车牌识别数字图像处理

基于数字图像处理的车牌识别技术研究数字图像处理技术的发展，推动了很多生活领域的发展，其中一个应用领域就是车牌识别技术。

随着机器视觉技术的不断进步和成熟，车牌识别技术也得到了广泛应用，从而改变了人们的生活和工作方式。

本文将从车牌识别技术的发展历程、技术原理和应用领域三个方面进行分析和探讨。

一、车牌识别技术的发展历程车牌识别技术起初主要应用在警务、交通违法处理、停车场管理等方面。

但随着技术的不断进步和应用需求的增加，车牌识别技术开始在一些商业领域得到广泛应用，如门禁系统、智慧停车场、道路收费系统等。

二、车牌识别技术的基本原理车牌识别技术是一项集成计算机视觉和数字图像处理技术的综合性技术，其基本原理为：通过采集、处理和识别车辆行驶过程中的数字图像信息，实现对车辆的追踪、预警、识别、管理、控制等功能。

车牌识别技术的核心技术包括图像采集和预处理、车牌定位和分割、字符识别和数字识别等三个方面。

图像采集和预处理是车牌识别技术中最基本的环节，直接影响后续处理的质量和精度。

采集过程需要保证光线的充足性和图像清晰度，同时要根据不同的场景和车速等因素调整采集参数，如曝光时间、快门速度等。

车牌定位和分割是车牌识别技术中比较重要的步骤，其主要任务是将图像中的车牌区域准确地划分出来。

车牌定位和分割方法主要有颜色阈值法、边缘检测法和形状检测法等。

其中，颜色阈值法是一种比较常用和简单的方法，其基本原理是设定一个基于颜色的阈值，将车牌区域和其他区域分割开来。

字符识别是车牌识别技术中最为核心的环节，其主要任务是对车牌上的字符进行识别。

车牌上的字符由数字和字母组成，因此字符识别主要分为数字识别和字母识别两种类型。

字符识别的主要技术包括模式匹配、神经网络、支持向量机、卷积神经网络等方法。

三、车牌识别技术的应用领域车牌识别技术广泛应用于智慧交通、安防监控、金融服务、互联网营销、智慧城市建设等多个领域。

其中，智慧交通是车牌识别技术的主要应用领域之一。

本科生毕业论文（设计）题目:基于数字图像处理的车牌识别设计**: ***学院: 数理与信息工程学院专业: 电子信息工程班级: 111学号:指导教师:刘纯利职称: 教授2014 年12 月24 日安徽科技学院教务处制目录摘要 ....................................................................关键词 ..................................................................1、设计目的 .............................................................2、设计原理: ............................................................3、设计步骤: ............................................................4、实行方案 .............................................................4.1. 总体实行方案:...................................................4.2. 各模块的实现:...................................................4.2.1输入待处理的原始图像: .......................................4.2.2图像的灰度化并绘制直方图: ...................................4.2.3 边缘检测....................................................4.2.4图像的腐蚀操作：............................................4.2.5平滑图像....................................................4.2.6除去二值图像的小对象 ........................................4.3车牌定位 .........................................................4.4字符的分割与识别..................................................4.4.1.车牌的再处理................................................4.4.2字符分割....................................................4.5车牌识别：........................................................5、总结: ................................................................6、致谢 .................................................................7、参考文献: ............................................................基于数字图像处理的车牌识别设计电子信息工程专业学生周金鑫指导教师刘纯利摘要：车牌识别在人类社会交通系统中担当重要角色，一个设计优良的车牌识别系统会给人们生活带来极大的方便，本文通过运用matlab和数字图像处理的一些知识简单通过图像预处理，车牌定位，字符分割，采用模板匹配法实现车牌字符的识别。

车辆牌照识别中如何运用数字图像处理技术-数字图像处理论文-计算机论文——文章均为WORD文档，下载后可直接编辑使用亦可打印——摘要：随着我国经济实力得到很大的提升, 汽车已经成为人们的出行的主要交通工具之一, 这对于交通控制以及安全管理也提出了更高的要求, 我国的交通管理也朝着智能交通方向逐渐的完善, 而其中的一个重要组成便是车牌识别, 通过对车牌实现自动识别, 对于交通管理来说有着极大的便利作用。

对此本文利用数字图像识别运用在车牌识别中进行一定的研究, 主要对技术原理极其应用中存在的问题进行分析。

关键词：数字图像处理; 车辆牌照识别; 应用研究; 模式识别;前言随着我国社会取得了快速发展, 目前我国的道路监控与收费软件无法与发展需求相适应, 随着城市内汽车数量快速的增长, 完善的交通管理系统对于道路管理而言非常的必要, 而目前使用的管理系统已经不能很好的适用于社会发展。

要想实现智能化的道路交通系统, 首要便是对车牌实现有效地识别, 其能够对城市道路安全以及实现汽车有序管理具有着非常大的作用, 对此将数字图像处理运用其中是一种非常有效地方式。

1 数字图像处理实现车牌识别的技术原理运用数字图像处理与车牌识别之中主要由如下五个步骤构成, 第一步, 图像预处理, 由于车牌识别过程中所采集到的图像一般为真彩图, 其常常受到采集环境以及硬件设备等造成的影响, 使图像相对较为模糊, 采集图像中存在的背景以及噪声将会对字符分割与识别造成不利影响, 通过与处理能够在很大程度上提升图像质量[1]。

第二步, 车牌定位, 完成预处理之后的得到二值车牌图片, 通过形态学对其实现滤波, 从而使车牌区域可以实现区域的连通, 之后根据车牌先验知识对上述得到的连通区域进行筛选, 以此来获取到相对准确地车牌位置, 最终实现在图片中将车牌进行提取。

第三步, 车牌校正, 由于摄像头在拍摄过程中会与车辆本身具有一定的夹角, 导致获取的车牌图片并非是水平状态, 要想可以对车牌实现有效地分割与识别, 就必须对车牌加以一定的角度校正, 一般是利用Radon变换来使车牌得以校正[2]。

贵州大学实验报告学院：计算机学院专业：网络工程班级：101 姓名学号实验组实验时间12.11 指导教师戴丹成绩实验项目名称实验四汽车牌照自动识别实验目的1.分析汽车牌照的特点，正确获取整个图像中车牌的区域，并识别出车牌号。

2.将图像预处理、分割、分析等关键技术结合起来，理论与实践相结合，提高图像处理关键技术的综合应用能力。

实验原理牌照自动识别是一项利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。

其硬件基础一般包括触发设备、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机等，其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。

某些牌照识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测。

一个完整的牌照识别系统应包括车辆检测、图像采集、牌照识别等几部分。

当车辆检测部分检测到车辆到达时触发图像采集单元，采集当前的视频图像。

牌照识别单元对图像进行处理，定位出牌照位置，再将牌照中的字符分割出来进行识别，然后组成牌照号码输出。

实验步骤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。

实验数据getword.mfunction [word,result]=getword(d)word=[];flag=0;y1=8;y2=0.5;while flag==0[m,n]=size(d);wide=0;while sum(d(:,wide+1))~=0 && wide<=n-2wide=wide+1;endtemp=qiege(imcrop(d,[1 1 wide m]));[m1,n1]=size(temp);if wide<y1 && n1/m1>y2d(:,[1:wide])=0;if sum(sum(d))~=0d=qiege(d); % 切割出最小范围else word=[];flag=1;endelseword=qiege(imcrop(d,[1 1 wide m]));d(:,[1:wide])=0;if sum(sum(d))~=0;d=qiege(d);flag=1;else d=[];endendendresult=d;qiege.mfunction e=qiege(d)[m,n]=size(d);top=1;bottom=m;left=1;right=n;while sum(d(top,:))==0 && top<=mtop=top+1;endwhile sum(d(bottom,:))==0 && bottom>=1bottom=bottom-1;endwhile sum(d(:,left))==0 && left<=nleft=left+1;endwhile sum(d(:,right))==0 && right>=1right=right-1;enddd=right-left;hh=bottom-top;e=imcrop(d,[left top dd hh]);main.mfunction [d]=main(jpg)close allclcI=imread('car2.jpg');subplot(2,3,1),imshow(I);title('原图')I1=rgb2gray(I);subplot(2,3,2),imshow(I1);title('灰度图');subplot(2,3,3),imhist(I1);title('灰度图直方图');I2=edge(I1,'robert',0.15,'both');subplot(2,3,4),imshow(I2);title('robert算子边缘检测') se=[1;1;1];I3=imerode(I2,se);subplot(2,3,5),imshow(I3);title('腐蚀后图像');se=strel('rectangle',[25,25]);I4=imclose(I3,se);subplot(2,3,6),imshow(I4);title('平滑图像的轮廓');I5=bwareaopen(I4,2000);figure(2),imshow(I5);title('从对象中移除小对象'); [y,x,z]=size(I5);myI=double(I5);ticBlue_y=zeros(y,1);for i=1:yfor j=1:xif(myI(i,j,1)==1)Blue_y(i,1)= Blue_y(i,1)+1;endendend[temp MaxY]=max(Blue_y);PY1=MaxY;while ((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while ((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);Blue_x=zeros(1,x);for j=1:xfor i=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)= Blue_x(1,j)+1;endendendwhile ((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while ((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(3),subplot(1,2,1),imshow(IY),title('行方向合理区域');figure(3),subplot(1,2,2),imshow(dw),title('定位剪切后的彩色车牌图像') imwrite(dw,'dw.jpg');[filename,filepath]=uigetfile('dw.jpg','输入一个定位裁剪后的车牌图像'); jpg=strcat(filepath,filename);a=imread('dw.jpg');b=rgb2gray(a);imwrite(b,'1.车牌灰度图像.jpg');figure(4);subplot(3,2,1),imshow(b),title('1.车牌灰度图像')g_max=double(max(max(b)));g_min=double(min(min(b)));T=round(g_max-(g_max-g_min)/3);[m,n]=size(b);d=(double(b)>=T);imwrite(d,'2.车牌二值图像.jpg');figure(4);subplot(3,2,2),imshow(d),title('2.车牌二值图像')figure(4),subplot(3,2,3),imshow(d),title('3.均值滤波前')h=fspecial('average',3);d=im2bw(round(filter2(h,d)));imwrite(d,'4.均值滤波后.jpg');figure(4),subplot(3,2,4),imshow(d),title('4.均值滤波后')se=eye(2);[m,n]=size(d);if bwarea(d)/m/n>=0.365d=imerode(d,se);elseif bwarea(d)/m/n<=0.235d=imdilate(d,se);endimwrite(d,'5.膨胀或腐蚀处理后.jpg');figure(4),subplot(3,2,5),imshow(d),title('5.膨胀或腐蚀处理后')d=qiege(d);[m,n]=size(d);figure,subplot(2,1,1),imshow(d);%figure(6),subplot(1,1,1),imshow(d),title(n)k1=1;k2=1;s=sum(d);j=1;while j~=nwhile s(j)==0j=j+1;endk1=j;while s(j)~=0 && j<=n-1j=j+1;endk2=j-1;if k2-k1>=round(n/6.5)[val,num]=min(sum(d(:,[k1+5:k2-5])));d(:,k1+num+5)=0;endendd=qiege(d);y1=10;y2=0.25;flag=0;word1=[];while flag==0[m,n]=size(d);left=1;wide=0;while sum(d(:,wide+1))~=0wide=wide+1;endif wide<y1d(:,[1:wide])=0;d=qiege(d);elsetemp=qiege(imcrop(d,[1 1 wide m]));[m,n]=size(temp);all=sum(sum(temp));two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));if two_thirds/all>y2flag=1;word1=temp;endd(:,[1:wide])=0;d=qiege(d);endend[word2,d]=getword(d);[word3,d]=getword(d);[word4,d]=getword(d);[word5,d]=getword(d);[word6,d]=getword(d);[word7,d]=getword(d);subplot(5,7,1),imshow(word1),title('1');subplot(5,7,2),imshow(word2),title('2');subplot(5,7,3),imshow(word3),title('3');subplot(5,7,4),imshow(word4),title('4');subplot(5,7,5),imshow(word5),title('5');subplot(5,7,6),imshow(word6),title('6');subplot(5,7,7),imshow(word7),title('7');[m,n]=size(word1);word1=imresize(word1,[40 20]);word2=imresize(word2,[40 20]);word3=imresize(word3,[40 20]);word4=imresize(word4,[40 20]);word5=imresize(word5,[40 20]);word6=imresize(word6,[40 20]);word7=imresize(word7,[40 20]);subplot(5,7,15),imshow(word1),title('1');subplot(5,7,16),imshow(word2),title('2');subplot(5,7,17),imshow(word3),title('3');subplot(5,7,18),imshow(word4),title('4');subplot(5,7,19),imshow(word5),title('5');subplot(5,7,20),imshow(word6),title('6');subplot(5,7,21),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']);SubBw2=zeros(40,20); l=1;for I=1:7ii=int2str(I);t=imread([ii,'.jpg']);SegBw2=imresize(t,[40 20],'nearest');if l==1kmin=37;kmax=40;elseif l==2kmin=11;kmax=36;else l>=3kmin=1;kmax=36;endfor k2=kmin:kmaxfname=strcat('字符模板\',liccode(k2),'.jpg');SamBw2 = imread(fname);for i=1:40for j=1:20SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j);endendDmax=0;for k1=1:40for l1=1:20if ( SubBw2(k1,l1) > 0 | SubBw2(k1,l1) <0 )Dmax=Dmax+1;endendendError(k2)=Dmax;endError1=Error(kmin:kmax);MinError=min(Error1);findc=find(Error1==MinError);Code(l*2-1)=liccode(findc(1)+kmin-1);Code(l*2)=' ';l=l+1;endfigure(6),subplot(1,1,1),imshow(d);title(n);figure(6),subplot(1,1,1),imshow(dw);title (['车牌号码:',Code],'Color','b');实验总结学会将图像预处理、分割、分析等关键技术结合起来，理论与实践相结合，提高图像处理关键技术的综合应用能力。

数字图像处理在车牌识别中的应用随着汽车数量的增加，城市交通状况日益受到人们的重视，如何进行有效的交通管理更是成为了人们关注的焦点。

针对此问题，人们运用新的科学技术，相继研制开发出了各种交通道路监视、管理系统。

这些系统通过车辆检测装置对过往的车辆实施检测，提取有关交通数据，达到监控、管理和指挥交通的目的。

因此，智能交通系统 I TS( i ntelli gent traf f i c system )已成为世界交通领域研究的重要课题。

车牌识别系统 LPR ( l icense plate recogni t i on)作为智能交通系统的一个重要组成部分，已在高速公路、城市交通和停车场等项目的管理中占有无可取代的重要地位。

它在不影响汽车状态的情况下, 由计算机自动完成车牌的识别，从而降低交通管理工作的复杂度。

本文应用图像处理技术、车牌定位技术、车牌字符分隔、字符识别技术等解决了车辆牌照识别问题。

1 车牌识别的原理和方法通常，车牌识别过程分为图像预处理、车牌定位、车牌校正、车牌分割和车牌识别五个部分。

图像预处理: 在整个车牌识别系统中，由于采集进来的图像为真彩图，再加上实际采集环境的影响以及采集硬件等原因，图像质量并不高，其背景和噪声会影响字符的正确分割和识别，所以在进行车牌分割和识别处理之前，需要先对车牌图像进行图像预处理操作。

车牌定位: 首先对车牌的二值图片进行形态学滤波，使车牌区域形成一个连通区域，然后根据车牌的先验知识对所得到的连通区域进行筛选，获取车牌区域的具体位置，完成从图片中提取车牌的任务。

车牌校正: 由于捕捉图片的摄像头与车身的角度问题，得到的车牌图片不是水平的。

为了顺利进行后续的分割和识别，必须对车牌进行角度校正。

在此，使用了 Ra don变换来对车牌进行校正。

车牌分割: 首先对车牌进行水平投影，去除水平边框；再对车牌进行垂直投影。

通过对车牌进行投影分析可知，与最大值峰中心对应的为车牌中第二个字符和第三个字符的间隔，与第二大峰中心距离对应的即为车牌字符的宽度，并以此为依据对车牌进行分割。

基于数字图像处理的车牌识别系统基于数字图像处理的车牌识别系统1．车牌识别系统研究⽬的及意义车牌识别系统的主要任务是分析和处理摄取到的复杂背景下的车辆图像，定位分割牌照，最后⾃动识别汽车牌照上的字符，LPR是利⽤车辆牌照的唯⼀性来识别和统计车辆，它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统在现代化交通发展中车牌识别系统是制约交通系统智能化、现代化的重要因素，LPR系统应该能够从⼀幅图像中⾃动提取车辆图像，⾃动分割牌照图像，对字符进⾏正确识别，从⽽降低交通管理⼯作的复杂度。

2．车牌图像预处理为了便于车牌的分割识别，摄像机摄下的原始图像应具有适当的亮度和对⽐度。

但通常经输⼊系统获取的车牌图像信息由于光照条件、牌照的整洁度、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使图像含有各种各样的噪声与畸变。

例如由于光照度不均匀造成图像灰度过于集中;由摄像头获得的图像经过AD转换、线路传送都会产⽣噪声污染;车牌的字符部分受到磨损或是被污迹覆盖等等。

这些主客观因素不可避免地影响车牌图像的清晰程度，降低图像质量，轻者表现为图像不⼲净，难以看清细节，重者表现为图像模糊不清、歪斜或缺损，车牌字符边界模糊、细节不清、⽐划断开、粗细不均等现象。

这势必会影响车牌区域分割，降低车牌字符识别的准确度。

因此，在对车牌图像进⾏分析之前，必须要对车牌图像进⾏预处理。

对车牌图像的预处理主要包括以下三个⽅⾯:(l)图像对⽐度增强。

由于车牌识别系统需要全天候⼯作，⾃然光照度的昼夜变化会引起车辆图像对⽐度的严重不⾜，所以增强图像是很有必要的。

(2)图像去噪。

通常得到的汽车图像会有⼀些污点，为了保证识别的效果，需要对图像进⾏去噪处理。

(3)倾斜矫正。

摄像机的位置、车辆的运动等因素经常使拍摄出来的汽车图像有⼀定的倾斜，这就需要对图像进⾏倾斜矫正，或在分割出车牌区域之后对字符倾斜矫正2.1图像的灰度化通常情况下，实际的车牌识别系统中由摄像机采集到的原始图像是彩⾊图像，所有的彩⾊图像都是由红(R)、绿(G)、蓝(B)三基⾊组合⽽成，在数字图像中每⼀个基⾊都被分为256个等级，即0~255。

基于数字图像处理的车牌识别与违章检测技术研究随着互联网的发展和智能交通系统的推广应用，车牌识别与违章检测技术在交通管理中发挥着越来越重要的作用。

基于数字图像处理的车牌识别与违章检测技术通过对车牌区域进行图像处理和模式识别，能够快速准确地实现车牌识别和违章检测，并为交通管理部门提供有效的辅助决策。

车牌识别是指通过数字图像处理技术将车牌从摄像头采集的图像中准确地识别出来。

车牌识别技术的关键是车牌区域的提取和字符识别。

首先，通过图像处理算法对车辆图像进行预处理，去除噪声和干扰。

然后，通过边缘检测等算法将车辆图像分割出车牌区域。

最后，采用模式识别算法对车牌区域进行字符识别，将识别结果输出。

基于数字图像处理的车牌识别技术有很多应用场景，如交通管理、停车场管理、小区出入口管理等。

在交通管理中，车牌识别技术可以帮助交警部门实现违章车辆的快速查找和处罚，提高违法行为的查处率。

在停车场管理中，车牌识别技术可以用于自动收费和车辆出入记录的管理，提高停车场的管理效率。

在小区出入口管理中，车牌识别技术可以辅助安保人员识别车辆及车主身份，增强小区的安全性。

违章检测是指通过数字图像处理技术对路面上的车辆进行违章行为的检测和记录。

违章行为主要包括闯红灯、压线行驶、超速行驶等。

违章检测技术的关键是对车辆的位置和行为进行准确的分析和判断。

首先，通过图像处理算法提取出车辆的特征信息，如车辆轮廓、颜色等。

然后，通过算法将车辆的位置和行为与交通规则进行匹配，判断是否存在违章行为。

最后，将违章车辆的信息进行记录和处理。

基于数字图像处理的车牌识别与违章检测技术的研究主要包括以下几个方面：首先，完善车牌识别算法。

通过研究不同的图像处理算法和模式识别算法，提高车牌识别的准确率和鲁棒性。

例如，可以采用模板匹配法、特征提取法或深度学习等方法进行车牌识别。

其次，优化违章检测算法。

通过研究车辆的行为模式和交通规则，提高违章检测的准确率和稳定性。

例如，可以采用机器学习算法和数据挖掘方法对违章行为进行建模和分析，从而实现更准确的违章检测。