车牌识别毕业论文 - 图文(7)

边沿处，切除这一行以上或以下的所有行。以除去车牌的上边框和铆钉干扰为例，其算法思想为：设要处理的图片尺寸为m ×n，其中m 为行，n为列，取经验值9n/l0作为在行方向投影的门限值，从i=2m/3行开始往上逐行扫描，若该行在行方向上的投影j>9n/l0，就认为找到了字符的上边界为i+l行处，将从i开始的所有行全部切除。若没有找到符合条件的行，则认为无上边框干扰。

4.3.4 车牌精确定位

粗定位车牌成功后，在得到的车牌区域中除了车牌图像外还有其他一些背景信息，必须把这些背景信息过滤掉，得到只有车牌字符的图像才能进行车牌字符更精确的分割和识别。经倾斜矫正后，通过投影法搜索车牌边界。 1) 搜索车牌上下边界

车牌上下边界的提取将频率法和投影法结合起来使用。所谓投影法就是分析图像的纵横方向的投影值，来找到车牌的边界。求图像的行投影和列投影的公式分别为

fv?sum?i???x?i,j?, fh?sum?i???x?i,j?, （4-2）

i?1j?1式中，i和j分别为图像的行数和列数；fv?sum?i?，fh?sum?i?分别为图像水平投影和垂直投影的统计信息。根据投影特征，再结合频率分析和跳变次数，即可找到车牌的上下边界。 2) 搜索车牌左右边界

车牌区域在垂直投影上表现出不同的统计特征：真车牌区域的垂直投影有明显的峰一谷一峰的现象；由于车牌字符是7个，所以波峰数一般大于7个(假设字符灰度级高于车牌背景)；波峰与波峰、波谷与波谷之间的值相差不大。根据投影特征，再结合频率分析，即可找到车牌的左右边界。

车牌区域从粗定位、水平投影、垂直投影到精确定位的效果如下图所示。

1）粗定位 2）水平投影

3）垂直投影 4）精确定位

图4-6 车牌区域精确定位过程效果图

4.4 字符分割

采用灰度投影法对字符进行分割。此算法的思想是基于图像投影直方图即二值图像中的行或列与每行或每列的白色象素值的出现个数的统计关系中存在波峰波谷起伏变化，其中波谷可能就是相邻字符的间隔处。根据先验知识，标

准的车辆牌照有7个字符，首位为省名简称(汉字)，次位为英文字母，最后一位是汉字(挂)或英文字母或数字，其他位为英文字母或数字。考虑到汉字偏旁与部首之间投影后可能会出现一定的波谷，并且汉字与噪声之间也会存在波谷，因此采用投影法直接分割。即设置一个阈值，将投影之间波谷距离小于这个阈值的投影进行合并，从而使汉字偏旁和部首的投影进行合并。合并后，计算其第一个字符和最后一个字符的宽度，如果计算值大于车牌字符平均宽度的1.5倍，就认为是错误合并，则撤销合并以排除错误合并，避免将车牌边框的投影合并在字符中。对于其他5个字符，由于是数字和字母，其结构具有连通性的特点，所以采用数学形态学中连通域法对其进行分割。

字符分割流程如下图所示。

车牌图像 否 黄牌或白牌 是 反色 车牌区域投影 是 根据投影分割字符 汉字是否粘连、断裂 拆分、合并

图4-7字符分割流程图 否 车牌图像 分割效果如下图4-8所示。

a.吉C7T498分割总体效果 d.吉C6E597分割总体效果

b.图a的水平投影 e.图d的水平投影

c.图a的垂直投影 f.图d的垂直投影

图4-8分割效果图

4.5 字符识别

采用自适应性和学习能力强的BP神经网路对分割出的字符进行识别，其识别流程如下图4-9所示。

分割的字符 归一化

提取字符特是 第一个字符 汉字网络 是 第七个字符 否 汉字、字母、数字网络 分割的字符 分割的字符 图4-9字符识别流程图 4.5.1 BP神经网络分类器的设计和应用

车牌字符的分布是有规律的。根据车牌上字符分布的规律性，在系统中设计“汉字网络”，“数字、字母网络”及“汉字、字母、数字网络”等3个识别网络。

应用时，将第1个分割字符送到“汉字网络”，第7个文字送到“汉字、字母、数字网络”，其他字符送到“数字、字母网络”。

4.5.2 BP神经网络的设计

1) 初始权值的选取。初始权值直接影响神经网络收敛的速度，若选得不好，神经网络将处于饱和而导致难以收敛或陷入局部极小。在系统中，初始权值选取0～1之间均匀分布的随机值。

2) 输入层节点数的确定。将分割字符规格化为2O×16点阵大小的字符图像，故输入层神经元个数取320。

3) 输出层节点数的确定。输出层节点数和待识别的字符个数有关，系统中

需要识别50个汉字，1O个数字和25个字母(不包括字母I，因为车牌字符无字母I)。系统中采用字符的8421码来对识别字符进行编码，所以输出层节点数取7。

4) 隐含层节点数的确定。隐含层节点数少了，学习过程不收敛；隐含层节点数多了，网络的学习及推理效率变差。隐层节点数目选择的经验公式为

N?n?m?a，其中，N为隐层神经元个数，n 为输入层神经元个数，m 为输出层神经元个数，a为1～10之间的整数。取，n=320，m=7。另根据以往的经验，并对大量的实验结果进行分析、比较，知隐含层节点数为30时识别效果比较好，故取N=30。

5) 特征归一化。将输入的字符图像归一化为20×16点阵大小的字符图像，系统将归一化后的字符图像二值化，然后统一转化为黑底白字字符作为神经网络的输人特征。

4.5.3 训练样本的选取

在字符识别中，每一类字符所选取的训练样本必须能真实地反映该类字符的共同特征。车牌字符分割结果不理想时会出现分割字符不规范的观象，若为了追求字符识别而将不规范字符作为了训练样本，结果往往使网络虽然学会了该不规范字符，但对真正较正规的字符的识别率却下降了。因此，在系统中将字符分割后的图像显示出来(如下图所示)，如果分割效果比较好但识别不正确时再使用神经网络进行训练，这样可以达到系统兼容其他常见车牌分割字符识别的目的。当然，考虑到系统识别的其他因素，如车辆在静止或运动时分割出来的字符效果有差异，在系统中提供保存和读取不同网络连接权值的功能，以便在识别不同目标分割出的字符时进行切换训练文件来对分割字符精确识别。

图4-10 车牌分割效果示意图

4.5.4 BP网络的识别过程

对于一个训练好的网络，识别过程其实就是一个利用训练好的权值完成一次顺传播过程，然后在输出层得到一个识别结果。系统中输出层有7个节点，每个节点的输出结果都和一个待识别字符的编码相对应。字符编码采用8421码，如果节点的输出和字符编码相同，就认为输入的字符为该节点对应的字符。由于系统采用的激活函数Sigmoid函数的输出永远不可能等于0或者1，同时为了提高系统识别率，定义：当输出值≤0.1时，输出为0；而当输出值≥O.9时输出为1。

4.5.5 测试结果及分析

由车牌粗定位、精确定位，字符分割、字符识别综合生成车牌自动识别系

统。

利用车牌自动识别系统对在不同条件下高速公路处汽车通过的视频中获得的200张720×576像素的车牌图像进行测试，测试内容包括车牌粗定位、车牌精确定位、字符分割以及车牌字符识别。

粗定位时定位196张，定位率为98 ，每张图像定位处理时间改为80ms；字符分割成功183张，成功率为91．5％；每张图像车牌定位及字符分割处理和识别时间约为190 ms；绝大多数图像经一次粗定位搜索和一次精定位即可以比较准确地确定车牌区域。测试结果表明，基于纹理和颜色信息的综合车牌定位方法能准确地定位车牌，并且经过候选区域筛选后，使车牌区域搜索变得异常简单，计算量也相对减少。可以说，系统的各部分效果已经达到了应用要求。

结 论

高速公路、城市交通、停车场等基础设施建设水平的不断发展和车辆管理体制的不断完善，为以计算机视觉为基础的智能交通管理系统的实际应用提供了契机。在智能交通系统中，车牌自动识别系统是智能化交通系统非常重要的发展方向。从开始的收费辅助系统演变过来的车牌识别技术现在运用的领域是越来越广。它在车辆过路、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，维护交通安全和城市治安，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有重要作用，有重要的现实应用意义。

从MATLAB运行结果来看，该系统可有效检测车牌图像的上下左右边框、旋转角度，可以很好地完成车牌的定位、字符的分割和字符的识别。与传统的编程语言相比，工作量和开发周期都减少很多。但在实际应用中牌照识别系统的识别率还与图像拍摄质量的好坏有很大关系，同时还会受到各种因素干扰，

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说综合文库车牌识别毕业论文 - 图文(7)在线全文阅读。