当前位置: 首页 > >

基于MATLAB的高速公路车牌识别系统

发布时间:

沈阳建筑大学城市建设学院毕业设计(论文)

基于 MATLAB 的高速公路车牌识别系统
第一章 绪论
本书主要讨论的是一种高速公路车牌识别系统的设计与实现方法。车牌识别系统是 不停车电子收费系统得重要构成部分,而后者又是智能运输系统的核心应用之一。

1.1 车牌识别系统介绍
车牌识别技术(Vehicle License Plate Recognition,VLPR)是计算机视觉和模 式识别技术在现代智能交通系统中的一项重要研究课题,是实现交通管理智能化的重要 环节,它是以数字图像处理、模式识别、计算机视觉等技术为基础的智能识别系统,它 利用每一个汽车都有唯一的车牌号码,通过摄像机锁拍摄的车辆图像进行车牌号码的识 别。在不影响汽车状态的情况下计算机自动完成车牌的识别,从而降低交通管理工作的 复杂度。自动车牌识别在车辆管理和交通安全管理中具有十分重要的意义。根据公安部 科技强警的战略目标,北京优特桥电子技术有限公司和清华大学合作,投资 150 多万, 经过三年多的联合开发,终于将多媒体网络车牌识别系统研制成功。多媒体网络车牌识 别系统作为公安部重点攻关项目之一,在查辑犯罪车辆、控制违法违规车辆等公安工作 中发挥了重要作用,是实现畅通工程的重要技术保证。2000 年 6 月,公安部科技局组织 有关专家对多媒体网络车牌识别系统进行了技术鉴定。公安部领导和技术专家对该系统 的先进性、实用性给予了充分的肯定,并指出:该系统综合了车牌牌号自动识别技术、 多媒体技术、分布式网络数据库管理技术等先进技术,建成了我国第一套试用于实战的 警务系统。该系统中采用的金字塔特征流快速搜索匹配算法(FP-SAMA)达到了国际先 进水*。该系统已经在河北、厦门等地投入了实际工程运用,收到了良好的社会效益。 实践证明,该系统确实具有良好的推广价值和广泛的应用前景。

1.2 车牌识别系统的应用
车牌自动识别技术在车辆过路、 过桥全自动不停车收费、 交通流量控制指标的测量、 车辆自动识别、高速公路上的事故自动测报、不停车检查、车辆定位、汽车防盗、稽查 和追踪车辆违规、违法行为、维护交通和城市治安、防止交通堵塞、提高收费路桥的服 务速度、缓解交通紧张状况等方面将会起到积极的作用。多媒体网络车牌识别系统是一 个分布式网络数据库环境下的实时响应系统,运行在 WindowsNT 环境下.它由三个主要 部分组成,包括卡口图像识别子系统、指挥中心数据管理子系统和拦截监控子系统。卡

1

沈阳建筑大学城市建设学院毕业设计(论文)

口车辆图象信息采集 CCD 获取实时车牌图像数据后,系统在极短时间内(1 秒左右)完 成图像识别、车数据入库、图像数据入库、检索数据等处理。如果发现通过车辆是公安 机关需要查找的车辆(如被盗抢车辆),系统通过远程数据网络,向 拦截站 指挥中心 和

发出告警信息,通知有关部门或有关人员。告警信息包括:发现可疑车辆的时

间、地点、车牌号码、抓拍的车辆照片、车辆被缉查的原因等

1.3 MATLAB 的简介
MATLAB 是美国 MathWorks 公司出品的,用于算法开发、数据可视化、数据分 析以及数值计算的高级技术计算语言和交互式环境, 主要包括 MATLAB 和 Simulink 两大部分。 MATLAB 是矩阵实验室(Matrix Laboratory)的简称,和 Mathematica、Maple 并称为三大数学软件。它在数学类科技应用软件中在数值计算方面首屈一指。 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、连接其 他编程语言的程序等,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 的基本数据单位是矩阵,它的指令表达式与数学、工程中常用的形式 十分相似,故用 MATLAB 来解算问题要比用 C,FORTRAN 等语言完相同的事情简捷 得多,并且 mathwork 也吸收了像 Maple 等软件的优点,使 MATLAB 成为一个强大的 数学软件。在新的版本中也加入了对 C,FORTRAN,C++,JAVA 的支持。可以直接 调用,用户也可以将自己编写的实用程序导入到 MATLAB 函数库中方便自己以后调 用,此外许多的 MATLAB 爱好者都编写了一些经典的程序,用户可以直接进行下载 就可以用。 20世纪70年代,美国新墨西哥大学计算机科学系主任 Cleve Moler

为了减轻学生编程的负担,用 FORTRAN 编写了最早的 MATLAB。1984年由 Little、 Moler、Steve Bangert 合作成立了的 MathWorks 公司正式把 MATLAB 推向市场。到 20世纪90年代,MATLAB 已成为国际控*绲谋曜技扑闳砑

2

沈阳建筑大学城市建设学院毕业设计(论文)

第二章
2.1 系统构成

系统概述

本地数据处理中心的组成: 该数据处理中心包括一台数据库服务器和若干台车牌识 别系统工作站。每台车牌识别系统工作站由一部(CCD)摄象机、一组照明设备和一套高 速图像识别处理软件组成。数据处理中心通过光缆与拦截站报警终端连接。指挥中心数 据处理中心的组成:该指挥中心数据处理中心包括一台数据库服务器和一台车牌识别监 视系统工作站。一般通过 DDN 信道与本地数据处理中心连接。拦截站的组成:由一台拦 截响应工作站构成。一般通过光缆与本地数据处理中心连接。

2.2 系统工作原理
高速公路车牌识别系统主要友五部分组成。 第一部分:图像获取。在这个部分中我们通过在道路两侧安装高分辨率的摄像机对 过往的车辆进行动态或静态抓拍,再通过图像采集卡采集当前的图像并形成图像数据组 存储在计算机重,此时存储在计算机中的图像是彩色图像。 第二部分:图像处理。由于在第一部分重我们得到的图像是彩色图像,其颜色种类 较多,不利于图像处理,因此我们将彩色图像转换为灰度图像进行处理。应用 MATLAB 中的函数(rgeb2gray)可以实现图像转换。经过转换后的灰度车牌图像通常都是数字 灰度图像,其灰度值为 0~225。为了将车牌图像中的字符与背景分离,常采用二值化技 术将数字灰度图像转换为数字二值图像,应用 MATLAB 中的函数(im2bw)可以实现这一 转换。二值图像是一种所有像素值只能在两种可能的离散值重取其一的图像,也称黑白 图像。本质上讲,这两个可能的像素值分别对应 0 和 1,以这种方式来操作图像可以更 加容易地识别出图像的结构特征。在整个系统中二值化很关键,直接影响到后面的分割 与识别,因为字符的分割是识别是基于车牌区域的二值化结果进行的。二值化技术又称 做阈值化技术,其目的就是要找出一个合适的阈值,将待研究的区域划分为前景和背景 两部分。二值化后的车牌要能再现原字符图像,基本不出现笔画断裂和粘连现象,尽量 不丢失原字符的特征。另外,二值化算法还可以用于精确定为车牌的上下左右边界。 第三部分:图像分割。这一部分是整个系统的核心部分,如果图像不能准确的分割 出来将会直接影响最终能否识别出车牌,即识别率的高低。图像分割就是目标与背景的 先验知识(西方哲学家将只是分为两种:先验和后验。先验意味着仅凭推理得到的知识 (先验经验观察) ,而不受直接或间接经验(这里经验通常指通过感官对于世界的观察)
3

沈阳建筑大学城市建设学院毕业设计(论文)

的影响。后验指其他种类的知识,也就是知识的的来和证实需要需要借助经验(经验观 察之后) ,也被称做经验知识) ,对图像中的目标、背景进行标记、定位,然后将待识别 的目标从背景或其他伪目标中分离出来。图像分割是图像提取的重要组成部分,只有有 效的完成分割才能进一步提取目标特征并识别目标。 第四部分:字符识别。对于车牌字符识别,目前最常用的方法是基于神经网络和模 板匹配的方法。 基于神经网络的车牌字符识别方法对于解析度较高 (车牌高度不小于 120 个像素)和图像比较清晰的车牌能有效的识别车牌中的字符,但是对于较底解析度和较 为模糊的车牌则显得无能为力。现已有一种在模板匹配的基础上改进的方法进行字符识 别,使对车牌字符的识别性能得到了改进。 第五部分:数据库管理。首先需要建立一个大型的数据库,在这个数据库中存储一 定数量的车牌号码及这些车的一些相关资料。通过前面的步骤,已把车牌提取出来,接 下来将提取的车牌号码与数据库中存储的车牌号码进行比较,如果相同系统就会自动找 到该车牌并显示相关信信息;如果不同,说明系统中没有该车牌的记录,此时系统会自 动储存该车牌号码,以备需要。

4

沈阳建筑大学城市建设学院毕业设计(论文)

车牌识别系统设计 第三章 车牌识别系统设计
3.1 系统实现框图
传统的车牌识别系统主要采用摄像头、视频采集卡、工控机几个主要模块搭建出来 的方法来实现,其优势是实现容易,但是成本高、实时性不强、安装和维护不便。而在 本文系统设计中,摒弃了传统的模式,采用 TI 公司的 TMS320C6713B 高性能(强大的并 行运算能力)DSP 作为识别算法的运行硬件*台,Altera 公司性价比很高的 Cyclone 系 列 EP1C12Q240 型号的 FPGA 作为协调整个系统的工作与相关的图像采集及控制,再加上 一些外围器件(FLASH、SDRAM 等)共同构成本嵌入式车牌识别系统硬件*台,如图 3-1 所示。 与传统的车牌识别系统不同, 该系统无需计算机即可实现车牌图像的采集、 识别、 输出结果,具有识别性能高、环境适应性强、安装维护简单、成本低等特点。其中采用 以 DSP 和 FPGA 作为核心的系统设计最大优点是结构灵活、通用性强、适合于模块化设 计,从而能够实现高效率的算法和实时控制;同时其开发过程可以并行运行。

图 3-1 嵌入式车牌识别系统硬件*台

3.2 车牌区域定位
车牌图像的区域定位部分是将输入的图像去掉彩色信息,进行灰度化,并对采集的 图像进行增强、恢复、变换,目的是突出车牌的最主要特征,以便更好的提取车牌。灰 度图像(GrayScale)是指只包含亮度信息、不包含色彩信息的图像,例如*时看到的 亮度由暗到亮连续变化的黑白照片。根据实时性要求,车牌定位提取应具有较高的鲁棒
5

沈阳建筑大学城市建设学院毕业设计(论文)

性,从一整幅图像包括车身、背景中提取车牌,需要抓住车牌的最主要特征,牌照区域 具有不同于背景区域的特征,利用车牌底色和车牌字符的灰度或颜色信息差别和车牌区 域中灰度变化频率较高,以及车牌有一定的宽度和高度、宽高比满足一定的要求等,进 行车牌的定位分割,它是一种简单、可靠,能满足实时性要求的方法。对预处理后的图 像每一行按照式进行后向差分绝对值运算:由于牌照区域含有多次的灰度变化,通过累 加差分后的每一行图像可以得到一条曲线,曲线的若干个极大值所在波峰就是车牌可能 存在的垂直位置。然后对预处理后图像的每一列按照式进行同样的处理。可以得到若干 个车牌可能存在的水*位置。交叉匹配后能够得到若干个车牌可能存在的具体位置。这 种算法有可能会得到若干个无法区分的车牌区域,也可能一个车牌区域都找不到。我们 对这种算法进行改善,就有了移动窗口算法。

3.3 车牌字符分割
字符分割与识别是先将车牌区域分割成单个的字符, 然后再进行识别, 难点是模糊、 断裂的字符的识别。 字符分割目前一般采用垂直投影法。由于字符块在竖直方向上的投影必然在字符间 或字符内的间隙处取得局部最小值,因此字符的正确分割位置应该在上述局部最小值的 附*,并且这个位置应满足车牌的字符书写格式、字符尺寸限制和一些其他条件。利用 垂直投影法,对复杂环境下的汽车图像中的字符分割有较好的效果。 字符识别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算 法首先把待识别字符二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所 有的模板进行匹配,最后选最佳匹配作为结果。由于这种匹配算法稳定性较差、时间花 费也较大,因此在此基础上提出了基于关键点的匹配算法。此算法先对待识别字符进行 关键点提取,然后对关键点去噪,最后再确定字符的分类。这种匹配算法只利用了字符 的关键点进行匹配,因此提高了识别速度又具有较高的识别率。基于人工神经网络的算 法主要有两种:一种是先对待识别字符进行特征提取,然后用所获得的特征来训练神经 网络分类器;另一种方法是直接把待处理图像输入网络,由网络自动实现特征提取直至 识别出结果。前一种方法识别结果与特征提取有关,而特征提取比较耗时,因此特征提 取是关键。后一种方法无须特征提取和模板匹配,随着相关技术的进步,这种方法更实 用。 车牌字符分割是车牌识别中比较重要的一个环节。如何准确而迅速地找出车牌的位置,

6

沈阳建筑大学城市建设学院毕业设计(论文)

一直是个热门话题,目前提出来的研究方法也很多,主要是基于灰度特征分析的方法, 因为基于彩色信息的方法计算量大并且受图像亮度影响大。比较成熟的有统计的投影直 方图,使用 Hough 变换检测边缘,小波分析等。统计投影直方图法虽然简单,但是效果 最差;Hough 检测边缘的方法速度较快,但不能应对车牌有形变的情况;小波分析的方 法技术含量最高,但运算量大,速度最慢。本文提出一种二值化图像梯度边缘检测法, 并在 Matlab 中实现。二值化技术又称为阈值化技术,其目的就是要找出一个合适的阈 值,将待研究的区域划分为前景和背景两部分。经过转换后的车牌灰度图像通常都是数 字灰度图像,其灰度值为 0~225.为了将车牌图像中的字符与背景分离,常采用二值化 技术将数字灰度图像转换为数字二值图像。二值化后的车牌要能再现原字符图像,基本 不出现笔画断裂和粘连现象,尽量不丢失原字符的特征。另外,二值化算法还可以用在 车牌定位过程中精确定位车牌的上下左右边界。 该方法可以快速地对车牌区域进行定位, 并将其分割出来。 车牌分割流程如下图 3-2 所示。

图 3-2 车牌分割流程

字符分割与识别是先将车牌区域分割成单个的字符, 然后再进行识别, 难点是模糊、 断裂的字符的识别。字符分割目前一般采用垂直投影法。由于字符块在竖直方向上的投 影必然在字符间或字符内的间隙处取得局部最小值,因此字符的正确分割位置应该在上 述局部最小值的附*,并且这个位置应满足车牌的字符书写格式、字符尺寸限制和一些 其他条件。利用垂直投影法,对复杂环境下的汽车图像中的字符分割有较好的效果。

3.4 车牌字符识别
别方法目前主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法 首先把待识别字符二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有 的模板进行匹配,最后选最佳匹配作为结果。由于这种匹配算法稳定性较差、时间花费 也较大,因此在此基础上提出了基于关键点的匹配算法。此算法先对待识别字符进行关
7

沈阳建筑大学城市建设学院毕业设计(论文)

键点提取,然后对关键点去噪,最后再确定字符的分类。这种匹配算法只利用了字符的 关键点进行匹配,因此提高了识别速度又具有较高的识别率。基于人工神经网络的算法 主要有两种:一种是先对待识别字符进行特征提取,然后用所获得的特征来训练神经网 络分类器;另一种方法是直接把待处理图像输入网络,由网络自动实现特征提取直至识 别出结果。前一种方法识别结果与特征提取有关,而特征提取比较耗时,因此特征提取 是关键。 后一种方法无须特征提取和模板匹配, 随着相关技术的进步, 这种方法更实用。 汽车牌照自动识别系统中的关键技术车牌区域定位技术和字符分割与字符识别技术现 今发展都日趋成熟,且算法比较多。目前在实际应用中,车牌区域定位算法大多将自适 应边界搜索法和灰度图像数学形态学运算法结合起来使用,以提高定位的精度;车牌字 符识别算法大多采用运算速度较快的人工神经网络算法。每一种算法均有其优缺点,只 有经过工程实际检验的算法,才是最佳的算法。

3.5 图像边缘检测
边缘检测是为了检测出图像的边缘,而非边缘区域将被去掉。本文将梯度边缘增强 引入到二值化图像中,也就是说,在图像中亮度没有发生突变的区域,将会变黑。公式 如下:

3-5-1

其中 B(i,j)表示二值化图像每点所对应的象素的二值化亮度值,E(i,j)表示经过 边缘检测后新图像中每个点所对应象素的二值化亮度值。 这种方法将图像向右移一个象素,然后用原图像减去*移后的图像;再将图像向下 移一个象素,然后再用原图像减去*移后的图像。取两个*移后的结果的绝对值,然后 再相加。在二值化图像中,因为大于 1 的数也是显示白色,那么用这种方法对图像进行 边缘检测后,发生突变的地方在新图像中将为白色。这种边缘检测方法的优点是速度很 快,而且将存在边缘的地方在图像显示上都得到了加强。效果如图 3-3 所示。

8

沈阳建筑大学城市建设学院毕业设计(论文)

图 3-3 边缘检测

图像形态学处理及 3.6 图像形态学处理及区域筛选
车牌所在的区域含有丰富的边缘信息,而形态学的膨胀能使这些区域形成连通区 域,以便进一步筛选。假设图像为 X,结构元素为 S,膨胀的定义为:

3-6-1

普通的膨胀是扫描上面生成图像所有的象素,如果扫描的点为白色,那么则执行膨 胀命令,比如文献[6]中,就使用于该点右下角 m×n 矩形为膨胀结构元素,虽然这种方 法可以形成连通区域,但是很容易使一些单独存在的细小线段变粗,也就是说,对线段 多的图像效果可能不会太好。而本文膨胀算法能很好地处理以上情况,不会使图 3-4 中 无用细小线段变粗,而且能有效地消除细小线段。算法如下:

图3-4 图像形态学处理

第(1)步是垂直方向的膨胀效果如上图 a 所示,第(2)步如上图 b 所示是水*方向的 膨胀。第(3)步将一些细小线段,方便以后的处理,如上图 c 所示。相比普通的膨胀算

9

沈阳建筑大学城市建设学院毕业设计(论文)

法,这种膨胀算法可以最大限度地消除无效膨胀,并不是任何白象素点都会进行膨胀处 理,而是在周围一定范围内存在其他白象素点才会再膨胀。

3.7 CCR
CCR(Connetcted Components Analysis)首先对连通区域标号,然后通过连通区域 的筛选,最终得出几个车牌的候选区域。在连通区域的判决过程中,主要是根据车牌图 像的特征参数来决定是否保留。 车牌在膨胀后图像中的特性为: 车牌区域的白象素密度高。 横边比纵边长。中国车牌的长宽比为 40:14,经过形变后,一般会小于这个值。 根据以上特性,CCR 的算法如下: 扫描图 P2,如果碰到的目标象素的白象素点,有编号且为 label,记录其的标号, 然后进入(2)。 继续扫描 P2,只有所扫描的点标号为(1)步中所记录下的标号,才开始判决,并同 时记录下连通区域最左最右的横坐标和最上最下的纵坐标, 并保存在 Xmin, Xmax, Ymin, Ymax。而且,每扫描一个目标点,则白象素点的个数 number 自动加 1。 如果|Xmin-Xmax|<|Ymin-Ymax|,或者|Xmin-Xmax|/|Ymin-Ymax|>3。那么这个区 域为非车牌区域。 如果 number/(XX*YY)<M, 那么这个连通区域也不是车牌区域。 其中 XX=Xmax-Xmin, YY=Ymax-Ymin。M 一般为 0.8 以上,因为经过本文中的几步膨胀,车牌区域内的门象素 所占百分比一般很高。 label 自加 1,并跳到(2)。直到所有连通区域都经过以上几步以后才结束。设最后 生成图像 P3,如图 d 所示。

3.8 蒙板判决
在几何理论中,连通区域的宏观形态可以用他的*诵灾世春饬俊3毫鸦蛘吲そ 外,在任何变形下不改变的图像性质为*诵灾省6枷竦牧ㄐ院颓虻目斩词峭 扑性质。欧拉数是一种区域的*嗣枋龇枋龅氖乔虻牧ㄐ小6砸桓龈*面区 域来说,区域内的连通组元(其中任何两点可用完全在内部的曲线相连接的点集合)的个 数 C 盒区域内的孔数 H 都是常用的*诵灾剩强杀唤徊接美炊ㄒ迮防(Euler number),E=C-H。
10

沈阳建筑大学城市建设学院毕业设计(论文)

经过处理,图像最后只剩下一些车牌的候选区域,可能有很多只是连通区域类似于 车牌区域,而且这些连通区域只有白色和黑色,如果把 P3 与最初生成的二值图像取交 集,那么只有类似车牌的区域图像是有效的,然后再去分析每个区域内的欧拉数就可以 了,这种处理叫做蒙板处理。根据文献[8]中的理论,当某一区域的欧拉数大于 3 的时 候,就可以当作车牌区域,所以计算候选区域内的欧拉数如果小于 3 则不是车牌区域。 不过,中国的情况与欧洲不同,欧洲的车牌全部由字母组成,也就是说,中国的车牌的 欧拉数会大于欧洲的,所以当设置蒙板筛选欧拉数阈值条件时,可以设置大一些,根据 大量的实验, 可以得知, 中同的二值化车牌欧拉数一般大于 8。 具体方法可参考文献[8]。 综上所述,车牌分割是车牌识别系统中一个很重要的环节,这个步骤的成功与否直 接影响车牌识别的效果。总之,本文算法能较好地对车*凶急付ㄎ患胺指睿芪 牌识别系统提供可靠的保障。

第四章 牌照图像的提取
11

沈阳建筑大学城市建设学院毕业设计(论文)

牌照图像提取的核心就是车牌区域的提取和字符的分割。本章详细介绍了利用 MATLAB 语言对这牌区域的定位提取和字符的分割等方面的处理。

4.1 车牌区域提取 4.1.1 车牌的分割

从车辆图像中正确分割出牌照区域是牌照识别中最为关键的步骤之一。 所谓图像分割, 就是根据目标与背景的先验知识, 对图像中的目标和背景进行标记、 定位,然后将待识别的目标从背景或其他伪目标中分离出来。图像分割是图像提取的重 要组成部分,只有有效的完成分割,才能进一步提取目标特征并识别目标。在这里目标 就是车辆牌照,所有的车辆牌照都具有一些共同特征。 图像上有大量长短不一、类似直线与长方形的区域,还有一些灰度特征类似于文字 区域的汽车厂商标志区域,如奥迪车类似于 4 个 O 组成的标志。牌照文字周围有一个类 似于长方形的边框,其厚度不一,而且有断裂处,有时候弯曲度比较大。文字大小统一, 排列成行,由于拍摄原因,有一定程度的倾斜,文字与背景之间有明显对度对比。 根据处理牌照的类似性和特点,有多种牌照分割方法,如字符竖向纹理统计、彩色 分类、神经网络、矢量量化、模板匹配等。然而,由于汽车图像往往是在复杂的自然环 境中得到的,所以很多分离方法都会失去作用。据统计,字符竖向纹理统计的分割方法 能够对各类牌照图像实现很好的分割效果。

4.1.2

车牌的定位

车牌提取技术主要是将车牌图像部分从有背景的图片中分离出来的过程。由于整个 图像车牌部分的字符颜色和车牌背景颜色差别很大,其灰度级分布有一定的规律和范 围,并且车牌的高度具有一定的比例,因此可以将车牌从背景图片中分离出来。提取车 牌可以采用如下方法: 定牌照上下的边界的算法描述。首先设定门限为 127,设定检测阈值为 15(依据经 验得到),然后对图像自上而下进行扫描,若某一行的 0→1 和 1→0 变化次数大于该阈 值,则设其为待测车牌的最低点,继续扫描直至 0→1 和 1→0 变化次数小于阈值,将该 阈值设为待测车牌的最高点。若最高点与做低点之差大于 15,则认为目标已检测到,否 则继续进行扫描;如果未检测到符合上述条件的目标,则自动调整门限值重复以上的操 作,直到找到目标为止。

12

沈阳建筑大学城市建设学院毕业设计(论文)

定牌照左右边界的算法描述。在找到车牌的上下限后,利用二值图像在竖直方向上 的投影作为特征,从左至右寻找目标的中心点坐标。考察以前所得的目标高度作为边长 的正方形区域。

4.2 车牌区域提取的 MATLAB 实现
车牌分割是车牌识别中比较重要的一个环节。如何准确而迅速地找出车牌的位置,一 直是个热门话题,目前提出来的研究方法也很多,主要是基于灰度特征分析的方法,因 为基于彩色信息的方法计算量大并且受图像亮度影响大。比较成熟的有统计的投影直方 图,使用 Hough 变换检测边缘,小波分析等。统计投影直方图法虽然简单,但是效果最 差;Hough 检测边缘的方法速度较快,但不能应对车牌有形变的情况;小波分析的方法 技术含量最高,但运算量大,速度最慢。本文提出一种二值化图像梯度边缘检测法,并 在 Matlab 中实现。该方法可以快速地对车牌区域进行定位,并将其分割出来。流程如 图 4-1 所示。

图 4-1 车牌分割流程

(1)图像二值化 一般的车牌识别,预处理都是基于灰度图的,但是在通常情况下,车牌所在位置是亮 度较高的区域。如果设置一个比较恰当的阈值,就可以生成一个含有车牌信息的二值化 图像,而在二值化图像的情况下运算,计算量将大大减少。具体方法如下:

4-2-1

其中 g(x,y)为图像中某一象素点的亮度。T 为设置好的阈值,而阈值的确定是二值化 的重点,本文采用 Sauvola 阈值分割法。T 的设定将不是单一的按照亮度来决定,而图 像的层次、*均亮度、纹理特征以及图像的逻辑构成都会影响 T 的大小,即使是污染严 重而且是光照不好的图像也能很好地进行二值化处理。这种方法将是以象素点(x,y)为
13

沈阳建筑大学城市建设学院毕业设计(论文)

中心的 b×b 窗口内求出亮度*均值和方差并经过一定运算求出 T。如下式:

4-2-2

其中 m(x,y)和σ(x,y)为需要求出的*均值和方差。根据文献[4]中该公式可设定为 K=0.5,R=128,b=10。效果如图 4-2 所示。

4-2 图像二值化

(2) 图像边缘检测 边缘检测是为了检测出图像的边缘,而非边缘区域将被去掉。本文将文献[5]中的梯度 边缘增强引入到二值化图像中,也就是说,在图像中亮度没有发生突变的区域,将会变 黑。公式如下: 4-2-3

其中 B(i,j)表示二值化图像每点所对应的象素的二值化亮度值,E(i,j)表示经过边缘 检测后新图像中每个点所对应象素的二值化亮度值。 这种方法的原理与文献[5]中的原理相似.先将图像向右移一个象素,然后用原图像减 去*移后的图像;再将图像向下移一个象素,然后再用原图像减去*移后的图像。取两 个*移后的结果的绝对值,然后再相加。在二值化图像中,因为大于 1 的数也是显示白 色,那么用这种方法对图像进行边缘检测后,发生突变的地方在新图像中将为白色。这 种边缘检测方法的优点是速度很快,而且将存在边缘的地方在图像显示上都得到了加 强。效果如图 4-3 所示。
14

沈阳建筑大学城市建设学院毕业设计(论文)

4-3 边缘检测

第五章 字符识别
本章 介绍了字符识别的各种方法,重点讨论了用神经网络方法对车牌照字符的识
15

沈阳建筑大学城市建设学院毕业设计(论文)

别,用 MATLAB 完成了对车牌照数字识别的模拟,最后给出实验结果。

5.1 引言
字符识别是模式识别领域的一项传统的课题,这是因为字符识别不是一个孤立的问 题,而是模式识别领域中大多数课题都会遇到的基本问题,并且在不同的课题中,由于 具体的条件不同, 解决的方法也不尽相同, 因而字符识别的研究仍具有理论和实践意义。 这里讨论的是用神经网络识别数字的问题. 人工神经网络模式识别方法是*些年提出的新方法,为字符识别研究提供了一种新 手段,它具有一些传统技术所没有的优点:良好的容错能力、分类能力强、并行处理能 力和自学*能力。因而,采用神经网络识别方式是一种很好的选择。

5.2 模式识别方法的比较
针对模式特征的不同选择及其判别决策方法的不同,可将模式识别方法大致分为 5 大类。这 5 种识别方法均可实现字符识别,但它们特点不同,必须根据条件进行选择。 统计模式法:对已知类别的模式样本进行各种特征的提取和分析,选取对分类有利的特 征,并对其统计均值等按已知类别分别进行学*,按贝叶斯最小误差准则,根据以上统 计特征设计出一个分类误差最小的决策超*面,识别过程就是对未知模式进行相同的特 征提取和分类, 通过决策*面方程决定该特征相应的模式所属的类别。 此方法比较成熟, 能考虑干扰、 噪声等的影响, 识别模式基元能力强。 但对结构复杂的模式抽取特征困难; 不能反映模式的结构特征,难以描述模式的性质;难以从整体角度考虑识别问题。句法 结构方法:分为训练过程和识别过程:训练过程就是用已知结构信息的模式作为训练样 本,先识别出基元和它们之间的连接关系,并用字母符号表示它们,然后用构造句子的 方法来描述生成这些场景的过程,并由此推断出生成该场景的一种文法规则;识别过程 就是对未知结构的模式进行基元识别及其相互关系分析,然后用训练过程中获得的文法 对其作句法分析,如果它能被已知结构信息的文法分析出来,则该模式具有与该文法相 同的结构,否则就可判定不是这种结构。此方法识别方便,可从简单的基元开始,由简 至繁;能反映模式的结构特征,能描述模式的性质,对图像畸变的抗干扰能力较强,但 当存在干扰及噪声时,抽取基元困难,且易失误。逻辑特征法:就是其特征的选择对一 类模式识别问题来说是独一无二的,即在一类问题中只有 1 个模式具有某 1 种(或某 1 组合的)逻辑特征,此方法建立了关于知识表示及组织,目标搜索及匹配的完整体系; 对需通过众多规则的推理达到识别目标的问题,有很好的效果,但当样品有缺损,背景
16

沈阳建筑大学城市建设学院毕业设计(论文)

不清晰,规则不明确甚至有歧义时,效果不好。模糊模式方法:就是在模式识别过程中 引入了模糊集的概念,由于隶属度函数作为样品与模板相似程度的量度,故能反映整体 的、主要的特性,模糊模式有相当程度的抗干扰与畸变,从而允许样品有相当程度的干 扰与畸变,但准确合理的隶属度函数往往难以建立。目前有学者在研究,并将其引入神 经网络方法形成模糊神经网络识别系统。神经网络方法:就是使用人工神经网络方法实 现模式识别。 可处理一些环境信息十分复杂, 背景知识不清楚, 推理规则不明确的问题, 允许样品有较大的缺损、畸变,神经网络方法的缺点是其模型在不断丰富完善中,目前 能识别的模式类还不够多, 神经网络方法允许样品有较大的缺损和畸变, 其运行速度快, 自适应性能好,具有较高的分辨率。

5.3 神经网络字符识别系统
神经网络的字符识别系统是神经网络模式识别系统的一种,原理是一致的。一般神 经网络字符识别系统由预处理,特征提取和神经网络分类器组成。预处理就是将原始数 据中的无用信息删除,*滑,二值化和进行幅度归一化等。神经网络字符识别系统中的 特征提取部分不一定存在,这样就分为两大类:有特征提取部分的:这一类系统实际上 是传统方法与神经网络方法技术的结合,这种方法可以充分利用人的经验来获取模式特 征以及神经网络分类能力来识别字符。特征提取必须能反应整个字符的特征。但它的抗 干扰能力不如第 2 类。无特征提取部分的:省去特征抽取,整个字符直接作为神经网络 的输入(有人称此种方式是使用字符网格特征) ,这种方式下,系统的神经网络结构的 复杂度大大增加了,输入模式维数的增加导致了网络规模的庞大。此外,神经网络结构 需要完全自己消除模式变形的影响。但是网络的抗干扰性能好,识别率高。 构造神经网络分类器首先要选择适当的网络结构:神经网络分类器的输入就是数字 字符的特征向量;神经网络分类器的输出节点应该是字符数。10 个数字输出层就有个 10 个神经元,每个神经元代表一个数字;隐层数要选好,每层神经元数要合适,目前有 很多采用一层隐层的网络结构。然后要选择适当的学*算法,这样才会有很好的识别效 果。在学*阶段应该用大量的样本进行训练学*,通过样本的大量学*对神经网络的各 层网络的连接权值进行修正,使其对样本有正确的识别结果,这就像人记数字一样,网 络中的神经元就像是人脑细胞,权值的改变就像是人脑细胞的相互作用的改变,神经网 络在样本学*中就像人记数字一样,学*样本时的网络权值调整就相当于人记住各个数 字的形象,网络权值就是网络记住的内容,网络学*阶段就像人由不认识数字到认识数

17

沈阳建筑大学城市建设学院毕业设计(论文)

字反复学*过程是一样的。神经网络是按整个特征向量的整体来记忆数字的,只要大多 数特征符合曾学*过的样本就可识别为同一字符,所以当样本存在较大噪声时神经网络 分类器仍可正确识别。在字符识别阶段,只要将输入进行预处理,特征提取后的特征向 量作为神经网络分类器的输入,经过网络的计算,分类器的输出就是识别结果。

5.4 BP 神经网络
这里我们采用 BP 神经网络来进行车辆字符的识别。BP 网络是采用 Widrow-Hoff 学 *算法和非线性可微转移函数的多层网络。一个典型的 BP 网络采用的是梯度下降算法, 也就是 Widrow-Hoff 算法所规定的。backpropagation 就是指的为非线性多层网络计算 梯度的方法。一个典型的 BP 网络结构如图 5-4-1 所示:

图 5-1 BP 网络结构图

我们将它用向量图表示如图 5-2 所示:

图 5-2 BP 网络向量图

18

沈阳建筑大学城市建设学院毕业设计(论文)

其中:对于第 k 个模式对,输出层单元的 j 的加权输入为

,该单元

的实际输出为

,而隐含层单元 i 的加权输入为

,该单元的

实际输出为

,函数 f 为可微分递减函数



5.5 车牌数字识别
我采用 Matlab 来模拟用神经网络进行车牌照数字识别这一过程。作为对比,一种 采用提取特征部分的方法,一组采用无特征部分提取的方法。 提取特征法采用投影-变换系数法进行特征提取。设N为图形尺寸,g(x)和g (y) 分别是图形在X轴和Y轴上的投影, 对它们进行 Fourier 变换得到 K 个变换系数, 从 K 个变换系数 gk(k=0,1,2,…,K-1)中选出 M 个有代表性的特征,使它满足类 间距离要大、类内距离要小,这里选出 16 个作为有代表性的特征作为网络输入。 由于神经网络对图形的旋转、*移敏感,车牌照数字的获取中不可避免的存在这一 类问题,所以即使是采用无特征部分提取的时候,也要对图形进行处理,这里对图形矩 阵进行二维 fft 变换,分别得到矩阵的幅值和相值,通过实验可知网络对变换矩阵的相 值收敛性好,因此这里取矩阵的相值作为网络输入。 我取了 0-9 共十个数字作为待识别数,每个数字取 6 个样本进行训练,共有 60 个 训练样本,另取 10 个样本作为识别样本。神经网络采用三层结构,提取特征法有 16 个 输入,隐含层取 24 个神经元,输出为十个,无特征提取法有 16X16 个输入,隐含层取 24 个神经元,输出也为 10 个,取最大输出端对应的数字作为识别结果,如果所有输出 端的结果都小于 0.5,则认为系统无法识别。其收敛波形两种不同方法的收敛速度,采 用无特征提取法要快的多,但是由于其网络规模要比特整体取法大,每一次训练所耗时 间要长,所以总的训练时间两者相差不多。识别样本和识别结果示例如附录所示。根据 结果来看, 采用无特征提取得到字符识别率为 84.3%,采用有特征提取得到的字符识别率 为 92.9%,后者明显高于前者。如要进提高识别率,可以考虑改良特征值的提取,采集更 多的样本进行训练及改善网络结构。

第六章 车牌识别系统实现
19

沈阳建筑大学城市建设学院毕业设计(论文)

6.1 车牌图像提取
本章中我们主要是通过程序运行来实现车牌识别系统,根据程序运行的步骤一步步将车 牌从我们拍摄的照片中提取、处理、分割并通过字符识别最终识别出车牌。系统图形界 面设计如下图:

图 6-1 车牌识别程序

首先设计GUI面板 gcf = figure(1); % 定义GUI面板 scrsz = get(0,'ScreenSize'); %定义屏幕宽度 set(gcf, 'Position', [0 0 scrsz(3) scrsz(4)/1.1]); set(gcf,'color','white'); 在GUI上显示四个图 display_picture('internal_images/title.jpg',1,'',1, 1); display_picture('internal_images/title2.jpg',1,'',2, 1); display_picture('internal_images/title3.jpg',1,'',3, 1);
20

沈阳建筑大学城市建设学院毕业设计(论文)

display_picture('internal_images/title4.jpg',1,'',4, 2);

图6-2 车牌识别系统GUI面板

编写主函数 function go(image, imName) display_picture(image, 1, strcat('Captured Frame: 口显示一张待识别的图片 ', imName), 1);在第一个窗

图 6-3 待识别图像

上图为该系统中我们要进行车牌识别的车辆照片,首先先对图片进行处理,对牌照
21

沈阳建筑大学城市建设学院毕业设计(论文)

定位。牌照定位是在预处理后的灰度图象中确定牌照的具体位置,并将包含牌照字符的 子图象从整个图象划分出来,供字符识别系统识别。 车牌的定位方法主要有3种。 基于边缘检测的车牌定位方法 首先运用Canon边缘算子在全图范围检测边缘,然后利用Hough变换搜索与竖直投 影重叠的水*直线,定位车牌上下边界,最后在得到的水*直线附*搜索竖直直线定位 车牌的左右边界,从而定位车牌区域。基于边缘检测的定位方法的优点是定位准确,但 是受车牌变形和边缘短列的影响大,运算时间长,且车牌的边缘容易和背景上的车窗、 树木的边缘混淆。 基于水*方向灰度变化的车牌定位方法 首先,利用车牌区域水*灰度高于背景的特点对图象二值化;然后,在二值图上搜 索连通域,并根据连通域的集合特征定位车辆区域。方法(2)要比方法(1)的效果好, 速度快,漏检率低,但不能够准确地定位车牌的边界,很难与背景文字、车灯等同样灰 度变化明显的区域区分开。 基于彩色特征的车牌定位方法 该方法定位比较准确,漏检率低,但是在车牌倾斜和变形的情况下无法准确确定牌 照的位置,容易和背景上的相似颜色区域相混淆。另外,在车牌定位中还有其他多种方 法,如形态滤波法、模糊C类算法、模糊聚类法及神经网络法等。 本文使用以上的第二种方法。 function [y_image] = extract_yellow_region(image); 用CIE-XYZ色彩系检测黄色区域,返回显示黄色区域的黑白二值图像 把RGB转换成CIE-XYZ x = ( pic(:,:,1).*0.412453 + pic(:,:,2).*0.35758 + pic(:,:,3).* 0.180423); y = ( pic(:,:,1).*0.212671 + pic(:,:,2).*0.715160 + pic(:,:,3).* 0.072169); z = ( pic(:,:,1).*0.019334 + pic(:,:,2).*0.119193 + pic(:,:,3).*0.950227); sum = x + y + z; x_bar = x./sum; y_bar = y./sum; 在CIE-XYZ图像中找出黄色区域 x_sum_conds = ( ((x_bar > 0.34) & (sum > 400) & (sum < 500) ) | ((x_bar > 0.37)
22

沈阳建筑大学城市建设学院毕业设计(论文)

& (sum > 200) & (sum < 500)) ); xy_conds = ( (y_bar > 0.35) & (y_bar < 0.5) & (y_bar > (lower_A*x_bar + lower_B)) & (y_bar < (upper_A*x_bar + upper_B)) ); y_image = (x_sum_conds & xy_conds); return; [bw, crop] = extract_LP(image);从图片中提取车牌黄色区域 seg = character_segmentation(bw); 返回一个车牌的二值图像,并进行区域膨胀处理, 使其邻*像素非连通区域连在一起。

图6-4 黄色区域提取

图6-5 像素点膨胀

[angle, lines] = find_angle(lp_area); pic = imrotate(yellow_pic(y:y2, x:x2), angle, 'bilinear');

由于摄像机的位置、车辆的运动等因素经常使拍摄出来的汽车图象有一定的倾斜,这就 需要对图象进行水*校正,或者杂分割出车牌区域之后对字符水*校正。下图是对车牌 进行倾斜矫正,计算倾角,并在车牌上方画一条线,然后进行旋转。

23

沈阳建筑大学城市建设学院毕业设计(论文)

图 6-6 选取车牌大致区域并检测车牌是否倾斜

图 6-7 对倾斜车*行U

对图像再次提取黄色区域并进行膨胀

图 6-8 提取黄色区域

图 6-9

对黄色区域膨胀处理

下面进行车牌图象切割,在分割之前首先对图像进行针对性的处理,即要对图像进 行二值化处理,它的实质是将图像中的每个像素按一定规则进行分类,也就是将图像转 化成只有 2 个等级(黑,白、)的二值图像。经过牌照字符图像的二值化,得到的是一个 只包含牌照字符的水*条形区域。

图 6-10 更精确的定位车牌区域

24

沈阳建筑大学城市建设学院毕业设计(论文)

经过校正后的车牌区域

图 6-11 去掉车牌边缘区域

把彩色图像转换灰度图像

图 6-12 把图像进行灰度化处理

对图像进行图象增强。由于车派识别系统需要全天候工作,自然光照度的昼夜变化会引 起汽车图象对比度的严重不足,所以增强图象是很必要的。

图 6-13 对图像进行增强处理

对图像二值化处理

25

沈阳建筑大学城市建设学院毕业设计(论文)

图 6-14 二值化处理

然后对图像进行反色变换

图 6-15 反色变换图

对车牌轮廓进行校正

图 6-16 车牌图像水*方向上的投影

26

沈阳建筑大学城市建设学院毕业设计(论文)

图 6-17 对车*徊叫U

6.2 车牌图象切割
字符分割可采用垂直投影法。由于字符块在垂直方向上的投影必然在字符间的间隙 处取得局部最小值,因此字符的正确分割位置应该在上述最小值附*,并且这个位置应 满足车睥的字符书写格式、字符尺寸限制和其他一些条件。垂直投影法处理过程是,对 已切割出来的车牌在水*方向上从左至右检测各坐标的投影数值。检测到第一个投影值 不为 0 的坐标可视为首字符的左边界,从该坐标向右检测到的第一个投影值为 0 的坐标 可视为首字符的右边界,其余字符的边界坐标同理可得。

图 6-18 车牌图像垂直方向上的投影

27

沈阳建筑大学城市建设学院毕业设计(论文)

图 6-19 车牌图像水*方向上的投影

为了进行字符识别,需要将牌照字符从二值化图像中分割出来。

图 6-20 分割后数字

图 6-21 进行膨胀处理

6.3 字符识别
车牌字符识别目前最常用的方法是基于模板匹配和神经网络的方法。模版匹配方法 是一种经典的模式识别方法,首先对待识字符进行二值化,并归一化为模版的大小,最 后选最佳匹配作为分类结果。模版匹配方法的缺点是抗干扰能力差,识别率低,任何有 关光照、字符清晰度和大小的变化都会影响模板匹配的正确率。神经网络理论自 20 世
28

沈阳建筑大学城市建设学院毕业设计(论文)

纪中叶提出以来,取得了一系列的研究成果。*年来,随着计算机技术和非线性科学的 发展,神经网络理论的研究又进入一个新的高潮。其应用已经渗透到各个领域,并取得 巨大进步。神经网络所具有的信息分布式存储、大规模自适应并行处理,以及高度的容 错性等是它们用于模式识别的基础,特别是其具有学*能力和容错能力,对不确定模式 识别具有独到之处。 用神经网络进行字符识别,主要有 2 种方法。 首先对待识别字符进行特征提取,然后用所获得的特征训练神经网络,这种网络的 识别效果与字符特征的提取有关,而字符的特征提取往往比较耗时。充分和用神经网络 的特点,直接把待处理图像输入网络,由网络自动实现特征提取直至识别。这种网络互 联较多,待处理信息量大。下面给出一个字符识别的实倒,采用先提取字符特征,然后 根据字符的特征矩阵构建神经网络,再用理想样本训练神经网络,最终实现对字符的识 别。神经网络的方法具有抗噪声,容错、自适应、自学*能力强等优点;硅预处理和识 别于一体,而且识别速度侠,因而受到人们的广泛重视,在车辆牌照识别系统技术中也 得到了广泛应用。字符识别部分一般分为预处理、特征提取和神经网络构建组成,其中 预处理就是将原始数据中的无用信息删除,并对数据进行*滑等。在众多环境中.特征 提取、神经网络构建是整个识别的核心。特征提取必须能反映整个字符的特征。神经网 络的输入是字符的特征向量,输出结果是文本格式的字符信息。

图 6-22 图像调整

图 6-23 图形归一化

图 6-24 OCR 识别

29

沈阳建筑大学城市建设学院毕业设计(论文)

图 6-25 输出结果界面

30

沈阳建筑大学城市建设学院毕业设计(论文)

第七章 技术经济分析
随着社会经济的发展.汽车数量的急剧增加,对交通控制.安全管理.收费管理的要 求也日益提高,运用电子信息技术实现安全.以下列举了几种应用方式: 监测报警。对于纳入"黑名单"的车辆,例如:被通缉或挂失的车辆,欠交费车辆,未年 检车辆,肇事逃逸及违章车辆等,只需要将车牌号码输入到应用系统中,车牌识别设备安 装于指定的路口,卡口或由执法人员随时携带按需要放置,系统将识读所有通过车辆的 车牌号码并与系统中的名单比对,一旦发现指定车辆立即发出报警信息,系统可以全天 不间断工作,不会疲劳,错误率级底。可以适应高速行驶的车辆;可以在车辆行驶过程中 完成任务不影响正常交通;整个监视过程中司机也不会察觉,保密性高.这种系统应用将 极大的提高执法效率。 超速违章处罚。车牌识别技术结合测速设备可以用于车辆超速违章处罚,一般用于 高速公路.具体应用是:在路上设置测速检测点,抓拍超速的车辆并识别车牌号码,将违 章车辆的车牌号码及图片发往各出口;在出口设置处罚点,用车牌识别设备识别通过车 辆并将号码与已经收到的超速车量的号码自动比对,一旦号码相同即启动警示设备通知 执法人员处理.与传统的超速检测方法相比,这种应用可以节省警力,降低执法人员的工 作强度,而且安全,高效,隐蔽,司机需时刻提醒自己不能超速,极大的减少了因超速引发 的事故,让司机朋友们及时了解自己所犯的错误。 车辆出入管理。将车牌识别设备安装于出入口,记录车辆的车牌号码,出入时间,并 与自动门,栏杆机的控*岷,实现车辆的自动管理.应用于停车场可以实现自动计时收 费,也可以自动计算可用车位数量并给出提示,实现停车收费的自动管理,节省人力,提 高效率。应用于智能小区可以自动辨别驶入车辆是否属于本小区,对非内部车辆实现自 动计时收费。在一些单位这种应用还可以同车辆调度系统相结合,自动的,客观的记录本 单位车辆的出车情况。 自动放行,将指定的车牌信息输入系统,系统自动的识别经过车辆的车牌并查询内 部数据库,对于需要自动放行的车辆系统驱动电子门或栏杆机让其通过,对于其它车辆 系统会给出警示,由值勤人员处理.可用于特殊单位(如军事管理区,保密单位,重点保 护单位等)。路桥收费卡口,高级住宅区等。 高速公路收费管理。在高速路的各个出入口安装车牌识别设备,车辆驶入时识别车 辆车*肟谧柿洗嫒胧辗严低,车辆到达出口时再次识别其车牌并根据车牌信息调用
31

沈阳建筑大学城市建设学院毕业设计(论文)

入口资料,结合出入口资料实现收费管理.这种应用可以实现自动计费并可防止作弊,避 免了应收款的流失.目前,高速路已经开始实行联网收费,随着联网范围的扩大,不同车 型的收费差额也越来越高,司机利用现有收费系统的漏洞通过中途换卡进行逃费的问题 也将越来越突出,利用车牌识别技术是解决此类问题的根本方法。 计算车辆旅行时间。在交通管理系统中可以通过计算车辆在某条道路的*均旅行时 间来作为判断该道路的拥堵情况的一个参数.安装车牌识别设备于道路的起止点,识别 所有通过车辆并将车牌号码传回交通指挥中心,指挥中心的管理系统会根据这些结果就 可计算出车辆的*均旅行时间及是否超速。 车牌号码自动登记。交通监管部门每天都要处理大量的违章车辆的图片,一般由人 工识别车牌号码输入管理系统,这种方式工作量大,容易疲劳误判.采用自动识别可以减 少人的工作强度并且大幅度提高速度和效率.这种功能可以用于电子警察系统,道路监 控系统等。

32

沈阳建筑大学城市建设学院毕业设计(论文)

第八章 总结
车牌识别(LPR,License Plate Recognition)技术的任务是处理、分析摄取的汽 车图象,实现车牌号码的自动识别.典型的车辆牌照识别系统是有图象采集系统、中央处 理器、识别系统组成,一般还要连接响应的数据库以完成设定的功能.当系统发现(通过 埋地线圈或者光束检测)有车通过时,则发出信号给图象采集系统,然后采集系统将得到 的图象输入识别系统进行识别,其识别结果应该是文本格式的汽车拍照号码. 整个系统实际是一种硬件和软件的继承.在硬件上,它需要集成可控照明灯、镜头、 图像采集模块、数字信号处理器、存储器、通信模块、单片机等;在软件上,它需要包括 车牌定位、车牌字符分割、车牌字符识别算法.车牌识别系统的听见是整个系统中的一 个十分关键的组成部分,它决定了软件所摄的图象的质量.现在繁荣硬件基本上采用了 嵌入式,照明、拍摄、图象采集、车牌辩识算法及通信模块都集成在一起,做为一个整体 设备加以设计和实现.它主要是基于 2 大关键技术;光段耦合器件和数字信号处理器.其 中前者于擦车辆图象;后者用于运行算法.车牌识别大体可氛围 4 个步骤:图象预处理、 车派定位和分割、车牌字符分割和车牌字符识别.而这 4 个步骤又可以归结为 2 大部分, 即车牌分割和车牌字符识别. 通过对车牌识别系统的总结,使我对该领域的一些东西有了一个比较深入的了解。 车牌自动识别技术是指能够检测到受监控路面的车辆并自动提取车辆车牌信息进行处 理的技术. 车牌自动识别系统的基本构成,特点和关键技术,分析了车牌图像识别这一 关键技术的发展状况,目前所能达到的技术指标及存在的问题,阐述了该项技术在交通 管理,路桥自动收费,汽车防盗,交通路径引导和城市安全监控等方面的作用和应用前 景高效的智能交通成为交通管理的主要发展方向.汽车车牌号码是车辆的唯一身份标识, 车牌自动识别技术可以在汽车不做任何改动的情况下实现汽车身份的自动登记及验证, 这项技术已经应用于公路收费,停车管理,交通诱导,交通执法,公路稽查,车辆调度,车 辆检测等各种场合. 车牌识别技术的根本性在于自动识读出车辆的唯一身份证,车牌号 码,是车辆管理的直观依据,对车辆车牌的直接识别,符合车辆管理的需要,同时,由 于不需要被识别车辆主动参与,管理全面、与法律无冲突,摆脱了人工查看图片识读车 牌号码的工作, 由于这一智能化的技术, 顿时使车辆管理的技术水*跨上了一个新台阶, 虽然任何车辆管理系统最终都不可能完全摆脱人的参与,但毕竟在降低人工劳动强度、 提高管理效率、增加管理的客观性方面起到了巨大的推动作用。

33

沈阳建筑大学城市建设学院毕业设计(论文)

参考文献
[1] 潘松,黄继业. EDA 技术与 VHDL. 清华大学出版社. 2005 年 7 月:1~112 [2] 谭会生,EDA技术及应用. 西安电子科技大学出版社. 2005年7月:20~35 [3] Donald E. Knuth. The Art of Computer Programming Vol. 3. ADDISON-WESLEY PUBLISHING COMPANY. 1973 [4] Donald E. Knuth. The Art of Computer Programming Vol. 1. ADDISON-WESLEY PUBLISHING COMPANY:1973 [5] Quartus II Help Version 6.0 , Copyright? 1995-2006 Altera Corporation [6] 王慧琴. 数字图像处理. 北京邮电大学出版社。2006 年 11 月:87~97 [7] 数字信号处理原理及其 MATLAB 实现.王宏志.电子工业出版社 2005 年 7 月:42~78 [8] 余成波.数字图像处理及 MATLAB 实现,重庆大学出版社。2003 年 5 月:55~102

34

沈阳建筑大学城市建设学院毕业设计(论文)

致谢
大学四年的学*、生活很快就要过去了,一直渴望有一次机会将自己所学与实际真 正结合,而对毕业设计的调研、创作、实践正给了我此次机会。于是经老师细心的引导, 并尽自己最大努力完成此文以此来感谢老师的摘培。 四年经历,四年所学无疑是我以往在任何学*阶段都无法得到的,老师们的谆谆教 导,吃苦耐劳,十年如一日的耐心指教,无不令我感动,他们掌握着我们专业最前沿的 知识并及时的将其传授给我们,毫无保留。他们教会我们的并不仅仅是知识,更是掌握 知识的方法。使我们了解事物时是通过外在了解本质,抓住事物的精髓。没有他们日复 一日德的苦心教导,哪能有我们以后成为国家栋梁之材的机会呢!所以再此深鞠一躬表 诚挚的感谢! 尤其要提到的老师是带我毕业设计的曾子铭老师,他作为一个有相当学识的人,从 不因其学识高而轻视任何学生,对我们循循善诱,耐心细致,言传身教,使本来对无线 网知之甚少的我们不但掌握了许多有关的知识,而且对无线技术也产生了浓厚的兴趣。 的确教导学生不是要让其必须记住哪些知识,而应让其发自内心主动去了解并带有强烈 的热情,我想曾老师在此方面作的就相当好,也许,毕业设计的内容会随着时间而被淡 忘,但曾老师对我们的帮助却永难忘却。 同时也要感谢院领导,各位老师及同学对我在校时的帮助,希望以后有所成就以汇 报各位老师,回报我的母校。

35




友情链接: