MATLAB车牌识别过程.docx

MATLAB车牌识别过程.docx

《MATLAB车牌识别过程.docx》由会员分享，可在线阅读，更多相关《MATLAB车牌识别过程.docx（15页珍藏版）》请在冰豆网上搜索。

MATLAB车牌识别过程

7.3系统详细设计

7.3.1车牌图像读入

目前常用的图像格式主要有*.PCX、*.BMP、*.JPG、*.TIFF、*.GIF等，本设计采集到的图片格式为*.JPG格式，这种格式的图像占有的存储空间小，而且是使用最广的图片保存和传输格式，大多数的摄像设备也都是以*.JPG格式保存图像的。

利用图像工具的图像读取函数imread（）来读取一副图像，其使用格式为：

I=imread（‘fnpn’）;%fn为图像文件名，pn为文件路径

使用图像工具的图像显示函数imshow（）来显一副图像，使用格式为：

Imshow（I）;

具体代码为：

[fnpn]=uigetfile（‘*.JPG’,’选择图片’）；%选择图像文件，fn为文件名，pn为路径

I=imread（[fnpn]）;%显示所选图像

Figure,imshow（I）;title（‘原始车牌图像’）;%在新建的figure中显示所选图像文件，figure标题为原始车牌图像

以一副名为“桂APC322”的车牌图片为例，程序运行结果为：

7.3.2彩色（基于蓝色）车牌定位、提取

将彩色车牌读入后，采用水平垂直双向投影法，将图像分别投影到X、Y坐标轴，然后分别沿X、Y轴扫描图像。

当沿Y轴扫描时，一边扫描一边统计图像中蓝色像素点的个数，第一次扫描到蓝色像素点最多的行时停止扫描，并记录下蓝色像素点最多的行，然后以这行为基点，分别向上、向下扫描直到统计的像素点小于像素点阀值时，停止扫描，记录上下行的Y轴坐标PY2，PY1，I=（PY1:

PY2,:

:

）就为Y轴方向的车牌区域，代码如下：

Blue_y=zeros（y,1）;

fori=1:

y

forj=1:

xif（（myI（i,j,1）<=48）&&（（myI（i,j,2）<=100）&&（myI（i,j,2）>=40））&&（（myI（i,j,3）<=200）&&（myI（i,j,3）>=80）））

Blue_y（i,1）=Blue_y（i,1）+1;%统计蓝色像素点

end

end

end

[tempMaxY]=max（Blue_y）;%

PY1=MaxY;%

while（（Blue_y（PY1,1）>=Y_threshlow）&&（PY1>1））%

PY1=PY1-1;

end

PY2=MaxY;

while（（Blue_y（PY2,1）>=Y_threshlow）&&（PY2

PY2=PY2+1;

end

PY1,PY2figure

（2）,subplot（1,2,1）,plot（Blue_y）,title（'行方向的蓝色像素点统计'）;gridon

IY=I（PY1:

PY2,:

:

）;

figure

（2）,subplot（1,2,2）,imshow（IY）,title（'行方向车牌区域'）;

运行结果如下：

同理可得X轴方向的车牌区域：

两者结合可提取出完整的车牌区域：

7.3.3车牌图像灰度化

由于车牌底色跟上面的字符的颜色对比度很大，所以将RGB图像转化为灰度图时，车牌底色跟字符的灰度值也会相差很大，这样就可以很明显的显现出车牌区域，便于后续处理。

本系统使用的是MATLAB内的灰度图转换函数rgb2gray（），其图像灰度值计算公式为：

G=0.299R+0.578G+0.114B;

程序源代码为：

bw=rgb2gray（I）;figure（6）,imshow（bw）;title（‘灰度图像’）；

运行结果为：

7.3.4车牌倾斜校正

由于摄像头拍摄角度的不同，可能使拍摄的车牌图片也发生倾斜，为了图像的后续处理以及很好的去识别字符，需对提取的带有倾斜的车牌图像进行校正。

本系统采用的办法是，首先用radon算法进行倾斜角度计算，然后根据倾斜角对图片精选修正，从而得到水平方向一致的图片，利于后期的分割识别。

代码如下：

I=edge（I）;%

theta=1:

180;

[R,xp]=radon（I,theta）;

[I,J]=find（R>=max（max（R）））;%

bw=imrotate（bw,qingxiejiao,'bilinear','crop'）;figure,imshow（bw）;title（'车牌倾斜'）;

运行结果如下：

7.3.5车牌图像处理

对车牌灰度图像的处理主要有二值化、腐蚀、去除干扰、膨胀、擦除、取反，都可以直接使用图像工具箱的图像处理函数。

经过以上处理过程后可以得到带边框的白底黑字的车牌图片，但是由于还存在车牌的边框，需要对其进行二次的裁剪，裁剪方法跟上面阐述的提取彩色车牌方法相似，先将图片水平垂直投影，然后统计黑色像素点，找到字符边缘进行裁剪，得到除去边框的白底黑字的车牌照。

代码如下：

SE=ones（3,3）;

bw=im2bw（bw）;figure,imshow（bw）;title（'二值化'）;

bw=imerode（bw,SE）;figure,imshow（bw）;title（'腐蚀'）;

bw=bwmorph（bw,'clean',inf）;

bw=bwmorph（bw,'hbreak',inf）;

bw=bwmorph（bw,'spur',inf）;

bw=imdilate（bw,SE）;figure,imshow（bw）;title（'膨胀'）;

bw=bwareaopen（bw,threshold）;figure,imshow（bw）;title（'擦除'）;

bw=~bw;figure,imshow（bw）;title（'颜色取反'）;

bw=touying（bw）;figure;imshow（bw）;title（'投影'）;

运行结构如下：

7.3.6字符分割

对二次裁剪的车牌图像进行水平垂直投影,计算水平垂直峰,检测合理的字符高宽比.可用与区域分割相同的方法进行峰值的删除和合并.但在字符切割时,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。

代码如下：

[y,x]=size（imfenge）;

histogram=sum（~imfenge）;

k=1;

forh=1:

x-1

if（（histogram（1,h）<=shedingyuzhi）&&（histogram（1,h+1）>shedingyuzhi））||（（h==1）&&histogram（1,h）>shedingyuzhi）

fenge（1,k）=h;

k=k+1;

elseif（（histogram（1,h）>shedingyuzhi）&&（histogram（1,h+1）<=shedingyuzhi））||（（h==x-1）&&histogram（1,h）>shedingyuzhi）

fenge（1,k）=h+1;

k=k+1;

end

end

k=k-1;

if（sum（histogram（1,fenge（1,1）:

fenge（1,2）））

fori=3:

k

fenge（1,i-2）=fenge（1,i）;

end

end

[mn]=size（fenge）;

fenge=fenge（1,1:

14）;

运行结果如下：

7.3.7字符识别

目前字符识别方法主要有神经网络识别法和模板匹配法。

人工神经网络是模拟人脑思维功能和组织建立起来的数学模型，但总体来说其应用还是相对复杂的。

模板匹配法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。

本系统使用的是较为简单的模板匹配法来识别字符的。

首先将待识别字符的图像进行归一化处理，使其长宽与模板字符图像长宽一致，模板使用的是80*160的图片尺寸，待识别字符图像归一化代码为：

xiuzhenghanzi=imresize（han_zi,[80160],'bilinear'）;

xiuzhengzimu=imresize（zi_mu,[80160],'bilinear'）;

xiuzhengzm_sz_1=imresize（zm_sz_1,[80160],'bilinear'）;

xiuzhengzm_sz_2=imresize（zm_sz_2,[80160],'bilinear'）;

xiuzhengzm_sz_3=imresize（zm_sz_3,[80160],'bilinear'）;

xiuzhengzm_sz_4=imresize（zm_sz_4,[80160],'bilinear'）;

xiuzhengzm_sz_5=imresize（zm_sz_5,[80160],'bilinear'）;

待识别字符图像与模板字符图像长宽一致以后，就可以用带识别字符图像与模板字符图像进行匹配，具体过程为：

建立模板字库表

读取分割出来的字符

第一个字符与模板中的汉字模板进行匹配

第二个字符与模板中的字母模板进行匹配

求待识别字符与模板字符的相关系数，相关系数越大，说明其相似度越大

识别完成，输出此模板对应值

后5个字符与模板中的字母与数字模板进行匹配

字符匹配代码为：

comp=[];

forn=1:

num_letras

sem=corr2（xiuzhengzifu,mubanzifu）;

%利用corr2（）函数求待识别字符图像与模板图像的相关系数

comp=[compsem];%将相关系数的值赋给comp

end

xiangguan=find（comp==max（comp））;%找出相关系数最大的值

msgbox（shibiejieguo,'识别结果'）;%显示识别结果

运行结果如下：

7.3.8语音播报识别结果

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。

7.4数据存储与数据库查询

本系统使用的是MicrosoftSQLServer2000来实现车牌信息处理的。

数据存储主要是车牌信息的存储和出入时间存储，实现车辆信息自动登记；数据库查询主要是在数据库中查找识别的车牌信息，然后由计算机自动判别是被车辆是不是属于所属地区。

首先是建立数据库，数据库名设为Study，接着需要在数据库中建立两个表Churujilu和Zhuceyonghu，表Churujilu主要是存储识别的车辆信息和相应的出入时间，表Zhuceyonghu主要是所属地区车辆信息的登记，包括车牌号和车主，用于查询。

然后是建立ODBC数据源，命名为DBTEST，使用ODBC数据源来连接数据库，连接数据库代码为：

sourceName='DBTEST';%获取数据源

Timeout=logintimeout（5）;%允许登陆连接时间最长为5s

conn=database（sourceName,'sa',''）;%获取数据库连接对象

fprintf（'\n数据库连接状态\n'）;

disp（ping（conn））;%显示测试数据库连接状态

运行结果为：

再然后是将车牌信息和当时时间一起写入数据库，写入数据时使用的是insert（）函数，具体代码如下：

insert（conn,'Study.dbo.Churujilu',{'Chepaihao','Shijian'},{shibiejieguo,datestr（now）}）;

%将识别结果和当时的时间分别存入到Study数据库的Churujilu表中的Chepaihao和Shijian两列中

当识别完车牌“桂APC322”后，将车牌信息和当时时间写入数据库的Churujilu表中，实现车辆信息自动登记，结果如图：

最后是在数据库中查询是否存在识别车辆的注册登记信息，使用的是SQL语句进行查询。

如果查询到与识别结果相同的车牌号，则返回其查询到的车辆信息，并弹出对话框“欢迎光临”，表示查找到相应信息；如果没有查询到，则MATLAB返回为字符串“NoData”,并弹出对话框“请下车登记”，表示没有查找到与识别车辆相匹配的信息。

具体代码为：

curs=exec（conn,['selectChepaifromStudy.dbo.ZhuceyonghuwhereChepai='''''shibiejieguo'''']）;

%在Study数据库的Zhuceyonghu表中查找与识别结果相同的车牌号

e=fetch（curs）;%用fetch（）函数将查询结果从数据库传给MATLAB中的矩阵e

a=e.data;%把矩阵e中的数据全部传给a

a=char（a）;%把a转化为char型

disp（a）;%在MATLAB中显示a里面的所有数据，即查询结果信息

ifstrcmp（'NoData',a）%将查询返回的信息与识别结果比较

msgbox（'请下车登记','查询结果’）;

%如果没有查询到则显示“请下车登记”

else

msgbox（'欢迎光临','查询结果’）;

%如果查询到识别车辆则显示“欢迎光临”

end

车牌“桂APC322”识别完后，查询结果为：

因为在前面数据库的Zhuceyonghu表中，已有此车牌的注册登记信息，所以查询结果为“欢迎光临”。