论文部分内容阅读
摘要：随着科学技术的飞速发展，汽车已经成为现代社会重要的交通工具，催生了新一代智能交通系统。车牌识别技术作为智能交通的基石，为交通管理提供了技术支持。它使人们的驾驶变得更容易和更快。结合车牌识别和计算机软件，在MATLAB平台上通过数字图像处理技术计算车辆图像，完成车牌定位和字符分割。同时，将改进的模板匹配识别方法应用于字符识别，使系统能够正确识别车牌字符，实现自动车牌识别的目的。
关键词：matlab;字符分割;图像预处理
中图分类号：G4 文献标识码：A
一、引言
智能交通系统广泛应用于道路交通监控、违章车辆记录、停车智能管理等领域，在城市交通网络中发挥着重要作用。准确高效的车牌识别信息作为车辆的重要标志，为智能交通系统提供支持和保障。车牌识别系统基于模式识别和数字图像处理技术提取和识别车牌中的字符。该系统分为四个部分：图像预处理、车牌定位、字符分割和字符识别。预处理作为系统的第一部分，是所有后续处理的基础。车牌定位是车牌识别的前提，定位的准确性直接影响字符识别的准确性，是车牌识别系统的重要组成部分。本文对车牌识别系统中的图像预处理和车牌定位进行了分析和研究，提出了一种结合这两种算法的定位方法。实验基于MATLAB平台，通过图像的灰度、灰度拉伸、平滑等步骤，突然获得足够亮度和对比度的车牌灰度图像，并通过Roberts算子提取图像边界，基于数学形态学，消除背景干扰，粗略定位车牌区域，然后利用投影的方法对车牌区域进行水平和垂直扫描，实现车牌区域的精确定位。
二、图像预处理及车牌定位
由于复杂的天气、光照强度等因素，车牌图像质量在自然环境中会發生或多或少的变化，图像质量将直接影响后续的车牌定位和识别。为了尽可能地消除噪声，提高图像质量，需要对读取的车牌图像进行预处理。图像预处理主要包括图像灰度、图像增强、平滑等操作，并转换成二值图像，方便车牌定位。本文中的车牌背景为蓝色。对于黄色背景和白色背景的车牌，需要调整车牌定位算法以反转图像。双牌照可以在白色背景上转换为黑色字符，然后在黑色背景上转换为白色字符。在车牌定位部分，考虑了几种常用车牌定位方法的优缺点，选择了基于灰度图像纹理特征的车牌定位方法。按行和列扫描灰度图像，找出图像每行中包含哪些车牌碎片，并记录这些碎片的初始坐标和长度。如果连续线至少有一个板片，且这些线的数量大于某个阈值，则认为在该线和起始线的方向上找到了板的候选区域，并确定了线方向的高度。再次扫描列方向。完成车牌区域，如图所示。
为了防止车牌定位过程中一些信息的丢失，将提取的边缘图像进行闭合，并填充图像中的一些孔洞，以保证原始连通区域的连通。车牌很大，锁在白色区域。对于一些车牌，粗略定位只是缩小了车牌在图像中的范围，并没有确定车牌的具体位置。因此，有必要准确定位车牌的位置。
准确的定位车牌的步骤如下：（1）车牌的位置可以存储在粗糙的位置标记（2）计算等一系列参数的区域，一个接一个地标记区域的宽度和高度（3）车牌区域应根据国家标准车牌大小决定的。蓝色车牌尺寸440 * 140mm。在采集图像时，由于距离等因素，无法确定440mm 140的长宽。一般来说，会有一定的规模。因此，通过计算车牌区域的长度宽度参数，可以设置阈值范围为2 ～ 4根据车牌的长度宽度比（约3）。认为在连接块的迹象，长宽比是车牌的位置范围内。车牌区域确定后，需要进一步确定车牌边界，包括白色像素和蓝色像素的统计位置。在该系统中，我们采用蓝色像素计数的方法，首先扫描图像线，确定车牌的上下边界，然后扫描图像列，确定车牌的左右边界，但一般车牌框附近会有一些缺失的信息。为了解决这一现象，在原扫描过程后增加了校正和取帧操作，即对原扫描区域的周围进行适当放大，以保证有效信息在定位区域内。修正后的车牌区域更加完整。
三、字符分割与识别
调整倾斜角度，去除边界，校正水平或垂直倾斜板，并使用radon变换获得水平轴上非倾斜点的线积分。Radon变换的实质是将原始函数从原始平面变换到新平面，使原始平面上同一直线上的点位于新平面上的相同点上。通过计算新平面上点的累积厚度，我们可以知道线在原始平面上的分布。为了准确识别车牌中的字符，需要去除车牌的边框。计算调整后的车牌线间差值的累计和，变化最大的位置为车牌边界。
采用了两种典型的字符识别方法，即基于模板匹配的字符识别方法和基于神经网络的字符识别方法。首先，将待识别字符规格化为模板库中模板的大小，然后将字符与模板库中的所有模板进行比较，生成像素间距函数，然后找到间距函数的最小值。也就是说，通过计算和比较模板库中输入字符和模板之间的相似性。与最相似的字符模板相对应的间隙函数的最小值是要识别的字符和最终输出匹配。
参考文献
[1]阚希，曹海啸，夏庆锋，刘书铭，张长屿，游云飞.基于深度学习的Android平台车牌识别系统设计[J].软件导刊，2021，20（06）：28-32.
[2]杨新年，苏畅，高冠福，魏喜雯.一种车牌检测与识别系统的设计与实现[J].物联网技术，2021，11（04）：15-16+19.
[3]屠菁，刘登胜，钟雪景.KNN分类算法在停车场车牌识别系统中的应用[J].淮南师范学院学报，2021，23（02）：143-148.
[4]孙淳.基于GUI图形处理系统的车牌识别[J].软件导刊，2021，20（02）：210-214.
[5]张松兰.车牌识别系统算法综述[J].电子技术与软件工程，2021（04）：128-130.
[6]朱文和.基于卷积神经网络的双行车牌识别系统[J].时代汽车，2021（04）：29-30.
[7]习建军，刘新凯，崔丹丹.智能交通中的车牌自动识别GUI仿真系统设计研究[J].科技经济导刊，2021，29（04）：12-14.
关键词：matlab;字符分割;图像预处理
中图分类号：G4 文献标识码：A
一、引言
智能交通系统广泛应用于道路交通监控、违章车辆记录、停车智能管理等领域，在城市交通网络中发挥着重要作用。准确高效的车牌识别信息作为车辆的重要标志，为智能交通系统提供支持和保障。车牌识别系统基于模式识别和数字图像处理技术提取和识别车牌中的字符。该系统分为四个部分：图像预处理、车牌定位、字符分割和字符识别。预处理作为系统的第一部分，是所有后续处理的基础。车牌定位是车牌识别的前提，定位的准确性直接影响字符识别的准确性，是车牌识别系统的重要组成部分。本文对车牌识别系统中的图像预处理和车牌定位进行了分析和研究，提出了一种结合这两种算法的定位方法。实验基于MATLAB平台，通过图像的灰度、灰度拉伸、平滑等步骤，突然获得足够亮度和对比度的车牌灰度图像，并通过Roberts算子提取图像边界，基于数学形态学，消除背景干扰，粗略定位车牌区域，然后利用投影的方法对车牌区域进行水平和垂直扫描，实现车牌区域的精确定位。
二、图像预处理及车牌定位
由于复杂的天气、光照强度等因素，车牌图像质量在自然环境中会發生或多或少的变化，图像质量将直接影响后续的车牌定位和识别。为了尽可能地消除噪声，提高图像质量，需要对读取的车牌图像进行预处理。图像预处理主要包括图像灰度、图像增强、平滑等操作，并转换成二值图像，方便车牌定位。本文中的车牌背景为蓝色。对于黄色背景和白色背景的车牌，需要调整车牌定位算法以反转图像。双牌照可以在白色背景上转换为黑色字符，然后在黑色背景上转换为白色字符。在车牌定位部分，考虑了几种常用车牌定位方法的优缺点，选择了基于灰度图像纹理特征的车牌定位方法。按行和列扫描灰度图像，找出图像每行中包含哪些车牌碎片，并记录这些碎片的初始坐标和长度。如果连续线至少有一个板片，且这些线的数量大于某个阈值，则认为在该线和起始线的方向上找到了板的候选区域，并确定了线方向的高度。再次扫描列方向。完成车牌区域，如图所示。
为了防止车牌定位过程中一些信息的丢失，将提取的边缘图像进行闭合，并填充图像中的一些孔洞，以保证原始连通区域的连通。车牌很大，锁在白色区域。对于一些车牌，粗略定位只是缩小了车牌在图像中的范围，并没有确定车牌的具体位置。因此，有必要准确定位车牌的位置。
准确的定位车牌的步骤如下：（1）车牌的位置可以存储在粗糙的位置标记（2）计算等一系列参数的区域，一个接一个地标记区域的宽度和高度（3）车牌区域应根据国家标准车牌大小决定的。蓝色车牌尺寸440 * 140mm。在采集图像时，由于距离等因素，无法确定440mm 140的长宽。一般来说，会有一定的规模。因此，通过计算车牌区域的长度宽度参数，可以设置阈值范围为2 ～ 4根据车牌的长度宽度比（约3）。认为在连接块的迹象，长宽比是车牌的位置范围内。车牌区域确定后，需要进一步确定车牌边界，包括白色像素和蓝色像素的统计位置。在该系统中，我们采用蓝色像素计数的方法，首先扫描图像线，确定车牌的上下边界，然后扫描图像列，确定车牌的左右边界，但一般车牌框附近会有一些缺失的信息。为了解决这一现象，在原扫描过程后增加了校正和取帧操作，即对原扫描区域的周围进行适当放大，以保证有效信息在定位区域内。修正后的车牌区域更加完整。
三、字符分割与识别
调整倾斜角度，去除边界，校正水平或垂直倾斜板，并使用radon变换获得水平轴上非倾斜点的线积分。Radon变换的实质是将原始函数从原始平面变换到新平面，使原始平面上同一直线上的点位于新平面上的相同点上。通过计算新平面上点的累积厚度，我们可以知道线在原始平面上的分布。为了准确识别车牌中的字符，需要去除车牌的边框。计算调整后的车牌线间差值的累计和，变化最大的位置为车牌边界。
采用了两种典型的字符识别方法，即基于模板匹配的字符识别方法和基于神经网络的字符识别方法。首先，将待识别字符规格化为模板库中模板的大小，然后将字符与模板库中的所有模板进行比较，生成像素间距函数，然后找到间距函数的最小值。也就是说，通过计算和比较模板库中输入字符和模板之间的相似性。与最相似的字符模板相对应的间隙函数的最小值是要识别的字符和最终输出匹配。
参考文献
[1]阚希，曹海啸，夏庆锋，刘书铭，张长屿，游云飞.基于深度学习的Android平台车牌识别系统设计[J].软件导刊，2021，20（06）：28-32.
[2]杨新年，苏畅，高冠福，魏喜雯.一种车牌检测与识别系统的设计与实现[J].物联网技术，2021，11（04）：15-16+19.
[3]屠菁，刘登胜，钟雪景.KNN分类算法在停车场车牌识别系统中的应用[J].淮南师范学院学报，2021，23（02）：143-148.
[4]孙淳.基于GUI图形处理系统的车牌识别[J].软件导刊，2021，20（02）：210-214.
[5]张松兰.车牌识别系统算法综述[J].电子技术与软件工程，2021（04）：128-130.
[6]朱文和.基于卷积神经网络的双行车牌识别系统[J].时代汽车，2021（04）：29-30.
[7]习建军，刘新凯，崔丹丹.智能交通中的车牌自动识别GUI仿真系统设计研究[J].科技经济导刊，2021，29（04）：12-14.