车辆车牌号码自动识别系统设计

本设计系统在生活的应用很广泛，例如，应用在高速违章查处，停车场车辆管理进出等范围；当前，图片识别技术的快速发展，已经应用到生活的各个方面，为人们的出行大大提高了方便。所以，对本系统的研究并进一步的拓展非常有必要，且有较高实用价值。本设计除了对照片提高成像速度还有对照片的识别准确率采用各种方法使之得到提高。
在本设计研究中，除了简单的方法对图片的进行识别外，还采用段时间内多张图片的重复查看和多张图片的合成来提高准确率。现象说明，现在最科学最准确的方法就是车牌照字符识别，还有构造出一个汽车车型。第一把收获到的汽车的照片进行整合处理，用各种方法来消除干扰信息，这就提升优化了照片像素。第二，采集照片的重要部分特点，然后逐渐将图片呈现出明显的黑白效果，通过后处理，进一步提高识别效果，跟车辆的重要部分特征融合起来识别车辆信息。
关键词： 图片的合成 后处理 整合处理
Design of Automatic Identification System for Vehicle License Plate Numbers
Abstract
1．绪论
1.1 研究背景与意义
1.1.1 研究背景
在国家相关正确的政策引领下，社会经济发展得到了极大的提升，所以，人们的生活水平迅速提高到了一定的高度，变成几乎人人都能承受得起汽车的消费，享受汽车带来的便利，汽车已经成为人们生活中不可缺少的一个部分，汽车也带来了交通压力跟交通管理问题。相关部门统计，近年来，交通事故、交通违章等一系列问题越来越多。国家也对于出现的问题出台了一系列政策，加大了监管力度，交通问题仍没得到改善，但是，数字化交通系统的出现，让人们看到了曙光。
数字化交通系统是数字化对交通系统的体现，就是当前对交通问题的处理的最高效的工具。它是多种技术结合的体现的载体，例如计算机、自动化等。将司机、汽车、道路的结合，变成有序的整体。
1.1.2 研究意义
在数字化交通系统中，最重要的部分就是汽车车牌图片识别技术。汽车车牌图片识别技术是通过将电脑与图片整合起来的一种技术，这就把汽车的车辆与司机的相关信息上传到有关监管部门，这样对汽车的监管提升很大的方便。汽车车牌图片识别技术应用在高速违章查处，停车场车辆管理进出等范围，扮演着越来越重要的角色,它可以对在高速上行驶的汽车进行实时监察，对相关车辆进行查询其车辆有关信息，还可以对汽车进行违规处罚。
(1)高速汽车行车规范的监察
汽车超越高速公路的限速是交通事故发生的主要问题，它能实时监察高速汽车车速，对高速公路上的汽车的车速还有其他行车行为进行

监督，发现超速或者其他违规的会自动在交管部门办公室进行播报，然后交管负责人听到播报会对高速路上行为不规范的车辆进行语音沟通警告，不听劝告的让离车辆最近的交管部门去处理，大大提高了交管部门的工作效率，减少不规范行为的发生。
(2) 城镇跟乡村的“电子狗”监察
电子狗监察技术最重要的部分是车辆车牌识别技术，它能够识别车牌号码根据车牌的信息从数据库找到车辆和车主的信息，从而达到监管的目的，有效的对车辆的监督与管理。
(3) 高速路收费站对汽车的自动缴费
高速路目前正在发展实行全国高速联网的不驻车缴费，它可以实时的对高速路上的车辆进行查看，把车辆信息上传到高速缴费数据库，达到了不驻车的目标，从而提升高速路汽车行车运输的效率。
(4) 对不明车辆的拦截与车辆管理
有些学校、生活区、单位是不允许除本学校、生活区、单位的车辆进出或者只允许其他车辆驻车少量时间，他能识别其他车辆信息，如果与数据库信息不符的车辆信息就会对车辆进行有效拦截，这样就能较少保安的人员，提高了安全性。
(5) 刑事案件布局监控
汽车车牌鉴别技术可以给警方提供一个布局监控破案的一个手段，在全国高速、城市、县城的电子警察对可疑车辆进行监控，大大提高了破案效率。总之，人们生活的方方面面已经离不开车辆车牌识别，它给人们带来各种方便，对车辆车牌识别的深入研究有着很好的发展空间和现实意义。
1.2汽车车牌照片鉴别技术的现状
汽车车牌照片鉴别技术开始于20世纪80年代，欧洲和美国部分国家意识到这项技术对解决交通问题有很大的作用，但是那时候这项技术也是处于刚开始阶段，西方国家也是对汽车车牌照片20世纪90年代开始，因为生活节奏的加快，导致交通市场井喷式的发展，因此，许多基于电脑技术跟图像识别技术的汽车车牌鉴别系统逐渐诞生，许多发达国家还把这项技术应用到了数字化交通系统，并取得了不错的效果。当时，由于都是主要靠大公司跟知名院校的研究，所以产品发展比较缓慢，而且当时的摄像的质量不是很高，在加上车牌照片稍有倾斜，遮挡部分，就很难识别。当前，少数发达国家已经研发了适合在自己国家应用的汽车车牌识别系统，采用了模板匹配法、特征分类器等方法。即便发达国家汽车车牌鉴别技术起步比较早，也取得了不错的效果，但是世界到现在为止还没有形成通用的汽车车牌照鉴别系统。
我们国家的汽车车牌照鉴别技术相对于欧美国家来说，还是处于比较落后的。国内的知名专家、学者，经过不懈的努力，汽车车牌照鉴别技术执着的研究

，攻克了一系列困难，现在也取得了看得过去的成果。在我们国家中，清华大学和浙江大学等知名高校对汽车车牌照鉴别系统的研究比较早，因为国家的政策支持，对汽车车牌照鉴别系统研究提供了大量的资金支持，知名高校跟相关研究院，也做出了简要的汽车车牌照鉴别系统，并正在改善当中。中国科学研究院研究的收费站识别系统准确率竟然达到了97%。图片呈现出明显的黑白效果技术用来识别车辆的特征信息是华南理工大学首次尝试。
我国汽车车牌照鉴别技术尽管取了一定的成果，但不得不相信的是，我们的技术相对于发达国家还是有一定差距。虽然在实验室环境中，我们的成品识别率很高，但是现实生活中的环境跟实验室环境有着巨大差别，比如拍摄的汽车车牌照片模糊，遮盖部分，照片倾斜。目前，我们国家的汽车用户井喷式发展，各地相继出现交通堵塞等一系列交通问题，这个些现象逼着也加快发展汽车车牌鉴别技术，也是本设计最主要的目的。
1.3 本设计的主要研究内容
本设计研究内容是在BP神经网络的基础上研究汽车车牌照鉴别，融合了汽车车牌照的事先处理、定位等技术，在BP神经网络的基础上提出汽车车牌照鉴别方法，车牌照片可以通过仿真实验识别出来，用MATLAB仿真来识别车辆车牌照片，现象说明，仿真识别是比较准确的。
2．基于BP神经网络的车牌识别设计技术基础
车辆车牌鉴别技术由车辆车牌照图像事先处理、定位、照片倾斜矫正与牌照字符分割与识别等部分构成，下面就相关技术的交流与研讨。
2.1 汽车牌照识别相关技术基础
车辆车牌鉴别技术应用到车辆车牌鉴别处理过程，包括有车牌定位、倾斜角矫正、字符分割与字符识别等，流程如下面表示：
图2-1 汽车牌照识别相关过程
2.1.1 汽车牌照识别流程
汽车牌照识别的技术流程图2-2所示
图2-2 汽车牌照识别流程
2.1.2 图像事先处理
将拍到到的汽车图片进行图像事先处理，把图像变成简单黑白特征图像，剔除一些干扰信息。
2.1.3 图像定位
对拍到的汽车图片进行简单的粗定位，找到车牌的大概位置，分块法和模板匹配法和数学形态法等都是常用的粗定位方法。
在粗定位过后进行精确定位，找到车牌重要字符信息，纹理特征法、边缘检测法等都是常用的精确定位方法。
2.1.4 图像分割
图片分割技术是利用特定的算法来把车辆车牌牌照分割成几个部分，但又保留车辆应有的特征信息，因为我们对车辆车牌字符识别是通过一个个字符来识别然后统一组合起来的特点，所以图片分割技术特别重要。图像分割常用的方法主要有阈值分割方法、连通区域分割方法、投影

分割方法、聚类分析方法以及边缘分割方法等。根据我们国家的特点，连通区域法、投影法和聚类分析法等都是用在我国汽车牌照字符分割领域，还有第四章我们也会介绍。
2.1.5 图像鉴别
图像识别是车辆车牌鉴别技术的最后一个部分，尤为重要，最后输出的结果也是取决于图像鉴别。图像识别会提取每个分割图像信息然后组成起来，把组成的一串字符信息进行与数据库匹配，输出获取的车辆信息，提取每个分割信息的准确率直接关系到车辆车牌鉴别的准确率。
模板匹配法、分类器法和特征统计匹配法都是图像识别常用的方法。这些车辆车牌鉴别方法都有各自的特点，也应用到不同的方面。
2.2 我国汽车牌照特点分析
汽车车牌每个国家都有不一样的标准跟样式，这与他们国家的交通情况有关。不例外，根据我们国家的交通状况，我们也有自己的一套标准。目前，我们国家的车辆车牌规定的颜色、尺寸、字符的标准是GA36-2007规范，也称《中华人民共和国机动车号牌》设计规范，我国的显眼的特点与其他国家不同的是如下所示：
图2-3 我国汽车牌照样例
主要有如下特点：
(1) 车牌尺寸
一下是10种按车的型号和用途分别出来的规格，见表2-1所示。
(2) 车牌颜色
以下是10种我国车辆车牌按车辆的型号跟用途分出来的颜色，见表2-2所示。
(3) 字符特征
我们国家的车辆车牌有7个中英文字符跟一个点组成，每个字符上下限制为9厘米，左右限制为4.5厘米，点分隔符的半径为0.5厘米，每个字符相距1.2厘米。因为每个中文或英文字符的大小或占用车牌位置的不同会导致字符的间距有些会小于1.2厘米。民用的车牌字符代表的意思依次为：第一个字符代表省、自治区或者直辖市的简称，中文字符表示；第二个字符是代码号，代表发证机关，也就是等级机关，用大写英文字母表示。后面的字符就是英文跟数字的结合，如果碰到“i”跟“o”，一般用小写表示。各省、自治区或者直辖市的简称如下表2-3所示：
3.1基于 BP神经网络算法的车牌识别
神经网络顾名思义它能够像我们人类的神经一样的人工智能算法。该算法就是依靠神经元之间的关系。模仿出人类大脑的记忆。经过神经网络训练，目的是能够对快速处理数据的能力。我们将要处理的数据作为输入数据。通过之前训练好的网络。神经网络依靠记忆好的演算法则去计算。神经网络算法的有很多优势。计算分布式数据。如果信息量非常大，计算工做多，可以运用神经网络进行分析分类。并且自学习能力是非常强的。在图像识别，故障处理等相关领域是运用神经网络非常多的。并且运用神经网络中最为多

的就是BP神经网络。
本系统针对车牌字符图像的分类识别选用的是BP神经网络分类器。下文将进行深入研究。
3.2 BP神经网络简介
BP (Back Propagation)神经网络学习过程包括数据的正向传递与数据的误差反向传递。输入层各个神经元主要功能是把系统外部数据收集起来。传送到中间层的神经元。中间层是相当于大脑的处理单元。主要功能是数据的交换。根据数据变化需要。中间层为多隐层或者单隐层。再把数据传送到输出层。经过学习处理后。这就是正向传播。再有输出层传递给外部来表达计算结果。如果出现期望值与实际值不相等时候，就会误差的反向学习阶段。就是把误差值出输入值反向传递上述的过程。反复的进行这样的学习训练。达到我们要想的误差结果为截止。或者规定好学习次数。　
BP神经网络模型主要有其输入输出模型；作用函数模型；误差计算模型与自学习模型。
下图为BP神经网络结构
图3.2 BP神经网络结构
3.3 BP神经网络设计
设计BP网络的关键之处在于大量的有代表性的训练样本，以及高效、稳定、快速收敛的学习方法。BP网络的应用过程如图所示。
图3.3 BP网络的应用过程
3.4 传递函数的选择
BP网络中神经元的传递函数通常用log-sigmoid型函数logsig、tansigmoid型函数tansig以及纯线性函数purelin。每个函数的功能都不一样，log-sigmoid型函数输出约束在0和1之间，tansigmoid型函数输出约束在-1和1之间，而purelin型线性函数输出可以取任意值。所以可以根据自己的要求选择不同的函数。本次设计输出的目标是0-38的任意整数，所以我选择purelin函数作为输出函数，输入层、隐含层函数都选择tansig函数。
3.5 BP神经网络的创建
训练网络首先得创建一个BP网络，而创建BP网络可以用newff命令来创建一个BP网络，其调用格式为：
Net=newff(PR,[S1 S2…SN],{TF1 TF2 …TFN},BTF,BLF PF)
其中PR是指由每组输入（共由R组输入）元素的最大值和最小值组成的R×2维矩阵。Si是指第i层的长度，共计N层。BTF是指BP网络的训练函数，BLF是指权值和阈值的BP学习算法，PF是网络的性能函数，默认为mse。
3.6 BP神经网络的训练与测试
在研究字符识别中主要有模板匹配的BP神经网络算法识别。研究神经网络的发放主要有两类。其中一个是根据神经网络的自身特点。把需要处理的车牌图像输入网络。有网络自己运算提出特征进行判别。另一种方法是将要识别的字符进行先进行特征提取出来，其次再根据特征做分类器。本系统为了提高车牌号码的准确率，可分别首先将字母作为一组数据进行训练；其次字母与数字组合作为一组数据进行训练；再次，将数字最为数据进行训练；组合将汉字作