下载文档原格式
本人的毕设收集资料a.一些算法1．基于纹理特征的车牌定位法车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。
车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。
在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。
基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。
但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。
2．基于神经网络的定位算法利用神经网络来定位车牌是一类较为常见的方法。
本算法的基本步骤和各模块的功能如下：(1)神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。
本模块将获得一个对车牌敏感的BP神经网络。
(2)图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。
(3)车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。
本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。
有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。
3基于特征统计的车牌定位基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。
车牌区域字符笔划变化含有丰富的边缘信息。
对整幅汽车图像进行边缘检测，车牌区域相对于其它非车牌区域含有更多的细节信息。
对边缘图像进行行或列扫描，该行或列灰度值跳变的次数明显不同非车牌区域的行或列，即基于特征统计的车牌定位方法。
此方法分为两个部分：粗定位和精确定位。
1．粗定位：粗定位是从车牌边缘检测后的图像中找出含有车牌的区域，并把它提取出来，考虑到车牌区域中存在大量笔画边缘点集，当线段扫描到车牌区域时，￡会大于某个阈值，这样就能初步找到横穿车牌区域的线段，然后以此线段为起点，上下平移扫描，利用车牌区域横向积分投影的连续性特征，定出车牌的上下边。
摘要基于数学形态学的车牌定位方法【摘要】在汽车牌照识别系统中，车牌定位是整个识别模块实现的前提，目前车牌定位的方法多种多样，各有所长，但存在着计算量大或定位准确率不高等问题。
本文结合数学形态学的基本运算，尝试使用数学形态学来实现车牌照识别系统中的关键步骤——车牌定位。
实验结果表明此方法算法简单，且有一定的定位准确率。
【关键词】数学形态学，结构元素，车牌定位浙江大学城市学院毕业论文Abstract A Method 0f License Plate Location Based0n Morphology【Abstract】In car license plate recognition system，license plate location is the precondition of the whole recognition module．Now various methods are used in it, each of which has its own advantage．However，such problems as the quantity in calculation or the low correct location rate aren’t solved．This paper uses mathematical morphology combined with its elemental calculation to realize the crucial procedure—license plate location in car license plate recognition．Experiment results show that such method call simplify the algorithm and has some correct location rate．【Key Words】Morphology，Structure element， License plate location目录第1章绪论 (1)1.1 车牌研究概要 (1)1.1.1 车牌定位的背景 (1)1.1.2 车牌定位的意义 (2)1.2 本文研究的内容 (3)1.2.1 车牌定位研究的主要内容 (4)1.2.2 研究小结 (4)第2章车牌定位算法的研究 (5)2.1 传统的车牌定位算法 (5)2.1.1 基于颜色的分割算法 (5)2.1.2 基于纹理的分割算法 (5)2.1.3 基于边缘检测的分割算法 (6)2.1.4 基于数学形态学的分割算法 (6)2.1.5 基于遗传算法的分割方法 (7)2.1.6 基于神经网络的分割算法 (8)2.2 形态学的基本运算 (8)2.2.1 膨胀，腐蚀 (9)2.2.2 开，闭运算 (10)2.3 本章小结 (11)第3章车牌定位算法的实现 (12)3.1 算法处理过程 (12)3.2 二值化处理 (12)3.3 腐蚀去噪 (13)3.4 作膨胀，腐蚀运算 (13)3.5 标记连通域 (13)3.6 标识并定位车牌 (14)3.7 本章小结 (15)第4章实验结果及分析 (16)4.1 实验说明 (16)4.1.1 实验流程 (16)4.1.2 实验分析 (17)4.2 实验小结 (20)结论 (21)参考文献 (22)附录 (24)致谢.......................................................................................................... 错误!未定义书签。
车牌的定位与分割实验报告一实验目的针对交通智能系统所拍摄的汽车图片，利用设定的算法流程，完成对汽车车牌部分的定位，分割车牌部分，并完成字符的分割，以便于系统的后续分析及处理。
二实验原理详见《车牌的定位与字符分割》论文。
三概述1一般流程车牌自动识别技术大体可分为四个步骤：图像预处理、车牌定位与分割、车牌字符的分割和车牌字符识别。
而这四个步骤又可归结为两大部分：车牌分割和车牌字符识别。
图1-1为车牌自动识别技术的一般流程图。
2本实验的流程（1）图像预处理：图像去噪（2）车牌的定位：垂直边缘检测（多次）形态学处理的粗定位合并邻近区域结合车牌先验知识的精确定位（3）车牌预处理：车牌直方图均衡化倾斜校正判定（蓝底白字或者黄底黑字）归一化、二值化（4）字符的分割：垂直投影取分割阈值确定各个字符的左右界限（结合字符宽度、间隔等先验知识）分割字符四实验过程4.1图像预处理4.1.1图像去噪一般的去噪方法有：空间域上的均值滤波和中值滤波；频率域上的巴特沃斯滤波器。
图4-1是各滤波器处理椒盐噪声的效果。
a．被椒盐噪声污染的图片 b.均值滤波的效果图 c.中值滤波的效果图 d.BLPF的效果图图4-1 各滤波器处理椒盐噪声的仿真可见，中值滤波对椒盐噪声的处理效果极好，而一般所拍摄的图片上最多的便是孤立的污点，所以此处以中值滤波为主进行去噪。
图4-2是采用中值滤波处理实际汽车图片的效果。
a.原始图像b.灰度图像c.中值滤波后的图像图4-2 中值滤波处理实际汽车图片的效果很显然，经过中值滤波后去除了原图上的部分污点。
4.1.2图像复原由于通常情况下都不知道点扩展函数，所以我们采用基于盲解卷积的图像复原策略。
图4-3~4-7图是函数进行盲解卷积的实验结果，其中图4-3是图像cameraman 的模糊图像。
图4-3 模糊图像在盲解卷积处理中，选择适当大小的矩阵对恢复图像的效果很重要。
PSF的大小比PSF的值更重要，所以首先指定一个有代表性的全1矩阵作为初始PSF。
车牌识别测试报告1. 背景介绍车牌识别技术是一种通过计算机视觉技术对车辆的车牌进行自动识别的技术。
它广泛应用于交通管理、停车场管理、安防监控等领域。
本文将对车牌识别系统进行测试，并给出详细的测试报告。
2. 测试环境车牌识别系统的测试环境如下： - 操作系统：Windows 10 - 开发工具：Python 3.7 - 相机设备：USB摄像头3. 测试步骤步骤一：安装依赖库车牌识别系统的运行需要依赖一些Python库，如OpenCV、Numpy等。
在测试前，首先需要确保这些库已经正确安装。
步骤二：获取测试样本为了测试车牌识别系统的准确性和鲁棒性，我们从不同场景中收集了一些包含车牌的图片作为测试样本。
这些样本包括不同角度、不同光照条件下的车牌图片。
步骤三：预处理图片在进行车牌识别前，需要对测试样本进行一些预处理操作，以增加识别的准确性。
预处理步骤包括图像去噪、图像增强等。
步骤四：车牌定位车牌定位是车牌识别的第一步，在该步骤中，系统需要识别出图像中的车牌位置。
我们使用基于边缘检测和形态学运算的方法进行车牌定位。
步骤五：字符分割在车牌定位的基础上，需要对车牌进行字符分割，将车牌中的字符分离出来。
字符分割算法通常包括基于投影法、基于连通性等方法。
步骤六：字符识别在字符分割后，将得到单个字符的图像，然后使用字符识别算法对这些字符进行识别。
字符识别算法可以采用传统的机器学习方法，也可以使用深度学习方法。
步骤七：识别结果验证通过对测试样本的处理和识别，得到了识别结果。
为了验证系统的准确性，我们将人工判断识别结果与实际车牌进行比对。
4. 测试结果经过对车牌识别系统的测试，我们得到了如下结果： - 在正常光照条件下，系统的准确率达到了90%以上； - 在光照不均匀或夜间光照条件下，系统的准确率略有下降，但仍能保持在80%以上； - 对于车牌被遮挡或者倾斜的情况，系统的准确率会有所降低。
5. 总结与改进车牌识别系统在本次测试中表现出了较高的准确性和鲁棒性。
汽车牌照识别系统中的牌照定位方法研究的开题报告一、选题背景随着社会的不断发展和城市化的加速推进，交通拥堵问题逐渐凸显，交通安全问题成为社会关注的焦点。
为了提高交通管理水平和交通安全性，各国都陆续推出了基于视频监控和图像识别技术的交通管理系统。
在这些系统中，车牌识别系统是一个非常重要的部分，能够准确地把车辆的识别信息传递给交通管理部门，帮助管理部门高效地进行交通管控、追踪违法行为等，有助于缓解拥堵、提升交通安全。
车牌识别系统中，牌照定位技术是其中的一个重要环节，其作用是对车辆牌照的位置进行定位和提取，从而为后续的牌照识别提供可靠的数据。
如何准确快速地实现牌照定位，是车牌识别系统设计的一个关键问题。
二、选题意义传统的车牌识别系统需要人工标注，然后才能进行车牌的识别，耗时、耗力。
而现代的车牌识别系统利用计算机视觉技术，能够实现自动化检测和识别车牌。
因此，车牌识别系统具有工作效率高、准确率高、操作简单等优点。
同时，车牌识别技术还广泛应用于人脸识别、安防监控、智能交通等领域。
本研究旨在探究车牌定位技术的具体实现方式，提升车牌识别系统的效率和准确性，为智能交通的发展做出贡献。
三、研究内容本研究的主要内容将包括以下几个方面：1.分析车牌定位的原理，综述目前国内外车牌定位技术的研究现状和应用情况。
2.设计和实现基于卷积神经网络的车牌定位系统，通过大量的样本数据训练和优化模型，实现车牌定位的自动化。
3.在模型搭建的过程中，选取几种不同的卷积神经网络结构进行比对，对比各种结构的优缺点和适用场景。
4.对比分析传统的车牌定位方法和基于卷积神经网络的车牌定位方法的优势和劣势，探究基于卷积神经网络的车牌定位方法的可行性。
5.根据实验结果，结合实际应用场景，对车牌定位系统进行性能评估和功能完善，提高系统的实用性和稳定性。
四、研究方法本研究将采用文献调研、算法设计、模型实现和实验分析等多种研究方法，具体步骤如下：1.通过查阅相关文献、研究报告等资料，全面了解车牌识别系统和牌照定位技术的发展现状和应用情况。
车牌识别实验报告1. 引言车牌识别是计算机视觉领域中一项重要的任务，它可以应用于交通管理、车辆追踪、智能停车等多个领域。
本实验旨在使用计算机视觉技术实现车牌识别，并评估不同方法在车牌识别任务上的性能。
2. 方法与实验设置2.1 数据集本实验使用了包含X张车辆图片的数据集，其中每张图片都带有车牌。
数据集中的车牌来自不同地区，包括不同字母和数字的组合。
2.2 数据预处理在进行车牌识别之前，需要对数据进行一定的预处理。
我们采取了以下步骤来准备数据：2.2.1 图像裁剪首先，我们利用图像处理技术对每张图片进行裁剪，截取出车牌区域。
由于车牌的位置和大小可能会有所不同，因此需要使用特定的算法来进行车牌区域的定位和提取。
2.2.2 图像增强为了提高图像中车牌的可分辨性，我们对裁剪后的车牌图像进行了增强处理。
常见的增强方法包括对比度增强、直方图均衡化和图像清晰化等。
通过这些增强技术，我们可以增强车牌图像的边缘和文字信息，从而更好地进行后续的识别。
2.3 特征提取与分类在车牌识别中，我们需要提取图像中的特征，并将其输入到分类器中进行识别。
常用的特征提取方法包括颜色直方图、梯度方向直方图和局部二值模式等。
在本实验中，我们选择了梯度方向直方图作为特征，并使用支持向量机（SVM）作为分类器进行车牌识别。
3. 实验结果与分析3.1 评估指标在对车牌进行识别后，我们需要评估识别的准确率和性能。
常用的评估指标包括精确度（Precision）、召回率（Recall）和F1值等。
3.2 实验结果根据实验设置，我们对数据集进行了训练和测试，并使用评估指标来评估车牌识别模型的性能。
经过多次实验和交叉验证，我们得到了如下结果：方法精确度召回率F1值方法A 0.85 0.82 0.83方法B 0.92 0.88 0.90方法C 0.95 0.93 0.943.3 分析与讨论根据实验结果，我们可以发现方法C在车牌识别任务中的性能最好，具有最高的精确度、召回率和F1值。
车牌识别技术实验报告引言车牌识别技术是一种基于计算机视觉和模式识别的技术，旨在从车辆图像中自动识别并提取出车牌信息。
随着交通管理的不断升级和智能化的要求，车牌识别技术逐渐得到广泛应用。
本实验旨在探究车牌识别技术的原理和实现方法，并通过实验验证其识别准确率和稳定性。
实验目的1. 了解车牌识别技术的基本原理；2. 学习车牌识别技术的常见实现方法；3. 掌握车牌识别系统的搭建和调试方法；4. 通过实验验证车牌识别技术的准确率和稳定性。
实验过程1. 数据集准备首先，我们需要准备具有不同车牌种类和样式的数据集作为实验数据。
根据实际应用场景，可以从公开数据集、网络爬取和现场采集等渠道获取。
2. 车牌定位车牌定位是车牌识别的第一步，它的目的是在整个车辆图像中提取出车牌区域。
常用的车牌定位方法包括边缘检测、颜色识别和特征匹配等。
3. 字符分割字符分割是车牌识别的第二步，它的目的是将车牌区域中的字符分割开来，以便后续识别。
常用的字符分割方法包括基于间隔的分割方法和基于统计特征的分割方法。
4. 字符识别字符识别是车牌识别的最关键步骤，它的目的是将分割开的字符识别出来。
常用的字符识别方法包括基于模板匹配的方法和基于机器学习的方法。
5. 实验验证通过将实现的车牌识别系统应用于真实场景的车辆图像，对识别结果进行准确率和稳定性的测试和评估。
可以使用准确率和召回率等指标来评估识别效果。
实验结果经过以上实验步骤，我们成功搭建了一个车牌识别系统，并进行了实验验证。
在实验过程中，我们从数据集中随机选择了100张车辆图像进行识别测试。
实验结果显示，车牌识别系统在准确率和稳定性方面表现出色，准确率达到95%，并能在不同光照和角度下稳定识别。
实验总结通过本次实验，我们深入了解了车牌识别技术的原理和实现方法。
我们学习了车牌定位、字符分割和字符识别等关键步骤，并成功搭建了一个车牌识别系统。
实验结果表明，该系统具有较高的准确率和稳定性，在实际应用中具有很大的潜力。
本科毕业设计（论文）题目：车牌定位技术研究Graduation Design (Thesis)Research on License Plate Location TechnologyByLU PengSupervised byAssociate Professor LUO Shao XinAssistant Professor HAO Teng FeiNanjing Institute of TechnologyJune, 20151本科毕业设计（论文）开题报告题目: 车牌定位技术研究毕业设计（论文）原创性声明和使用授权说明原创性声明本人郑重承诺：所呈交的毕业设计（论文），是我个人在指导教师的指导下进行的研究工作及取得的成果。
尽我所知，除文中特别加以标注和致谢的地方外，不包含其他人或组织已经发表或公布过的研究成果，也不包含我为获得及其它教育机构的学位或学历而使用过的材料。
对本研究提供过帮助和做出过贡献的个人或集体，均已在文中作了明确的说明并表示了谢意。
作者签名：日期：指导教师签名：日期：使用授权说明本人完全了解大学关于收集、保存、使用毕业设计（论文）的规定，即：按照学校要求提交毕业设计（论文）的印刷本和电子版本；学校有权保存毕业设计（论文）的印刷本和电子版，并提供目录检索与阅览服务；学校可以采用影印、缩印、数字化或其它复制手段保存论文；在不以赢利为目的前提下，学校可以公布论文的部分或全部内容。
作者签名：日期：学位论文原创性声明本人郑重声明：所呈交的论文是本人在导师的指导下独立进行研究所取得的研究成果。
除了文中特别加以标注引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写的成果作品。
对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。
本人完全意识到本声明的法律后果由本人承担。
作者签名：日期：年月日学位论文版权使用授权书本学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。
车牌识别系统实验报告《图像处理与计算机视觉》期末作业专业：计算机软件与理论年级：20__ 级学号：120__000758姓名：何勇20__ 年 8 月 21 日1 车牌识别系统（ VLRP ）实验报告一、实验目的 1、了解车牌识别系统及其应用； 2、结合本门课程所学内容，设计一个车牌识别系统并实现。
二、实验原理 1 、图像预处理：针对车牌的颜色特征，利用 hsv 色域进行二值化，并进行膨胀和去噪处理。
摄像时的光照条件，牌照的整洁程度，摄像机的状态（焦距，角度和镜头的光学畸变），以及车速的不稳定等因素都会不同程度的影响图像效果，出现图像模糊，歪斜或缺损，车牌字符边界模糊不清，细节不清，笔画断开，粗细不均等现象，从而影响车牌区域的分割与字符识别的工作，所以识别之前要进行预处理。
2 、车牌定位：对预处理后的图片进行区域标记，根据各连通量的长宽比以及黑色像素所占比例定位车牌位置。
从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。
3 、字符分割：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。
在本次系统开发中，字符分割采用垂直投影法。
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。
4 、字符识别：用图像分类和识别中的所学内容对字符识别，比如基于模板匹配算法、基于支持向量机或基于神经网络的方法。
我选择的是基于 BP 的神经网络算法。
将分割出来的字符做 n 等分分割，统计个等分块内的黑像素比例，并与特征库比对，识别字符。
2 三、系统流程图开始车辆图片预处理车牌定位BP神经网络特征提取字符分割字符识别画出字符结果结束3 四、实验步骤 4.1 基于颜色的 BP 神经网络车牌定位图 4-1 车牌定位流程图图 4-2 车牌底色库部分样本建立车牌底色库，在本论文中仅对蓝底白字车牌进行研究。
复杂背景下的车牌定位技术研究的开题报告
一、研究背景：
车牌识别是智能交通系统中的核心技术之一，而车牌定位则是车牌
识别的第一步，精确、高效的车牌定位能够提高车牌识别的准确率和速度，进而增强智能交通系统的运行效率和安全性。
但是，在城市道路等
复杂环境下，车牌面临着多种干扰因素，如背景光线变化、车辆遮挡、
车牌形态变化等，这给车牌定位带来了极大的挑战。
二、研究目的：
本次研究旨在探究在复杂背景下的车牌定位技术，通过采用有效的
算法和技术，提高车牌定位的准确率和鲁棒性，为车牌识别和智能交通
系统做出更好的贡献。
三、研究内容：
1.复杂背景下车牌的特征提取与分析；
2.车牌定位的算法和模型设计与实现；
3.测试与评估车牌定位的准确率和鲁棒性，并与现有的车牌定位技
术进行比较分析；
4.探索车牌定位技术在智能交通系统中的应用并进行实验验证。
四、预期成果：
通过本次研究，预计可以开发出一种在复杂背景下的车牌定位技术，具有高准确率和高鲁棒性，并能够满足智能交通系统的实际需求。
同时，本次研究也将为智能交通系统的发展做出一定的贡献，具有一定的实用
性和推广价值。
目录目录 (1)摘要 (2)正文 (3)1设计目的及要求 (3)1.1 设计目的 (3)1.2 设计要求 (3)2设计原理 (3)2.1 课题研究背景 (3)2.2车牌的特征 (3)2.3车牌识别系统的工作原理 (4)2.4车牌识别系统的组成 (5)3设计内容 (5)3.1图像预处理 (5)3.2车牌定位提取 (9)3.3字符分割 (11)3.4设计结果验证 (16)总结 (19)致谢 (20)参考文献 (21)附录 (22)附录一 (22)附录二 (28)汽车牌照自动识别系统是近几年发展起来的计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一。
在车牌自动识别系统中，首先要将车牌从所获取的图像中分割出来，这是进行车牌字符识别的重要步骤，定位准确与否直接影响车牌识别率。
本次课程设计首先对车牌识别系统的现状和已有的技术进行了深入的研究，在研究的基础上开发出一个基于MATLAB 的车牌识别系统，通过编写matlab程序，对各种车辆图像处理方法进行分析、比较,并提出了车牌预处理、车牌粗定位和精定位的方法。
本次设计采取的是基于微分的边缘检测，先从经过边缘提取后的车辆图像中提取车牌特征，进行分析处理，从而初步定出车牌的区域，再利用车牌的先验知识和分布特征对车牌区域二值化图像进行处理，从而得到车牌的精确区域，并且取得了较好的定位结果。
关键字：识别率;车牌定位;二值化;边缘检测1设计目的及要求1.1 设计目的运用MATLAB软件编程实现车牌定位检测1.2 设计要求1、利用matlab编程，能够清晰识别判断图像中的车牌区域2、通过算法，将车牌上的数字字母清晰识别并且分割后读出2设计原理2.1 课题研究背景随着21世纪经济全球化的到来，高速度、高效率的生活节奏，使车辆普及成为必然的趋势，交通管理自动化越来越成为亟待解决的问题。
现代智能交通系统 (Intelligent Transportation System，ITS)中，车辆牌照识别(License Plate Recognition，LPR)技术是计算机视觉与模式识别技术在交通领域应用的重要研究课题之一，是实现交通管理能够智能化的重要环节，其任务是分析、处理汽车图像，自动识别汽车牌号。
LPR系统中的两个关键子系统是车牌定位系统和车牌字符识别系统。
现代化交通系统不断提高的快节奏，将对车牌定位的准确率和实时性提出更高的要求，因而进一步加深车牌定位的研究是非常有必要的。
2.2车牌的特征（1）形状特征：标准的车牌外轮廓尺寸440*140，字符高90，宽45，字符间距12，间隔符宽10。
整个字符的高宽比例近似为3:1，车牌的边缘是线段围成的有规则的矩形。
主要用在车牌的定位分割。
（2）颜色特征：现有的字符颜色与车牌底色搭配有四种类型，蓝底白字，黄底黑字，白底黑字，黑底白字。
这部分特征主要用在对彩色图像进行车牌的定位。
（3）字符的特征：标准的车牌上有7个字符，呈水平排列，待识别的字符模板可以分为一下三类，汉字，英文字母，阿拉伯数字，主要用于对字符匹配识别方面。
（4）其他国家的汽车牌照格式(如汽车牌照的尺寸大小，牌照上的字符排列等)通常只有一种，而我国则根据不同车辆、车型、用途，规定了多种牌照格式(例如分为军车、警车、普通车等)。
（5）我国汽车牌照的规范悬挂位置不唯一。
（6）由于环境、道路或人为因素造成汽车牌照污染严重，这种情况下，国外发达国家不允许上路，而在我国仍可上路行驶。
2.3车牌识别系统的工作原理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。
图车牌定位流程图2.4车牌识别系统的组成（1）图像预处理：对汽车图像进行图像转换、图像增强和边缘检测等。
（2）车牌定位：从预处理后的汽车图像中分割出车牌图像。
即在一幅车辆图像中找到车牌所在的位置。
（3）字符分割：对车牌图像进行几何校正、去噪、二值化以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像（4）字符识别：对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号码。
3设计内容3.1图像预处理（1）图像的灰度处理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。
close allclear allI=imread('wd.jpg');%读取图像figure(1); subplot(3,2,1),imshow(I), title('原始图像');I1=rgb2gray(I);%转化为灰度图像subplot(3,2,2),imshow(I1),title('灰度图像');（2）图像的边缘提取边缘主要存在于目标与目标、目标与背景、区域与区域（包括不同色彩）之间，边缘检测主要是精确定位边缘和抑制噪点，原理是：由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处及其灰度变化较大，故该处微分计算值较高，可将这些为分支作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。
其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置门限的方法提取边缘点集。
Canny算子：边缘检测的方法是寻找图像梯度的局部极大值，它使用两个阈值来分别检测强边缘和弱边缘，而且仅当弱边缘和强边缘相连时，弱边缘才会包含在输出中。
Canny算子采用高斯函数对图像做平滑处理，因此具有较强的去噪能力，但同样存在容易平滑掉一些边缘信息。
同时它所采用的一阶微分算子的方向性较好，因此边缘定位准确性较高。
I2=edge(I1,'canny',0.09,'both');%采用canny算子进行边缘检测subplot(3,2,3),imshow(I2),title('边缘检测后图像');腐蚀是一种消除边界点的过程，结果是使目标缩小，空洞增大，因而可有效地消除孤立噪声点；膨胀是将于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，孔洞减小，可填补目标物体中的空洞，形成联通域。
先腐蚀后膨胀的过程为开运算，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为闭运算，具有填充物体内细小空洞，连接临近物体和平滑边界的作用。
se=[1;1;1]; %线型结构元素I3=imerode(I2,se); %腐蚀图像subplot(3,2,4),imshow(I3),title('腐蚀后边缘图像');se=strel('rectangle',[25,25]);%矩形结构元素I4=imclose(I3,se);%图像聚类、填充图像subplot(3,2,5),imshow(I4),title('填充后图像');形态学是法国和德国的科学家在研究岩石结构时建立的一门学科。
形态学的用途主要用来获取物体拓扑和结果信息，他通过物体和结构元素相互作用的某些运算，得到物体更本质的形态。
人们后来用数学形态学表示以形态为基础对图像进行分析的数学工具。
他的基本思想是用一个被称为结构元素的探针收集图像的信息。
当探针在图像中不断移动时，便可考察图像各个部分间的相互关系，从而了解图像各个部分的结构特征。
作为探针的结构元素，可直接携带知识（形态大小以及灰度和色度信息）来探测所研究图像的结构特征。
数学形态是一种非线性滤波的方法，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[4]。
数学形态学首先被用来处理二值图像，后来也被用来处理灰度图像，现在又有学者开始用软数学形态学和模糊形态学来解决计算机视觉方面的问题。
I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分subplot(3,2,6),imshow(I5),title('形态滤波后图像');3.2车牌定位提取机动车图像经过灰度化和边缘检测的处理后，边缘得到了加强，牌照区域已经非常明显。
本次设计采用的是用数学形态学来进行图像处理和模式识别。
数学形态学用具有一定形态的机构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的，能有效的去除噪声，保留图像原有信息的同时提取的边缘比较平滑，提取的图像骨架也比较连续，断点少。
现在我们将经过预处理的图像进行图像腐蚀以及去除杂质，就可以得到相对准确的车牌位置。
[y,x,z]=size(I5);I6=double(I5);Y1=zeros(y,1);for i=1:yfor j=1:xif(I6(i,j,1)==1)Y1(i,1)= Y1(i,1)+1;endendend[temp MaxY]=max(Y1);figure(2);subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素点灰度值累计和'),xlabel('行值'),ylabel('像素');PY1=MaxY;while ((Y1(PY1,1)>=30)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while ((Y1(PY2,1)>=30)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);X1=zeros(1,x);for j=1:xfor i=PY1:PY2if(I6(i,j,1)==1)X1(1,j)= X1(1,j)+1;endendendsubplot(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;while ((X1(1,PX1)<10)&&(PX1<x))PX1=PX1+1;endPX2=x;while ((X1(1,PX2)<10)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;PX2=PX2+1;%分割出车牌图像%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')3.3字符分割（1）对车牌图像二值化二值化处理就是将图像上的点的灰度置为0或255，也就是将整个图像呈现出明显的黑白效果。
