基于MATLAB的車牌識别系統設計

摘要

随着公路逐漸普及，我國的公路交通事業發展迅速，是以人工管理方式已經不能滿着實際的需要，微電子、通信和計算機技術在交通領域的應用極大地提高了交通管理效率。汽車牌照的自動識别技術已經得到了廣泛應用。汽車牌照自動識别整個處理過程分為預處理、邊緣提取、車牌定位、字元分割、字元識别五大子產品，其中字元識别過程主要由以下3個部分組成：①正确地分割文字圖像區域；②正确的分離單個文字；③正确識别單個字元。用MATLAB軟體程式設計來實作每一個部分,最後識别出汽車牌照。在研究的同時對其中出現的問題進行了具體分析，處理。

設計原理

詳細步驟

一、預處理及邊緣提取

1、圖象的采集與轉換

考慮到現有牌照的字元與背景的顔色搭配一般有藍底白字、黃底黑字、白底紅字、綠底白字和黑底白字等幾種，利用不同的色彩通道就可以将區域與背景明顯地區分出來，例如，對藍底白字這種最常見的牌照，采用藍色B 通道時牌照區域為一亮的矩形，而牌照字元在區域中并不呈現。因為藍色（255，0，0）與白色（255，255，255）在B 通道中并無區分，而在G、R 通道或是灰階圖象中并無此便利。同理對白底黑字的牌照可用R 通道，綠底白字的牌照可以用G 通道就可以明顯呈現出牌照區域的位置，便于後續處理。原圖、灰階圖及其直方圖見下圖

2、邊緣提取

邊緣是指圖像局部亮度變化顯著的部分，是圖像風、紋理特征提取和形狀特征提取等圖像分析的重要基礎。是以在此我們要對圖像進行邊緣檢測。圖象增強處理對圖象牌照的可辯認度的改善和簡化後續的牌照字元定位和分割的難度都是很有必要的。增強圖象對比度度的方法有：灰階線性變換、圖象平滑處理等。

（1）灰階校正

由于牌照圖象在拍攝時受到種種條件的限制和幹擾，圖象的灰階值往往與實際景物不完全比對，這将直接影響到圖象的後續處理。如果造成這種影響的原因主要是由于被攝物體的遠近不同，使得圖象中央區域和邊緣區域的灰階失衡，或是由于攝像頭在掃描時各點的靈敏度有較大的差異而産生圖象灰階失真，或是由于曝光不足而使得圖像的灰階變化範圍很窄。這時就可以采用灰階校正的方法來處理，增強灰階的變化範圍、豐富灰階層次，以達到增強圖象的對比度和分辨率。我們發現車輛牌照圖象的灰階取值範圍大多局限在r=(50,200)之間，而且總體上灰階偏低，圖象較暗。根據圖象處理系統的條件，最好将灰階範圍展開到s=(0,255)之間。

（2）平滑處理

對于受噪聲幹擾嚴重的圖象，由于噪聲點多在頻域中映射為高頻分量，是以可以在通過低通濾波器來濾除噪聲，但實際中為了簡化算法，也可以直接在空域中用求鄰域平均值的方法來削弱噪聲的影響，這種方法稱為圖象平滑處理。然而，鄰域平均值的平滑處理會使得圖象灰階急劇變化的地方，尤其是物體邊緣區域和字元輪廓等部分産生模糊作用。為了克服這種平均化引起的圖象模糊現象，我們給中心點象素值與其鄰域平均值的內插補點設定一固定的門檻值，隻有大于該門檻值的點才能替換為鄰域平均值，而內插補點不大于門檻值時，仍保留原來的值，進而減少由于平均化引起的圖象模糊。

圖像中車輛牌照是具有比較顯著特征的一塊圖象區域，這此特征表現在：近似水準的矩形區域；其中字元串都是按水準方向排列的；在整體圖象中的位置較為固定。正是由于牌照圖象的這些特點，再經過适當的圖象變換，它在整幅中可以明顯地呈現出其邊緣。邊緣提取是較經典的算法，此處邊緣的提取采用的是Roberts算子。

對比以上幾幅圖檔，圖8的邊緣已經模糊掉了。圖7中包含的噪聲太多，圖9未經濾波直接提取出的邊緣圖像最清晰，所包含的有用資訊最多。分析這種情況産生的原因，歸納起來主要有以下方面:

1、原始圖像清晰度比較高，進而簡化了預處理

2、圖像的平滑處理會使圖像的邊緣資訊受到損失，圖像變得模糊

3、圖像的銳化可以增強圖像中物體的邊緣輪廓，但同時也使一些噪聲得到了增強

綜上所述，結合MATLAB實驗過程，得出不是每一種圖像處理之初都适合濾波和邊界增強。本次汽車車牌的識别，為了儲存更多的有用資訊，經過多次比較，選擇圖9作為後期處理的依據。

二、牌照的定位和分割

牌照的定位和分割是牌照識别系統的關鍵技術之一，其主要目的是在經圖象預處理後的原始灰階圖象中确定牌照的具體位置，并将包含牌照字元的一塊子圖象從整個圖象中分割出來，供字元識别子系統識别之用，分割的準确與否直接關系到整個牌照字元識别系統的識别率。由于牌照圖象在原始圖象中是很有特征的一個子區域，确切說是水準度較高的橫向近似的長方形，它在原始圖象中的相對位置比較集中，而且其灰階值與周邊區域有明顯的不同，因而在其邊緣形成了灰階突變的邊界，這樣就便于通過邊緣檢測來對圖象進行分割。

1、牌照區域的定位

牌照圖象經過了以上的處理後，牌照區域已經十分明顯，而且其邊緣得到了勾勒和加強。此時可進一步确定牌照在整幅圖象中的準确位置。這裡選用的是數學形态學的方法，其基本思想是用具有一定形态的機構元素去量度和提取圖像中的對應形狀以達到對圖像分析和識别的目的。數學形态學的應用可以簡化圖像資料，保持它們基本的形态特征，并除去不相幹的結構。在本程式中用到了膨脹和閉合這兩個基本運算，最後還用了bwareaopen來去除對象中不相幹的小對象。

2、牌照區域的分割

對車牌的分割可以有很多種方法，本程式是利用車牌的彩色資訊的彩色分割方法。根據車牌底色等有關的先驗知識，采用彩色像素點統計的方法分割出合理的車牌區域，确定車牌底色藍色RGB對應的各自灰階範圍，然後行方向統計在此顔色範圍内的像素點數量，設定合理的門檻值，确定車牌在行方向的合理區域。然後，在分割出的行區域内，統計列方向藍色像素點的數量，最終确定完整的車牌區域。

3、車牌進一步處理

經過上述方法分割出來的車牌圖像中存在目标物體、背景還有噪聲，要想從圖像中直接提取出目标物體，最常用的方法就是設定一個門檻值T，用T将圖像的資料分成兩部分：大于T的像素群和小于T的像素群，即對圖像二值化。均值濾波是典型的線性濾波算法，它是指在圖像上對目标像素給一個模闆，該模闆包括了其周圍的臨近像素。再用模闆中的全體像素的平均值來代替原來像素值。

三、字元的分割與歸一化

1、字元分割

在汽車牌照自動識别過程中，字元分割有承前啟後的作用。它在前期牌照定位的基礎上進行字元的分割，然後再利用分割的結果進行字元識别。字元識别的算法很多，因為車牌字元間間隔較大，不會出現字元粘連情況，是以此處采用的方法為尋找連續有文字的塊，若長度大于某門檻值，則認為該塊有兩個字元組成，需要分割。

2、字元歸一化

一般分割出來的字元要進行進一步的處理，以滿足下一步字元識别的需要。但是對于車牌的識别，并不需要太多的處理就已經可以達到正确識别的目的。在此隻進行了歸一化處理，然後進行後期處理。

四、字元的識别

字元的識别目前用于車牌字元識别(OCR)中的算法主要有基于模闆比對的OCR算法以及基于人工神經網絡的OCR算法。基于模闆比對的OCR的基本過程是:首先對待識别字元進行二值化并将其尺寸大小縮放為字元資料庫中模闆的大小，然後與所有的模闆進行比對，最後選最佳比對作為結果。用人工神經網絡進行字元識别主要有兩種方法:一種方法是先對待識别字元進行特征提取，然後用所獲得的特征來訓練神經網絡分類器。識别效果與字元特征的提取有關，而字元特征提取往往比較耗時。是以，字元特征的提取就成為研究的關鍵。另一種方法則充分利用神經網絡的特點，直接把待處理圖像輸入網絡，由網絡自動實作特征提取直至識别。

模闆比對的主要特點是實作簡單，當字元較規整時對字元圖像的缺損、污迹幹擾适應力強且識别率相當高。綜合模闆比對的這些優點我們将其用為車牌字元識别的主要方法。

五、設計結果及分析

通過以上的方法，我對多幅圖像進行了檢測，有較好的識别效果。

對于光照條件不理想的圖象，可先進行一次圖象增強處理，使得圖象灰階動态範圍擴充和對比度增強，再進行定位和分割，這樣可以提高分割的正确率。而采用了色彩通道的牌照區域分割算法充分利用了牌照圖象的色彩資訊，簡化了算法的實作，加快了圖象的處理速度，具有較高的檢出正确率，而且整個過程用MATLAB 語言程式設計實作，無時間滞後感，可以滿足實時檢出的要求。

注：有需要源檔案及設計檔案或者學習交流的朋友可以聯系作者，作者創作不易，希望客官們打賞~（作者聯系方式見個人資料）