Matlab平台基于颜色的车牌识别程序.docx

Matlab平台基于颜色的车牌识别程序.docx

《Matlab平台基于颜色的车牌识别程序.docx》由会员分享，可在线阅读，更多相关《Matlab平台基于颜色的车牌识别程序.docx（13页珍藏版）》请在冰豆网上搜索。

Matlab平台基于颜色的车牌识别程序

Matlab平台基于颜色的车牌识别程序

一、摘要

近年来,随着交通现代化的发展要求,汽车牌照自动识别技术已经越来越受到人们的重视.车牌自动识别技术中车牌定位、字符切割、字符识别及后处理是其关键技术.由于受到运算速度及内存大小的限制,以往的车牌识别大都是基于灰度图象处理的识别技术.其中首先要求正确可靠地检出车牌区域,为此提出了许多方法,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.本文提出基于车牌彩色信息的彩色分割方法。

二、设计目的和意义

目的：

1、巩固理论课上所学的知识，理论联系实践。

2、锻炼自己的动手能力，激发研究潜能，提高协作精神。

意义：

车牌定位系统的目的在于正确获取整个图像中车牌的区域，并识别出车牌号。

通过设计实现车牌识别系统，能够提高分析问题和解决问题的能力，还能培养一定的科研能力。

三、设计原理

由于车辆牌照是机动车唯一的管理标识符号，在交通管理中具有不可替代的作用，因此车辆牌照识别系统应具有很高的识别正确率，对环境光照条件、拍摄位置和车辆行驶速度等因素的影响应有较大的容阈，并且要求满足实时性要求。

图1牌照识别系统原理图

该系统是计算机图像处理与字符识别

技术在智能化交通管理系统中的应用，它主要由牌照图像的采集和预处理、牌照区域的定位和提取、牌照字符的分割和识别等几个部分组成，如图1所示。

其基本工作过程如下：

（1）当行驶的车辆经过时，触发埋设在固定位置的传感器，系统被唤醒处于工作状态；一旦连接摄像头光快门的光电传感器被触发，设置在车辆前方、后方和侧面的相机同时拍摄下车辆图像；

（2）由摄像机或CCD摄像头拍摄的含有车辆牌照的图像通视频卡输入计算机进行预处理，图像预处理包括图像转换、图像增强、滤波和水平较正等；

（3）由检索模块进行牌照搜索与检测，定位并分割出包含牌照字符号码的矩形区域；

（4）对牌照字符进行二值化并分割出单个字符，经归一化后输入字符识别系统进行识别。

（5）对识别结果读取、并进行数据库存储。

四、详细设计步骤

1.提出总体设计方案。

车辆牌照识别整个系统主要是由车牌定位和字符识别两部分组成，其中车牌定位又可以分为图像预处理及边缘提取模块和牌照的定位及分割模块；字符识别可以分为字符分割与特征提取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，较大的对比度和清晰可辩的牌照图象。

但由于该系统的摄像部分工作于开放的户外环境，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和角度以及车辆行驶速度等因素的影响，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行识别前的预处理。

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，需要对字符在识别之前再进行一次针对性的处理。

车牌识别的最终目的就是对车牌上的文字进行识别。

主要应用的为模板匹配方法。

因为系统运行的过程中，主要进行的都是图像处理，在这个过程中要进行大量的数据处理，所以处理器和内存要求比较高，CPU要求主频在1.0GHZ及以上，内存在128MB及以上。

系统可以运行于Windows98、Windows2000或者WindowsXP操作系统下，程序调试时使用matlab。

2.各模块的实现。

本文主要模块如下：

颜色信息提取、车牌区域定位、识别、提取、检测倾斜度、车牌校正、车牌区域2值化、擦除干扰区域、文字分割、模版匹配、结果输出。

一、颜色信息提取及车牌区域定位

图2颜色信息提取及车牌区域定位

1、图象的采集与转换

本系统针对家庭小型车蓝底白字车牌进行识别。

根据彩色图像的RGB比例定位出近似蓝色的候选区域。

但是由于RGB三原色空间中两点间的欧氏距离与颜色距离不成线性比例，在设定蓝色区域的定位范围时不能很好的控制。

因此造成的定位出错是最主要的。

这样在图片中出现较多的蓝色背景情况下识别率会下降，不能有效提取车牌区域。

对此本文提出了自适应调节方案。

对分割出来的区域进行识别调整。

根据长宽比，蓝白色比对候选区域进行多次定位。

最终找到车牌区域。

对蓝底白字这种最常见的牌照，采用蓝色B通道时牌照区域为一亮的矩形，而牌照字符在区域中并不呈现。

因为蓝色（255，0，0）与白色（255，255，255）在B通道中并无区分，而在G、R通道或是灰度图象中并无此便利。

同理对白底黑字的牌照可用R通道，绿底白字的牌照可以用G通道就可以明显呈现出牌照区域的位置，便于后续处理。

原图、灰度图及边缘检测图见图4、图5、图6。

对于将彩色图象转换成灰度图象时，图象灰度值可由下面的公式计算：

G=0.110B+0.588G+0.302R

（1）

G=

（2）

由于牌照图象在拍摄时受到种种条件的限制和干扰，图象的灰度值往往与实际景物不完全匹配，这将直接影响到图象的后续处理。

如果造成这种影响的原因主要是由于被摄物体的远近不同，使得图象中央区域和边缘区域的灰度失衡，或是由于摄像头在扫描时各点的灵敏度有较大的差异而产生图象灰度失真，或是由于曝光不足而使得图像的灰度变化范围很窄。

这时就可以采用灰度校正的方法来处理，增强灰度的变化范围、丰富灰度层次，以达到增强图象的对比度和分辨率。

我们发现车辆牌照图象的灰度取值范围大多局限在r=（50,200）之间，而且总体上灰度偏低，图象较暗。

根据图象处理系统的条件，最好将灰度范围展开到s=（0,255）之间，为此我们对灰度值作如下的变换：

s=T（r）r=[rmin,，rmax]

使得S∈[Smin,Smax],其中，T为线性变换，

（3）

若r（50,200）、s（0，255）

则：

（4）

图3原始图片图4定位后的车牌

图5灰度图像图6边缘检测图像

2、图像校正二值化处理

本文在针对倾斜角度的图片采取radon算法进行倾斜角度计算，并对倾斜图片进行修正。

从而得到水平方向一致的图片。

有利于后期的图片分割及图像识别。

图7倾斜校正图像图8二值化处理

3、精确分离车牌区域

以图8图像为例，以图像中间线为起点，设定某一阈值向上向下进行扫描。

精确分离出车牌字符所在区域。

如图9所示。

图9精确分离字符

二、字符的定位和分割

图10字符分割与归一化流程图

1、字符分割：

将计算得到车牌区域的二值化后的图象,对黑色进行垂直投影,计算垂直峰,检测合理的字符高宽比.在字符切割时,往往由于阈值取得不好,导致字符切割不准确,针对这种情况,可以由车牌格式的先验知识,对切割出的字符宽度进行统计分析,用以指导切割,对因错误切割过宽的字符进行分裂处理。

对‘桂’字经常出现的是把木字旁和右边的部首分割开。

系统针对这种问题对分割出来的字体的宽度与整个车牌的宽度对比，对误操作字符进行合并。

一个智能的识别系统应减少系统对阈值的过分依赖。

分割后的字符如图10所示。

图11提取分割字符

2、字体识别：

常用做法是采用神经网络模型对系统进行训练。

但是这种做法增加了系统的复杂度，对实时性要求较高的场合不适应。

这里采用简单模版匹配算法。

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（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。

由于在前期的有效处理使得分割后的字体清晰度完整度都能保持较高的水平。

有利于提高模版匹配的成功率。

对提取的车牌进行归一化处理，使其长宽比与模版保持一致。

经验证对非倾斜图片，识别率可达95%，对倾斜图片亦可以达到90%以上。

D--0,6--8,2--Z,A—4是比较容易识别出错的字符。

图12字符识别流程图

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。

以桂字为例，模版图片如图11、提取出来的图片如图12、整体识别结果如图13。

图13模版图14提取图片图15识别结果提示框

三、语音播报

对字符正确识别之后，用事先对对每一个字符的录音根据对应字符顺序播放。

在对车牌区域识别出错、字体分割出错时程序暂停，并有语音提醒。

四、存储数据

播放结束之后对相应的识别出来的字符存储到指定文件夹的EXCEL文件内。

并同时存储对应识别日期。

如下图所示。

桂ACC286

2009-5-615:

38

图16Excel表格记录

五、总结

本文主要解决了以下几个问题：

一、在背景的图象中如何定位分割牌照区域；二、对分割下来的牌照字符如何有效提取出相应字符；三、如何设计识别器进行模版匹配。

在车辆牌照字符识别系统的研究领域，近几年出现了许多切实可行的识别技术和方法，从这些新技术和方法中可以看到两个明显的趋势：

一是单一的预处理和识别技术都无法达到理想的结果，多种方法的有机结合才能使系统有效识别能力提高。

在本系统的设计时，也汲取了以上一些算法的思想，结合实际，反复比较，综合分析；二是在有效性和实用的原则下，结合神经网络和人工智能的新技术的应用是研究的一个方向。

根据车牌特点，一般采用的车牌定位算法有：

1.边缘检测定位算法；2.利用哈夫变换进行车牌定位；3.色彩分割提取车牌等。

这里我采用的是彩色分割提取的方法实现定位的。

也因为这一方案的局限性，不能对蓝色车的车牌进行有效定位。

字符分割的方法也有多种：

1.基于聚类分析的字符分割；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，主要是针对在车牌定位，图像预处理后比较规则的车牌图像。

优点是程序逻辑设计简单，循环执行功能单一，便于设计和操作，程序执行时间短。

字符识别的基本方法通常又三类：

1.结构特征分析方法；2.模板匹配法；3.神经网络法。

此处采用的是模板匹配的方法，即是将要识别的字符与事先构造好的模板进行比对，根据与模板的相似度的大小来确定最终的识别结果。

系统是针对蓝底白字的车票进行的识别。

故对颜色依赖度高。

对颜色的抗干扰能力差。

对蓝色汽车无法正确识别。

目前没有想到好的改进算法。

在图片中出现较多的蓝色背景情况下识别率会下降。

不能有效提取车牌区域。

识别的照片是用320万像素相机拍摄的，对图片的清晰度要求较高。

系统本身还存在许多不足，距离具体实用的要求仍有很大差距。

但我却在这次课程设计中学到了很多知识。

六、参考文献

[1]冈萨雷斯．数字图像处理（第二版）．电子工业出版社，2007．8

[2]胡小锋、赵辉．VC++/MATLAB图像处理与识别使用案例精选.人民邮电出版社，2004.9

[3]郁梅等，基于视觉的车辆牌照检测,计算机应用研究,1999（5）,P65～67

[4]叶晨洲，廖金周，一种基于纹理的牌照图象二值化方法，微型电脑应用，1999（6），P28～29

[5]朱学芳等，一种自适应细化方法，模式识别与人工智能，Vol.10，No.2，1997（6），P140～145

[6]杨万山等，基于BP神经网络的工程图纸图形符号的识别，微型电脑应用，Vol.16，No.2，2000

[7]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

[8]刘阳，伊铁源等.数字图象处理应用于车辆牌照的识别.辽宁大学学报.2004，65～68

[9]许志影、李晋平.MATLAB极其在图像处理中的应用.计算机与现代化，2004（4）

[10]崔　江、王友仁.车牌自动识别方法中的关键技术研究.计算机测量与控制，2003.11（4）

[11]宋建才.汽车牌照识别技术研究[J].工业控制计算机,2004,44～45.

附程序流程图