:車牌識别技術是智能交通系統的重要組成部分，在近年來得到了很大的發展。本文從預處理、邊緣檢測、車牌定位、字元分割、字元識别五個方面，具體介紹了車牌自動識别的原理。并用MATLAB軟體程式設計來實作每一個部分,最後識别出汽車車牌。
一、設計原理車輛車牌識别系統的基本工作原理為：将攝像頭拍攝到的包含車輛車牌的圖像通過視訊卡輸入到計算機中進行預處理，再由檢索子產品對車牌進行搜尋、檢測、定位，并分割出包含車牌字元的矩形區域，然後對車牌字元進行二值化并将其分割為單個字元，然後輸入JPEG或BMP格式的數字，輸出則為車牌号碼的數字。車牌自動識别是一項利用車輛的動态視訊或靜态圖像進行車牌号碼、車牌顔色自動識别的模式識别技術。其硬體基礎一般包括觸發裝置、攝像裝置、照明裝置、圖像采集裝置、識别車牌号碼的處理機等，其軟體核心包括車牌定位算法、車牌字元分割算法和光學字元識别算法等。某些車牌識别系統還具有通過視訊圖像判斷車輛駛入視野的功能稱之為視訊車輛檢測。一個完整的車牌識别系統應包括車輛檢測、圖像采集、車牌識别等幾部分。當車輛檢測部分檢測到車輛到達時觸發圖像采集單元，采集目前的視訊圖像。車牌識别單元對圖像進行處理，定位出車牌位置，再将車牌中的字元分割出來進行識别，然後組成車牌号碼輸出。
二、
設計步驟總體步驟為：
車輛→圖像采集→圖像預處理→車牌定位→字元分割→字元定位→輸出結果基本的步驟：
a.車牌定位，定位圖檔中的車牌位置；
b.車牌字元分割，把車牌中的字元分割出來；
c.車牌字元識别，把分割好的字元進行識别，最終組成車牌号碼。
車牌識别過程中，車牌顔色的識别依據算法不同，可能在上述不同步驟實作，通常與車牌識别互相配合、互相驗證。
(1）車牌定位:自然環境下，汽車圖像背景複雜、光照不均勻，如何在自然背景中準确地确定車牌區域是整個識别過程的關鍵。首先對采集到的視訊圖像進行大範圍相關搜尋，找到符合汽車車牌特征的若幹區域作為候選區，然後對這些侯選區域做進一步分析、評判，最後標明一個最佳的區域作為車牌區域，并将其從圖象中分割出來。
流程圖:
（2）車牌字元分割 :完成車牌區域的定位後，再将車牌區域分割成單個字元，然後進行識别。字元分割一般采用垂直投影法。由于字元在垂直方向上的投影必然在字元間或字元内的間隙處取得局部最小值的附近，并且這個位置應滿足車牌的字元書寫格式、字元、尺寸限制和一些其他條件。利用垂直投影法對複雜環境下的汽車圖像中的字元分割有較好的效果。
流程圖：
（3）車牌字元識别 :字元識别方法目前主要有基于模闆比對算法和基于人工神經網絡算法。基于模闆比對算法首先将分割後的字元二值化,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。基于人工神經元網絡的算法有兩種：一種是先對待識别字元進行特征提取，然後用所獲得特征來訓練神經網絡配置設定器；另一種方法是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出結果。實際應用中，車牌識别系統的識别率與車牌品質和拍攝品質密切相關。車牌品質會受到各種因素的影響，如生鏽、污損、油漆剝落、字型褪色、車牌被遮擋、車牌傾斜、高亮反光、多車牌、假車牌等等；實際拍攝過程也會受到環境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了車牌識别的識别率，也正是車牌識别系統的困難和挑戰所在。為了提高識别率，除了不斷的完善識别算法，還應該想辦法克服各種光照條件，使采集到的圖像最利于識别。
流程圖：
三 各子產品的實作:
3.1輸入待處理的原始圖像:
clear ;
close all;
%Step1 擷取圖像 裝入待處理彩色圖像并顯示原始圖像
Scolor = imread('3.jpg');%imread函數讀取圖像檔案
圖3.1原始圖像
3.2圖像的灰階化:
彩色圖像包含着大量的顔色資訊，不但在存儲上開銷很大，而且在處理上也會降低系統的執行速度，是以在對圖像進行識别等進行中經常将彩色圖像轉變為灰階圖像，以加快處理速度。由彩色轉換為灰階的過程叫做灰階化處理。選擇的标準是經過灰階變換後，像素的動态範圍增加，圖像的對比度擴充，使圖像變得更加清晰、細膩、容易識别。
%将彩色圖像轉換為黑白并顯示
Sgray = rgb2gray(Scolor);%rgb2gray轉換成灰階圖
figure,imshow(Sgray),title('原始黑白圖像');
圖3.2原始黑白圖像
3.3對原始圖像進行開操作得到圖像背景圖像:s=strel('disk',13);%strei函數
Bgray=imopen(Sgray,s);%打開sgray s圖像
figure,imshow(Bgray);title('背景圖像');%輸出背景圖像
圖3.3背景圖像
3.4灰階圖像與背景圖像作減法，對圖像進行增強處理:Egray=imsubtract(Sgray,Bgray);%兩幅圖相減
figure,imshow(Egray);title('增強黑白圖像');%輸出黑白圖像
圖3.4黑白圖像
3.5取得最佳門檻值，将圖像二值化:二值圖像是指整幅圖像畫面内僅黑、白二值的圖像。在實際的車牌處理系統中，進行圖像二值變換的關鍵是要确定合适的閥值，使得字元與背景能夠分割開來，二值變換的結果圖像必須要具備良好的保形性，不丢掉有用的形狀資訊，不會産生額外的空缺等等。車牌識别系統要求處理的速度高、成本低、資訊量大，采用二值圖像進行處理，能大大地提高處理效率。門檻值處理的操作過程是先由使用者指定或通過算法生成一個門檻值，如果圖像中某中像素的灰階值小于該門檻值，則将該像素的灰階值設定為0或255，否則灰階值設定為255或0。
fmax1=double(max(max(Egray)));%egray的最大值并輸出雙精度型
fmin1=double(min(min(Egray)));%egray的最小值并輸出雙精度型
level=(fmax1-(fmax1-fmin1)/3)/255;%獲得最佳門檻值
bw22=im2bw(Egray,level);%轉換圖像為二進制圖像
bw2=double(bw22);
figure,imshow(bw2);title('圖像二值化');%得到二值圖像
圖3.5二值圖像
3.6邊緣檢測:兩個具有不同灰階值的相鄰區域之間總存在邊緣，邊緣就是灰階值不連續的結果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎。為了對有意義的邊緣點進行分類，與這個點相聯系的灰階級必須比在這一點的背景上變換更有效，我們通過門限方法來決定一個值是否有效。是以，如果一個點的二維一階導數比指定的門限大，我們就定義圖像中的次點是一個邊緣點，一組這樣的依據事先定好的連接配接準則相連的邊緣點就定義為一條邊緣。經過一階的導數的邊緣檢測，所求的一階導數高于某個門檻值，則确定該點為邊緣點，這樣會導緻檢測的邊緣點太多。可以通過求梯度局部最大值對應的點，并認定為邊緣點，去除非局部最大值，可以檢測出精确的邊緣。一階導數的局部最大值對應二階導數的零交叉點，這樣通過找圖像強度的二階導數的零交叉點就能找到精确邊緣點。
grd=edge(bw2,'canny')%用canny算子識别強度圖像中的邊界
figure,imshow(grd);title('圖像邊緣提取');%輸出圖像邊緣
圖3.6像邊緣提取
3.7對得到圖像作開操作進行濾波:數學形态非線性濾波，可以用于抑制噪聲，進行特征提取、邊緣檢測、圖像分割等圖像處理問題。腐蝕是一種消除邊界點的過程，結果是使目标縮小，孔洞增大，因而可有效的消除孤立噪聲點；膨脹是将與目标物體接觸的所有背景點合并到物體中的過程，結果是使目标增大，孔洞縮小，可填補目标物體中的空洞，形成連通域。先腐蝕後膨脹的過程稱為開運算，它具有消除細小物體，并在纖細處分離物體和平滑較大物體邊界的作用；先膨脹後腐蝕的過程稱為閉運算，具有填充物體内細小空洞，連接配接鄰近物體和平滑邊界的作用。對圖像做了開運算和閉運算，閉運算可以使圖像的輪廓線更為光滑，它通常用來消掉狹窄的間斷和長細的鴻溝，消除小的孔洞，并彌補輪廓線中的斷裂。
bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的閉運算
figure,imshow(bg1);title('圖像閉運算[5,19]');%輸出閉運算的圖像
bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的開運算
figure,imshow(bg3);title('圖像開運算[5,19]');%輸出開運算的圖像
bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的開運算
figure,imshow(bg2);title('圖像開運算[19,1]');%輸出開運算的圖像
圖3.7.1閉運算的圖像 圖3.7.2開運算的圖像
圖3.7.3開運算的圖像
3.8對二值圖像進行區域提取，并計算區域特征參數。進行區域特征參數比較，提取車牌區域: a.對圖像每個區域進行标記，然後計算每個區域的圖像特征參數：區域中心位置、最小包含矩形、面積。
[L,num] = bwlabel(bg2,8);%标注二進制圖像中已連接配接的部分
Feastats = imfeature(L,'basic');%計算圖像區域的特征尺寸
Area=[Feastats.Area];%區域面積
BoundingBox=[Feastats.BoundingBox];%[x y width height]車牌的架構大小
RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %标志圖像向RGB圖像轉換
figure,imshow(RGB);title('圖像彩色标記');%輸出架構的彩色圖像
圖3.8.1彩色圖像
b. 計算出包含所标記的區域的最小寬和高，并根據先驗知識，比較誰的寬高比更接近實際車牌寬高比，将更接近的提取并顯示出來。
計算矩形的高度
架構的寬度和高度的範圍
車牌的開始列
車牌的開始行
計算車牌長寬比
擷取車牌二值子圖
計算矩形的寬度
程式流程圖 圖3.8.2灰階子圖和二值子圖
3.9對水準投影進行峰谷分析:對水準投影進行峰谷分析,計算出車牌上邊框、車牌字元投影、車牌下邊框的波形峰上升點、峰下降點、峰寬、谷寬、峰間距離、峰中心位置參數。
histcol1=sum(sbw1); %計算垂直投影
histrow=sum(sbw1'); %計算水準投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（含邊框）');%輸出垂直投影
subplot(2,1,2),bar(histrow); title('水準投影（含邊框）');%輸出水準投影
圖3.9.1垂直投影和水準投影
figure,subplot(2,1,1),bar(histrow); title('水準投影（含邊框）');%輸出水準投影
subplot(2,1,2),imshow(sbw1);title('車牌二值子圖');%輸出二值圖
對水準投影進行峰谷分析:
求水準投影的最小值
取門檻值
計算谷寬度
計算峰距離
計算下降點
找到峰中心位置
求水準投影的平均值
圖3.9.2水準投影和二值圖 程式流程圖
3.10計算車牌旋轉角度:a.車牌傾斜的原因導緻投影效果峰股谷不明顯，在這裡需要做車牌矯正處理。這裡采取的線性拟合的方法,計算出車牌上邊或下邊圖像值為1的點拟合直線與水準X軸的夾角。
求最大寬度為字元
檢測上邊
從頂邊至第一個峰下降點掃描
從底邊至最後一個峰的上升點掃描
找第一個為1的點
标示出圖像大小
程式流程圖
(2)線性拟合，計算與x夾角
fresult = fit(xdata',ydata','poly1'); %poly1表示一介拟合 Y = p1*x+p2
p1=fresult.p1;
angle=atan(fresult.p1)*180/pi; %弧度換為度，360/2pi, pi=3.14
(3)旋轉車牌圖象
subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋轉車牌圖象
sbw = imrotate(sbw1,angle,'bilinear','crop');%旋轉圖像
figure,subplot(2,1,1),imshow(subcol);title('車牌灰階子圖');%輸出車牌旋轉後的灰階圖像标題顯示車牌灰階子圖
subplot(2,1,2),imshow(sbw);title('');%輸出車牌旋轉後的灰階圖像
title(['車牌旋轉角: ',num2str(angle),'度'] ,'Color','r');%顯示車牌的旋轉角度
圖3.10.1旋轉後的灰階圖像和旋轉角度
b.旋轉車牌後重新計算車牌水準投影，去掉車牌水準邊框，擷取字元高度:
histcol1=sum(sbw); %計算垂直投影
histrow=sum(sbw'); %計算水準投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（旋轉後）');
subplot(2,1,2),bar(histrow); title('水準投影（旋轉後）');
圖3.10.2垂直投影（旋轉後）和水準投影（旋轉後）
figure,subplot(2,1,1),bar(histrow); title('水準投影（旋轉後）');
subplot(2,1,2),imshow(sbw);title('車牌二值子圖（旋轉後）');
圖3.10.3水準投影（旋轉後）和車牌二值子圖（旋轉後）
3.11去水準（上下）邊框,擷取字元高度:a.通過以上水準投影、垂直投影分析計算，獲得了車牌字元高度、字元頂行與尾行、字元寬度、每個字元的中心位置，為提取分割字元具備了條件。
maxhight=max(markrow2);
findc=find(markrow2==maxhight);
rowtop=markrow(findc);
rowbot=markrow(findc+1)-markrow1(findc+1);
sbw2=sbw(rowtop:rowbot,:); %子圖為(rowbot-rowtop+1)行
maxhight=rowbot-rowtop+1; %字元高度(rowbot-rowtop+1)
b.計算車牌垂直投影，去掉車牌垂直邊框，擷取車牌及字元平均寬度
histcol=sum(sbw2); %計算垂直投影
figure,subplot(2,1,1),bar(histcol);title('垂直投影（去水準邊框後）');%輸出車牌的垂直投影圖像
subplot(2,1,2),imshow(sbw2); %輸出垂直投影圖像
title(['車牌字元高度： ',int2str(maxhight)],'Color','r');%輸出車牌字元高度
%對垂直投影進行峰谷分析
求垂直投影的最小值
取門檻值
計算字元上升點
計算谷寬度
計算字元距離
找到字元中心位置
求垂直投影的平均值
圖3.11垂直投影圖像和車牌字元高度 程式流程圖
c.計算車牌上每個字元中心位置，計算最大字元寬度maxwidth
l=0;
for k=1:n1
markcol3(k)=markcol(k+1)-markcol1(k+1);%字元下降點
markcol4(k)=markcol3(k)-markcol(k); %字元寬度（上升點至下降點）
markcol5(k)=markcol3(k)-double(uint16(markcol4(k)/2));%字元中心位置
end
markcol6=diff(markcol5); %字元中心距離（字元中心點至下一個字元中心點）
maxs=max(markcol6); %查找最大值，即為第二字元與第三字元中心距離
findmax=find(markcol6==maxs);
markcol6(findmax)=0;
maxwidth=max(markcol6);%查找最大值，即為最大字元寬度
d.提取分割字元,并變換為22行*14列标準子圖
l=1;
[m2,n2]=size(subcol);
figure;
for k=findmax-1:findmax+5
cleft=markcol5(k)-maxwidth/2;
cright=markcol5(k)+maxwidth/2-2;
if cleft<1
cleft=1;
cright=maxwidth;
end
if cright>n2
cright=n2;
cleft=n2-maxwidth;
end
SegGray=sbw(rowtop:rowbot,cleft:cright);
SegBw1=sbw(rowtop:rowbot,cleft:cright);
SegBw2 = imresize(SegBw1,[22 14]); %變換為22行*14列标準子圖
subplot(2,n1,l),imshow(SegGray);
if l==7
title(['車牌字元寬度： ',int2str(maxwidth)],'Color','r');
end
subplot(2,n1,n1+l),imshow(SegBw2);
fname=strcat('F:\MATLAB\work\sam\image',int2str(k),'.jpg');%儲存子圖備選入樣本庫,并建立樣本庫
imwrite(SegBw2,fname,'jpg')
l=l+1;
end
3.12将計算計算擷取的字元圖像與樣本庫進行比對，自動識别出字元代碼:進行車牌識别前需要使用樣本對神經網絡進行訓練，然後使用訓練好的網絡對車牌進行識别。其具體流程為:使用漢字、字母、字母數字、數字四個樣本分别對四個子網絡進行訓練，得到相應的節點數和權值。對已經定位好的車牌進行圖像預處理，逐個的特征提取，然後從相應的檔案中讀取相應的節點數和權值，把車牌字元分别送入相應的網絡進行識别，輸出識别結果。
樣本與資料庫中圖檔相減
計算誤差
找到誤差最小圖檔
依次識别并識别
建立資料庫
程式流程圖 圖3.12識别的車牌号碼
四、設計結果及分析原始圖像: 預處理後：
車牌定位和提取： 字元的分割和識别：
可以看出對于這個車牌，可以準确的識别。
原始圖像: 預處理：
車牌的定位和提取： 字元的分割和識别：
從上面結果可以看出，這張車牌的識别失敗了，将G誤識别為B了，K誤識為A，0識别為8，這在識别中是非常容易出錯的地方，是以需要在其他方面做些彌補，最後達到識别效果。
在車牌識别的過程中數字庫的建立很重要,隻有數字庫的準确才能保證檢測出來的資料正确。切割出來的資料要與資料庫的資料作比較，是以資料庫的資料尤為重要。
五、總結:實驗對車牌識别系統的軟體部分進行了研究，分别從圖像預處理、車牌定位、字元分割以及字元識别等方面進行了系統的分析。整理和總結了國内外在車牌定位、分割、字元識别方面的研究成果和發展方向，系統介紹了我國車牌的固有特征，以及車牌識别的特點。在車牌定位我們采用基于灰階跳變的定位方法，采用先對圖像進行預處理，再進行二值化操作的方法。實驗表明本方法既保留了車牌區域的資訊，又減少了噪聲的幹擾，進而簡化了二值化處理過程，提高了後續處理的速度。基于彩色分量的定位方法，運用基于藍色象素點統計特性的方法對車牌是藍色的車牌進行定位，實驗表明，用該方法實作的車牌定位準确率較高。
六、參考文獻:[1] 陳桂明、張明照、戚紅雨.應用MATLAB語言處理數字信号與數字圖像。科學出版社，2000
[2] 霍宏濤.數字圖像處理.機械工業出版社，2003.5
[3] 郁梅等，基于視覺的車輛車牌檢測,計算機應用研究,1999(5),P65～67
[4] 葉晨洲，廖金周，一種基于紋理的車牌圖象二值化方法，微型電腦應用，1999(6)，P28～29
[5] 周妮娜、王敏、黃心漢、呂雪峰、萬國紅.車牌字元識别的預處理算法.計算機工程與應用，2003(15)
[6] 楊萬山等，基于BP 神經網絡的工程圖紙圖形符号的識别，微型電腦應用，Vol.16，No.2，2000
[7] 王年、李婕、任彬、汪炳權.多層次汽車車車牌定位分割方法. 安徽大學學報，1999(6)Vol.23.No.2