车牌识别的matlab程序(程序-讲解-模板)

clc
clear
close all
I=imread('chepai.jpg');
subplot(3,2,1);imshow(I), title('原始图像');
I_gray=rgb2gray(I);
subplot(3,2,2),imshow(I_gray),title('灰度图像');
%====================== 形态学预处理======================
I_edge=edge(I_gray,'sobel');
subplot(3,2,3),imshow(I_edge),title('边缘检测后图像');
se=[1;1;1];
I_erode=imerode(I_edge,se);
subplot(3,2,4),imshow(I_erode),title('腐蚀后边缘图像');
se=strel('rectangle',[25,25]);
I_close=imclose(I_erode,se); %图像闭合、填充图像
subplot(3,2,5),imshow(I_close),title('填充后图像');
I_final=bwareaopen(I_close,2000); %去除聚团灰度值小于2000的部分
subplot(3,2,6),imshow(I_final),title('形态滤波后图像');
%========================== 车牌分割============================= I_new=zeros(size(I_final,1),size(I_final,2));
location_of_1=[];
for i=1:size(I_final,1) %寻找二值图像中白的点的位置
for j=1:size(I_final,2)
if I_final(i,j)==1;
newlocation=[i,j];
location_of_1=[location_of_1;newlocation];
end
end
end
mini=inf;maxi=0;
for i=1:size(location_of_1,1)
%寻找所有白点中，x坐标与y坐标的和最大，最小的两个点的位置
temp=location_of_1(i,1)+location_of_1(i,2);
if temp<mini
mini=temp;
a=i;
end
if temp>maxi
maxi=temp;
b=i;
end
end
first_point=location_of_1(a,:); %和最小的点为车牌的左上角
last_point=location_of_1(b,:); %和最大的点为车牌的右下角
x1=first_point(1)+4; %坐标值修正
x2=last_point(1)-4;
y1=first_point(2)+4;
y2=last_point(2)-4;
I_plate=I(x1:x2,y1:y2);
I_plate=OTSU(I_plate); %以OTSU算法对分割出的车牌进行自适应二值化处理
I_plate=bwareaopen(I_plate,50);
figure,imshow(I_plate),title('车牌提取') %画出最终车牌
%========================= 字符分割============================
X=[]; %用来存放水平分割线的横坐标
flag=0;
for j=1:size(I_plate,2)
sum_y=sum(I_plate(:,j));
if logical(sum_y)~=flag %列和有变化时，记录下此列
X=[X j];
flag=logical(sum_y);
end
end
figure
for n=1:7
char=I_plate(:,X(2*n-1):X(2*n)-1); %进行粗分割
for i=1:size(char,1) %这两个for循环对分割字符的上下进行裁剪if sum(char(i,:))~=0
top=i;
break
end
end
for i=1:size(char,1)
if sum(char(size(char,1)-i,:))~=0
bottom=size(char,1)-i;
break
end
end
char=char(top:bottom,:);
subplot(2,4,n);imshow(char);
char=imresize(char,[32,16],'nearest'); %归一化为32*16的大小，以便模板匹配
eval(strcat('Char_',num2str(n),'=char;')); %将分割的字符放入Char_i中
end
%========================== 字符识别============================= char=[];
store1=strcat('京','津','沪','渝','冀','晋','辽','吉','黑','苏','浙'... %汉字识别
,'皖','闽','赣','鲁','豫','鄂','湘','粤','琼','川','贵','云','陕'...
,'甘','青','藏','桂','皖','新','宁','港','鲁','蒙');
for j=1:34
Im=Char_1;
Template=imread(strcat('chinese\',num2str(j),'.bmp')); %chinese文件附在最后
Template=im2bw(Template);
Differ=Im-Template;
Compare(j)=sum(sum(abs(Differ)));
end
index=find(Compare==(min(Compare)));
char=[char store1(index)];
store2=strcat('A','B','C','D','E','F','G','H','J','K','L','M','M','N','P','Q','R'...
,'S','T','U','V','W','X','Y','Z','0','1','2','3','4','5','6','7','8','9');
for i=2:7 %字母数字识别for j=1:35
Im=eval(strcat('Char_',num2str(i)));
Template=imread(strcat('cha&num\',num2str(j),'.bmp')); %cha&num文件附在最后
Template=im2bw(Template);
Differ=Im-Template;
Compare(j)=sum(sum(abs(Differ)));
end
index=find(Compare==(min(Compare)));
char=[char store2(index)];
end
figure,imshow(I),title(strcat('车牌为:',char))
信研-11 XX 2011301XXXXXX
模式识别作业—车牌识别
1、作业要求：
要求：任给一幅符合假定的图片，自动识别出车牌号。

如：给定如下图片，自动输出（京JX9168）
2、设计步骤：
所设计的车牌识别的流程包括图像预处理，车牌分割，字符分割，及字符识别。

详见matalb程序。

3、程序讲解
1）第一部分为图像的预处理。

此部分借鉴了别人的程序，将灰度图像以sobel算子检测边缘；再对边缘图像进行腐蚀，去除掉细的，间断的边缘；对剩下的区域进行闭合以填充图像，此时可以看到车牌区域形成了一个大的连通域；调用bwareaopen函数去掉小的连通域，此时整个二值图像只b剩下了车牌区域为1。

如下图所示：
2）第二部分为车牌的提取
此部分的工作为将上一步的白色区域取出，其对应的就是车牌区域。

设计思路如下：首先将二值图像f中所有为1的点的坐标放入数组location_of_1中，对这些坐标遍历计算，寻找x坐标与y坐标之和最大的点a与最小的点b，a即为车牌的左上角，b为车牌的右下角。

通过这两个坐标将车牌分割出来，并对灰度车牌图像以OTSU算法进行自适应二值化分割。

最终效果如下：
3）第三部分为字符分割
此部分的工作是将车牌里的7个字符分别提取出来。

方法如下：对该二值图从左向右像按列z遍历，计算每一列之和，没有白点的列和为0，有白点的列和非零，转换为逻辑1，记录下所有列和在0与1转换的列，即为需要切割的列，共有14列，可切出7个字符。

切割出单个字符后，放入char_(i)中，并切割掉每个字符的上下的空白区域，完成精确切割，效果如下：
4）第四部分为字符的识别
识别的方法主要有模板匹配字符识别算法，统计特征匹配算法，神经网络字符识别算法和支持向量机模式识别算法。

由于分割的字符效果较好，为明显畸变，模k板维数低（32*16），且因为时间关系，这里采用了模板匹配识别算法。

该程序把切割出的字符与库里的汉字和字符的模板做减法运算，找到差别点最少的模板为对应模板，输出该模板对应的字符，最后识别出其为“京JX9168”。

如下：
Chinese模板文件：
Cha&num模板文件：
(将图片放入文件夹中，放在程序目录下)
OTSU.m文件：
function J=OTSU(I)
Hi=imhist(I); %直方图
sum1=sum(Hi);
for i=1:255
w1=sum(Hi(1:i))/sum1; %第一类概率
w2=sum(Hi((i+1):256))/sum1; %第二类概率
m1=(0:(i-1))*Hi(1:i)/sum(Hi(1:i)); %第一类平均灰度值
m2=(i:255)*Hi((i+1):256)/sum(Hi((i+1):256));%第二类平均灰度值
Jw(i)=w1*w2*(m1-m2)^2;
end
[maxm,thresh]=max(Jw); %寻找阈值
% subplot(2,2,1);imshow(I);title('原图像');
% subplot(2,2,[3,4]);imhist(I);hold on;plot(thresh,3,'+r');title((strcat('阈值为',num2str(thresh))));
I(find(I<=thresh))=0;
I(find(I>thresh))=256; %二值化
J=I;
% subplot(2,2,2),imshow(I),title('二值化图像zk');。