基于matlab车牌识别介绍.doc

基于MATLAB的车牌识别 车牌识别主要包括图像采集、图像的预处理、车牌定位、字符分割、字符识别等模块，具体内容如下： 图像采集：采集图像有两种工作方式，分别是连续采集和触发式采集。连续采集是指不断采集图像，通过算法判断是否有汽车和汽车的位置是否合适，将合适的图像送入图像采集卡。我们的课题是从视频中提取图像，属于连续采集。 图像的预处理：图像预处理的方法主要包括：灰度化、去除锯齿、去噪、灰度图加强边缘特性、图像加强、基于不同色彩模型的对比度调整【1】、基于灰度的二值化【2】等。 1）灰度化：在数字图像处理中一般先将各种格式的彩色图像转换成灰度图像，可以减少后续的图像计算量，同时灰度图像的描述与彩色图像一样仍然反映了整幅图像的整体和局部的色度和亮度等级分布特征，所以在减少计算量的同时还保留了图像的特征。 2）直方图均衡化【3】处理：把原始图像的灰度直方图从比较集中的灰度区间变成在全部灰度范围内的均匀分布，使原先堆积在一起的灰度级发散开，从而达到对比度增强的目的。增加了图像的对比度，有利于后续定位的处理。 3）图像的滤波：车牌图像的滤波，就是增强车牌图象中的有利于后期车牌定位的信息。滤波的原因是得到的灰度化图像有很多的干扰噪声点，要对非目标点进行滤除，减少其干扰。对于车牌图像滤波经常采用两种：中值滤波和形态滤波。中值滤波它是用一个含有奇数点的滑动窗口，将窗口正中间那点值用窗口内各点的中值代替。形态学滤波即在数学形态学处理的基础上再进行滤波处理，对图像先进行腐蚀运算，再进行膨胀运算，然后利用开运算对二值图像进行滤波。其目的是要改善车牌图像的视觉效果或者提高车牌图像中我们感兴趣的特征，针对给定车牌图像的有利于车牌定位的特征，有目的地强调图像的整体或局部特性，将原来不清晰的车牌图像变得清晰或增强有利于车牌定位中的特征，扩大车牌图像中车牌区域与背景区域的差别，抑制环境因素的干扰，改善图像的质量、丰富信息量，加强车牌图像的定位和识别效果，满足车牌图像定位识别的需要。低通滤波器可以很有针对性地对图像中的高频成分进行滤波，从而将噪声从图像中除去。空间域滤波和频域滤波是滤波的传统方法。具有代表性的空间域算法有均值滤波(局部求平均值法)和中值滤波(取局部邻域中的中间像素值)法等，它们可用于去除或减弱噪声或者增强图像边缘。在车牌图像滤波的处理中，为了提高每一步操作的效率，我们采用两种滤波结合的方法对车牌进行初期处理。 4）图像增强：图像增强的主要目的有两个：一是改善图像的视觉效果，提高图像的清晰度。二是将图像转换成一种更适合于人类或机器进行分析处理的形式，以便能从车牌图像中准确无误的获取信息。采用基于Retinex理论的多尺度图像增强技术处理车辆图像，处理后的图像，虽然存在颜色失真的现象，但在可控范围内，图像阴暗部分细节得到加强，物体轮廓分明，通过车牌定位实验，取得了较好效果。Retinex理论是美国物理学家Edwin Land提出的少数能够解释颜色恒常性现象的重要理论之一。根据这一理论，可以用反映周围环境亮度的函数L(x，y)和反映物体反射能力的函数R(x, y) 表示理想的图像I(x, y)，即： I(x,y)=R(x,y)L(x,y) 基于这一理论提出的图像增强算法主要有单尺度图像增强算法（Single Seale Retinex，SSR）【4】和多尺度（Multiple Seale Retinex，MSR）【5】图像增强算法。 5）图像二值化：在数字图像处理中，将灰度图转换为二值图像有利于提高处理速度，满足实时性要求。图像的二值化就是对图像进行阈值化分割，将图像中目标和背景分离出来，易于提取目标的一种图像处理技术。图像二值化的关键在于阈值T的选取，根据阈值T来区分图像中的对象和背景。二值化的具体方法有很多，采用比较常用的是全局阈值处理方法。 3.车牌定位：车牌的定位就是从一幅车牌图像中找出车牌区域，并将车牌区域从车牌图像中剪裁出来，用于后续的字符的分割。车牌的定位是车牌定位识别系统的关键，如果能极其准确的定位出车牌区域，则能降低后续的处理难度，提高车牌的识别率，目前主要方法有：基于车牌纹理的数学形态学、基于HSI彩色空间的边缘的检测、以及人工智能的特征识别方法等。 1）车牌特征： (1)颜色特征：车牌底色和车牌字符颜色搭配是固定的，现有我国的车牌颜色搭配有四种类型：小型机动车牌照的颜色搭配是蓝底白字，大型机动车牌照的颜色搭配是黄底黑字，军车与警车牌照的颜色搭配是白底黑字，国外驻华使馆的车辆牌照的颜色搭配是黑底白字。 (2)纹理特征：大部分牌照都有一个边框，由于磨损导致很多边框是不连续的，车牌区域有7个字符呈水平排列，所以在车牌区域内有着非常丰富的边缘点，呈现出规则的纹理特征；车牌区域的边缘点比较密集；并且车牌区域的垂直边缘比水平边缘还要密集，