当的阈值选取，可以在图像二值化图的过程中保留某些关键的图像特征。在车牌图像二值化的过程中[]（希）西奥多里德斯等著.模式识别（第三版）[M].电子工业出版社，2006年12月。1-6图像二值化是指整幅图像画面内仅黑、白二值的数值矩阵，每一个像素取两个离散数值（0或1），其中0代表黑色，1代表白色。在实际的图像处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来。不同的阈值设定方法对一幅图像进行处理会产生不同的二值化处理结果。二值化阈值设置过小易产生噪声；阈值设置过大会降低分辨率，使非噪声信号被视为噪声而滤掉二值变换的结果。3.2.3边缘检测[[]胡小锋，[]胡小锋，赵辉.VisualC++/MATLAB图像处理与识别[M].北京：人民邮电出版社，2004边缘是指图像局部亮度变化最显著的部分，边缘主要存在于目标与目标，目标与背景，区域与区域（包括不同的色彩之间），是图像分割，纹理特征提取和形状特征提取等图像分析的重要基础。在车牌识别系统中提取车牌位置有着很重要的低位。其中边缘检测的算子有很多，如Roberts、Sobel、Prewitt、Laplacian、log以及canny等算子方式。据试验分析在车牌的边缘检测中canny算子相对精确，所以本文采用了canny算子进行边缘检测。坎尼（canny）算子在边缘检测中提出了三个准则分别是：信噪比信噪比越大，提取的边缘质量越高。信噪比SNR定义为：SNR=其中Gx代表边缘函数，h'(x)代表宽度为W的滤波器的脉冲响应，σ定位精度边缘定位精度L如下定义：L=其中G'x和单边缘响应为了保证单边缘只有一个响应，检测算子的脉冲响应导数的零交叉点平均距离Df'Dh''以上述指标和准则为基础，利用泛函求导的方法求导的方法可导出坎尼边缘检测器是信噪比与定位之乘积的最优逼近算子，表达式近似于高斯函数的一阶导数。将坎尼3个准则相结合可以获得最优的检测算子。canny算子的边缘检测算法步骤如下：预处理。采用高斯滤波器进行图像平滑；梯度计算。采用一阶偏导的有限差分来计算梯度，获取其幅值和方向；梯度处理。采用非极大值抑制方法对梯度幅值进行处理；边缘提取。采用双阈值算法检测和连接边缘；3.2.4图像形态学运算数学形态学图像处理的基本运算有4个：膨胀（或扩张）、腐蚀（或侵蚀）、开启和闭合。二值形态学中的运算对象是集合，通常给出一个图像集合和一个结构元素集合，利用结构对图像集合进行形态学操作。膨胀运算符号为⊕，图像集合A，用结构元素B来膨胀，记作A⊕A其中B表示B的映像，即与B关于原点对称的集合。上式表明，用B对A进行膨胀的运算过程如下：首先作B关于原点的映射，再将其映像平移x，当A与B映像的交集不为空时，B的原点就是膨胀集合的像素。腐蚀运算的符号是Θ,图像集合A用结构元素B来腐蚀，记作AΘ因此，A用B腐蚀的结果是所有满足将B平移后B仍旧全部包含在A中的X的集合，也就是结构元素B经过平移后全部包含在集合A中的原点所组成的集合。膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞，则经过膨胀操作这些洞将被补上，不再是边界。如果再次进行腐蚀操作，外部边界将变回原来的样子，而这些内部空洞则永远消失。腐蚀操作会去掉物体的边缘点，如果物体足够细小，则其所有的点都会被认为是边缘点，进而被整体消除，仅保留大物体。如果在进行膨胀操作时，留下来的大物体会变回原来的大小，则被消除的小物体已经消失。在一般情况下，由于受到噪声的影响，车牌图象在阈值化后所得到边界往往是不平滑的，目标区域内部具有一些噪声孔洞，在背景区域上也会散布着一些小的噪声干扰。连通过续的开和闭运算可以有效地改善这种情况。有时甚至需要经过多次腐蚀之后再加上相同次数的膨胀，才可以产生比较好的效果。3.2.5图像滤波处理图像滤波也能在尽量保留图像细节特征的条件下对噪声进行抑制，是图像预处理中常用的操作之一，其处理效果的好坏将直接响到后续图像处理和识别的有效性和稳定性。均值滤波也称为线性滤波，是图像滤波最常用的方法之一，采用的主要方法为领域平均法。该方法对滤波像素的位置(x,y)，选择一个模板，该模板由其近邻的若干像素组成，求出模板中所包含像素的均值，再把该均值赋予当前像素点(x,y)，将其作为处理后图像在该点上的灰度值g(x,y)，即gx,y=1采集车牌图像的过程中往往会受到多种噪声的污染。进而会在将要处理的车牌图像上呈现一些较为明显的孤立像素点或像素块。在一般情况下，在研究目标车牌时所出现的图像质量，影响图像增强、图像分割、特征提取、图识别等后继工作的进行。因此，在程序实现中为了有效的进行图像去噪，并且能有效地保存目标车牌的形状、大小及特定的几何和拓扑结构特征，采用均值滤波来对车牌图像进行去噪处理。3.2.6车牌图像的闭运算通过上述处理后，我们得到了滤波后的图像，为了提高其识别的准确率，我们还要将对其做闭运算，所谓的闭运算就是对研究对象进行膨胀后腐蚀的过程，如果遇到噪声点比较多的研究对象时，往往我们会通过对其重复做闭运算，从而减少噪声对其造成的影响。对车牌图像腐蚀会去掉物体的边缘点，细小物体所有的点都会被认为是边缘点，因此会整个被删去。再做膨胀时，留下来的大物体会变回原来的大小，而被删除的小物体则永远消失了。膨胀操作会使物体的边界向外扩张，如果物体内部存在小空洞的话，经过膨胀操作这些洞将被补上，因而不再是边界了。再进行腐蚀操作时，外部边界将变回原来的样子，而这些内部空洞则永远消失了。通过上述的处理，我们将能对其图像的噪声干扰进行很大程度的排除，从而提升对其研究的准确性3.3车牌定位原理我们已经对车牌在图像中的位置作了初步的定位，移除小对象后基本就是车牌的位置了。车牌区域具有明显的特点，因此根据车牌底色、字色等有关知识，可采用彩色像素点统计的方法分割出合理的车牌区域，考虑到大部分小汽车的牌照为蓝底白字，所以本文以蓝底白字的普通车牌为例说明彩色像素点统计的分割方法，假设经数码相机或CCD摄像头拍摄得到了包含车牌的RGB彩色图像，水平方向记为Y，垂直方向记为X，则：首先确定车牌底色RGB各分量分别对应的颜色范围，其次在Y方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在Y方向的合理区域，然后在分割出Y方向区域内统计X方向此颜色范围内的像素点数量，设定合理的阈值进行定位；最后，根据X，Y方向的范围来确定车牌区域，实现定位。3.4车牌字符处理3.4.1阈值分割原理阈值分割算法是图像分割中应用场景最多的算法之一。简单地说，对灰度图像的阈值分割就是先确定一个处于图像灰度取值范围内的阈值，然后将图像中各个像素的灰度值与这个阈值比较，并根据比较的结果将对应的像素划分为两类：像素灰度大于阈值的一类和像素灰度值小于阈值的为另一类，灰度值等于阈值的像素可以归入这两类之一。分割后的两类像素一般分属图像的两个不同区域，所以对像素根据阈值分类达到了区域分割的目的。由此可见，阈值分割算法主要有两个步骤：(1)确定需要进行分割的阈值；(2)将阈值与像素点的灰度值比较，以分割图像的像素。以上步骤中，确定阈值是分割的关键，如果能确定一个合适的阈值就可以准确地将图像分割开来。阈值确定后，将阈值与像素点的灰度值比较和分割可对各像素并行处理，通过分割的结果将直接得到目标图像区域。在选择阈值方法来分割灰度图像时一般会对图像的灰度直方图分布进行某些分析，或者建立一定的图像灰度模型来进行处理。最常用的图像双峰灰度模型的条件可描述如下：假设图像目标和背景直方图具有单峰分布的特征，且处于目标和背景内部相邻像素间的灰度值是高度相关的，但处于目标和背景交界处两边的像素在灰度值上有很大的差别。如果一幅图像满足这些条件，则它的灰度直方图基本上可看作由分别对应于目标和背景的两个单峰构成。如果这两个单峰部分的大小结晶且均值相距足够远，两部分的均方差也足够小，则直方图整体上可能呈现较明显的双峰现象。同理，如果图像中有多个呈现单峰灰度分布的目标，则直方图整体上可能呈现较明显的多峰现象。因此，对这类图像可用取多级阈值方法来得到较好地分割效果。如果要将图像中不同灰度的像素分为两类，则需要确定一个阈值。如果要姜图像中各种灰度的像素分成多个不同的类，那么需要选择一系列阈值以将每个像素分到合适的类别中去。如，果只用一个阈值分割称为单阈值分割方法，如果用多个阈值分割称为多阈值分割方法。单阈值分割可看作是多阈值分割的特例，许多单阈值分割算法可推广以进行多阈值分割。反之，有时也可将多阈值分割问题转化为一系列单阈值分割问题来解决。不管用何种方法选取阈值，一幅原始图像f（x，y）取单阈值T分割后的图像可定义为g这样得到的gx,y在一般的多阈值分割情况下，取阈值分割的图像可表示为：gT其中T0需要指出，无论是单阈值分割或多阈值分割，分割结果中都有可能出现不同区域具有相同一标号或区域值的情况。这是因为取阈值分割时只考虑了像素本身的值，未考虑像素的空间位置。所以根据像素值划分到同一类的像素有可能分属于图像中不相连通的区域。这时往往需要借助一些对场景的先验知识来进一步确定目标区域。3.4.2对车牌阈值化分割车牌字符图像的分割即将车牌的整体区域分割成单字符区域，以便后续进行识别。车牌分割的难点在于字符与噪声粘连，以及字符断裂等因素的影响。均值滤波是典型的线性滤波算法，他是指在图像上对像素进行模板移动扫描，该模板包括了像素周围的近郊区域，通过模板命中像素的平均值来代替原来的像素值，实现去噪的效果。为了从车牌图像中直接提取目标字符，最常用的方法是设定一个阈值T，用T将图像的像素分成两部分：大于T的像素集合和小于T的像素集合，得到二值化图像。因此，本案例采用均值滤波算法来对车牌字符图像进行滤波去噪，采用阈值分割来进行车牌字符的分割。3.4.3字符归一化处理字符图像归一化是简化计算的方式之一，车牌字符分割后往往会出现大小不一致的情况，因此可采用基于图像放缩的归一化处理方式将字符图像进行尺寸放缩得到统一大小的字符图像，便于后续的字符识别。3.5字符识别3.5.1字符识别简述本文选择的是基于模板匹配的方式，基于模板匹配的OCR的基本过程是：首先我们要建立自动识别的代码，然后把归一化的图像与模板中的字符对比，由于我国的普通小汽车车牌第一位字符是汉字，分别代表各个省的简称，然后第二位是A~Z的字母，接下来的后五位则是数字和字母的混合搭配。所以我们在对比的时候为了提高效率和准确性，我们分别对第一位和第二位还有后五位分别识别。最后识别完成后输出识别的车牌的结果。3.5.2字符识别的方法车牌字符识别方法基于模式识别理论，常用的有以下几类：结构识别该方法主要由识别及分析两部分组成:识别部分的主要包括预处理、基元抽取（包括基元和子图像之间的关系）和特征分析；分析部分包括基元选择及结构推理。统计识别该方法的目的在于确定已知样本所属的类别。以数学上的决策论为理论基础，并由此建立统计学识别模型。其基本方式是在对所研究的图像进行大量的统计分析工作，寻找规律性认识，抽取反映图像本质的特征并进行识别。BP神经网络该方法以BP神经网络模型为基础，属于误差后向传播的神经网络，是神经网络中使用最广泛的一类，通过输入层、隐层还有输入层三层网络的层间全互联方式，具有较高的运行效率和识别准确率。模板匹配该方法是数字图像处理中的最常用的识别方法之一，通过建立已知的模式库，再将其应用到输入模式中寻找与之最佳匹配模式的处理步骤，得到对应的识别结果，具有较高的运行效率和识别准确率。3.5.3基于模板匹配的字符识别模板匹配是图象识别方法中最具代表性的基本方法之一，该方法首先根据已知条件建立模板库T(i，j)，然后从待识别的图像或图像区域f(i,j)中提取若干特征量与T(i，j)相应的特征量进行对比，分别计算他们之间归一化的互相关量。其中，互联关量最大的一个表示二者的相似程度最高，可将图像属于该类别。此外，也可以计算图像与模板特征量之间的距离，采用最小距离法判定所属类别。但是，在实际情况下用于匹配的图像往往存在差异，可能会产生较大的噪声干扰。此外，图像经过预处理和归一化处理等步骤，其灰度或像素点的位置也可能会发生改变，进而影响识别效果。因此，在实际设计模板时需要保持各区域形状的固有特点，突出不同区域之间的差别，并充分考虑处理过程可能会引起的噪声和位移等因素，按照基于图像不变特性所对应的特征向量来构建模板，提高识别系统的稳定性。本文采用特征向量距离计算的方法来求得字符与模板中字符的最佳匹配，然后找到对应的结果进行输出。首先建立字符模板，其次，依次将取待识别的字符与模板进行匹配，计算其与模板字符的特征距离，得到的值越小就越匹配。然后，将每幅字符图像的匹配结果进行保存，最后7个字符匹配识别结果即可作为车牌字符进行输出。4实验分析汽车牌照自动识别系统以车辆的动态视频或静态图像作为输入，通过进行牌照颜色、牌照号码等关键内容的自动识别来提取车辆的详细信息。系统硬件配置一般包括线圈触发设备、摄像设备、灯光设备、车牌号码识别器等；其软件核心配置包括车牌定位算法、车牌字符分割算法和车牌字符识别算法等。某些车牌识别系统还具有通过视频图像判断车辆驶入监控区域的功能，一半称为视频车辆检测，广泛应用于道路车流量统计等方面。在现实生活中，一个完整的车辆识别系统应包括车辆检测、图像采集、车牌定位、车牌识别等。例如，当车辆检测模块检测到车辆时，会触发图像采集模块，当采集当前的车辆图像，车牌定位识别模块对图像进行处理，定位车牌位置，再将车牌中的字符分割出来进行识别，最后组成车牌号码输出。车牌信息是一辆汽车独一无二的标识，所以车辆牌照识别技术可以作为辨别一辆车最为有效的方法。车牌识别系统包括汽车图像的输入、车牌图像的预处理、车牌区域的定位和字符检测、车牌字符的分割和识别等部分，如图4-1所示图4.1车牌识别系统流程图Figure4.1Licenseplaterecognitionsystemflowchart4.1GUI界面设计为集成车牌识别的过程，通过设计工具栏的快捷方式、组织按钮控件、显示控件等对象得到GUI框架，如图4.1(a)图4.1(a)GUI框架设计Figure4.1(a)theGUIframeworkdesign4.2车牌区域的定位我们首先将通过MATLAB将原始图片读入并且输出如图4.2（a）所示,然后根据车牌颜色纹理特征参数来标定车牌区域。经过上述过程，我们只要确定车牌底色RGB对应的各自灰度范围，然后在行方向统计在此颜色范围内的像素点数量，设定合理的阈值，确定车牌在行方向的合理区域，然后在分割出行方向区域内，同理统计Y方向的像素点数量，然后在从Y方向合理区域的图中分割出行方向的合理区域，最终确定车牌的区域，实现定位。如图4.2（b）所示。图4.2(a)车辆牌照原始图像Figure2(a)thelicenseplatesoftheoriginalimage图4.2(b)车牌定位图像Figure4-2(b)licenseplatelocalizationimage4.3车牌字符识别上述过程完成车牌定位以后，我们将对分割出来的车牌图像进一步的车牌处理，实验过程中我们队截取的车牌做了二值化如图4.3（a）所示。二值图像是指整幅图像内仅有黑、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。车牌图像经过二值变换后具备优良的保形性，能有效保持车牌的形状信息，并能够去除额外的孔洞区域。车牌识别系统一般要求具有速度高、成本低的特点，采用二值图像进行处理，能大大提高处理效率。阈值处理的操作过程是通过OSTU算法生成一个阈值，如果图像中某个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，否则就将灰度值设置为255或0。图像二值化是后续图象处理技术的基础，二值化使得图像中只有两种颜色的信息，通常是黑色和白色。这样能方便提取图像中的信息，在进行计算机识别时可以大大增加识别效率。因为如果图像是彩色的计算机要计算很久而二值化的图像则更快得多。图4.3(a)车牌二值化图像Figure4.3(a)licenseplateofbinaryimage对车牌进行灰度化、二值化处理后，我们还要对车牌图像滤波处理，即尽量保留车牌的图像细节特征的条件下对目标图像的噪声进行抑制，从而提升它的有效提取信息，图像滤波处理是图像预处理中不可缺少的操作，其处理效果的好坏将直接响到后续图像处理和分析的有效性和可靠性。这个过程在整个车牌识别系统中也占有很重要的作用。在汽车牌照自动识别过程中，字符分割[[]张禹．车牌识别中的图像提取及分割算法[J]．吉林大学学报，2006，44(3)：406-410．致谢在不断学[]张禹．车牌识别中的图像提取及分割算法[J]．吉林大学学报，2006，44(3)：406-410．致谢在不断学四年的学习生涯即将划上了一个圆满的句号，在本次的毕业设计中，我要感谢我的导师朱玲，在朱玲老师耐心的指导下从最初的一头雾水、无从下手的状态下到现在设计的完成，即使过程中遇到许多的困难，但是我们还是走过来了。当然，在这我要特别的感谢我的父母。在学习生涯中一直都是父母在背后默默的奉献着。不管是生活上，还是在学习上父母对自己永远都是不离不弃的。所以在此愿父母健健康康、快快乐乐的。我还要感谢在本次论文中我所搜索过的著作的创作者，正是这些学者的研究成果给了我很大的帮助，让我在论文中解决了一个又一个的困难，最终完成本次论文的写作。正是站在了巨人的肩膀上，让我更好的走下去。金无足赤，人无完人。希望在各位的老师和同学的批评和指正下，能使论文的不足之处得以改正，使自己的论文更加完善。附录主程序：function[Plate,bw,Loc]=Pre_Process(Img,parm,flag)ifnargin<1Img=imread(fullfile(pwd,'images/car.jpg'));endifnargin<2||isempty(parm)ifsize(Img,2)>900parm=[0.350.9900.350.7902];endifsize(Img,2)>700&&size(Img,2)<900parm=[0.60.9900.60.8900.5];endifsize(Img,2)>500&&size(Img,2)<700parm=[0.50.54500.60.7503];endifsize(Img,2)<500parm=[0.80.91500.80.91503];endendifnargin<3flag=1;endI=Img;[y,~,z]=size(I);ify>800rate=800/y;I=imresize(I,rate);end[y,x,z]=size(I);myI=double(I);bw1=zeros(y,x);bw2=zeros(y,x);Blue_y=zeros(y,1);fori=1:yforj=1:xrij=myI(i,j,1)/(myI(i,j,3)+eps);gij=myI(i,j,2)/(myI(i,j,3)+eps);bij=myI(i,j,3);if(rij<parm(1)&&gij<parm(2)&&bij>parm(3))...||(gij<parm(1)&&rij<parm(2)&&bij>parm(3))Blue_y(i,1)=Blue_y(i,1)+1;bw1(i,j)=1;endendend[~,MaxY]=max(Blue_y);Th=parm(7);PY1=MaxY;while((Blue_y(PY1,1)>Th)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while((Blue_y(PY2,1)>Th)&&(PY2<y))PY2=PY2+1;endPY1=PY1-2;PY2=PY2+2;ifPY1<1PY1=1;endifPY2>yPY2=y;endIY=I(PY1:PY2,:,:);Blue_x=zeros(1,x);forj=1:xfori=PY1:PY2rij=myI(i,j,1)/(myI(i,j,3)+eps);gij=myI(i,j,2)/(myI(i,j,3)+eps);bij=myI(i,j,3);if(rij<parm(4)&&gij<parm(5)&&bij>parm(6))...||(gij<parm(4)&&rij<parm(5)&&bij>parm(6))Blue_x(1,j)=Blue_x(1,j)+1;bw2(i,j)=1;endendendPX1=1;while(Blue_x(1,PX1)<Th)&&(PX1<x)PX1=PX1+1;endPX2=x;while(Blue_x(1,PX2)<Th)&&(PX2>PX1)PX2=PX2-1;endPX1=PX1-2;PX2=PX2+2;ifPX1<1PX1=1;endifPX2>xPX2=x;endIX=I(:,PX1:PX2,:);Plate=I(PY1:PY2,PX1:PX2,:);Loc.row=[PY1PY2];Loc.col=[PX1PX2];bw=bw1+bw2;bw=logical(bw);bw(1:PY1,:)=0;bw(PY2:end,:)=0;bw(:,1:PX1)=0;bw(:,PX2:end)=0;ifflagfigure;subplot(2,2,3);imshow(IY);title('行过滤结果','FontWeight','Bold');subplot(2,2,1);imshow(IX);title('列过滤结果','FontWeight','Bold');subplot(2,2,2);imshow(I);title('原图像','FontWeight','Bold');subplot(2,2,4);imshow(Plate);title('分割结果','FontWeight','Bold');endfunctionresult=Plate_Process(plate,flag)ifnargin<1Img=imread(fullfile(pwd,'images/car.jpg'));endifnargin<2flag=1;endifndims(plate)==3plate1=rgb2gray(plate);elseplate1=plate;endIm=plate1;bw=im2bw(Im);h=fspecial('average',2);bw1=imfilter(bw,h,'replicate');mask=Mask_Process(bw1);bw2=bw1.*mask;result=bw2;ifflagfigure;subplot(2,2,1);imshow(plate);title('车牌区域图像','FontWeight','Bold');subplot(2,2,2);imshow(Im);title('车牌区域校正图像','FontWeight','Bold');subplot(2,2,3);imshow(bw1);title('车牌区域二值图像','FontWeight','Bold');subplot(2,2,4);imshow(bw2);title('滤波二值图像','FontWeight','Bold');function[word,result]=Word_Segmation(d)word=[];flag=0;[m,n]=size(d);wideTol=round(n/20);rateTol=0.25;whileflag==0[m,n]=size(d);wide=0;whilesum(d(:,wide+1))~=0&&wide<=n-2wide=wide+1;endtemp=Segmation(imcrop(d,[11widem]));[m1,n1]=size(temp);ifwide<wideTol&&n1/m1>rateTold(:,1:wide)=0;ifsum(sum(d))~=0d=Segmation(d);elseword=[];flag=1;endelseword=Segmation(imcrop(d,[11widem]));d(:,1:wide)=0;ifsum(sum(d))~=0;d=Segmation(d);flag=1;elsed=[];endendendresult=d;functionwords=Main_Process(bw,flag_display)ifnargin<2flag_display=1;end[m,n]=size(bw);k1=1;k2=1;s=sum(bw);j=1;whilej~=nwhiles(j)==0&&j<=n-1j=j+1;endk1=j-1;whiles(j)~=0&&j<=n-1j=j+1;endk2=j-1;Tol=round(n/6.5);ifk2-k1>Tol[val,num]=min(sum(bw(:,[k1+5:k2-5])));bw(:,k1+num+5)=0;endendbw=Segmation(bw);[m,n]=size(bw);wideTol=round(n/20);rateTol=0.25;flag=0;word1=[];whileflag==0[m,n]=size(bw);left=1;wide=0;whilesum(bw(:,wide+1))~=0wide=wide+1;endifwide<wideTolbw(:,1:wide)=0;bw=Segmation(bw);elsetemp=Segmation(imcrop(bw,[11widem]));[m,n]=size(temp);tall=sum(temp(:));two_thirds=sum(sum(temp(round(m/3):2*round(m/3),:)));rate=two_thirds/tall;ifrate>rateTolflag=1;word1=temp;endbw(:,1:wide)=0;bw=Segmation(bw);endend[word2,bw]=Word_Segmation(bw);[word3,bw]=Word_Segmation(bw);[word4,bw]=Word_Segmation(bw);[word5,bw]=Word_Segmation(bw);[word6,bw]=Word_Segmation(bw);[word7,bw]=Word_Segmation(bw);wid=[size(word1,2)size(word2,2)size(word3,2)...size(word4,2)size(word5,2)size(word6,2)size(word7,2)];[maxwid,indmax]=max(wid);maxwid=maxwid+10;wordi=word1;wordi=[zeros(size(wordi,1),round((maxwid-size(word1,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word1,2))/2))];word1=wordi;wordi=word2;wordi=[zeros(size(wordi,1),round((maxwid-size(word2,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word2,2))/2))];word2=wordi;wordi=word3;wordi=[zeros(size(wordi,1),round((maxwid-size(word3,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word3,2))/2))];word3=wordi;wordi=word4;wordi=[zeros(size(wordi,1),round((maxwid-size(word4,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word4,2))/2))];word4=wordi;wordi=word5;wordi=[zeros(size(wordi,1),round((maxwid-size(word5,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word5,2))/2))];word5=wordi;wordi=word6;wordi=[zeros(size(wordi,1),round((maxwid-size(word6,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word6,2))/2))];word6=wordi;wordi=word7;wordi=[zeros(size(wordi,1),round((maxwid-size(word7,2))/2))wordizeros(size(wordi,1),round((maxwid-size(word7,2))/2))];word7=wordi;word11=imresize(word1,[4020]);word21=imresize(word2,[4020]);word31=imresize(word3,[4020]);word41=imresize(word4,[4020]);word51=imresize(word5,[4020]);word61=imresize(word6,[4020]);word71=imresize(word7,[4020]);words.word1=word11;words.word2=word21;words.word3=word31;words.word4=word41;words.word5=word51;words.word6=word61;words.word7=word71;ifflag_displayfigure;subplot(2,7,1);imshow(word1);title('字符1','FontWeight','Bold');subplot(2,7,2);imshow(word2);title('字符2','FontWeight','Bold');subplot(2,7,3);imshow(word3);title('字符3','FontWeight','Bold');subplot(2,7,4);imshow(word4);title('字符4','FontWeight','Bold');subplot(2,7,5);imshow(word5);title('字符5','FontWeight','Bold');subplot(2,7,6);imshow(word6);title('字符6','FontWeight','Bold');subplot(2,7,7);imshow(word7);title('字符7','FontWeight','Bold');subplot(2,7,8);imshow(word11);title('字符1','FontWeight','Bold');subplot(2,7,9);imshow(word21);title('字符2','FontWeight','Bold');subplot(2,7,10);imshow(word31);title('字符3','FontWeight','Bold');subplot(2,7,11);imshow(word41);title('字符4','FontWeight','Bold');subplot(2,7,12);imshow(word51);title('字符5','FontWeight','Bold');subplot(2,7,13);imshow(word61);title('字符6','FontWeight','Bold');subplot(2,7,14);imshow(word71);title('字符7','FontWeight','Bold');endfunctionstr=Pattern_Recognition(words)pattern=[];dirpath=fullfile(pwd,'标准库/*.bmp');files=ls(dirpath);fort=1:length(files)filenamet=fullfile(pwd,'标准库',files(t,:));[~,name,~]=fileparts(filenamet);imagedata=imread(filenamet);imagedata=im2bw(imagedata,0.5);