车牌定位与提取
车牌识别原理
车牌识别原理
车牌识别是指通过图像处理和模式识别技术，对车辆的车牌进行自动识别和文字提取的过程。
其原理可以概括为以下几个步骤：
1. 图像预处理：从摄像头获取的图像需要进行预处理，包括去噪、灰度化、二值化等操作。
去噪主要是为了减少图像中的干扰信息，而灰度化和二值化则是将图像转换为黑白二值图，方便后续处理。
2. 车牌定位：在经过预处理后的图像中，需要找到车牌所在的位置。
常用的方法有基于边缘检测、颜色分析和形状匹配等。
边缘检测可以提取图像中的边缘信息，颜色分析可以根据车牌的颜色特性进行筛选，形状匹配可以通过匹配车牌的形状特征来定位。
3. 字符分割：在定位到车牌后，需要将车牌上的字符进行分割。
常见的方法有基于边缘投影和垂直投影的字符分割算法。
边缘投影是通过检测字符边缘的变化情况来实现分割，垂直投影则是通过统计字符列中像素的数量来实现分割。
4. 字符识别：分割后得到的单个字符需要进行识别。
字符识别主要是通过模式识别技术，例如用神经网络、SVM等算法进
行训练和匹配。
训练集中包含了各种不同字符的样本，识别时将样本与待识别字符进行比对，找到最匹配的字符。
5. 结果输出：识别出的字符需要进行校验和整理，确保识别准
确无误。
最后将识别结果输出为文字或数字，用于后续的车辆管理和系统应用。
综上所述，车牌识别主要通过图像预处理、车牌定位、字符分割、字符识别和结果输出等步骤实现对车牌的自动识别和文字提取。
通过不同的算法和技术优化，可以提高识别的准确率和实时性，提升车牌识别系统的性能和可靠性。
车牌提取的实现方法
车牌提取的实现方法
车牌识别是计算机视觉和图像处理领域中的一个应用，其实现方法通常涉及以下步骤：
图像采集：使用摄像头或其他图像采集设备获取车辆图像。
这可以是实时视频流或静态图像。
图像预处理：对采集到的图像进行预处理，包括去噪、调整图像的亮度和对比度、图像增强等操作，以提高后续处理的准确性。
车牌定位：使用图像处理技术，例如边缘检测、色彩信息等，定位图像中的车牌位置。
车牌通常具有独特的形状和颜色，可以通过这些特征进行检测。
字符分割：对车牌区域进行字符分割，将每个字符分离开来。
这通常涉及到字符之间的空隙分析、连通区域分割等技术。
字符识别：对分割得到的字符进行识别，将其转换为文字信息。
字符识别可以使用光学字符识别（OCR）技术，也可以结合深度学习模型，例如卷积神经网络（CNN）。
后处理：对字符识别结果进行后处理，例如根据语法规则验证
识别的结果，纠正可能的误识别。
输出结果：最终输出识别到的车牌信息，通常包括车牌号码和相关信息。
在实际应用中，车牌识别系统可以使用传统的计算机视觉方法，也可以结合深度学习等先进技术。
深度学习方法，尤其是使用卷积神经网络（CNN）的方法，在车牌识别任务中取得了很好的效果，尤其是在大规模数据集上进行训练的深度学习模型在复杂场景下表现较好。
一种复杂环境中的车牌定位算法
一种复杂环境中的车牌定位算法车牌定位是智能交通系统中重要的一环，它是车辆识别系统的关键步骤。
然而，在复杂环境中，如光线不均匀、天气恶劣或者车辆位置和角度变化较大时，车牌定位变得尤为困难。
因此，为了提高车牌定位的准确性和鲁棒性，在这种复杂环境下，可以采用以下算法。
首先，可以通过颜色特征进行车牌定位。
车牌通常具有特定的颜色，例如蓝色、黄色或者绿色等。
因此，可以使用颜色分割算法来提取图像中的车牌区域。
该算法首先根据颜色阈值将图像分割为不同的颜色区域，然后通过形态学操作来滤除小的非车牌区域。
最后，根据车牌的特定形状和比例进行筛选和检测。
其次，可以利用边缘检测算法来进行车牌定位。
边缘检测可以识别图像中的边缘信息，而车牌通常具有较为明显的边缘。
可以采用经典的边缘检测方法，如Canny算子，对图像进行边缘提取。
然后，根据车牌的特定形状和比例进行车牌候选区域的筛选。
此外，可以采用模板匹配的方法进行车牌定位。
模板匹配是一种基于相似度的匹配算法，可以在复杂背景下识别车牌。
首先，需要采集车牌图像的样本，然后使用特定的特征提取算法，如卷积神经网络（CNN），将车牌样本转换为特征向量。
接下来，对于待检测图像，也使用同样的特征提取算法，将图像转换为特征向量。
最后，通过计算图像特征向量与车牌样本特征向量之间的相似度来判断是否为车牌区域。
最后，可以结合多种算法进行车牌定位。
由于复杂环境下的车牌定位问题具有较高的难度，单一算法往往无法满足要求。
因此，可以采用多种算法的组合，例如，先通过颜色分割算法提取初始车牌区域，然后再使用边缘检测和模板匹配算法进行进一步的筛选和确认。
综上所述，复杂环境中的车牌定位算法可以结合颜色分割、边缘检测、模板匹配等多种方法。
同时，对于车牌定位的准确性和鲁棒性，还需要考虑光照变化、天气条件等因素，并采用适当的预处理和参数调整方法来提高算法的性能。
提取车牌
提取车牌的具体步骤如下：1、提取原始图像的行，列和维数，并将数字图像坐标化；2、对汽车图像进行行扫描，并对此方向进行像素分析，将蓝色像素点三基色范围的颜色坐标统计并记录下来，记入一个矩阵IY中，IY为包含行方向车牌像素点的一幅数字图像；3、对数字图像IY进行列方向扫描，同时进行蓝色像素点统计，将统计的像素点记入矩阵Plate 中，Plate就是要提取的目标图像，即车牌图像；4、保存车牌图像，便于下一步提取图像。
基于颜色提取汽车车牌的程序如下所示：I=imread('DSC00944.JPG');subplot(2,3,1),imshow(I);title('原始图像');[y,x,z]=size(I);myI=double(I);Blue_y =zeros(y,1);fori=1:yfor j=1:xif(((myI(i,j,1)<=55)&&(myI(i,j,1)>=0))&&((myI(i,j,2)<=100)&&(myI(i,j,2)>=30))&&... ((myI(i,j,3)<=200) &&(myI(i,j,3)>=90)))%蓝色RGB的颜色范围Blue_y(i,1)=Blue_y(i,1)+1;%蓝色像素点统计endendend[tempMaxY]=max(Blue_y);%Y方向车牌区域确定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,:,:);subplot(2,3,2),plot(Blue_y);gridtitle('Y方向统计')subplot(2,3,4),imshow(IY);title(' Y方向车牌区域确定')%X方向统计Blue_x=zeros(1,x);%进一步确定X方向的车牌区域for j=1:xfori=PY1:PY2if((myI(i,j,1)<=55)&&myI(i,j,1)>=0&&((myI(i,j,2)<=100)&&(myI(i,j,2)>=30))&&... ((myI(i,j,3)<=200)&& (myI(i,j,3)>=90)))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;endsubplot(2,3,3),plot(Blue_x);gridtitle('X方向统计')%对车牌区域的修正PX1=PX1-2;PX2=PX2+2;Plate=I(PY1:PY2,PX1-2:PX2,:);subplot(2,3,5),imshow(Plate);title('车牌显示');imwrite(Plate,'chepai.bmp');程序输出结果如下：图4.1 车牌定位结果4.4 图像的预处理4.4.1预处理方法流程由于本系统的车牌图像是在室外进行拍摄，因此不可避免地会受到自然季节、光线等因素的影响。
车牌识别（一）-车牌定位
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
基于ERDAS进行车牌定位与车牌号提取的方法
基于ERDAS进行车牌定位与车牌号提取的方法龚 涛 周东卫（西南交通大学测量工程系 四川成都 610031）摘要 本文针对普通数码相机摄取实际环境下的汽车图象，提出了一种在ERDAS IMAGINE上进行车牌定位和车牌号提取的方法，包括：应用图像分类功能对车牌进行非监督分类，通过构造知识工程师进行车牌粗定位，基于车牌区域的纹理特征进行车牌精定位，应用Marr-Hildreth算子完成字符边缘提取的实现过程。
关键词 数码相机 ERDAS IMAGINE 车牌识别A Method for the License Plate Location and ExtractionBased on ERDAS IMAGINE SoftwareGong Tao Zhou Dongwei（Southwest JiaoTong University, Chengdu,610031，China）1 .概述车牌识别是智能交通系统中的一个较为重要的环节。
车牌识别技术对于交通车辆管理、高速公路自动收费管理、区域车辆管理、停车场管理等都有着十分重要的实用意义和经济价值。
车牌识别系统包括：汽车图象的获取，图象的预处理，车牌的定位，车牌字符的提取与识别四大功能。
ERDAS IMAGINE系统是美国ERDAS公司开发的一款遥感和数字图像处理的专业软件，它以模块化的方式提供给用户，用户可根据自己的应用要求、合理的选择不同的功能模块和不同的组合，对系统进行精简，充分利用软硬件资源，并最大限度地满足用户的专业应用要求。
其功能强大，可以完成矢量、栅格、数码、航摄影像等各种数据源文件的处理，并支持９０多种数据格式的输入和输出操作 [1]。
本文正是基于ERDAS IMAGINE系统强大的数字图象处理功能，对数码相机所摄取的小型汽车图像，根据车牌提取的实际需要，在ERDAS IMAGE上开发了车牌定位与车牌号提取的一套处理方法，取得了满意的效果。
汽车牌照识别系统中的牌照定位方法研究的开题报告
汽车牌照识别系统中的牌照定位方法研究的开题报告一、选题背景随着社会的不断发展和城市化的加速推进，交通拥堵问题逐渐凸显，交通安全问题成为社会关注的焦点。
为了提高交通管理水平和交通安全性，各国都陆续推出了基于视频监控和图像识别技术的交通管理系统。
在这些系统中，车牌识别系统是一个非常重要的部分，能够准确地把车辆的识别信息传递给交通管理部门，帮助管理部门高效地进行交通管控、追踪违法行为等，有助于缓解拥堵、提升交通安全。
车牌识别系统中，牌照定位技术是其中的一个重要环节，其作用是对车辆牌照的位置进行定位和提取，从而为后续的牌照识别提供可靠的数据。
如何准确快速地实现牌照定位，是车牌识别系统设计的一个关键问题。
二、选题意义传统的车牌识别系统需要人工标注，然后才能进行车牌的识别，耗时、耗力。
而现代的车牌识别系统利用计算机视觉技术，能够实现自动化检测和识别车牌。
因此，车牌识别系统具有工作效率高、准确率高、操作简单等优点。
同时，车牌识别技术还广泛应用于人脸识别、安防监控、智能交通等领域。
本研究旨在探究车牌定位技术的具体实现方式，提升车牌识别系统的效率和准确性，为智能交通的发展做出贡献。
三、研究内容本研究的主要内容将包括以下几个方面：1.分析车牌定位的原理，综述目前国内外车牌定位技术的研究现状和应用情况。
2.设计和实现基于卷积神经网络的车牌定位系统，通过大量的样本数据训练和优化模型，实现车牌定位的自动化。
3.在模型搭建的过程中，选取几种不同的卷积神经网络结构进行比对，对比各种结构的优缺点和适用场景。
4.对比分析传统的车牌定位方法和基于卷积神经网络的车牌定位方法的优势和劣势，探究基于卷积神经网络的车牌定位方法的可行性。
5.根据实验结果，结合实际应用场景，对车牌定位系统进行性能评估和功能完善，提高系统的实用性和稳定性。
四、研究方法本研究将采用文献调研、算法设计、模型实现和实验分析等多种研究方法，具体步骤如下：1.通过查阅相关文献、研究报告等资料，全面了解车牌识别系统和牌照定位技术的发展现状和应用情况。
车牌识别原理简介
车牌识别原理车牌识别是基于图像分割和图像识别理论，对含有车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符。
车牌识别过程包括图像采集、预处理、车牌定位、字符分割、字符识别、结果输出等一系列算法运算，其运行流程如下图所示：图像采集：通过高清摄像抓拍主机对卡口过车或车辆违章行为进行实时、不间断记录、采集。
预处理：图片质量是影响车辆识别率高低的关键因素，因此，需要对高清摄像抓拍主机采集到的原始图像进行噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等处理。
车牌定位：车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个车牌识别率的重要因素。
其核心是纹理特征分析定位算法，在经过图像预处理之后的灰度图像上进行行列扫描，通过行扫描确定在列方向上含有车牌线段的候选区域，确定该区域的起始行坐标和高度，然后对该区域进行列扫描确定其列坐标和宽度，由此确定一个车牌区域。
通过这样的算法可以对图像中的所有车牌实现定位。
字符分割：在图像中定位出车牌区域后，通过灰度化、灰度拉伸、二值化、边缘化等处理，进一步精确定位字符区域，然后根据字符尺寸特征提出动态模板法进行字符分割，并将字符大小进行归一化处理。
字符识别：对分割后的字符进行缩放、特征提取，获得特定字符的表达形式，然后通过分类判别函数和分类规则，与字符数据库模板中的标准字符表达形式进行匹配判别，就可以识别出输入的字符图像。
结果输出：将车牌识别的结果以文本格式输出。
车牌识别技术的实现原理和实现方式车辆牌照的识别是基于图像分割和图像识别理论，对含有车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符。
识别步骤概括为：车牌定位、车牌提取、字符识别。
三个步骤地识别工作相辅相成，各自的有效率都较高，整体的识别率才会提高。
识别速度的快慢取决于字符识别，字符的识别目前的主要应用技术为比对识别样本库，即将所有的字符建立样本库，字符提取后通过比对样本库实现字符的判断，识别过程中将产生可信度、倾斜度等中间结果值；另一种是基于字符结构知识的字符识别技术，更加有效的提高识别速率和准确率，适应性较强。
Report（车牌定位识别的几种方法比较）
几种车牌定位识别方法的比较车牌识别系统是智能交通系统的一个重要组成部分，一个典型的车牌识别系统一般包括图像预处理、车牌定位与提取、字符分割和字符识别等几大模块。
其中车牌定位是车牌识别中的关键，车牌定位的成功与否直接影响是否能够进入车牌识别以及车牌识别的准确率。
目前，车牌定位的主要方法有：①基于灰度图像的车牌定位方法；②基于小波变换的车牌定位方法；③基于形态学的车牌定位方法；④基于神经网络的车牌定位方法；⑤基于支持向量机的车牌定位方法等。
这些算法，在某些特定条件下，识别效果较好。
但在恶劣条件下，综合一些诸如天气、背景、车牌磨损和图像倾斜等干扰因素的影响，还不能完全满足实际应用的要求，有待进一步研究。
各种车牌定位方法的思路、方法和优缺点比较：①基于灰度图像的车牌定位方法：灰度数字图像是每个像素只有一个采样颜色的图像。
这类图像通常显示为从黑色到白色的灰度。
为了便于车牌定位，将该图像转换成二值图像，即只有黑色和白色两种颜色的图像。
此方法是应用车牌的如下特点：车牌牌照的字符和背景的对比度比较大，对应于车牌区域的水平灰度变化比较频繁；再者车牌一般挂在汽车的缓冲器上或附近，并靠近图像的下部，干扰一般比较少。
根据以上特点，使用靠近水平方向的一阶差分运算，以突出灰度变化频繁的区域. 其一阶差分运算的算式为：g(i,g)=f(i,i)-f(i,j+1)，式中，i=，2，3... m：m为图像的宽度；j=1，2 ，3…，n ：n为图像的宽度。
再对图像的水平差分图像g(x ，y) 的灰度值沿水平方向累加后做投影，可得投影图：水平方向累加后投影的算式为：T(i) = ∑n j=1 g(i,j)。
从车牌照是一个矩形这一特点, 我们可以判断它所对应的水平投影图与车牌的形状相仿，是一块较为独立的矩形区域，从水平投影图中可以看车牌位置基本对应子图中从下到上的第一个较大的波蜂，车牌投影值区域大致对应干上述波峰值上、下邻域的波谷之间所包含的投影值区域，且这两个波谷大致对称于波峰，波峰和波谷的变化率较大. 在这个过程中最重要的是确定选择哪个波峰，如果这个波峰的两个波谷之间的值的高度都大于某一个设定的值，并且两个波谷之间的宽度大致等于车牌照的高度，就认定它所确定的区域就是车牌的水平位置. 对于车牌垂直方向的定位算法：一般情况下，车牌的底色和字符的颜色的对比度很大, 而且在一个相对范围较小的范围内变化比较频繁，通过这个特征确定车牌垂直方向. 该方法对质量较高的图像有很好的定位，不过对于图像中车前和车牌附近的车辆背景过多，容易导致错误的车牌定位。
数字图像处理之车牌提取
车牌提取本文介绍了车牌定位的各种算法及发展，并利用matlab软件对一幅车头照片进行了车牌区域的定位。
一、前言数字图像处理技术的发展十分迅速，最初应用在空间探索及医学领域，如今,它已经成为工程学、计算机科学、信息科学、统计学、物理学、化学、生物学甚至社会科学等领域学习和研究的对象。
同时，随着我国经济的高速发展，交通变得日益繁忙，对智能交通系统的研究变得十分迫切。
利用了图像处理技术的车牌自动识别系统己成为智能交通系统的重要组成部分。
要实现交通智能化,首先要能获得道路交通状况和车辆情况的相关数据，因此车辆牌照的识别智能交通领域的一个重要研究课题之一，是实现交通智能化的一个重要环节.要想准确识别出车牌的数字,首先必须要能在含有车牌的图像中定位出车牌的位置,才能进行进一步的数字分析识别,所以，车牌的定位技术是车牌识别的基础。
二、相关理论介绍（一)车辆牌照的特点现在我国车牌有4种类型：(1）小功率汽车使用的蓝底白字牌照;（2）大功率汽车使用的黄底黑字牌照；（3）军、警用的白底黑字、红字牌照;（4）国外驻华机构使用黑底白字牌照。
这些牌照的长度均为45cm，宽为15cm，共有字符7个.一般民用牌照第一个字符为汉字,且是各省市的简称;第二个字符为大写英文字母，如“E”；第三个字符是英文字母或阿拉伯数字，第四至第七个字符为阿拉伯数字，如“沪 E 30265"就是最典型的车牌符号。
车牌的位置一般在汽车的下方。
（二）车牌定位算法的发展现状车牌定位算法分为图像的预处理、车牌的搜索和车牌鉴别定位三部分。
图像预处理就是要获得有用的图像的边缘，并将其二值化;车牌搜索则是搜索整幅图像以得到有可能包含车牌的若干感兴趣区域；车牌定位则是根据车牌的特征对提取出的感兴趣的区域进行鉴别和剔除假的车牌，从而提取到真正的车牌。
相较于车身其他位置，车牌区域有其自身特点，主要有车牌底色与车身颜色，字符颜色有较大差异；车牌的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征；车牌内字符之间的间隔比较均匀,字符和牌照底色在灰度上存在跳变；图像中牌照长宽比的变化有一定范围等。
摄像头识别车牌原理
摄像头识别车牌原理
摄像头识别车牌的原理是通过图像处理和模式识别技术对车牌进行识别和提取。
具体步骤如下：
1. 图像采集：摄像头通过成像器件采集行车场景的图像，包括车辆和车牌。
2. 图像预处理：对采集到的图像进行预处理，包括图像增强、去噪、灰度化等操作，以提高后续处理的准确性。
3. 车牌定位：通过图像处理算法对预处理后的图像进行车牌定位，找到车牌在图像中的位置和边界。
4. 车牌字符分割：在定位到的车牌区域内，通过字符分割算法将车牌字符分割开，得到单个字符的图像。
5. 字符识别：对字符进行识别，可以使用模式识别、模板匹配等方法，将字符与已知的字符库进行比对匹配。
6. 车牌识别：将识别到的字符按照车牌的格式进行组合，得到完整的车牌号码。
7. 输出结果：将识别到的车牌号码作为输出结果，可以用于各种应用场景，如车牌自动识别系统、停车场管理等。
总的来说，摄像头识别车牌的原理是通过图像处理和模式识别
技术对车牌图像进行处理和分析，最终提取出车牌号码。
这一技术在交通管理、安防监控等领域具有广泛的应用前景。
一种改进的车牌定位方法在车牌识别系统中的应用
第19卷第4期湖南文理学院学报（自然科学版）Vol.19No.4 2007年12月Journal of Hunan University ofArts and Science(Natural Science Edition)Dec.2007文章编号：1672-6146(2007)04-0042-03一种改进的车牌定位方法在车牌识别系统中的应用刘长青1,2,樊希平1,汪胜辉1,王先春1(1.湖南文理学院物理与电子科学系,湖南常德415000;2.湖南大学电气与信息工程学院,湖南长沙410082)摘要：车牌识别在智能交通系统中起着重要作用，车牌定位是车牌识别中的关键步骤，目前车牌定位的方法多种多样，各有所长，但是存在着计算量大或定位准确度不高等问题.尝试使用梯度投影与彩色区域分割相结合的方法来实现车牌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、准确率高、实时性好，能够满足实际车辆车牌自动识别系统应用的需要.关键词：梯度投影；彩色区域分割；车牌定位中图分类号：TP751文献标识码:A汽车牌照识别(Automatic License Plate Rec-ognition,LPR)是智能交通系统实现的关键技术，虽然车牌识别的核心技术在近年有了飞速的发展，但在提高识别正确率及系统稳定性方面仍然是一个研究热点.在LPR系统中，车牌定位是整个识别模块实现的前提，其定位正确率将大大影响整个系统的最终识别性能，而车牌定位历来是车牌识别系统中的难点问题.车牌定位的实质是图像分割.早期车牌识别是直接在输入图像数据中搜索类字符区域来实现，但计算量大,无法满足实时性要求.目前车牌定位的方法多种多样,归纳起来主要有边缘检测法[1]、灰度特征法、变换法、数学形态学法[2]、神经网络法等，这些方法各有所长，但存在着计算量大或定位准确率不高等问题.鉴于上述种种方法的优、缺点，本文提出了一种梯度投影和彩色区域分割相结合的方法来实现车牌识别系统中的关键步骤——车牌定位.1车牌识别系统原理车牌识别系统的研究步骤如图1所示，可大致分为以下几个模块:图像采集部分.当系统发现有车辆通过时(通过埋地感应线圈或光束检测)，触发图像采集系统，一般采用D摄像机摄取车辆前视图或后视图，由光照检测装置控制现场的光照，位置检测装置控制摄像机的拍摄角度.图像处理部分.需对采集到的图像进行增强、恢复、变换等操作，目的是突出车牌的最主要特征，以便更好地提取车牌.车牌定位和提取.从人眼视觉的角度出发，并根据车牌的字符目标区域的特点，在灰度图像的基础上提取相应的特征.车牌定位是车牌识别系统中的关键和难点，实际图像中的噪声、复杂背景等干扰都会使定位十分困难.车辆牌照的提取是一个寻找最符合牌照特征区域的过程.从本质上讲，就是一个在参量空间里寻找最优定位参量的问题.字符分割.即是对获得的牌照分离出单个字符(包括汉字、字母和数字等)，以便于字符识别.字符识别.则是对分割得到的字符归一化处理，进行字符识别，转化为文本存入数据库或直接显示出来.2基于梯度投影和彩色区域分割相结合的车牌定位算法本文提出了一种灰度投影和彩色区分割相结合的方法,先用一维梯度算子作用于图像,再对得到的梯度图像进行横纵向投影,找出车牌的大致位置；然后对彩色图像区域分割,找出车牌的准确的位置.车牌定位算法的处理过程如图2所示.2.1灰度化将原来由CCD工业电视拍摄的汽车RGB图像转化为灰度图像,如图3(a)所示.水平梯度变换定义一个一维梯度算子：图像采集图像处理车牌定位字符分割字符识别图1车牌识别系统的处理过程CC 2.2第4期刘长青,樊希平,汪胜辉,等一种改进的车牌定位方法在车牌识别系统中的应用43if|(,)(,1)|(,)0if|(,)(,1)|T f i j f i j TF i jf i j f i j T+>=+≤,其中f为输入图像，F为输出图像，T0为阈值，T为指定的灰度值.在本文中50,200T T==.用该梯度算子对灰度图像进行过滤，滤掉灰度相同或相差不大的区域，得到水平梯度图像I，如图3(b)所示.2.3水平梯度图的水平投影对由2.2得到的过滤图像I进行水平投影，得到车牌的水平投影的直方图，如图3(c)所示，并对其用高斯函数平滑，高斯函数为：22e/2xσ.高斯函数有单峰，形状光滑，所以可以用高斯函数与投影直方图作卷积以此来平滑投影图中的毛刺.在实际算法中采用离散高斯平滑算法对投影值进行平衡处理，公式如下：111111(){()[()(,)()(,)]},wjT i T i T i j h j T i j h jkσσ=′=+++∑其中2()/2(,)e jh jσσ=,12(,)1wjk h jσ==+∑.上式中,1()T i为原始投影值,1()T i′为平滑后的投影值,w为平滑区域的单边宽度,(,)h jσ为高斯函数,σ为高斯函数参数.σ为高斯函数参数，它的选择对水平方向投影图的平滑结果有重要的作用.如果σ过大，虽然投影图中的细小毛刺可以被完全融合，但同时图像的波峰、波谷的相对位置也会发生改变，不利于牌照位置的精确定位；如果σ过小，许多细小的毛刺不会被融合，定位算法在找波峰、波谷时就会找到错误的位置.所以选择适当的σ值非常重要，w的取值原则和σ值相同，也必须确定适当的数值.在本算法中取8,20w==σ.2.4确定车牌的垂直位置由底向上，找出直方图的第一个比较大的峰，将其分离出来，便得到了车牌的垂直位置2.5确定车牌的水平位置对2.2得到的图像I进行垂直投影，得到投影向量X.根据先验知识，车牌的长宽比固定，为3：1.因此，以车牌的垂直高度的3倍的距离长度，对X进行扫描，找出和最大的子段，即被认为是车牌的水平所在位置.2.6从原图像中分割车牌根据2.4和2.5所确定的车牌的水平和垂直位置将车牌从原始彩色的图像中分割出来.再将分割出来的彩色RGB图像转化为HSI图像,如图3(d)所示，转化公式如下[3,4]：3r g bI++=,31[min(,,)]S r g br g b=++21/2[()()]/2arccos[()()()]r g g bHr g r g g b+=,当g b<时，360H H=.在HSI模型中，H表示色调，S表示饱和度，I表示密度，对应图像的灰度.该模型有两个特点，一是I分量与图像的彩色信息无关；二是H分量抽取了色调而忽略了亮度信息，这对分割车牌十分有利.例如蓝色的色调一般出在200o~250o之间，再加上S≥0.18,就可以很好地描述蓝色区域了，利用这些信息可以找到车牌的准确位置.3结论上述基于梯度投影和彩色区域分割相结合的车开始终止读入图像并灰度化水平梯度变换水平梯度图水平投影确定车牌的垂直位置确定车牌的水平位置从原图像中分割车牌图2车牌定位算法流程图(e)字符分割图图3梯度投影和彩色区域分割提取车牌的过程(a)原始GRB图像(b)水平梯度变换图(d)分割结果(c)水平梯度图水平投影图600400200024681012(×103).44湖南文理学院学报（自然科学版）2007年牌定位方法，可以较好地确定图像中车牌的位置，且算法简单、实时性好，具有较好的运用前景.为了验证算法的通用性，对300幅车牌图像(其中车头200例，车尾100例)进行定位与分割，误分割有4幅，正确分割率为98.67％，可见本文提出的方法相当有效.同时，由于分割过程是自动进行的，因此便于车牌的实时识别.由于是由底向上找第一个较大的峰，因此对车牌下方也有字符出现的情况失效,当然可以改进算法,进一步利用车牌自身的特点.比如根据车牌独特的底色,排除非车牌区域的干扰；也可以利用车牌字符之间有一定的间距，排除非车牌字符的干扰.参考文献：[1]李树广,吴舟舟,罗小伟.基于边缘统计和颜色特征的车牌综合自动定位方法[J].山东大学学报(工学版),2005, 35(3):44-49.[2]卢雅琴,邬凌超.基于数学形态学的车牌定位方法[J].计算机工程,2005,31(3):224-226.[3]Rafael C,Gonzalez.阮秋奇,译.数字图像处理(MATLAB版)[M].电子工业出版社,2005.[4]后俊.车牌图像分割与智能字符识别方法的研究[D].中国期刊网，学位论文全文库,2004,04.Applications of an Improved License Plate Location Method In Automatic License PlateRecognition SystemLIU Chang-qing1,2,FAN Xi-ping1,W ANG Sheng-hui1,WANG Xian-chun1(1.Department of Physics and Electronics,Hunan University ofArts and Science,Changde,Hunan,415000；2.College of Electrical and Information Engineering,HunanUniversity,Changsha,Hunan,410082)Abstract：Automatic License Plate Recognition(LPR)plays an important role in Intelligent Transportation System.However license plate location is a key component of the LPR system. Nowadays 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 a license plate location method based on gradient j z—x our melthod was easy to be realized and have high accuracy and real-time ability,which can satify what we need in practical application.Key words：gradient projection；color area segmentation；license plate location收稿日期:2007-08-20基金项目：湖南省教育厅科研项目(07C446)作者简介：刘长青(1976-),男,实验师,硕士,主要研究方向为图象处理、数字水印.(责任编校:江河)(上接第31页)[10]Shuter R J.On the Inverse Gaussian DistributionFunction[J].Journal of the American Statistical Associa-tion,1968,63:1514-1516.[11]Michael J R,Schucany W R,Haas R W.GwneratingRandom V ariates Using Transformations with Multiple Roots[J].The American Statistician,1976,30:88-90.Diffusion Approximations of Inverse Gaussian Inputs within Integr ate-and-FireModelWANG Shu-hua1,DENG Ying-chun1,XIANG Xu-yan2 (1.Department of Mathematics and Computer Science,HunanNormal University,Changsha,Hunan,410081;2.Internet Center,Hunan University of Arts and Science,Changde,hunan,415000)Abstract:Diffussion approxiations for renewal process inputs were derived,and outputs of IF model was discussed, containing the firing rate and the coefficient of variation. Schemes work reasonably well by computer simulation.The bigger the firing rate,and the smaller the spike fluctuation becomes.That is to say,IF model spikes stably.Key words:IF model;UAS;OU;Inverse Gaussian Distribu-tion收稿日期：2007-10-08基金项目：湖南省教育厅(05C723);湖南文理学院科研项目(JJQD05041)作者简介：王淑华(),女,硕士研究生,研究方向为计算神经网络和随机过程(责任编校：江河)pro ection and color area segmentation to reali e the crucial procedure license plate recognition in automatic license plate recognition in automatic.E perimental results have shown that 1974-.。
车牌识别算法流程
车牌识别算法流程
车牌识别是图像处理和模式识别中的一个重要应用领域。
以下是一个常见的车牌识别算法的流程：
1. 图像获取：首先，需要从图像源（如摄像头）中获取车辆图像。
2. 预处理：对获取的车辆图像进行预处理，以提升后续处理步骤的效果。
预处理步骤包括图像增强、去噪和灰度化等。
3. 车牌定位：通过车牌定位算法，将车辆图像中的车牌区域进行定位和提取。
常见的技术包括基于颜色、形状和纹理的特征提取，以及边缘检测和连通区域分析等。
4. 字符分割：对定位到的车牌区域进行字符分割，将每个字符分开。
字符分割算法通常基于连通区域分析、投影法和基于边缘的方法等。
5. 字符识别：对分割得到的每个字符进行识别。
常见的字符识别方法包括模板匹配、统计特征分析、神经网络和深度学习等。
6. 结果输出：根据识别结果，将车牌号码输出到指定的位置，如屏幕显示、数据库存储或其他应用程序中。
车牌识别算法的具体实现可能会因应用场景和需求的不同而有所差异。
不同算法和技术的选择也会影响车牌识别的准确性和效率。
因此，在实际应用中，可能需要进行参数调优和算法选择，以达到最佳的车牌识别效果。
一种车牌定位与提取方法
一种车牌定位与提取方法作者：吴文亮来源：《价值工程》2011年第29期A Method of License Plate Location and ExtractionWu Wenliang（Nanjing Communications of Institute of Technology，Nanjing 211188，China）摘要：本文提出一种基于边缘检测和行扫描相结合的车牌定位与提取算法：主要通过Sobel算子提取原始图像的边缘信息，然后通过水平和垂直扫描进行粗定位，最后根据车牌的特征进行精确定位。
Abstract: An arithmetic is proposed here that it is based on edge detection and license plate location. The edge information can be extracted from a vehicle image by using Sobel arithmetic operator, and a row scan method is used to locate the up and down edges and the left and right edges of the plate. Finally, the precise location is gained on the characteristic of the plate.关键词：车牌识别 Sobel算子车牌定位Key words: LPR；Sobel Operator；vehicle license plate location中图分类号：U461 文献标识码：A文章编号：1006-4311（2011）29-0294-010引言车辆牌照识别（License Plate Recognition，LPR）系统是智能交通系统（Intelligent Transport System，ITS）的一个重要分支。
车牌定位
数字图像处理车牌识别班级：信工1301 姓名：雷鹏沛学号：2013014350数字图像处理——车牌定位信工1301 雷鹏沛2013014350要求：对图像自动车牌定位的方法进行简述，并针对如下图像，提出车牌定位的方案和初步结果，内容需包括：1）问题描述及分析；2）车牌定位方法概述；3）拟采用的方法及选用理由；4）方法可行性分析及初步结果。
（40）1）问题描述及分析：描述：从给定个一张汽车图片中将车牌定位并提取出来。
分析：汽车车牌可以看成长宽比在一定变化范围内的一个矩形区域，我们只要将一定范围的长宽比的矩形定位即可。
2）车牌定位方法概述：根据车牌特点，一般采用的车牌定位算法有：1.基于纹理分析的定位方法：该算法对于牌照倾斜或变形及光照不均匀、偏弱或偏强有很好的效果，但对噪声敏感。
2.基于形态学的定位方法：该方法提高了车牌图像分割的准确度但精度不理想，所以必须结合其他定位方法进行精确定位，可与边缘特征分析相结合提高车牌区域定位的精确度。
3.基于边缘检测的定位方法：该方法的定位准确率较高，反应时间快，能有效去掉噪声，并且在多车牌图像的情况下定位速度也很快。
4.基于小波变换的定位方法：利用小波变换去噪效果好，结合其他定位方法在车牌图像检测定位中，能较为快速、有效地从复杂噪声背景中将待识别的车牌分割出来。
5.基于图像彩色信息的定位方法：彩色信息的使用可以提高车牌定位的成功率。
但是在夜晚、下雨天或大雾天是车牌区域容易有残洞，定位效果不理想。
3）拟采用的方法及选用理由：本文采用的方法为基于边缘检测定位算法结合数学形态学的定位方法。
选用理由：基于形态学的定位方法提高了车牌图像分割的准确度但精确度不理想，而基于边缘检测的定位方法准确率较高，反应时间快，故将两者结合起来进行车牌检测。
4）方法可行性分析及初步结果1.基本方法为：图像输入->预处理->特定矩形的定位。
其中，预处理包括图像的灰度变换，滤波，边缘提取，图像形态学处理等。
车牌自动识别系统方案
车牌自动识别系统方案硬件设备：1.摄像机：选择高清晰度的摄像机，能够捕捉到车牌图像，并提供清晰、稳定的图像质量。
2.车牌定位器：用于将车牌从摄像图像中准确地定位和提取出来，消除其他干扰信息。
3.环境光补偿装置：根据不同光照条件，自动调节摄像机的曝光度、对比度和白平衡，以提高识别率。
4.图像预处理装置：包括图像去噪、图像增强、图像分割等处理步骤，以提高车牌号码的识别率。
5.服务器：用于存储和处理大量的车牌图像数据，同时运行车牌识别算法。
软件算法：1.车牌定位算法：通过图像处理技术，对车牌图像进行分析和处理，准确地定位出车牌的位置，并将其分割出来。
2.字符识别算法：对车牌上的字符进行识别，常见的方法包括基于模板匹配、基于特征提取、基于神经网络等算法。
3.车牌号码校验算法：针对不同国家和地区的车牌号码格式，设计相应的校验算法，以减少识别错误率。
4.数据库管理算法：将识别到的车牌号码与数据库中存储的车辆信息进行比对，实现对车辆的进出控制和车辆追踪功能。
5.用户界面设计：开发友好的用户界面，方便用户配置系统参数、查看识别结果和查询车辆信息等操作。
系统工作流程：1.摄像机采集车牌图像，并将图像传输至服务器。
2.服务器接收到图像后，调用车牌定位算法进行定位和分割，提取出车牌图像。
3.车牌图像经过字符识别算法进行处理，得到车牌号码。
4.车牌号码与数据库中的车辆信息进行比对，确定车辆身份和权限。
5.系统将识别结果返回给用户，并记录识别结果和相关的车辆信息。
优势和应用：1.提高工作效率：相比于人工识别，车牌自动识别系统可以快速、准确地完成车牌号码的识别，提高交通管理和车辆管理的效率。
2.增强安全性：车牌自动识别系统可以实现对违章车辆、盗抢车辆的实时监控，并及时进行报警处理，提高安全性。
3.降低成本：车牌自动识别系统可以自动完成车辆进出的记录和统计，减少人力资源和成本投入。
4.广泛应用：车牌自动识别系统可以应用于停车场管理、高速公路收费、安防监控等领域，具有广泛的应用前景。
详解车牌识别技术之车牌定位
详解车牌识别技术之车牌定位车牌识别系统(Vehicle License Plate Recognition，VLPR) 是计算机视频图像识别技术在车辆牌照识别中的一种应用，能够将运动中的车辆牌照信息（含汉字字符、英文字母、阿拉伯数字及号牌颜色）从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号、颜色等信息，目前最新的技术水平为字母和数字的识别率均可达到99%以上。
车牌识别是现代智能交通系统中的重要组成部分之一，应用十分广泛。
它以数字图像处理、模式识别、计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进行分析，得到每一辆汽车唯一的车牌号码，从而完成识别过程。
当前，车牌识别技术已经广泛应用于停车管理、称重系统、静态交通车辆管理、公路治超、公路稽查、车辆调度、车辆检测等各种场合，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有着现实的意义。
不过，你知道车牌识别技术是如何实现车牌定位的吗？车牌定位，就是在车牌图像中找出最符合车牌特征的区域。
其主要目的是在经图像预处理后原始灰度图像中寻出车牌的位置，并将包含车牌字符的一块子图像从整个图像中分割出来，供字符识别子系统之用，分割的准确与否直接关系到整个车牌字符识别系统的识别率。
车牌识别系统现阶段比较成熟的车牌定位方法有：基于图像的彩色信息法、基于纹理分析的方法、基于边缘检测的方法、基于数学形态学的方法、基于遗传算法的定位、基于神经网络定位等。
汽车牌照定位：在车牌识别系统中对车牌定位的算法包括三个过程，即颜色识别、形状识别、纹理识别。
先通过颜色识别来初步确定车牌的所在区域，再结合车牌的形状特征以及纹理特征精确定位。
车牌识别系统都是基于牌照区域的特征来进行定位的，车辆牌照的主要特征如下：1、颜色特征车牌底色与字符颜色有着相应的组合，颜色对比强烈。
如果对彩色图像进行定位，有蓝底白字白框线，黄底黑字黑框线，黑底白字白框线，白底黑f红1字黑框线等几种颜色搭配的车牌。
基于边缘与SVM的车牌自动定位与提取
基于边缘与SVM的车牌自动定位与提取
余棉水;黎绍发
【期刊名称】《计算机应用研究》
【年(卷),期】2004(021)010
【摘要】提出了一种将边缘与SVM相结合的车牌定位与提取的方法.首先根据字符的边界特征进行粗筛选,获得几个车牌候选区;然后使用SVM分类器进行字符与非字符分类;最后根据车牌特征实现定位与提取.实验表明,该方法取得了良好的效果.【总页数】3页(P131-133)
【作者】余棉水;黎绍发
【作者单位】华南理工大学,计算机学院,广东,广州,510641;华南理工大学,计算机学院,广东,广州,510641
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于SVM和ICA的视频帧字幕自动定位与提取 [J], 刘骏伟;吴飞;庄越挺
2.基于HSV颜色空间和SVM的车牌提取算法 [J], 黄社阳;刘智勇;阮太元
3.基于SVM的车牌自动识别系统 [J], 戴士杰;高章迎;常淑英;任刚;肖淑梅
4.基于HSV与边缘信息的车牌定位与字符分割方法 [J], 贺智龙;肖中俊;严志国
5.基于HSV与边缘信息的车牌定位与字符分割方法 [J], 贺智龙;肖中俊;严志国;因版权原因，仅展示原文概要，查看原文内容请购买。
车牌识别技术原理
车牌识别技术原理
首先，图像采集是车牌识别技术的前置步骤，需要使用相机或其他成像设备对车辆车牌进行拍摄，获取车牌图像。
其次，图像预处理是对车牌图像进行处理，去除图像中的噪声和干扰，提高后续处理的准确度。
车牌定位是指在图像中找到车牌的位置，主要包括基于颜色、基于边缘、基于纹理等不同方法。
通过车牌定位，可以准确的提取出车牌图像。
字符分割是将车牌图像中的字符分离出来，以便进行后续的字符识别。
字符分割方法包括基于像素、基于边缘、基于语义等多种方式。
最后，字符识别是将分割出来的字符进行识别，根据字符的特征和规则，将其转化为文本信息。
字符识别主要采用基于模板匹配、基于神经网络、基于深度学习等多种算法。
总之，车牌识别技术的原理复杂，但是随着计算机技术的不断进步，车牌识别技术的应用范围也越来越广泛。
- 1 -。
- 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)。
基于MATLAB 的车牌定位及提取算法与实现1.车牌定位的基本理论与算法1.1彩色图像灰度化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。
经过灰度变换后，像素的动态范围增加，图像的对比度扩展，使图像变得更加清晰、细腻、容易识别。
在车牌识别中要利用灰度分布的特征进行进一步的分割、识别，因此对车牌图像进行灰度化成为车牌定位的必要步骤之一。
1.2灰度拉伸车牌图像定位是个难点，抓拍图像受环境因素影响很大，尤其当外界光照条件过强或过弱时，容易使得整幅图像偏亮或偏暗，这种情况成为低对比度。
为了提高对比度，把感兴趣的灰度范围拉开，使得该范围内的像素，亮的越亮，暗的越暗，就要对图像进行灰度拉伸，使图像上的边缘更加凸显，这样牌照区的笔画特征就会更加明显，更有益于下一步的处理。
灰度拉伸变换原理图如图10.3所示，函数表达式为⎪⎪⎪⎩⎪⎪⎪⎨⎧>---≤≤+---<=b x b x b d bx a c a x ab c d a x x ad x f ),(255255,)()( （10.5）式（10.5）中（a,c)和（b,d)是图10.3中的两个转折点的坐标。
设图像为mxn 像素，其直方图为h(i),a 取满足10)(0mni h ai ≥∑=的最小整数，b 取满足 mn i h ai 109)(0≤∑=的最大整数，c 和d 分别可以在程序中动态设定，也可以根据经验自行设定。
在图10.4中取23,9.0bd a c ==1.3边缘检测图像的边缘是图像的最基本特征。
所谓边缘是指其周围像素灰度有阶跃变化或屋顶变化的那些像素的集合。
边缘广泛存在于物体和背景之间、物体和物体之间、基元和基元之间。
因此，它是图像分割所依赖的重要特征。
常用的边缘检测方法有Sobel 边缘算子、Prewitt 边缘算子、Kirseh 边缘算子、高斯--拉普拉斯算子等等。
该文采用的是Canny 边缘检测的方法。
该方法为最优的阶梯型边缘检测算法。
1.4开闭操作图像滤波形态学的数学基础和所用语言是集合论，其基本运算有四种：膨胀、腐蚀、开启和闭合。
基于这些基本运算，还可以推导和组合成各种数学形态学实用算法。
对图像做了开运算和闭运算，闭运算可以使图像的轮廓线更为光滑，它通常用来消掉狭窄的间断和长细的鸿沟，消除小的孔洞，并弥补轮廓线中的断裂。
1.5 区域标记对二值图像进行区域提取时，首先需要对对图像每个区域进行标记，其中应用到了连通对象进行标注函数bwlabel 主要对二维二值图像中各个分离部分进行标注，其用法如下：[L,num] = bwlabel(BW,n)其中，L 表示返回和BW 相同大小的数组，而且包含了连通对象的标注。
参数n 为4或8，分别对应4邻域和8邻域，默认值为8。
Num 为返回连通数。
然后，需要得到图像区域属性。
计算每个区域的图像特征参数：区域中心位置、最小包含矩形、面积。
这里给出在Matlab 图像处理工具箱中非常重要的一个图像分析函数：regionprops 。
它的用途是get the properties of region ，即用来度量图像区域属性的函数。
其用法如下：S = regionprops(L,properties)其中，测量标注矩阵L中每一个标注区域的一系列属性。
L中不同的正整数元素对应不同的区域，例如：L中等于整数1的元素对应区域1；L中等于整数2的元素对应区域2；以此类推。
返回值S是一个长度为max(L(:))的结构数组，结构数组的相应域定义了每一个区域相应属性下的度量。
properties可以是由逗号分割的字符串列表、饱含字符串的单元数组、单个字符串‘all' 或者‘basic'。
如果properties等于字符串‘all'，则所有下述字串列表中的度量数据都将被计算，如果properties 没有指定或者等于‘basic'，则属性：‘Area',‘Centroid', 和‘BoundingBox' 将被计算。
本文对已经得到了可行车牌区域的连通域，进行连通域分析均用到上述函数，从而计算出包含所标记的区域的最小宽和高。
并根据先验知识，即对标准车牌而言这个宽高比大致为44:14，不妨取34:14～54:14为字符区域的宽高比范围。
比较谁的宽高比更接近实际车牌宽高比，将更接近的提取并显示出来。
2.车牌定位算法MATLAB实现2.1图像预处理2.1.1图像灰度化I=imread('che01.jpg');figure(1),imshow(I);I_gray=rgb2gray(I);%对原图进行灰度化figure(2),imshow(I_gray);2.1.2灰度拉伸增强I_ls=fdlasen(I_gray);%用自编函数fdlasen对图像拉伸增强2.1.3边缘检测%边缘检测，canny检测出的图像噪声较少[I_ed,t]=edge(I_ls,'canny',[],'both');2.2开闭操作图像滤波%开闭图像操作图像滤波I5=imclose(I_ed,strel('rectangle',[5,19]));I6=imopen(I5,strel('rectangle',[5,20]));I_op=imopen(I6,strel('rectangle',[35,1]));2.3车牌定位并提取%车牌提取[I_bw,num]=bwlabel(I_op,8);S = regionprops(I_bw,'basic');Area=[S.Area];BoundingBox=[S.BoundingBox];for i=0:num-1rectangle('Position',BoundingBox(:,4*i+1:4*i+4));p=BoundingBox(:,4*i+3)/BoundingBox(:,4*i+4);if p>34/14&p<54/14t=I_gray(BoundingBox(:,4*i+2):BoundingBox(:,4*i+2)+BoundingBox(:,4*i+4),BoundingBox (:,4*i+1):BoundingBox(:,4*i+1)+BoundingBox(:,4*i+3));figure,imshow(t)endend附录主程序：clc;clear;close all;%定位之前需要对原图像进行预处理（包括：灰度化、图像增强、边缘检测）I=imread('che01.jpg');figure(1),imshow(I);I_gray=rgb2gray(I);%对原图进行灰度化figure(2),imshow(I_gray);I_ls=fdlasen(I_gray);%用自编函数fdlasen对图像拉伸增强figure(3),imshow(I_ls);%边缘检测，canny检测出的图像噪声较少%[J,t]=edge(I,'roberts',[],'both');%[K,t]=edge(I,'sobel',[],'both');%[L,t]=edge(I,'prewitt',[],'both');[I_ed,t]=edge(I_ls,'canny',[],'both');figure(4),imshow(I_ed);%开闭图像操作图像滤波I5=imclose(I_ed,strel('rectangle',[5,19]));I6=imopen(I5,strel('rectangle',[5,20]));I_op=imopen(I6,strel('rectangle',[35,1]));figure(7),imshow(I_op);%车牌提取[I_bw,num]=bwlabel(I_op,8);S = regionprops(I_bw,'basic');Area=[S.Area];BoundingBox=[S.BoundingBox];for i=0:num-1rectangle('Position',BoundingBox(:,4*i+1:4*i+4));p=BoundingBox(:,4*i+3)/BoundingBox(:,4*i+4);if p>34/14&p<54/14t=I_gray(BoundingBox(:,4*i+2):BoundingBox(:,4*i+2)+BoundingBox(:,4*i+4),BoundingBox (:,4*i+1):BoundingBox(:,4*i+1)+BoundingBox(:,4*i+3));figure,imshow(t)endend灰度增强函数：function K=fdlasen(A);[m,n]=size(A);Fd=imhist(A,256);a=0;S=0;while S<n*m/10a=a+1;S=S+Fd(a);endb=119;S=sum(Fd);while S>n*m*9/10b=b-1;S=S-Fd(b);endc=a/0.9;d=3*b/2;for i=1:mfor j=1:nif A(i,j)<aA(i,j)=A(i,j)*d/a;elseif A(i,j)>=a&A(i,j)<=bA(i,j)=(d-c)*(A(i,j)-a)/(b-a)+c;elseA(i,j)=(255-d)*(A(i,j)-b)/(255-b)+d;endendendK=A;。