基于MATLAB的车牌识别系统

%%%%%%%%%%%简单的车牌识别系统%%%%%%%%%%% %%%%%%% 钟培勋 %%%%%%%%%% %%%%%%% QQ：930109175 %%%%%%%%%% clc; clear all; close all; %% step1 读入图片 灰度化处理并显示原图、灰度图 %选择图片路径 [filename,pathname]=... uigetfile({'*.jpg';'*.bmp';'*,gif'},'选择图片'); %合成路径+文件名 str0=[pathname filename]; %读图 I=imread(str0); %imshow(I); %I=imread('./original pic/car7.jpg'); %imread函数读取图像文件 [y,x,z]=size(I); if y>400 rate=400/y; I=imresize(I,rate); end %imshow(I); %I=imread('./original pic/car7.jpg'); %imread函数读取图像文件 %将彩色图像转换为黑白并显示 I1 = rgb2gray(I); %rgb2gray转换成灰度图 figure(1),imshow(I),title('原始彩色图像'); %figure命令同时显示两幅图像 whos I; figure(2),imshow(I1),title('原始黑白图像'); %Step2 图像预处理 对原始黑白图像进行开操作得到图像背景 %I1为灰度图 [m,n]=size(I1); %测量图像尺寸参数 GreyHist=zeros(1,256); %预创建存放灰度出现概率的向量 for k=0:255 GreyHist(k+1)=length(find(I1==k))/(m*n); %计算每级灰度出现的概率，将其存入GreyHist中相应位置 end figure(3), subplot(2,2,2); bar(0:255,GreyHist,'g') %绘制直方图 title('拉伸前灰度直方图') xlabel('灰度值') ylabel('出现概率') subplot(2,2,1),imshow(I1),title('拉伸前黑白图像'); %灰度拉伸 I1=double(I1); ma=double(max(max(I1))); mi=double(min(min(I1))); I1=(255/(ma-mi))*I1-(255*mi)/(ma-mi); I1=uint8(I1); %figure(4), subplot(2,2,3); imshow(I1); title('灰度拉伸后黑白图像'); for k=0:255 GreyHist(k+1)=length(find(I1==k))/(m*n); end subplot(2,2,4); bar(0:255,GreyHist,'b') title('拉伸后的灰度直方图') xlabel('灰度值') ylabel('出现概率') %突出目标对象 SE=strel('disk',16);%半径为r=15的圆的模板 I2=imopen(I1,SE);%开运算 用模板SE对灰度图I1进行腐蚀，再对腐蚀后的结果进行膨胀，使外边缘圆滑 figure(4),imshow(I2);title('背景图像');%输出背景图像 %用原始图像与背景图像作减法，增强图像 I3=imsubtract(I1,I2);%两幅图相减 figure(5),imshow(I3);title('增强黑白图像');%输出黑白图像 %Step3 取得最佳阈值，将图像二值化 fmax1=double(max(max(I3)));%I3的最大值并输出双精度型 fmin1=double(min(min(I3)));%I3的最小值并输出双精度型 T=(fmax1-(fmax1-fmin1)/3)/255;%获得最佳阈值 bw22=im2bw(I3,T);%转换图像为二进制图像 bw2=double(bw22); figure(6),imshow(bw2);title('图像二值化');%得到二值图像 %%%%%%%%%%%%%%%% 车牌定位模块 %%%%%%%%%%%%%%%%%%%%%%%%%% %% 数学形态学处理进行车牌粗定位 %% 采用彩色像素点统计，行列扫描的方式实现车牌精确定位 %% 即改进的像素中线扫描法（像素统计法） %Step4 车牌粗定位，对得到二值图像进行边缘检测和开闭操作进行数字形态学处理 grd=edge(bw2,'canny')%用canny算子识别强度图像中的边界 figure(7),imshow(grd);title('Canny算子图像边缘提取');%输出图像边缘 bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的闭运算 figure(8),imshow(bg1);title('图像闭运算[5,19]');%输出闭运算的图像 bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的开运算 figure(9),imshow(bg3);title('图像开运算[5,19]');%输出开运算的图像 bg2=imopen(bg3,strel('rectangle',[11,5]));%取矩形框的开运算 %bg2=bwareaopen(bg2,);%消除细小对象 figure(10),imshow(bg2);title('图像开运算[11,5]');%输出开运算的图像 bg2=bwareaopen(bg2,5);%消除细小对象 figure(11),imshow(bg2);title('消除小对象'); %Step5 像素中线扫描（颜色纹理范围定义，行列扫描的方式）粗定位和经验阈值分割车牌 %%%%%%%%%%%%%%%% Y方向 %%%%%%%%%%%%%%%% %进一步确定y方向（水平方向）的车牌区域 [y,x,z]=size(bg2); %y方向对应行，x方向对应列，z方向对应深度，z=1为二值图像 myI=double(bg2); %数据类型转换，每个方向范围在0~1 0为黑，1为白（车牌区域） Im1=zeros(y,x); %创建一个与图像一样大小的空矩阵，用于记录行扫描时蓝色像素点的位置 Im2=zeros(y,x); %创建一个与图像一样大小的空矩阵，用于记录列扫描时蓝色像素点的位置 Blue_y=zeros(y,1);%创建一个列向量，同于统计行扫描某行的蓝色像素点个数 %开始行扫描，对每一个像素进行分析，统计满足条件的像素所在行对应的个数，确定车牌的上下边界 for i=1:y %行扫描 for j=1:x if (myI(i,j,1)==1) %在RGB彩色模型中（0，0，1）表示蓝色，转换数据后 1为蓝色 Blue_y(i,1)=Blue_y(i,1)+1;%统计第i行蓝色像素点的个数 Im1(i,j)=1; %标记蓝色像素点的位置 end end end % Y方向车牌区域确定 [temp,MaxY]=max(Blue_y); %阈值的设置是经验，采用统计分析方法和车牌的固定特征设置阈值，在规定大小的车辆图像上车牌区域的长宽经过统计，收敛于某个值 Th=5; %阈值参数可改（要提取的蓝颜色参数经验值范围） %向上追溯，直到车牌区域上边界 PY1=MaxY; while((Blue_y(PY1,1)>=Th)&&(PY1>1)) PY1=PY1-1; end %向下追溯，直到车牌区域的下边界 PY2=MaxY; while((Blue_y(PY2,1)>=Th)&&(PY2<y)) PY2=PY2+1; end %对车牌区域进行校正，加框，减少车牌区域信息丢失 PY1=PY1-2; PY2=PY2+2; if PY1<1 PY1=1; end if PY2>y PY2=y; end %得到车牌区域 IY=I(PY1:PY2,:,:); %%%%%%%%% X方向 %%%%%%%%%%% %进一步确定x方向（竖直方向）的车牌区域，确定车牌的左右边界 Blue_x=zeros(1,x); %创建一个行向量，同于统计列扫描某行的蓝色像素点个数 %列扫描，确定车牌的左右边界 for j=1:x for i=PY1:PY2 if (myI(i,j,1)==1) Blue_x(1,j)=Blue_x(1,j)+1; %统计第j列蓝色像素点的个数 Im2(i,j)=1; %标记蓝色像素点的位置 end end end %向右追溯，直到找到车牌区域左边界 PX1=1; Th1=3; %经验阈值的选取，可改 while(Blue_x(1,PX1)<Th1)&&(PX1<x) PX1=PX1+1; end %向左追溯，直到找到车牌区域右边界 PX2=x; while(Blue_x(1,PX2)<Th1)&&(PX2>PX1) PX2=PX2-1; end % 对车牌区域进行校正，加框，减少信息丢失 PX1=PX1-2; PX2=PX2+2; if PX1<1 PX1=1; end if PX2>x PX2=x; end %得到车牌区域 IX=I(:,PX1:PX2,:); %分割车牌区域 Plate=I(PY1:PY2,PX1:PX2,:); row=[PY1 PY2]; col=[PX1 PX2]; Im3=Im1+Im2; %图像代数运算 Im3=logical(Im3); Im3(1:PY1,:)=0; Im3(PY2:end,:)=0; Im3(:,1:PX1)=0; Im3(:,PX2:end)=0; %%%%% 显示%%%%% figure(11); subplot(2,2,4);imshow(IY);title('行过滤结果','FontWeight','Bold'); subplot(2,2,2);imshow(IX);title('列过滤结果','FontWeight','Bold'); subplot(2,2,1);imshow(I);title('原图像','FontWeight','Bold'); subplot(2,2,3);imshow(Plate);title('车牌区域','FontWeight','Bold'); imwrite(Plate,'Plate彩色图.jpg'); Plate1=rgb2gray(Plate);%rgb2gray转换成灰度图 imwrite(Plate1,'Plate灰度图.jpg'); %%Rando倾斜校正 plate=rando_bianhuan(Plate1); plate=imrotate(Plate1,plate,'bilinear','crop');%取值为负值向右旋转 %plate=houghbianhuan(Plate); figure(12); subplot(3,1,1);imshow(Plate);title('RGB车牌倾斜校正前'); subplot(3,1,2);imshow(Plate1);title('灰度车牌倾斜校正前'); subplot(3,1,3);imshow(plate);title('灰度车牌倾斜校正后'); imwrite(plate,'Plate校正后图像.jpg'); %%%%%%%%%%%%%%%%%%%%%%%% 字符分割模块 %%%%%%%%%%%%%%%%%%%%%%%%%%%% %% 采用垂直投影法与阈值分割、车牌固定特征分割 %Step6 对二值图像进行区域提取，并计算区域特征参数。进行区域特征参数比较，提取车牌区域 [L,num] = bwlabel(bg2,4);%标注二进制图像中已连接的部分 bwlabel（）return a unmber of connected object Feastats = imfeature(L,'basic');%计算图像区域的特征尺寸 L是bg2的图像矩阵 Area=[Feastats.Area];%区域面积 BoundingBox=[Feastats.BoundingBox];%[x y width height]车牌的框架大小 RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %标志图像向RGB图像转换 figure(13),imshow(RGB);title('图像彩色标记');%输出框架的彩色图像 lx=0; for l=1:num width=BoundingBox((l-1)*4+3);%框架宽度的计算 hight=BoundingBox((l-1)*4+4);%框架高度的计算 if (width>50 & width<130 & hight>10 & hight<50)%框架的宽度和高度的范围，筛选连通域 lx=lx+1; Getok(lx)=l; end end for k= 1:lx l=Getok(k); %找出符合尺寸标准的连通块，获取它的开始位置和结束位置 startcol=BoundingBox((l-1)*4+1)-2;%开始列 startrow=BoundingBox((l-1)*4+2)-2;%开始行 width=BoundingBox((l-1)*4+3)+8;%车牌宽 hight=BoundingBox((l-1)*4+4)+2;%车牌高 rato=width/hight;%计算车牌长宽比 if rato>2 & rato<4 break; end end sbw1=bw2(startrow:startr