基于MATLAB的车牌识别系统设计

摘要

随着公路逐渐普及我国的公路交通事业发展迅速所以人工管理方式已经不能满着实际的需要微电子、通信和计算机技术在交通领域的应用极大地提高了交通管理效率。汽车牌照的自动识别技术已经得到了广泛应用。汽车牌照自动识别整个处理过程分为预处理、边缘提取、车牌定位、字符分割、字符识别五大模块其中字符识别过程主要由以下3个部分组成①正确地分割文字图像区域②正确的分离单个文字③正确识别单个字符。用MATLAB软件编程来实现每一个部分,最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析处理。

设计原理

详细步骤

一、预处理及边缘提取

1、图象的采集与转换
考虑到现有牌照的字符与背景的颜色搭配一般有蓝底白字、黄底黑字、白底红字、绿底白字和黑底白字等几种利用不同的色彩通道就可以将区域与背景明显地区分出来例如对蓝底白字这种最常见的牌照采用蓝色B 通道时牌照区域为一亮的矩形而牌照字符在区域中并不呈现。因为蓝色25500与白色255255255在B 通道中并无区分而在G、R 通道或是灰度图象中并无此便利。同理对白底黑字的牌照可用R 通道绿底白字的牌照可以用G 通道就可以明显呈现出牌照区域的位置便于后续处理。原图、灰度图及其直方图见下图

2、边缘提取
边缘是指图像局部亮度变化显著的部分是图像风、纹理特征提取和形状特征提取等图像分析的重要基础。所以在此我们要对图像进行边缘检测。图象增强处理对图象牌照的可辩认度的改善和简化后续的牌照字符定位和分割的难度都是很有必要的。增强图象对比度度的方法有灰度线性变换、图象平滑处理等。
1灰度校正
由于牌照图象在拍摄时受到种种条件的限制和干扰图象的灰度值往往与实际景物不完全匹配这将直接影响到图象的后续处理。如果造成这种影响的原因主要是由于被摄物体的远近不同使得图象中央区域和边缘区域的灰度失衡或是由于摄像头在扫描时各点的灵敏度有较大的差异而产生图象灰度失真或是由于曝光不足而使得图像的灰度变化范围很窄。这时就可以采用灰度校正的方法来处理增强灰度的变化范围、丰富灰度层次以达到增强图象的对比度和分辨率。我们发现车辆牌照图象的灰度取值范围大多局限在r=(50,200)之间而且总体上灰度偏低图象较暗。根据图象处理系统的条件最好将灰度范围展开到s=(0,255)之间。

2平滑处理
对于受噪声干扰严重的图象由于噪声点多在频域中映射为高频分量因此可以在通过低通滤波器来滤除噪声但实际中为了简化算法也可以直接在空域中用求邻域平均值的方法来削弱噪声的影响这种方法称为图象平滑处理。然而邻域平均值的平滑处理会使得图象灰度急剧变化的地方尤其是物体边缘区域和字符轮廓等部分产生模糊作用。为了克服这种平均化引起的图象模糊现象我们给中心点象素值与其邻域平均值的差值设置一固定的阈值只有大于该阈值的点才能替换为邻域平均值而差值不大于阈值时仍保留原来的值从而减少由于平均化引起的图象模糊。

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。正是由于牌照图象的这些特点再经过适当的图象变换它在整幅中可以明显地呈现出其边缘。边缘提取是较经典的算法此处边缘的提取采用的是Roberts算子。
对比以上几幅图片图8的边缘已经模糊掉了。图7中包含的噪声太多图9未经滤波直接提取出的边缘图像最清晰所包含的有用信息最多。分析这种情况产生的原因归纳起来主要有以下方面:
1、原始图像清晰度比较高从而简化了预处理
2、图像的平滑处理会使图像的边缘信息受到损失图像变得模糊
3、图像的锐化可以增强图像中物体的边缘轮廓但同时也使一些噪声得到了增强
综上所述结合MATLAB实验过程得出不是每一种图像处理之初都适合滤波和边界增强。本次汽车车牌的识别为了保存更多的有用信息经过多次比较选择图9作为后期处理的依据。

二、牌照的定位和分割

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。由于牌照图象在原始图象中是很有特征的一个子区域确切说是水平度较高的横向近似的长方形它在原始图象中的相对位置比较集中而且其灰度值与周边区域有明显的不同因而在其边缘形成了灰度突变的边界这样就便于通过边缘检测来对图象进行分割。

1、牌照区域的定位
牌照图象经过了以上的处理后牌照区域已经十分明显而且其边缘得到了勾勒和加强。此时可进一步确定牌照在整幅图象中的准确位置。这里选用的是数学形态学的方法其基本思想是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。数学形态学的应用可以简化图像数据保持它们基本的形态特征并除去不相干的结构。在本程序中用到了膨胀和闭合这两个基本运算最后还用了bwareaopen来去除对象中不相干的小对象。

2、牌照区域的分割
对车牌的分割可以有很多种方法本程序是利用车牌的彩色信息的彩色分割方法。根据车牌底色等有关的先验知识采用彩色像素点统计的方法分割出合理的车牌区域确定车牌底色蓝色RGB对应的各自灰度范围然后行方向统计在此颜色范围内的像素点数量设定合理的阈值确定车牌在行方向的合理区域。然后在分割出的行区域内统计列方向蓝色像素点的数量最终确定完整的车牌区域。

3、车牌进一步处理
经过上述方法分割出来的车牌图像中存在目标物体、背景还有噪声要想从图像中直接提取出目标物体最常用的方法就是设定一个阈值T用T将图像的数据分成两部分大于T的像素群和小于T的像素群即对图像二值化。均值滤波是典型的线性滤波算法它是指在图像上对目标像素给一个模板该模板包括了其周围的临近像素。再用模板中的全体像素的平均值来代替原来像素值。

三、字符的分割与归一化

1、字符分割
在汽车牌照自动识别过程中字符分割有承前启后的作用。它在前期牌照定位的基础上进行字符的分割然后再利用分割的结果进行字符识别。字符识别的算法很多因为车牌字符间间隔较大不会出现字符粘连情况所以此处采用的方法为寻找连续有文字的块若长度大于某阈值则认为该块有两个字符组成需要分割。

2、字符归一化
一般分割出来的字符要进行进一步的处理以满足下一步字符识别的需要。但是对于车牌的识别并不需要太多的处理就已经可以达到正确识别的目的。在此只进行了归一化处理然后进行后期处理。

四、字符的识别

字符的识别目前用于车牌字符识别(OCR)中的算法主要有基于模板匹配的OCR算法以及基于人工神经网络的OCR算法。基于模板匹配的OCR的基本过程是:首先对待识别字符进行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。用人工神经网络进行字符识别主要有两种方法:一种方法是先对待识别字符进行特征提取然后用所获得的特征来训练神经网络分类器。识别效果与字符特征的提取有关而字符特征提取往往比较耗时。因此字符特征的提取就成为研究的关键。另一种方法则充分利用神经网络的特点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。
模板匹配的主要特点是实现简单当字符较规整时对字符图像的缺损、污迹干扰适应力强且识别率相当高。综合模板匹配的这些优点我们将其用为车牌字符识别的主要方法。

五、设计结果及分析

通过以上的方法我对多幅图像进行了检测有较好的识别效果。

对于光照条件不理想的图象可先进行一次图象增强处理使得图象灰度动态范围扩展和对比度增强再进行定位和分割这样可以提高分割的正确率。而采用了色彩通道的牌照区域分割算法充分利用了牌照图象的色彩信息简化了算法的实现加快了图象的处理速度具有较高的检出正确率而且整个过程用MATLAB 语言编程实现无时间滞后感可以满足实时检出的要求。

注有需要源文件及设计文件或者学习交流的朋友可以联系作者作者创作不易希望客官们打赏~作者联系方式见个人资料