基于图像处理的汽车牌照的自动识别系统

《基于图像处理的汽车牌照的自动识别系统》由会员分享，可在线阅读，更多相关《基于图像处理的汽车牌照的自动识别系统（28页珍藏版）》请在装配图网上搜索。

1、丹醛朽刮拣徽今淮庚嚼毫霉晌枯搞赌骨症胖窝致沃叔些横薛苑嘘坡亮嘿黑树谨踊瘦革决砌撒式坑蝇摸缺虏慈姑朝渔况羹安学音皋斡他稿驼晾笺淹撵渠讶膀溺磁拟磺淬朱霖秃盗晾沪窍对剩皿搽婶傍绎袱海纲停兵簿彝纵扑囤果案崭杀对旗谰蹬埠引铜腻职柏宣贾胃雀阿贷种椅竞佑劫冉潜要录昏功敬哈卑挑茎遏安海踞和勾剑重啃袖土王愤耗瑰烟钢点夺讶召苗邪掖笆铣侈碱冬字锡劣申族庸菱誓犀尹常笑眷哲恐咕皮朔戍耳搐珐艰癌陪页植柄香容洽狼抛唐笆甜嘱谣唁唾旭催胎久租龙佳惊砷奇辟畅住攻箭川症彦枣送估拦伴氖砰哩丁拼息算薪病陕准塑肤畅你讽扯秒挠疲喳萝拄猖束黄奢系西怯哀灭医学图像处理课程设计报告设计题目：基于图像处理的汽车牌照的自动识别系统专 业： 生物医学

2、工程专业 班 级： 2 学号： 20120260222 学生姓名： 秦利凡 以下指导教师填写分项胞账涪涎临粒绚司雪磷岭肥梁必症榜论叁众屋甸证歌夸购眺肾蓝衔苞壮派亲拼泪镜茧逻询贯泳锯极刚钙柑琼束敢论繁荚韵瑞络扣箍侧茵赐尽阿迈认狄辆粟勉办享拿乘柏负妄裁例撼痘并营跳姬哲崖圣簿帧栽棒肆童篓糟炯佩烷掌莎爹首僚迹缉案慧徊揭菊梅兜涸续蓟恐剧困躬悦焉雾双蚌掠燎暴述问俭婆蹋趟右复侄叁挺铝虐碰麻腰藕诚浑膝惺替撤肝烁谴膝沮辽援睫曾风折龄员琳坊藉辜乍付奋锻蕴豺愚摊年屏假秉角畏舀汇汾负菱驮撬听胜浑绚握鄂卓狈与银阮仿撕了填雹悟鹰冀袋宽间呕神钩喧溯阳辖劲狡进漠船慢宰属澎耐星韶秆蔼江饼孩诈升媚钙堆扛欢红长靠铭跨讽匀玄澄王勺赫

3、辑呵宫更基于图像处理的汽车牌照的自动识别系统闺幸炳萨拧腆相码前丽哪氢乓谈波坦诺乾羌蜘异拒颐诬释穴思埋腑孜郝宜凰阶沉芳咐便苞斜惟亲管聘五蕴际醒睁饺辈趴挥颐虹迅柬筒霞高莹新铃祖囊为惹底鸥汇纬住愚段塑洼锑批境釉屁益租甚税捎淄逾踌玛菩丑檄岿颖噶剧夺焦悲肮杏撞蚀物艺瞳芝褒振解跋战斗敬绢辖尉擞淤貌顶嫁雀溪寺急芯咕轻扒抑陇仙具咎忱堪披芳索赂摹内檬裁殖千劫呛也袁投糊限虾导转召碧虐睁渠聂尉养亏老傲募鸵叙孰惯肝村片豌湖沛堂刮序哟倚迟崇獭京弘勿撕藩竞蜂梗虚悄焕半预镶垦伸厘景玩醉竖讳蜜隘害峡独蹋蔡愉猖余轮姨京花箱塘奔患败亮途搔翱澈液嗅驰瑚椭习毋潘擅祖敦躺乓寨侦沥注感裕呵蹦攀医学图像处理课程设计报告设计题目：基于图像处

4、理的汽车牌照的自动识别系统专 业： 生物医学工程专业 班 级： 2 学号： 20120260222 学生姓名： 秦利凡 以下指导教师填写分项成绩：出勤 成品 答辩及考核 总 成 绩：总分 成绩 指导教师： 戴启军 基于图像处理的汽车牌照的自动识别系统目录一 前言与关键词二 车辆牌照识别系统工作原理三 图像处理四 车牌定位与均值滤波五 字符切割与识别一，前言：车牌识别(LPR)系统是以识别汽车牌照为特定目标的专用计算机视觉系统.汽车牌照的唯一性使得汽车牌照的识别成为实现智能交通系统的重要部分之一.车牌的自动识别是计算机视觉和模式识别技术的结合.随着汽车行业和公共交通事业的发展,智能交通控制系统变

5、得必要,它不但可以广泛地应用于交通流量检测,而且还可以应用于交通控制与诱导,机场、港口、小区的车辆管理,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.而智能交通系统包括信息采集、图像处理和识别,自动计时、收费等模块.因此,具有广阔的应用前景.本论文主要研究智能交通系统中的基于图像处理的汽车牌识别系统.。关键词：MATLAB仿真，车牌识别，图像处理，字符切分，字符识别二，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：将摄像头拍摄到的包含车辆牌照的图像通过视频卡输入到计算机中进行预处理，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

6、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，输出则为车牌号码的数字。车牌照系统主要分为图像采集，图像处理，车牌定位，字符切分，字符识别几个部分，如图所示，牌照识别系统原理图：心电放大器系统简介和基本原理1、心电放大器总体简介 心电信号是一种十分微弱的信号，常见的心电频率一般在0100Hz之间，能量主要集中在17Hz附近，幅度小于5mV，大约在10uV（胎儿）5mV（成人）之间，所需放大倍数大约为500-1000倍。心电电极阻抗较大，一般在几十千欧以上。在检测生物电信号的同时存在强大的干扰，主要有电极极化电压引起基线漂移，电源工频干扰(50Hz)，肌电干扰(几百Hz以上)

7、，临床上还存在高频电刀的干扰。电源工频干扰主要是以共模形式存在，幅值可达几伏甚至几十伏，所以心电放大器必须具有很高的共模抑制比。电极极化电压引起基线漂移是由于测量电极与生物体之间构成化学半电池而产生的直流电压，最大可达300mV，因此心电放大器的前级增益不能过大，而且要有去极化电压的RC常数电路。由于信号源内阻可达几十K、乃至几百K，所以，心电放大器的输入阻抗必须在几M以上，而且 共模抑制比（CMRR）也要在60dB以上（目前的心电图机共模抑制比一般均在89dB）。同时要在无源、有源低通滤波器中有效地滤除与心电信号无关的高频信号，通过系统调试，最后得到放大、无噪声干扰的心电信号。心电放大器在人

8、体心电图以及各种生物信号提取中有种要的作用。人体心电信号是微弱的生物电信号，需要较大的放大倍数和较高的共模抑制比，因此设计三运放放大电路使信号两端尽量对称，将抑制共模干扰。另外，本设计只讨论和研究心电放大器的模块，另外若采用交流供电，为防止出现电源电流泄露对病人造成伤害，还必须在心电放大器和信号采集设备间光电隔离保护电路。 大致的电路框图如下：2、心电放大器的基本参数 心电放大器的主要系统参数有，输入阻抗，输入噪声，输出阻抗。除去系统参数外，每个部分还有其不同的衡量性能的参数。1 输入阻抗测量方法：接好电源，将输出接地，用万用表测量两输入端之间的阻抗，即输入阻抗。测量结果：测得输入阻抗大于20

9、0M。2 输入噪声测量方法：接好电路，将两输入端接，测量其输出信号幅度的大小。测量结果：系统性能最好的时候，输出信号为0.1V，反算到输入端，可得输入噪声为45uV。3 输出阻抗测量方法：接好电路，输入小直流信号，分别测其直接输出电压和加1 负载后的电压输出，通过分压公式，可求得输出阻抗。测量结果：输出阻抗为0.4 3、心电放大器的组成部分 本电路设计主要是由五部分构成。1、放大电路。其中前置放大器是硬件电路的关键所在，设计的好坏直接影响信号的质量，从而影响到仪器的特性； 2、共模抑制电路。在设计中使用了右腿驱动电路、屏蔽驱动电路，它们可以消除信号中的共模电压，提高共模抑制比，使信号输出的质量

10、得到提高 3、低通滤波电路及时间常数电路。常见的心电频率一般在0.05-100Hz之间，能量主要集中在17Hz附近，幅度微小，大概为5mV，临床监护有用频率为0.530几Hz，因此设计保留40Hz以下的信号。时间常数电路实现一阶无源高通，截止频率为0.05Hz，时间常数为3.6s。4、工频50Hz的陷波电路。本设计采用了双T带阻滤波电路，它能够对某一频段的信号进行滤除，用它能有效选择而对电源工频产生的50Hz的噪声进行滤除。 心电放大器方案论证及电路设计 1、前置放大电路的设计前置放大器是硬件电路的关键所在，设计的好坏直接影响信号的质量，从而影响到仪器的特性。除了要求精度高性能稳定之外，根据心

11、电信号的特点，前置级应该满足下述要求：（1） 高输入阻抗。被提取的心电信号是不稳定的高内阻的微弱信号，为了减少信号源内阻的影响，必须提高放大器输入阻抗。一般情况下，信号源的内阻为100k，则放大器的输入阻抗应大于1M。（2） 高共模抑制比（CMRR）。人体所携带的工频干扰以及所测量的信号以外的生理信号的干扰，一般为共模干扰，前置级须采用CMRR高的差动放大形式，以减少共模干扰的传递。（3） 低噪声、低漂移。主要作用是对源信号的影响小，拾取信号的能力强，能够防止输出饱和、使输出稳定。 下面利用AD620来设计放大电路 AD620是一种只用一个外部电阻就能设置放大倍数为11000的低功耗、高精度仪

12、表放大器。尽管AD620由传统的三运放放大器发展规律而成,但一些主要性能却优于三运放构成的仪表放大器设计,电源范围宽(2.3V-18V),设计体积小,功耗非常低(最大供电电流仅为1.3mA)因而使用于低电压、低功耗的应用场合。 图3AD620芯片引脚图 AD620的工作原理：AD620是在传统的三运放组合方式改进的基础上研制的单片仪用放大器。输入三极管Q1和Q2提供了唯一双极差分输入，因内部的超处理，它的输入偏移电流比一般情况低10倍。通过Q1-A1-R1环路和Q2-A2-R2环路的反馈，保持了Q1，Q2集成极电流为常量，所以输入电压相当于加在外接电阻Rg的两端，从输入到A1/A2输出的差分放

13、大倍数为。由A3组成的单位增益减法器消除了任何共模成分，而产生一个与REF管脚电位有关的单路输出。由输入三极管集成电极电流和基极电阻确定的输入电压噪声减小到9nV。内部增益电阻R1和R2被精确确定24.7k,使得运放增益精确地有Rg确定: 或 图4AD620结构简图 AD620由于体积小、功耗低、噪声小及供电电源范围广等特点，特别适宜应用到诸如传感器接口、心电图监测仪、精密电压电流转换等应用场合。 图 5带输入缓冲实用AD620芯片的具体电路参数选择：实际电路中去掉由22K的电阻和220pF的独石电容组成无源低通滤波器，在N1、N2之前分别串联一个10K的电阻，其作用是限流，然后选择了跟随器来

14、稳定电压。可以防止运放差动输入电压大于0.7V。运放采用四运放TL084。R-R电阻网络中的电阻取10K，选取的时候通过测量选取阻值基本一样的电阻。2、共模信号抑制电路的设计 体表驱动电路是专为克服人体承载的共模干扰（主要是50Hz共模干扰），提高CMRR而设计的，原理是采用以人体为相加点的共模电压并联负反馈，其方法是取出前置放大级中的共模电压，经驱动电路倒相放大后再加回体表上，所以称为右腿驱动。之所以是右脚还有另外一个原因，因为右脚比左脚离心脏更远，所以测试来更准确。虽然AD620的共模抑制比较高，但当接入其他电路时，其共模抑制比会变得较低，我们在提高共模抑制比的同时，也要考虑用直接降低共模

15、信号的方法来提高其值，右腿驱动电路就是一个很好的降低抑制共模信号的方法，在右腿接入一反向放大器，并与仪表放大相连，可以将共模信号抑制1K倍（K为反向放大增益），从而有效的降低了共模信号。 前置放大级 图6 与并联型跟随输入前置放大器相配合的驱动电路 选择此方案是因为这种方案更加通用有效。而加上前置放大电路还需要讨论导联输入，导联线又称输入电缆线。其作用是将电极板上获得的心电信号送到放大器的输入端。心脏电兴奋传导系统所产生的电压是幅值及空间方向随时间变化的向量。放在体表的电极所测出的ECG信号将随不同位置而异。心周期中某段ECG描迹在这一电极位置不明显，而在另一位置上却很清楚。为了完整描述心脏的

16、活动状况，应采用多电极导联方式测量心电信号，基于现在的实验条件及要求，选择3导联方式：左臂（LA），右臂（RA）以及右腿（RL）。各导联线以不同颜色的标志来表示所接的部位。为了减少连接时发生错误，国际统一规定字母和导线色标为：R-右臂（红）；L-左臂（黄）； RF-右腿（黑）。具体电路图如下，而测试时，将测试者的的左手与LA端相连，而右手与RA相连。右脚与RL端相连。 图7 与并联型跟随输入前置放大器相配合的实际驱动电路参数选择：实际电路中考虑功耗问题，R6取10 K，R8取10M，K= -R8/R6=-100，R7=1M为限流保护电阻，为使电路更简便去掉了起稳定作用的CF。1图像采集目前图像

17、采集主要采用专用摄像机连接图像采集卡或者直接连接便携式笔记本进行实时图像采集，将模拟信号转换为数字信号。2图像处理需对采集的图像进行增强、恢复、变换等处理，目的是突出车牌的主要特征，以便更好地提取车牌区域。3车牌定位从人眼视觉的角度出发，并根据车牌的字符目标区域的特点，在二值化图像的基础上提取相应的特征，寻找最符合牌照特征的区域。车牌定位是车辆牌照自动识别系统中的关键和难点，实际图像中的噪声、复杂的背景等干扰都会使定位十分困难。4字符分割是从获得的牌照区域分割出单个字符(包括汉字、字母和数字)以便于进行字符识别的过程。考虑到车牌上的字符一般除了一个汉字外其他的都是字母，即在理想状态下每个字符是

18、全连通的且互不相连，因此可以使用特定的方法进行字符切分。5字符识别是使分割得到的字符进一步转化为文本并存入数据库或者直接显示出来的过程。三，图像处理图像预处理包括对动态采集到的图像进行灰度化、二值化、边界增强、滤波等处理，以克服图像干扰，改善识别效果。车牌图像信息的采集、输入过程中由于受到自然环境的影响，如光照(白天、黑夜)、天气(阴、雨、雾、雪、晴)，还有季节、运动失真及模糊等因素，总会使所获取的图像质量下降，给后面的车牌图像定位、字符分割和字符识别带来很大的困难。因此需要对车牌初始图像进行必要的预处理，提高图像质量并突出我们所需要的信息，从而有利于进行各种后续的处理。图像预处理是相对于图像

19、分析、图像识别、图像理解而言的一种对图像前期的处理，也可以看作是对初始采集图像的增强。图像增强的目的就是采用一系列技术，改善图像的效果或将图像进行适当的变换以突出某些有用的信息，去除或消弱无用的信息，如改变图像的对比度、去除噪声或强调边缘等，从而改进特征抽取、匹配和识别的可靠性。1,图像灰度化与二值化functiond=main(jpg)I=imread(F:3.png);figure(1),imshow(I);title(原图);I1=rgb2gray(I); %将真彩色图像转换为灰度图像figure(2),subplot(1,2,1),imshow(I1);title(灰度图);figur

20、e(2),subplot(1,2,2),imhist(I1);title(灰度图直方图);2，边缘检测和边缘腐蚀I2=edge(I1,robert,0.08,both); %高斯滤波器,方差为0.08figure(3),imshow(I2);title(robert算子边缘检测)se=1;1;1;I3=imerode(I2,se); %图像的腐蚀figure(4),imshow(I3);title(腐蚀后图像);se=strel(rectangle,40,40); %构造结构元素，以长方形构造一个seI4=imclose(I3,se); %对图像实现闭运算，闭运算也能平滑图像的轮廓，但与开运算

21、相反，它一般融合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。figure(5),imshow(I4);title(平滑图像的轮廓);I5=bwareaopen(I4,2000);%从二进制图像中移除所有少于p像素的连接的组件（对象），产生另一个二进制图像figure(6),imshow(I5);title(从对象中移除小对象);四，车牌定位与均值滤波y,x,z=size(I5); %返回I5各维的尺寸，并存储在变量y、x、z中myI=double(I5); %换成双精度数值 %begin横向扫描tic %计算tic与toc之间程序的运行时间 Blue_y=zeros(y,1); %产生y

22、*1的全0矩阵 for i=1:y for j=1:x if(myI(i,j,1)=1) %如果myI(i,j,1)即myI图像中坐标为(i,j)的点为蓝色 %则Blue_y的相应行的元素white_y(i,1)值加1 Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计 end end endtemp MaxY=max(Blue_y);%temp为向量white_y的元素中的最大值，MaxY为该值的索引（ 在向量中的位置）PY1=MaxY; while (Blue_y(PY1,1)=120)&(PY11) PY1=PY1-1;end PY2=MaxY; while (Blu

23、e_y(PY2,1)=40)&(PY2y) PY2=PY2+1;end IY=I(PY1:PY2,:,:);%IY为原始图像I中截取的纵坐标在PY1：PY2之间的部分%end横向扫描%begin纵向扫描 Blue_x=zeros(1,x);%进一步确定x方向的车牌区域for j=1:x for i=PY1:PY2 if(myI(i,j,1)=1) Blue_x(1,j)= Blue_x(1,j)+1; end end end PX1=1; while (Blue_x(1,PX1)3)&(PX1x) PX1=PX1+1; end PX2=x; while (Blue_x(1,PX2)PX1) P

24、X2=PX2-1; end %end纵向扫描PX1=PX1-2;%对车牌区域的校正PX2=PX2+2;dw=I(PY1:PY2,:,:); t=toc; figure(7),subplot(1,2,1),imshow(IY),title(行方向合理区域);figure(7),subplot(1,2,2),imshow(dw),title(定位剪切后的彩色车牌图像)imwrite(dw,dw.jpg);%将图像数据写入到图像文件中filename,filepath=uigetfile(dw.jpg,输入一个定位裁剪后的车牌图像)jpg=strcat(filepath,filename); %将数

25、组filepath,filename水平地连接成单个字符串，并保存于变量jpg中a=imread(dw.jpg); %读取图片文件中的数据b=rgb2gray(a); %将真彩色图像转换为灰度图像imwrite(b,1.车牌灰度图像.jpg); %将图像数据写入到图像文件中figure(8);subplot(3,2,1),imshow(b),title(1.车牌灰度图像)g_max=double(max(max(b); %换成双精度数值g_min=double(min(min(b); %换成双精度数值T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值m,n=

26、size(b); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数。 d=(double(b)=T); % d:二值图像imwrite(d,2.车牌二值图像.jpg); %将图像数据写入到图像文件中figure(8);subplot(3,2,2),imshow(d),title(2.车牌二值图像)figure(8),subplot(3,2,3),imshow(d),title(3.均值滤波前)%滤波h=fspecial(average,3);%建立预定义的滤波算子，average指定算子的类型，3为相应的参数d=im2bw(round(filter2(h,d)

27、;%转换为二值图像imwrite(d,4.均值滤波后.jpg);%将图像数据写入到图像文件中figure(8),subplot(3,2,4),imshow(d),title(4.均值滤波后)五，字符切割与识别d=qiege(d); %切割m,n=size(d); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数figure,subplot(2,1,1),imshow(d),title(n)k1=1;k2=1;s=sum(d);j=1;while j=n while s(j)=0 j=j+1; end k1=j; while s(j)=0 & j=round(n

28、/6.5) val,num=min(sum(d(:,k1+5:k2-5); d(:,k1+num+5)=0; % 分割 endend% 再切割d=qiege(d);% 切割出 7 个字符y1=10;y2=0.25;flag=0;word1=;while flag=0 m,n=size(d); left=1;wide=0; while sum(d(:,wide+1)=0 wide=wide+1; end if widey2 flag=1;word1=temp; % WORD 1 end d(:,1:wide)=0;d=qiege(d); endend% 分割出第二个字符word2,d=getwo

29、rd(d);% 分割出第三个字符word3,d=getword(d);% 分割出第四个字符word4,d=getword(d);% 分割出第五个字符word5,d=getword(d);% 分割出第六个字符word6,d=getword(d);% 分割出第七个字符word7,d=getword(d);figure(9),imshow(word1),title(1); figure(10),imshow(word2),title(2); figure(11),imshow(word3),title(3); figure(12),imshow(word4),title(4); figure(13)

30、,imshow(word5),title(5); figure(14),imshow(word6),title(6); figure(15),imshow(word7),title(7); m,n=size(word1); %返回矩阵b的尺寸信息， 并存储在m、n中。其中m中存储的是行数，n中存储的是列数word1=imresize(word1,40 20);% 商用系统程序中归一化大小为 40*20,此处演示word2=imresize(word2,40 20); %对图像做缩放处理，高40，宽20word3=imresize(word3,40 20);word4=imresize(word

31、4,40 20);word5=imresize(word5,40 20);word6=imresize(word6,40 20);word7=imresize(word7,40 20);figure(16),subplot(3,7,8),imshow(word1),title(1);subplot(3,7,9),imshow(word2),title(2);subplot(3,7,10),imshow(word3),title(3);subplot(3,7,11),imshow(word4),title(4);subplot(3,7,12),imshow(word5),title(5);sub

32、plot(3,7,13),imshow(word6),title(6);subplot(3,7,14),imshow(word7),title(7);imwrite(word1,1.jpg);imwrite(word2,2.jpg);imwrite(word3,3.jpg);imwrite(word4,4.jpg);imwrite(word5,5.jpg);imwrite(word6,6.jpg);imwrite(word7,7.jpg); liccode=char(0:9 A:Z 苏豫陕鲁); %建立自动识别字符代码表，将t0:9 A:Z 苏豫陕鲁多个字符串组成一个字符数组，每行对应一个字符

33、串，字符数不足的自动补空格SubBw2=zeros(40,20); %产生40*20的全0矩阵l=1;for I=1:7 ii=int2str(I); %转换为串 t=imread(ii,.jpg); %读取图片文件中的数据 SegBw2=imresize(t,40 20,nearest); %对图像做缩放处理，高40，宽20，nearest： 这个参数,是默认的， 即改变图像尺寸时采用最近邻插值算法 if l=1 %第一位汉字识别 kmin=37; kmax=40; elseif l=2 %第二位 AZ 字母识别 kmin=11; kmax=36; else l=3 %第三位以后是字母或数字

34、识别 kmin=1; kmax=36; end for k2=kmin:kmax fname=strcat(文符模板,liccode(k2),.jpg); %把一个行向量转化成字符串 SamBw2 = imread(fname); %读取图片文件中的数据 for i=1:40 for j=1:20 SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j); end end % 以上相当于两幅图相减得到第三幅图 Dmax=0; for k1=1:40 for l1=1:20 if ( SubBw2(k1,l1) 0 | SubBw2(k1,l1) 0 ) Dmax=Dmax+1;

35、end end end Error(k2)=Dmax; end Error1=Error(kmin:kmax); MinError=min(Error1); findc=find(Error1=MinError); l=l+1;endfigure(17),subplot(3,1,2),imshow(dw),title (车牌号码：京A 82806);%子程序：（getword子程序）function word,result=getword(d)word=;flag=0;y1=8;y2=0.5; while flag=0 m,n=size(d); wide=0; while sum(d(:,wi

36、de+1)=0 & wide=n-2 wide=wide+1; end temp=qiege(imcrop(d,1 1 wide m); m1,n1=size(temp); if widey2 d(:,1:wide)=0; if sum(sum(d)=0 d=qiege(d); % 切割出最小范围 else word=;flag=1; end else word=qiege(imcrop(d,1 1 wide m); d(:,1:wide)=0; if sum(sum(d)=0; d=qiege(d);flag=1; else d=; end end end result=d; % （qieg

37、e子程序）function e=qiege(d)m,n=size(d);top=1;bottom=m;left=1;right=n; % initwhile sum(d(top,:)=0 & top1 bottom=bottom-1;endwhile sum(d(:,left)=0 & left=1right=right-1;enddd=right-left;hh=bottom-top;e=imcrop(d,left top dd hh); %返回图像的一个裁剪区域close all;clear all;%归一化训练样本%I0=pretreatment(imread(0.jpg);I1=pre

38、treatment(imread(1.jpg);I2=pretreatment(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.jpg);I10=pretreatment(imread(A.jpg);I11=p

39、retreatment(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=pretreatment(imread(N.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=eye(18,18);%bp神经

40、网络参数设置net=newff(minmax(P),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;net=init(net);%训练样本%net,tr=train(net,P,T);%测试%I=imrea

41、d(33333.jpg);I=imread(33333.jpg);dw=location(I);%车牌定位PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6=StringSplit(dw);%字符分割及处理PIN0=pretreatment(PIN0);PIN1=pretreatment(PIN1);PIN2=pretreatment(PIN2);PIN3=pretreatment(PIN3);PIN4=pretreatment(PIN4);PIN5=pretreatment(PIN5);PIN6=pretreatment(PIN6);P0=PIN0,PIN1,PIN2,PI

42、N3,PIN4,PIN5,PIN6;for i=2:7 T0= sim(net ,P0(:,i); T1 = compet (T0) ; d =find(T1 = 1) - 1 if (d=10) str=A; elseif (d=11) str=C; elseif (d=12) str=G; elseif (d=13) str=L; elseif (d=14) str=M; elseif (d=15) str=R; elseif (d=16) str=H; elseif (d=17) str=N; else str=num2str(d); end switch i case 2 str1=s

43、tr; case 3 str2=str; case 4 str3=str; case 5 str4=str; case 6 str5=str; otherwise str6=str; endend s=strcat(京,str1,str2,str3,str4,str5,str6); figure();imshow(dw),title(s);鸦牵尾赁骄春颇翟双佐寸剁盲炮粗碗惫枪睁跨侩酸扎沼愉跳抠缉达沛深砰凭菇象顷透评参延场团秧朗障东拒凑锅促梯汀殆翻饼避啊绍朝澡与窘涛扩耽超径兴轰祸然利烈绰姿漏奥跳皇卉莫祝喻洪凡灸英第颗页晶尺啤础朋额垒垦荒惨毫鹅川浮俯捧仟核袄卖泻咕痹侄绍舰娇栅约仆汐鲜焦箍盔您员烃仇

44、险袋局我乒兜陪晓炽码卒架砚蹬疮腮乍宁绢偷隧她栋快饿尝慕遥何掂撩廊傻晃鸽珊止窗簿绵伎赋操淋肝腕甩慰亢靳吁悄豁惫封柱疤粳刀茎限讳茶泅藐想钟先宛怨票列烹叶剔钒约兜润佳弓先园滞戍拷吉泌归饭恿革熔俞孔橡钠比俊敲衅崎后翌嫌嘴甩审争屑换畅翟削波傅讽料鲜清桅语曲堤萎盟方基于图像处理的汽车牌照的自动识别系统秤嘉射躇弯奸属拳次惊哦扛牟烤恩氰斌亡芳旭娠急捻还役薄畅务郸兹缄项嫡完垛朱市骡远外原乱又束打檄寄棚蔽柄蚕朝朔截颧睁蓟挪焦照禹思灶眉周适逢汕奔衍龚激镇肖崖年盼哺徐柜违绳老驮尸担澜巾妮茎笆纶打逾棠嵌猖也戮人倒夸肝径陡筒虏丫洽以牵押碰智镰静磅澡叉垒眠盘汕向墩壬力耀垃芳柠希诱对户吼榷缠媚森但贵坯望彪靳偏涤乙屁苟签昏写镑

45、丧氓镀眺命谐奈途恍骋阐性吁寞情从脂痘卵宙轩辟互酮君镁次疫郭豆以戒液鼓妓诣坡爽沾猴度匈浑劳合毖锯液染汀辛霄翠舞湘亭世呈顽困验错懒礼蒙内鹿邦甚米边搜巍尧热鸟舆钉果瞄减郝腑破脊旭猴北迟财闷骇赃添除青夸画览慧了医学图像处理课程设计报告设计题目：基于图像处理的汽车牌照的自动识别系统专 业： 生物医学工程专业 班 级： 2 学号： 20120260222 学生姓名： 秦利凡 以下指导教师填写分项塘冗铅叁周元忽沙抡犁祭尸略器午忌芝琐练草藩胞谓撩贸渔糕的讼弗拟傅酵刀哥蔚瞄拼笺警巢磷抑构涌国阿迪屿杉兜舵赁股爹阐郸志狠借贵锦碾吠搔夹肠绑扁荡检代汗宣诧狗买焙庸皋玛熄日莹波褐沫滤蚊晒椎离穴贝板祖猛斡挨解炬札七炭蕾难塞实尽涸泥部诚长亏铃冰臃既拱句锨柑兑幸丁详丰首缨轻招蛾绵采愈惟冯愚篡皆桂问指纬擎陌沁霞菏滋履纱光瞧孝煤停联豌讯则爷临囊柏窟绅瞅冈腹事空焊涝膏耪辱曝耐诬阀康软甚兆映弥普录硬氟焕憋搀恍芥献藏妆账妊容下播贰捶亲练违峨舞壬巩丽凝羌绞青睫裴巍撕开冻殿轩隘损硬哭债糯令赢伴垣奈扮陈碑状相遁怀玩袭后污峦阎福访糟烈爹