基于单片机的车牌识别系统设计与实现

基于单片机的车牌识别系统设计与实现目录摘要2二、选题4三、系统主要特点5四、系统方案、实现原理 6 4.1 图像采集及存储格式8 4.2 图像的灰度化8 4.3 图像的二

值化9 4.4 车牌的去边框9 4.5 图像的梯度锐化10 4.6 字符分割算法11 4.7 字符的归一化12 4.8 字符特征提取13 4.9 字符识别算法15 4.9.1 BP 神经网络法15 4.9.2 模板匹配法17五、操作说明与硬件框图18六、实验程序19七、数据统计分析66八、结果分析66九、实验心得66十、参考文献69 摘要伴随着世界各国汽车数量急剧增加，城市交通状况日益引起人们的重视，如何有效地进行交通管理，已成为越来越多人关注的焦点，解决这些问题的关键就是建立智能交通系统。车牌识别是智能交通系统的重要组成部分，它在交通控制与监视中有着多种用途，目前已广泛应用于各种领域。本文将TMS320C54XX 作为核心器件用于车牌自动识别系统中，完成车牌图像的采集、数字图像的处理、提取车牌信息并针对提取的特征对字符进行识别。首先分析了车牌识别系统实现的背景以及其实现意义。然后对实现车牌识别的硬件环境作简要介绍。接着对车牌识别过程中所涉及的边缘检测、字符分割、大小归一化等一系列数字图象处理技术进行进一步的详细分析。之后，对几种字符特征提取算法进行了对比分析，最后选取最适合的网格特征提取法，以此为基础进行模扳匹配，最终识别出车牌号码。关键词：

车牌提取；图象处理；车牌识别；单片机；模扳匹配 2 Abstract With the increment of vehicle all over the world the situation of citytraffic has attracted the attention of people. How to control the trafficeffectively has become the problem which more and more people payclose attention to. The way to solve this problem is to establish theITS—Intelligent Transportation System .Vehicle license plate recognitionsystem is the crucial part of the ITS. It is widely used in vehiclemonitoring and traffic control. This experiment attempts to use the new generation DSP—DigitalSignal Processor to implement the recognition task. The DSP chipTMS320C54XX is used to process the picture of the vehicle distillinformation of the license plate and recognize the vehicle license plate.The first part of the thesis is about the background and meaning of thevehicle license plate recognition system. Consequently we analyze theenvironment of the experiment. In the next part we analysis thefundamental theory and technique of the image processing including thecollection of picture of vehicle distill of the license plate segmentationalgorithm of character. Then we put forward several methods to distill thefeature of the characters. On the basis of the above-mentioned researchwe make the template matching and recognize the characters.Keywords: Vehicle

License Plate Location Image Processing Character Recognition DSP template matching 3二、选题改革开放以来，我国的交通运输业迅速发展。但伴随着其发展，也出现了一系列问题，如交通堵塞、交通事故和环境污染等等。虽然可以靠建设更多的道路设施来满足交通运输增长的需求，但在资源、环境矛盾越来越突出的今天，道路设施的增长将受到限制，这就需要依靠提供除了设施以外的技术方法来满足这一要求。交通的迅速发展使得全世界的研究者不断采用先进的电子和

计算机视觉技术来检视超速车辆、掌握车辆行驶，或者用于收费站，以提高车辆的通过速度等等。智能运输系统ITSIntelligent Transportation Systems是解决这一矛盾

的途径之一，而车牌识别LPRLicense PlateRecognition又是ITS 中的关键技术之一。传统的车牌识别系统，必须依赖于PC，识别的关键算法全部在计算机中实现，计算机因为其有较高的处理速度和较大的内存，而传统的识别和预处理算法又需要大量的存储空间和较快

的cpu 处理速度，但是由计算机作为识别主体的系统成本高，而且体积庞大，不易于批量安装和随身携带，当今嵌入式系统的发展日新月易，嵌入式处理器（单片机）的速度不断提高，在某些方面已经超过了传统的PC，而且最单片机主要的优点就是不依赖于任何操作系统，具有高稳定性，成本低，体积小。正因为以上优点，本课题选择了采用单片机

来实现车牌识别。4三、系统主要特点车牌识别系统能将输入的车牌图像经过处理识别，输出为几个字节大小的车牌字符串，无论在存储空间的占用还是与管理数据库相连方面都有无可比拟的优越性，有着广泛的应用前景。车牌识别系统的成功开发将大大加速智能运输系统的进程。系统采用单片机-EXP- IV实验箱，静态视频图象采集卡，摄像头，该系统的工作过程如下：第一步，由摄像头拍下车牌图像，完成图像采集并将采集来的图像存在视频采集卡的SRAM 中。第二步，将图像通过单片机 1 进行处理，图像处理包括滤波、二值化、倾斜度调整和去除车牌边框、字符分割以及归一化等等。第三步，提取字符的特征，并按照模板匹配法进行识别。第四步，进行双机通信，将分析数据传到单片机2，然后控制液晶屏显示结果。5四、系统方案、实现原理汽车牌照自动识别系统工作原理车辆牌照识别系统一般可分为车辆图像获取、车辆牌照子图像区域定位分割、车牌照内字符切分、字符识别OCR四大部分:在第一部分主要通过摄像头与计算机的视频捕捉卡直接相连接来完成图像采集，可以实时在线监控图像，重点抓取到含有牌照的图像该部分功能可简单调用计算机视频捕捉卡厂商提供的各种软件开发工具即可实现。由于车辆牌照自动识别系统前端的车辆位置检测、图像捕捉部分都有了相应的软硬件刹良好的实现了，所以牌照自动识别系统的关键在于第二、

三、四部分，而后续的几部分是串行化工作的，即没有前一步正确快速的识别、切分出相对较清晰的字符，其后的识别阶段根本就不能够进行，所以从这个意义上来讲，牌照子区域定位自动识别切分技术是整个系统的重中之重，它处理工作进行的好坏直接影响后续工作，对字符的拒识率和误识率以及识别速度的实时性有很重要的影响而从算法的相对难易程度上来说，字符具体的识别部分要大的多，牌照子区域内的字符的切分相对最为容易些。 6 本课题采用单片机作为核心处理器来完成识别过程的算法。总体方案图像捕捉图像预处理牌照子图像定位去除牌照边框预处理后字符切分字符识别输出识别字符图 1 系统框图图像预处理的必要性：由于车牌图像是在室外自然背景下拍摄，其背景往往很复杂，可能包括自然场景中的人、其他车辆、树木、建筑物等，拍摄图像时的光照条件也因拍摄时间、地点、天气等条件的不同而不同，因此，考虑到车辆牌照具有不因外部条件变化而变化的特征，即牌照区域与汽车背景在灰度分布上存在着明显的差异，而且车牌的底色和车牌照字的颜色也形成强烈对比，在一相对小的范围内变化频繁，据这一特征，可以对车牌进行二值化处理，提取边缘特征，定位出车牌。图像的二值7化处理必须保留车牌区域的信息，即二值化后车牌字符要与底色有明显的区别。这里的图像的预处理阀值T 的选取至关重要，二值化后，车牌的背景大部分

被去除，这样处理之后将大大有利于后续车牌区域的搜索定位。4.1 图像采集及存储格式用摄像头对准车牌，按下视频采集卡上的复位键，图像便被存储在采集卡的SRAM 空间。存在SRAM 中的图像在电脑显示器上显示时，有279 行和1440 列，每行的地址是连续的，并且每行有1440 个像素点，所以对于i 行j 列的像素点，它的地址为1440ij H。本系统图像的存储格式为YUV4:2:216bit格式。4.2 图像的灰度化采集来的图像为彩色的，由于其调色板内容比较复杂，使得图像处理的许多算法都没有办法展开，因此有必要对它进行灰度处理。灰度图像没有颜色的差异，有的只是亮度上的不同。亮度值大的像素点比较亮（亮度值最大为255，为白色），反之，比较暗（亮度值最小为0，为黑色）。在SRAM 中存放的一个像素点需要两个字节，前一个字节为亮度信息，后一个为色度信息。我们只需要其亮度信息，可以让它同0xff00 进行“与”操作来去除色度信息。去除了颜色之后，图像变为由不同亮度的灰色组成。84.3 图像的二值化在进行了上述的去色调的处理后，图像由彩色图像转化为灰度图像。图像中的每个像素只有亮度值。它的大小只决定像素的亮暗程度。为了便于开展后续的图像处理操作，还需要对得到的灰度图像进行二值化处理。图像的二值化就是把图像中的像素根据一定的标准分化成两种颜色。在本系统中是根据像素的亮度值处理成黑白两种颜色。图像的二值化有很多成

熟的算法。它可以采用自适应阈值法，也可以采用给定阈值法。由于车牌字体与背景颜色一般比较固定且对比鲜明，所以本系统采用给定阈值8 的方法。举例说明：设原图像的像素点表示为fxy，阀值选为C，则该算法可表示为：fxy ＞C fxy255；大于阀值为白色fxy≤C fxy0；小于阀值为黑色这样就将灰度图像转化为黑白两色图像了，理想情况是背景为黑色，而车牌边框和字符为白色。经过二值化后，电脑显示器上显示的车牌图像见图3-1b：图 2 原彩色车牌图3 经过二值化处理的车牌4.4 车牌的去边框由于车牌字体外有边框，在对字符进行分割、归一化等处理前要先去边框。本系统采用逐行逐列扫描法来去除边框。9 扫描的步骤为：第一步，从左右边界开始向内逐列扫描，遇到白色象素点，定为外框的左右边界left0、right0；第二步，由外框的左右边界得到车牌的大概宽度width0，以left0width0/8、

left0width0/8 为边界开始从上下开始向中间逐行进行扫描，当遇到白色像素点时，定为外框的上下边界。第三步，接着向中间逐行进行扫描，当经过黑色像素点再次遇到白色像素点时，定为字符的上下边界。这样就可以去除上下边框了。第四步，以字符的上下边框为界，由left0、right0 开始向中间逐列进行扫描，同理，当经过黑色像素点再次到达白色像素点时，定为字符的左右边界。以找到的左右边界为界就可以去除边框了。经过去边框后，车牌图像在显示器上显示

见图3-2。6/8 图4 去边框前图像图 5 去上下边框图6 去左右边框此办法只适用于理想情况，实际中还需进行修正，如当一行的白色像素点达到一定数目才定为外框边界，而不只是简单地遇到白色像素就定为边界，以减少噪声干扰。4.5 图像的梯度锐化由于实际扫描来的图像字符边缘会出现不清晰，有毛刺干扰等情10况，进行字符分割等后续处理时会产生干扰，造成字符被错误分割，严重影响字符识别的正确率。所以有时候要对图像进行锐化处理使模糊的图像变得清晰，同时还可以去除一部分噪声。图像锐化9 的方法很多，有微分法、高通滤波法等。我们在这里采用的锐化方法属于微分法的一种。定义如下：设原始图像上的点为fxy，定义fxy在xy处的梯度矢量为：Gfxyfxy-fx1y 设一个判定阈值为C，变化后的图像gxy定义为：Gfxy≥C gxy 0 Gfxy≤C gxyfxy 通过公式可以看出梯度锐化可以使字符模糊的边缘变得清晰，并且可以消除一部分噪声，使图像的边缘细化。4.6 字符分割算法车牌在去边框之后，得到七个字符，但识别的时候只能根据每个字符的特征进行判断，所以还要对联在一起的七个字符进行分割。具体算法9 如下：第一步，利用上述逐行扫描法找到字符的上下边界，这样就得到了图像大致的高度范围。第二步，在这个高度范围之内自左向右逐列进行扫描，遇到第一个白色像素点认为是字符分割的起始位置，然后继续扫描，直至遇到有一列中没有

白色像素，则认为这个字符分割结束，然后继续扫描，按照上面的方法一直扫描直至字符的最右边界。这样就得到了每个字11符比较精确的宽度范围。当然，对于一些汉字，比如说“川”字，用上述的方法会产生很大的误差，会被分割成三个字符。因此，在对汉字进行分割时必须要进行一些修整。在寻找第一个字符的右边界时，只有当它与左边界之差大于某一值时，才认为其是第一个字符的右边界。4.7 字符的归一化每次采集来的图像中，字符大小都有差异。在提取字符特征向量时，即使是同一个字符由于大小差异，每次的提取的特征值也有很大差别，没有办法利用其与现成的模扳匹配来识别字符。因此，必须把字符归一化为统一的大小，以提高识别的准确率。具体算法如下：先得到原来字符的高度，并与系统要求的高度作比较，得出要变换的高度系数；由分割后每个字符的宽度与系统要求的宽度作比较，得出每个字符的要变换的宽度系数。在得到这些系数之后，把原图像中的点按照插值的方法映射到新图像中去。一般的插值方法容易造成比较大的误差，本系统采用改进的最近临点插值法10 。所谓最近临点插值法就是选择插值时，当计算得出的坐标为非整数时，不是简单的取其整数部分，而是取坐标值最接近的整数，即取距离最近的那个点的坐标。例如：求得的坐标点为（100.9，200.9），按照一般的插值方法，我们取坐标为（100，200）的像素点，但这么做会造成比较

大的误差。采用最近临点插值法，我们取像素点的坐标为（101，201），显然，这样减小了误差，提高的精确度。经过归一化并重新排列后的字符在显示器上显示为：12 图7 原字符图像图8 分割归一化后图像字符识别是对车牌上的汉字、字母、数字进行确认的过程，是整个LPR 系统的核心部分。与其他识别系统一样，车牌字符识别系统的关键部分是字符特征的提取和模式匹配。4.8 字符特征提取字符特征提取的关键就是如何选择既容易提取又能为识别系统

提供尽可能高的模式鉴别能力，同时还要尽量少的特征维数的特征向量。特征的提取和选择对识别系统至关重要，它基本上决定了识别系统的性能和识别精度。在本系统中对采集来的车牌图像经过二值化、去边框、字符分割、大小归一化等一系列变换，原来大小不一，分布不规律的字符变成了一个个大小相同，排列整齐的字符。下面就要从这些经过处理的字符中提取最能体现字符特征的特征向量。特征向量的提取方法多种多样，有逐像素特征提取法，骨架特征提取法，垂直方向数据统计特征提取法，网格特征提取法11 ，弧度梯度特征提取法等。这里简单介绍几种特征提取方法9 ：（1）逐像素特征提取法这是一种最简单的特征提取方法，对图像进行逐行逐列的扫描，当遇到白色像素时取其特征值为1，当遇到黑色像素时取其特征值为0，这样当扫描结束以后就形成了一个维数与图像中像素点个数相同13的特征

向量矩阵。该方法特点是算法简单，运算速度快，缺点是适应性不强。（2）骨架特征提取法两幅图像由于它们的线条粗细不同，使得两幅图像差别很大，但是将它们的线条进行细化以后，统一到相同的宽度，如一个像素宽时，这时两幅图像的差距就不那么明显了。利用图像的骨架作为特征来进行数码识别，就使得识别有了一定的适应性。一般采用细化的方法来提取骨架，细化的算法有很多，如Hilditch 算法，Rosenfeld 算法等。骨架特征提取的方法对于线条粗细不同的数码有一定的适应性，但是图像一旦出现偏移就难以识别。（3）网格特征提取法由于逐像素特征提取法和骨架特征提取法都存在适应性不强的缺点，如字符存在倾斜和偏移时都会对字符识别产生很大的误差，所以本系统选用网格特征提取法，该方法受字符倾斜偏移影响较小，适应性较好。网格法就是用一组假想的网线对字符图像的区域进行划分。字符图像被均匀分成若干区域，称之为“网格”。在这里，网线是在垂直方向和水平方向均匀分布的。分割完毕后，统计每一个格子中白色像素点的个数作为特征向量。在本系统中为了进一步提高其适应性，以每个小格子中白色像素点个数与该字符中总的白色像素点个数的比值作为特征向量。例如，对于数字“6”，将其平均分成如下图所14示的9 个网格，从左到右排列分别为网格1、网格2、网格3，第二行接着上面的数字继续从左向右排列，依次类推。然后统

计第i 个网格中的白像素点个数，记为si，i0…8。接着统计总的白色像素点的个数，记为sum。则其九个网格特征提取值为：si/sum，其中i0，1…8。图9 原图像图10 划分成网格提取向量4.9 字符识别算法通过上述的特征提取方法得到能够表征字符的特征向量，建立字符的模板库，接着就要通过一定的方法来对提取的特征值进行判别以识别出

字符。字符识别有很多算法，目前最具代表性的有模板匹配法和BP 神经网络法。4.9.1 BP 神经网络法BP 神经网络1213 一般至少有三个层：一个输入层、一个输出层、一个或多个隐层。其网络示意图见图4-2：输入节点输出节点15 隐节点图11 神经网络示意图BP 算法由两部分组成；信息的正向传递和误差的反向传输。在正向传输中，输入信息从输入经过隐含层逐层计算传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出，则计算输出层的误差变化值，然后转向反向传播，通过网络将误差信号沿原来的连接通路反转回来修改各层

神经元的权值直到达到期望值。BP 神经网络的实现分为两个阶段：学习（训练）阶段和识别阶段，在学习阶段输入要学习的样本。按照网络初始设定的权值、阈值以及传输函数进行计算，得出每一层神经元的输出。这是从底层向上进行的；通过期望输出与输出层的输出之间的误差来决定是否对权值、阈值进行修改，这个修改是从高层向下进行的；两个

过程反复进行，直到网络收敛为止，此为学习阶段。权值的学习就是不断地调整个神经元的连接强度，使其能在最小二乘的意义上逼近所对应的期望输出。BP 网络法是一种智能判别方法，在使用BP 网络的进行识别之前必须利用大量的样本来训练网络，以得到以文件形式保存的权值，一般用于计算机操作。而本系统只是采用单片机TMS320C54XX 作为核心部件，无论是速度还是存储空间都远远小于计算机，BP 网络法不适合本系统。164.9.2 模板匹配法车牌字符字符集小，车牌上出现的汉字只包括全国各省、市、直辖市和部队、武警、公安的简称，再加上26 个英文字母以及10 个数字，字符类别不超过100 个。又由于硬件存储空间和运行速度的限制，系统采用相对较简单的模板匹配法。模板匹配14 （Template matching）是图像识别方法中最具代表性的基本方法之一，它是将从待识别的图像或图像区域fij 中提取的若干特征向量与模板Tij相应的特征量逐个进行比较，计算它们之间规格化的互相关量，其中互相关量最大的一个就表示其间相似程度最高，可将图像归于相应的类。也可以计算图像与模板特征向量之间的距离，用最小距离法判定所属类。根据提取的特征向量.