车牌照自动识别系统

车牌照自动识别系统 北京航空航天大学 车牌自动识别系统 数字图像处理与识别课程实验 38173106 杨继光 2011/6/16 [在此处键入文档摘要。摘要通常为文档内容的简短概括。在此处键入文档摘要。摘要通常为文档内容的简短概括。] 《图像处理与识别》实验报告 车牌识别实验 车牌识别系统 摘 要:利用MATLAB工具进行车牌字符的识别，从而熟悉数字图像处理的基本方法和原理，加深对课本知识的认识。本报告对车牌识别系统的实现思路和具体算法按步骤做出了说明，但实验是一步步做的，因此并没有对整个大的实验程序进行整理。 引言: 近年来，汽车车牌识别问题己成为现代交通领域中研究的重点和热点问题之一，车辆牌照识别系统可用于一切需要对车辆进行管理的场合，比如公路收费站、停车场、十字路口等交通关卡等处，对于道路交通、园区和停车场车辆管理具有巨大的经济价值和现实意义。将图像通过视频采集卡输入计算机进行预处理，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，归一化后输入字符识别系统进行识别，这样一连串过程是车牌识别系统较为成熟思路。 系统组成模块 汽车车牌的识别过程主要包括车牌定位、车牌字符分割和车牌字符识别三个关键环节。 图像预处理 边缘提取 车牌定位 字符分割 字符匹配识别 形态学运算 投影检测 Cany算子 最小距离分滤波 类器 边界增强 具体实验过程: (一) 车牌的分割思路: 对采集到的图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选 区，然后对这些侯选区域做进一步、评判，最后选定一个最佳的区域作为牌照 区域，并将其从图像中分割出来。 Figure 1原图 - 1 - 《图像处理与识别》实验报告 车牌识别实验 A=imread('*.jpg'); I= rgb2gray(A); %转换成灰度图 figure,imshow(I),title('黑白图像'); Figure 2 灰度图 s=strel('disk',20);%strei函数 B=imopen(I,s);%打开图像 figure,imshow(B,[]),title('背景图 像'); %得到背景 Figure 3 取背景 C=imsubtract(I,B);%两幅图相减 figure,imshow(C),title('增强后的 黑白图像'); Figure 4 增强后的图像 thresh=graythresh(I); bw=im2bw(I,thresh);% matlab自 适应阈值二值化 imshow(bw); Figure 5二值化 G=fspecial('log',5,0.5); Gg=imfilter(I,G,'corr','replicate');%Log算子锐化处理 figure,imshow(uint8(abs(Gg)),[]); grd=edge(Gg,'canny');%用canny算子识别边界 figure,imshow(grd),title('边缘提取');%输出图像边缘 Figure 6取边缘 - 2 - 《图像处理与识别》实验报告 车牌识别实验 bg1=imclose(grd,strel('rectangle',[5 ,15]));%取矩形框的闭运算 figure,imshow(bg1);title('图像闭 运算[5,15]');%输出闭运算的图像 Figure 7形态学运算1 bg3=imopen(bg1,strel('rectangle',[ 5,15]));%取矩形框的开运算 figure,imshow(bg3);title('图像开 运算[5,15]');%输出开运算的图像 Figure 8形态学运算2 bg2=imopen(bg3,strel('rectangle',[ 20,1]));%取矩形框的开运算 figure,imshow(bg2);title('图像开 运算[20,1]');%输出开运算的图像 取长宽 >> D.BoundingBox; 比接近3Figure 9形态学运算3 >> D.BoundingBox 的 ans = 虽然9号图显示的为D=regionprops(L,'area','Boundin 0.5000 0.5000 698.0000 三个连通区域，但用软gBox','ConvexHull'); 398.0000 件识别时为5个。 D.Area ans = 舍去过 >> [L ans = 202.5000 110.5000 88.0000 大区域 num]=bwlabel(It2,8); 130933 46.0000 >> num ans = ans = num = 3004 311.5000 189.5000 107.0000 ans = 41.0000 5 4034 ans = ans = 371.5000 23.5000 22.0000 286 13.0000 ans = ans = 4280 434.5000 116.5000 123.0000 46.0000 - 3 - 《图像处理与识别》实验报告 车牌识别实验 [Q W E R T]=D.ConvexHull; k=K(189:189+41,311:311+107); >> size(Q) >> imshow(k); ans = >> 去掉边 2193 2 k=K(189-5:189+41-5,311-6:311+107-6); 缘 >> size(W) >> imshow(k); ans = >> 取形状 112 2 k=K(189+5:189+41-5,311+6:311+107-6); 规则的 >> size(E) >> imshow(k); ans = >> 140 2 k=K(189+8:189+41-8,311+6:311+107-6); >> size(R) >> imshow(k); ans = >> 71 2 k=K(189+11:189+41-8,311+6:311+107-6); >> size(T) >> imshow(k); ans = 194 2 Figure 10分割所得车牌 (二) 字符分割投影法: 分割出来并大小归一化为16*8模板字符 像素大小的字符 分割字符取骨架细化 模板归一化并取骨架 - 4 - 《图像处理与识别》实验报告 车牌识别实验 (三)字符识别思路: 模板字符与待识别字符图像分别存储为一维特征向量，并组合成模板向量空间和待 识别字符向量空间，用待识别字符的向量分别与模板向量空间中的向量求距离，最 短者为识别字符。 本例中模板与待识别字符均归一化为16*8像素大小，因此每个特征向量是1*128 维度大小，各自组成的向量空间为6*128维度大小。 两个向量空间存储字符顺序一致，为A，9,8,5,3,2;由以下程序看出最终识别结果 class应该是class=[1,2,3,4,5,6],最终结果为class=[1,2,1,4,4,6],分析得出8,3没有得到 有效识别。 过程如下: 骨骼细化并取特征向量 a=imread('.jpg'); thresh=graythresh(a); b=im2bw(a,thresh);% matlab自适应阈 值二值化 subplot(1,3,1);imshow(b); s=imresize(b,[16 8]);%变换为22行*14列标 准子图 subplot(1,3,2);imshow(s); c=bwmorph(s,'skel',2); subplot(1,3,3);imshow(c); m1=c(:); 识别环节: Figure 11结果图 class=zeros(1,6); for ii=1:6 for jj=1:6 h(jj)=norm(m(ii,:)-d(jj,:)); end [minjuli class(ii)]=min(h); end 结论: 本系统在MATLAB环境下实现车牌字符的识别，从实验结果上分析，该算法可实现较好的车牌定位，但是如果遇到图像不清晰，环境条件复杂时，用形态学算法定位时会找到大量的连通区域，不容易找到车牌。车牌最后的识别环节准确率不高，可能是字符归一化后太小或者方法本身不适合。整个实验并没有完整的代码，绕过了编大段代码的困难，采取一步步进行，写短代码的方式，因此完成并不是太好，但确实理解了图像处理背后的原理，加深了对课程的认识。 - 5 -