基于matlab的车牌识别(含子程序)

基于matlab的车牌识别系统一、对车辆图像进行预处理1.载入车牌图像：function [d]=main(jpg)[filename, pathname] = uigetfile({'*.jpg', 'JPEG 文件(*.jpg)'});if(filename == 0), return, endglobal FILENAME %定义全局变量FILENAME = [pathname filename];I=imread(FILENAME);figure(1),imshow(I);title('原图像');%将车牌的原图显示出来结果如下：2.将彩图转换为灰度图并绘制直方图：I1=rgb2gray(I);%将彩图转换为灰度图figure(2),subplot(1,2,1),imshow(I1);title('灰度图像');figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');%绘制灰度图的直方图结果如下所示：3. 用roberts算子进行边缘检测：I2=edge(I1,'roberts',0.18,'both');%选择阈值0.18，用roberts算子进行边缘检测figure(3),imshow(I2);title('roberts 算子边缘检测图像');结果如下：4.图像实施腐蚀操作：se=[1;1;1];I3=imerode(I2,se);%对图像实施腐蚀操作，即膨胀的反操作figure(4),imshow(I3);title('腐蚀后图像');5.平滑图像se=strel('rectangle',[25,25]);%构造结构元素以正方形构造一个seI4=imclose(I3,se);% 图像聚类、填充图像figure(5),imshow(I4);title('平滑图像');结果如下所示：6. 删除二值图像的小对象I5=bwareaopen(I4,2000);% 去除聚团灰度值小于2000的部分figure(6),imshow(I5);title('从对象中移除小的对象');结果如下所示：二、车牌定位[y,x,z]=size(I5);%返回I5各维的尺寸，存储在x,y,z中myI=double(I5);%将I5转换成双精度tic %tic表示计时的开始，toc表示计时的结束Blue_y=zeros(y,1);%产生一个y*1的零阵for i=1:yfor j=1:xif(myI(i,j,1)==1)%如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景颜色蓝色 %则Blue_y(i,1)的值加1Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计endendend[temp MaxY]=max(Blue_y);%Y方向车牌区域确定%temp为向量white_y的元素中的最大值，MaxY为该值的索引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,:,:);%x方向车牌区域确定%%%%%% X方向 %%%%%%%%%Blue_x=zeros(1,x);%进一步确定x方向的车牌区域for j=1:xfor i=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)= Blue_x(1,j)+1; endendendPX1=1;while ((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;%对车牌区域的校正PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title('行方向合理区域');%行方向车牌区域确定figure(7),subplot(1,2,2),imshow(dw),title('定位裁剪后的车牌彩色图像');的车牌区域如下所示：三、字符分割及处理1.车牌的进一步处理对分割出的彩色车牌图像进行灰度转换、二值化、均值滤波、腐蚀膨胀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，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。

《基于MATLAB的车牌识别系统研究》篇一一、引言随着智能交通系统的快速发展，车牌识别技术已成为智能交通系统的重要组成部分。

车牌识别技术能够有效地对车辆进行身份识别、交通监控、违法查处等，对于提高交通管理效率和保障交通安全具有重要意义。

本文将基于MATLAB平台，对车牌识别系统进行深入研究。

二、车牌识别系统概述车牌识别系统主要由图像采集、预处理、特征提取和识别四个部分组成。

首先通过摄像头等设备采集包含车牌的图像，然后对图像进行预处理，包括去噪、二值化、边缘检测等操作，使车牌图像更加清晰。

接着，通过特征提取算法提取出车牌上的字符特征，最后通过识别算法对字符进行识别，实现车牌号码的识别。

三、MATLAB在车牌识别系统中的应用MATLAB是一种强大的数学计算软件，具有强大的图像处理和机器学习功能，非常适合用于车牌识别系统的研究和开发。

在车牌识别系统中，MATLAB可以用于图像预处理、特征提取和识别等各个环节。

1. 图像预处理在MATLAB中，可以使用图像处理工具箱中的各种函数对车牌图像进行预处理。

例如，可以使用imread函数读取图像，使用imnoise函数添加噪声模拟实际环境中的干扰，使用gray2ind 函数进行图像二值化等。

此外，MATLAB还提供了许多滤波器和边缘检测算法，如Sobel算子和Canny算子等，可以用于去除图像中的噪声和增强边缘信息。

2. 特征提取特征提取是车牌识别系统中的关键环节。

在MATLAB中，可以使用各种算法对车牌图像进行特征提取。

例如，可以使用投影法、连通域法等算法对车牌字符进行分割和定位，然后使用模板匹配、神经网络等算法对字符进行特征提取和分类。

此外，MATLAB还提供了许多机器学习算法，如支持向量机、决策树等，可以用于训练和优化车牌识别模型。

3. 识别算法在特征提取后，需要使用识别算法对字符进行识别。

在MATLAB中，可以使用各种分类器对字符进行识别。

例如，可以使用最近邻分类器、贝叶斯分类器等基于统计的分类器，也可以使用神经网络、支持向量机等基于机器学习的分类器。

《基于MATLAB的车牌识别系统研究》篇一一、引言随着智能化交通系统的不断发展，车牌识别技术在现代交通管理中发挥着越来越重要的作用。

基于MATLAB的车牌识别系统研究，能够为智能交通系统提供准确、高效的车牌信息处理手段。

本文旨在介绍基于MATLAB的车牌识别系统的基本原理、方法以及实际应用。

二、车牌识别系统基本原理车牌识别系统主要包括图像预处理、车牌定位、字符分割和字符识别四个基本环节。

基于MATLAB的车牌识别系统采用数字图像处理技术，对采集到的车牌图像进行处理，以实现车牌的准确识别。

1. 图像预处理图像预处理是车牌识别系统的第一步，主要目的是去除图像中的噪声、增强图像的对比度，以便于后续的车牌定位和字符分割。

MATLAB提供了丰富的图像处理函数，如滤波、二值化、边缘检测等，可以有效地实现图像预处理。

2. 车牌定位车牌定位是车牌识别系统的关键环节，主要采用颜色分割、形态学方法、投影分析等方法。

在MATLAB中，可以通过颜色空间转换、阈值分割等手段，提取出车牌区域，为后续的字符分割和识别提供基础。

3. 字符分割字符分割是将车牌图像中的每个字符进行分离的过程。

在MATLAB中，可以采用投影法、连通域法等方法进行字符分割。

首先对车牌区域进行垂直投影，根据投影峰值的分布情况，确定每个字符的位置，然后进行水平投影，进一步确定每个字符的宽度，从而实现字符的精确分割。

4. 字符识别字符识别是车牌识别系统的最后一步，主要是对分割后的字符进行识别。

在MATLAB中，可以采用模板匹配、神经网络等方法进行字符识别。

模板匹配法是通过将待识别的字符与标准字符模板进行比对，找出最相似的字符作为识别结果。

神经网络法则是通过训练大量的样本数据，建立字符识别的模型，从而实现高精度的字符识别。

三、MATLAB在车牌识别系统中的应用MATLAB作为一种强大的数学计算软件，在车牌识别系统中发挥着重要作用。

首先，MATLAB提供了丰富的图像处理函数和算法库，可以方便地实现图像的预处理、车牌定位、字符分割和字符识别等过程。

基于MATLAB的车牌智能识别设计摘要：车牌智能识别技术是智能交通系统中的重要组成部分，能够提高交通管理效率和安全性。

本文基于MATLAB平台，设计了一种车牌智能识别系统，通过图像处理和模式识别技术实现车牌号码的准确识别。

该系统能够实现对车辆行驶过程中的车牌信息进行实时提取和识别，具有较高的准确性和稳定性，可以有效应用于停车场管理、交通违法抓拍等领域。

关键词：车牌智能识别；MATLAB；图像处理；模式识别一、引言随着汽车数量的快速增长，交通拥堵和交通管理成为社会发展中的一大难题。

为了提高交通管理效率和安全性，智能交通系统得到了广泛的关注和应用。

车牌智能识别技术作为智能交通系统中的重要组成部分，能够实现对车辆行驶过程中的车牌信息进行实时提取和识别，为交通管理和监控提供了重要的支持。

二、相关技术及方法1. 图像处理技术图像处理技术是车牌智能识别系统中的核心技术之一，主要包括灰度化、二值化、边缘检测、形态学处理等操作。

灰度化是将彩色图像转换为灰度图像，简化了图像信息的处理；二值化将灰度图像转换为二值图像，方便进行特征提取和分割操作；边缘检测可以准确提取车牌的轮廓信息；形态学处理可以用于去除图像中的噪声点和填充孔洞，提高字符的连通性。

2. 字符分割与特征提取字符分割是指将车牌图像中的字符分离出来，是车牌识别的关键步骤之一。

在字符分割后，需要进行字符的特征提取，包括字符的大小、形状、像素点分布等特征。

这些特征可以用于字符的识别和分类，提高识别的准确性和鲁棒性。

3. 模式识别算法模式识别算法是车牌智能识别系统中的另一个核心技术，主要包括基于模板匹配的模式识别、基于统计学习的模式识别、基于深度学习的模式识别等方法。

这些算法能够对字符进行准确的识别和分类，为车牌智能识别系统提供了强大的分析和识别能力。

三、车牌智能识别系统设计基于MATLAB平台，设计的车牌智能识别系统主要包括图像预处理、字符分割与特征提取、模式识别和结果输出四个主要模块。

图像处理大作业实验报告--用MATLAB实现车牌识别系统作者东南大学电子系李浩翔06006435指导老师张雄实验日期2010-1-10索引：实验目的实验原理实验步骤1.预处理2.边缘识别3.小区块联通4.车牌区域的识别并截取5.字符截取6.字符识别实验思路分析本程序的局限性附录附录1 程序源代码1.主程序2.子函数(code)附录2 测试图像处理过程汇总1.测试图像12.测试图像2附录3 参考文献及参考程序实验目的(返回索引)使用MATLAB对包含车牌的图片进行处理，利用算法识别出车牌所在的区域，并辨认其数字及字母，最后在屏幕上输出所识别出的车牌号。

实验原理(返回索引)1.将拍摄下的彩色图像转换为灰度图，之后用中值滤波对灰度图像进行预处理，从而减少干扰信息。

2.使用sobel算子识别出图像的边缘，并转化为二值化图像。

并对二值化之后的图像进行卷积，加强边缘的轮廓。

3.用膨胀-再腐蚀的方法分别作用于图像的横轴与纵轴，将小块的联通区域连接起来，使车牌的形状更加清晰，为下一步的识别做好准备。

4.利用车牌长宽比的特性对各个联通区域进行判断，识别出车牌所在区域，并截取。

5.对截取出的车牌区域进行进一步的处理，分割出各个字符。

6.对分割出的字符进行特征判断，从而识别出具体的车牌号。

实验步骤(返回索引)1.预处理(返回索引)A. 将拍摄下的彩色图像转换为灰度图，便于进行接下来的算法处理。

图1 拍摄下的图片B.对灰度图进行中值滤波，减少干扰点对二值化运算结果的影响。

图3 进行中值滤波后的灰度图C.将中值滤波后的灰度图用设定门限灰度的方法(取门限值为0.2)转化为二值化图像，在后继的车牌区域截取运算中作为源图像使用。

图4 使用设定灰度门限的方法获得的二值化图像2.边缘识别(返回索引)A.利用sobel算子识别出图3中的边缘区域，并将其转换为二值化图像。

在转换后的二值化图像中，边缘区域被作为白点标出，而非边缘区域被黑色区域覆盖。

基于Matlab 的车牌定位与分割 经典算法I 二imread('car.jpg');I1=rgb2gray(l);%转化为灰度图像subplot(3,2,2),imshow(I1),title('灰度图像');I2=edge(I1,'robert',0.09,'both');%采用 robert 算子进行边缘检测 subplot(3,2,3),imshow(I2),title('边缘检测后图像');%读取图像figure 。

； subplot(3,2,1),imshow(l), title('原始图像');边绿检浪I 启图像se=[1;1;1]; %线型结构元素 I3=imerode(l2,se);%腐蚀图像subplot(3,2,4),imshow(l3),title('腐蚀后边缘图像');se=strel('recta ngle',[25,25]);矩形结构元素 I4=imclose(l3,se);%图像聚类、填充图像 subplot(3,2,5),imshow(I4),title('填充后图像');一5Hbwa「eaopen(一4200S % 卅弗W HM W 血、」丿-H 2000subp_0f(326二M X N H si z e (_5=_6Hdoub_e(_5xYlHzeros(y3_fonyf o r li-r xif(l6(i,j,1)==1)Y 1(i,1)= Y1(i,1)+1;endend[temp MaxY]=max(Y1);figure。

；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');行值%求的车牌的行起始位置和终止位置PY 仁Max Y;while ((Y 1(PY1,1)>=50)&&(PY 1>1))PY 1=P Y1-1;endPY 2=Max Y;while ((Y 1(PY2,1)>=50)&&(PY2<y))endPY 2=P Y2+1;endIY=I(P Y1:P Y2,:,:);X1= zeros(1,x);for j=1:xfor i=PY1:PY2if(l6(i,j,1)==1)X1(1,j)= X1(1,j)+1;endend endsubplot(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');歹U方向像素点衣度值黒计环CT1OC%求的车牌的列起始位置和终止位置PX仁1;while ((X1(1,PX1)<3)&&(PX1<x))PX1= PX1+1;endPX2=x;O 2OD 400 600 800歹UfSwhile ((X1(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX仁PX1-1;PX2=PX2+1;%分割出车牌图像%dw=l(P Y1:P Y2,PX1:PX2,:);subplot(3,2,3),imshow(dw),title('定位剪切后的彩色车牌图像')定位剪切后的耘色车牌图像4.2车牌字符分割确定车牌位置后下一步的任务就是进行字符切分分离出车牌号码的全部字符图像。

基于matlab的车牌识别系统一、目的与要求目的：利用matlab实现车牌识别系统，熟悉matlab应用软件的基础知识，了解了基本程序设计方法，利用其解决数字信号处理的实际应用问题，从而加深对理论知识的掌握，并把所学的知识系统、高效的贯穿到实践中来，避免理论与实践的脱离，巩固理论课上知识的同时，加强实践能力的提高，理论联系实践，提高自身的动手能力。

同时不断的调试程序也提高了自己独立编程水平，并在实践中不断完善理论基础，有助于自身综合能力的提高。

要求：1.理解各种图像处理方法确切意义。

2.独立进行方案的制定，系统结构设计要合理。

3．在程序开发时，则必须清楚主要实现函数的目的和作用，需要在程序书写时说明做适当的注释。

如果使用matlab来进行开发，要理解每个函数的具体意义和适用范围，在写课设报告时，必须要将主要函数的功能和参数做详细的说明。

4、通过多幅不同形式的图像来检测该系统的稳定性和正确性。

二、设计的内容学习MATLAB程序设计，利用MATLAB函数功能，设计和实现通过设计一个车牌识别系统。

车牌识别系统的基本工作原理为：将手机拍摄到的包含车辆牌照的图像输入到计算机中进行预处理，再对牌照进行搜索、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，然后将其逐个与创建的字符模板中的字符进行匹配，匹配成功则输出，最终匹配结束则输出则为车牌号码的数字。

车牌识别系统的基本工作原理图如图1所下所示：三、总体方案设计车辆牌照识别整个系统主要是由车牌定位和字符分割识别两部分组成，其中车牌定位又可以分为图像预处理及边缘提取模块和牌照的定位及分割模块；字符识别可以分为字符分割和单个字符识别两个模块。

为了用于牌照的分割和牌照字符的识别，原始图象应具有适当的亮度，较大的对比度和清晰可辩的牌照图象。

但由于是采用智能手机在开放的户外环境拍照，加之车辆牌照的整洁度、自然光照条件、拍摄时摄像机与牌照的矩离等因素的影响，牌照图象可能出现模糊、歪斜和缺损等严重缺陷，因此需要对原始图象进行识别前的预处理。

附录车牌识别程序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%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(Scolor),title('原始彩色图像')；%figure命令同时显示两幅图figure,imshow(Sgray),title('原始黑白图像')；%Step2 图像预处理对Sgray 原始黑白图像进行开操作得到图像背景s=strel('disk',13)；%strel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%用原始图像与背景图像作减法，增强图像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%Step3 取得最佳阈值，将图像二值化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)；%Step4 对得到二值图像作开闭操作进行滤波figure,imshow(bw2)；title('图像二值化')；%得到二值图像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%Step5 对二值图像进行区域提取，并计算区域特征参数。

clcclearclose allI=imread('chepai.jpg');subplot(3,2,1);imshow(I), title('原始图像');I_gray=rgb2gray(I);subplot(3,2,2),imshow(I_gray),title('灰度图像');%====================== 形态学预处理======================I_edge=edge(I_gray,'sobel');subplot(3,2,3),imshow(I_edge),title('边缘检测后图像');se=[1;1;1];I_erode=imerode(I_edge,se);subplot(3,2,4),imshow(I_erode),title('腐蚀后边缘图像');se=strel('rectangle',[25,25]);I_close=imclose(I_erode,se); %图像闭合、填充图像subplot(3,2,5),imshow(I_close),title('填充后图像');I_final=bwareaopen(I_close,2000); %去除聚团灰度值小于2000的部分subplot(3,2,6),imshow(I_final),title('形态滤波后图像');%========================== 车牌分割============================= I_new=zeros(size(I_final,1),size(I_final,2));location_of_1=[];for i=1:size(I_final,1) %寻找二值图像中白的点的位置for j=1:size(I_final,2)if I_final(i,j)==1;newlocation=[i,j];location_of_1=[location_of_1;newlocation];endendendmini=inf;maxi=0;for i=1:size(location_of_1,1)%寻找所有白点中，x坐标与y坐标的和最大，最小的两个点的位置temp=location_of_1(i,1)+location_of_1(i,2);if temp<minimini=temp;a=i;endif temp>maximaxi=temp;b=i;endendfirst_point=location_of_1(a,:); %和最小的点为车牌的左上角last_point=location_of_1(b,:); %和最大的点为车牌的右下角x1=first_point(1)+4; %坐标值修正x2=last_point(1)-4;y1=first_point(2)+4;y2=last_point(2)-4;I_plate=I(x1:x2,y1:y2);I_plate=OTSU(I_plate); %以OTSU算法对分割出的车牌进行自适应二值化处理I_plate=bwareaopen(I_plate,50);figure,imshow(I_plate),title('车牌提取') %画出最终车牌%========================= 字符分割============================X=[]; %用来存放水平分割线的横坐标flag=0;for j=1:size(I_plate,2)sum_y=sum(I_plate(:,j));if logical(sum_y)~=flag %列和有变化时，记录下此列X=[X j];flag=logical(sum_y);endendfigurefor n=1:7char=I_plate(:,X(2*n-1):X(2*n)-1); %进行粗分割for i=1:size(char,1) %这两个for循环对分割字符的上下进行裁剪if sum(char(i,:))~=0top=i;breakendendfor i=1:size(char,1)if sum(char(size(char,1)-i,:))~=0bottom=size(char,1)-i;breakendendchar=char(top:bottom,:);subplot(2,4,n);imshow(char);char=imresize(char,[32,16],'nearest'); %归一化为32*16的大小，以便模板匹配eval(strcat('Char_',num2str(n),'=char;')); %将分割的字符放入Char_i中end%========================== 字符识别============================= char=[];store1=strcat('京','津','沪','渝','冀','晋','辽','吉','黑','苏','浙'... %汉字识别,'皖','闽','赣','鲁','豫','鄂','湘','粤','琼','川','贵','云','陕'...,'甘','青','藏','桂','皖','新','宁','港','鲁','蒙');for j=1:34Im=Char_1;Template=imread(strcat('chinese\',num2str(j),'.bmp')); %chinese文件附在最后Template=im2bw(Template);Differ=Im-Template;Compare(j)=sum(sum(abs(Differ)));endindex=find(Compare==(min(Compare)));char=[char store1(index)];store2=strcat('A','B','C','D','E','F','G','H','J','K','L','M','M','N','P','Q','R'...,'S','T','U','V','W','X','Y','Z','0','1','2','3','4','5','6','7','8','9');for i=2:7 %字母数字识别for j=1:35Im=eval(strcat('Char_',num2str(i)));Template=imread(strcat('cha&num\',num2str(j),'.bmp')); %cha&num文件附在最后Template=im2bw(Template);Differ=Im-Template;Compare(j)=sum(sum(abs(Differ)));endindex=find(Compare==(min(Compare)));char=[char store2(index)];endfigure,imshow(I),title(strcat('车牌为:',char))信研-11 XX 2011301XXXXXX模式识别作业—车牌识别1、作业要求：要求：任给一幅符合假定的图片，自动识别出车牌号。