基于matlab车牌识别

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：1.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。2.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EdwinLand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（SingleSealeRetinex，SSR）【4】和多尺度（MultipleSealeRetinex，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，而车身上的干扰比如保险杠则水平边缘点相对于垂直边缘点比较多。(3)几何特征：车辆前部的车牌是一个长宽比为3．14的矩形，拍摄设备是固定在一定的位置的，所以采集的图片的分辨率保持不变，所以采集得到的车牌长宽比的变化保持在一定范围内。(4)灰度跳变特征：车牌的背景颜色与车牌字符的颜色各不相同，所以转换成灰度图则灰度级不相同，这样在车牌边框以及字符与背景颜色产生了灰度突变。这种灰度突变的值比较大，并且相邻两边突变的值都比较小，形成一种脉冲式的突变。2）初步定位：确定车牌区域的左右边界的边界，然后对车牌图像垂直方向进行切割。定位车牌区域的上下边界，车牌区域上下边界的定位是基于左右边界算法的基础上的，车牌上下边界的定位是在左右边界已经定位后的车牌图像上进行。精确定位：针对ostu算法，先基于HSI彩色空间对车牌进行分类，然后再利用ostu算法。避免了直接用ostu算法造成的部分图像无法处理。接着分析了车牌的几种倾斜类型，给出解决车牌倾斜的方法。分析对比了几种边缘检测算法的优缺点，接着利用Hou曲变换对车牌垂直边缘及水平边缘进行检测直线，通过检测到的直线的角度对车牌进行倾斜校正。接着利用二值化投影法对车牌进行精确的定位，除去车牌的边框区域。3）车牌倾斜的校正：倾斜有三种倾斜：车牌图像的水平倾斜，这时字符没有发生变化，车牌的形状还是矩形，只是在水平方向产生了一定的倾斜角度。车牌图像的垂直倾斜，车牌由矩形变成了平行四边形，这时字符发生了变形，此时车牌在垂直方向产生了一定的倾斜角度。车牌图像在水平和垂直方向均产生倾斜，此时车牌成为平行四边形，并且字符发生变形，此时字符在水平和垂直方向均产生一定的倾斜角度。要先进行图像的空间转换，再进行灰度级插值，用边缘检测检测倾斜角度，因为物体的边缘是图像最基本的特征，边缘是指其周围像素灰度有阶跃变化的那些像素集合。边缘检测是图像分割、目标分割的识别、区域形状提取等图像分析领域中十分重要的基础【6】。所谓边缘是指图像局部亮度变化显著的像素集合，是图像纹理特征提取和图像分割所依赖的重要特征。边缘检测的目的是标识数字图像中亮度变化明显的点。常用的边缘检测算子有：Roberts算子、Prewitt算子、Sobel算子和Canny算子。边缘广泛存在于物体与背景之间、物体与物体之间、基元与基元之间，因此它是图像分割所依赖的重要特征之一。采用了Robert边缘算子法对车牌进行定位。边缘检测找出图像的边缘上的像素。而在实际的处理中，由于噪声像素点的干扰，以及不均匀光照条件引起边缘断裂和亮度的不连续性无法得到完全的边缘，然而我们必须将不连续的边缘链接起来才能准确的测出图像的倾斜角度，因此寻找并链接图像中的线段的处理方法尤为重要，这里介绍一个Hough变换【7】。形态学滤波有四种基础操作：腐蚀、膨胀、开操作和闭操作。图像经过膨胀以后依然存在许多连通的小区域，但这些小区域明显不是车牌候选区域且形状不规则。由车牌的先验信息知,我国车牌形状为矩形，一般高14cm；宽44cm；宽高比3.14。根据我国车牌的特征很容易就能够删除这些干扰对象；即，使用Bwareaopen函数来处理干扰对象。Bwareaopen函数的格式为：BW2=bwareaopen（BW,P,Conn）;其作用是移除二值图像BW中面积小于阈值P的对象【8】4.字符分割：字符分割阶段的主要任务是将汽车牌照中的字符子图像块逐个提取出来，送给后续字符识别阶段进行识别。由于分割出的字符大小尺寸不相同，为提高车牌字符识别准确率，需要对分割出的字符进行归一化处理。采用最近邻插值法对字符进行大小归一化处理，最近邻插值法即为零阶插值，它输出的像素值就等于距离它映射到的位置最近的输入像素的值。车牌定位分割前，必须先对车牌图像进行倾斜矫正。倾斜校正分为两个步骤：第一步骤是找出当前倾斜的角度；第二步是进行坐标变换，得到校正后的图像。因为得到定位后的车牌图像后，由于现实当中车牌可能因为某些原因出现倾斜的情况，这样会大大干扰得出的字符分割的结果，那是因为对一个倾斜的字母或者数字辨别和对一个非常规整的数字或字母的识别是不一样的。车牌倾斜校正的主要方法;l、通过模板匹配来寻找车牌固定时的二个顶点或四个顶点，再通过双线性空间的变换来重建车牌所在的矩形区域，从而得到车牌倾斜校正的目的。这种方法的主要缺点就是当车牌的背景颜色与车体的颜色差别不大时，难以寻找顶点位置，所取得的车牌的倾斜校正的结果将不理想。2、通过求取车牌字符区域的极大特征点和极小特征点，再对它们进行投影来求得车牌的倾斜角，最后进行图像旋转，从而得到车牌倾斜校正的目的。这种方法的主要缺点就是当车牌上的噪声比较大时，噪声淹没了原有极值，所取得的结果将很不理想。3、通过求得车牌上各个字符连通域的中心点，然后拟合成近似的直线来确定车牌的倾斜角，最后再对车牌图像进行旋转，从而得到车牌倾斜校正的目的。这种方法的主要缺点就是当车牌进行二值化处理时，车牌上的字符就会出现断裂等现象，这就使得该方法在有些情况下也不够理想。4、Hough变换法。这种方法主要就是通过Hough变换来求得车牌的区域边框，这样进一步地确定了车牌的倾斜角，最后再对车牌图像进行旋转，从而得到车牌倾斜校正的目的。这种方法的主要缺点就是当车牌上的噪声比较大时，结果将不理想。5、先进行水平边缘的检测，然后再旋转边缘图像并进行垂直投影，并把垂直投影的最大投影值作为角计算的依据，所得到的角作为车牌的倾斜角。并根据这个倾斜角来对车牌图像进行旋转，从而得到车牌倾斜校正的目的。这种方法的主要缺点就是它只考虑了水平倾斜没有考虑垂直倾斜，因而得到的结果具有片面性。6、通过采用水平和垂直边缘检测法相结合的办法来旋转投影求取车牌的水平．和垂直倾斜角度，对水平的车牌图像进行双线性插值旋转校正，对垂直倾斜的车牌进行双线性插值错位校正，而且在进行校正时确定车牌的上下位置，进而得到倾斜校正的目标的。这种方法的最大缺点就是当倾斜角比较大时，所得到的结果不够理想.5.字符识别：车牌字符的识别是将通过上述流程分割出来的字符进行识别，并将识别的结果通过计算机显示出来。车牌字符识别的过程总的来说就是模板匹配的过程，一般来说，只要车牌的定位以及字符的分割准确则字符的识别率就比较高，字符识别相对于车牌的定位则要简单的多。车牌字符识别根据所应用的模式识别技术主要可以分为：统计模式识别法和结构模式识别法。统计模式识别是提取待识别模式的一组统计特征，按照一定的决策函数进行分类判决。结构模式识别主要应用在识别汉字中，根据汉字的组成结构。汉字由笔划、偏旁部首或者更小的基元构成，识别时利用上述结构信息及句法分析的方法进行识别，类似一个逻辑推理器。【9】下面介绍几种常用的车牌图像字符识别方法：1)统计模式法：对已知类别的模式样本进行各种特征的提取和分析，选取对分类有利的特征，并对其统计均值等，按己知类别分别进行学习，按贝叶斯最小误差准则，根据以上统计特征设计出一个分类误差最小的决策超平面，识别过程就是对未知模式进行相同的特征提取和分类，通过决策平面方程决定该特征相应的模式所属的类别。此方法已经比较成熟，识别模式基元能力强，但是对结构复杂的模式抽取特征比较困难，不能反映模式的结构特征，难以描述模式的性质，难以从整体角度考虑识别问题。统计特征法是