Matlab平臺(tái)基于顏色的車牌識(shí)別程序

1、Matlab平臺(tái)基于顏色的車牌識(shí)別程序摘要近年來,隨著交通現(xiàn)代化的發(fā)展要求,汽車牌照自動(dòng)識(shí)別技術(shù)已經(jīng)越來越受到人們的重視.車牌自動(dòng)識(shí)別技術(shù)中車牌定位、字符切割、字符識(shí)別及后處理是其關(guān)鍵技術(shù).由于受到運(yùn)算速度及內(nèi)存大小的限制,以往的車牌識(shí)別大都是基于灰度圖象處理的識(shí)別技術(shù).其中首先要求正確可靠地檢出車牌區(qū)域,為此提出了許多方法,如Hough變換以檢測(cè)直線來提取車牌邊界區(qū)域、使用灰度分割及區(qū)域生長(zhǎng)進(jìn)行區(qū)域分割,或使用紋理特征分析技術(shù)等.本文提出基于車牌彩色信息的彩色分割方法。二、設(shè)計(jì)目的和意義目的：1、鞏固理論課上所學(xué)的知識(shí)，理論聯(lián)系實(shí)踐。2、鍛煉自己的動(dòng)手能力，激發(fā)研究潛能，提高協(xié)作精神。意義：

2、車牌定位系統(tǒng)的目的在于正確獲取整個(gè)圖像中車牌的區(qū)域，并識(shí)別出車牌號(hào)。通過設(shè)計(jì)實(shí)現(xiàn)車牌識(shí)別系統(tǒng)，能夠提高分析問題和解決問題的能力，還能培養(yǎng)一定的科研能力。三、設(shè)計(jì)原理由于車輛牌照是機(jī)動(dòng)車唯一的管理標(biāo)識(shí)符號(hào)，在交通管理中具有不可替代的作用，因此車輛牌照識(shí)別系統(tǒng)應(yīng)具有很高的識(shí)別正確率，對(duì)環(huán)境光照條件、拍攝位置和車輛行駛速度等因素的影響應(yīng)有較大的容閾，并且要求滿足實(shí)時(shí)性要求。圖1牌照識(shí)別系統(tǒng)原理圖該系統(tǒng)是計(jì)算機(jī)圖像處理與字符識(shí)別技術(shù)在智能化交通管理系統(tǒng)中的應(yīng)用，它主要由牌照?qǐng)D像的采集和預(yù)處理、牌照區(qū)域的定位和提取、牌照字符的分割和識(shí)別等幾個(gè)部分組成，如圖1所示。其基本工作過程如下：當(dāng)行駛的車輛經(jīng)過時(shí)，

3、觸發(fā)埋設(shè)在固定位置的傳感器，系統(tǒng)被喚醒處于工作狀態(tài)；一旦連接攝像頭光快門的光電傳感器被觸發(fā)，設(shè)置在車輛前方、后方和側(cè)面的相機(jī)同時(shí)拍攝下車輛圖像；由攝像機(jī)或CCD攝像頭拍攝的含有車輛牌照的圖像通視頻卡輸入計(jì)算機(jī)進(jìn)行預(yù)處理，圖像預(yù)處理包括圖像轉(zhuǎn)換、圖像增強(qiáng)、濾波和水平較正等；由檢索模塊進(jìn)行牌照搜索與檢測(cè)，定位并分割出包含牌照字符號(hào)碼的矩形區(qū)域；對(duì)牌照字符進(jìn)行二值化并分割出單個(gè)字符，經(jīng)歸一化后輸入字符識(shí)別系統(tǒng)進(jìn)行識(shí)別。對(duì)識(shí)別結(jié)果讀取、并進(jìn)行數(shù)據(jù)庫存儲(chǔ)。四、詳細(xì)設(shè)計(jì)步驟提出總體設(shè)計(jì)方案。車輛牌照識(shí)別整個(gè)系統(tǒng)主要是由車牌定位和字符識(shí)別兩部分組成，其中車牌定位又可以分為圖像預(yù)處理及邊緣提取模塊和牌照的定位

4、及分割模塊；字符識(shí)別可以分為字符分割與特征提取和單個(gè)字符識(shí)別兩個(gè)模塊。為了用于牌照的分割和牌照字符的識(shí)別，原始圖象應(yīng)具有適當(dāng)?shù)牧炼龋^大的對(duì)比度和清晰可辯的牌照?qǐng)D象。但由于該系統(tǒng)的攝像部分工作于開放的戶外環(huán)境，加之車輛牌照的整潔度、自然光照條件、拍攝時(shí)攝像機(jī)與牌照的矩離和角度以及車輛行駛速度等因素的影響，牌照?qǐng)D象可能出現(xiàn)模糊、歪斜和缺損等嚴(yán)重缺陷，因此需要對(duì)原始圖象進(jìn)行識(shí)別前的預(yù)處理。牌照的定位和分割是牌照識(shí)別系統(tǒng)的關(guān)鍵技術(shù)之一，其主要目的是在經(jīng)圖象預(yù)處理后的原始灰度圖象中確定牌照的具體位置，并將包含牌照字符的一塊子圖象從整個(gè)圖象中分割出來，供字符識(shí)別子系統(tǒng)識(shí)別之用，分割的準(zhǔn)確與否直接關(guān)系到整

5、個(gè)牌照字符識(shí)別系統(tǒng)的識(shí)別率。由于拍攝時(shí)的光照條件、牌照的整潔程度的影響，和攝像機(jī)的焦距調(diào)整、鏡頭的光學(xué)畸變所產(chǎn)生的噪聲都會(huì)不同程度地造成牌照字符的邊界模糊、細(xì)節(jié)不清、筆劃斷開或粗細(xì)不均，加上牌照上的污斑等缺陷，致使字符提取困難，進(jìn)而影響字符識(shí)別的準(zhǔn)確性。因此，需要對(duì)字符在識(shí)別之前再進(jìn)行一次針對(duì)性的處理。車牌識(shí)別的最終目的就是對(duì)車牌上的文字進(jìn)行識(shí)別。主要應(yīng)用的為模板匹配方法。因?yàn)橄到y(tǒng)運(yùn)行的過程中，主要進(jìn)行的都是圖像處理，在這個(gè)過程中要進(jìn)行大量的數(shù)據(jù)處理，所以處理器和內(nèi)存要求比較高，CPU要求主頻在1.0GHZ及以上，內(nèi)存在128MB及以上。系統(tǒng)可以運(yùn)行于Windows98、Windows2000

6、或者WindowsXP操作系統(tǒng)下，程序調(diào)試時(shí)使用matlab。各模塊的實(shí)現(xiàn)。本文主要模塊如下：顏色信息提取、車牌區(qū)域定位、識(shí)別、提取、檢測(cè)傾斜度、車牌校正、車牌區(qū)域2值化、擦除干擾區(qū)域、文字分割、模版匹配、結(jié)果輸出。一、顏色信息提取及車牌區(qū)域定位輸入車牌圖象尋找車牌區(qū)域灰度處理傾斜校正圖2顏色信息提取及車牌區(qū)域定位1、圖象的采集與轉(zhuǎn)換本系統(tǒng)針對(duì)家庭小型車藍(lán)底白字車牌進(jìn)行識(shí)別。根據(jù)彩色圖像的RGB比例定位出近似藍(lán)色的候選區(qū)域。但是由于RGB三原色空間中兩點(diǎn)間的歐氏距離與顏色距離不成線性比例，在設(shè)定藍(lán)色區(qū)域的定位范圍時(shí)不能很好的控制。因此造成的定位出錯(cuò)是最主要的。這樣在圖片中出現(xiàn)較多的藍(lán)色背景情況

7、下識(shí)別率會(huì)下降，不能有效提取車牌區(qū)域。對(duì)此本文提出了自適應(yīng)調(diào)節(jié)方案。對(duì)分割出來的區(qū)域進(jìn)行識(shí)別調(diào)整。根據(jù)長(zhǎng)寬比，藍(lán)白色比對(duì)候選區(qū)域進(jìn)行多次定位。最終找到車牌區(qū)域。對(duì)藍(lán)底白字這種最常見的牌照，采用藍(lán)色B通道時(shí)牌照區(qū)域?yàn)橐涣恋木匦?，而牌照字符在區(qū)域中并不呈現(xiàn)。因?yàn)樗{(lán)色（255，0，0）與白色（255，255，255）在B通道中并無區(qū)分，而在G、R通道或是灰度圖象中并無此便利。同理對(duì)白底黑字的牌照可用R通道，綠底白字的牌照可以用G通道就可以明顯呈現(xiàn)出牌照區(qū)域的位置，便于后續(xù)處理。原圖、灰度圖及邊緣檢測(cè)圖見圖4、圖5、圖6。(1)對(duì)于將彩色圖象轉(zhuǎn)換成灰度圖象時(shí)，圖象灰度值可由下面的公式計(jì)算:G=0.11

8、0B+0.588G+0.302R(2)廠B+G+RG=3由于牌照?qǐng)D象在拍攝時(shí)受到種種條件的限制和干擾，圖象的灰度值往往與實(shí)際景物不完全匹配，這將直接影響到圖象的后續(xù)處理。如果造成這種影響的原因主要是由于被攝物體的遠(yuǎn)近不同，使得圖象中央?yún)^(qū)域和邊緣區(qū)域的灰度失衡，或是由于攝像頭在掃描時(shí)各點(diǎn)的靈敏度有較大的差異而產(chǎn)生圖象灰度失真，或是由于曝光不足而使得圖像的灰度變化范圍很窄。這時(shí)就可以采用灰度校正的方法來處理，增強(qiáng)灰度的變化范圍、豐富灰度層次，以達(dá)到增強(qiáng)圖象的對(duì)比度和分辨率。我們發(fā)現(xiàn)車輛牌照?qǐng)D象的灰度取值范圍大多局限在r=(50,200)之間，而且總體上灰度偏低，圖象較暗。根據(jù)圖象處理系統(tǒng)的條件，最

9、好將灰度范圍展開到s=(0,255)之間，為此我們對(duì)灰度值作如下的變換:s=T(r)r=rmin,，rmax使得SeS.S,其中，T為線性變換，min,maxcSmax-SminSminxrmax-SmaxxrminS=r+rmax-rminrmax-rmin若r(50,200)、s(0，255)則:255255x50r-150150沁1.7r-85(4)圖3原始圖片圖4定位后的車牌灰度圖像圖5灰度圖像圖6邊緣檢測(cè)圖像2、圖像校正二值化處理本文在針對(duì)傾斜角度的圖片采取radon算法進(jìn)行傾斜角度計(jì)算，并對(duì)傾斜圖片進(jìn)行修正。從而得到水平方向一致的圖片。有利于后期的圖片分割及圖像識(shí)別。擦除反色傾斜校

10、正SHISACC286ItlACC286|圖8二值化處理圖7傾斜校正圖像3、精確分離車牌區(qū)域以圖8圖像為例，以圖像中間線為起點(diǎn)，設(shè)定某一閾值向上向下進(jìn)行掃描。精確分離出車牌字符所在區(qū)域。如圖9所示。Y方向處理毎ACC286I圖9精確分離字符二、字符的定位和分割圖10字符分割與歸一化流程圖1、字符分割：將計(jì)算得到車牌區(qū)域的二值化后的圖象,對(duì)黑色進(jìn)行垂直投影,計(jì)算垂直峰,檢測(cè)合理的字符高寬比.在字符切割時(shí),往往由于閾值取得不好,導(dǎo)致字符切割不準(zhǔn)確,針對(duì)這種情況,可以由車牌格式的先驗(yàn)知識(shí),對(duì)切割出的字符寬度進(jìn)行統(tǒng)計(jì)分析,用以指導(dǎo)切割,對(duì)因錯(cuò)誤切割過寬的字符進(jìn)行分裂處理。對(duì)桂字經(jīng)常出現(xiàn)的是把木字旁和右

11、邊的部首分割開。系統(tǒng)針對(duì)這種問題對(duì)分割出來的字體的寬度與整個(gè)車牌的寬度對(duì)比，對(duì)誤操作字符進(jìn)行合并。一個(gè)智能的識(shí)別系統(tǒng)應(yīng)減少系統(tǒng)對(duì)閾值的過分依賴。分割后的字符如圖10所示。苗ACC286圖11提取分割字符2、字體識(shí)別：常用做法是采用神經(jīng)網(wǎng)絡(luò)模型對(duì)系統(tǒng)進(jìn)行訓(xùn)練。但是這種做法增加了系統(tǒng)的復(fù)雜度，對(duì)實(shí)時(shí)性要求較高的場(chǎng)合不適應(yīng)。這里采用簡(jiǎn)單模版匹配算法。模板匹配是圖象識(shí)別方法中最具代表性的基本方法之一，它是將從待識(shí)別的圖象或圖象區(qū)域f(i,j)中提取的若干特征量與模板T(i,j)相應(yīng)的特征量逐個(gè)進(jìn)行比較，計(jì)算它們之間規(guī)格化的互相關(guān)量，其中互相關(guān)量最大的一個(gè)就表示期間相似程度最高，可將圖象歸于相應(yīng)的類。也

12、可以計(jì)算圖象與模板特征量之間的距離，用最小距離法判定所屬類。然而，通常情況下用于匹配的圖象各自的成像條件存在差異，產(chǎn)生較大的噪聲干擾，或圖象經(jīng)預(yù)處理和規(guī)格化處理后，使得圖象的灰度或像素點(diǎn)的位置發(fā)生改變。在實(shí)際設(shè)計(jì)模板的時(shí)候，是根據(jù)各區(qū)域形狀固有的特點(diǎn)，突出各類似區(qū)域之間的差別，并將容易由處理過程引起的噪聲和位移等因素都考慮進(jìn)去，按照一些基于圖象不變特性所設(shè)計(jì)的特征量來構(gòu)建模板，就可以避免上述問題。由于在前期的有效處理使得分割后的字體清晰度完整度都能保持較高的水平。有利于提高模版匹配的成功率。對(duì)提取的車牌進(jìn)行歸一化處理，使其長(zhǎng)寬比與模版保持一致。經(jīng)驗(yàn)證對(duì)非傾斜圖片，識(shí)別率可達(dá)95%，對(duì)傾斜圖片亦

13、可以達(dá)到90%以上。D-0,6-8,2-Z,A4是比較容易識(shí)別出錯(cuò)的字符。圖12字符識(shí)別流程圖首先取字符模板，接著依次取待識(shí)別字符與模板進(jìn)行匹配，將其與模板字符相減，得到的0越多那么就越匹配。把每一幅相減后的圖的0值個(gè)數(shù)保存，然后找數(shù)值最大的，即為識(shí)別出來的結(jié)果。以桂字為例，模版圖片如圖11、提取出來的圖片如圖12、整體識(shí)別結(jié)果如圖13。圖13模版圖14提取圖片三、語音播報(bào)圖15識(shí)別結(jié)果提示框?qū)ψ址_識(shí)別之后，用事先對(duì)對(duì)每一個(gè)字符的錄音根據(jù)對(duì)應(yīng)字符順序播放。在對(duì)車牌區(qū)域識(shí)別出錯(cuò)、字體分割出錯(cuò)時(shí)程序暫停，并有語音提醒。四、存儲(chǔ)數(shù)據(jù)播放結(jié)束之后對(duì)相應(yīng)的識(shí)別出來的字符存儲(chǔ)到指定文件夾的EXCEL文

14、件內(nèi)。并同時(shí)存儲(chǔ)對(duì)應(yīng)識(shí)別日期。如下圖所示。桂ACC2862009-5-615:38圖16Excel表格記錄五、總結(jié)本文主要解決了以下幾個(gè)問題：一、在背景的圖象中如何定位分割牌照區(qū)域；二、對(duì)分割下來的牌照字符如何有效提取出相應(yīng)字符；三、如何設(shè)計(jì)識(shí)別器進(jìn)行模版匹配。在車輛牌照字符識(shí)別系統(tǒng)的研究領(lǐng)域，近幾年出現(xiàn)了許多切實(shí)可行的識(shí)別技術(shù)和方法，從這些新技術(shù)和方法中可以看到兩個(gè)明顯的趨勢(shì)：一是單一的預(yù)處理和識(shí)別技術(shù)都無法達(dá)到理想的結(jié)果，多種方法的有機(jī)結(jié)合才能使系統(tǒng)有效識(shí)別能力提高。在本系統(tǒng)的設(shè)計(jì)時(shí)，也汲取了以上一些算法的思想，結(jié)合實(shí)際，反復(fù)比較，綜合分析；二是在有效性和實(shí)用的原則下，結(jié)合神經(jīng)網(wǎng)絡(luò)和人工智

15、能的新技術(shù)的應(yīng)用是研究的一個(gè)方向。根據(jù)車牌特點(diǎn)，一般采用的車牌定位算法有：1.邊緣檢測(cè)定位算法；2.利用哈夫變換進(jìn)行車牌定位；3色彩分割提取車牌等。這里我采用的是彩色分割提取的方法實(shí)現(xiàn)定位的。也因?yàn)檫@一方案的局限性，不能對(duì)藍(lán)色車的車牌進(jìn)行有效定位。字符分割的方法也有多種：1.基于聚類分析的字符分割；2.投影分割的方法；3.基于模板匹配的字符分割等。最常用的是投影分割，主要是針對(duì)在車牌定位，圖像預(yù)處理后比較規(guī)則的車牌圖像。優(yōu)點(diǎn)是程序邏輯設(shè)計(jì)簡(jiǎn)單，循環(huán)執(zhí)行功能單一，便于設(shè)計(jì)和操作，程序執(zhí)行時(shí)間短。字符識(shí)別的基本方法通常又三類：1.結(jié)構(gòu)特征分析方法；2.模板匹配法；3.神經(jīng)網(wǎng)絡(luò)法。此處采用的是模板匹

16、配的方法，即是將要識(shí)別的字符與事先構(gòu)造好的模板進(jìn)行比對(duì)，根據(jù)與模板的相似度的大小來確定最終的識(shí)別結(jié)果。系統(tǒng)是針對(duì)藍(lán)底白字的車票進(jìn)行的識(shí)別。故對(duì)顏色依賴度高。對(duì)顏色的抗干擾能力差。對(duì)藍(lán)色汽車無法正確識(shí)別。目前沒有想到好的改進(jìn)算法。在圖片中出現(xiàn)較多的藍(lán)色背景情況下識(shí)別率會(huì)下降。不能有效提取車牌區(qū)域。識(shí)別的照片是用320萬像素相機(jī)拍攝的，對(duì)圖片的清晰度要求較高。系統(tǒng)本身還存在許多不足，距離具體實(shí)用的要求仍有很大差距。但我卻在這次課程設(shè)計(jì)中學(xué)到了很多知識(shí)。六、參考文獻(xiàn)岡薩雷斯數(shù)字圖像處理(第二版)電子工業(yè)出版社，20078胡小鋒、趙輝.VC+/MATLAB圖像處理與識(shí)別使用案例精選.人民郵電出版社，2004.9郁梅等，基于視覺的車輛牌照檢測(cè)，計(jì)算機(jī)應(yīng)用研究,1999(5),P6567葉晨洲，廖金周，一種基于紋理的牌照?qǐng)D象二值化方法，微型電腦應(yīng)用，1999(6)，P2829朱學(xué)芳等，一種自適應(yīng)細(xì)化方法，模式識(shí)別與人工智能,Vol.lO,No.2,1997(6),P140145楊萬山等，基于BP神經(jīng)網(wǎng)絡(luò)的工程圖紙圖形符號(hào)的識(shí)別，微型電腦應(yīng)用，V