车牌识别---数字图像课设.doc

数字图像处理

课程设计报告

课设题目：
车牌识别
学 院：
信息科学与工程学院
专 业：
电子与信息工程
班 级：
0802503
姓 名：
周亚楠
学 号：
080250303
指导教师：
于海雁

哈尔滨工业大学（威海）

2011年
11月
23日

1. 不要删除行尾的分节符，此行不会被打印
哈尔滨工业大学（威海）课程设计报告

一. 课程设计任务 3
二. 课程设计原理及设计方案 4
三．课程设计的步骤和结果 5
三. 设计体会 19
四. 参考文献 20

- 16 -
一. 课程设计任务
在交通管理过程中，通常采用视频监控方式对闯红灯和超速等违章车辆进行监督。对违章车辆，需要自动检测车牌信息，提取车牌号码，以便查找车主信息和监督管理。国内常用的一般车牌通常是是蓝底白字，长宽比3:1。
车牌定位系统的目的在于正确获取整个图像中车牌的区域，并识别出车牌号。通过设计实现车牌识别系统，能够提高学生分析问题和解决问题的能力，还能培养一定的科研能力。
要求：
1、对车牌图像进行预处理，然后进行车牌定位；
2、进行字符分割；
2、对车牌中的数字和字母进行提取和识别（对汉字不作要求）；（提高部分）
3、要求自行设计方案、编写代码实现上述功能。

二. 课程设计原理及设计方案
1. 基本原理
车牌识别系统作为数字摄像、计算机信息管理、图像分割和图形识别技术在智
能交通领域的应用，是智能交通管理系统中重要的组成部分。车牌识别技术可应用
于道路交通监控、交通事故现场勘察、交通违章自动记录、高速公路超速管理系统、
小区智能化管理等方面，为智能交通管理提供了高效、实用的手段。
目前世界各国都在进行适用于本国汽车牌照的自动识别研究，美、日、韩等国
已有相关系统（基于传感器）问世。引进这些系统费用比较高、而且由于各国车牌
和实际的交通环境不同，引进的系统往往无法满足我国城市的需求，而国内市场上
虽然已有产品投入使用，但是在后续处理时很大程度上仍然需要人工识别，所以对
车牌识别技术的研究依然是目前高科技领域的热门课题之一。 车牌识别系统的成功
设计、开发和应用具有相当大的社会效益、经济效益和学术意义。
图像拍摄
预处理
字符分割
字符识别
2.系统框图

三．课程设计的步骤和结果
1.总体设计方案:
为了进行牌照识别，需要以下几个基本的步骤：
a.牌照定位，定位图片中的牌照位置；
b.牌照字符分割，把牌照中的字符分割出来；
c.牌照字符识别，把分割好的字符进行识别，最终组成牌照号码。
　　牌照识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与牌照识别互相配合、互相验证。
(1）牌照定位:
自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，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。
流程图:
导入原始图像
图像预处理增强效果图像

边缘提取

对图像开闭运算
车牌定位

（2）牌照字符分割 :
计算水平投影进行车牌水平校正
去掉车牌的框架

分析垂直投影找到每个字符中心位置

按左右宽度切割出字符

完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。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间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。

（3）牌照字符识别 :
字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化,并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选最佳匹配作为结果。基于人工神经元网络的算法有两种：一种是先对待识别字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把待处理图像输入网络，由网络自动实现特征提取直至识别出结果。实际应用中，牌照识别系统的识别率与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等；实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。这些影响因素不同程度上降低了牌照识别的识别率，也正是牌照识别系统的困难和挑战所在。为了提高识别率，除了不断的完善识别算法，还应该想办法克服各种光照条件，使采集到的图像最利于识别。
2.各模块的实现:
（1）输入待处理的原始图像:
clear ;
close all;
%Step1 获取图像 装入待处理彩色图像并显示原始图像
Scolor = imread('3.jpg');%imread函数读取图像文件

图2.1原始图像
（2）图像的灰度化:
彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。选择的标准是经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
%将彩色图像转换为黑白并显示
Sgray = rgb2gray(Scolor);%rgb2gray转换成灰度图
figure,imshow(Sgray),title('原始黑白图像');

图2.2原始黑白图像
（3）对原始图像进行开操作得到图像背景图像:
s=strel('disk',13);%strei函数
Bgray=imopen(Sgray,s);%打开sgray s图像
figure,imshow(Bgray);title('背景图像');%输出背景图像

图2.3背景图像

（4）灰度图像与背景图像作减法，对图像进行增强处理:
Egray=imsubtract(Sgray,Bgray);%两幅图相减
figure,imshow(Egray);title('增强黑白图像');%输出黑白图像

图2.4黑白图像

（5）取得最佳阈值，将图像二值化:
二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统中，进行图像二值变换的关键是要确定合适的阀值，使得字符与背景能够分割开来，二值变换的结果图像必须要具备良好的保形性，不丢掉有用的形状信息，不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大，采用二值图像进行处理，能大大地提高处理效率。阈值处理的操作过程是先由用户指定或通过算法生成一个阈值，如果图像中某中像素的灰度值小于该阈值，则将该像素的灰度值设置为0或255，否则灰度值设置为255或0。
fmax1=double(max(max(Egray)));%egray的最大值并输出双精度型
fmin1=double(min(min(Egray)));%egray的最小值并输出双精度型
level=(fmax1-(fmax1-fmin1)/3)/255;%获得最佳阈值
bw22=im2bw(Egray,level);%转换图像为二进制图像
bw2=double(bw22);
figure,imshow(bw2);title('图像二值化');%得到二值图像

图2.5二值图像

（6）边缘检测:
两个具有不同灰度值的相邻区域之间总存在边缘，边缘就是灰度值不连续的结果，是图像分割、纹理特征提取和形状特征提取等图像分析的基础。为了对有意义的边缘点进行分类，与这个点相联系的灰度级必须比在这一点的背景上变换更有效，我们通过门限方法来决定一个值是否有效。所以，如果一个点的二维一阶导数比指定的门限大，我们就定义图像中的次点是一个边缘点，一组这样的依据事先定好的连接准则相连的边缘点就定义为一条边缘。经过一阶的导数的边缘检测，所求的一阶导数高于某个阈值，则确定该点为边缘点，这样会导致检测的边缘点太多。可以通过求梯度局部最大值对应的点，并认定为边缘点，去除非局部最大值，可以检测出精确的边缘。一阶导数的局部最大值对应二阶导数的零交叉点，这样通过找图像强度的二阶导数的零交叉点就能找到精确边缘点。
grd=edge(bw2,'canny')%用canny算子识别强度图像中的边界
figure,imshow(grd);title('图像边缘提取');%输出图像边缘

图2.6像边缘提取

（7）对得到图像作开操作进行滤波:
数学形态非线性滤波，可以用于抑制噪声，进行特征提取、边缘检测、图像分割等图像处理问题。腐蚀是一种消除边界点的过程，结果是使目标缩小，孔洞增大，因而可有效的消除孤立噪声点；膨胀是将与目标物体接触的所有背景点合并到物体中的过程，结果是使目标增大，孔洞缩小，可填补目标物体中的空洞，形成连通域。先腐蚀后膨胀的过程称为开运算，它具有消除细小物体，并在纤细处分离物体和平滑较大物体边界的作用；先膨胀后腐蚀的过程称为闭运算，具有填充物体内细小空洞，连接邻近物体和平滑边界的作用。对图像做了开运算和闭运算，闭运算可以使图像的轮廓线更为光滑，它通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓线中的断裂。
bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的闭运算
figure,imshow(bg1);title('图像闭运算[5,19]');%输出闭运算的图像
bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的开运算
figure,imshow(bg3);title('图像开运算[5,19]');%输出开运算的图像
bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的开运算
figure,imshow(bg2);title('图像开运算[19,1]');%输出开运算的图像

图2.7.1闭运算的图像 图2.7.2开运算的图像

图2.7.3开运算的图像

（8）对二值图像进行区域提取，并计算区域特征参数。进行区域特征参数比较，提取车牌区域:
a.对图像每个区域进行标记，然后计算每个区域的图像特征参数：区域中心位置、最小包含矩形、面积。
[L,num] = bwlabel(bg2,8);%标注二进制图像中已连接的部分
Feastats = imfeature(L,'basic');%计算图像区域的特征尺寸
Area=[Feastats.Area];%区域面积
BoundingBox=[Feastats.BoundingBox];%[x y width height]车牌的框架大小
RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %标志图像向RGB图像转换
figure,imshow(RGB);title('图像彩色标记');%输出框架的彩色图像

图2.8.1彩色图像
b. 计算出包含所标记的区域的最小宽和高，并根据先验知识，比较谁的宽高比更接近实际车牌宽高比，将更接近的提取并显示出来。
计算矩形的高度

框架的宽度和高度的范围
车牌的开始列
车牌的开始行
计算车牌长宽比
获取车牌二值子图
计算矩形的宽度
2.8.2灰度子图和二值子图
（9）对水平投影进行峰谷分析:
对水平投影进行峰谷分析,计算出车牌上边框、车牌字符投影、车牌下边框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。
histcol1=sum(sbw1); %计算垂直投影
histrow=sum(sbw1'); %计算水平投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（含边框）');%输出垂直投影
subplot(2,1,2),bar(histrow); title('水平投影（含边框）');%输出水平投影

图2.9.1垂直投影和水平投影
figure,subplot(2,1,1),bar(histrow); title('水平投影（含边框）');%输出水平投影
subplot(2,1,2),imshow(sbw1);title('车牌二值子图');%输出二值图
对水平投影进行峰谷分析:
求水平投影的最小值
取阈值
计算谷宽度
计算峰距离
计算下降点
找到峰中心位置
求水平投影的平均值

图2.9.2水平投影和二值图 程序流程图

（10）计算车牌旋转角度:
a.车牌倾斜的原因导致投影效果峰股谷不明显，在这里需要做车牌矫正处理。这里采取的线性拟合的方法,计算出车牌上边或下边图像值为1的点拟合直线与水平X轴的夹角。
求最大宽度为字符
检测上边
从顶边至第一个峰下降点扫描
从底边至最后一个峰的上升点扫描
找第一个为1的点
标示出图像大小

程序流程图
(2)线性拟合，计算与x夹角
fresult = fit(xdata',ydata','poly1'); %poly1表示一介拟合
Y = p1*x+p2
p1=fresult.p1;
angle=atan(fresult.p1)*180/pi; %弧度换为度，360/2pi, pi=3.14
(3)旋转车牌图象
subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋转车牌图象
sbw = imrotate(sbw1,angle,'bilinear','crop');%旋转图像
figure,subplot(2,1,1),imshow(subcol);title('车牌灰度子图');%输出车牌旋转后的灰度图像标题显示车牌灰度子图
subplot(2,1,2),imshow(sbw);title('');%输出车牌旋转后的灰度图像
title(['车牌旋转角: ',num2str(angle),'度'] ,'Color','r');%显示车牌的旋转角度

图2.10.1旋转后的灰度图像和旋转角度
b.旋转车牌后重新计算车牌水平投影，去掉车牌水平边框，获取字符高度:
histcol1=sum(sbw); %计算垂直投影
histrow=sum(sbw'); %计算水平投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（旋转后）');
subplot(2,1,2),bar(histrow); title('水平投影（旋转后）');

图2.10.2垂直投影（旋转后）和水平投影（旋转后）
figure,subplot(2,1,1),bar(histrow); title('水平投影（旋转后）');
subplot(2,1,2),imshow(sbw);title('车牌二值子图（旋转后）');

图2.10.3水平投影（旋转后）和车牌二值子图（旋转后）
（11）去水平（上下）边框,获取字符高度:
a.通过以上水平投影、垂直投影分析计算，获得了车牌字符高度、字符顶行与尾行、字符宽度、每个字符的中心位置，为提取分割字符具备了条件。
maxhight=max(markrow2);
findc=find(markrow2==maxhight);
rowtop=markrow(findc);
rowbot=markrow(findc+1)-markrow1(findc+1);
sbw2=sbw(rowtop:rowbot,:); %子图为(rowbot-rowtop+1)行
maxhight=rowbot-rowtop+1; %字符高度(rowbot-rowtop+1)
b.计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度
histcol=sum(sbw2); %计算垂直投影
figure,subplot(2,1,1),bar(histcol);title('垂直投影（去水平边框后）');%输出车牌的垂直投影图像
subplot(2,1,2),imshow(sbw2); %输出垂直投影图像
title(['车牌字符高度： ',int2str(maxhight)],'Color','r');%输出车牌字符高度
%对垂直投影进行峰谷分析
求垂直投影的最小值
取阈值
计算字符上升点
计算谷宽度
计算字符距离
找到字符中心位置
求垂直投影的平均值

图2.11垂直投影图像和车牌字符高度 程序流程图
c.计算车牌上每个字符中心位置，计算最大字符宽度maxwidth
l=0;
for k=1:n1
markcol3(k)=markcol(k+1)-markcol1(k+1);%字符下降点
markcol4(k)=markcol3(k)-markcol(k); %字符宽度（上升点至下降点）
markcol5(k)=markcol3(k)-double(uint16(markcol4(k)/2));%字符中心位置
end
markcol6=diff(markcol5); %字符中心距离（字符中心点至下一个字符中心点）
maxs=max(markcol6); %查找最大值，即为第二字符与第三字符中心距离
findmax=find(markcol6==maxs);
markcol6(findmax)=0;
maxwidth=max(markcol6);%查找最大值，即为最大字符宽度
d.提取分割字符,并变换为22行*14列标准子图
l=1;
[m2,n2]=size(subcol);
figure;
for k=findmax-1:findmax+5
cleft=markcol5(k)-maxwidth/2;
cright=markcol5(k)+maxwidth/2-2;
if cleft<1
cleft=1;
cright=maxwidth;
end
if cright>n2
cright=n2;
cleft=n2-maxwidth;
end
SegGray=sbw(rowtop:rowbot,cleft:cright);
SegBw1=sbw(rowtop:rowbot,cleft:cright);
SegBw2 = imresize(SegBw1,[22 14]); %变换为22行*14列标准子图
subplot(2,n1,l),imshow(SegGray);
if l==7
title(['车牌字符宽度： ',int2str(maxwidth)],'Color','r');
end
subplot(2,n1,n1+l),imshow(SegBw2);
fname=strcat('F:\MATLAB\work\sam\image',int2str(k),'.jpg');%保存子图备选入样本库,并建立样本库
imwrite(SegBw2,fname,'jpg')
l=l+1;
End
（12） GUI界面

三. 设计体会
在设计的过程中，遇到一些问题，比如说在字符分隔显示时，由于最初的原代码是显示在一个figure上，而在GUI界面上要显示在7个不同的小图上，这就需要对程序重新的改动，在这方面也做了不少尝试，最终成功在一个页面上显示出了字符分隔后的结果。
在设计中，仅做到了字符分隔，并未实现字符的识别，模板匹配的识别能力很差，经常会识别错误。完成了基本的要求。
设计过程对彩色图像进行了灰度化处理，既减小了存储空间，又加快了识别速度。
在设计的过程中学习到了不少的东西，比如图像的灰度处理，二值化，图像增强，开闭运算取图像中的闭区域，图像滤波减噪，图像倾斜的纠正，以及图像大小计算和分割，在解决困难的过程中，对图像有了更深一步的了解，同时对matlab更加熟悉，方案设计与优化的能力也有所提高。

四. 参考文献
具体格式参考如下：
1 林来兴.空间控制技术.宇航出版社,1992:25-42
2 J. R. McDonnell, D. Wagen. Evolving Recurrent Perceptions for Time-Series Modeling. IEEE Trans. on Neural Networks. 1994, 5(1): 24-38
3 X. Yao. Evolutionary Artifitial Neural Networks. J. of Neural Systems. 1933,(4): 203-222
4 谌颖.空间最优交会控制理论与方法研究.哈尔滨工业大学博士论文. 1992:8-13
5 S. Niwa, M. Suzuki and K. Kimura. Electrical Shock Absorber for Docking System in Space. IEEE International Workshop on Intelligent Motion Control, Bogazici University, Istenbul. 1990: 825-830
6 吴葳,洪炳熔.自由浮游空间机器人捕捉目标的运动规划研究.中国第五届机器人学术会议论文集.哈尔滨,1997:75-80