基于模板匹配的车牌识别及matlab实现

科类理工类编号〔学号〕20232036本科生毕业论文〔设计〕基于模板匹配的车牌识别及matlab实现Licenseplaterecognitionbasedontemplatematchingandmatlabimplementation伏绍鸫指导教师：朱玲职称讲师云南农业大学昆明黑龙潭650201学院：根底与信息工程学院专业：电子信息工程年级：2023级论文〔设计〕提交日期：2023年5月辩论日期：2023年5月辩论委员会主任：杨林楠云南农业大学2023年05月目录摘要1ABSTRACT21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8边缘检测83.2.4图像闭运算9图像滤波处理103.4车牌字符处理113.4.1阈值化分割原理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字符识别的分类143.5.3基于模板匹配的字符识别154实验分析154.1车牌定位过程及分析154.2车牌字符识别184.3车牌识别结果及分析215结论23参考文献24致谢24附录24基于模板匹配的车牌识别及matlab实现伏绍鸫〔云南农业大学根底与信息工程学院，昆明650201〕摘要随着我国经济、交通的的快速开展，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，最后在取得的大对象中移除小对象，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。经实验分析验证，本文所提出的整体方案有效可行，基于模板匹配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，前景广阔。关键词：字符识别；模式识别；车牌定位；模板匹配；边缘检测LicenseplaterecognitionbasedontemplatematchingandmatlabimplementationFuShaodong(YunnanAgriculturalUniversityinformationengineering,KunmingABSTRACTWiththerapiddevelopmentofChina'seconomicandtransportation,licenseplatepositioningandautomaticlicenseplatecharacterrecognitionsystemhasbeenpaidmoreattentiongradually.Thelicenseplaterecognitionisatechnologythatusesthecollectionplateimagetograyscaleconverting,edgedetecting.Corrosionandsmoothed,finallyremovethesmallobjectsfromtheimage,thenputforwardaalgorithmoflicenseplaterecognitionbasedontexturefeatures.Finally,positioningtheplate.Licenseplatecharactersegmentisinordertofacilitatethefollow-uplicenseplatetemplatematchingandlicenseplaterecognition.Consideringthecharactersofourcountry’slicenseplatearenotsomany,Thusthisthesisusedthemethodsoftemplatetomatchingtheoutputtingimage,theoutputtingimagewassubtractedfromthetemplatecharacters,themore0wegetthemorematches,thenaddupitsnumbersandfindthelargest,soit’stheidentified.result.Throughtheexperlimentalanalysisandtesting,theprojectthisthesisputforwardiseffectiveandfeasible,thelicenseplaterecognitiontechnologybasedontemplatematchinghastheadvantagesonaccuracyandrapidity,ithasthevastpotentialforfuturedevelopment.Keywords:characterrecognition;patternrecognition;licenseplatelocation;templatematching;edgedetection基于模板匹配的车牌识别及matlab实现1前言近年来随着社会经济的高速开展、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平安、高效的智能交通成为交通管理的主要开展方向。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平安和城市治安，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局部之一，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根底，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、模式识别等技术为根底，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比照，到达车牌识别的目的。2车牌识别系统分析2.1车牌识别的目的车牌识别(VehicleLicensePlateRecognition，VLPR)是现代智能交通系统中的重要组成局部之一，应用十分广泛，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局部信息，仅仅提取识别车“身份〞的车牌信息。对于维护交通平安和城市治安，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]是一门以应用为根底的学科，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][]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，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根底上进行的。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，其中比拟成熟的有香港的ASiavisionTeChnologyLtd公司〔亚洲视觉科技〕、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比照，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那么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分，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，从而对其下发处分通知书，实现对其处分。〔4〕交通流控制指标参量的测量为到达交通流控制的目标，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，车流顶峰时间段，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根底建设的快速开展，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。且丧失车辆稽查、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，车牌目标区域具有如下特点：①车牌底色往往与车身颜色、字符颜色有较大差异；②车牌有一个连续或由于磨损而不连续的边框，车牌内字符有多个，根本呈水平排列，所以在牌照的矩形区域内存在较丰富的边缘，呈现出规那么的纹理特征；③车牌内字符之间的间隔比拟均匀，字符和牌照底色在灰度值上存在跳变，而字符本身与牌照底的内部都有较均匀灰度；④不同图像中牌照的具体大小、位置不确定，但其长度比变化有一定范围，存在一个最大和最小长度比。根据这些特点，可以在灰度图像的根底上提取相应的特征。3车牌识别系统[[]叶晨洲等.车辆牌照字符识别系统[J].[]叶晨洲等.车辆牌照字符识别系统[J].计算机系统应用，1999(5):10-133.1车牌识别系统简述车牌定位与字符识别技术是基于计算机图像处理、模式识别等技术为根底，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。流程如图3.1所示车牌图像采集车牌图像进行处理车牌图像采集车牌图像进行处理字符分割字符识别输出结果对车牌定位定位车牌图像处理Figure3.1Vehicleplaterecognitionsystem汽车牌照自动识别关键技术包括车牌定位[[]袁志伟，潘晓露.车辆牌照定位的算法研究[J].昆明理工大学学报，2001，26(2)：56-60]、灰度〔或彩色〕图像二值化、字符切分及字符识别等。首先要求正确可靠地分割出车牌区域，为此提出了很多方法，如Hough变换以检测直线来提取车牌边界区域、使用灰度分割及区域生长进行区域分割，或使用纹理特征分析技术等。[]袁志伟，潘晓露.车辆牌照定位的算法研究[J].昆明理工大学学报，2001，26(2)：56-60根据车牌底色等有关的知识，采用彩色像素点统计的方法分割出合理的车牌区域，本文以蓝底白字的普通小汽车为例说明彩色像素点统计的分割方法，CCD摄像头的拍摄图像一般为RGB彩色图像，确定车牌底色RGB对应的各自灰度范围，然后在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方向的像素点数量，最终确定车牌的区域，实现定位。对定位的车牌进行处理，并且把处理后的车牌看做连续的字符块，设定一个阈值，如果超过这个阈值那么认为是有多个字符相连，从而对其切割，实现车牌的字符的分割，最后把分割的图片进行比照，选出最相似的结果输出，即为车牌信息。3.2车牌图像处理[[]冈萨雷斯.数字图像处理〔第二版[]冈萨雷斯.数字图像处理〔第二版〕[M].北京：电子工业出版社，20073.2.1图像灰度化由于现在的车牌采集一般用的是数码相机或者摄像机，采集的图片都是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、蓝三中颜色按不同的比例构成，所以它的每一个像素都是由3个数值来指定红、绿和蓝的颜色分量。灰度图像实际上是一个数据矩阵I，该矩阵的每两个元素对应于图像的一个像素点，元素的数值代表一定范围内的灰度级，通常0代表黑色、255代表白色。矩阵I可以是双精度；在MATLAB中，一幅RGB图像由一个uint8、uint16或者双精度类型的m*n*3数组来描述，其中m和n[]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，那么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。灰度图像就是只有强度信息，而没有颜色信息的图像。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，他不仅能使数据量再一次变小，而且还能突出需要的目标轮廓，从而进行图像的处理与分析。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，从而让整张图片变成黑白的效果，将灰度图片通过适当的阈值选取，从而将能在二值化图像获取可以反映图像特征的二值化图像。在图像处理中[]〔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、白二值的图像，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适宜的阀值，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局部，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根底。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那么分别是：信噪比准那么信噪比越大，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定位精度准那么边缘定位精度L如下定义：L=其中G'x和单边缘相应检测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''以上述指标和准那么为根底，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个准那么相结合可以获得最优的检测算子。坎尼算子的边缘检测算法步骤如下：用高斯滤波器平滑图像；用一阶偏导的有限差分来计算梯度的幅值和方向；对梯度幅值进行非极大值抑制；用双阈值算法检测和连接边缘；3.2.4图像闭运算数学形态学的根本运算有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，利用结构对图像进行操作。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。上式说明，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,A用B来腐蚀记作AΘ上式说明，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，从直观上看就是B经过平移后全部包含在A中的原点组成的集合。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，而被删除的小物体那么永远消失了。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，而这些内部空洞那么永远消失了一般情况下，由于噪声的影响，图象在阈值化后所得到边界往往是很不平滑的，物体区域具有一些噪声孔，背景区域上散布着一些小的噪声物体。连续的开和闭运算可以有效地改善这种情况。有时需要经过屡次腐蚀之后再加上相同次数的膨胀，才可以产生比拟好的效果。图像滤波处理滤波，即在尽量保存图像细节特征的条件下对目标像的噪声进行抑制，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。均值滤波也称为线性滤波，其采用的主要方法为领域平均法。线性滤波的基(x,y)，选择一个模板，该模板由其近邻的假设干像素组成，求模板中所有像素的均值，再把该均值赋予当前像素点(x,y)，作为处理后图像在该点上的灰度个g(x,y)，即gx,y=采集数字图像过程中通常会会受到多种噪声的污染。另外，如果在过程中产生污染那么会将要处理的图像上表现出一些较强的视觉效果孤立像素点和像素块。一般情况下，这些噪声在研究对象中一般都是无用的信息，而且还会对研究对象造成干扰，极大降低了图像质量，影响图像复原、分割、特征提取、图识别等后继工作的进行。为了有效的去除这些噪声，并且有效的保存研究对象的图像形状、大小及特定的几何和拓扑结构特征。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，如果遇到噪声点比拟多的研究对象时，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，而被删除的小物体那么永远消失了。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，而这些内部空洞那么永远消失了。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，移除小对象后根本就是车牌的位置了。根据车牌底色等有关知识，采用彩色像素点统计的方法分割出合理的车牌区域，由于考虑到大局部小汽车的牌照为蓝底白字，所以本文选用普通小汽车为例说明彩色像素点统计的分割方法，CCD摄像头的拍摄图像一般为RGB彩色图像，只要首先确定车牌底色RGB对应的各自灰度范围，然后在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，同理统计X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x方向的合理区域，最终确定车牌的区域，实现定位。3.4车牌字符处理3.4.1阈值化分割原理阈值化分割算法是图像分割中应用数量最多的一类。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灰度阈值，然后将图像中各个像素的灰度值与这个阈值较，并根据比拟的结果将对应的像素划分〔分割〕为两类：像素灰度大于阈值的一类，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到达了区域分割的目的。由此可见，阈值分割算法主要有两个步骤：(1)确定需要分割的阈值；(2)将分割阈值与像素点的灰度值比拟，以分割图像的像素。以上步骤中，确定阈值是分割的关键，如果能确定一个适宜的阈值就可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拟和像素分割可对各像素并行地进行，分割的结果直接给出图像区域。在利用取阈值方法来分割灰度图像时一般对图像的灰度分布有一定的假设，或者说是基于一定的图像模型。最常用的模型可描述如下：假设图像由具有单峰灰度分布的目标和背景组成，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庋值上有很大的差异。假设一幅图像满足这些条件，它的灰度直方图根本上可看作是由分别对应于目标和背景的两个单峰直方图混合构成的。而且如果这两个分布大小〔数量〕接近且均值相距足够远，两局部的均方差也足够小，那么直方图应为较明显的双峰。类似地，如果图像中有多个单峰灰度分布的目标，那么直方图有可能表现为较明显的多峰。对这类图像常可用取阈值方法来较好地分割。图像中各种灰度的像素分成两个不同的类，需要确定一个阈值。如果要把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适宜的类别中去。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图像的分割即把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噪声合字符粘连，断裂对字符的影响。要想从图像中直接提取出目标物体，最常用的方法就是设定一个阈值T，用T将图像的数据分成两局部：大于T的像素群和小于T的像素群，即对图像二值化。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。3.4.3字符归一化处理归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为纯量。在多种计算中都经常用到这种方法。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的根本过程是：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比照，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，接下来的后五位那么是数字和字母的混合搭配。所以我们在比照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，流程图如下图。识别完成，输出此模板对应值识别完成，输出此模板对应值建立自动识别的代码表读取分割且归一化的出来的字符切割字符保存，并与模板库进行模板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图车牌识别系统流程图Licenseplaterecognitionsystemflowchart3.5.2字符识别的分类车牌字符识别方法基于模式识别理论，主要有以下几类：结构识别；他由识别及分析两局部组成，识别局部主要组成是：预处理、基元抽取〔包括基元和子图像之间的关系〕和结构分析。分析局部包括基元选择及结构推理。统计识别；统计模式识别的目的在于确定样本所属的类别。它以数学上的决策理论为依据，并根据此理论建立了统计学识别模型。其根本模型是在对研究的图像进行大量的统计分析，找出规律性认识，抽出反响图像本质特点进行识别。基于BP神经网络的字符识别；通常所说的BP神经网络模型，即误差后向传播神经网络，是神经网络中使用最广泛的一类，网络分为三层分别是输入层，隐层还有输入层，层与层之间多采用全互联方式同一层单元之间不存在互连连接。基于模板匹配的字符识别；模板匹配是数字图像处理的重要组成局部之一。是把根据模式到另外一幅图中寻找相应模式的处理方法就叫做模板匹配。3.5.3基于模板匹配的字符识别[[]刘静，几种车牌字符识别算法的比拟，电脑与电信，2023[]刘静，几种车牌字符识别算法的比拟，电脑与电信，2023，〔8〕，p72～p74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行比拟，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。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异，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，就可以防止上述问题。本文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。首先取字符模板，接着依次取待识别字符与模板进行匹配，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，然后找数值最大的，即为识别出来的结果。4实验分析4.1车牌定位过程及分析我们首先将通过MATLAB将原始图片通过函数imread读入并且输出如图4-1〔a〕所示,然后对读入的图像通过rgb2gray进行灰度处理如图4-1〔b〕所示。在车牌识别系统中，将一幅图像装换为另一种类型是非常有用的，因为如果采用原始采集的彩色图像，它里面那么包含的大量的无用信息，从而对识别的过程中造成干扰，会造成存储的浪费以及在车牌识别系统中拖慢识别的速度，而且投入使用中将大大的提高硬件的要求，从而造成了经济本钱的上升，所以我们将要对原始采集的对象通过代码进行灰度化处理，将其变成灰度图像。图4-1(a)车辆牌照原始图像Figure1(a)thelicenseplatesoftheoriginalimage图4-1(b)灰度图像及直方图Figure4-1(b)Grayimageandhistogram边缘检测选用不同的额算子或者阈值都会对结果造成很大的影响，经过反复试验，我们选取了canny算子，并且选用0.19的阈值进行边缘检测，通过代码I2=edge(I1,'canny',0.19,'both');就能得到边缘检测的图像如图4-1〔c〕所示图4-1〔c〕边缘检测图像Figure4-1(c)imageedgedetection本文通过对图像进行腐蚀、膨胀，对其实现闭运算，最后还用了bwareaopen来去除对象中不相干的小对象。由此得到车牌图像的初步定位，通过函数输出图像如图4-1〔d〕所示。图4-1〔d〕图像闭运算及处理Figure4-1(d)imageclosedoperationandprocessing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4-1〔e〕所示。图4-1〔e〕车牌定位图像Figure4-1(e)licenseplatelocalizationimage4.2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[[]张引，潘云鹤.面向车辆牌照字符识别的预处理算法[J].计算机应用研究，1999(7)：85-87]，实验过程中我们队截取的车牌做了灰度化如图[]张引，潘云鹤.面向车辆牌照字符识别的预处理算法[J].计算机应用研究，1999(7)：85-87[]李云.二值图像中标定目标区域的几何特征提取[J](论文).微机开展，杂志，2000，第5期图4-2〔a〕车牌灰度图像Figure4-2(a)licenseplategrayimage图4-2〔b〕车牌二值化图像Figure4-2(b)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，即尽量保存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。图4-2〔c〕车牌滤波处理图像Figure4-2(c)licenseplatefilteringprocessingimages图4-2〔d〕车牌图像闭运算Figure4-2(d)vehicleimagesclosedoperations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，[]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．图4-2〔e〕车牌字符分割图像Figure4-2(e)licenseplatecharactersegmentationimages由于考虑车牌字符常发生变形、断缺等情况，使字符结构受损，那么依赖于字体结构完整性的结构识别方法所提取的特征会不准确，识别结果的误识率也高。因此实际用于车牌识别的方法主要是后两类。然而如果采用hp神经网络的字符识别虽然有很好的容错能力，但是如果我们要提高他的识别率，我们那么需要大量的样本。基于模板匹配的字符识别方法，相对算法简单，速度较快，而且结合我国车牌的信息，我们需要的制作的模板量也不大。所以本文选择模板匹配的识别方法进行车牌字符识别。一般分割出来的字符要进行进一步的处理，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到达正确识别的目的。在此只进行了归一化处理，然后进行后期处理。由于我们制作的模板是40*20像素点的规格，为了方便后面的模板匹配，我们就将分割的图片进行40*20像素点的归一化处理。如图图4-2〔f〕所示。在将其分割的七张40*20像素的图片保存在指定的路径如图4-2〔g〕所示。最后通过与模板库比照得出识别结果。图4-2〔f〕分割字符归一化处理Figure4-2(f)charactersegmentationisnormalized图4-2〔g〕归一化字符存储Figure4-2(g)Storagethenormalizedcharacters4.3车牌识别结果及分析最后将分割出来的字符运用模板匹配的方法与模板字符进行匹配，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，然后找数值最大的，即为识别出来的结果。如图4-3所示图4-3车牌识别结果Figure4-3licenseplateidentificationresults本文以MATLAB7.0[[]罗军辉．[]罗军辉．Matlab7．0在图像处理中的应用[M]．北京：机械工业出版社，2005：224-229．致谢随着青春的激情和求知的欲望，我即将走完大学四年求知之旅，美好的大学生活培养了我严谨的思维方式，更造就了我积极乐观的生活态度和开拓创新的意识，在不断学习中养成了严谨踏实和团结协作的优秀品质。回首四年，感谢命运的安排，感谢让我遇到身边的良师益友。在论文完成之际，我要感谢我的指导老师即班主任朱玲老师，从论文的选题、定题、以及可行性分析以及后期的论文反复修改，朱老师深刻而细致的指导都让我受益匪浅，她严谨的科学研究精神也都是我学习的典范。四年的学习生活，感谢朱老师的一路相伴，谢谢你教会了我们怎么去做人，怎么去做事，怎么去学习和工作。其次要感谢大学四年中给我们传授知识的所有老师们，谢谢你们的悉心指导和精心栽培，让我掌握了专业知识以及各类人文及自然科学的知识，为我以后步入社会工作打下了良好的根底。还有感谢我的父母，是你们给予我生命并让我有接受教育的时机，你们的关心将是我人生道路上永不停歇的动力。最后感谢我所认识的同学朋友们，谢谢你们的陪伴、谢谢你们的支持、谢谢你们一路上对我的鼓励和帮助。谢谢所有关心我的人！附录：主程序：closeall;clc;I=imread('C:\Users\fushaodong\Desktop\car.jpg');figure(1),imshow(I);title('原始图像')I1=rgb2gray(I);%灰度化figure(2),subplot(1,2,1),imshow(I1);title('图像的灰度图');figure(2),subplot(1,2,2),imhist(I1);title('灰度图的直方图');I2=edge(I1,'canny',0.19,'both');%边缘检测se=[1;1;1;];I3=imerode(I2,se);%腐蚀se=strel('rectangle',[25,25]);I4=imclose(I3,se);%闭运算I5=bwareaopen(I4,2000);%计算图像中的目标区域figure(3);imshow(I2);title('canny算子边缘检测');figure(4),subplot(1,3,1);imshow(I3);title('腐蚀后图像');figure(4),subplot(1,3,2);imshow(I4);title('平滑图像的轮廓');figure(4),subplot(1,3,3);imshow(I5);title('从对象中移除小对象');[y,x,z]=size(I5);myI=double(I5);ticBlue_y=zeros(y,1);fori=1:yforj=1:xif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1;%蓝色像素点统计endendend[tempMaxY]=max(Blue_y);%Y方向车牌区域确定PY1=MaxY;while((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);%%%%%%X方向%%%%%%%%%Blue_x=zeros(1,x);%进一步确定x方向的车牌区域forj=1:xfori=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)=Blue_x(1,j)+1;endendendPX1=1;while((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;%对车牌区域的校正PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(5),subplot(1,2,1),imshow(IY),title('行方向合理分割区域');subplot(1,2,2),imshow(dw),title('车牌位置定位');b=rgb2gray(dw);%对定位后的车牌灰度化figure(6);subplot(1,2,1),imshow(b),title('定位后车牌灰度图像')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figure(6);subplot(1,2,2),imshow(d),title('定位后车牌二值图像')%滤波h=fspecial('average',3);d=im2bw(round(filter2(h,d)));figure(7),subplot(1,2,1),imshow(d),title('定位后车牌均值滤波处理后')%某些图像进行操作膨胀或腐蚀se=strel('square',3);使用一个3X3的正方形结果元素对象对创立的图像进行膨胀'line'/'diamond'/'ball'...se=eye(2);%eye(n)returnsthen-by-nidentitymatrix单位矩阵[m,n]=size(d);ifbwarea(d)/m/n>=0.365d=imerode(d,se);elseifbwarea(d)/m/n<=0.235d=imdilate(d,se);endfigure(7),subplot(1,2,2),imshow(d),title('车牌膨胀和腐蚀处理后')%寻找连续有文字的块，假设长度大于某阈值，那么认为该块有两个字符组成去分割。d=qiege(d);[m,n]=size(d);figure,subplot(2,1,1),imshow(d),title(n)k1=1;k2=1;s=sum(d);j=1;whilej~=nwhiles(j)==0j=j+1;endk1=j;whiles(j)~=0&&j<=n-1j=j+1;endk2=j-1;ifk2-k1>=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=[];whileflag==0[m,n]=size(d);left=1;wide=0;whilesum(d(:,wide+1))~=0wide=wide+1;endifwide<y1%认为是左侧干扰d(:,[1:wide])=0;d=qiege(d);elsetemp=qiege(imcrop(d,[11widem]));[m,n]=size(temp);all=sum(sum(temp));two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));iftwo_thirds/all>y2flag=1;word1=temp;%WORD1endd(:,[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(8),subplot(1,7,1),imshow(word1),title('第一位');figure(8),subplot(1,7,2),imshow(word2),title('第二位');figure(8),subplot(1,7,3),imshow(word3),title('第三位');figure(8),subplot(1,7,4),imshow(word4),title('第四位');figure(8),subplot(1,7,5),imshow(word5),title('第五位');figure(8),subplot(1,7,6),imshow(word6),title('第六位');figure(8),subplot(1,7,7),imshow(word7),title('第七位');[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,[4020]);word2=imresize(word2,[4020]);word3=imresize(word3,[4020]);word4=imresize(word4,[4020]);word5=imresize(word5,[4020]);word6=imresize(word6,[4020]);word7=imresize(word7,[4020]);figure(9),subplot(1,7,1),imshow(word1),title('第一位');figure(9),subplot(1,7,2),imshow(word2),title('第二位');figure(9),subplot(1,7,3),imshow(word3),title('第三位');figure(9),subplot(1,7,4),imshow(word4),title('第四位');figure(9),subplot(1,7,5),imshow(word5),title('第五位');figure(9),subplot(1,7,6),imshow(word6),title('第六位');figure(9),subplot(1,7,7),imshow(word7),title('第七位');imwrite(word1,'C:\Users\fushaodong\Desktop\1.jpg');imwrite(word2,'C:\Users\fushaodong\Desktop\2.jpg');imwrite(word3,'C:\Users\fushaodong\Desktop\3.jpg');imwrite(word4,'C:\Users\fushaodong\Desktop\4.jpg');imwrite(word5,'C:\Users\fushaodong\Desktop\5.jpg');imwrite(word6,'C:\Users\fushaodong\Desktop\6.jpg');imwrite(word7,'C:\Users\fushaodong\Desktop\7.jpg');liccode=char(['0123456789''ABCDEFGHIJKLMNOPQRSTUVWXYZ''云贵川藏']);%建立自动识别字符代码表SubBw2=zeros(40,20);l=1;forI=1:7ii=int2str(I);t=imread([ii,'.jpg']);SegBw2=imresize(t,[4020],'nearest');ifl==1%第一位汉字识别kmin=37;kmax=40;elseifl==2%第二位A~Z字母识别kmin=11;kmax=36;elsel>=3%第三位以后是字母或数字识别kmin=1;kmax=36;endfork2=kmin:kmaxfname=strcat('C:\Users\fushaodong\Desktop\sample\',liccode(k2),'.jpg');SamBw2=imread(fname);fori=1:40forj=1:20SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j);endend%以上相当于两幅图相减得到第三幅图Dmax=0;fork1=1:40forl1=1:20if(SubBw2(k1,l1)>0|SubBw2(k1,l1)<0)Dmax=Dmax+1;endendendError(k2)=Dmax;endError1=Error(kmin:kmax);MinError=min(Error1);