《matlab汽车牌照识别程序综合设计方案 .docx》由会员分享，可在线阅读，更多相关《matlab汽车牌照识别程序综合设计方案 .docx（14页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、精品名师归纳总结封面可编辑资料 - - - 欢迎下载精品名师归纳总结作者： PanHongliang仅供个人学习基于 matlab 的汽车牌照识别程序综合设计摘要：本次作业的任务是设计一个基于matlab的汽车牌照识别程序，能够实现车牌图像预处理，车牌定位，字符分割，然后通过神经网络对车牌进行字符识别，最终从一幅图像中提取车牌中的字母和数字，给出文本形式的车牌号码。关键词：车牌识别， matlab，神经网络可编辑资料 - - - 欢迎下载精品名师归纳总结1 引言随着我国交通运输的不断进展，智能交通系统（Intelligent Traffic System ，简称 ITS ） 的推广变的越来越重
2、要，而作为ITS 的一个重要组成部分，车辆牌照识别系统（vehicle license plate recognition system ，简称 LPR）对于交通治理、治安惩处等工作的智能化起着特别重要的作用。它可广泛应用于交通流量检测，交通把握于诱导，机场，港口，小区的车辆治理，不停车自动收费，闯红灯等违章车辆监控以及车辆安全防盗等领域，具有宽敞的应用前景。由于牌照是机动车辆治理的唯独标识符号，因此，车辆牌照识别系统的争论在机动车治理方面具有特别重要的实际意义。2 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：将摄像头拍照到的包含车辆牌照的图像通过视频卡输入到运算机中进行预处理，
3、再由检索模块对牌照进行搜寻、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，输出就为车牌号码的数字。3 车辆牌照识别系统组成（1） 图像预处理：对汽车图像进行图像转换、图像增强和边缘检测等。（2） 车牌定位：从预处理后的汽车图像中分割出车牌图像。即在一幅车辆图像中找到车牌所在的位置。（3） 字符分割：对车牌图像进行几何校正、去噪、二值化以及字符分割以从车牌图像中分别出组成车牌号码的单个字符图像（4） 字符识别：对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号
4、码。4 汽车牌照识别系统的 matlab实现4.1 图像预处理与车牌定位输入的彩色图像包含大量颜色信息，会占用较多的储备空间，且处理时也会降低系统的执行速度，因此对图像进行识别等处理时，常将彩色图像转换为灰度图像，以加快处理速度。对图像进行灰度化处理、边缘提取、再利用外形学方法对车牌进行定位。具体步骤如下：第一对图像进行灰度转换，二值化处理然后接受4X1 的结构元素对图像进行腐蚀， 去除图像的噪声。接受25X25 的结构元素，对图像进行闭合应算使车牌所在的区域形成连通。在进行外形学滤波去除其它区域。I=imreadDSC01344.jpg 。%读取图像figure 。 subplot3,2,1
5、,imshowI, title 原始图像 。I1=rgb2grayI 。%转化为灰度图像subplot3,2,2,imshowI1,title 灰度图像 。I2=edgeI1,robert,0.09,both 。% 接受 robert算子进行边缘检测subplot3,2,3,imshowI2,title 边缘检测后图像 。可编辑资料 - - - 欢迎下载精品名师归纳总结se=1。1。1 。%线型结构元素I3=imerodeI2,se 。%腐蚀图像subplot3,2,4,imshowI3,title 腐蚀后边缘图像 。se=strelrectangle,25,25 。矩形结构元素I4=imcl
6、oseI3,se 。%图像聚类、填充图像subplot3,2,5,imshowI4,title 填充后图像 。I5=bwareaopenI4,2000 。%去除聚团灰度值小于 2000的部分subplot3,2,6,imshowI5,title 外形滤波后图像 。% 求的车牌的行起始位置和终止位置% y,x,z=sizeI5 。I6=doubleI5 。Y1=zerosy,1 。for i=1:yfor j=1:xifI6i,j,1=1Y1i,1= Y1i,1+1 。endend endtemp MaxY=maxY1 。figure 。subplot3,2,1,plot0:y-1,Y1,tit
7、le行方向像素点灰度值累计和,xlabel 行值,ylabel 像素。PY1=MaxY 。while Y1PY1,1=50&PY11 PY1=PY1-1 。endPY2=MaxY 。while Y1PY2,1=50&PY2y PY2=PY2+1 。end IY=IPY1:PY2,:,: 。% 求的车牌的列起始位置和终止位置%X1=zeros1,x 。for j=1:xfor i=PY1:PY2ifI6i,j,1=1X11,j= X11,j+1 。可编辑资料 - - - 欢迎下载精品名师归纳总结endendendsubplot3,2,2,plot0:x-1,X1,title列方向像素点灰度值累计
8、和,xlabel 列值,ylabel 像数。PX1=1 。while X11,PX13&PX1x PX1=PX1+1 。endPX2=x 。while X11,PX2PX1 PX2=PX2-1 。endPX1=PX1-1 。PX2=PX2+1 。%分割出车牌图像 %dw=IPY1:PY2,PX1:PX2,: 。subplot3,2,3,imshowdw,title 定位剪切后的彩色车牌图像4.2 车牌字符分割确定车牌位置后下一步的任务就是进行字符切分分别出车牌号码的全部字符图像。if isrgbII1 = rgb2grayI 。%将RGB 图像转化为灰度图像elseI1=I。 endg_max
9、=doublemaxmaxI1 。g_min=doubleminminI1。T=roundg_max-g_max-g_min/3 。 % T 为二值化的阈值m,n=sizeI1 。% d:二值图像%h=graythreshI1 。I1=im2bwI1,T/256 。subplot3,2,4。imshowI1,title 二值化车牌图像 。I2=bwareaopenI1,20 。subplot3,2,5。imshowI2,title 外形学滤波后的二值化图像。y1,x1,z1=sizeI2 。I3=doubleI2 。TT=1 。% 去除图像顶端和底端的不感爱好区域%Y1=zerosy1,1 。
10、for i=1:y1 for j=1:x1ifI3i,j,1=1可编辑资料 - - - 欢迎下载精品名师归纳总结Y1i,1= Y1i,1+1。endend endPy1=1。Py0=1。while Y1Py0,120&Py0=20&Py1y1Py1=Py1+1 。end I2=I2Py0:Py1,:,: 。subplot3,2,6。imshowI2,title 目标车牌区域 。% 分割字符按行积存量 %X1=zeros1,x1 。for j=1:x1 for i=1:y1ifI3i,j,1=1X11,j= X11,j+1 。endend end figure5 。plot0:x1-1,X1,t
11、itle 列方向像素点灰度值累计和,xlabel 列值,ylabel 累计像素量 。Px0=1。Px1=1。% 分割字符 %for i=1:7while X11,Px03&Px0=3&Px1x1|Px1-Px010Px1=Px1+1。 end Z=I2:,Px0:Px1,: 。switch strcatZ,num2stri case Z1PIN0=Z 。可编辑资料 - - - 欢迎下载精品名师归纳总结case Z2PIN1=Z 。case Z3PIN2=Z 。case Z4PIN3=Z 。case Z5PIN4=Z 。case Z6PIN5=Z 。otherwise PIN6=Z 。endfi
12、gure3 。subplot1,7,i 。imshowZ 。Px0=Px1。End4.3 车牌字符识别字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法是第一将分割后的字符二值化,并将其尺寸缩放为字符数据库中模板的大小，然后与全部模板进行匹配，最终选取正确匹配作为结果。建立数字库对该方法在车牌识别过程中很重要, 数字库精确才能保证检测出的数据正确。基于人工神经元网络的算法有两种，一种是先对特点提取待识别字符，然后用所获得的特点训练神经网络支配器。另一种是直接将待处理图像输入网络由网络自动实现特点提取直至识别结果。在本程序中用基于人工神经元网络识别车牌字符。在车牌字符识别
13、部分, 字符集中包含约 50个汉字 , 26个大写英文字母及10个阿拉伯数字。总的字符样本并不太多。4.3.1 构造训练样本如下图所示的数字和字母，将样本进行归一化为 50X20 大小，再将图像按列转换成一个1000X1 的行向量，将上述18个图像的样本排列在一起构成1000X18 的矩阵样本，尽可能多的采集汽车图像提取车牌，部分切分出车牌字符，构造出更多1000X18 的矩形样本，用构造好的样本库对神经网络进行训练。function inpt = pretreatmentI%YUCHULI Summary of this function goes here%Detailed explana
14、tion goes here if isrgbII1 = rgb2grayI 。elseI1=I 。endI1=imresizeI1,50 20 。%将图片统一划为 50*20 大小可编辑资料 - - - 欢迎下载精品名师归纳总结I1=im2bwI1,0.9 。m,n=sizeI1 。inpt=zeros1,m*n 。% 将图像按列转换成一个行向量for j=1:nfor i=1:minpt1,m*j-1+i=I1i,j。end end4.3.2 构造输入样本，按同样的方法，将前面分割出的样本归一化。4.3.3 神经网络进行识别。close all。clear all 。% 归一化训练样本 %
15、I0=pretreatmentimread0.jpg 。I1=pretreatmentimread1.jpg 。I2=pretreatmentimread2.jpg 。I3=pretreatmentimread3.jpg 。I4=pretreatmentimread4.jpg 。I5=pretreatmentimread5.jpg 。I6=pretreatmentimread6.jpg 。I7=pretreatmentimread7.jpg 。I8=pretreatmentimread8.jpg 。I9=pretreatmentimread9.jpg 。I10=pretreatmentimre
16、adA.jpg 。I11=pretreatmentimreadC.jpg 。I12=pretreatmentimreadG.jpg 。I13=pretreatmentimreadL.jpg 。I14=pretreatmentimreadM.jpg 。I15=pretreatmentimreadR.jpg 。I16=pretreatmentimreadH.jpg 。I17=pretreatmentimreadN.jpg 。P=I0,I1,I2,I3,I4,I5,I6,I7,I8,I9,I10,I11,I12,I13,I14,I15,I16,I17。%输出样本 % T=eye18,18 。%bp
17、神经网络参数设置net=newffminmaxP,1000,32,18,logsig,logsig,logsig,trainrp。net.inputWeights1,1.initFcn =randnr。 net.layerWeights2,1.initFcn =randnr。 net.trainparam.epochs=5000。net.trainparam.show=50 。%net.trainparam.lr=0.003 。net.trainparam.goal=0.0000000001 。可编辑资料 - - - 欢迎下载精品名师归纳总结net=initnet 。% 训练样本 % net,
18、tr=trainnet,P,T 。% 测试 %I=imreadDSC01323.jpg 。I=imreadDSC01344.jpg 。dw=locationI 。%车牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplitdw。%字符分割及处理% 测试字符，得到识别数值% PIN0=pretreatmentPIN0 。PIN1=pretreatmentPIN1 。PIN2=pretreatmentPIN2 。PIN3=pretreatmentPIN3 。PIN4=pretreatmentPIN4 。PIN5=pretreatmentPIN5 。PIN6
19、=pretreatmentPIN6 。P0=PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6。for i=2:7T0= simnet ,P0:,i 。T1 = compet T0 。d =findT1 = 1 - 1if d=10 str=A 。elseif d=11 str=C。elseif d=12str=G。elseif d=13 str=L 。elseif d=14 str=M 。elseif d=15 str=R。elseif d=16 str=H。elseif d=17str=N。elsestr=num2strd 。endswitch icase 2str1=s
20、tr。case 3可编辑资料 - - - 欢迎下载精品名师归纳总结str2=str。case 4str3=str。case 5str4=str。case 6str5=str。otherwisestr6=str。end end% 显示定位后的分割出的车牌彩图，% 识别结果以标题形式显示在图上% s=strcat渝,str1,str2,str3,str4,str5,str6。figure 。imshowdw,titles 。参考文献：版权申明本文部分内容，包括文字、图片、以及设计等在网上搜集整理。版权为潘宏亮个人全部This article includes some parts, includi
21、ng text,pictures, and design. Copyright is Pan Hongliangs personalownership.用户可将本文的内容或服务用于个人学习、争论或观看，以及其他非商业性或非盈利性用途，但同时应遵守著作权法及其他相关法律的规定，不得侵害本网站及相关权益人的合法权益。除此以外，将本文任何内容或服务用于其他用途时，须征得本人及相关权利人的书面许可，并支付酬劳。Users may use the contents or services of thisarticle for personal study, research or appreciatio
22、n, and可编辑资料 - - - 欢迎下载精品名师归纳总结other non-commercial or non-profit purposes, but at the same time, they shall abide by the provisions of copyright law and other relevant laws, and shall not infringe upon the legitimate rights of this website and its relevant obligees. In addition, when any content or
23、service of this article is used for other purposes, written permission and remuneration shall be obtained from the person concerned and the relevant obligee.转载或引用本文内容必需是以新闻性或资料性公共免费信息为使用目的的合理、善意引用，不得对本文内容原意进行曲解、修 改，并自负版权等法律责任。Reproduction or quotation of the content of this article must be reasonable and good-faith citation for the use of news or informative public free information. It shall not misinterpret or modify the original intention of the content of this article, and shall bear legal liability such as copyright.可编辑资料 - - - 欢迎下载