MATLAB车牌识别过程

7.3 系统详细设计

7.3.1 车牌图像读入

目前常用的图像格式主要有*.PCX、*.BMP、*.JPG、*.TIFF、*.GIF 等，本设计采集到的图片格式为*.JPG格式，这种格式的图像占有的存储空间小，而且是使用最广的图片保存和传输格式，大多数的摄像设备也都是以*.JPG格式保存图像的。利用图像工具的图像读取函数imread() 来读取一副图像，其使用格式为：

I=imread(‘fn pn’); %fn为图像文件名，pn为文件路径

使用图像工具的图像显示函数imshow() 来显一副图像，使用格式为：

Imshow(I);

具体代码为：

[fn pn]=uigetfile (‘*.JPG’,’选择图片’)；%选择图像文件，fn为文件名，pn为路径I= imread ([fn pn]); %显示所选图像

Figure,imshow(I);title(‘原始车牌图像’); %在新建的figure中显示所选图像文件，

figure标题为原始车牌图像

以一副名为“桂APC322”的车牌图片为例，程序运行结果为：

7.3.2 彩色（基于蓝色）车牌定位、提取

将彩色车牌读入后，采用水平垂直双向投影法，将图像分别投影到X、Y坐标轴，然后分别

沿X、Y轴扫描图像。当沿Y轴扫描时，一边扫描一边统计图像中蓝色像素点的个数，第一次扫描到蓝色像素点最多的行时停止扫描，并记录下蓝色像素点最多的行，然后以这行为基点，分别向上、向下扫描直到统计的像素点小于像素点阀值时，停止扫描，记录上下行的

Y轴坐标PY2，PY1，I=(PY1:PY2,: ,:)就为Y轴方向的车牌区域，代码如下：

Blue_y=zeros(y,1);

for i=1:y

for j=1:x

if((myI(i,j,1)<=48)&&((myI(i,j,2)<=100)&&(myI(i,j,2)>=40))&&((myI(i,j ,3)<=200)&&(myI(i,j,3)>=80)))

Blue_y(i,1)= Blue_y(i,1)+1; %统计蓝色像素点

end

end

end

[temp MaxY]=max(Blue_y); %

PY1=MaxY;%

while ((Blue_y(PY1,1)>=Y_threshlow)&&(PY1>1)) %

PY1=PY1-1;

end

PY2=MaxY;

while ((Blue_y(PY2,1)>=Y_threshlow)&&(PY2

PY2=PY2+1;

end

PY1, PY2

figure(2),subplot(1,2,1),plot(Blue_y),title('行方向的蓝色像素点统

计');grid on

IY=I(PY1:PY2,:,:);

figure(2),subplot(1,2,2),imshow(IY),title('行方向车牌区域');

运行结果如下：

同理可得X轴方向的车牌区域：

两者结合可提取出完整的车牌区域：

7.3.3 车牌图像灰度化

由于车牌底色跟上面的字符的颜色对比度很大，所以将RGB图像转化为灰度图时，车牌底色跟字符的灰度值也会相差很大，这样就可以很明显的显现出车牌区域，便于后续处理。本系统使用的是MA TLAB内的灰度图转换函数rgb2gray()，其图像灰度值计算公式为：G=0.299R+0.578G+0.114B;

程序源代码为：

bw=rgb2gray (I);figure(6),imshow (bw);title(‘灰度图像’)；

运行结果为：

7.3.4 车牌倾斜校正

由于摄像头拍摄角度的不同，可能使拍摄的车牌图片也发生倾斜，为了图像的后续处理以及很好的去识别字符，需对提取的带有倾斜的车牌图像进行校正。本系统采用的办法是，首先用radon 算法进行倾斜角度计算，然后根据倾斜角对图片精选修正，从而得到水平方向一致的图片，利于后期的分割识别。代码如下：

I=edge(I);%

theta = 1:180;

[R,xp] = radon(I,theta);

[I,J] = find(R>=max(max(R)));%

bw=imrotate(bw,qingxiejiao,'bilinear','crop');figure,imshow(bw);title ('车牌倾斜');

运行结果如下：

7.3.5 车牌图像处理

对车牌灰度图像的处理主要有二值化、腐蚀、去除干扰、膨胀、擦除、取反，都可以直接使用图像工具箱的图像处理函数。经过以上处理过程后可以得到带边框的白底黑字的车牌图片，但是由于还存在车牌的边框，需要对其进行二次的裁剪，裁剪方法跟上面阐述的提取彩色车牌方法相似，先将图片水平垂直投影，然后统计黑色像素点，找到字符边缘进行裁剪，得到除去边框的白底黑字的车牌照。代码如下：

SE=ones(3,3);

bw=im2bw(bw);figure,imshow(bw);title('二值化');

bw=imerode(bw,SE);figure,imshow(bw);title('腐蚀');

bw=bwmorph(bw,'clean',inf);

bw=bwmorph(bw,'hbreak',inf);

bw=bwmorph(bw,'spur',inf);

bw=imdilate(bw,SE);figure,imshow(bw);title('膨胀');

bw = bwareaopen(bw, threshold);figure,imshow(bw);title('擦除');

bw=~bw;figure,imshow(bw);title('颜色取反');

bw=touying(bw);figure;imshow(bw);title('投影');

运行结构如下：

7.3.6 字符分割

对二次裁剪的车牌图像进行水平垂直投影,计算水平垂直峰,检测合理的字符高宽比.可用与区域分割相同的方法进行峰值的删除和合并.但在字符切割时,往往由于阈值取得不好,导致字符切割不准确,针对这种情况,可以由车牌格式的先验知识,对切割出的字符宽度进行统计分析,用以指导切割。代码如下：

[y,x]=size(imfenge);

histogram=sum(~imfenge);

k=1;

for h=1:x-1

if

((histogram(1,h)<=shedingyuzhi)&&(histogram(1,h+1)>shedingyuzhi))||(( h==1)&&histogram(1,h)>shedingyuzhi)

fenge(1,k)=h;

k=k+1;

elseif

((histogram(1,h)>shedingyuzhi)&&(histogram(1,h+1)<=shedingyuzhi))||(( h==x-1)&&histogram(1,h)>shedingyuzhi)

fenge(1,k)=h+1;

k=k+1;

end

end

k=k-1;

if

(sum(histogram(1,fenge(1,1):fenge(1,2)))

for i=3:k

fenge(1,i-2)=fenge(1,i);

end

end

[m n]=size(fenge);

fenge=fenge(1,1:14);

运行结果如下：

7.3.7 字符识别

目前字符识别方法主要有神经网络识别法和模板匹配法。人工神经网络是模拟人脑思维功能和组织建立起来的数学模型，但总体来说其应用还是相对复杂的。模板匹配法是将从待识别的图象或图象区域f(i,j)中提取的若干特征量与模板T(i,j)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期间相似程度最高，可将图象归于相应的类。也可以计算图象与模板特征量之间的距离，用最小距离法判定所属类。本系统使用的是较为简单的模板匹配法来识别字符的。

首先将待识别字符的图像进行归一化处理，使其长宽与模板字符图像长宽一致，模板使用的是80*160的图片尺寸，待识别字符图像归一化代码为：xiuzhenghanzi = imresize(han_zi, [80 160],'bilinear');

xiuzhengzimu = imresize(zi_mu, [80 160],'bilinear');

xiuzhengzm_sz_1 = imresize(zm_sz_1,[80 160],'bilinear');

xiuzhengzm_sz_2 = imresize(zm_sz_2,[80 160],'bilinear');

xiuzhengzm_sz_3 = imresize(zm_sz_3,[80 160],'bilinear');

xiuzhengzm_sz_4 = imresize(zm_sz_4,[80 160],'bilinear');

xiuzhengzm_sz_5 = imresize(zm_sz_5,[80 160],'bilinear');

待识别字符图像与模板字符图像长宽一致以后，就可以用带识别字符图像与模板字符图像进行匹配，具体过程为：

建立模板字库表

读取分割出来的字符

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

求待识别字符与模板字符的相关系数，相关

系数越大，说明其相似度越大

识别完成，输出此模板对应值

字符匹配代码为：

comp=[ ];

for n=1:num_letras

sem=corr2(xiuzhengzifu,mubanzifu);

%利用corr2()函数求待识别字符图像与模板图像的相关系数

comp=[comp sem]; %将相关系数的值赋给comp

end

xiangguan=find(comp==max(comp)); %找出相关系数最大的值

msgbox(shibiejieguo,'识别结果'); %显示识别结果

运行结果如下：

7.3.8 语音播报识别结果

对字符正确识别之后，用事先对对每一个字符的录音根据对应字符顺序播放。在对车牌区域识别出错、字体分割出错时程序暂停，并有语音提醒。

7.4 数据存储与数据库查询

本系统使用的是Microsoft SQL Server2000来实现车牌信息处理的。数据存储主要是车牌信息的存储和出入时间存储，实现车辆信息自动登记；数据库查询主要是在数据库中查找识别的车牌信息，然后由计算机自动判别是被车辆是不是属于所属地区。

首先是建立数据库，数据库名设为Study，接着需要在数据库中建立两个表Churujilu和Zhuceyonghu，表Churujilu主要是存储识别的车辆信息和相应的出入时间，表Zhuceyonghu 主要是所属地区车辆信息的登记，包括车牌号和车主，用于查询。

然后是建立ODBC数据源，命名为DBTEST，使用ODBC数据源来连接数据库，连接数据库代码为：

sourceName = 'DBTEST';% 获取数据源

Timeout = logintimeout(5);% 允许登陆连接时间最长为5s

conn = database(sourceName, 'sa', '');% 获取数据库连接对象

fprintf('\n数据库连接状态\n');

disp(ping(conn));% 显示测试数据库连接状态

运行结果为：

再然后是将车牌信息和当时时间一起写入数据库，写入数据时使用的是insert()函数，具体代码如下：

insert(conn,'Study.dbo.Churujilu',{'Chepaihao','Shijian'},{shibiejieg uo,datestr(now)});

%将识别结果和当时的时间分别存入到Study数据库的Churujilu表中的Chepaihao和

Shijian两列中

当识别完车牌“桂APC322”后，将车牌信息和当时时间写入数据库的Churujilu表中，实现车辆信息自动登记，结果如图：

最后是在数据库中查询是否存在识别车辆的注册登记信息，使用的是SQL语句进行查询。如果查询到与识别结果相同的车牌号，则返回其查询到的车辆信息，并弹出对话框“欢迎光临”，表示查找到相应信息；如果没有查询到，则MATLAB返回为字符串“No Data”,并弹出对话框“请下车登记”，表示没有查找到与识别车辆相匹配的信息。具体代码为：

curs=exec(conn,['select Chepai from Study.dbo.Zhuceyonghu where Chepai= ''''' shibiejieguo '''']);

%在Study数据库的Zhuceyonghu表中查找与识别结果相同的车牌号

e = fetch(curs);%用fetch()函数将查询结果从数据库传给MATLAB中的矩阵e

a=e.data;%把矩阵e中的数据全部传给a

a=char(a);%把a转化为char型

disp(a);%在MATLAB中显示a里面的所有数据，即查询结果信息

if strcmp('No Data',a)%将查询返回的信息与识别结果比较

msgbox('请下车登记','查询结果’);

%如果没有查询到则显示“请下车登记”

else

msgbox('欢迎光临','查询结果’);

%如果查询到识别车辆则显示“欢迎光临”

end

车牌“桂APC322”识别完后，查询结果为：

因为在前面数据库的Zhuceyonghu表中，已有此车牌的注册登记信息，所以查询结果为“欢迎光临”。