毕业设计（论文）基于边缘信息车牌定位.doc

《毕业设计（论文）基于边缘信息车牌定位.doc》由会员分享，可在线阅读，更多相关《毕业设计（论文）基于边缘信息车牌定位.doc（29页珍藏版）》请在三一办公上搜索。

1、目 录前 言2第1章 车牌定位简介3第1.1节 课题研究背景及意义3第1.2节 课题研究目的3第1.3节 国内及国外研究现状4第2章 MATLAB的几种边缘信息检测算子简介6第2.1节 Roberts算子6第2.2节 Sobel边缘算子6第2.3节 Prewitt算子7第2.4节 Laplacian算子8第2.5节 Canny算子9第2.6节 几种算子处理图像比较与分析10第3章 基于MATLAB的车牌定位算法实现12第3.1节 MATLAB及其图像处理工具12第3.2节 我国车牌特点及识别难点13第3.3节 利用Canny算子实现边缘检测及定位车牌15第4章 系统结论分析23第4.1节 实验

2、结论23第4.2节 实验总结与展望24参考文献24致谢26附录27摘 要汽车识别系统是近几年发展起来的计算机视觉和模式识别技术，在智能交通领域有着重要的作用，在车牌识别系统中，首先要将车牌从所获取的图像中提取出来，这是进行车牌字符定位的重要步骤，定位准确将直接影响车牌的识别率。本次毕业设计对车牌识别系统的现状和已有的技术进行了分析与比较，运用MATLAB研究车牌识别技术中的图像预处理、车牌定位，并提出一种采用Canny算子检测边缘从而实现车牌定位的方法。该方法解决了在自然背景的图像中车牌定位问题。通过对一定数量的图像进行处理，结果表明MATLAB在车牌识别方面的运用非常有效。关键词：边缘检测；

3、坎尼算子；车牌定位AbstractThe subject of the automatic recognition of license is one of the most significant subjects that improved from the connection of computer vision and pattern recognition. In LPSR, the first step is for locating the license plate in the captured image which is very important for chara

4、cter recognition。The paper givers a deep research on the status and technique of the plate license recognition system. This paper using MATLAB researches the image pre-processing, license plate location and make a way of license plate location by Canny edge detection. This method solves the problem

5、of license plate location in the natural background image. Through processing a certain number of image, the results show that the use of MATLAB in license plate location is very effective and successful.Key words: edge detector; Canny edge detector; license plate location前 言随着我国交通事业的迅速发展，城市汽车容量的急速攀

6、升，建立现代化的智能交通系统已经成为解决此类中诸多问题的焦点所在。汽车牌照识别系统是交通管理领域和数字图像处理领域里的热点问题，车辆是构成整个智能交通系统的最基本元素，而车辆牌照是我们标定车辆的唯一ID，所以说，车牌定位是实现车牌字符分割和字符识别的前提和关键。汽车牌照自动识别系统是近几年发展起来的计算机视觉和模式识别技术在智能交通领域应用的重要研究课题之一。车牌识别的目的是对摄像头获取的汽车图像进行预处理，确定车牌位置，提取车牌的字符串，并对这些字符进行识别处理，用文本的形式显示出来。车牌自动处理技术在智能交通系统中具有重要的应用价值。在车牌自动识别的重要步骤，定位准确与否直接影响车牌识别率

7、。本次设计主要对车牌的定位做了比较详细的研究。车牌自动识别系统（LARS）作为一种交通信息的获取技术在交通管理、园区车辆管理，停车场管理有着特别重要的应用价值，受到业内人士的普遍关注。车牌自动识别系统的处理有三部分组成，其中车牌定位作为最关键的技术，成为重点研究对象。本文着重介绍了利用Canny算子的边缘检测方法。输入的图像经过灰度处理、图像增强、边缘检测及二值化、形态学滤波、提取车牌区域、输出车牌等一系列步骤，最终实现车牌定位。第1章 车牌定位简介第1.1节 课题研究背景及意义近年来，随着全球经济的发展，交通事业也快速发展起来，机动车辆的规模大幅度增加，整个社会对交通运输的需求也不断增大。无

8、论是发达国家还是发展中国家，都不同程度的受交通问题的困扰。交通拥挤、事故、环境污染已成为最难消除的现代社会公害之一。面对日益严重的交通问题，各国专家提出了多种解决办法，但这些办法或受到投资和资源的制约，或受到见效面狭窄、见效期长等限制，尤其是发达国家的公路网早已建成，不可能靠大量拆迁来增建和拓建交通设施。同时，人们越来越多的从保护环境、节约能源和谋求社会可持续发展的角度来考虑问题。随着计算机处理能力的增强和数字图像处理技术、通讯技术、信息技术的飞速发展，将车辆、道路、使用者三者紧密集合起来，用系统的观点进行思考，把先进的技术运用于智能交通系统（Intelligent Transportatio

9、n System简称ITS）的开发中来。ITS的总体功能是通过改进（通常是实时地）交通网络的管理者和其他用户的决策，从而改善整个运输系统的运行，它是世界道路交通管理的发展趋势。车牌识别系统(License Plate Recognition System)是ITS中一个非常重要的方向，主要由图像采集、车牌定位、字符分割以及字符识别四部分组成，己经越来越受到人们的重视。它具有良好的实际应用价值，目前主要应用于公路治安卡口、开放式收费站、车载移动查车、违章记录系统、门禁管理、停车场管理等场合。所谓车牌定位(License Plate Location)，就是把车牌区域完整的从一幅具有复杂背景的车辆

10、图像中分割出来。它是进行车牌识别的首要任务和关键技术，能否将牌照的位置找出来，决定着车牌识别的后续工作能否继续进行，如果不能正确找到牌照的位置，那么就无法将它分割出来，字符分割和字符识别工作将无从谈起。同时，车牌定位的效率也直接影响着整个识别系统的效率，一个高效率的车牌识别系统首先必须是建立在高效的车牌定位算法的基础之上。因此，不论在学术界还是在业界，人们都对车牌定位技术给予了高度的重视，研究与开发车牌定位的算法具有十分重要的实用意义。第1.2节 课题研究目的通过对车牌定位算法的研究，进一步了解车牌识别系统(License Plate Recognition System)中车牌定位的基本原理

11、和实现过程，通过对MATLAB软件的学习，了解其功能丰富的图像处理工具，学习和掌握常用的图像处理技术，包括图像灰度化、边缘提取、颜色判定等，并学会利用MATLAB编写算法，通过仿真，使原始图像经过该算法的处理后能够清楚地显示出车牌区域，同时使图像中的非车牌区域消失或者减弱，从而能准确有效地定位出车牌在图像中的位置。第1.3节 国内及国外研究现状目前最常用的车牌识别方法就是数字图像处理技术，数字图象处理(Digital Image Processing)是指利用计算机对数字图像进行系列操作，从而获得某种预期的结果的技术，也称为计算机图象处理(Computer Image Processing)。

12、现在DIP已经成为工程学、计算机科学、信息科学、生物学以及医学等各学科学习和研究的对象。基于图像处理的车牌定位识别技术，是一种无源型车辆牌照定位识别技术，他通过对运动或静止车辆的车牌号码的无接触采集图像，利用图像处理技术、模式识别技术及神经网络技术等，进行车辆牌照的实时定位识别。1.3.1 国内研究现状 我国大城市交通拥堵问题己相当严重，道路基础设施远远不如发达国家，交通运输体系和结构也与发达国家不同，因此发展我国的ITS要结合中国的实际情况，总结发达国家交通发展的经验和教训，确立适合中国国情的发展战略。车牌识别系统作为ITS的重要前端设备，在交通调查、交通监管和车辆管理等方面发挥着举足轻重的

13、作用，对这项课题的研究必将推动我国交通管理自动化的进程。 国内常见的基于图像的车牌定位技术可分为以下几种： （1） 基于彩色图像的定位算法，定位准确，精度高。但适应性差，对于偏色，以及背景颜色干扰等情况无法做出有效处理，因此很少单独使用。近年来，在这一方面做出有益尝试的有上海交通大学的赵雪春等，他们提出了一种基于色彩分割的及多级混合集成分类器的车牌定位识别方法；浙江大学的张引、潘云鹤也对基于彩色图像的牌照定位方法进行了研究，提出了彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的牌照定位算法ColorLP。 （2）基于边缘检测的车牌定位算法，定位准确，速度慢，漏检率高，误

14、检率高。此类算法中最典型的如Varsha Kamat等用Hough变换从车辆图像中检测到车牌边框，实现车牌定位。 （3） 基于灰度值变化的车牌定位算法，速度快，但因为只依据车牌尺寸及形状来确定目标，所以误检率很高。 （4）基于神经网络的车牌定位方法，自适应能力强、准确率高，但计算量大，当牌照尺寸发生变化较大变化时，就必须对神经网络进行重新训练。典型算法有Sirthinaphong等采用的四层神经网络实现车牌定位。 （5）基于数学形态学的定位方法，对特定场景定位效果较好，且速度较慢。比较典型的算法有Joe C.H.Poon用数学形态因子对车牌的二值化图像进行处理，实现定位。（6）遗传算法定位，在

15、图像质量较差是对目标区域有很好的增强效果，在光线较弱的夜里也能有不错的效果，但其原理是通过不断地迭代优化运算来提高效能，所以，虽然其总有进一步优化的潜力，但运算速度慢却是其致命瓶颈。1.3.2 国外研究现状车牌定位的研究国外起步较早，世界各国都在进行适用于本国汽车牌照的自动跟踪识别，美、日、韩等国现在已经有了一些相应的系统(基于传感器)问世，并已获得较好的社会和经济效益。目前的牌照识别系统已经达到了一定的识别率，但是，在天气条件差的情况下或夜晚时，识别率会明显下降。现有的比较好的方法主要有J.Barroso等提出的基于水平线搜寻的定位方法；R.Parisi等提出的基于DFT变换的频域分析方法；

16、Charl Coetzee提出的基于Niblack二值化算法及自适应边界搜索算法的定位方法；Barroso J.Buls-Cruz等人提出的基于扫描行的车牌提取算法等。上述算法尽管能在一定条件下分割出车牌，但对于许多的客观干扰，如天气、背景、车牌磨损、图像倾斜等，定位效果并不十分理想。而以色列的Hi-Tech公司、新加坡的Optasia公司、香港的AsaiVisionTechnology公司分别研制了名为See/Car System、VLPRS、VECON的汽车牌照识别系统性能较好，这三种产品所能识别的汽车图像均为单车牌的灰度图像，并未涉及多车牌的识别问题。VLPRS、VECON分别适合于对新

17、加坡格式和香港格式的车牌进行识别，H-Tech公司则研制出了多种See/Car System，每种See/Car System适合于某一国家的车牌识别，其中See/Car System型的车牌识别系统可对中国格式的车牌进行识别，但不能识别车牌中的汉字。以色列Zamir开发的“All-in-One”产品Lane Controller，集成了图像传感器、近红外光LED照明、识别算法处理器和车辆检测器于一体，已在欧洲多个国家得到应用；新加坡Optasia公司的IMPS系统，是一个综合的多通道系统，被马来西亚和新加坡用到识别移民的关卡中。我国目前还没有类似的系统问世，而引进国外这些系统不仅费用高而且由

18、于各国车牌和实际的交通环境不同，引进的系统也无法满足我国城市化的需求。第2章 MATLAB的几种边缘信息检测算子简介第2.1节 Roberts算子Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内 产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。第2.2节 Sobel边缘算子索贝尔算子（Sobel operator）是图像处理中的算子之一，主要用作边缘检测。在技术上，它是一离散性差分算子，用来运算图像亮度函数的梯度之近似值。在图像的任何一点使用

19、此算子，将会产生对应的梯度矢量或是其法矢量。该算子包含两组的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以代表原始图像，及分别代表经横向及纵向边缘检测的图像，其公式如下: and (2-1)图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。(2-2)然后可用以下公式计算梯度方向。 (2-3)在以上例子中，如果以上的角度等于零，即代表图像该处拥有纵向边缘，左方较右方暗。在边沿检测中，常用的一种模板是Sobel 算子。Sobel 算子有两个，一个是检测水平边沿的 ；另一个是检测垂直平边沿的 。Sobel算子对于象素的位置的影响

20、做了加权，因此效果更好。Sobel算子另一种形式是各向同性Sobel(Isotropic Sobel)算子，也有两个，一个是检测水平边沿的 ，另一个是检测垂直平边沿的 。各向同性Sobel算子和普通Sobel算子相比，它的位置加权系数更为准确，在检测不同方向的边沿时梯度的幅度一致。由于建筑物图像的特殊性，我们可以发现，处理该类型图像轮廓时，并不需要对梯度方向进行运算，所以程序并没有给出各向同性Sobel算子的处理方法。由于Sobel算子是滤波算子的形式，用于提取边缘，可以利用快速卷积函数， 简单有效，因此应用广泛。美中不足的是，Sobel算子并没有将图像的主体与背景严格地区分开来，换言之就是S

21、obel算子没有基于图像灰度进行处理，由于Sobel算子没有严格地模拟人的视觉生理特征，所以提取的图像轮廓有时并不能令人满意。 在观测一幅图像的时候，我们往往首先注意的是图像与背景不同的部分，正是这个部分将主体突出显示，基于该理论，我们可以给出阈值化轮廓提取算法，该算法已在数学上证明当像素点满足正态分布时所求解是最优的。第2.3节 Prewitt算子Prewitt算子是一种一阶微分算子的边缘检测，利用像素点上下、左右邻点的灰度差，在边缘处达到极值检测边缘，去掉部分伪边缘，对噪声具有平滑作用 。其原理是在图像空间利用两个方向模板与图像进行邻域卷积来完成的，这两个方向模板一个检测水平边缘，一个检测

22、垂直边缘。111-101000-101-1-1-1-101图2-1 Prewitt算子对数字图像，Prewitt算子的定义如下： (2-4)(2-5)则 或经典Prewitt算子认为：凡灰度新值大于或等于阈值的像素点都是边缘点。即选择适当的阈值，若，则为边缘点，为边缘图像。这种判定是欠合理的，会造成边缘点的误判，因为许多噪声点的灰度值也很大，而且对于幅值较小的边缘点，其边缘反而丢失了。第2.4节 Laplacian算子Laplacian 算子是n维欧几里德空间中的一个二阶微分算子，定义为梯度的散度。因此如果是二阶可微的实函数，则的拉普拉斯算子定义为： （1）的拉普拉斯算子也是笛卡儿坐标系中的所

23、有非混合二阶偏导数： （2）作为一个二阶微分算子，拉普拉斯算子把函数映射到函数，对于。表达式（1）（或（2）定义了一个算子，或更一般地，定义了一个算子 ，对于任何开集。 对于阶跃状边缘，魂不附体导数在边缘点出现零交叉，即边缘点两旁二阶导数取异号。据此，对数字图像的每个像素，取它关于轴方向和轴方向的二阶差分之和，表示为： (2-6)函数的拉普拉斯算子也是该函数的黑塞矩阵的迹,可以证明，它具有各向同性，即与坐标轴方向无关，坐标轴旋转后梯度结果不变。如果邻域系统是4 邻域，Laplacian 算子的模板为：0101-41010图2-2 4邻域Laplacian 算子的模板如果邻域系统是8 邻域，La

24、placian 算子的模板为：1111-81111图2-3 8邻域Laplacian 算子的模板前面提过，Laplacian 算子对噪声比较敏感，所以图像一般先经过平滑处理，因为平滑处理也是用模板进行的，所以，通常的分割算法都是把Laplacian 算子和平滑算子结合起来生成一个新的模板。第2.5节 Canny算子Canny 边缘检测算子是John F. Canny于 1986 年开发出来的一个多级边缘检测算法。Canny 的目标是找到一个最优的边缘检测算法，最优边缘检测的含义是：l 好的检测算法能够尽可能多地标识出图像中的实际边缘。l 好的定位标识出的边缘要尽可能与实际图像中的实际边缘尽可能

25、接近。l 最小响应图像边缘只能标识一次，并且可能存在的图像噪声不应标识为边缘。为了满足这些要求 Canny 使用了变分法，这是一种寻找满足特定功能的函数的方法。最优检测使用四个指数函数项的和表示，但是它非常近似于高斯函数的一阶导数。Canny 算法的步骤:（1）降噪任何边缘检测算法都不可能在未经处理的原始数据上很好地工作，所以第一步是对原始数据与高斯 mask 作卷积，得到的图像与原始图像相比有些轻微的模糊。这样，单独的一个像素噪声在经过高斯平滑的图像上变得几乎没有影响。（2）寻找图像中的亮度梯度图像中的边缘可能会指向不同的方向，所以 Canny 算法使用 4 个 mask 检测水平、垂直以及

26、对角线方向的边缘。原始图像与每个 mask 所作的卷积都存储起来。对于每个点我们都标识在这个点上的最大值以及生成的边缘的方向。这样我们就从原始图像生成了图像中每个点亮度梯度图以及亮度梯度的方向。（3）在图像中跟踪边缘较高的亮度梯度比较有可能是边缘，但是没有一个确切的值来限定多大的亮度梯度是边缘多大又不是，所以 Canny 使用了滞后阈值。滞后阈值需要两个阈值高阈值与低阈值。假设图像中的重要边缘都是连续的曲线，这样我们就可以跟踪给定曲线中模糊的部分，并且避免将没有组成曲线 的噪声像素当成边缘。所以我们从一个较大的阈值开始，这将标识出我们比较确信的真实边缘，使用前面导出的方向信息，我们从这些真正的

27、边缘开始在图像中跟踪 整个的边缘。在跟踪的时候，我们使用一个较小的阈值，这样就可以跟踪曲线的模糊部分直到我们回到起点。一旦这个过程完成，我们就得到了一个二值图像，每点表示是否是一个边缘点。一个获得亚像素精度边缘的改进实现是在梯度方向检测二阶方向导数的过零点：(2-7)它在梯度方向的三阶方向导数满足符号条件：(2-8)其中,.表示用高斯核平滑原始图像得到的尺度空间表示计算得到的偏导数。用这种方法得到的边缘片断是连续曲线，这样就不需要另外的边缘跟踪改进。滞后阈值也可以用于亚像素边缘检测。Canny 算法适用于不同的场合。它的参数允许根据不同实现的特定要求进行调整以识别不同的边缘特性。对于PC上的实

28、时图像处理来说可能慢得无法使用，尤其是在使用大的高斯滤波器的情况下。但是，我们讨论计算能力的时候，也要考虑到随着处理器速度不断提升，有望在未来几年使得这不再成为一个问题。第2.6节 几种算子处理图像比较与分析Roberts算子边缘定位准，但是对噪声敏感。适用于边缘明显且噪声较少的图像分割。Roberts边缘检测算子是一种利用局部差分算子寻找边缘的算子,Robert算子图像处理后结果边缘不是很平滑。经分析，由于Robert算子通常会在图像边缘附近的区域内产生较宽的响应，故采用上述算子检测的边缘图像常需做细化处理，边缘定位的精度不是很高。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达

29、到极值这一现象检测边缘。在技术上它是以离散型的差分算子，用来运算图像亮度函数的梯度的近似值，缺点是Sobel算子并没有将图像的主题与背景严格地区分开来。在对图像进行平滑处理来改善结果的同时会把一些靠在一起的边缘平滑掉，影响对边缘的定位。当对精度要求不是很高时，是一种较为常用的边缘检测方法Prewitt算子利用像素点上下、左右邻点灰度差，在边缘处达到极值检测边缘。对噪声具有平滑作用，定位精度不够高。该算子与Sobel算子类似，只是权值有所变化，但两者实现起来功能还是有差距的，据经验得知Sobel要比Prewitt更能准确检测图像边缘。Laplacian算子是一种二阶微分算子，利用边缘点出二阶导函

30、数出现零交叉原理检测边缘。不具有方向性，对灰度突变敏感，定位精度高，同时对噪声敏感，且不能获得边缘方向等信息。Canny算子功能比前面几种都要好，但是它实现起来较为麻烦，Canny算子是一个具有滤波、增强、检测的多阶段的优化算子，在进行处理前，Canny算子先利用高斯平滑滤波器来平滑图像以除去噪声，Canny分割算法采用一阶偏导的有限差分来计算梯度幅值和方向，在处理过程中，Canny算子还将经过一个非极大值抑制的过程，最后Canny算子还采用两个阈值来连接边缘。通过各个算子的比较，本文在检测车牌边缘实现定位时选用效果更好的Canny算子。第3章 基于MATLAB的车牌定位算法实现第3.1节 M

31、ATLAB及其图像处理工具MATLAB（Matrix Laboratory）是由美国mathworks公司发布的主要面对科学计算、可视化以及交互式程序设计的高科技计算环境。它将数值分析、矩阵计算、科学数据可视化以及非线性动态系统的建模和仿真等诸多强大功能集成在一个易于使用的视窗环境中，为科学研究、工程设计以及必须进行有效数值计算的众多科学领域提供了一种全面的解决方案，并在很大程度上摆脱了传统非交互式程序设计语言（如C、Fortran）的编辑模式，代表了当今国际科学计算软件的先进水平。MATLAB可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接matlab开发工作界面、连接其他编程

32、语言的程序等，主要应用于工程计算、控制设计、信号处理与通讯、图像处理、信号检测、金融建模设计与分析等领域。MATLAB 产品族可以用来进行以下各种工作:l 数值分析l 数值和符号计算l 工程与科学绘图l 控制系统的设计与仿真l 数字图像处理 技术l 数字信号处理 技术l 通讯系统设计与仿真l 财务与金融工程MATLAB 的应用范围非常广，包括信号和图像处理、通讯、控制系统设计、测试和测量、财务建模和分析以及计算生物学等众多应用领域。附加的工具箱（单独提供的专用 MATLAB 函数集）扩展了 MATLAB 环境，以解决这些应用领域内特定类型的问题。MATLAB的优势与特点：（1）友好的工作平台和

33、编程环境MATLAB由一系列工具组成，方便用户使用MATLAB的函数和文件，其中许多工具采用的是图形用户界面，包括MATLAB桌面和命令窗口、历史命令窗口、编辑器和调试器、路径搜索等。新版的MATLAB提供了完整的联机查询、帮助系统，更方便了用户的使用。简单的编程环境提供了比较完备的调试系统，程序不必经过编译就可以直接运行，而且能够及时地报告出现的错误及进行出错原因分析。（2）简单易用的程序语言MATLAB一个高级的矩阵/阵列语言，它包含控制语句、函数、数据结构、输入和输出和面向对象编程特点。用户可以在命令窗口中将输入语句与执行命令同步，也可以先编写好一个较大的复杂的应用程序（M文件）后再一起

34、运行。新版本的MATLAB语言是基于最为流行的C+语言基础上的，因此语法特征与C+语言极为相似，而且更加简单，更加符合科技人员对数学表达式的书写格式。而且这种语言可移植性好、可拓展性极强。（3）强大的科学计算机数据处理能力MATLAB包含600多个数学运算函数，通常情况下，可以用它来代替底层编程语言，如C和C+。函数所能解决的问题其大致包括矩阵运算和线性方程组的求解、微分方程及偏微分方程的组的求解、符号运算、傅立叶变换和数据的统计分析、稀疏矩阵运算、复数的各种运算、三角函数和其他初等数学运算、多维数组操作以及建模动态仿真等。（4）出色的图形处理功能MATLAB自产生之日起就具有方便的数据可视化

35、功能，以将向量和矩阵用图形表现出来，并且可以对图形进行标注和打印。高层次的作图包括二维和三维的可视化、图象处理、动画和表达式作图。新版的MATLAB对此还做了很大的改进和完善，使它不仅在一般数据可视化软件都具有的功能（例如二维曲线和三维曲面的绘制和处理等）方面更加完善，而且对于一些其他软件所没有的功能（例如图形的光照处理、色度处理以及四维数据的表现等）也表现了出色的处理能力。（5）应用广泛的模块集合工具箱MATLAB对许多专门的领域都开发了功能强大的模块集和工具箱。一般来说，它们都是由特定领域的专家开发的，用户可以直接使用工具箱学习、应用和评估不同的方法而不需要自己编写代码。（6）应用软件开发

36、（包括用户界面）在开发环境中，使用户更方便地控制多个文件和图形窗口；在编程方面支持了函数嵌套，有条件中断等；在图形化方面，有了更强大的图形标注和处理功能，包括对性对起连接注释等；在输入输出方面，可以直接向Excel和HDF5进行连接。第3.2节 我国车牌特点及识别难点3.2.1 我国车辆牌照特点 车牌主要有三个最基本的特征，且它们异于其他背景：（1）颜色特征：我国的标准车牌有四种：黄底黑字黑框线、蓝底白字白框线、黑底白字红“使”、“领”字白框线，黑底红字红框线，这些特征使得车牌背景与字符有很大的对比度。（2）几何特征：我国的标准车牌是具有统一大小的矩形牌，宽度为44cm，高度为14cm。车牌上

37、的每个字符宽45mm，长90mm，间隔符宽10mm，字符的笔划宽度为10mm，每个单元间隔12mm。（3）纹理特征：车牌区域内均匀地排列着8个字符。一般民用牌照第一个字符是汉字，且是各省市的简称。第二个字符是大写英文字母，如“A”、“B”、“C”等，是省、直辖市、自治区的名称和发证照及监督机关的代号；接着一个点“”；后面的汽车编号，一般是5位数字，即从0000199999。第四个和第五个字符可能是英文字母，也可能是阿拉伯数字，第五个至第八个字符均为阿拉伯数字。如“京B12345”就是典型的车牌号码。这些特征是车牌区域有着丰富的纹理特性。通过边缘算子的检测，可以很清晰的得到字符的骨架，所以得到车

38、牌区域的密度很大。3.2.2 我国车辆牌照定位难点车牌的定位是指在拍摄的图像中确定出牌照的位置，然后提取出牌照图像。由于我国牌照的特殊性，车牌定位一直是公认的较难解决的图像分割问题，主要有以下几点：（1）含车牌图像一般是采用CCD工业电视摄像机来获取的，分辨率不高，且有时候还可能伴有摄像机畸变；（2）所获得的目标图像中，含有丰富的自然背景及车身背景信息，同时易受照明条件（白天、黑夜）、天气条件（阴、雨、雾、雪）及运动失真和模糊的影响，因此所获取的图像质量一般都较差；（3）由于自然（或人为）的原因，车牌的颜色无法保持为固定的上述几种颜色，并且在同一牌照内部颜色也会有较大变化；（4）车牌悬挂的不规

39、范，并且不能保证车牌的水平悬挂，且有些车牌出现扭曲；（5）汽车的车速不尽相同，拍摄时摄像机的位置、角度也有所差异。一般的车牌定位方法有基于彩色图像信息的定位、基于阈值分割的方法、基于边缘检测方法、基于灰度聚类方法、数学形态学方法、基于遗传学算法等。本文采用的是应用MATLAB的基于边缘信息的车牌检测。第3.3节 利用Canny算子实现边缘检测及定位车牌3.3.1 车牌定位流程设计本次毕业设计是基于车牌边缘信息从而实现车牌定位，先通过检测边缘和滤波初步确定车牌的大概区域，再通过计算对车牌进行精确定位。流程图如图3-1所示：读入图像图像预处理边缘检测、二值化形态学滤波定位车牌显示车牌图3-1 车牌

40、定位流程3.3.2 图像预处理在实际应用中，由于季节的变换、光照的影响、车辆的运动、观察角度、采集图像设备自身的因素等影响，所获得的图像并不能令人十分满意，存在各种各样的噪声，因而必须对图像进行预处理，以提高图像的质量和字符识别率。车牌图像的预处理包括灰度处理和图像黑白增强。图像预处理是车牌定位的准备工作，用以提高车牌图片的适用性。原始彩色图像包括汽车的车牌、车身以及汽车背景图像，因此必须去掉这些不必要的图像，才能准确提取车牌区域，识别车牌。（1）灰度处理灰度图又称灰阶图，是指只包含亮度信息，不包含色彩信息的图像，例如黑白照片就是一幅灰度图。将一幅彩色图像转化为灰度图像的过程就是灰度处理。彩色

41、图像分为R、G、B三个分量，分别表示红、绿、蓝颜色，灰度化就是使彩色图像的R、G、B分量相等。灰度分为256阶，灰度值大的像素点较亮（像素值最大为255，为白色），反之较暗（像素值最小为0，是黑色）。本论文实现图像灰度处理采用了rgb2gray函数，其功能是实现RGB图像或颜色印象表向灰度图像转化。格式：I=rgb2gray(RGB)I=rgb2gray(A)输入程序Cgray=rgb2gray(A)，原始彩色图像处理后得到灰色图像，如图3-2、3-3所示：图3-2 原始彩色图像 图3-3 灰度图像（2）图像增强为了增强牌照部位和其他部位图像的对比度，使图像的明暗鲜明，提高识别率，需要将图像进

42、行增强。图像增强的方法有很多种，如图像平滑处理、线性滤波等等，根据处理图像区域又可以分为空间阈法和频域阈法。目前，用于增强车牌图像的方法有灰度拉伸、中值滤波、直方图均衡、高斯滤波、图像腐蚀、领域滤波、多图像平均、同态滤波等。对原始图像进行开操作得到背景图像：s=strel(disk,15); %strel函数生成碟形图形元素Bgray=imopen(Cgray,s); %原始图像开操作figure,imshow(Bgray);title(背景图像);%输出背景图像，如图3-4所示Egray=imsubtract(Cgray,Bgray); %原始图像与背景图像做减法figure,imshow(

43、Egray);title(增强黑白图像);%输出增强图像，如图3-5所示 图3-4 背景图像 图3-5 增强黑白图像3.3.3 图像边缘检测及二值化（1）边缘检测边缘检测主要是精确定位边缘和抑制噪点。由于微分算子具有突出灰度变化的作用，对图像进行微分运算，在图像边缘处及灰度变化较大，故该微分计算值较高，可将这些为分支作为相应点的边缘强度，通过阈值判别来提取边缘点，即如果为分支大于阈值，则为边缘点。其基本步骤是首先利用边缘增强算子，突出图像中的局部边缘，然后定义像素的“边缘强度”，通过设置门限的方法提取边缘点集。在前面的章节中已经介绍了常用的几种边缘检测算子：Roberts算子、Sobel算子、

44、Prewitt算子、Laplace算子和Canny算子，这里不再赘述，本论文选择Canny算子实现边缘的检测功能，同时列出了其他算子的边缘检测图像以作对比。调用Canny算子的程序为：grd=edge(Egray,canny); %调用canny算子，可适当调节阈值figure,imshow(grd);title(canny算子边缘检测图像);其功能实现如图3-6所示：图3-6 canny算子实现边缘检测同理分别调用Roberts、Sobel、Prewitt、Laplace算子检测图像边缘，结果分别如图3-7、3-8、3-9、3-10所示：图3-7 Roberts算子实现边缘检测 图3-8 S

45、obel算子实现边缘检测图3-9 Prewitt算子实现边缘检测 图3-10 laplace算子实现边缘检测结论：通过比较，我们可以看出，利用Canny算子检测的图像相对于其他边缘算子处理后结果，其边缘线条更加平滑，边缘定位的精度高，且对噪声抑制性好，车牌区域很好的突现出来。（2）灰度图像二值化灰度图像的二值化处理就是将整个图像呈现出明显的黑白效果，即将256个亮度等级的灰度图像通过适当的阈值选取而获得仍然可以反映图像整体部分和局部特征的二值化图像。首先，要把灰度图像二值化，这样在对图像做进一步处理时，图像的集合性质只与像素值为0或255的点的位置有关，而不涉及像素的多级值，使处理变得简单，而

46、且数据的处理和压缩量小。为了得到理想的二值图像，一般采用封闭、连通的边界定义不交叠的区域，所有灰度大于或等于阈值的像素被判定为属于特定物体，其灰度值为255，否则这些像素点被排除在物体区域以外，灰度值为0，表示背景或者例外的物体区域。如果其特定物体在内部有均匀一致的灰度值，并且其处在一个具有其他等级灰度值的均匀背景下，使用阈值法就可以得到很好的分割效果。如果物体同背景的差别表现不在灰度值上（比如纹理不同），可以将这个差别特征转换为灰度的差别，然后利用阈值选取技术来分割该图像。动态调节阈值实现图像的二值化可动态观察其分割图像的具体结果。本论文参照数字图像处理与分析介绍的图像二值化最佳阈值计算方法：Level=(fmax1-(fmax1-fmin1)/3)其中Level为最佳阈值，fmax1为最大灰度，fmin1为最小灰度，依照此公式将图像二值化的程序为：fmax1=double(max(max(Egray); %Egray的最大值并输出双精度型fmin1=double(min(min(Egray); %Egray的最小值并输出双精度型level=(fmax1-(fmax1-fmin1)/3)/255; %计算最佳阈值bw22=im2bw(Egray,level); %转换为二进制图像bw2=double(bw22);figure,im