基于单片机的车牌检测

毕业论文

基于Matlab的车牌识别系统设计

系部：

学生姓名：

专业班级：

学号：

指导教师：

2015 年 03月 21日

声明

本人所呈交的论文《基于Matlab的车牌识别系统设计》，是我在指导教师的指导和查阅相关著作下独立进行分析研究所取得的成果。除文中已经注明引用的内容外，本论文不包含其他个人已经发表或撰写过的研究成果。对本文的研究做出重要贡献的个人和集体，均已在文中作了明确说明并表示谢意。

作者：

日期：

【摘要】

本设计以基于MATLAB的车辆牌照识别算法的研究，以车辆牌照识别的算法设计为实例，详细介绍图像识别的基本方法。在整个车辆牌照识别的过程中，有预处理、边缘提取、车牌定位、字符分割、字符识别五大模块，用MATLAB软件编程来实现每一个部分，最后识别出汽车牌照。在研究的同时对其中出现的问题进行了具体分析，处理。寻找出对于具体的汽车牌照识别过程的最好的方法。

【关键词】：MATLAB，车牌识别，字符识别，编程

Abstract

This design is based on the research on vehicle license plate recognition algorithm based on MATLAB algorithm, to design the vehicle license plate recognition as an example, introduces the basic method of image recognition. In the process of the whole vehicle license plate recognition, pretreatment, edge detection, license plate location, character segmentation, character recognition five big modules, using MATLAB software programming to implement every part, and finally identify the license plate. The study also analyzes the problems, treatment. To find out the best method for car license plate recognition process of concrete.

【key words】: MATLAB, license plate recognition, character recognition, programming

目录

1.引言 (1)

1.1 设计简介 (1)

1.2 国内外研究动态 (1)

2. 设计要求及意义 (2)

2.1 设计目的 (2)

2.2设计意义 (2)

2.3 设计的主要内容 (2)

3.设计内容及原理 (3)

3.1字符图像的获取 (3)

3.2图像预处理 (3)

3.3车牌定位 (4)

3.4牌照字符分割 (4)

3.5牌照字符识别 (4)

4.系统设计 (5)

4.1 系统设计框图 (5)

4.2 子模块设计 (6)

4.2.1载入车牌图像 (6)

4.2.2将彩图转换为灰度图并绘制直方图 (6)

4.2.3用roberts算子进行边缘检测图像的操作 (7)

4.2.4图像实施腐蚀操作 (7)

4.2.5平滑图像的操作 (8)

4.2.6删除二值图像的小对象操作 (8)

4.2.7车牌定位 (9)

4.2.8字符分割与识别 (9)

4.2.9车牌识别 (13)

5.设计最终结果及分析 (16)

6.设计总结 (17)

致谢 (17)

参考文献 (19)

附录一：车牌识别程序： (20)

附录二：字符分割程序 (22)

附录三：qiege主程序 (23)

1.引言

1.1 设计简介

在当今社会，人们的生活质量不断上升，汽车的数量呈直线式增长。汽车数目的增多势必要对其进行统一的管理。而作为汽车“身份证”的汽车车牌，是讲车车之间分隔开来的最好办法。因此，本次设计就是基于这个思想，设计一个能自动识别汽车车牌的系统从而对汽车进程管理。配合我国交通部的交通安全法规。交通安全法规规定了每辆汽车的生产、装配、上路都要进行严格的管理。在此基础上，就得设计出一个系统使其能在公共场合自动识别汽车车牌(CPR)，由此即是本次设计的意义所在，极大方便将车辆进行管理。

1.2 国内外研究动态

目前，在欧美地区的车牌识别系统已经十分成熟，而我国对于这一技术则是刚刚起步，还没走出实验室。这个也与我国的基本国情有关。国外对车牌有详细、统一的管理，但是我国的车牌号就显得稍微杂乱。虽说地理上我国对车牌进行了详细的划分，但是对其归一化的管理尚未成熟。虽然现在已经投入了较大的人力物力对其进行深究，但是还是存在不少的难题等待解决，比如字符的分割。造成这个原因车牌的移动性对比度低、车辆移动、以及车牌的磨损和其他外接的干扰等，造成准确定位能力降低。真正的难度在于车牌字符的识别，识别的准确率直接决定着系统的成败。车牌字符的识别可以利用光学原理来进行研究，此方式相对于车牌定位和车牌字符分割来对比还是较为简单的。

国内外有很多针对这一问题的研究报道。显然，国外对这一方面的起步较早。早在20世纪70年代，英国就在实验室中完成了“实时车牌检测系统”的广域检测和开发。也就是在这个时候，世界上第一台真正意义上的车牌识别系统横空出世。发经过几十年的发展，国外的车牌识别水平已达到一个很高的水平，准确识别率基本都在80%之上，甚至有高于90%。并且已经实现了产品化，并在实际的交通系统中得到了广泛的应用。

上文已经说到，国内的车牌太过于复杂多变，所以国外的车牌识别系统我们只能说是经验的借鉴，但是要在国内真正实现效果并不怎么好，只能借鉴人家的研究经验。中国的车牌识别系统虽然才刚起步，但是国内已经有大量光于这方面的研究，提出了很多很好的研究解决方案。中科院的刘志勇教授等人研究的车牌识别系统，在对3180个车牌的识别中，其定位准确率为99.42%，切分准确率为94.52%，因此，许多大型公司都采用了这套系统，而且效果显著。但是包括其他研究人员提出的算法，都存在计算量和存储量大的问

题，难以满足实时性的要求。此外，当车辆区域的颜色和附近颜色相近时，定位失误率会增加。国内还有许多学者一直在进行这方面的研究，并且取得了大量的研究成果。

目前我国有普通地方车牌号、武警车牌号、军队车牌号三种类型，普通地方车牌号又叫自选号牌车牌，自选号牌车牌尺寸是520122.5MM ，即车牌长宽比为4.5:1，一共7个字符，每个字符的高宽比为2:1。首个字符为中文字符，为各个省或直辖市的简称，第二个字符为英文大写字符，前两个字符确定该车牌所在地，后五个字符由阿拉伯数字及英文大写字符组合而成，并且后五个字符间距相同，七个字符大小也相同。

2.设计要求及意义

2.1 设计目的

在查阅相关文献的基础上，对基于Matlab的车牌识别系统进行深入研究，车牌识别系统是计算机视觉和模式识别技术在智能交通领域的重要应用课题之一。车牌识别系统是一特定目标位对象的专用计算机系统，该系统能从一幅图像中自动提取车牌图像、自动分割自符，进而对分割自符的图像进行图像识别。

2.2设计意义

随着我国经济的发展，城镇化进程的加快，国内各大城市交通管理能力将面临重大考验。近年来，各主要城市都将城市智能交通系统的建设作为改善城市交通状况的重点，以缓解城市交通管理的压力，车牌识别系统作为智能交通系统的主要技术之一也得到了很大的发展。然而，国内的智能交通系统产业仍然处于起步阶段，在产业链中，该产业已经具备产业规模，而所欠缺的环节则是对实时交通信息的采集和处理系统。

2.3 设计的主要内容

车牌识别系统的组成较为复杂，大致可以慨括为如下几个大的模部分：图像预处理、图像采集、字符切分、图字符识别以及图像编码、像车牌定位、数码传输与更新等部分，如此庞大的系统不仅需要硬件上面的设计，软件上面也要进行设计。硬件完成车牌图像的采集工作，软件部分则是完成车牌字符分割及识别的工作，很显然，软件部分的成败直接决定着整个系统的成败，完成识别后电路将进行存储，将信息做进一步的处理。系统的核心是软件，软件控制着系统的一切动作，包括后面的管理，很大程度上取决于软件部分识

别车牌的准确性。目前，大多数的车牌识别系统都是采用的直接法识别，也就是汽车车牌照片的直接识别，该方法的一般结构如下：图像采集→图像预处理→车牌定位→字符分割→字符识别。

3.设计内容及原理

3.1字符图像的获取

用扫描仪获取图像是字符图像处理常用的数字化过程的方法之一。以办公设备中常用的台式扫描仪为例，其主要性能指标有x、y方向的分辨率、色彩分辨率（色彩位数）、扫描幅面和接口方式等，这些指标都可以从扫描仪的说明手册中获得。分辨率的单位是dpi （Dot Per Inch），意思是每英寸的像素点数。

扫描仪工作时，首先由可移动带状光源将光线照在欲输入的图稿上，并沿y方向扫描稿件，产生表示图像特征的反射光或透射光。照射到原稿上的光线经反射后穿过一个很窄的缝隙，形成沿x方向的光带，经光学系统采集和过滤成RGB三色光带分别照射到RGB 分量的CCD上，CCD将光信号转换为模拟电信号。内部电路的A/D变换器将模拟电信号转变为数字电子信号输送给计算机。将稿件全部扫描一遍，一幅完整的图像就输入到计算机中去了。

3.2图像预处理

用扫描仪获取图像是字符图像处理常用的数字化过程的方法之一。以办公设备中常用的台式扫描仪为例，其主要性能指标有x、y方向的分辨率、色彩分辨率（色彩位数）、扫描幅面和接口方式等，这些指标都可以从扫描仪的说明手册中获得。分辨率的单位是dpi （Dot Per Inch），意思是每英寸的像素点数。

根据扫描仪扫描的文档实际情况，有选择地用MATLAB编程实现字符图像倾斜校正、滤波、灰度化、二值化和归一化等图像预处理。根据具体需要，还可进行图像的正交变换、边缘提取、形态学和图像细化等操作。

由于拍摄时的环境问题、车牌的清晰性等的影响，拍照角度或摄像机的问题等都会造成车牌字符的模糊不清，使识别过程的难度进一步加大，若是车牌牌照上面有污渍，这堆字符的提取则更加难，这也是车牌识别的准确度一直不高的原因。因此，在字符提取之前有必要对其进行一次针对性的提取。

3.3车牌定位

自然环境下，图像背景复杂、光照不均匀，而能在自然环境下对车牌的准确提取则是关键所在。摄像机自动在视野范围内进行大范围的自动搜索，当检测到周围环境有符合车牌特性的区域做待选区，然后对这些待选区做进一步的判断，最后将最符合牌照信息的区域评选出来，即是分割图像挑选车牌。

3.4牌照字符分割

通过查找资料，自学字符图像分割的常用算法，根据原始扫描图像的实际情况，设计一种字符图像分割的方法并用MATLAB编程实现，并绘制流程图。

当牌照区域准确定位后，将牌照上面的字符一个一个分割出来，依次进行识别。在系统的设计中，字符的分割采用垂直投影的办法。字符处于垂直位置时必有一个最小点，而且这个位置肯定会满足牌照的书写、涂抹等特征。在复杂的环境中使用垂直投影法是一个很好的解决办法。牌照分割流程图如下图所示：

车辆

图像采集图像预处理车牌的定位

分割字符

字符识别

输出车牌号图3-1 牌照分割框图

3.5牌照字符识别

目前主流的字符识别方法主要有匹配算法和人工算法。所谓的匹配算法是将字符分割后二进制转化,并自动转化与数据库中的尺寸匹配，然后与模板进行匹配，最后选出最好的结果作为匹配结果。而人工算法则有分为两个子算法：第一种是讲字符特征进行提取，然后用所获得特征来训练神经网络分配器；而第二种方法则是将图像信息直接输入系统的网络汇总，让网络自动识别。但是在实际中，拍照的清晰度与很多因素有关。比如温度、能见度、污渍等等都会影响拍照的清晰度；。正是由于这些不可剔除的因素存在，使得牌照识别的难度进一步加大。所以，为了使系统的性能更加完善，还要解决的问题还很多。

4.系统设计

4.1 系统设计框图

读入图像

图像预处理

车牌的定位车牌分割字符识别

图4-1 系统设计框图

（1）读入图像

输入的图像由于受到天气、光照等的影响，再加上车牌老化污损、陈旧褪色，这些都可能使车牌图像产生对比度不足的弊端，图像细节分辨不清，车牌字符部分不突出。而且，对高速行进中的汽车拍摄的图像往往产生模糊、扭曲、变形等现象，这都增加了预处理的难度。而这些处理需要很复杂的过程，因为系统把读入的图片默认为比较清晰的、几乎没有倾斜度的图片。

（2）图像预处理

图像预处理过程需要把图像转换成便于定位的二值化图像。需要经过图像灰度化、图像增强、边缘提取、二值化操作。

（3）车牌定位

车牌定位方法的出发点是利用车牌区域的特征来判断车牌，将车牌区域从整幅车牌图像中分割出来。车牌自身具有许多的固有特征，这些特征对于不同的国家是不同的。

（4）字符分割

字符的分割要求能够准确地定位字符边界，进而将车牌内的所有字符提取出来。

（5）字符识别

应用模板匹配的算法来实现字符的识别，要求能准确地识别车牌。

4.2 子模块设计 4.2.1载入车牌图像

I=imread('123.jpg');

figure(1),imshow(I);title('original image')；%将车牌的原图显示出来，结果如下：

图4-1 车牌原图

4.2.2将彩图转换为灰度图并绘制直方图

I1=rgb2gray(I);%将彩图转换为灰度图

figure(2),subplot(1,2,1),imshow(I1);title('gray image');

figure(2),subplot(1,2,2),imhist(I1);title('灰度图直方图');%绘制灰度图的直方图 结果如下所示：

gray image

100

200

0200400600800100012001400

16001800

2000灰度图直方图

图4-2 灰度图和直方图

4.2.3用roberts算子进行边缘检测图像的操作

I2=edge(I1,'roberts',0.18,'both');%选择阈值0.18，用roberts算子进行边缘检测figure(3),imshow(I2);title('roberts operator edge detection image')；

结果如下：

roberts operator edge detection image

图4-3边缘检测图

4.2.4图像实施腐蚀操作

se=[1;1;1];

I3=imerode(I2,se);%对图像实施腐蚀操作，即膨胀的反操作

figure(4),imshow(I3);title('corrosion image');

corrosion image

图4-4腐蚀操作图

4.2.5平滑图像的操作

se=strel('rectangle',[25,25]);%构造结构元素以正方形构造一个se

I4=imclose(I3,se);% 图像聚类、填充图像

figure(5),imshow(I4);title('smothing image');

结果如下所示：

smothing image

图4-5平滑图像

4.2.6删除二值图像的小对象操作

I5=bwareaopen(I4,2000);% 去除聚团灰度值小于2000的部分

figure(6),imshow(I5);title('remove the small objects'); %用imshow函数显示滤波后图像结果如下所示：

remove the small objects

图4-6 滤波后图像

4.2.7车牌定位

图4-7 车牌定位图

4.2.8字符分割与识别

（1）车牌的进一步处理

对分割出的彩色车牌图像进行灰度转换、二值化、均值滤波、腐蚀膨胀以及字符分割以从车牌图像中分离出组成车牌号码的单个字符图像，对分割出来的字符进行预处理（二值化、归一化），然后分析提取，对分割出的字符图像进行识别给出文本形式的车牌号码。

运行结果如下所示：

图4-8灰度转换、二值化、均值滤波、腐蚀膨胀以及字符分割图（2）字符分割

系统的工作过程中，字符的分割是必不可少的一个过程。经过了牌照定位之后，将字符分割开来进行识别。有很多种字符识别的方法，我们都知道，车牌的字符间距较大，所以字符靠的很近的情况下是不会出现的，所以在这里我们就可以使用这个原理，当某个长度大于设定的值时，即为两个字符，将其分割开来。由此我们就可以对已经分割的

字符进行处理，程序自动进入判断下一字符的过程。由于车牌的字符较大，辨认也较为方便。在此只进行了归一化处理，然后进行后期处理。

% 扫描字符块，当发现其长度大于设定值时，我们可以人为这个由两个字符组成，需要分割

%首先创建子函数qiege与getword，而后调用子程序，将车牌的字符分割开并且进行归一化处理

d=qiege(d);

[m,n]=size(d);

subplot(3,2,5),imshow(d),title(n)

k1=1;k2=1;s=sum(d);j=1;

while j~=n

while s(j)==0

j=j+1;

end

k1=j;

while s(j)~=0 && j<=n-1

j=j+1;

end

k2=j-1;

if k2-k1>=round(n/6.5)

[val,num]=min(sum(d(:,[k1+5:k2-5])));

d(:,k1+num+5)=0; % 分割

end

end

% 再切割

d=qiege(d);

% 切割出7 个字符

y1=10;y2=0.25;flag=0;word1=[];

while flag==0

[m,n]=size(d);

left=1;wide=0;

while sum(d(:,wide+1))~=0

wide=wide+1;

end

if wide

d(:,[1:wide])=0;

d=qiege(d);

else

temp=qiege(imcrop(d,[1 1 wide m]));

[m,n]=size(temp);

all=sum(sum(temp));

two_thirds=sum(sum(temp([round(m/3):2*round(m/3)],:)));

if two_thirds/all>y2

flag=1;word1=temp; % WORD 1

end

d(:,[1:wide])=0;d=qiege(d);

end

end

% 分割出第二个字符

[word2,d]=getword(d);

% 分割出第三个字符

[word3,d]=getword(d);

% 分割出第四个字符

[word4,d]=getword(d);

% 分割出第五个字符

[word5,d]=getword(d);

% 分割出第六个字符

[word6,d]=getword(d);

% 分割出第七个字符

[word7,d]=getword(d);

figure(9);

subplot(2,7,1),imshow(word1),title('1');

subplot(2,7,2),imshow(word2),title('2');

subplot(2,7,3),imshow(word3),title('3');

subplot(2,7,4),imshow(word4),title('4');

subplot(2,7,5),imshow(word5),title('5');

subplot(2,7,6),imshow(word6),title('6');

subplot(2,7,7),imshow(word7),title('7');

[m,n]=size(word1);

% 商用系统程序中归一化大小为40*20,此处演示word1=imresize(word1,[40 20]);

word2=imresize(word2,[40 20]);

word3=imresize(word3,[40 20]);

word4=imresize(word4,[40 20]);

word5=imresize(word5,[40 20]);

word6=imresize(word6,[40 20]);

word7=imresize(word7,[40 20]);

subplot(2,7,8),imshow(word1),title('1');

subplot(2,7,9),imshow(word2),title('2');

subplot(2,7,10),imshow(word3),title('3');

subplot(2,7,11),imshow(word4),title('4');

subplot(2,7,12),imshow(word5),title('5');

subplot(2,7,13),imshow(word6),title('6');

subplot(2,7,14),imshow(word7),title('7');

imwrite(word1,'1.jpg');

imwrite(word2,'2.jpg');

imwrite(word3,'3.jpg');

imwrite(word4,'4.jpg');

imwrite(word5,'5.jpg');

imwrite(word6,'6.jpg');

imwrite(word7,'7.jpg');

运行结果如下：

图4-9字符分割图

4.2.9车牌识别

在图像识别中，最常用的是匹配算法，其工作原理是在图象或图象区域f(i,j)中提取的若干特征量与自己系统中自带的模板进行比较，由系统自带的算法进行对比，当“检测”到其中一部分相似度最大的时候，就可以将此图像进行归类。此方法也可以计算图像和系统模板之间的距离，以最小距离的方式来进行归类。

这里用相减的办法来和模板中的字符进行对比，相减之后找到差值最大的值。我国的汽车车牌一般由7个字符组成，第一个字一般为各省份的坚持，通常代表车辆所属省份，省份简称的后面则是由字母和数字组成的组合。汉字共约50多个，大写英文字母26个，数字10个。为了实验方便，结合本次设计所选汽车牌照的特点，只建立了7个数字26个字母与10个数字的模板。其他模板设计的方法与此相同。

首先取字符模板，接着依次取待识别字符与模板进行匹配，将其与模板字符相减，得到的0越多那么就越匹配。把每一幅相减后的图的0值个数保存，即为识别出来的结果。

识别的流程图如下所示：

建立自动识别

的代码表

读取分割出来

的字

第一个字符与模板中的

汉字模板进行匹配

第二个字符与模板中的字

母模板进行匹配

后5个字符与模板中的字母

与数字模板进行匹配

待识别字符与模板字符相减，值越

小相似度越大，找到最小的一个即

为匹配的最好的

识别完成，输出此模板对应值

图4-10 识别流程图

源代码如下：

liccode=char(['0':'9' 'A':'Z' '苏豫陕鲁京辽浙']); %建立自动识别字符代码表SubBw2=zeros(40,20);

l=1;

for I=1:7

ii=int2str(I);

t=imread([ii,'.jpg']);

SegBw2=imresize(t,[40 20],'nearest');

SegBw2=double(SegBw2)>20;

if l==1 %第一位汉字识别

kmin=37;

kmax=43;

elseif l==2 %第二位A~Z 字母识别kmin=11;

kmax=36;

else l>=3 %第三位以后是字母或数字识别kmin=1;

kmax=36;

end

for k2=kmin:kmax

fname=strcat('字符模板\',liccode(k2),'.jpg');

SamBw2 = imread(fname);

SamBw2=double(SamBw2)>1;

for i=1:40

for j=1:20

SubBw2(i,j)=SegBw2(i,j)-SamBw2(i,j);

end

end

% 以上相当于两幅图相减得到第三幅图

Dmax=0;

for k1=1:40

for l1=1:20

if ( SubBw2(k1,l1) > 0 | SubBw2(k1,l1) <0 )

Dmax=Dmax+1;

end

end

end

Error(k2)=Dmax;

end

Error1=Error(kmin:kmax);

MinError=min(Error1);

findc=find(Error1==MinError);

Code(l*2-1)=liccode(findc(1)+kmin-1);

Code(l*2)=' ';

l=l+1;

end

figure(10),imshow(dw),title (['车牌号码:', Code],'Color','b');

图4-11车牌识别图

5.设计最终结果及分析

通过MATLAB编程实现对图片的每一步处理，我对一幅图像进行了检测，有较好的识别效果。下面是对幅车牌照的检测，结果如下所示：

图5-1 真实车牌图

在实验过程中，也出现过一些错误的情况，根据分析，造成错误情况的原因主要有：

1、图像质量不高，导致分割出的车牌字符大小不一。

2、车辆牌照的分割失败，尤其是车牌上第一个字符汉字的分割，常常因为过大或者过小导致分割失败。

3、在试验过程中发现缺少“qiege”与“getword”的子程序，通过翻阅资料做出了这两个子程序。