当前位置：文档之家 › 车牌字符识别与分割

车牌字符识别与分割

  • 格式：docx
  • 大小：586.59 KB
  • 文档页数：12

一、实验目的：使用matlab软件提取出给定图像中的字符区域，或分割出各个字符二、设计方案：一个完整的车牌识别系统闭应包括车辆检测、图像采集、图像预处理、车牌定位、字符分割、字符识别等单元。

当车辆到达触发图像采集单元时，系统采集当前的视频图像。

车辆识别单元对图像进行处理，定位出牌照位置，再将车牌中的字符分割出来进行识别，然后组成车牌号码输出。

车牌识别系统原理如图l所示。

图1 车牌识别系统原理图（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。

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和角度以及车辆行驶速度等因素的影响，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。

牌照的定位和分割是牌照识别系统的关键技术之一，其主要目的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，并将包含牌照字符的一块子图象从整个图象中分割出来，供字符识别子系统识别之用，分割的准确与否直接关系到整个牌照字符识别系统的识别率。

由于拍摄时的光照条件、牌照的整洁程度的影响，和摄像机的焦距调整、镜头的光学畸变所产生的噪声都会不同程度地造成牌照字符的边界模糊、细节不清、笔划断开或粗细不均，加上牌照上的污斑等缺陷，致使字符提取困难，进而影响字符识别的准确性。

因此，需要对字符在识别之前再进行一次针对性的处理。

车牌识别的最终目的就是对车牌上的文字进行识别。

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。

三、实验中用到的函数功能及用法：1.Imerode对图像实现腐蚀操作，即膨胀操作的反操作。

用法：IM2 = imerode(IM,SE)IM2 = imerode(IM,NHOOD)IM2 = imerode(IM,SE,PACKOPT,M)IM2 = imerode(...,PADOPT)IM2 = imerode(IM,SE) 腐蚀灰度，二值，压缩二值图像IM，返回IM2。

参数SE为由strel 函数返回的结构元素或者结构元素对象组。

IM2 = imerode(IM,NHOOD)腐蚀图像IM，这里NHOOD是定义结构元素邻域0和1的矩阵。

IM2 = imerode(...,PADOPT)指出输出图像的大小（是否与输入图像大小一致）。

2.imdilate功能：对图像实现膨胀操作。

用法：IM2 = imdilate(IM,SE)IM2 = imdilate(IM,NHOOD)IM2 = imdilate(IM,SE,PACKOPT)IM2 = imdilate(...,PADOPT)IM2 = imdilate(IM,SE) 膨胀灰度，二值，压缩二值图像IM，返回IM2。

参数SE为由strel 函数返回的结构元素或者结构元素对象组。

IM2 = imdilate(IM,NHOOD)膨胀图像IM，这里NHOOD是定义结构元素邻域0和1的矩阵。

IM2 = imdilate(IM,SE,PACKOPT)定义IM是否是一个压缩的二值图像。

IM2 = imdilate(...,PADOPT)指出输出图像的大小。

3.strel功能：用于膨胀腐蚀及开闭运算等操作的结构元素对象(本论坛随即对膨胀腐蚀等操作进行讲解)。

SE = strel(shape,parameters)创建由指定形状shape对应的结构元素。

其中shape的种类有‘arbitrary'，'pair'，'diamond'，'periodicline'，'disk'，'rectangle' 'line'，'square'，'octagon参数parameters一般控制SE的大小。

4.edgeBW = edge(I)采用灰度或一个二值化图像I作为它的输入，并返回一个与I相同大小的二值化图像BW，在函数检测到边缘的地方为1，其他地方为0。

BW = edge(I,'sobel') 自动选择阈值用Sobel算子进行边缘检测。

BW = edge(I,'sobel',thresh) 根据所指定的敏感度阈值thresh，用Sobel算子进行边缘检测，它忽略了所有小于阈值的边缘。

当thresh为空时，自动选择阈值。

BW = edge(I,'sobel',thresh,direction) 根据所指定的敏感度阈值thresh，在所指定的方向direction上，用Sobel算子进行边缘检测。

Direction可取的字符串值为horizontal(水平方向)、vertical(垂直方向)或both(两个方向)。

[BW,thresh] = edge(I,'sobel',...) 返回阈值BW = edge(I,'prewitt') 自动选择阈值用prewitt算子进行边缘检测。

BW = edge(I,'prewitt',thresh) 根据所指定的敏感度阈值thresh，用prewitt算子进行边缘检测，它忽略了所有小于阈值的边缘。

当thresh为空时，自动选择阈值。

BW = edge(I,'prewitt',thresh,direction) 根据所指定的敏感度阈值thresh，在所指定的方向direction上，用prewitt算子进行边缘检测。

Direction可取的字符串值为horizontal(水平方向)、vertical(垂直方向)或both(两个方向)默认方向为both。

BW = edge(I,'roberts') 自动选择阈值用roberts算子进行边缘检测。

BW = edge(I,'roberts',thresh) 根据所指定的敏感度阈值thresh，用Roberts算子进行边缘检测，它忽略了所有小于阈值的边缘。

当thresh为空时，自动选择阈值。

5.Imclose功能：对图像实现闭运算，闭运算也能平滑图像的轮廓，但与开运算相反，它一般融合窄的缺口和细长的弯口，去掉小洞，填补轮廓上的缝隙。

用法：IM2 = imclose(IM,SE)IM2 = imclose(IM,NHOOD) 用法和imopen相同。

6.imopen功能：对图像实现开运算，开运算一般能平滑图像的轮廓，消弱狭窄的部分，去掉细的突出。

用法：IM2 = imopen(IM,SE)IM2 = imopen(IM,NHOOD)IM2 = imopen(IM,SE)用结构元素SE实现灰度图像或二值图像的IM的形态开运算。

SE可以是单个结构元素对象或者结构元素对象数组。

IM2 = imopen(IM,NHOOD)用结构元素strel（NHOOD）执行开运算。

7.bwareaopen功能：删除小面积对象格式：BW2 = bwareaopen(BW,P,conn)作用：删除二值图像BW中面积小于P的对象，默认情况下conn使用8邻域。

8.tic和toc函数这两个函数一般配合使用，tic表示计时的开始，toc表示计时的结束。

格式：tic 任意表达式toc t=toc 9.fspecial功能：用于建立预定义的滤波算子，其语法格式为：h = fspecial(type) h = fspecial(type，para) 其中type指定算子的类型，para指定相应的参数；type的类型有：'average' averaging filter为均值滤波，参数为hsize代表模板尺寸，默认值为【3，3】。

'disk' circular averaging filter为圆形区域均值滤波，参数为radius代表区域半径，默认值为5.'gaussian'Gaussian lowpass filter为高斯低通滤波，有两个参数，hsize表示模板尺寸，默认值为【3 3】，Sigma为滤波器的标准值，单位为像素，默认值为0.5.'prewitt' Prewitt horizontal edge-emphasizing filter用于边缘增强，大小为【3 3】，无参数'sobel'Sobel horizontal edge-emphasizing filter用于边缘提取，无参数9. filter2J = filter2(h,I);使用指定的滤波器h对I进行滤波，结果保存在J中10.bwarea函数功能：计算二值图像中对象的总面积。

调用格式：total = bwarea(BW)估算二值图像BW中对象的总面积。

返回的total是一个标量，它的值大致地反映了和图像中on像素的个数。

由于对于不同像素类型，度量标准不同，因此结果可能并不十分精确。

BW可以是数值类型（整型、浮点型）或者逻辑类型。

对于数值类型，像素值不为0被视为on。

返回值total是double类型的。

11.sum功能：函数求和sum(x,2)表示矩阵x的横向相加，求每行的和，结果是列向量，而缺省的sum(x)就是竖向相加，求每列的和，结果是行向量；A>0的结果是得到一个逻辑矩阵，大小跟原来的A一致，A中大于零的元素的位置置为1，小于等于零的位置置为0。

所以横向求和以后，就是求A中每行大于零的元素个数。

12. round功能：四舍五入调用格式：Y = round(X)在matlab中round也是一个四舍五入函数。

四、步骤与结果：1、图像预处理：1.1、获取图像Scolor=imread('PABH3.jpg');1.2、图像灰度化Sgray = rgb2gray(Scolor);%rgb2gray转换成灰度图1.3、图像增强s=strel('disk',13);%strei函数13Bgray=imopen(Sgray,s);%打开sgray s图像Egray=imsubtract(Sgray,Bgray);%两幅图相减1.4边缘提取图像中车辆牌照是具有比较显著特征的一块图象区域，这此特征表现在：近似水平的矩形区域；其中字符串都是按水平方向排列的；在整体图象中的位置较为固定。

合集下载

基于投影二分法的车牌字符分割方法

基于投影二分法的车牌字符分割方法

车 牌识 别 过程 包 括 车 牌定 位 、 符分 割 和 字 符识 字
获 得灰 度 图 像后 就 对 灰 度 图像 进 行 二值 化 ， 于 基 实 时性 的要 求 ， 需要 一 种 快 速 而且 有 效 的方 法 来 进 行灰 度 图 像 的二 值 化 ， 者 使用 全 局 动态 阈 值 笔 法进 行灰 度 图像 的二 值化 。
１ ２ 二 值 图像 背景 的统 一 ． 车 牌 颜 色有 黄 底 黑 字 、 黑底 白字 、 白底黑 字 、 蓝 底 白字 等 ４种 ， 当车 牌 为黄 底 黑 字或 白底 黑 字 时， 二值 化后 的车牌 图像 为 白底 黑字 ； 当车 牌为 蓝
别 。在这 里笔 者 只对车 牌识 别 的第 ２部 分—— 字 符分 割 进行讨 论 。传统 的车牌 字符 分割 方法 是 利 用 车 牌 图 像 的 垂 直 投 影 进 行 的 ］这 个 方 法 简 ， 单 、 于 实 现 ， 往 往存 在 字 符分 割 不 准 、 符 易 易 却 字 粘连 与 断裂 等问题 。 文献 Ｅ－ 字符 粘连 进行 了研 ６１ 对
究 ， 出 了对 投 影分 割后 的字 符 进 行 ２字 符 粘 连 提 和 ３字 符 粘 连处 理 ， 一程 度 上 解 决 了 字 或 ３个 字符 粘连 ， 个 没有 涉及 处理 ３个 以上字 符粘 连 。 针对 这个 局 限 ， 笔者 提 出 了一种 投 影二 分 法 ， 方法 能 正 确 分 割 该
１ 车 牌 图像 的预处 理
１ １ 图像 的灰 度 化与二 值化 ．
－ 墨●
ＩＩ ５１ Ｉ ’ Ｏ ｌ ； ・ ０ ＝ｌ （ １ Ａ ０ ２ ；￣ ｌ １ ５ ｌ Ｉ １
（２ ｂ）二值化 图像 （２ ｃ ）霄景 一 墨●
车牌识别

车牌识别

车牌系统是计算机视觉和模式识别技术在智能交通领域的重要应用课题之一。车牌识别系统是一特定目标位对象的专用计算机系统，该系统能从一幅图像中自动提取车牌图像、自动分割自符，进而对分割自符的图像进行图像识别。系统一般由硬件和软件构成。硬件设备一般由车体感应设备、辅助光源、摄像机、图像采集卡和计算机。软件部分是系统的核心，主要实现车牌自符的识别功能。车牌识别学科主要有模式识别、人工智能、图像处理、计算机视觉和信号处理等。这些领域的许多技术都可以应用到车牌识别系统中，车牌识别技术的研究也必然推动这些相关学科的发展。车牌识别的关键技术有：车牌定位、字符切割和字符识别等。
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，由于汽车图像背景复杂、光照不均匀等原因，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。一般采用的方案是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。通过以上步骤，牌照一般能够被定位。
3.2 原始图像
3.3灰度化后的图像
3.1.2图像的边缘检测
在Matlab中利用函数edge()实现边缘检测，具体的用法如下所示： Car_Image_Bin=edge(Car_Image_Gray,'robert',0.15,'both');
在edge()函数中有Sobel算子，Prewitt算子，Roberts算子，Log算子，Canny算子及Robert算子，几种算法相比之下，Roberts算子是一种最简单的算子，是一种利用局部差分算子寻找边缘的算子，他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感,无法抑制噪声的影响。因此本课题使用了Robert算子。
汽车车牌定位识别概述

汽车车牌定位识别概述

汽车车牌定位识别概述汽车车牌定位识别技术的发展得益于计算机视觉技术的进步和硬件设备的不断更新。

自从20世纪80年代末期开始，随着计算机技术的发展，人们开始研究如何利用计算机自动识别车牌。

最初的方法是通过车牌字符的特征提取和模式匹配来实现，但是这种方法在实际应用中存在一些问题，比如对于光照条件、角度和车辆速度的不同会导致识别结果的准确度下降。

随着深度学习技术的兴起，特别是卷积神经网络（Convolutional Neural Network，CNN）的发展，汽车车牌定位识别技术得到了显著的进步。

CNN可以通过学习大量的车牌图像来自动提取图像特征，并通过训练模型来识别不同类型的车牌。

这种方法不仅可以提高识别的准确性，还可以适应不同的光照和角度条件。

汽车车牌定位识别技术的应用非常广泛。

首先，在交通安全领域，汽车车牌定位识别可以帮助交警自动检测和记录违反交通规则的车辆，比如闯红灯、超速等。

这种技术可以大大提高交通管理的效率和准确性，减少人为差错。

其次，在停车场管理中，汽车车牌定位识别可以帮助自动识别道闸前的车牌信息，实现自动出入场的管理。

这不仅方便了车辆的出入，还可以提高停车场的管理效率。

另外，在安防领域，汽车车牌定位识别可以帮助监控系统自动追踪和识别特定车辆的位置和行动轨迹，有助于犯罪侦查和预防。

汽车车牌定位识别技术通常包括以下几个步骤。

首先，对车辆图像进行预处理，包括图像去噪、图像增强等。

然后，利用目标检测算法来定位车牌的位置，常用的方法包括边缘检测、颜色分割等。

接下来，对定位到的车牌进行字符分割，将车牌中的字符单独分离出来。

最后，利用字符识别算法对分割后的字符进行识别，常见的方法包括模板匹配、字符特征提取等。

虽然汽车车牌定位识别技术已经取得了很大的进展，但是在实际应用中仍然存在一些挑战。

首先，不同车牌的形状和颜色差异较大，车牌的角度和光照条件也会导致识别的准确性下降。

其次，特定地区的车牌字符种类较多，字符的形状和位置也有差异，这对识别算法提出了更高的要求。

一种简易的车牌定位及字符分割方法

一种简易的车牌定位及字符分割方法

一种简易的车牌定位及字符分割方法摘要：针对车牌识别技术中车牌定位及字符分割所存在各种问题，本文诣在运用数学形态学、radon变换理论，结合现有的车牌识别技术，提出了一种新的算法。

一定程度上提高了车牌识别的准确率，加快识别速度。

在研究的同时对其中出现的干扰问题进行了具体分析，处理。

关键字：车牌定位；字符分割；二值形态学Abstract: To solve some problems in vehicle license plate location and character segmentation in the vehicle license plate recognition system, mathematical morphology, radon transform theory and the existing license plate recognition technology were combined and introduced in this paper. This paper presents a new algorithm，to some extent improved the accuracy of license plate recognition, speed up the recognition speed. A variety of interference is a detailed analysis and processing in this algorithm.Key words: vehicle license plate location; character segmentation; Binary Morphology1前言随着社会工业化的快速发展，一些如城市道路、收费站、停车场等场所的交通密度日益增加，这对交通控制、安全管理的要求也日益提高。