车牌识别实验报告
机器视觉-实验三报告-模板匹配法实现车牌识别
实验三报告模板匹配法实现车牌识别一、实验目的结合印刷体字符识别方法，用模板匹配法实现车牌识别。
要求：能实现车牌定位、字符分割和车牌中数字0-9的识别。
二、实验设备微机三、实验内容及步骤1．上机编写程序。
2．调试程序。
3．根据实验结果，撰写实验报告。
四、实验报告(一)对汽车图像进行图像转换、图像增强和边缘检测等:1.载入车牌图像：I=imread('car1.jpg');figure(1),imshow(I);title('original image')；%将车牌的原图显示出来，结果如下：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：3. 用roberts算子进行边缘检测：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：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');5.平滑图像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：6. 删除二值图像的小对象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：（二）车牌定位[y,x,z]=size(I5);%返回I5各维的尺寸，存储在x,y,z中myI=double(I5);%将I5转换成双精度tic %tic表示计时的开始，toc表示计时的结束Blue_y=zeros(y,1);%产生一个y*1的零阵for i=1:yfor j=1:xif(myI(i,j,1)==1)%如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景颜色蓝色 %则Blue_y(i,1)的值加1Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计endendend[temp MaxY]=max(Blue_y);%Y方向车牌区域确定%temp为向量yellow_y的元素中的最大值，MaxY为该值的索引PY1=MaxY;while ((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1;endPY2=MaxY;while ((Blue_y(PY2,1)>=5)&&(PY2<y))PY2=PY2+1;endIY=I(PY1:PY2,:,:);%行方向车牌区域确定%%%%%% X方向 %%%%%%%%%Blue_x=zeros(1,x);%进一步确定x方向的车牌区域for j=1:xfor i=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)= Blue_x(1,j)+1;endendendPX1=1;while ((Blue_x(1,PX1)<3)&&(PX1<x))PX1=PX1+1;endPX2=x;while ((Blue_x(1,PX2)<3)&&(PX2>PX1))PX2=PX2-1;endPX1=PX1-1;%对车牌区域的校正PX2=PX2+1;dw=I(PY1:PY2-8,PX1:PX2,:);t=toc;figure(7),subplot(1,2,1),imshow(IY),title('Line direction areas');%行方向车牌区域确定figure(7),subplot(1,2,2),imshow(dw),title('positioning color images');%定位后的车牌区域如下所示：(三)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。
车牌识别技术在智能停车系统中的应用实验
车牌识别技术在智能停车系统中的应用实验车牌识别技术作为一种基于图像识别的技术，近年来在智能停车系统中得到了广泛应用。
本文将从智能停车系统中车牌识别技术的原理、应用实验过程以及优势等方面进行探讨。
一、智能停车系统中的车牌识别技术原理车牌识别技术是指通过图像处理和模式识别的方法，对车辆的车牌进行自动化识别和判断。
其原理主要包括图像采集、预处理、特征提取和识别判断等几个步骤。
首先，通过摄像机或其他设备对车辆进出停车场的区域进行图像化采集，获取车辆车牌的图像信息。
然后，对采集到的图像进行预处理，包括图像的灰度化、二值化、滤波处理等，以提取出清晰、准确的车牌区域。
接下来，通过特征提取算法，对车牌图像的字符特征进行提取，例如字符的边缘信息、颜色等。
最后，利用训练得到的分类器或其他识别算法，对提取到的特征进行匹配和识别，完成车牌的自动化识别和判断。
二、为了验证车牌识别技术在智能停车系统中的应用效果，我们进行了一系列的实验。
实验流程如下：1. 实验准备：选择适合的硬件设备和软件平台，包括摄像机、车牌识别设备、图像处理软件等。
同时，搭建一个具备完整功能的智能停车系统。
2. 实验数据收集：选择不同时间段、不同天气和不同光照条件下的车辆进出停车场的场景，使用摄像机进行图像采集。
同时，记录对应车辆的车牌信息作为实验数据。
3. 图像预处理：将采集到的图像进行预处理，包括灰度化、二值化、滤波处理等步骤。
通过调整预处理参数，确保车牌区域的清晰度和准确性。
4. 特征提取与识别：利用图像处理算法进行特征提取，包括字符边缘信息提取、颜色特征提取等。
同时，利用已训练好的分类器或其他识别算法，对特征进行匹配和识别，得到车牌的识别结果。
5. 实验评估：根据实验数据和车牌识别结果进行对比和评估。
分析识别准确率、误识别率以及运行效率等指标，评估车牌识别技术在智能停车系统中的性能和可行性。
实验结果显示，车牌识别技术在智能停车系统中表现出良好的应用潜力和效果。
车牌识别实验报告
车牌识别实验报告车牌识别实验报告一、引言车牌识别技术是近年来快速发展的一项重要技术，它在交通管理、安全监控等领域具有广泛的应用前景。
本文将介绍一次车牌识别实验的过程和结果，以及对该技术的评估和展望。
二、实验目的本次实验的目的是通过使用计算机视觉技术，实现对车辆车牌的自动识别。
通过该实验，我们希望验证车牌识别技术的准确性和可行性，并评估其在实际应用中的效果。
三、实验方法1. 数据收集我们采集了一组包含不同类型和风格的车牌图像数据，包括普通车辆、摩托车和电动车等。
这些数据来源于不同的场景，包括白天、夜晚和恶劣天气等条件下的拍摄。
2. 图像预处理为了提高车牌识别的准确性，我们对采集到的图像进行了预处理。
首先，我们使用图像处理算法对图像进行了去噪处理，去除了图像中的干扰信息。
然后，我们对图像进行了灰度化处理，将彩色图像转化为灰度图像，以便后续的处理。
3. 特征提取在进行车牌识别之前，我们需要从图像中提取出车牌的特征。
我们使用了一种基于边缘检测的方法，通过检测图像中的边缘来提取车牌的轮廓。
然后，我们根据车牌的形状和大小，进一步筛选出可能的车牌区域。
4. 字符分割在车牌识别中，字符分割是非常关键的一步。
我们使用了一种基于连通区域的方法，将车牌图像中的字符分割出来。
通过分析字符之间的间隔和相对位置，我们可以更准确地识别出每个字符。
5. 字符识别最后一步是对分割出的字符进行识别。
我们使用了一种基于深度学习的方法，训练了一个字符识别模型。
通过将字符图像输入到模型中，我们可以得到对应的字符标签，从而实现对车牌的识别。
四、实验结果经过实验，我们得到了一组车牌识别的结果。
在测试数据集上，我们的识别准确率达到了90%以上。
尤其是在白天和晴朗天气下，识别效果更加出色。
然而，在夜晚和雨天等恶劣条件下，识别准确率有所下降。
五、实验评估尽管我们的车牌识别系统取得了较好的结果，但仍存在一些问题和改进空间。
首先，恶劣天气条件下的识别准确率较低，需要进一步优化算法来提高鲁棒性。
车牌识别项目实验报告
摘要基于数学形态学的车牌定位方法【摘要】在汽车牌照识别系统中，车牌定位是整个识别模块实现的前提，目前车牌定位的方法多种多样，各有所长，但存在着计算量大或定位准确率不高等问题。
本文结合数学形态学的基本运算，尝试使用数学形态学来实现车牌照识别系统中的关键步骤——车牌定位。
实验结果表明此方法算法简单，且有一定的定位准确率。
【关键词】数学形态学，结构元素，车牌定位浙江大学城市学院毕业论文Abstract A Method 0f License Plate Location Based0n Morphology【Abstract】In car license plate recognition system，license plate location is the precondition of the whole recognition module．Now various methods are used in it, each of which has its own advantage．However，such problems as the quantity in calculation or the low correct location rate aren’t solved．This paper uses mathematical morphology combined with its elemental calculation to realize the crucial procedure—license plate location in car license plate recognition．Experiment results show that such method call simplify the algorithm and has some correct location rate．【Key Words】Morphology，Structure element， License plate location目录第1章绪论 (1)1.1 车牌研究概要 (1)1.1.1 车牌定位的背景 (1)1.1.2 车牌定位的意义 (2)1.2 本文研究的内容 (3)1.2.1 车牌定位研究的主要内容 (4)1.2.2 研究小结 (4)第2章车牌定位算法的研究 (5)2.1 传统的车牌定位算法 (5)2.1.1 基于颜色的分割算法 (5)2.1.2 基于纹理的分割算法 (5)2.1.3 基于边缘检测的分割算法 (6)2.1.4 基于数学形态学的分割算法 (6)2.1.5 基于遗传算法的分割方法 (7)2.1.6 基于神经网络的分割算法 (8)2.2 形态学的基本运算 (8)2.2.1 膨胀，腐蚀 (9)2.2.2 开，闭运算 (10)2.3 本章小结 (11)第3章车牌定位算法的实现 (12)3.1 算法处理过程 (12)3.2 二值化处理 (12)3.3 腐蚀去噪 (13)3.4 作膨胀，腐蚀运算 (13)3.5 标记连通域 (13)3.6 标识并定位车牌 (14)3.7 本章小结 (15)第4章实验结果及分析 (16)4.1 实验说明 (16)4.1.1 实验流程 (16)4.1.2 实验分析 (17)4.2 实验小结 (20)结论 (21)参考文献 (22)附录 (24)致谢.......................................................................................................... 错误!未定义书签。
车牌识别测试报告
车牌识别测试报告1. 背景介绍车牌识别技术是一种通过计算机视觉技术对车辆的车牌进行自动识别的技术。
它广泛应用于交通管理、停车场管理、安防监控等领域。
本文将对车牌识别系统进行测试，并给出详细的测试报告。
2. 测试环境车牌识别系统的测试环境如下： - 操作系统：Windows 10 - 开发工具：Python 3.7 - 相机设备：USB摄像头3. 测试步骤步骤一：安装依赖库车牌识别系统的运行需要依赖一些Python库，如OpenCV、Numpy等。
在测试前，首先需要确保这些库已经正确安装。
步骤二：获取测试样本为了测试车牌识别系统的准确性和鲁棒性，我们从不同场景中收集了一些包含车牌的图片作为测试样本。
这些样本包括不同角度、不同光照条件下的车牌图片。
步骤三：预处理图片在进行车牌识别前，需要对测试样本进行一些预处理操作，以增加识别的准确性。
预处理步骤包括图像去噪、图像增强等。
步骤四：车牌定位车牌定位是车牌识别的第一步，在该步骤中，系统需要识别出图像中的车牌位置。
我们使用基于边缘检测和形态学运算的方法进行车牌定位。
步骤五：字符分割在车牌定位的基础上，需要对车牌进行字符分割，将车牌中的字符分离出来。
字符分割算法通常包括基于投影法、基于连通性等方法。
步骤六：字符识别在字符分割后，将得到单个字符的图像，然后使用字符识别算法对这些字符进行识别。
字符识别算法可以采用传统的机器学习方法，也可以使用深度学习方法。
步骤七：识别结果验证通过对测试样本的处理和识别，得到了识别结果。
为了验证系统的准确性，我们将人工判断识别结果与实际车牌进行比对。
4. 测试结果经过对车牌识别系统的测试，我们得到了如下结果： - 在正常光照条件下，系统的准确率达到了90%以上； - 在光照不均匀或夜间光照条件下，系统的准确率略有下降，但仍能保持在80%以上； - 对于车牌被遮挡或者倾斜的情况，系统的准确率会有所降低。
5. 总结与改进车牌识别系统在本次测试中表现出了较高的准确性和鲁棒性。
车牌识别软件(C#版)-课设报告
课程设计报告课程名称：实验名称：车牌识别软件系统（C#版本）专业：班级:小组成员：指导教师：2016年 7 月 2 日目录一、实验分工 (1)二、实验内容 (1)三、实验设备 (1)四、系统功能及实现 (1)4.1图像预处理模块 (2)4.1.1图像灰度化 (2)4.1.2图像的灰度均衡 (4)4.1.3图像的高斯滤波 (6)4.2 车牌定位模块 (8)4.2.1 Sobel边缘检测 (8)4.2.2 车牌定位分割 (11)4.3 字符分割模块 (13)4.3.1 车牌人工矫正 (14)4.3.2 车牌的灰度化和二值化 (17)4.3.3 车牌字符的分割 (18)4.4 字符识别模块 (21)4.5 模板匹配技术 (22)五、感想与体会 (23)一、实验分工xxx：负责图片的灰度化、二值化、去噪、边缘检测、车牌矫正等代码的编写，以及代码和报告书的整体格式和局部修改。
xxx：负责车牌定位、车牌字符分割、字符识别（模板匹配）等代码的编写，以及书写报告书的主体部分。
二、实验内容能够识别出普通照片中的车牌号码，当没有车牌时提示无法识别；采用C#编程环境。
对车牌中的英文字母及数字有识别能力，在足够清晰的图片中识别出字符，并给出结果。
对多种颜色车牌无差别识别。
三、实验设备Microsoft Visual Studio 2015四、系统功能及实现本车牌识别系统主要包括四个模块，即图像预处理模块、车牌定位模块、字符分割模块、字符识别模块。
下面将显示系统的主要功能模块。
4.1图像预处理模块摄像时的光照条件，牌照的整洁程度，摄像机的状态（焦距，角度和镜头的光学畸变），以及车速的不稳定等因素都会不同程度的影响图像效果，出现图像模糊，歪斜或缺损，车牌字符边界模糊不清，细节不清，笔画断开，粗细不均等现象，从而影响车牌区域的分割与字符识别的工作，所以识别之前要进行预处理。
4.1.1图像灰度化1．原理彩色图像包含着大量的颜色信息，不但在存储上开销很大，而且在处理上也会降低系统的执行速度，因此在对图像进行识别等处理中经常将彩色图像转变为灰度图像，以加快处理速度。
车牌识别实验报告
车牌识别实验报告1. 引言车牌识别是计算机视觉领域中一项重要的任务，它可以应用于交通管理、车辆追踪、智能停车等多个领域。
本实验旨在使用计算机视觉技术实现车牌识别，并评估不同方法在车牌识别任务上的性能。
2. 方法与实验设置2.1 数据集本实验使用了包含X张车辆图片的数据集，其中每张图片都带有车牌。
数据集中的车牌来自不同地区，包括不同字母和数字的组合。
2.2 数据预处理在进行车牌识别之前，需要对数据进行一定的预处理。
我们采取了以下步骤来准备数据：2.2.1 图像裁剪首先，我们利用图像处理技术对每张图片进行裁剪，截取出车牌区域。
由于车牌的位置和大小可能会有所不同，因此需要使用特定的算法来进行车牌区域的定位和提取。
2.2.2 图像增强为了提高图像中车牌的可分辨性，我们对裁剪后的车牌图像进行了增强处理。
常见的增强方法包括对比度增强、直方图均衡化和图像清晰化等。
通过这些增强技术，我们可以增强车牌图像的边缘和文字信息，从而更好地进行后续的识别。
2.3 特征提取与分类在车牌识别中，我们需要提取图像中的特征，并将其输入到分类器中进行识别。
常用的特征提取方法包括颜色直方图、梯度方向直方图和局部二值模式等。
在本实验中，我们选择了梯度方向直方图作为特征，并使用支持向量机（SVM）作为分类器进行车牌识别。
3. 实验结果与分析3.1 评估指标在对车牌进行识别后，我们需要评估识别的准确率和性能。
常用的评估指标包括精确度（Precision）、召回率（Recall）和F1值等。
3.2 实验结果根据实验设置，我们对数据集进行了训练和测试，并使用评估指标来评估车牌识别模型的性能。
经过多次实验和交叉验证，我们得到了如下结果：方法精确度召回率F1值方法A 0.85 0.82 0.83方法B 0.92 0.88 0.90方法C 0.95 0.93 0.943.3 分析与讨论根据实验结果，我们可以发现方法C在车牌识别任务中的性能最好，具有最高的精确度、召回率和F1值。
车牌识别技术实验报告
车牌识别技术实验报告引言车牌识别技术是一种基于计算机视觉和模式识别的技术，旨在从车辆图像中自动识别并提取出车牌信息。
随着交通管理的不断升级和智能化的要求，车牌识别技术逐渐得到广泛应用。
本实验旨在探究车牌识别技术的原理和实现方法，并通过实验验证其识别准确率和稳定性。
实验目的1. 了解车牌识别技术的基本原理；2. 学习车牌识别技术的常见实现方法；3. 掌握车牌识别系统的搭建和调试方法；4. 通过实验验证车牌识别技术的准确率和稳定性。
实验过程1. 数据集准备首先，我们需要准备具有不同车牌种类和样式的数据集作为实验数据。
根据实际应用场景，可以从公开数据集、网络爬取和现场采集等渠道获取。
2. 车牌定位车牌定位是车牌识别的第一步，它的目的是在整个车辆图像中提取出车牌区域。
常用的车牌定位方法包括边缘检测、颜色识别和特征匹配等。
3. 字符分割字符分割是车牌识别的第二步，它的目的是将车牌区域中的字符分割开来，以便后续识别。
常用的字符分割方法包括基于间隔的分割方法和基于统计特征的分割方法。
4. 字符识别字符识别是车牌识别的最关键步骤，它的目的是将分割开的字符识别出来。
常用的字符识别方法包括基于模板匹配的方法和基于机器学习的方法。
5. 实验验证通过将实现的车牌识别系统应用于真实场景的车辆图像，对识别结果进行准确率和稳定性的测试和评估。
可以使用准确率和召回率等指标来评估识别效果。
实验结果经过以上实验步骤，我们成功搭建了一个车牌识别系统，并进行了实验验证。
在实验过程中，我们从数据集中随机选择了100张车辆图像进行识别测试。
实验结果显示，车牌识别系统在准确率和稳定性方面表现出色，准确率达到95%，并能在不同光照和角度下稳定识别。
实验总结通过本次实验，我们深入了解了车牌识别技术的原理和实现方法。
我们学习了车牌定位、字符分割和字符识别等关键步骤，并成功搭建了一个车牌识别系统。
实验结果表明，该系统具有较高的准确率和稳定性，在实际应用中具有很大的潜力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数字图像处理在车牌识别中的应用
摘要
随着汽车数量在我国大面积的增加，城市交通状况逐渐受到人们的重视，如何进行有效的交通管理更是成为了人们关注的焦点。
针对此问题，人们运用新的科学技术，相继研制开发出了各种交通道路监视、管理系统。
因此，智能交通系统已成为世界交通领域研究的重要课题。
车牌识别系统作为智能交通系统的核心，起着非常关键的作用。
目前，图像处理技术在车牌识别中的应用研究已经成为科学界的一个重要研究领域。
本文旨在粗浅的运用所学基本原理和知识分析数字图像处理技术在友好环境下的应用（所选车牌识别的车辆图片均为友好环境下，易于处理的实验图片，不具有广泛性）。
以车牌为研究对象，主要研究如何通过图像的预处理、车牌的定位、车牌字符分割和字符识别等一系列过程，完成车牌的识别。
1.绪论
1.1背景及现状：
基于图像处理的车牌识别技术的研究在国外起步比较早，在美国、意大利、德国、以色列、新加坡等国家，现在都已经有比较成熟的产品投入使用，比如美国的（AUTOSCOF）2003系统、以色列的Hi-Tech公司研制的See/Car System、德国西门子公司的ARTEM7SXI系统、新加坡的Optasia公司研制的VLPRS等车牌识别系统，但因为我国车牌样式的多样性、车牌颜色的多样性以及包含汉字等特点，这些车牌识别系统不适合我国国情。
基于图像处理的车牌识别技术主要包括车牌定位、车牌分割、字符识别等方面的技术。
关于车牌定位方面，主要理由车牌的边缘、形状、颜色等特征，再结合数字图像处理、形态学、小波变换、人工神经网络等技术对车牌进行定位。
基于特征的车牌定位的方法有C.J.Setchel提出的基于字符边缘检测的车牌定位方法，M.M.Mfahmy提出一种基于迭代阈值的车牌定位方法。
完全基于形态学的算法有运用数学形态学的闭运算获得车牌的候选区，然后采用投影的方法剔除假车牌，定位针车牌。
基于神经元网络的方法有基于BP网络的牌照定位方法，基于彩色的车牌定位方法有采用多层感知器网络对输入彩色图像进行彩色分割及多级混合集成分类器的车牌自动识别方法。
还有根据彩色边缘检测算子ColorPrewitt和彩色边缘检测与区域生长相结合的车牌定位算法。
1.2原理及方法
通常，车牌识别过程分为图像预处理、车牌定位、车牌校正、车牌分割
和车牌识别五个部分。
（本文不包含车牌校正）。
1.图像预处理: 在整个车牌识别系统中，由于采集进来的图像为彩图，再加上实际采集环境的影响以及采集硬件等原因，图像质量并不高，其背景和噪声会影响字符的正确分割和识别，所以在进行车牌分割和识别处理之前，需要先对车牌图像进行图像预处理操作。
2.车牌定位: 首先对车牌的二值图片进行形态学滤波，使车牌区域形成一个连通区域，然后根据车牌的先验知识对所得到的连通区域进行筛选，获取车牌区域的具体位置，完成从图片中提取车牌的任务。
3.车牌分割: 首先对车牌进行水平投影，去除水平边框；再对车牌进行垂直投影。
通过对车牌进行投影分析可知，与最大值峰中心对应的为车牌中第二个字符和第三个字符的间隔，与第二大峰中心距离对应的即为车牌字符的宽度，并以此为依据对车牌进行分割。
4.字符识别: 本文采用模板匹配方法来对车牌进行识别。
识别过程中，首先建立标准字库，再将分割所得到的字符进行归一化，将归一化处理后的字符与标准字库里的字符逐一比较，最后把误差最小的字符作为结果显示出来。
图1 牌照识别系统原理图
2.图像预处理
由于光照条件，牌照的整洁程度，拍摄条件都会出现图像模糊，车牌字符边界模糊不清，细节不清歪斜，粗细不均等现象，从而影响车牌区域的进一步处理工作，所以识别之前要进行预处理。
2.1 图像预处理及边缘提取简易流程
图2 预处理及边缘提取流程图
2.2预处理：
1．消除模糊
用滤波处理消除图像的运动模糊
2．图像去噪
应用中值滤波去除得到的汽车图像中的一些环境噪声，椒盐噪声，
3．图像增强
由于自然光照度的变化会引起图像对比度的不足，所以应进行图像增强，可以采用灰度拉伸，直方图均衡等（该步骤在程序实现中没有单独实现功能，融合进预处理代码之中）。
通过以上处理，提高了图像的质量，强化了图像提取区域。
2.3边缘检测
采用Sobel 算子经行边缘检测
该算子包含两组3*3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。
如果以A 代表原始图像，Gx 及Gy 分别代表经横向及纵向边缘检测的图像，其公式如下:
A Gx *]101202101⎥⎥⎥⎦⎤+-+-+-⎢⎢⎢⎣⎡= and A *121000121Gy ⎥⎥⎥⎦
⎤---+++⎢⎢⎢⎣⎡= 图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。
2
y 2x G G G += 然后可用以下公式计算梯度方向。
⎪⎪⎭
⎫ ⎝⎛=x y
G G arctan θ 在以上例子中，如果以上的角度θ等于零，即代表图像该处拥有纵向边
输入车牌图象
灰度校正
平滑处理
提取边缘
缘，左方较右方暗。
3. 车牌的定位和分割
牌照的定位和分割主要目的是在经图象预处理后的原始灰度图象中确定牌照的具体位置，并将包含牌照字符的一块子图象从整个图象中分割出来，供字符识别子系统识别之用，分割的准确与否直接关系到整个牌照字符识别系统的识别率。
完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。
字符分割一般采用垂直投影法。
由于字符在垂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的附近，并且这个位置应满足牌照的字符书写格式、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。
对图像进行腐蚀
去除杂质
通过计算寻找X和Y方向车牌的区域
完成车牌定位
对分割出的车牌做进一步处理
图3 牌照定位与分割流程图
3.1字符分割难点
由于铆钉和周围其它干扰像素的原因，使得垂直投影中，铆钉会对图像的分割起干扰作用，所以要先去除铆钉和确定字符上下界。
3.2字符大小归一化
外形归一化：
将文字的外边框按比例线性放大或缩小成为规定尺寸的文字图像。
简单的采用图像的放大和缩小算法，实现所有字符的同大小，为下一步识别做好准备。
4.字符识别
4.1 字符分割与特征提取
在牌照自动识别过程中，字符分割有承前启后的作用。
它在前期牌照定位的基础上进行字符的分割，然后再利用分割的结果进行字符识别。
一般分割出来的字符要进行进一步的处理，以满足下一步字符识别的需要。
但是对于车牌的识别，并不需要太多的处理就已经可以达到正确识别的目的。
在此只进行了归一化处理，然后进行后期处理。
4.2 单个字符识别
字符的识别目前用于车牌字符识别中的算法主要有基于模板匹配的OCR算法以及基于人工神经网络的OCR算法。
另一种方法则充分利用神经网络的特点，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。
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 字符识别流程图
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，然后找数值最大的，即为识别出来的结果。
字符识别使用模板匹配的方法，利用两幅图片相减的方法，找到相减后值最小的，即为相似程度最大的。
对于识别错误情况的分析可知，主要原因：一是牌照自身的污渍等影响了图象的质量；二是牌照字符的分割失败导致的识别错误；再就是部分字符的形状相似性。
5.设计与实现总体步骤：
车牌图片预处理车牌定位分割字符分割字符识别输出结果
6、小结
本次大作业让我对车牌识别系统的实现和研究方法进行了深入了解。
分别从图像预处理、车牌定位、字符分割以及字符识别等方面进行了学习和分析。
在车牌定位前，先对图像进行预处理，再进行边缘检测操作等方法，进而为定位打下基础。
通过实验运行的结果可以看出，图像预处理、sobel边缘检测、灰度跳变等对车牌的定位都是十分有效的。
对多组图片进行实验能很好的定位车牌，准确的进行车牌字符的分割，得到了很好的实验效果。
本实验程序车牌的识别部分并不是十分准确，但是通过对代码的学习和网上资料查询，深切体会到方法的多样性和复杂性，不断改进的方法促使人不停的进步与学习。