利用MATLAB做车牌识别系统.docx
- 文档编号:3654229
- 上传时间:2022-11-24
- 格式:DOCX
- 页数:16
- 大小:483.02KB
利用MATLAB做车牌识别系统.docx
《利用MATLAB做车牌识别系统.docx》由会员分享,可在线阅读,更多相关《利用MATLAB做车牌识别系统.docx(16页珍藏版)》请在冰豆网上搜索。
利用MATLAB做车牌识别系统
《数字图像处理》
课程设计说明书
题目:
车牌号识别
成绩:
时间:
2013年5月20日至2013年6月8日
一、目的与要求
1.1本课题的设计目的及意义
车牌识别系统的主要任务是分析和处理摄取到的复杂背景下的车辆图像,定位分割牌照,最后自动识别汽车牌照上的字符,车牌识别是利用车辆牌照的唯一性来识别和统计车辆,它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统。
在现代化交通发展中车牌识别系统是制约交通系统智能化、现代化的重要因素,车牌识别系统应该能够从一幅图像中自动提取车辆图像,自动分割牌照图像,对字符进行正确识别,从而降低交通管理工作的复杂度。
车牌识别系统将获取的车辆图像进行一系列的处理后,以字符串的形式输出结果,这样不但数据量小,便于存储,操作起来也更容易,因此车牌识别系统的便捷性是人工车牌识别所不能比拟的,它蕴藏着很大的经济价值和发展空间,对车牌识别技术的研究是非常有的意义的。
在车牌识别系统中最为重要的两个技术是车牌定位和车牌字符识别,这两个技术的好坏直接影响到整个车牌识别系统的实时性和准确性。
国内外己有不少学者对车牌定位技术做了大量的研究,但在实际的应用中还没有一个有效可行的方法,如由于车辆抖动造成车牌图像的歪斜、由于污迹和磨损造成车牌字符的模糊、由于光照不均造成车牌图像的模糊等都会或多或少影响到车牌定位的准确度。
针对以上实际情况,很多学者开始在鉴于车牌图像本身特征的基础上研究车牌定位技术,并先后提出了一些有效的定位方法,以减小种种主、客观因素对车牌定位准确度的影响。
然而智能交通的不断发展使得对车牌定位系统有了更高的要求,主要表现在系统的实时性和准确性。
车牌字符识别的实质是对车牌上的汉字、字母和数字进行快速准确的识别并以字符串的形式输出识别结果,字符识别技术是整个车牌识别系统的关键。
车牌识别系统与其它图像识别系统相比较而言要复杂的多,在字符识别中,汉字识别是最难也是最关键的部分,很多国外较为成熟的车牌识别系统无法进入中国市场的原因就在于无法有效的识别汉字。
此外,由于外界环境的影响,系统必须保证能够在任何天气情况下全天不间断的正常工作。
到目前为止,在众多的车牌自动识别方法中还没有一个可以达到理想的效果,因此对车牌识别技术的研究意义重大。
1.2本课题的设计要求和任务
车牌号识别系统是基于图像处理技术的基础进行研究的。
本课题的设计要求和任务如下:
1.图像数字化
其目的是将模拟形式的图像通过数字化设备变为数字计算机可用的离散的图像数据。
2.图像变换
为了达到某种目的而对图像使用一种数学技巧,经过变换后的图像更为方便、容易地处理和操作。
3.图像增强
图像增强的主要目标是改善图像的质量。
采用某些处理技术来突出图像中的某些信息,削弱或消除某些无关信息,从而有目的地强调图像的整体或局部特征,让观察者能看到更加直接、清晰的分析和处理图像。
直方图修正、灰度变换、强化图像轮廓等都是常用的手段。
4.图像分割
在图像研究和应用中,人们往往仅对图像的某些部分感兴趣。
它们一般对应图像中待定的、具有独特性质的区域。
图像分割就是把图像中需要的那一个部分分割出来。
5.图像分析
图像分析的内容分为特征提取、图像分割、符号描述、和图像的检测与匹配。
二、设计的内容车辆牌照识别系统工作原理
车辆牌照识别系统的基本工作原理为:
将摄像头拍摄到的包含车辆牌照的图像通过视频卡输入到计算机中进行预处理,再由检索模块对牌照进行搜索、检测、定位,并分割出包含牌照字符的矩形区域,然后对牌照字符进行二值化并将其分割为单个字符,然后输入JPEG或BMP格式的数字,输出则为车牌号码的数字。
三、总体方案设计
3.1系统框架结构和工作流程
汽车牌照识别(LPR)系统通过引入数字摄像技术和计算机信息管理技术,采用先进的图像处理、模式识别和人工智能技术,通过对图像的采集和处理,获得更多的信息,从而达到更高的智能化管理程度。
在LPR系统产品的性能指标中,识别率和识别速度难以同时提高其中原因既包括图像处理技术不够成熟,又受到摄像设备计算机等性能的限制。
因此,研究高速准确的定位与识别算法,是当前的主要任务。
汽车车牌自动识别系统主要包括触发拍照、图像采集、图像预处理、车牌定位、字符分割、字符识别、输出结果等单元。
图1.1车牌识别系统工作流程图
触发拍照:
该单元会自动检测车辆在指定区域的存在,现有的成熟技术的有线圈触发、视频触发、红外触发、雷达触发以及激光触发。
其中线圈触发和视频触发得到了广泛的应用。
图像采集:
该单元是指道路上安装的摄像头在检测到有车辆通过的同时进行拍照并借助网络传送到汽车自动识别系统。
图像预处理:
该单元是指车牌识别系统对拍摄的汽车图片进行灰度化和边缘检测等处理。
在外界光照不均匀,光照强度不稳定的情况下,通过摄像机采集到的车牌原始图像会模糊不清,因此需要对其进行图像增强的处理;在外界环境噪声以及电子器件自身产生的噪声干扰下,车牌图像质量会有所下降,因此需要对原图像进行去噪处理等等。
以上所做的这些处理均属于图像预处理的工作。
车牌定位:
是指对预处理过的汽车图片进行处理,把车牌部分进行定位,把无用的部分去除,得到定位好的车牌图片。
在一张完整的车辆图像中,大部分区域都是背景图像,对识别工作毫无意义,我们可以将背景区域视为无用区域,并设法将其去除,即从复杂的背景图像中准确的定位并分割出车牌区域图像,从原图像中提取出需要的部分舍弃不需要的部分,以便节省系统识别时间,这也是车牌定位分割的目的及意义所在。
在定位分割的过程中要保证不能把非车牌区域误判为车牌区域,也不能漏检车牌区域,否则后继的工作将无法进行。
字符分割:
对已经定位的车牌图片的进行字符分割,将车牌分割为7个单一的字符图片。
被分离出的车牌区域图像,系统并不能直接对其进行识别,还需要将车牌上的每一个字符都独立的完整的分割出来,即从车牌区域图像中将车牌上所包含的每一个字符都切分出来,使其成为不具有任何相关性的单个字符图像,再由系统分别对每个字符进行识别,在对字符进行切分时,要注意保证每个字符的完整度。
字符识别:
车牌字符识别是最为关键的一步,前面对车牌图像所做的处理都是为了完成最终的识别。
系统输入的是单个的字符图像,输出的却是文本格式的完整的车牌号码,车牌字符识别的准确率直接反映出车牌识别系统性能的好坏。
输出结果:
输出识别结果,并进行数据存储。
对于车牌识别系统而言,以上的每一个步骤都是必不可少的,并且后一步骤均是建立在前面步骤的基础之上进行的,因此,只有确保做好每一步才能顺利完成系统最终的识别工作。
四、各个功能模块的主要实现程序
第四章各模块的实现
车牌识别系统包括图像采集、图像预处理、车牌定位、字符分割、字符识别等模块,本文主要研究图像预处理、车牌定位和字符分割三个模块。
4.1设计方案:
该系统主要是由图像处理和字符识别两部分组成。
其中图像处理部分包括图像预处理、边缘提取模块、牌照的定位以及分割模块。
字符识别部分可以分为字符分割与特征提取和单个字符识别两个模块。
字符识别部分要求照片清晰,但由于该系统的摄像头长时间在室外工作,加上光照条件、摄像头角度和距离、车辆自身条件以及车辆的行驶速度的影响,想拍出较理想的图片很困难。
因此,我们要对摄像头拍摄的图片进行预处理,主要包括图片灰度化和图片边缘提取等。
车牌定位和车牌分割是整个系统的关键,其作用是在经图象预处理后的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。
车牌识别系统的最终目的就是将不清楚的车牌照片进行识别,输出清晰的图片。
现在字符识别的常用方法有模板匹配法和神经网络模型法。
4.2图像预处理
4.2.1图像灰度化:
汽车图像样本目前大都是通过摄像机、数码相机等设备拍摄获取的,因而预处理前的图像都是彩色图像。
真彩色图像又称RGB图像,它是利用R、G、B分量表示一个像素的颜色,R、G、B分别代表红、绿、蓝3种不同的颜色,通过三基色可以合成出任意颜色。
而每个分量有255种值可取,这样一个像素点可以有,1600多万(255*255*255)的颜色的变化范围。
而灰度图像是R、G、B三个分量相同的一种特殊的彩色图像,每一个像素点的变化范围为255种,所以在数字图像处理种一般先将各种格式的图像转变成灰度图像以使后续的图像的计算量变得少一些。
灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级的分布和特征。
所以,对一个尺寸为m*n的彩色图像来说,存储为一个m*n*3的多维数组。
彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低系统的执行速度。
由于图像的每个象素都具有三个不同的颜色分量,存在许多与识别无关的信息,不便于进一步的识别工作,因此在对图像进行识别等处理中,经常将彩色图像转变为灰度图像,以加快处理速度。
数字图像分为彩色图像和灰度图像。
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。
灰度图像就是只有强度信息而没有颜色信息的图像,存储灰度图像只需要一个数据矩阵,矩阵每个元素表示对应位置像素的灰度值。
彩色图像的象素色为RGB(R,G,B),灰度图像的象素色为RGB(r,r,r),R,G,B可由彩色图像的颜色分解获得.而R,G,B的取值范围是0-255,所以灰度的级别只有256级。
对于将彩色图像转换成灰度图像时,目前比较主流的灰度化方法叫平均值法,公式为:
H=0.229R+0.588G+0.144B
公式中H表示灰度图的亮度值;R代表彩色图像红色分量值;G代表色彩图像绿色分量值;B代表彩色图像蓝色分量值。
RGB三分量前的系数为经验加权值。
加权系数的取值建立在人眼的视觉模型之上。
对于人眼较为敏感的绿色取较大的权值;对人眼较为不敏感的蓝色则取较小的权值。
通过该公式转换的灰度图能够比较好地反应原图像的亮度信息。
在MATLAB中我们可以调用im2gray函数对图像进行灰度化处理。
4.2.2图像的边缘检测:
边缘是指图像灰度发生空间突变或者在梯度方向上发生突变的像素的集合。
用摄像机采集到的机动车图像由于受到噪声干扰以及车辆本身的影响,使得获得的图像质量不理想。
因此,在进行对汽车牌照的定位及字符识别之前需要先对车辆图像进行边缘检测处理,提高图像的质量,使其易于后面的分割和识别。
通过良好的边缘检测可以大幅度的降低噪声、分离出复杂环境中的车辆图像、保留完好的车牌字符信息,方便后面的车牌精确定位与字符识别。
由于车牌识别系统摄像头安装位置固定以及机动车车牌的固有属性,我们可以发现机动车车牌图像都处在水平的矩形区域,在图像中位置较为固定,车牌中字符都是按水平方向排列。
因为有这些明显的特征,经过适当的图像变换,可以清晰的呈现出车牌的边缘。
本文采用经典的Roberts边缘检测算子来对图像进行边缘检测。
灰度化和边缘检测的MATLAB程序如下:
I=imread('D:
\chepaihao\yu.jpg');
figure
(1),imshow(I);title('yu')
I1=rgb2gray(I);
figure
(2),subplot(1,2,1),imshow(I1);title('灰度图');
figure
(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');
I2=edge(I1,'roberts',0.08,'both');
figure(3),imshow(I2);title('robert算子边缘检测')
图4.1原图
图4.2灰度图
图4.3Robert算子边缘检测
4.3车牌定位和分割
该系统的摄像头拍摄的图片是整个机动车的图片,而只有车牌部分是对系统有用的。
所以我们要对照片进行车牌定位和分割。
车牌的定位和分割是从经过图像预处理后的灰度图像中确定牌照位置,并将车牌部分从整个图像中分割出来,从而进行字符识别。
车牌图像的灰度图的车牌部分是一个水平度很高的长方形图样,在原图中比较集中,且灰度值和周围图样有明显差异,因此很容易用边缘检测来对图像进行分割。
车牌定位和分割的准确度直接关系到最后的字符识别的质量。
图4.4车牌定位流程图
4.3.1车牌定位
机动车图像经过灰度化和边缘检测的处理后,边缘得到了加强,牌照区域已经非常明显。
本文采用的是用数学形态学来进行图像处理和模式识别。
数学形态学用具有一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的,能有效的去除噪声,保留图像原有信息的同时提取的边缘比较平滑,提取的图像骨架也比较连续,断点少。
现在我们将经过预处理的图像进行图像腐蚀以及去除杂质,就可以得到相对准确的车牌位置。
图4.5腐蚀后的图像
图4.6平滑图像的轮廓
图4.7从对象中移除小对象后图像
4.3.2车牌分割
车牌字符分割是车牌自动识别系统中的重要步骤,这一模块的正确性受到很多因素的影响,最大问题是二值化不彻底使投影图像中字符间的波谷不够分明;其次,车牌污损、反光、光照不均等原因使车牌图像交差,存在大量噪声;再次,车牌边框和铆钉也会造成分割不正确;还有车牌的前两个字符和后面五个字符之间的间隔符(小圆点)对字符识别有影响;车牌旋转对水平分割有较大影响。
本文车牌部分的分割采用的是利用车牌彩色信息的彩色分割法。
使用统计彩色像素点的方法分割出车牌区域,确定车牌底色蓝色RGB对应的灰度范围,然后统计在行方向的颜色范围内的像素点数量,确定车牌在行方向的区域。
然后,在分割出的行区域内,统计列方向蓝色像素点的数量,最终确定完整的车牌区域。
图4.8车牌对位的图像
4.3.3对定位后的彩色车牌的进一步处理
定位后车牌图像是彩色的,会占用较大的存储空间,加重计算机负担。
且车辆图片不可避免存在噪声,所以要对图像进行灰度化,二值化以及滤波处理。
图像的二值化处理就是将图像上的点的灰度置为两个数值,通常为0或255,使整个图像呈现出明显的黑白效果。
也就是将256个亮度等级的灰度图像通过适当的门限值选取而获得仍然可以反映图像整体和局部特征的二值化图像。
滤波则是为了除去图像噪声。
滤波方法有多种,本文采取的滤波方法为均值滤波。
均值滤波是典型的线性滤波算法,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。
图4.9车牌的进一步处理
4.4字符分割与归一化
图4.10字符分割和归一化流程图
4.4.1字符分割
在汽车牌照自动识别过程中,字符分割有承前启后的作用。
它在前期牌照定位的基础上进行字符的分割,然后再利用分割的结果进行字符识别。
将得到的车牌区域图像进行二值化处理后,对图像进行垂直投影,投影图上有明显的类似于峰谷的波形起伏变化,通过对投影图上的波形从左向右进行扫描,根据谷和峰的特征就可以判断出每个字符的位置;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。
4.4.2字符归一化处理
由于数码相机拍摄的汽车图像大小不一样,所以得到的牌照上的字符大小就不一样,为了便于字符的识别,需要对字符进行归一化处理。
归一化处理的目的就是使车牌字符同标准模块里面的字符特征一样。
而大小归一是指在长度和宽度方向上分别乘以一个比例因子,使其等于标准模块的字符大小,本文采用的大小归一的方法是分别从水平投影和垂直投影两个方向上对字符象素的大小进行归一化处理。
图4.12字符归一化后的图像
4.5字符的识别
字符的识别目前用于车牌字符识别(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神经网络的OCR算法。
基于模板匹配的OCR的基本过程是:
首先对待识别字符进行二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,最后选最佳匹配作为结果。
模板匹配的主要特点是实现简单,当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。
综合模板匹配的这些优点我们将其用为车牌字符识别的主要方法。
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。
图4.13字符识别流程图
此处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。
汽车牌照的字符一般有七个,大部分车牌第一位是汉字,通常代表车辆所属省份,或是军种、警别等有特定含义的字符简称;紧接其后的为字母与数字。
车牌字符识别与一般文字识别在于它的字符数有限,汉字共约50多个,大写英文字母26个,数字10个。
所以建立字符模板库也极为方便。
为了实验方便,结合本次设计所选汽车牌照的特点,只建立了4个数字26个字母与10个数字的模板。
其他模板设计的方法与此相同。
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,即为识别出来的结果。
五、测试和调试
在得到这个结果之前,需要对车牌图像进行预处理、车牌定位、车牌分割等处理。
由于摄像部分多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。
预处理包括灰度化、车牌校正、平滑处理等。
对于光照条件不理想的图象,可先进行一次图象增强处理,使得图象灰度动态范围扩展和对比度增强,再进行定位和分割,这样可以提高分割的正确率。
在本文中根据采集到的图像本身的特点,对它进行了灰度化的处理。
因为彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低系统的执行速度,因此将彩色图像转化为灰度图像,以缩短处理速度。
图像中车辆牌照是具有比较显著特征的一块图象区域,这此特征表现在:
近似水平的矩形区域;其中字符串都是按水平方向排列的;在整体图象中的位置较为固定。
正是由于牌照图象的这些特点,再经过适当的图象变换,它在整幅中可以明显地呈现出其边缘,于是对其边缘提取,此处边缘的提取采用的是Roberts算子。
在定位模块。
本文采用的是车牌颜色与数学形态学相结合的定位方法。
首先,将预处理后的图像用数学形态学的方法进行处理。
数学形态学的应用可以简化图像数据,保持它们基本的形态特征,并除去不相干的结构。
本文中对图像进行了腐蚀、平滑处理,腐蚀和平滑都具有滤波的作用,腐蚀是对图像内部做滤波处理,平滑是对噪声进行滤波。
这样可以把字符与字符之间的杂色点去除,只有白色的字符和黑色的背景存在,这样有利于的字符分割进行。
最后还用了bwareaopen来去除对象中不相干的小对象。
再根据车牌底色等有关的先验知识,采用彩色像素点统计的方法,先确定行方向的车牌区域,再确定列方向的区域,得出最终的车牌区域。
车牌分割即把车牌的整体区域分割成单字符区域,具有承上启下的作用。
其难点在于噪声合字符粘连,断裂对字符的影响,因此必须先将定位后的车牌进一步处理。
包括灰度化、二值化、均值滤波、膨胀或腐蚀处理。
分割采用的方法为寻找连续有文字的块,若长度大于某阈值T,则认为该块有两个字符组成,需要分割。
为满足下一步字符识别的需要,将分割后的字符归一化。
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。
模板的制作很重要,必须要用精确的模板,否则就不能正确的识别。
对于识别错误情况的分析可知,主要原因:
一是牌照自身的污渍等影响了图象的质量;二是牌照字符的分割失败导致的识别错误;再就是部分字符的形状相似性,比如,B和8;A和4等字符识别结果可能发生混淆的情况。
总之,尽管目前牌照字符的识别率还不理想,但是只要在分割出的字符的大小、位置的归一化,以及尝试提取分类识别能力更好的特征值和设计分类器等环节上再完善,进一步提高识别率是完全可行的。
在运行代码过程中,发现代码中有两个函数qiege()和getword()没有定义,需要自己去定义,下面是定义这两个函数的调试代码:
六、课程设计总结与体会
本文总结了国内外现在常用的多种车牌定位算法,分析了我国车辆牌照的特点,并进行了综合分析,根据各种定位算法的优缺点和车辆牌照的某些特征,采用独特的定位算法思路和实现方式。
本系统综合利用了数字图像处理技术中的多种图像处理算法,针对系统所面临的各种问题采用了多样的解决方法,达到了预期的目的。
该系统能有效的对车辆图像进行分析处理,能高速准确的对车辆牌照区域进行定位并输出定位信息。
本系统使用面向对象技术编程实现,并进行了大量的实际测试。
在测试中通过不断的优化和改进,能够达到较满意的人机交流效果,具有速度快、准确率高、适应性好的特点。
在系统的设计和编程实现过程中,通过对多门课程如数字图像处理、数学形态学等的自学,了解数字图像处理方面的知识,熟悉和掌握了VC++编程和调试的基本技巧以及相关软件工程方面的知识,提高了自己的综合能力。
参考文献
[1]陶军.车牌识别技术研究与实现[D].南京:
南京理工大学硕士学位论文,2004.
[2]徐慧.VisualC++数字图像实用工程案例精选[M].北京:
人民邮电出版社,2004.
[3]胡强.基于特征信息车牌识别系统的研究[D].成都:
西南交通大学研究生学位论文,2004.
[4]章毓晋.图像处理和分析[M].北京:
清华大学出版社,1999.
[5]丁兆坤.车牌识别技术研究[D].沈阳:
东北大学硕士学位论文,2004.
[6]何斌,马天予,王运坚等.VisualC++数字图像处理[M].北京:
人民邮电出版社,2001.
[7]贾云得.机器视觉[M].北京:
科学出版社,2000.
[8]冈萨雷斯著,阮秋琦、阮宇智译.数字图像处理[M].北京:
电子工业出版社,2003.
[9]宋坤,刘锐宇,李伟明.MFC程序开发参考大全[M].北京:
人民邮电出版社,2007.
[10]孙兴征.车牌识别系统中的牌照定位分割技术研究[D].重庆:
重庆大学硕士学位论文,2004.
[11]郭克新.VisualC++代码参考与技巧大全[M].北京:
电子工业出版社,2008.
[12]屈磊,李媛媛.VisualC++开发入门与编程实践[M].北京:
电子工业出版社,2007.
[13]邱仲潘,柯渝,谢燕华.VisualC++6从入门到精通[M].北京:
电子工业出版社,2005.
[14]李言,李伟明,李贺.VisualC++项目开发全程实录[M].北京:
清华大学出版社,2008.
[15]车牌识别产品评
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 利用 MATLAB 车牌 识别 系统