基于matlab的汽車牌照識(shí)別程序

1、基于matlab的汽車牌照識(shí)別程序摘要：本次作業(yè)的任務(wù)是設(shè)計(jì)一個(gè)基于matlab的汽車牌照識(shí)別程序，能夠?qū)崿F(xiàn)車牌圖像預(yù)處理，車牌定位，字符分割，然后通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)車牌進(jìn)行字符識(shí)別，最終從一幅圖像中提取車牌中的字母和數(shù)字，給出文本形式的車牌號(hào)碼。關(guān)鍵詞：車牌識(shí)別，matlab，神經(jīng)網(wǎng)絡(luò)1 引言隨著我國(guó)交通運(yùn)輸?shù)牟粩喟l(fā)展，智能交通系統(tǒng)（Intelligent Traffic System，簡(jiǎn)稱ITS）的推廣變的越來(lái)越重要，而作為ITS的一個(gè)重要組成部分，車輛牌照識(shí)別系統(tǒng)（vehicle license plate recognition system，簡(jiǎn)稱LPR）對(duì)于交通管理、治安處罰等工作的智能

2、化起著十分重要的作用。它可廣泛應(yīng)用于交通流量檢測(cè)，交通控制于誘導(dǎo)，機(jī)場(chǎng)，港口，小區(qū)的車輛管理，不停車自動(dòng)收費(fèi)，闖紅燈等違章車輛監(jiān)控以及車輛安全防盜等領(lǐng)域，具有廣闊的應(yīng)用前景。由于牌照是機(jī)動(dòng)車輛管理的唯一標(biāo)識(shí)符號(hào)，因此，車輛牌照識(shí)別系統(tǒng)的研究在機(jī)動(dòng)車管理方面具有十分重要的實(shí)際意義。2 車輛牌照識(shí)別系統(tǒng)工作原理車輛牌照識(shí)別系統(tǒng)的基本工作原理為：將攝像頭拍攝到的包含車輛牌照的圖像通過(guò)視頻卡輸入到計(jì)算機(jī)中進(jìn)行預(yù)處理，再由檢索模塊對(duì)牌照進(jìn)行搜索、檢測(cè)、定位，并分割出包含牌照字符的矩形區(qū)域，然后對(duì)牌照字符進(jìn)行二值化并將其分割為單個(gè)字符，然后輸入JPEG或BMP格式的數(shù)字，輸出則為車牌號(hào)碼的數(shù)字。3 車輛牌

3、照識(shí)別系統(tǒng)組成（1）圖像預(yù)處理：對(duì)汽車圖像進(jìn)行圖像轉(zhuǎn)換、圖像增強(qiáng)和邊緣檢測(cè)等。（2）車牌定位：從預(yù)處理后的汽車圖像中分割出車牌圖像。即在一幅車輛圖像中找到車牌所在的位置。（3）字符分割：對(duì)車牌圖像進(jìn)行幾何校正、去噪、二值化以及字符分割以從車牌圖像中分離出組成車牌號(hào)碼的單個(gè)字符圖像（4）字符識(shí)別：對(duì)分割出來(lái)的字符進(jìn)行預(yù)處理（二值化、歸一化），然后分析提取，對(duì)分割出的字符圖像進(jìn)行識(shí)別給出文本形式的車牌號(hào)碼。4 汽車牌照識(shí)別系統(tǒng)的matlab實(shí)現(xiàn)4.1 圖像預(yù)處理與車牌定位輸入的彩色圖像包含大量顏色信息，會(huì)占用較多的存儲(chǔ)空間，且處理時(shí)也會(huì)降低系統(tǒng)的執(zhí)行速度，因此對(duì)圖像進(jìn)行識(shí)別等處理時(shí)，常將彩色圖像轉(zhuǎn)

4、換為灰度圖像，以加快處理速度。對(duì)圖像進(jìn)行灰度化處理、邊緣提取、再利用形態(tài)學(xué)方法對(duì)車牌進(jìn)行定位。具體步驟如下：首先對(duì)圖像進(jìn)行灰度轉(zhuǎn)換，二值化處理然后采用4X1的結(jié)構(gòu)元素對(duì)圖像進(jìn)行腐蝕，去除圖像的噪聲。采用25X25的結(jié)構(gòu)元素，對(duì)圖像進(jìn)行閉合應(yīng)算使車牌所在的區(qū)域形成連通。在進(jìn)行形態(tài)學(xué)濾波去除其它區(qū)域。I=imread('DSC01344.jpg');%讀取圖像figure(); subplot(3,2,1),imshow(I), title('原始圖像');I1=rgb2gray(I);%轉(zhuǎn)化為灰度圖像subplot(3,2,2),imshow(I1),title(

5、'灰度圖像');I2=edge(I1,'robert',0.09,'both');%采用robert算子進(jìn)行邊緣檢測(cè)subplot(3,2,3),imshow(I2),title('邊緣檢測(cè)后圖像');se=1;1;1;%線型結(jié)構(gòu)元素I3=imerode(I2,se); %腐蝕圖像subplot(3,2,4),imshow(I3),title('腐蝕后邊緣圖像');se=strel('rectangle',25,25);矩形結(jié)構(gòu)元素I4=imclose(I3,se);%圖像聚類、填充圖像subplo

6、t(3,2,5),imshow(I4),title('填充后圖像');I5=bwareaopen(I4,2000);%去除聚團(tuán)灰度值小于2000的部分subplot(3,2,6),imshow(I5),title('形態(tài)濾波后圖像');y,x,z=size(I5);I6=double(I5); Y1=zeros(y,1); for i=1:y for j=1:x if(I6(i,j,1)=1) Y1(i,1)= Y1(i,1)+1; end end end temp MaxY=max(Y1); figure(); subplot(3,2,1),plot(0:y-

7、1,Y1),title('行方向像素點(diǎn)灰度值累計(jì)和'),xlabel('行值'),ylabel('像素'); %求的車牌的行起始位置和終止位置% PY1=MaxY; while (Y1(PY1,1)>=50)&&(PY1>1) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)>=50)&&(PY2<y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6

8、(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(3,2,2),plot(0:x-1,X1),title('列方向像素點(diǎn)灰度值累計(jì)和'),xlabel('列值'),ylabel('像數(shù)');%求的車牌的列起始位置和終止位置% PX1=1; while (X1(1,PX1)<3)&&(PX1<x) PX1=PX1+1; end PX2=x; while (X1(1,PX2)<3)&&(PX2>PX1) PX2=PX2-1; end PX1=P

9、X1-1; PX2=PX2+1;%分割出車牌圖像%dw=I(PY1:PY2,PX1:PX2,:); subplot(3,2,3),imshow(dw),title('定位剪切后的彩色車牌圖像')4.2 車牌字符分割確定車牌位置后下一步的任務(wù)就是進(jìn)行字符切分分離出車牌號(hào)碼的全部字符圖像。if isrgb(I) I1 = rgb2gray(I); %將RGB圖像轉(zhuǎn)化為灰度圖像else I1=I；endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_max-(g_max-g_min)/3); % T 為二值化的閾

10、值m,n=size(I1);% d:二值圖像%h=graythresh(I1);I1=im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title('二值化車牌圖像');I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title('形態(tài)學(xué)濾波后的二值化圖像');y1,x1,z1=size(I2);I3=double(I2);TT=1;%去除圖像頂端和底端的不感興趣區(qū)域%Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1)=1) Y1(i

11、,1)= Y1(i,1)+1 ; end end endPy1=1;Py0=1;while (Y1(Py0,1)<20)&&(Py0<y1) Py0=Py0+1;endPy1=Py0; while(Y1(Py1,1)>=20)&&(Py1<y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title('目標(biāo)車牌區(qū)域');% 分割字符按行積累量%X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1)

12、X1(1,j)= X1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title('列方向像素點(diǎn)灰度值累計(jì)和'),xlabel('列值'),ylabel('累計(jì)像素量');Px0=1;Px1=1;%分割字符%for i=1:7 while (X1(1,Px0)<3)&&(Px0<x1) Px0=Px0+1; end Px1=Px0; while (X1(1,Px1)>=3)&&(Px1<x1)|(Px1-Px0)<10) Px1=Px1+1;

13、 end Z=I2(:,Px0:Px1,:); switch strcat('Z',num2str(i) case 'Z1' PIN0=Z; case 'Z2' PIN1=Z; case 'Z3' PIN2=Z; case 'Z4' PIN3=Z; case 'Z5' PIN4=Z; case 'Z6' PIN5=Z; otherwise PIN6=Z; end figure(3); subplot(1,7,i); imshow(Z); Px0=Px1;End4.3 車牌字符識(shí)別字符

14、識(shí)別方法主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法。基于模板匹配算法是首先將分割后的字符二值化,并將其尺寸縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有模板進(jìn)行匹配，最后選取最佳匹配作為結(jié)果。建立數(shù)字庫(kù)對(duì)該方法在車牌識(shí)別過(guò)程中很重要, 數(shù)字庫(kù)準(zhǔn)確才能保證檢測(cè)出的數(shù)據(jù)正確?；谌斯ど窠?jīng)元網(wǎng)絡(luò)的算法有兩種，一種是先對(duì)特征提取待識(shí)別字符，然后用所獲得的特征訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種是直接將待處理圖像輸入網(wǎng)絡(luò)由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別結(jié)果。在本程序中用基于人工神經(jīng)元網(wǎng)絡(luò)識(shí)別車牌字符。在車牌字符識(shí)別部分, 字符集中包含約50個(gè)漢字, 26個(gè)大寫(xiě)英文字母及10個(gè)阿拉伯?dāng)?shù)字?？偟淖址麡颖静⒉惶?。構(gòu)造訓(xùn)練樣

15、本如下圖所示的數(shù)字和字母，將樣本進(jìn)行歸一化為50X20大小，再將圖像按列轉(zhuǎn)換成一個(gè)1000X1的行向量，將上述18個(gè)圖像的樣本排列在一起構(gòu)成1000X18的矩陣樣本，盡可能多的采集汽車圖像提取車牌，部分切分出車牌字符，構(gòu)造出更多1000X18的矩形樣本，用構(gòu)造好的樣本庫(kù)對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。function inpt = pretreatment(I)%YUCHULI Summary of this function goes here% Detailed explanation goes hereif isrgb(I) I1 = rgb2gray(I);else I1=I;endI1=imre

16、size(I1,50 20);%將圖片統(tǒng)一劃為50*20大小I1=im2bw(I1,0.9);m,n=size(I1);inpt=zeros(1,m*n);%將圖像按列轉(zhuǎn)換成一個(gè)行向量for j=1:n for i=1:m inpt(1,m*(j-1)+i)=I1(i,j); endend構(gòu)造輸入樣本，按同樣的方法，將前面分割出的樣本歸一化。神經(jīng)網(wǎng)絡(luò)進(jìn)行識(shí)別。close all;clear all;%歸一化訓(xùn)練樣本%I0=pretreatment(imread('0.jpg');I1=pretreatment(imread('1.jpg');I2=pretrea

17、tment(imread('2.jpg');I3=pretreatment(imread('3.jpg');I4=pretreatment(imread('4.jpg');I5=pretreatment(imread('5.jpg');I6=pretreatment(imread('6.jpg');I7=pretreatment(imread('7.jpg');I8=pretreatment(imread('8.jpg');I9=pretreatment(imread('9.

18、jpg');I10=pretreatment(imread('A.jpg');I11=pretreatment(imread('C.jpg');I12=pretreatment(imread('G.jpg');I13=pretreatment(imread('L.jpg');I14=pretreatment(imread('M.jpg');I15=pretreatment(imread('R.jpg');I16=pretreatment(imread('H.jpg');I17

19、=pretreatment(imread('N.jpg');P=I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17'%輸出樣本%T=eye(18,18);%bp神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置net=newff(minmax(P),1000,32,18,'logsig','logsig','logsig

20、9;,'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;net=init(net);%訓(xùn)練樣本%net,tr=train(net,P,T);%測(cè)試%I=imread('DSC01323.jpg');I=imread('DSC01344.jpg');dw=location(I);%車牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及處理%測(cè)試字符，得到識(shí)別數(shù)值%PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4)