基于MATLAB的车辆识别研究

《基于MATLAB的车辆识别研究》由会员分享，可在线阅读，更多相关《基于MATLAB的车辆识别研究（22页珍藏版）》请在装配图网上搜索。

1、基于MATLAB的车牌识别研究摘要随着我国公路事业的发展，人工管理方式已经不能满足如今实际的需要。车牌识别技术是计算机视频图像识别技术在车辆牌照识别中的一种应用，是现代智能交通系统（Intelligent Traffic System，简称ITS）中的重要组成部分之一。车牌识别系统（vehicle license plate recognition system，简称LPR）使车辆管理更加智能化、数字化，有效提升了交通管理的效率。对于交通管理、治安处罚等工作的智能化起着十分重要的作用。它可广泛应用于交通流量检测，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

2、及车辆安全防盗等领域，具有广阔的应用前景。而牌照作为机动车辆管理的唯一标识符号，使得车辆牌照识别系统的研究在机动车管理方面具有重要的实际意义。本文通过对题目的研究，设计了一个基于Matlab软件的车牌识别程序，可实现图像预处理、车牌定位、字符分割，然后通过神经网络对车牌进行字符识别，从图像中提取车牌中的字母和数字，从而得到文本形式的车牌号码。其中，图像预处理是通过图像灰度化及Roberts算子进行边缘检测完成。车牌定位是通过数学形态法来确定，然后再通过车牌彩色信息的彩色分割法来完成车牌的切割。字符分割是将车牌部分进行二值化后，进行垂直投影以及对投影部分扫描得到。通过用该算法对三个问题中的照片和

3、视频进行处理，可识别车辆牌照：问题1: image_1.jpg中牌照信息肉眼可识别为渝A7Y618，但本算法未将汉字识别；image_2.jpg中牌照信息肉眼可识别为渝BPY287，但本算法未将汉字识别，未将数字完整识别；image_3.jpg中牌照信息肉眼可识别为渝BXW192，但本算法未能识别；问题2：image_4.jpg中牌照信息肉眼可识别为渝BSU298，但本算法未能识别；image_5.jpg中牌照信息未能识别；问题3： video.avi中肇事车辆牌照信息未能识别。关键词：Matlab ；牌照识别； 图像预处理；车牌定位；字符分割；神经网络 一、问题重述1.1 引言车牌识别技术是

4、计算机视频图像识别技术在车辆牌照识别中的一种应用。车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。通过一些后续处理手段可以实现停车场收费管理，交通流量控制指标测量，车辆定位，汽车防盗，高速公路超速自动化监管等等功能。因此基于计算机图像处理和字符识别技术的车牌自动识别技术，有着极其广阔的推广应用前景。车辆牌照识别系统是一个基于数字图像处理和字符识别的智能化交通管理系统，该先系统通过视频采集接口采集摄像头摄入包含车牌的视频图像，再对动态采集

5、到的图像进行处理以克服图像干扰，改善识别效果，接着在动态采集到的图像中自动找到车牌的位置也就是边缘检测，并分割出单个字符的矩形区域，然后对车牌进行二值化，最后把规整好的字符输入字符识别系统进行识别。1.2问题问题一：对于清晰车牌图像进行号码识别，并提取相应车牌号码，测试图像文件见image_1, image_2, image_3；问题二：对于低质量车牌图像进行号码识别，并提取相应车牌号码，测试图像文件见image_4, image_5；问题三：针对视频中的肇事车辆，请提取肇事车辆的车牌号码，视频文件见video.avi：二、模型假设及符号说明2.1模型假设（1）假设拍摄牌照时，光线较充足。（2

6、）假设拍摄牌照时，光路中无较大灰尘、颗粒。（3）假设车辆牌照无人为或意外而被污染、模糊视线。（4）假设获取图像的工具可正常使用，可得到当时所处环境下最大限度的原始图像信息。2.2符号说明此处未说明的符号将在下述文章中一一阐明。三、问题分析3.1 背景概述当今社会发展迅猛，经济水平稳步增长，人们的生活水平与生活质量也在逐渐提高，伴随而来的私有车辆数量每年都在不断增多，城市交通管理的压力扩大，公路上出现的车辆超速、超载，日常丢车甚至发生车祸肇事逃逸等现象愈加严重，而在高速公路出入口处，沿用以往的收计费方式已经无法满足如今的公路管理模式，。由此可知，改善公路管理系统、提高公路管理效率由此造成的交通拥

7、堵现象严重影响到了社会的正常管理和人们的日常生活的安定是多么刻不容缓。为缓解公路管理压力，我们需要研究出一套现代智能公路管理系统来解决。而车牌作为每辆车的“身份证”，是用来确定每辆车的依据，故而车牌识别系统的建立是实现智能交通管理系统的重要前提。3.2 具体分析对于车牌识别技术的研究可以追溯到上个世纪，目前可知的方法包括图像处理技术、神经元网络算法、车辆检测技术、计算机视觉技术、人工智能技术和模糊数学理论等，而对于我国车牌识别的特殊性，仅仅采用其中一种技术是难以奏效的。我们现在的一些方法主要是将上述的一些传统方法同现在的高新技术相结合以达到更好的效果。而我们所研究的车牌识别程序是建立在排除外界

8、一系列对车牌识别有较大影响的客观不利因素的前提下进行探讨与研究的。同时，我们可以从所给题目中得到车牌识别所需要运用的主要内容及概念。由此，我们使用Matlab软件进行车牌识别算法的编写与研究，来实现图像预处理、车牌定位、字符分割，然后通过神经网络对车牌进行字符识别，从图像中提取车牌中的字母和数字，从而得到文本形式的车牌号码。其中，图像预处理是通过图像灰度化及Roberts算子进行边缘检测完成。车牌定位是通过数学形态法来确定，然后再通过车牌彩色信息的彩色分割法来完成车牌的切割。字符分割是将车牌部分进行二值化后，进行垂直投影以及对投影部分扫描得到。具体步骤如图一所示：图像读取图像预处理车牌定位字符

9、分割字符识别结果输出图一 车牌识别算法基本原理图四、基本模型4.1 图像预处理模块成像系统获取的图像(原始图像)由于受到种种条件限制和随机干扰，如光照明暗程度、相对运动以及设备性能的优劣等，往往存在有噪声，对比度不够等缺点。另外，距离远近，焦距大小等又使得所拍摄物体在整幅图像中间的大小和位置不确定，环境中的噪声、编码过程中产生的块效应等会造成图像失真，往往不能在视觉系统中直接使用，因此要改善图像数据，抑制不需要的变形或者增强。对原始图像进行图像增强、图像分割、边缘检测等处理，这些处理的技术被称为图像预处理技术。对于后续处理来说，以提取图像特征为目的的图像预处理在图像处理过程中显得非常重要。具体

10、步骤流程图如图二所示：图像读取灰度化图像平滑处理边缘提取图二 图像预处理原理图4.1.1 图像采集以及灰度化输入的彩色图像包含大量颜色信息，会占用较多的存储空间，且处理时也会降低系统的执行速度，因此对图像进行识别等处理时，常将彩色图像转换为灰度图像，以加快处理速度。现今中国的车辆牌照一般可分为蓝底白字、黄底黑字、白底红字、绿底白字和黑底白字等几种类型，我们可以利用不同的色彩通道来区分区域和背景，即对于蓝底白字的牌照，采用蓝色B通道，此时牌照区域中字符并不呈现，因为蓝色与白色在B通道中并无区分，而在G、R通道中则不然。对于白底黑字则可用R通道，绿底黑字的牌照则可用G通道明显显示出牌照区域位置以便

11、后续处理。将彩色图像转化成灰度化图像时，其灰度值可由以下公式计算得到： G=0.110B+0.588G+0.302R (1) G=(B+G+R)/3 (2)由本算法得到的灰度图像（以下均以image_1.jpg所得图像示例）： 4.1.2 图像边缘提取边缘是指图像局部亮度变化显著的部分，是图像风、纹理特征提取和形状特征提取等图像分析的重要基础。图象增强处理对图象牌照的可辩认度的改善和简化后续的牌照字符定位和分割的难度都是很有必要的。因此我们需要对图像进行边缘检测。增强图象对比度度的方法有：灰度线性变换、图象平滑处理等。（1）灰度化处理由于牌照图象在拍摄时受到种种条件的限制和干扰，图象的灰度值往

12、往与实际景物不完全匹配，这直接影响到图象的后续处理。当导致这一结果的原因为：被摄物体的远近不同，使得图象中央区域和边缘区域的灰度失衡，或是由于摄像头在扫描时各点的灵敏度有较大的差异而产生图象灰度失真，异或为曝光不足而使得图像的灰度变化范围很窄等时，就可以采用灰度校正的方法来处理，以此来增强灰度的变化范围、丰富灰度层次，达到增强图象的对比度和分辨率。（2）平滑处理对于受噪声干扰严重的图象，由于噪声点多在频域中映射为高频分量，因此可以在通过低除噪声，但实际中为了简化算法也可以直接在空域中用求邻域平均值的方法来削弱噪声的影响，这种方法称为图象平滑处理。邻域平均值的公式表示为：g(i,j)=f(i,j

13、)/M (其中（i,j）S)上式中M 为邻域中除中心象素点f(i,j) 之外包括的其它象素总数。然而，邻域平均值的平滑处理会使得图象灰度急剧变化的地方，尤其是物体边缘区域和字符轮廓等部分产生模糊作用。为了克服这种平均化引起的图象模糊现象，我们给中心点象素值与其邻域平均值的差值设置一固定的阈值，只有大于该阈值的点才能替换为邻域平均值，而差值不大于阈值时，仍保留原来的值，从而减少由于平均化引起的图象模糊。由边缘提取、腐蚀、填充、形态滤波后所得图像：4.2 车辆牌照定位模块车牌定位作为整个车牌识别系统中最重要的技术之一，主要是在经图象预处理后的原始灰度图象中确定牌照的具体位置。其关键在于能够在此过程

14、中识别牌照所在的区域，而整个识别系统的准确性也在于此。首先对采集到的图像进行全面搜索，找到符合汽车牌照特征的若干区域，牌照所在区域在原始图象中是较有特征的一块区域，它是水平度较高的横向近似的长方形，它在原始图象中的相对位置比较明显 ，且其灰度值与周边区域的灰度值有明显不同，因此在其周边形成了灰度突变的边界，这样就便于通过边缘检测来对图象进行分割，最后选定一个最佳的区域作为牌照区域，并将其从图象中分割出来。该操作的主要流程图为：图像腐蚀处理计算行列方向灰度值累积和计算寻找车牌区域车牌定位车牌切割处理车牌定位流程图4.2.1 车牌二值化处理在数字图像处理中，二值图像占有非常重要的地位，首先，图像的

15、二值化有利于图像的进一步处理，使图像变得简单，而且数据量减小，能凸显出感兴趣的目标的轮廓。其次，要进行二值图像的处理与分析，首先要把灰度图像二值化，得到二值化图像。所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255表示，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。这样子有利于再对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，不再涉及像素的多级值，使处理变得简单，而且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域。如果某特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度

16、值的均匀背景下，使用阀值法就可以得到比较的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阀值选取技术来分割该图像。就本题来说，对牌照的二值化最常用的方法就是设定一个阈值T，用T将图像的数据分成两部分：即大于T的像素群和小于T的像素群，图像中对象物的形状特征的主要信息，则可以从二值图像中得到。因此，在车牌字符切分前，首先对图像进行二值化处理。均值滤波是典型的线性滤波算法，它是指在图像上对目标像素给一个模板，该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。经过以上方法即完成了车辆号码牌的二值化。经上述方法所得

17、行列灰度化之和及牌照分割图像为：4.344.3 字符分割字符分割是将多行或多字符图像中的每个字符从整个图像中分割出来，成为单个字符。由于字符字体存在着多样性，所以在一般的字符识别系统中，字符识别之前要先对图像进行阈值化，然后再进行行字切分，以分割出一个个具体的二值表示的字符图像点阵，作为单字符识别的输入数据。由于获得的文本图像不但包含了组成文本的一个个字符，而且包含了字符行间距与字间的空白，甚至还会带有各种标点符号，这就需要采用一定的处理技术将文本中的一个个字符切分出来，形成单个字的图像阵列，以进行单字识别处理。本算法主要切分方法主要有行切分和字切分，本算法主要用到的是字切分技术。具体方法示意

18、图为：m，n=size（d），逐排检查有没有白色像素点，设置1=j=50)&(PY11) PY1=PY1-1; end PY2=MaxY; while (Y1(PY2,1)=50)&(PY2y) PY2=PY2+1; end IY=I(PY1:PY2,:,:); X1=zeros(1,x); for j=1:x for i=PY1:PY2 if(I6(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end end subplot(3,2,2),plot(0:x-1,X1),title(列方向像素点灰度值累计和),xlabel(列值),ylabel(像数); PX1=1; w

19、hile (X1(1,PX1)3)&(PX1x) PX1=PX1+1; end PX2=x; while (X1(1,PX2)PX1) PX2=PX2-1; end PX1=PX1-1; PX2=PX2+1; dw=I(PY1:PY2,PX1:PX2,:); subplot(3,2,3),imshow(dw),title(定位剪切后的彩色车牌图像)if isrgb(dw) I1 = rgb2gray(dw); %将RGB图像转化为灰度图像else I1=dw; endg_max=double(max(max(I1);g_min=double(min(min(I1);T=round(g_max-

20、(g_max-g_min)/3); % T 为二值化的阈值m,n=size(I1);% d:二值图像%h=graythresh(I1);I1=im2bw(I1,T/256);subplot(3,2,4);imshow(I1),title(二值化车牌图像);I2=bwareaopen(I1,20);subplot(3,2,5);imshow(I2),title(形态学滤波后的二值化图像);y1,x1,z1=size(I2);I3=double(I2);TT=1;Y1=zeros(y1,1); for i=1:y1 for j=1:x1 if(I3(i,j,1)=1) Y1(i,1)= Y1(i,

21、1)+1 ; end end endPy1=1;Py0=1;while (Y1(Py0,1)20)&(Py0=20)&(Py1y1) Py1=Py1+1; endI2=I2(Py0:Py1,:,:);subplot(3,2,6);imshow(I2),title(目标车牌区域);X1=zeros(1,x1);for j=1:x1 for i=1:y1 if(I3(i,j,1)=1) X1(1,j)= X1(1,j)+1; end end endfigure(5);plot(0:x1-1,X1),title(列方向像素点灰度值累计和),xlabel(列值),ylabel(累计像素量);Px0=1;Px1=1;for i=1:7 while (X1(1,Px0)3)&(Px0=3)&(Px1x1)|(Px1-Px0)=0 & max(chunk(:)=0 & max(x(:)=1);endendend21