課程設(shè)計(jì)報(bào)告車牌識(shí)別系統(tǒng)的設(shè)計(jì)

經(jīng)典word整理文檔，僅參考，雙擊此處可刪除頁眉頁腳。本資料屬于網(wǎng)絡(luò)整理，如有侵權(quán)，請(qǐng)聯(lián)系刪除，謝謝！車牌識(shí)別系統(tǒng)的設(shè)計(jì)一、摘要:快。無論何種形式的車牌識(shí)別系統(tǒng)，它們都是由觸發(fā)、圖像采集、圖像識(shí)別模塊、輔助光源和通信模塊組成的。車牌識(shí)別系統(tǒng)涉及光學(xué)、電器、電子控制、數(shù)字圖像處理、計(jì)算視覺、人工智能等多項(xiàng)技術(shù)。觸發(fā)模塊負(fù)責(zé)在車輛到達(dá)合適位置時(shí)，給出觸發(fā)信號(hào)，車牌定位、字符識(shí)別，最后將識(shí)別結(jié)果輸出。二、設(shè)計(jì)目的和意義:設(shè)計(jì)目的：1、讓學(xué)生鞏固理論課上所學(xué)的知識(shí)，理論聯(lián)系實(shí)踐。2、鍛煉學(xué)生的動(dòng)手能力，激發(fā)學(xué)生的研究潛能，提高學(xué)生的協(xié)作精神。設(shè)計(jì)意義：研能力。三、設(shè)計(jì)原理:牌照自動(dòng)識(shí)別是一項(xiàng)利用車輛的動(dòng)態(tài)視頻或靜態(tài)圖像進(jìn)行牌照號(hào)碼、牌照顏色自動(dòng)識(shí)別的模式識(shí)別技術(shù)。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識(shí)別車牌號(hào)碼的處理機(jī)等，其軟件核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識(shí)別算法等。某些牌照識(shí)別系統(tǒng)還具有通過視頻圖像判斷車輛駛?cè)胍曇暗墓δ芊Q之為視頻車輛檢測。一個(gè)完整的牌照識(shí)別系統(tǒng)應(yīng)包括車輛檢測、圖像采集、牌照識(shí)別然后組成牌照號(hào)碼輸出。四、詳細(xì)設(shè)計(jì)步驟:11.提出總體設(shè)計(jì)方案為了進(jìn)行牌照識(shí)別，需要以下幾個(gè)基本的步驟：a.牌照定位，定位圖片中的牌照位置；牌照識(shí)別過程中，牌照顏色的識(shí)別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與牌照識(shí)別互相配合、互相驗(yàn)證。自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定牌照區(qū)域是整個(gè)識(shí)別過程的關(guān)鍵。首先對(duì)采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車牌照特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳的區(qū)域作為牌照區(qū)域，并將其從圖象中分割出來。2（2）牌照字符分割:完成牌照區(qū)域的定位后，再將牌照區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足牌照的字符書寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。計(jì)算水平投影進(jìn)行車牌水平校正去掉車牌的框架分析垂直投影找到每個(gè)字符中心位置按左右寬度切割出字符（3）牌照字符識(shí)別:一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得特征來訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。實(shí)際應(yīng)用中，牌照識(shí)別系統(tǒng)的識(shí)別率與牌照質(zhì)量和拍攝質(zhì)量密切相關(guān)。牌照質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等；實(shí)際拍攝過程也會(huì)受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識(shí)別的識(shí)別率，也正是牌照識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷的完善識(shí)別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識(shí)別。切割出的字符送入庫中與數(shù)據(jù)庫的圖片相減分析之差最小的圖片是哪張字符依次分析顯示誤差最小的圖片名字2.各模塊的實(shí)現(xiàn):2.1輸入待處理的原始圖像:clear;closeall;%Step1獲取圖像裝入待處理彩色圖像并顯示原始圖像Scolor=imread('3.jpg');%imread函數(shù)讀取圖像文件3圖彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)行識(shí)別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。%將彩色圖像轉(zhuǎn)換為黑白并顯示figure,imshow(Sgray),title('原始黑白圖像');4圖二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在實(shí)際的車牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閥值，使得字符與背景能夠分割開來，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會(huì)產(chǎn)生額外的空缺等等。車牌識(shí)別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進(jìn)行處理，能大大地提高處理效率。閾值處理的操作過程是先由用戶指定或通過算法生成一個(gè)閾值，0或度值設(shè)置為255或0。5兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結(jié)果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎(chǔ)。為了對(duì)有意義的邊緣點(diǎn)進(jìn)行分類，與這個(gè)點(diǎn)相聯(lián)系的灰度級(jí)必須比在這一點(diǎn)的背景上變換更有效，我們通過門限方法來決定一個(gè)值是否有效。所以，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點(diǎn)是一個(gè)邊緣點(diǎn)，一組這樣的依據(jù)事先定好的連接準(zhǔn)則相連的邊緣點(diǎn)就定義為一條邊緣。經(jīng)過一階的導(dǎo)數(shù)的邊緣檢測，所求的一階導(dǎo)數(shù)高于某個(gè)閾值，則確定該點(diǎn)為邊緣點(diǎn)，這樣會(huì)導(dǎo)致檢測的邊緣點(diǎn)太多?？梢酝ㄟ^求梯度局部最大值對(duì)應(yīng)的點(diǎn)，并認(rèn)定為邊緣點(diǎn)，去除非局部最大值，可以檢測出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn)，這樣通過找圖像強(qiáng)度的二階導(dǎo)數(shù)餓的零交叉點(diǎn)就能找到精確邊緣點(diǎn)。6圖數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進(jìn)行特征提取、邊緣檢測、圖像分割等圖像處理問題。腐蝕是一種消除邊界點(diǎn)的過程，結(jié)果是使目標(biāo)縮小，孔洞增大，因而可有效的消除孤立噪聲點(diǎn)；膨脹是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過程，結(jié)果是使目標(biāo)增大，孔洞縮小，可填補(bǔ)目標(biāo)物體中的空洞，形成連通域。先腐蝕后膨脹的過程稱為開運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過程稱為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。對(duì)圖像做了開運(yùn)算和閉運(yùn)算，閉運(yùn)算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓線中的斷裂。bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的閉運(yùn)算figure,imshow(bg1);title('圖像閉運(yùn)算[5,19]');%輸出閉運(yùn)算的圖像bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的開運(yùn)算figure,imshow(bg3);title('圖像開運(yùn)算[5,19]');%輸出開運(yùn)算的圖像bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的開運(yùn)算figure,imshow(bg2);title('圖像開運(yùn)算[19,1]');%輸出開運(yùn)算的圖像圖圖7圖2.8區(qū)域:a.對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。圖b.際車牌寬高比，將更接近的提取并顯示出來。8框架的寬度和高度的范圍車牌的開始列車牌的開始行圖對(duì)水平投影進(jìn)行峰谷分析,計(jì)算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升點(diǎn)、峰下降點(diǎn)、峰寬、谷寬、峰間距離、峰中心位置參數(shù)。圖figure,subplot(2,1,1),bar(histrow);title('水平投影（含邊框）');%輸出水平投影9圖a.車牌傾斜的原因?qū)е峦队靶Ч骞晒炔幻黠@，在這里需要做車牌矯正處理。這里采取的線性擬合的方法,計(jì)算出車牌上邊或下邊圖像值為1的點(diǎn)擬合直線與水平X軸的夾角。從頂邊至第一個(gè)峰下降點(diǎn)掃描fresult=fit(xdata',ydata','poly1');%poly1p1=fresult.p1;subcol=imrotate(subcol1,angle,'bilinear','crop');%旋轉(zhuǎn)車牌圖象sbw=imrotate(sbw1,angle,'bilinear','crop');%旋轉(zhuǎn)圖像figure,subplot(2,1,1),imshow(subcol);title('車牌灰度子圖');%輸出車牌旋轉(zhuǎn)后的灰度圖像標(biāo)題顯示車牌灰度子圖subplot(2,1,2),imshow(sbw);title('');%輸出車牌旋轉(zhuǎn)后的灰度圖像title(['車牌旋轉(zhuǎn)角:',num2str(angle),'度'],'Color','r');%顯示車牌的旋轉(zhuǎn)角度圖title('水平投影（旋轉(zhuǎn)后）');圖title('水平投影（旋轉(zhuǎn)后）');圖2.11去水平（上下）邊框,獲取字符高度:a.通過以上水平投影、垂直投影分析計(jì)算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置，為提取分割字符具備了條件。maxhight=max(markrow2);rowtop=markrow(findc);牌的垂直投影圖像圖cright=markcol5(k)+maxwidth/2-2;ifcleft<12.12將計(jì)算計(jì)算獲取的字符圖像與樣本庫進(jìn)行匹配，自動(dòng)識(shí)別出字符代碼:進(jìn)行車牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車牌進(jìn)行訓(xùn)練，得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對(duì)已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理，逐個(gè)的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識(shí)別，輸出識(shí)別結(jié)果。建立數(shù)據(jù)庫樣本與數(shù)據(jù)庫中圖片相減計(jì)算誤差找到誤差最小圖片圖原始圖像:預(yù)處理后：字符的分割和識(shí)別：從上面結(jié)果可以看出，這張車牌的識(shí)別失敗了，將A誤識(shí)別為4了。在識(shí)別中還可能出錯(cuò)的有0和8，因此需要在其他方面做些彌補(bǔ)，最后達(dá)到識(shí)別效果。原始圖像:預(yù)處理：字符的分割和識(shí)別：分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析。整理和總結(jié)了國內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國車牌的固有特征，以及車牌識(shí)別的特點(diǎn)。在車牌定位我們采用基于灰度跳變的定位方法，采用先對(duì)圖像進(jìn)行預(yù)處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡化了二值化處理過程，提高了后續(xù)處理的速度?；诓噬至康亩ㄎ环椒ǎ\(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對(duì)車牌是藍(lán)色的車牌進(jìn)行定位，實(shí)驗(yàn)表明，用該方MATLAB圖像預(yù)處理、CANNY邊緣檢測、開閉運(yùn)算子[5，19]、車牌長寬比特征識(shí)別等對(duì)車牌的定位都是非常有效的，而本設(shè)計(jì)提出的二次水平投影分析和閾值技術(shù)有效檢測了車牌圖像的上下左右邊框、旋轉(zhuǎn)角度，準(zhǔn)確實(shí)現(xiàn)的車牌字符的分割，對(duì)多個(gè)車牌進(jìn)行實(shí)驗(yàn)，均有很高的正確率。本設(shè)計(jì)雖然只對(duì)藍(lán)底白字車牌進(jìn)行分割識(shí)別，對(duì)黑底白字車牌原則上整個(gè)算法可直接適用，對(duì)白底黑字車牌、黃底黑字車牌，需要對(duì)車牌定位算法進(jìn)行調(diào)整，并將圖像反轉(zhuǎn)（0變1、1變經(jīng)過幾周的奮戰(zhàn)我的課程設(shè)計(jì)終于完成了。在沒有做課程設(shè)計(jì)以前覺得課程設(shè)計(jì)只是對(duì)這幾年來所學(xué)知識(shí)的單純總結(jié)，但是通過這次做課程設(shè)計(jì)發(fā)現(xiàn)自己的看法有點(diǎn)太片面。課程設(shè)計(jì)不僅是對(duì)前面所學(xué)知識(shí)的一種檢驗(yàn)，而且也是對(duì)自己能力的一種提高。通過這次課程設(shè)計(jì)使我明白了自己原來知識(shí)還比較欠缺。自己要學(xué)習(xí)的東西還太多，以前老是覺得自己什么東西都會(huì)，什么東西都懂，有點(diǎn)眼高手低。通過這次課程設(shè)計(jì)，我才明白學(xué)習(xí)是一個(gè)長期積累的過程，在以后的工作、生活中都應(yīng)該不斷的學(xué)習(xí)，努力提高自己知識(shí)和綜合素質(zhì)。在這次課程設(shè)計(jì)中也使我們的同學(xué)關(guān)系更進(jìn)一步了，同學(xué)之間互相幫助，有什么不懂的大家在一起商量，聽聽不同的看法對(duì)我們更好的理解知識(shí)，所以在這里非常感謝幫助我的同學(xué)。我的心得也就這么多了，總之，不管學(xué)會(huì)的還是學(xué)不會(huì)的的確覺得困難比較多，真是萬事開頭難，不知道如何入手。最后終于做完了有種如釋重負(fù)的感覺。此外，還得出一個(gè)結(jié)論：知識(shí)必須通過應(yīng)用才能實(shí)現(xiàn)其價(jià)值！有些東西以為學(xué)會(huì)了，但真正到用的時(shí)候才發(fā)現(xiàn)是兩回事，所以我認(rèn)為只有到真正會(huì)用的時(shí)候才是真的學(xué)會(huì)了。在此要感謝我們的指導(dǎo)老師喬靜老師對(duì)我們悉心的指導(dǎo)，感謝老師給我