matlab車牌識(shí)別系統(tǒng)算法源碼論文

《matlab車牌識(shí)別系統(tǒng)算法源碼論文》由會(huì)員分享，可在線閱讀，更多相關(guān)《matlab車牌識(shí)別系統(tǒng)算法源碼論文（3頁(yè)珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、matlab車牌識(shí)別系統(tǒng)算法源碼-論文 matlab車牌識(shí)別系統(tǒng)算法源碼 待處理的圖像如下所示。圖像整體比較清晰干凈，車牌方向端正，字體清楚，與周圍顏色的反差較大。 要定位汽車牌照并識(shí)別其中的字符，我們采用Matlab平臺(tái)提供的一些圖像處理函數(shù),以傅立葉變換通過(guò)字符模板與待處理的圖像匹配為核心思想。基本方法如下： 1、讀取待處理的圖像，將其轉(zhuǎn)化為二值圖像。經(jīng)試驗(yàn)，采用門(mén)限值為0.2附近時(shí)車牌字符最為清楚，雜點(diǎn)最少（如下左圖）。 I = imread(car.jpg); I2 = rgb2gray(I); I4 = im2bw(I2, 0.2); 2、去除圖像中面積過(guò)小的，可以

2、肯定不是車牌的區(qū)域。 bw = bwareaopen(I4, 500); 3、為定位車牌，將白色區(qū)域膨脹，腐蝕去無(wú)關(guān)的小物件，包括車牌字符（如下右圖）。 se = strel(disk,15); bw = imclose(bw,se); 4、此時(shí)車牌所在白色連通域已清晰可見(jiàn)，但在黑色區(qū)域以外，是一個(gè)更大的白色連通域，將車牌所在連通域包圍了。有必要將其填充。 bw = imfill(bw,[1 1]); 5、查找連通域邊界。同時(shí)保留此圖形，以備后面在它上面做標(biāo)記。 [B,L] = bwboundaries(bw,4); imshow(label2rgb(L, @jet, [.

3、5 .5 .5])) hold on for k = 1:length(B) boundary = B{k}; plot(boundary(:,2),boundary(:,1),w,LineWidth,2) end 6、找出所有連通域中最可能是車牌的那一個(gè)。判斷的標(biāo)準(zhǔn)是：測(cè)得該車牌的長(zhǎng)寬比約為4.5:1，其面積和周長(zhǎng)存在關(guān)系：(4.5LL)/(2(4.5＋1)L)2≈1/27，以此為特征，取metric=27*area/perimeter^2作為連通域的匹配度，它越接近1，說(shuō)明對(duì)應(yīng)的連通域越有可能是4.5:1的矩形。 % 找到每個(gè)連通域的質(zhì)心 stats = regionpro

4、ps(L,Area,Centroid); % 循環(huán)歷遍每個(gè)連通域的邊界 for k = 1:length(B) % 獲取一條邊界上的所有點(diǎn) boundary = B{k}; % 計(jì)算邊界周長(zhǎng) delta_sq = diff(boundary).^2; perimeter = sum(sqrt(sum(delta_sq,2))); % 獲取邊界所圍面積 area = stats(k).Area; % 計(jì)算匹配度 metric = 27*area/perimeter^2; % 要顯示的匹配度字串 metric_string = sprintf(%2

5、.2f,metric); % 標(biāo)記出匹配度接近1的連通域 if metric >= 0.9 && metric <= 1.1 centroid = stats(k).Centroid; plot(centroid(1),centroid(2),ko); % 提取該連通域所對(duì)應(yīng)在二值圖像中的矩形區(qū)域 goalboundary = boundary; s = min(goalboundary, [], 1); e = max(goalboundary, [], 1); goal = imcrop(I4,[s(2) s(1) e(2)-s(2) e(1)-s(1

6、)]); end % 顯示匹配度字串 text(boundary(1,2)-35,boundary(1,1)+13,... metric_string,Color,g,... FontSize,14,FontWeight,bold); end 圖示為找到的各個(gè)連通區(qū)域，中部被標(biāo)記“○”的矩形匹配度為0.99，是最可能的區(qū)域。下邊是由它確定的二值圖像中的車牌區(qū)域： 7、將車牌圖像反白處理，并擴(kuò)充為256256的方陣（如下左圖），以便下面傅立葉變換中矩陣旋轉(zhuǎn)運(yùn)算的進(jìn)行。 goal = ~goal; goal(256,256) = 0; figure; imsho

7、w(goal); 8、從文件讀取一個(gè)字符模板（以“P”為例，模板圖像 直接從上述二值圖像中截取得到）。對(duì)圖像計(jì)算傅立葉描述子，用預(yù)先定義好的決策函數(shù)對(duì)描述子進(jìn)行計(jì)算。變換后的圖像中，亮度的高低指示相應(yīng)區(qū)域與模板的匹配程度（如下中圖）。 w = imread(P.bmp); w = ~w; C=real(ifft2(fft2(goal).*fft2(rot90(w,2),256,256))); 9、通過(guò)檢查C的最大值，試驗(yàn)確定一個(gè)合適的門(mén)限（這里240比較合適），顯示亮度大于該門(mén)限的點(diǎn)，也就是與模板的匹配程度最高的位置（如下右圖）。 thresh = 240; figure; i

8、mshow(C > thresh); 對(duì)照左右兩圖，可以說(shuō)明字符“P”被識(shí)別和定位了。同樣的方法，可以識(shí)別和定位其它字符。 這種方法總體上比較容易理解，Matlab的函數(shù)隱藏了傅立葉變換等復(fù)雜的計(jì)算。缺點(diǎn)：在定位車牌方面，程序?qū)ｉT(mén)按本題給定圖像的特點(diǎn)設(shè)計(jì)，沒(méi)有普適性。字符識(shí)別方面，僅能識(shí)別與給定模板基本一致的字符。車牌大小、角度、光線、完整性、清晰度發(fā)生變化后，就無(wú)法識(shí)別了。同時(shí)對(duì)于“8”與“B”這樣相似的字符，識(shí)別時(shí)常?；煜? * 參考文獻(xiàn)： 1、Applications of the Fourier Transform, Matlab 7.0 Help Documents, The MathWorks. 2、Identifying Round Objects, Matlab 7.0 Demos, The MathWorks.1024 101000?