首页 > 其他分享 >MATLAB车牌识别,详细图文代码过程

MATLAB车牌识别,详细图文代码过程

时间:2024-08-02 21:28:21浏览次数:12  
标签:字符 title 投影 MATLAB 图像 识别 车牌 图文

基于Matlab的车牌识别

   摘要:车牌识别技术是智能交通系统的重要组成部分,在近年来得到了很大的发展。本文从预处理、边缘检测、车牌定位、字符分割、字符识别五个方面,具体介绍了车牌自动识别的原理。并用MATLAB软件编程来实现每一个部分,最后识别出汽车车牌。

    一、设计原理 

车辆【微心  matlab2022 加我】车牌识别系统的基本工作原理为:将摄像头拍摄到的包含车辆车牌的图像通过视频卡输入到计算机中进行预处理,再由检索模块对车牌进行搜索、检测、定位,并分割出包含车牌字符的矩形区域,然后对车牌字符进行二值化并将其分割为单个字符,然后输入JPEG或BMP格式的数字,输出则为车牌号码的数字。车牌自动识别是一项利用车辆的动态视频或静态图像进行车牌号码、车牌颜色自动识别的模式识别技术。其硬件基础一般包括触发设备、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机等,其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。某些车牌识别系统还具有通过视频图像判断车辆驶入视野的功能称之为视频车辆检测。一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出车牌位置,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。

    二、设计步骤

总体步骤为:

车辆→图像采集→图像预处理→车牌定位

→字符分割→字符定位→输出结果

基本的步骤:

a.车牌定位,定位图片中的车牌位置;

b.车牌字符分割,把车牌中的字符分割出来;

c.车牌字符识别,把分割好的字符进行识别,最终组成车牌号码。

车牌识别过程中,车牌颜色的识别依据算法不同,可能在上述不同步骤实现,通常与车牌识别互相配合、互相验证。

(1)车牌定位:

自然环境下,汽车图像背景复杂、光照不均匀,如何在自然背景中准确地确定车牌区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索,找到符合汽车车牌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车牌区域,并将其从图象中分割出来。

(2)车牌字符分割 :

完成车牌区域的定位后,再将车牌区域分割成单个字符,然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近,并且这个位置应满足车牌的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。

流程图:

(3)车牌字符识别 :

字符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。基于模板匹配算法首先将分割后的字符二值化,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。基于人工神经元网络的算法有两种:一种是先对待识别字符进行特征提取,然后用所获得特征来训练神经网络分配器;另一种方法是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出结果。实际应用中,车牌识别系统的识别率与车牌质量和拍摄质量密切相关。车牌质量会受到各种因素的影响,如生锈、污损、油漆剥落、字体褪色、车牌被遮挡、车牌倾斜、高亮反光、多车牌、假车牌等等;实际拍摄过程也会受到环境亮度、拍摄亮度、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率,也正是车牌识别系统的困难和挑战所在。为了提高识别率,除了不断的完善识别算法,还应该想办法克服各种光照条件,使采集到的图像最利于识别。

 

     各模块的实现:

3.1输入待处理的原始图像:

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

图3.1原始图像

3.2图像的灰度化:

彩色图像包含着大量的颜色信息,不但在存储上开销很大,而且在处理上也会降低系统的执行速度,因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像,以加快处理速度。由彩色转换为灰度的过程叫做灰度化处理。选择的标准是经过灰度变换后,像素的动态范围增加,图像的对比度扩展,使图像变得更加清晰、细腻、容易识别。

%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(Sgray),title('原始黑白图像');

图3.2原始黑白图像

3.3对原始图像进行开操作得到图像背景图像:

s=strel('disk',13);%strei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

图3.3背景图像

3.4灰度图像与背景图像作减法,对图像进行增强处理:

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

图3.4黑白图像

3.5取得最佳阈值,将图像二值化:

二值图像是指整幅图像画面内仅黑、白二值的图像。在实际的车牌处理系统中,进行图像二值变换的关键是要确定合适的阀值,使得字符与背景能够分割开来,二值变换的结果图像必须要具备良好的保形性,不丢掉有用的形状信息,不会产生额外的空缺等等。车牌识别系统要求处理的速度高、成本低、信息量大,采用二值图像进行处理,能大大地提高处理效率。阈值处理的操作过程是先由用户指定或通过算法生成一个阈值,如果图像中某中像素的灰度值小于该阈值,则将该像素的灰度值设置为0或255,否则灰度值设置为255或0。

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

figure,imshow(bw2);title('图像二值化');%得到二值图像

                                             图3.5二值图像

3.6边缘检测:

两个具有不同灰度值的相邻区域之间总存在边缘,边缘就是灰度值不连续的结果,是图像分割、纹理特征提取和形状特征提取等图像分析的基础。为了对有意义的边缘点进行分类,与这个点相联系的灰度级必须比在这一点的背景上变换更有效,我们通过门限方法来决定一个值是否有效。所以,如果一个点的二维一阶导数比指定的门限大,我们就定义图像中的次点是一个边缘点,一组这样的依据事先定好的连接准则相连的边缘点就定义为一条边缘。经过一阶的导数的边缘检测,所求的一阶导数高于某个阈值,则确定该点为边缘点,这样会导致检测的边缘点太多。可以通过求梯度局部最大值对应的点,并认定为边缘点,去除非局部最大值,可以检测出精确的边缘。一阶导数的局部最大值对应二阶导数的零交叉点,这样通过找图像强度的二阶导数的零交叉点就能找到精确边缘点。

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

图3.6像边缘提取

3.7对得到图像作开操作进行滤波:

数学形态非线性滤波,可以用于抑制噪声,进行特征提取、边缘检测、图像分割等图像处理问题。腐蚀是一种消除边界点的过程,结果是使目标缩小,孔洞增大,因而可有效的消除孤立噪声点;膨胀是将与目标物体接触的所有背景点合并到物体中的过程,结果是使目标增大,孔洞缩小,可填补目标物体中的空洞,形成连通域。先腐蚀后膨胀的过程称为开运算,它具有消除细小物体,并在纤细处分离物体和平滑较大物体边界的作用;先膨胀后腐蚀的过程称为闭运算,具有填充物体内细小空洞,连接邻近物体和平滑边界的作用。对图像做了开运算和闭运算,闭运算可以使图像的轮廓线更为光滑,它通常用来消掉狭窄的间断和长细的鸿沟,消除小的孔洞,并弥补轮廓线中的断裂。

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

                                                          图3.7.1闭运算的图像         

                                                                图3.7.2开运算的图像

                                                                  图3.7.3开运算的图像

3.8对二值图像进行区域提取,并计算区域特征参数。进行区域特征参数比较,提取车牌区域:

a.对图像每个区域进行标记,然后计算每个区域的图像特征参数:区域中心位置、最小包含矩形、面积。

[L,num] = bwlabel(bg2,8);%标注二进制图像中已连接的部分

Feastats = imfeature(L,'basic');%计算图像区域的特征尺寸

Area=[Feastats.Area];%区域面积

BoundingBox=[Feastats.BoundingBox];%[x y width height]车牌的框架大小

RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %标志图像向RGB图像转换

figure,imshow(RGB);title('图像彩色标记');%输出框架的彩色图像

                                                     图3.8.1彩色图像

b. 计算出包含所标记的区域的最小宽和高,并根据先验知识,比较谁的宽高比更接近实际车牌宽高比,将更接近的提取并显示出来。

     

                                                          程序流程图                            

                                               图3.8.2灰度子图和二值子图

3.9对水平投影进行峰谷分析:

对水平投影进行峰谷分析,计算出车牌上边框、车牌字符投影、车牌下边框的波形峰上升点、峰下降点、峰宽、谷宽、峰间距离、峰中心位置参数。

histcol1=sum(sbw1);      %计算垂直投影

histrow=sum(sbw1');      %计算水平投影

figure,subplot(2,1,1),bar(histcol1);title('垂直投影(含边框)');%输出垂直投影

subplot(2,1,2),bar(histrow);     title('水平投影(含边框)');%输出水平投影

图3.9.1垂直投影和水平投影

figure,subplot(2,1,1),bar(histrow); title('水平投影(含边框)');%输出水平投影

subplot(2,1,2),imshow(sbw1);title('车牌二值子图');%输出二值图

对水平投影进行峰谷分析:

图3.9.2水平投影和二值图                   程序流程图

3.10计算车牌旋转角度:

a.车牌倾斜的原因导致投影效果峰股谷不明显,在这里需要做车牌矫正处理。这里采取的线性拟合的方法,计算出车牌上边或下边图像值为1的点拟合直线与水平X轴的夹角。

程序流程图

 (2)线性拟合,计算与x夹角

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; %弧度换为度,360/2pi,  pi=3.14

 (3)旋转车牌图象

subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋转车牌图象

sbw = imrotate(sbw1,angle,'bilinear','crop');%旋转图像

figure,subplot(2,1,1),imshow(subcol);title('车牌灰度子图');%输出车牌旋转后的灰度图像标题显示车牌灰度子图

subplot(2,1,2),imshow(sbw);title('');%输出车牌旋转后的灰度图像

title(['车牌旋转角: ',num2str(angle),'度'] ,'Color','r');%显示车牌的旋转角度

图3.10.1旋转后的灰度图像和旋转角度

b.旋转车牌后重新计算车牌水平投影,去掉车牌水平边框,获取字符高度:

histcol1=sum(sbw); %计算垂直投影

histrow=sum(sbw'); %计算水平投影

figure,subplot(2,1,1),bar(histcol1);title('垂直投影(旋转后)');

subplot(2,1,2),bar(histrow);     title('水平投影(旋转后)');

图3.10.2垂直投影(旋转后)和水平投影(旋转后)

figure,subplot(2,1,1),bar(histrow);     title('水平投影(旋转后)');

subplot(2,1,2),imshow(sbw);title('车牌二值子图(旋转后)');

图3.10.3水平投影(旋转后)和车牌二值子图(旋转后)

3.11去水平(上下)边框,获取字符高度:

a.通过以上水平投影、垂直投影分析计算,获得了车牌字符高度、字符顶行与尾行、字符宽度、每个字符的中心位置,为提取分割字符具备了条件。

maxhight=max(markrow2);

findc=find(markrow2==maxhight);

rowtop=markrow(findc);

rowbot=markrow(findc+1)-markrow1(findc+1);

sbw2=sbw(rowtop:rowbot,:);  %子图为(rowbot-rowtop+1)行

maxhight=rowbot-rowtop+1;   %字符高度(rowbot-rowtop+1)

b.计算车牌垂直投影,去掉车牌垂直边框,获取车牌及字符平均宽度

histcol=sum(sbw2);  %计算垂直投影

figure,subplot(2,1,1),bar(histcol);title('垂直投影(去水平边框后)');%输出车牌的垂直投影图像

subplot(2,1,2),imshow(sbw2); %输出垂直投影图像

title(['车牌字符高度: ',int2str(maxhight)],'Color','r');%输出车牌字符高度

%对垂直投影进行峰谷分析

图3.11垂直投影图像和车牌字符高度          

           程序流程图

c.计算车牌上每个字符中心位置,计算最大字符宽度maxwidth

l=0;

for k=1:n1

    markcol3(k)=markcol(k+1)-markcol1(k+1);%字符下降点

    markcol4(k)=markcol3(k)-markcol(k); %字符宽度(上升点至下降点)

    markcol5(k)=markcol3(k)-double(uint16(markcol4(k)/2));%字符中心位置

end

markcol6=diff(markcol5); %字符中心距离(字符中心点至下一个字符中心点)

maxs=max(markcol6); %查找最大值,即为第二字符与第三字符中心距离

findmax=find(markcol6==maxs);

markcol6(findmax)=0;

maxwidth=max(markcol6);%查找最大值,即为最大字符宽度

d.提取分割字符,并变换为22行*14列标准子图

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]); %变换为22行*14列标准子图      

        subplot(2,n1,l),imshow(SegGray);

        if l==7

            title(['车牌字符宽度: ',int2str(maxwidth)],'Color','r');

        end

        subplot(2,n1,n1+l),imshow(SegBw2);        

        fname=strcat('F:\MATLAB\work\sam\image',int2str(k),'.jpg');%保存子图备选入样本库,并建立样本库

        imwrite(SegBw2,fname,'jpg')

        l=l+1;

end

3.12将计算计算获取的字符图像与样本库进行匹配,自动识别出字符代码:

进行车牌识别前需要使用样本对神经网络进行训练,然后使用训练好的网络对车牌进行识别。其具体流程为:使用汉字、字母、字母数字、数字四个样本分别对四个子网络进行训练,得到相应的节点数和权值。对已经定位好的车牌进行图像预处理,逐个的特征提取,然后从相应的文件中读取相应的节点数和权值,把车牌字符分别送入相应的网络进行识别,输出识别结果。

程序流程图         

            图3.12识别的车牌号码

               

、设计结果及分析

                   

    从上面结果可以看出,这张车牌的识别失败了,将G误识别为B了,K误识为A,0识别为8,这在识别中是非常容易出错的地方,因此需要在其他方面做些弥补,最后达到识别效果。

在车牌识别的过程中数字库的建立很重要,只有数字库的准确才能保证检测出来的数据正确。切割出来的数据要与数据库的数据作比较,所以数据库的数据尤为重要。

                            

、总结:

实验对车牌识别系统的软件部分进行了研究,分别从图像预处理、车牌定位、字符分割以及字符识别等方面进行了系统的分析。整理和总结了国内外在车牌定位、分割、字符识别方面的研究成果和发展方向,系统介绍了我国车牌的固有特征,以及车牌识别的特点。在车牌定位我们采用基于灰度跳变的定位方法,采用先对图像进行预处理,再进行二值化操作的方法。实验表明本方法既保留了车牌区域的信息,又减少了噪声的干扰,从而简化了二值化处理过程,提高了后续处理的速度。基于彩色分量的定位方法,运用基于蓝色象素点统计特性的方法对车牌是蓝色的车牌进行定位,实验表明,用该方法实现的车牌定位准确率较高。

 、参考文献:

[1] 陈桂明、张明照、戚红雨.应用MATLAB语言处理数字信号与数字图像。科学出版社,2020

[2] 霍宏涛.数字图像处理.机械工业出版社,2023.5

[3] 郁梅等,基于视觉的车辆车牌检测,计算机应用研究,1999(5),P65~67

[4] 叶晨洲,廖金周,一种基于纹理的车牌图象二值化方法,微型电脑应用,2023(6),P28~29

[5] 周妮娜、王敏、黄心汉、吕雪峰、万国红.车牌字符识别的预处理算法.计算机工程与应用,2023(15)

[6] 杨万山等,基于BP 神经网络的工程图纸图形符号的识别,微型电脑应用,Vol.16,No.2,2020

[7] 王年、李婕、任彬、汪炳权.多层次汽车车车牌定位分割方法. 安徽大学学报,2021(6)Vol.23.No.2

                 

标签:字符,title,投影,MATLAB,图像,识别,车牌,图文
From: https://blog.csdn.net/2401_86418678/article/details/140859799

相关文章

  • 【数据结构算法经典题目刨析(c语言)】判断链表是否有环(图文详解)
    ......
  • 数据库系列: 主流分库分表中间件介绍(图文总结)
    相关文章数据库系列:MySQL慢查询分析和性能优化数据库系列:MySQL索引优化总结(综合版)数据库系列:高并发下的数据字段变更数据库系列:覆盖索引和规避回表数据库系列:数据库高可用及无损扩容数据库系列:使用高区分度索引列提升性能数据库系列:前缀索引和索引长度的取舍数据库系列:My......
  • Transformer预测模型及其Python和MATLAB实现
    ###一、背景在自然语言处理(NLP)领域,传统的序列到序列(Seq2Seq)模型大多依赖于循环神经网络(RNN)和长短期记忆(LSTM)网络。这些模型虽然在许多任务中取得了成功,但由于其计算效率低下以及长距离依赖关系处理的不足,导致模型训练时间漫长,并在处理较长文本时效果不佳。2017年,Vaswani等人......
  • 随机森林(Random Forest)预测模型及其特征分析(Python和MATLAB实现)
    ##一、背景在大数据和机器学习的快速发展时代,数据的处理和分析变得尤为重要。随着多个领域积累了海量数据,传统的统计分析方法常常无法满足复杂问题的需求。在这种背景下,机器学习方法开始广泛应用。随机森林(RandomForest)作为一种强大的集成学习方法,因其高效性和较强的泛化能......
  • 2024零基础·短视频图文带货实战课:0基础从破圈到爆单实操(35节课)
    课程大纲老号如何转型?新号如何搭建?如何做账号定位?如何选品?如何创作短视频图文?如何出单?适用人群想要学习短视频图文带货的小伙伴想要了解短视频图文成功核心玩法想要掌握智能AI剪辑短视频和图文的技巧课程目录00.学前必读mov.mp401.新号如何搭建账户?mov.mp402......
  • 2024零基础·短视频图文带货实战课:0基础从破圈到爆单实操(35节课)
    课程大纲老号如何转型?新号如何搭建?如何做账号定位?如何选品?如何创作短视频图文?如何出单?适用人群想要学习短视频图文带货的小伙伴想要了解短视频图文成功核心玩法想要掌握智能AI剪辑短视频和图文的技巧课程目录00.学前必读mov.mp401.新号如何搭建账户?mov.mp402......
  • 区间预测 | 光伏出力的区间预测(Matlab)
    区间预测|光伏出力的区间预测(Matlab)目录区间预测|光伏出力的区间预测(Matlab)效果一览基本介绍程序设计参考资料效果一览基本介绍1.适用于matlab2020及以上。可任意选择置信区间,区间覆盖率picp、区间平均宽度百分比等等,可用于预测不确定性,效果如图所示,完全满......
  • 如何从python读取matlab持续时间对象
    我创建一个matlab持续时间对象并将其保存到.mat文件:timeend=seconds(123);save('time.mat',timeend,'-v7.3');然后我从python读取它:withh5py.File('time.mat','r')asf:var=f['timeend'][:]print(list(var))......
  • 用matlab中的stlread函数得到三维模型后应该怎么得到模型根据z轴变化的切片?z轴上的每
    用matlab中的stlread函数得到三维模型后应该怎么得到模型根据z轴变化的切片?z轴上的每个面我都需要一个模型截面在MATLAB中,从STL文件读取三维模型后,您可以使用以下步骤获取根据Z轴变化的切片。这里提供一个基本的步骤和示例代码,帮助您实现这一目标:读取STL文......
  • matlab中用plotyy画双纵轴图
     clearclcx1=1:0.1:6;x2=2:0.1:7;y1=sin(x1);y2=0.5*x2;y3=sin(x1)+x1;y4=cos(x2)+x2;figure;[hAx,hLine1,hLine2]=plotyy([x1',x2'],[y1',y2'],[x1',x2'],[y3',y4']);holdon;set(hAx(1),'......