基于Matlab的车牌定位系统的研究与设计毕业设计.docx

基于Matlab的车牌定位系统的研究与设计毕业设计.docx

《基于Matlab的车牌定位系统的研究与设计毕业设计.docx》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.docx（36页珍藏版）》请在冰豆网上搜索。

基于Matlab的车牌定位系统的研究与设计毕业设计

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（LicensePlateRecognition，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　　字符分割　　数学形态学　　投影法

Research On License Plate Location System

ZhouRujie

（CollegeofEngineering,SouthChinaAgriculturalUniversity,Guangzhou510642,China）

Abstract:

Withtherapiddevelopmentofourcountrycity,trafficmanagementhasbecomeaveryhottopic,duetotrafficmanagementandincreasingdemand,putforwardhigherrequesttothetrafficmanagementandcontrol.Thetrafficmanagementsysteminintelligent,licenseplaterecognitiontechnology（LicensePlateRecognition,LPR）isanimportanttechnologyofvehicleidentificationandmonitoring,playaveryimportantroleinthecityvehiclemanagement.Licenseplaterecognitiontechnologyiswidelyusedinroadillegalvehiclemonitoring,parkingmanagement,vehiclesafetymanagement.Licenseplaterecognitionsoftwaresystemisdividedintothreeparts:

licenseplatelocation,charactersegmentationandcharacterrecognition.Thispapermakesresearchanddiscussesthealgorithmoflicenseplatelocationandcharactersegmentationmethod,accordingtothecharacteristicoflicenseplateofavehiclelicenseplatelocationandcharactersegmentationofsimplealgorithmisproposed.

Licenseplatelocationpartusesthemethodofmathematicalmorphology,isrealizedbythefollowingsteps:

firstusetheradonfunctiontoskewdetectionandcorrectionoftheimage,andmathematicalmorphologyprocessingbygrayandedgedetection,thencanbecarriedout,finallyistheextractionoflicenseplateregion.Charactersegmentationismadeusingprojectionmethod,analysisofpixelverticalprojectionhistogram,witheachcharactertrough,waveandplatecustomstandardstodivideeachcharacter.UsingimageprocessingcapabilitiesoftheMATLAB,throughthepreparationprocess,statisticalanalysisofvehicleimage,toachievethefunctionsoftwoparts.

Thekeyofthismethodistheselectionofappropriatestructureelements,thelicenseplateimagemathematicalmorphologyopen,closeoperationtoremovetheinterferencefactors,eliminatingthenoiseanduselessinformation,simpleandintuitive,lessinterferencebytheenvironment.Throughtheexperiment,inthispaper,licenseplatelocalizationalgorithmandcharactersegmentationmethodcanachievegoodeffect.

Keywords:

licenseplatelocationcharactersegmentationmathematicalmorphologyprojection

目　　　　录

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（LicensePlateRecognition）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，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，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。

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MicrosoftWindows7；软件开发工具为MATLAB2009a。

1.4　论文结构

本文组织分为四个章节：

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：

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）。

图3　直线投影例子

举个简单例子，如图3，当坐标旋转一个角度θ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θ，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θ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θ，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。

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6　Sobel算子效果

图7　Canny算子效果

图8　Roberts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Roberts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]））；

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置和一些干扰的白色区域。

而事实上，形态学处理后