车牌识别的matlab程序程序讲解模板.docx
《车牌识别的matlab程序程序讲解模板.docx》由会员分享，可在线阅读，更多相关《车牌识别的matlab程序程序讲解模板.docx（9页珍藏版）》请在冰豆网上搜索。
车牌识别的matlab程序程序讲解模板
clc
clear
closeall
I=imread（'chepai.jpg'）;
subplot（3,2,1）;imshow（I）,title（'原始图像'）;
I_gray=rgb2gray（I）;
subplot（3,2,2）,imshow（I_gray）,title（'灰度图像'）;
%======================形态学预处理======================
I_edge=edge（I_gray,'sobel'）;
subplot（3,2,3）,imshow（I_edge）,title（'边缘检测后图像'）;
se=[1;1;1];
I_erode=imerode（I_edge,se）;
subplot（3,2,4）,imshow（I_erode）,title（'腐蚀后边缘图像'）;
se=strel（'rectangle',[25,25]）;
I_close=imclose（I_erode,se）;%图像闭合、填充图像
subplot（3,2,5）,imshow（I_close）,title（'填充后图像'）;
I_final=bwareaopen（I_close,2000）;%去除聚团灰度值小于2000的部分
subplot（3,2,6）,imshow（I_final）,title（'形态滤波后图像'）;
%==========================车牌分割=============================
I_new=zeros（size（I_final,1）,size（I_final,2））;
location_of_1=[];
fori=1:
size（I_final,1）%寻找二值图像中白的点的位置
forj=1:
size（I_final,2）
ifI_final（i,j）==1;
newlocation=[i,j];
location_of_1=[location_of_1;newlocation];
end
end
end
mini=inf;maxi=0;
fori=1:
size（location_of_1,1）
%寻找所有白点中，x坐标与y坐标的和最大，最小的两个点的位置
temp=location_of_1（i,1）+location_of_1（i,2）;
iftempmini=temp;
a=i;
end
iftemp>maxi
maxi=temp;
b=i;
end
end
first_point=location_of_1（a,:
）;%和最小的点为车牌的左上角
last_point=location_of_1（b,:
）;%和最大的点为车牌的右下角
x1=first_point
（1）+4;%坐标值修正
x2=last_point
（1）-4;
y1=first_point
（2）+4;
y2=last_point
（2）-4;
I_plate=I（x1:
x2,y1:
y2）;
I_plate=OTSU（I_plate）;%以OTSU算法对分割出的车牌进行自适应二值化处理
I_plate=bwareaopen（I_plate,50）;
figure,imshow（I_plate）,title（'车牌提取'）%画出最终车牌
%=========================字符分割============================
X=[];%用来存放水平分割线的横坐标
flag=0;
forj=1:
size（I_plate,2）
sum_y=sum（I_plate（:
j））;
iflogical（sum_y）~=flag%列和有变化时，记录下此列
X=[Xj];
flag=logical（sum_y）;
end
end
figure
forn=1:
7
char=I_plate（:
X（2*n-1）:
X（2*n）-1）;%进行粗分割
fori=1:
size（char,1）%这两个for循环对分割字符的上下进行裁剪
ifsum（char（i,:
））~=0
top=i;
break
end
end
fori=1:
size（char,1）
ifsum（char（size（char,1）-i,:
））~=0
bottom=size（char,1）-i;
break
end
end
char=char（top:
bottom,:
）;
subplot（2,4,n）;imshow（char）;
char=imresize（char,[32,16],'nearest'）;%归一化为32*16的大小，以便模板匹配
eval（strcat（'Char_',num2str（n）,'=char;'））;%将分割的字符放入Char_i中
end
%==========================字符识别=============================
char=[];
store1=strcat（'京','津','沪','渝','冀','晋','辽','吉','黑','苏','浙'...%汉字识别
'皖','闽','赣','鲁','豫','鄂','湘','粤','琼','川','贵','云','陕'...
'甘','青','藏','桂','皖','新','宁','港','鲁','蒙'）;
forj=1:
34
Im=Char_1;
Template=imread（strcat（'chinese\',num2str（j）,'.bmp'））;%chinese文件附在最后
Template=im2bw（Template）;
Differ=Im-Template;
Compare（j）=sum（sum（abs（Differ）））;
end
index=find（Compare==（min（Compare）））;
char=[charstore1（index）];
store2=strcat（'A','B','C','D','E','F','G','H','J','K','L','M','M','N','P','Q','R'...
'S','T','U','V','W','X','Y','Z','0','1','2','3','4','5','6','7','8','9'）;
fori=2:
7%字母数字识别
forj=1:
35
Im=eval（strcat（'Char_',num2str（i）））;
Template=imread（strcat（'cha&num\',num2str（j）,'.bmp'））;%cha&num文件附在最后
Template=im2bw（Template）;
Differ=Im-Template;
Compare（j）=sum（sum（abs（Differ）））;
end
index=find（Compare==（min（Compare）））;
char=[charstore2（index）];
end
figure,imshow（I）,title（strcat（'车牌为:
',char））
信研-11XX2011301XXXXXX
模式识别作业—车牌识别
1、作业要求：
要求：
任给一幅符合假定的图片，自动识别出车牌号。
如：
给定如下图片，自动输出（京JX9168）
2、设计步骤：
所设计的车牌识别的流程包括图像预处理，车牌分割，字符分割，及字符识别。
详见matalb程序。
3、程序讲解
1）第一部分为图像的预处理。
此部分借鉴了别人的程序，将灰度图像以sobel算子检测边缘；再对边缘图像进行腐蚀，去除掉细的，间断的边缘；对剩下的区域进行闭合以填充图像，此时可以看到车牌区域形成了一个大的连通域；调用bwareaopen函数去掉小的连通域，此时整个二值图像只b剩下了车牌区域为1。
如下图所示：
2）第二部分为车牌的提取
此部分的工作为将上一步的白色区域取出，其对应的就是车牌区域。
设计思路如下：
首先将二值图像f中所有为1的点的坐标放入数组location_of_1中，对这些坐标遍历计算，寻找x坐标与y坐标之和最大的点a与最小的点b，a即为车牌的左上角，b为车牌的右下角。
通过这两个坐标将车牌分割出来，并对灰度车牌图像以OTSU算法进行自适应二值化分割。
最终效果如下：
3）第三部分为字符分割
此部分的工作是将车牌里的7个字符分别提取出来。
方法如下：
对该二值图从左向右像按列z遍历，计算每一列之和，没有白点的列和为0，有白点的列和非零，转换为逻辑1，记录下所有列和在0与1转换的列，即为需要切割的列，共有14列，可切出7个字符。
切割出单个字符后，放入char_（i）中，并切割掉每个字符的上下的空白区域，完成精确切割，效果如下：
4）第四部分为字符的识别
识别的方法主要有模板匹配字符识别算法，统计特征匹配算法，神经网络字符识别算法和支持向量机模式识别算法。
由于分割的字符效果较好，为明显畸变，模k板维数低（32*16），且因为时间关系，这里采用了模板匹配识别算法。
该程序把切割出的字符与库里的汉字和字符的模板做减法运算，找到差别点最少的模板为对应模板，输出该模板对应的字符，最后识别出其为“京JX9168”。
如下：
Chinese模板文件：
Cha&num模板文件：
（将图片放入文件夹中，放在程序目录下）
OTSU.m文件：
functionJ=OTSU（I）
Hi=imhist（I）;%直方图
sum1=sum（Hi）;
fori=1:
255
w1=sum（Hi（1:
i））/sum1;%第一类概率
w2=sum（Hi（（i+1）:
256））/sum1;%第二类概率
m1=（0:
（i-1））*Hi（1:
i）/sum（Hi（1:
i））;%第一类平均灰度值
m2=（i:
255）*Hi（（i+1）:
256）/sum（Hi（（i+1）:
256））;%第二类平均灰度值
Jw（i）=w1*w2*（m1-m2）^2;
end
[maxm,thresh]=max（Jw）;%寻找阈值
%subplot（2,2,1）;imshow（I）;title（'原图像'）;
%subplot（2,2,[3,4]）;imhist（I）;holdon;plot（thresh,3,'+r'）;title（（strcat（'阈值为',num2str（thresh））））;
I（find（I<=thresh））=0;
I（find（I>thresh））=256;%二值化
J=I;
%subplot（2,2,2）,imshow（I）,title（'二值化图像zk'）;
升级会员 