基于Matlab的车牌定位系统的研究与设计毕业设计.doc

《基于Matlab的车牌定位系统的研究与设计毕业设计.doc》由会员分享，可在线阅读，更多相关《基于Matlab的车牌定位系统的研究与设计毕业设计.doc（29页珍藏版）》请在三一办公上搜索。

1、本科毕业设计基于Matlab的车牌定位系统的研究与设计摘要随着我国城市急速发展，交通管理成了一个非常热门的话题，由于交通管理需求日益提高，对交通管理和控制提出了更高的要求。在智能化交通管理系统中，车牌识别技术(License Plate Recognition，LPR) 是实现车辆识别和监控的一种重要技术，在城市车辆管理上发挥着十分重要的作用。车牌识别技术广泛应用于道路违规车辆监控、停车场管理、车辆安全管理等领域。车牌识别软件系统一般分为三部分：车牌定位、字符分割和字符识别。本文对车牌定位算法和字符分割方法作出研究和阐述，针对车牌的特点提出了一套简单的车牌定位和字符分割算法。车牌定位部分采用的

2、是数学形态学的方法，通过以下几个步骤实现：先利用radon函数对图像进行倾斜检测和校正，再通过灰度化和边缘检测处理之后就可以进行数学形态学处理，最后就是车牌区域的提取。字符分割部分采用的是投影法，分析垂直投影的像素点直方图，利用每个字符的波谷、波峰和车牌的定制标准来划分每一个字符。利用MATLAB强大的图像处理能力，通过编写程序，对车辆图像进行统计分析，实现了这两个部分的功能。车牌定位算法的关键是选用合适的结构元素，对车牌图像进行数学形态学开、闭运算来去除干扰因素、消除噪音和无用信息，简单直观，受环境干扰少。经过实验证明，本文提出车牌定位算法和字符分割方法均能达到良好的效果。关键词：车牌定位字

3、符分割数学形态学投影法ResearchOnLicensePlateLocationSystemZhou Rujie(College of Engineering, South China Agricultural University, Guangzhou 510642,China)Abstract: With the rapid development of our country city, traffic management has become a very hot topic, due to traffic management and increasing demand, put

4、 forward higher request to the traffic management and control. The traffic management system in intelligent, license plate recognition technology (License Plate Recognition, LPR) is an important technology of vehicle identification and monitoring, play a very important role in the city vehicle manag

5、ement. License plate recognition technology is widely used in road illegal vehicle monitoring, parking management, vehicle safety management. License plate recognition software system is divided into three parts: license plate location, character segmentation and character recognition. This paper ma

6、kes research and discusses the algorithm of license plate location and character segmentation method, according to the characteristic of license plate of a vehicle license plate location and character segmentation of simple algorithm is proposed.License plate location part uses the method of mathema

7、tical morphology, is realized by the following steps: first use the radon function to skew detection and correction of the image, and mathematical morphology processing by gray and edge detection, then can be carried out, finally is the extraction of license plate region. Character segmentation is m

8、ade using projection method, analysis of pixel vertical projection histogram, with each character trough, wave and plate custom standards to divide each character. Using image processing capabilities of the MATLAB, through the preparation process, statistical analysis of vehicle image, to achieve th

9、e functions of two parts.The key of this method is the selection of appropriate structure elements, the license plate image mathematical morphology open, close operation to remove the interference factors, eliminating the noise and useless information, simple and intuitive, less interference by the

10、environment. Through the experiment, in this paper, license plate localization algorithm and character segmentation method can achieve good effect.Key words: license plate location character segmentation mathematical morphology projection目录1前言11.1 研究背景11.2 车牌定位的发展现状11.3 本课题研究内容21.4 论文结构32 方案确定33 车牌定

11、位算法43.1 算法流程43.2 旋转校正53.3 图像灰度化63.4 边缘检测73.5 数学形态学处理93.6 车牌提取123.7 实验测试和分析143.8 本章小结144 字符分割144.1 车牌区域预处理154.2 去除边框154.3 字符分割164.4 本章小结175 总结与展望185.1 总结185.2 展望18参 考 文 献20附录21致谢25华南农业大学本科生毕业设计成绩评定表1前言1.1研究背景面对当今世界全球化、信息化发展趋势，传统的交通技术和手段已不适应经济社会发展的要求。智能交通系统是交通事业发展的必然选择，是交通事业的一场革命。我国在该领域的研究起步较晚，但随着全球范围

12、智能交通技术研究的兴起，我国也加快了对智能交通技术研究的步伐，智能交通技术的研究现已进入高速发展期。车牌识别系统LPR（License Plate Recognition）作为交通管理自动化的手段是车辆检测系统的一个重要环节,运用数字图像处理等技术对采集到的车辆图像进行处理，能准确地识别车牌的号码，并以计算机可直接运行的数据形式给出识别结果，使车辆的电脑化监控和管理得到实现。车牌识别技术可应用于道路交通监控、交通事故现场勘察、交通违章记录、小区停车场系统等方面，为智能交通管理提供了高效、快速、实用的手段。车牌识别系统的成功设计、开发和应用具有相当大的社会效益、经济效益和学术意义。在交通管理中，

13、车辆是主要的监控目标，而车牌作为车辆的唯一的标识，因此，车牌自动识别技术就成为了智能交通系统中最重要的部分。在车牌识别中，最重要也是最困难的就是车牌定位，定位的准确性将会直接影响车牌识别的过程和结果。虽然交通网络非常复杂，但通过监控车牌就可以实现交通信息的收集统计，使管理工作和难度大幅度减少。因此，车牌的准确定位变得更加重要，准确的车牌定位是这种交通管理技术手段的实现基础，准确的定位车牌可以有助于全面地、实时地了解交通网的状况，以便快速的作出相关措施，极大地提高了效率。而在现实生活中，车牌的图像受到很多环境污染，如光照、背景、车型、角度以及其它人为因素，都会给车牌的准确定位增加很多困难。所以，

14、车牌定位算法的研究有必要性，是交通智能化领域的一个重要的研究课题。1.2车牌定位的发展现状目前，国内外车辆车牌识别系统主要采用软硬结合的技术方案。通过专用的抓拍设备抓拍到合适的能用于计算机定位的车牌照片图像，在得到的图像上进行车牌定位，具有精确度高，能全天候工作等特点。尽管国外汽车识别系统研究工作已有一定进展，但并不尽合我国国情。我国汽车车牌的种类、标准和悬挂地方规范不一样，道路环境，交通设备等很多因素都与国外有较大差异，但外国的识别系统中采用的很多算法具有很好的借鉴意义，我们也需要有自己的一套车牌识别方法。车牌定位的目的是将车牌所在的区域完整地从待定位图像中提取出来，进而执行字符分割和识别。

15、因此，车牌定位是对于整个车牌识别系统而言是重中之重。车牌定位的识别率和所需要的时间都是决定车牌识别系统的整体性能的重要因素。从车牌识别系统进入中国以来，国内有大量的学者在从事车牌定位算法方面的研究，提出了很多新颖快速的算法。有基于边缘检测和形态学处理的车牌定位、基于彩色分割的车牌定位方法、基于小波变换的车牌定位方法、基于神经网络的车牌定位方法等多种基于不同理论的车牌定位方法（闫青，2010），但是这些方法都是针对车牌某一个或者几个的特征来研究和进行车牌定位，所以都具有一定的局限性。很多文献所提的方法仅停留在理论阶段，具体效果还需要等待实际项目的进一步检验。现在，国内做得比较好的产品主要有中科院

16、自动化研究所汉王公司的“汉王眼”系统等，而一些国内的研究机构和高等院校也积极对车牌识别系统进行理论研究和开发。随着智能交通事业的飞速发展，车牌识别系统具有巨大潜力和市场。1.3本课题研究内容基于图像处理的车牌识别系统一般包括如图1所示的五个部分：图像处理车牌定位字符分割字符识别图像采集图1车牌识别系统流程图本文主要研究车牌识别系统中的两个关键的部分，就是车牌定位和字符分割。车牌定位和字符分割是整个车牌识别系统的核心部分，其结果直接影响到整个车牌识别系统的效果和质量。因此，本文针对车牌的特点结合数学形态学的方法，在不断的学习和改进中，设计了车牌定位和字符分割的程序。这种方法是根据车牌几何特征，通

17、过旋转校正、灰度化、边缘检测和数学形态学处理之后把背景消除，从而提取出车牌区域，在复杂的背景和光照下有着不错的效果。在实现目标和仿真的软件上，选用了MATLAB。MATLAB具有以下优点：（1）MATLAB编程效率高，使用方便。（2）MATLAB语言简洁紧凑，使用方便灵活，库函数丰富，并且内部集成了很多工具箱，为程序开发提供现成模块。（3）MATLAB扩充能力强，交互性好，移植性和开放性较好。（4）MATLAB语言简单，入门容易，自由度大，例如用户无需对矩阵预定义即可使用。软件开发环境为Microsoft Windows 7；软件开发工具为MATLAB 2009a。1.4论文结构本文组织分为四

18、个章节：第一章为前言，介绍了车牌识别系统的背景和研究意义，提出本课题研究的内容和工作。第二章为方案选择，对比方法，确定方案。第三章为车牌定位算法，具体地介绍了车牌定位算法的流程、方法以及涉及的理论。第四章为字符分割的算法，提出了利用投影法将上一章所得到的已经定位好的车牌图片进行字符分割，介绍了整个字符分割的流程和方法。第五章是总结与展望，对整篇论文做一个总结，对结果作分析探讨，提出对未来的展望和想法。2方案确定经过大量的资料搜索和学习，了解到关于车牌定位的方法有很多种，总结了以下几种方法：（1）基于数学形态学的车牌定位方法（孟晓莉，等，2010）。它的基本思想是用具有一定形态的结构元素去度量和

19、提取图象中的对应形状以达到对图象进行了分析和识别的目的。该方法可有效地去除噪声干扰，设计简单方便，但欠缺适应性。（2）基于灰度图像的车牌的快速定位方法（张向东，等，2007），在图像增强的基础上，对得到的二值图像进行处理从而得到特征图像，对特征图像进行水平扫描与垂直投影并结合车牌的特征信息来确定车牌区域。（3）基于边缘检测的车牌定位方法（郭琳琳，等，2010），该方法定位准确率较高、反应时间短、能有效去噪，但对车牌严重褪色的情况会检测不到字符笔画边缘导致定位失败，受外界干扰及车牌倾斜影响。（4）基于彩色分割的车牌定位方法（马永慧，2013），在HSI彩色空间的基础上进行边缘提取操作，取得图像饱

20、和度和亮度边缘，并进行边缘合成，最后，利用色调信息的提取来判定车牌区域。该方法能使车牌区域得到有效的增强，达到精确定位目的。（5）基于小波变换的车牌定位方法（范蕤，等，2008），根据图像中车牌的形态特征和横向纹理属性，提取图像高频小波系数的均值、能量、熵等作为分类特征，同时通过形态学算法对车牌候选域和非车牌域进行聚类，并运用相关的知识对车牌候区域进行优化。（6）基于基于纹理特征分析的车牌定位方法（齐永奇，等，2007），该方法先根据车牌区域的纹理特性确定出多个水平候选区域，再利用车牌区域垂直投影的统计规律对候选区域进行筛选，并确定出车牌左右边界。（7）还有基于神经网络的车牌定位方法、基于遗传

21、算法的车牌定位方法等等。各种方法都有各自的好处和缺点，考虑到本人的能力和学习过的相关知识，选取了第一种方法，即基于数学形态学的车牌定位方法，该方法简单易处理，抗干扰强，容易编写，但缺点是适应性差。3车牌定位算法3.1算法流程整个车牌定位算法总共有5个步骤，分别是旋转校正、灰度化、边缘检测、数学形态处理和车牌提取。流程图如图2所示：车牌输入旋转校正灰度化边缘检测形态学处理车牌提取输出图2车牌定位算法流程图3.2旋转校正很多时候，待处理图片不一定是水平的图片，会有一些倾斜的图片，在资料搜集中，看到不少的研究者把旋转校正放在车牌定位后做，做一个车牌位置的旋转校正。事实上，经过多次的实验和反复调试，车

22、牌定位后做旋转校正，虽然要处理的数据较少，但是，车牌旋转校正比车辆图片旋转校正要难一些和效果要差一些。在车牌定位时，当图像的倾斜角度比较大时，除了形态学的处理达不到预期效果外，也不利于车牌区域的提取。因此，为了输出一个平滑整齐的车牌区域，本方法的安排顺序是先把车辆图片校正好再进行车牌定位。这种新顺序，校正效果好，使得车牌定位准确。校正方法本文采取radon变换，利用radon变换函数，能够迅速得到倾斜角，进而进行旋转校正。它首先将车牌图像朝各个方向进行投影，计算字符间隙投影为零的个数，则最多零值对应的角度即为车牌的垂直倾斜角，进而通过旋转相应的角度实现垂直倾斜校正；然后根据车牌上下边之间投影距

23、离最短特性获得水平倾斜角度，利用插值方法得出最终校正结果。由于算法采用的都是一些显而易见的性质，因此具有广泛的应用范围（徐瑞，2009）。连续情形下的radon变换是描述二元函数的投影在某一方向上的线积分，对于离散情形，在数学图像中就是把那些将沿某方向的像素相加，即投影到与该投影方向相垂直的轴线上。其原理是对原图像沿不同方向进行投影，并对投影结果建立二维直方图，选取极值点为直线所对应的点，二维直方图中的每一个极值点的两坐标对应直线边缘的倾斜角度和位置，而该坐标处对应的函数值对应投影的高度 ，从而可以得到直线的几何参数信息( 倾斜角度和位置)( 胡小健，等，2006)。yyLxx图3直线投影例子

24、举个简单例子，如图3，当坐标旋转一个角度的时候，直线L在新坐标的投影值会与原来直角坐标的投影值不一样，统计0到180度每一个度数的旋转后投影值，我们可以找到一个投影值最大时新坐标旋转的角度，从下图可以简单看到，当投影值最大的时候，可以轻松找到直线L的倾斜角，这个角度就是加上90度。利用MATLAB自带函数R，xp=radon(E，theta)；就可以统计出不同角度的投影情况，通过E，J=find(R=max(max(R)找到R的最大值就可以找到角度，就可以轻松求出倾斜角。最后用imrotate（）函数进行旋转就可以得到我们的校正后的图像。 图4原图 图5校正结果3.3图像灰度化拍摄到的图片是彩

25、色图，彩色图含有大量的颜色信息，如果直接对彩色图像进行处理，会导致处理速度慢、存储空间大和运算复杂等问题。彩色图像会有R、G、B三种颜色的分量，而灰度图的特征是：只有亮度，不含其他色彩信息的图像，可以克服光照、颜色干扰等，使图片更加简单易处理。灰度图亮度值量化为256级，0为最暗全黑，255为最亮全白。灰度化算法处理方便，将图片RGB值设置为相等即可，而这个值目前主要采取加权平均法。根据处理需要赋予三个基色不同的权值，再对图像中每个像素点进行加权平均，最后用这个值替代原来的三个基色分量的值，数学公式表达为： (1)公式1中、分别是R、G、B的权值。明显的，权值选择不同，得到的灰度图亮度不一样。

26、由大量实验证明，、的值分别为0.9、1.77、0.33时，灰度图的效果比较好。此时，式3.1可转化为：Y=R=G=B=0.299R+0.587G+0.114B (2)由公式2的加权平均值的方法所处理出来的灰度图效果会很好。在MATLAB里直接利用函数rgb2gray()即可实现灰度化。3.4边缘检测图像的边缘是图像的一个基本特征。边缘是指其周围元素灰度有阶跃变化的像素。物体边缘广泛存在于物体之间、物体和背景之间还有物体不同部分之间。因而，边缘是进行图像分割所依靠的重要特征之一（吴林，2009）。边缘检测可以突出图像边缘，削弱边缘以外图像区域。在汽车图像中，牌照区域内含有丰富的边缘，而其它区域则

27、不具有这个特点，所以针对这种特征我们可以采用边缘检测算法来分离目标与背景区域，仅对车牌部分进行增强。常见的边缘提取方法主要是考察图像每个像素的梯度变换情况，利用边缘邻近的一阶或二阶方向导数规律进行检测。常说的梯度算子实际就是一阶导数算子。当图像边缘灰度变化尖锐，并且图像噪声污染少时，采用梯度算子对图像进行边缘提取会有比较好的效果。边缘算子有很多，常用的以下几个：Roberts算子、Prewitt算子、Sobel算子、Canny算子、 Laplace算子、罗盘算子等。图6Sobel算子效果图7Canny算子效果图8Roberts算子效果Sobel算子能比较好的呈现图像的边缘，对噪声不太敏感，有一

28、定的去噪能力，但会使图像边缘变粗，从而降低了定位精度。Canny算子不易受噪声干扰，能检测弱边缘，能在噪音抑制和检测之间取得较好的平衡。Roberts算子对陡峭的低噪声图像处理效果较好，检测垂直边缘的效果好于斜向边缘，定位精度高，对噪声敏感，无法抑制噪声的影响。在几种算子中，Roberts算子在噪声较少的情况下边缘检测的效果与其他算子相比更佳，车牌边缘清晰，字符轮廓明显（卓均飞，等，2010）。从图6到图8可以看到各种算子的实际效果，Sobel算子的边缘效果较粗，对后期处理会造成定位不精确的问题，而Canny算子边缘检测效果强，但在本文的方法中并不需要把弱边缘都检测出来，所以最后决定采用Rob

29、erts算子。MATLAB提供了边缘检测的函数edge（I，算子)，我们很方便就可以进行边缘检测的操作。3.5数学形态学处理数学形态学是分析几何形状和结构的数学方法，是建立在集合代数基础上，用集合论方法定量描述几何结构的科学。其基本思想是用一个结构元素作为基本工具来探测和提取图像特征，看这个结构元素是否能够适当有效地放入图像内部（熊春荣，等，2010）。数学形态学是以形态结构元素为基础对图像进行分析的数学工具。它的基本思想是用具有一定形态的结构元素去度量和提取图像中的对应形状以达到对图像分析和识别的目的。数学形态学的应用可以简化图像数据，保持它们基本的形状特征，并除去不相干的结构。数学形态学的

30、基本运算有4个：膨胀、腐蚀、开运算和闭运算。它们在二值图像中和灰度图像中各有特点。基于这些基本运算还可以推导和组合成各种数学形态学实用算法。膨胀是用来填补物体中小的孔洞和狭窄的缝隙，使其形成连通域，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。腐蚀具有使目标缩小、目标内孔增大，消除孤立噪声的作用（王怡，2010）。在数学形态学图像处理中，除了腐蚀和膨胀这两种基本运算外，还有两种非常重要的运算方法，即开运算和闭运算。先腐蚀后膨胀的过程称作开运算，它具有消除细小物体，有在物体纤细处分离物体和平滑较大物体边界的同时并不明显改变其面积的作用；而闭运算则是先膨胀后腐蚀，它

31、具有填充物体影像内细小空洞，连接邻近物体和平滑边界的同时并不明显改变其面积作用。在数学形态学算法处理中结构元素的选取十分重要。结构元素过大会使车牌区域的边缘点粘连在一起，候选车牌区域增多，更甚者车牌区域与背景会粘连在一起，给后续的车牌候选区分析带来困难；而若结构元素过小，则会使车牌区域无法粘连在一起，就可能造成真正的车牌不包含在车牌候选区，以至于无法准确定位（朱光忠，等，2009）。因为车牌是一个矩形，所以结构元素选取一个矩形的结构元素比较合适，而通过图片大小的分析，以及车牌定制标准中车牌的宽高比大约3：1到4：1，选取strel(rectangle，4，24)作为开闭运算的结构运算，经过多次

32、测试，效果良好。数学形态学处理的步骤为：（1）利用闭运算的性质，选择结构元素是大小为5，25的矩形，填充边缘检测后的图像，使车牌区域变为连通域。（2）利用开运算的性质，用步骤（1）的结构元素，分离每个连通域的联系，去除噪点。（3）再次利用开运算的性质，结构元素大小为20，1，达到去除细小狭窄的矩形条区域。MATLAB提供了方便的函数，可以轻松实现数学形态学处理的工作，具体函数如下：IM=imclose(y,strel(rectangle,5,25)；IM1=imopen(IM,strel(rectangle,5,25)；IM2=imopen(IM1,strel(rectangle,20,1)；

33、图9闭运算效果从图9可以看到，图像不再是边缘轮廓，而是被填充了。接下来进行一个开运算使连通域分离。图10开运算效果从图10可以看到，经过闭运算的填充和闭运算的分离，车牌部分已经有所突显，为了更好能提取车牌区域，还需要再处理其他干扰因素。因为上一次闭运算用的是矩形结构元素所以图中剩下的都呈现了一定的矩形形状，也给我们提供了一个清除的思路，就是再用一次利用矩形结构元素进行开运算来清除干扰因素，只是这次选取的结构元素大小是20,1，这个矩形更像一条直线，因此会有不错的效果，效果可见图11。图11再一次开运算效果3.6车牌提取虽然车牌图片很复杂，但是经过上面几步的处理之后，剩下的是一个清晰的目标车牌位

34、置和一些干扰的白色区域。而事实上，形态学处理后并不一定会像图11那么好，只留下车牌区域。有时候还会存在很多较大的干扰区域。图12形态学处理后图像情况1如图12，还存在着一些干扰区域，但车牌区域是最明显最大，所以我们用投影法将这个区域给提取出来。实现步骤如下：（1）求水平投影。size（）获得图片的水平和垂直的大小之后，创建一个全0的一维数组（可看为图像第一列），然后水平投影（即每一行的像素点叠加），可得到水平的像素情况。由于车牌区域明显较大，用temp MaxY=max(Y1)取最大值作为起始位置。（2）上下边框确定，在起始位置分别往上往下扫描，通过一个像素阀值确定结束位置，这个像素值比较随意

35、，一般取10左右即可。（3）左右边框确定，从左到右扫描，通过像素阀值找到左边界，继续扫描，通过像素阀值找到右边界。（4）判定车牌区域是否在合理的位置，宽高比是否符合，不符合则跳至下一个提取方法。通过多次实验，很多情况下是车牌区域为最大最明显区域，但是也存在数学形态学之后，干扰区域比车牌区域要大的。图13形态学处理后图像情况2如图13的情况，用投影法就不容易找出来，所以，上一个方法判断失败时，还会有下一个提取方法。第二个的提取方法是利用MATLAB的工具函数中L，NUM = BWLABEL(BW，N)可以返回图上的连通域信息，在这些连通区域中，需要用到封闭矩形区域的信息，可以利用这样的一个函数B

36、oundingBox=STATS.BoundingBox得到。返回的信息是各个连通矩形区域中的位置信息，根据车牌的定制标准，计算每一个区域，利用宽高比2.8到3.8的范围来提取车牌区域位置。图14提取结果当形态学处理不够好的时候，第二个方法往往会有很不错的识别效果。第一个方法减少了细小的符合宽高比的区域干扰，第二个方法则是避免了大区域的干扰，所以，结合使用，提高识别率。至此，我们的定位工作完成，提取到我们所需要的车牌图片。当然，这套方法存在着缺陷，就是当前面形态学处理不够好，出现都符合上面的判断，但是并不是车牌区域，或者甚至把车牌区域给去除掉，都会造成定位失败。3.7实验测试和分析本文对网上收

37、集到的100张图片通过MATLAB进行处理，当图片大小统一处理为400*500时，成功定位有85张，成功率为85%；当图片大小统一处理为450*500时，成功定位仅有72张，成功率为72%。改变图片尺寸，是为了说明，同样的图片，由于比例的不一样，也会引起无法识别，主要是因为此时的结构元素已经不合适。分析了一些失败的图片，如图15，当图片大小调整为450*500时，或者结构元素大小调整为25，30时，就会输出图16的正确结果。也就是说，待处理图像的车牌大小特征要跟结构元素相符，才能正确定位提取出来，这就是这个方法局限性的地方。图15失败例子图16修改参数后结果3.8本章小结本章主要介绍了一种基于

38、数学形态学的车牌定位方法，对图像进行旋转校正、灰度化和边缘检测之后，选择合适的结构元素利用数学形态的开、闭运算对图像进行处理，然后通过投影法结合车牌的实际特征提取出我们需要的车牌。整套方法简单容易、快速，有效去除背景和各种噪点。4字符分割字符分割在车牌识别系统中是一个后期处理工作，是为了字符识别和录入做一个必要的处理。而字符分割的目标就是将车牌里面的字符一个一个的准确的切分出来。字符分割方法有很多，本文采取简单直接的投影法。车牌字符分割中常用的特征有: 字符宽度、字符间距、字符中心间距、字符高度比、字符占有面积比等，可以充分利用车牌照字符的这些特征为先验知识对牌照图像进行分割（焦婷婷，等，20

39、08）。4.1车牌区域预处理对车牌区域进行预处理，为了加强轮廓，使目标更清晰明显。好的预处理可以大大提高字符分割的准确率（迟晓君，等，2006)。预处理的方法主要有灰度化、二值化和形态学处理等。灰度化与上面的车牌定位的一样，不详述。图像的二值化，就是将图像上的像素点的灰度值设置为0或255，也就是整个图像呈现出明显的黑和白，而不存在其他灰度值。二值化最常用的方法就是设定一个阈值，用阀值将图像分成两部分：大于阀值的像素群（灰度值设置为255）和小于阀值的像素群（灰度值设置为0)。阀值取值可以由graythresh()函数取得，而二值化则用函数im2bw(I，level)实现。还可以采取适当的数学

40、形态学处理使图像更清晰。图17预处理结果4.2去除边框我们采取的是投影法，投影法的核心是通过像素值来确定边界，车牌图像的污点，边框或者圆盘点等，都是干扰信息，因此在预处理的去噪之后，分割之前，我们还需要尽量去除干扰信息，而车牌边框就是一个明显的干扰信息。因此要进行一个边框去除的工作。步骤如下：（1）水平投影，与上面车牌定位介绍的一样，不详述。（2）图像中间开始，向上检查，设定阀值，少于阀值则结束，寻到新的上边界，向下检查，设定阀值，少于阀值，则结束，寻到下边界。裁剪图像。（3）左右边框很难去除，只能做到尽量去除。左边框，取宽度x的1/8作为开始往左扫描，若发现某列像素值较高，这个值可取高度y的

41、0.8-0.9倍，则认为是左边框。右边框方法类似，只是换了起始位置，往右扫描。至于阀值的选择，可以通过投影的分布直方图分析选取，如图18，则上下边界阀值可取20到25。图18水平投影图图19去除边框结果去除边框后，图片只剩下目标信息，已经足够清晰，剩下的就是切分处理。4.3字符分割经过上面的处理，如图19，车牌字符轮廓非常明显，可以着手进行切分。切分方法是投影法，利用字符的跳变去确定每个字符的范围，但是为了更准确的分割，我们还借助了一些车牌的构造规范的一些参数。先来看一下车牌的构造规范：（1）一个省份汉字（军警牌则为其他汉字）后跟字母或阿拉伯数字组成的7个字序列。标准车牌的具体排列格式是：X1

42、（省代号)X2(地市级代号).X3X4X5X6X7。（2）车牌尺寸固定，规范为：车牌总长440mm，宽140mm，字宽45mm，字高90mm，第二三个字符间隔32mm，后面每个字符间隔12mm。因为车牌都是严格按照国家标准去制造，所以尽管照片有缩放等，也存在着一定的比例规律，可以利用规范性作为行字符切割的判定条件(陈涛，等，2009)。先来看一下垂直投影图：图20垂直投影图从图20可以看到有7个波，对应7个字符区域，所以要做的就是确定每个字符区域的左右边界，把范围定下来，就可以把字符成功分割出来了。先取一个较小的像素阀值，分析投影图可以把像素阀值取为5，从左边开始扫描，确定左边界，然后再往右扫

43、描找到右边界，为了防止由于像素值判断失误而导致右边界过界，所以利用车牌的规范性，再添加一个判断条件，根据宽高比来限制右边界不越界。重复进行，直到7个字符输出完毕。图21字符分割结果4.4本章小结本章对上一章已经定位好的车牌图片进行字符分割。由于车牌所包含的干扰因素还有很多，所以分割前必须对车牌图片进行预处理用以提高可识别性，经过灰度化、二值化之外还有边框的去除等操作，车牌图片变成只有黑白的而且轮廓清晰。再利用垂直投影的方法结合车牌的定制标准，简单容易地将每一个字符切分。5总结与展望5.1总结通过对100张不同图片的处理情况来看，车牌定位成功率达到85%，影响定位成功主要的原因有：（1）车牌采集

44、的途径不统一，导致每张图片的大小和分辨率等不一样，由于阀值是定值，因此在选择阀值或者结构元素时造成了难以统一确定的困难。（2）形态学处理上的缺陷，当照片有非常接近车牌形状的物体时，会造成严重的干扰，或者，当图片中车牌形状失真或者形状与结构元素有较大差别时会在形态学处理上被误认为干扰因素而除掉。（3）结构元素固定，导致适应性差，对尺寸不合适的车牌图像会起不到应有的效果甚至有反效果。经过总结，虽然这种处理方法受到环境噪声影响少，但是，对图片的规格要求相对较高。因为最关键的结构元素和阀值的选取都是通过对图片的分析得到的，所以缺少适应性，当图片规格不统一时，阀值和结构元素都要相应变化，但如果图片规格统

45、一，那么这套方法的识别率将会很高。而字符分割部分，实验结果分析表明准确性较高，干扰较少，分割的准确度与车牌定位的质量有关，车牌定位越准确，字符分割效果越好。本文论述了车牌识别系统的发展情况和重要性，结合所学知识和学习国内学者提出的各种车牌识别系统的研究，针对车牌识别系统的车牌定位和字符分割这两个重要模块提出了一套方法。尽管这个方法具有一定的局限性，但基本能实现车牌定位和字符分割。5.2展望目前的车牌识别系统在飞速发展，但在准确率和识别速度方面依然还有很大的提升空间，对车牌定位算法的研究依然是车牌识别的一个重点。由于客观条件的限制，本文对车牌定位和字符分割的算法研究处于一个初级研究，还有很多后续

46、的工作要进行，更多的知识需要学习，本人认为有以下几个方面还要继续改进：（1）提高形态学的适应性，使形态学处理更合适更好，能适应更多的情况。（2）改进车牌的定位方法，使车牌提取更准确、更快。（3）增强车牌定位算法的功能，例如能检测出多个车牌或者检测出没有车牌。（4）字符分割方法要改进，增强细节处理，使分割出来的字符不断裂和更完整。（5）再深入了解车牌识别系统，把车牌识别功能做出来。通过本课题研究，学习到很多知识，了解到车牌定位算法的各种知识，希望能与实际的应用如停车场、交通管理等进行联系和配合使用，学以致用。参 考 文 献陈涛，杨晨晖，青波.基于投影和固有特征结合的车牌字符分割方法J.计算机技术

47、与发展，2009，19(05): 45-47.迟晓君，孟庆春.基于投影特征值的车牌字符分割算法J.计算机应用研究，2006，(07): 256-257.范蕤，潘永惠.基于小波变换的车牌定位算法研究J.通化师范学院学报，2008，29(10): 4-6.郭琳琳，黄仲瑾.基于边缘检测的车牌定位方法J.信息与电脑，2010，(04): 14-15.胡小健，张超龙.利用Randon变换进行图像分割与特征提取J.仲恺农业技术学院学报，2006,19(01): 44-46.焦婷婷，侯德文.车牌字符分割问题分析J.山东科学，2008，21(02): 39-41.马永慧.基于边缘检测与HSI彩色空间的车牌定位方法J.山西电子技术，2013，(01): 45-47.孟晓莉，赵安军，马光思.基于数学形态学的车牌定位研究与实现J.计算机技术与发展，2010，20(11): 84-86.齐永