基于模板匹配车牌识别技术研究.docVIP

基于模板匹配车牌识别技术的研究 1、研究背景 汽车牌照自动识别模块是现代社会智能系统的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用[1]。车牌识别主要包括以下三个步骤：车牌区域定位、车牌字符分割、车牌字符识别。 本论文通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀、平滑等过程来进行车牌图像预处理，并由此得到一种基于车牌颜色纹理特征的车牌定位方法，最终实现了车牌区域定位。车牌字符分割是为了方便后续对车牌字符进行匹配，从而对车牌进行识别。本论文采用了模板匹配的方法，对输出的字符图像和模板库里的模板进行匹配，以得到对应于车牌字符的具体信息。本论文还基于MATLAB进行了设计仿真实验，实验表明，该方案整体有效可行。基于模板匹配的车牌识别技术在其识别正确率、速度等方面具有独特的优势及广阔的应用前景。 2、理论基础 车牌定位与字符识别技术是以计算机数字图像处理、模式识别等技术为基础，通过对原图像进行预处理及边缘检测等过程来实现对车牌区域的定位，然后对车牌区域进行图像裁剪、归一化、字符分割及保存，最后将分割得到的字符图像与模板库里的模板进行匹配识别，从而输出匹配结果。该流程如下图所示： ——采集图像 ——图像预处理 ——定位车牌区域 ——车牌图像处理 ——字符分割 ——字符识别 ——输出结果 （?车辆牌照识别系统） 车牌识别首先要正确地分割车牌区域，为此已经提出了很多方法：使用霍夫变换检测直线来定位车牌边界，进而获取车牌区域；使用灰度阈值分割、区域生长等方法进行区域分割；使用纹理特征分析技术检测车牌区域等。然而霍夫变换对图像噪声比较敏感，因此在检测车牌边界直线时，容易受到车牌变形或噪声等因素的影响，具有较大的误检测几率。灰度阈值分割、区域增长等方法则比霍夫直线检测方法稳定，但当图像中包含某些与车牌灰度非常相似的区域时，便不再适用了。同理，纹理特征分析方法在遇到与车牌纹理特征相近的区域或其他干扰时，车牌定位的正确率也会受到影响。因此仅采用单一的方法，难以达到实际应用的要求。 如果进行车牌字符的定位和裁剪，则需要首先对输入的车牌图像进行预处理，以得到精确的车牌字符图像；然后将处理后的车牌看作由连续的字符块组成，并设定一个灰度阈值，如果超过该阈值，则认为有多个字符相连，需要对其进行切割，进而实现对车牌字符的分割；最后把分割的字符图片进行标准化并与模板库进行比对，选出最相似的字符结果并输出，即为车牌信息。 2.1、车牌图像处理 2.1.1、图像灰度化 车牌图像的采集一般是通过数码相机或摄像机来进行，得到的图片一般都是RGB图像，即真彩图像。根据三基色原理，每一种颜色都可以由红、绿、蓝三种基色按不同的比例构成，所以车牌图像的每个像素都由三个数值来指定红、绿、蓝的颜色分量。灰度图像实际上是一个数据矩阵I，该矩阵每个元素的数值代表一定范围内的亮度值，矩阵I可以是整型、双精度型，通常0代表黑色，255代表白色。在MATLAB中，一副RGB图像可以用uint8、uint16或者双精度等类型的m×n×3矩阵来描述，其中m和n分别表示图像的宽度和高度，此处的RGB图像不同于索引图，所以不使用调色板。 在RGB模型中，如果R=G=B，则表示一种灰度颜色。其中，R=G=B的值叫做灰度值，由彩色转为灰度的过程叫做图像灰度化处理。因此，灰度图像是指只有强度信息而没有颜色信息的图像。一般而言，可采用加权平均值法对原始RGB图像进行灰度化处理，该方法的主要思想是从原图像中取R、G、B各层像素值，经过加权求和得到灰度图的亮度值。在现实生活中，人眼对绿色敏感度最高，对红色敏感度次之，对蓝色敏感度最低，因此为了选择合适的权值对象，使之能够输出合理的灰度图像，权值系数应满足GRB。实验和理论表明，当R、G、B的权值系数分别选择0.299、0.587、0.114时，能够得到最适合人眼观察的灰度图像。 2.1.2、图像二值化 灰度图像二值化在图像处理过程中有着很重要的作用，图像二值化处理不仅能使数据量大幅减少，还能突出图像的目标轮廓，便于进行后续的图像处理与分析。对车牌灰度图像而言，所谓的二值化处理就是将其像素点的灰度值设置为0或255，从而让整幅图片呈现黑白效果。因此，对灰度图像进行适当的阈值选取，可以在图像二值化的过程中保留某些关键的图像特征。在车牌图像二值化的过程中，灰度大于或等于阈值的像素点被判定为目标区域，其灰度值用255表示；否则这些像素点被判定为背景或噪声而排除在目标区域之外，其灰度值用0表示。 图像二值化是指在整幅图像中仅保留黑、白二值的数值矩阵，每个像素取两个离散数值0或1，其中0代表黑色，1代表白色。在车牌图像处理系统中，进行图像二值化过程的关键是选择合适的阈值，使得车牌字符与背景能够得到有效分割。不同的阈值设定方法对车牌图像进行处理