基于matlab车牌的定位与分割识别程序概要

基于Matlab的车牌定位与分割 经典算法

I二imread('car.jpg');

%读取图像

figure。； subplot(3,2,1),imshow(l), title('原始图像');

I1=rgb2gray(l);%转化为灰度图像

subplot(3,2,2),imshow(I1),title('灰度图像');

I2=edge(I1,'robert',0.09,'both');%采用 robert 算子进行边缘检

测 subplot(3,2,3),imshow(I2),title('边缘检测后图像');

边绿检浪I启图像

se=[1;1;1]; %线型结构元素 I3=imerode(l2,se);

%腐蚀图像

subplot(3,2,4),imshow(l3),title('腐蚀后边缘图像');

se=strel('recta ngle',[25,25]);矩形结构元素 I4=imclose(l3,se);%图像聚类、填充图像 subplot(3,2,5),imshow(I4),title('填充后图像');

rx fYlHzeros(y3__6Hdoub_e(_5x o

rfony li-

5iM=zX eN(H_sM一W血、5Hbwa」「丿-Heaopen2 0(0一04

2subp_0f(32600S% 二卅

弗WH

if(l6(i,j,1)==1) Y 1(i,1)= Y 1(i,1)+1; end

end

end

[temp MaxY]=max(Y1); figure。；

subplot(3,2,1),plot(0:y-1,Y1),title('行方向像素点灰度值累计和'), xlabel('行值'),ylabel('像素');

行值

%求的车牌的行起始位置和终止位置 PY 仁Max Y;

while ((Y 1(PY1,1)>=50)&&(PY 1>1))

PY 1=P Y1-1;

end

PY 2=Max Y;

while ((Y 1(PY2,1)>=50)&&(PY2PY 2=P Y2+1;

end

IY=I(P Y1:P Y2,:,:); X1= zeros(1,x); for j=1:x

for i=PY1:PY2

if(l6(i,j,1)==1)

X1(1,j)= X1(1,j)+1;

end

end

end

subplot(3,2,2),plot(0:x-1,X1),title('列方向像素点灰度值累计和'), xlabel('列值'),ylabel('像数');

歹U方向像素点衣度值黒计环CT

O 1OC

0

2OD 400

歹UfS

600 800

%求的车牌的列起始位置和终止位置 while ((X1(1,PX1)<3)&&(PX1PX1= PX1+1;

end PX2=x;

PX仁1;

while ((X1(1,PX2)<3)&&(PX2>PX1))

PX2=PX2-1;

end

PX仁PX1-1; PX2=PX2+1;

%分割出车牌图像% dw=l(P Y1:P Y2,PX1:PX2,:);

subplot(3,2,3),imshow(dw),title('定位剪切后的彩色车牌图像')

定位剪切后 的耘 色车牌图像

4.2车牌字符分割

确定车牌位置后下一步的任务就是进行字符切分分离出车牌号 码的全部字符图像。

if isrgb(I)

I1 = rgb2gray(I); %将RGB图像转化为灰度图像 else I1=I ； end

g_max=double(max(max(l1))); g_mi n=double(mi n(min (11)));

T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值

[m,n]=size(I1);% d:二值图像 %h=graythresh(I1); I1=im2bw(I1,T/256); subplot(3,2,4)；

imshow(l1),title('二值化车牌图像');

二值化车牌图像

I2=bwareaope n( 11,20); subplot(3,2,5);

imshow(I2),title('形态学滤波后的二值化图像');

中值滤浪后的二恒化團像

[y1,x1,z1]=size(l2); I3=double(I2); TT=1;

%%%%%%%去除图像顶端和底端的不感兴趣区域

%%%%%

Y1=zeros(y1,1); for i=1:y1

for j=1:x1

if(I3(i,j,1)==1)

Y 1(i,1)= Y 1(i,1)+1

end end Py 1=1; PyO=1;

while ((Y 1(Py0,1)<20)&&(Py0Py0=Py0+1;

end Py1= Py0;

while((Y1(Py1,1)>=20)&&(Py1Py1= Py1+1;

end

l2=l2(PyO:Py1,:,:); subplot(3,2,6);

imshow(l2),title('目标车牌区域');

目标车牌区域

%分割字符按行积累量% X1= zeros(1,x1);

for j=1:x1

for i=1:y1

if(l3(i,j,1)==1)

X1(1,j)= X1(1,j)+1; end

end

end figure®

plot(0:x1 -1,X1),title('列方向像素点灰度值累计和'),xlabel('列值'), ylabel('累计像素量');

Px0=1; Px 1=1; %分割字符 for i=1:7

while ((X1(1,PxO)<3)&&(Px0Px0=Px0+1; end Px1=Px0;

while (((X1(1,Px1)>=3)&&(Px1Px1=Px1+1; end

Z=I2(:,Px0:Px1,:);

switch strcat('Z',num2str(i))

case'Z1'

PIN0=Z; case'Z2'

PIN1=Z; case'Z3'

PIN2=Z; case'Z4'

PIN3=Z; case'Z5'

PIN4=Z; case'Z6'

PIN5=Z; otherwise

PIN6=Z;

end

figure(3); subplot(1,7,i); imshow(Z);

匍M Ul n刀团斷

PxO=Px1; End

fun cti on inpt = pretreatme nt(l)

%YUCHULI Summary of this function goeshere %

Detailed explanation goes here

if isrgb(I)

I1 = rgb2gray(l); else

I1=I; end

I仁imresize(l1,[50 20]);% 将图片统一划为I1=im2bw(I1,0.9); [m,n]=size(I1); in pt=zeros(1,m* n);

%将图像按列转换成一个行向量 for j=1:n

for i=1:m

inpt(1,m*(j-1)+i)=I1(i,j); end

end

50*20 大小

%神经网络进行识别。 close all; clear all;

%%%%归一化训练样本 %%%%%% I0=pretreatment(imread('0.jpg')); I1=pretreatment(imread('1.jpg')); I2=pretreatment(imread('2.jpg')); I3=pretreatment(imread('3.jpg')); I4=pretreatment(imread('4.jpg')); I5=pretreatment(imread('5.jpg')); I6=pretreatment(imread('6.jpg')); I7=pretreatment(imread('7.jpg')); I8=pretreatment(imread('8.jpg')); I9=pretreatment(imread('9.jpg')); I10=pretreatment(imread('A.jpg')); I11=pretreatment(imread('C.jpg')); I12=pretreatment(imread('G.jpg')); I13=pretreatment(imread('L.jpg')); I14=pretreatment(imread('M.jpg')); I15=pretreatment(imread('R.jpg')); I16=pretreatment(imread('H.jpg')); I17=pretreatment(imread('N.jpg'));

P=[I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I1 7']; %输出样本 %%% T=eye(18,18);

%%bp 神经网络参数设置

net=newff(minmax(P),[1000,32,18],{'logsig','logsig','logsig'},'trainrp ');

net.inputWeights{1,1}.initFcn ='randnr';

net.layerWeights{2,1}.initFcn ='randnr'; net.trainparam.epochs=5000; net.trainparam.show=50;

%net.trainparam.lr=0.003; net.trainparam.goal=0.0000000001; net=init(net);

%%%训练样本 %%%% [net,tr]=train(net,P,T); %%%%%%%测试%%%%%%%%% %I=imread('DSC01323.jpg'); I=imread('DSC01344.jpg'); dw=location(I);% 车牌定位

[PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6]=StringSplit(dw);% 处理

%%%%%%%%%%% 测试字符，得到识别数值 %%%% PIN0=pretreatment(PIN0); PIN1=pretreatment(PIN1); PIN2=pretreatment(PIN2); PIN3=pretreatment(PIN3); PIN4=pretreatment(PIN4); PIN5=pretreatment(PIN5); PIN6=pretreatment(PIN6);

P0=[PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6']; for i=2:7

T0= sim(net ,P0(:,i)); T1 = compet (T0) ;

字符分割及

d =find(T1 == 1) - 1 if (d==10)

str='A';

elseif (d==11) str='C'; elseif (d==12) str='G'; elseif (d==13) str='L'; elseif (d==14) str='M'; elseif (d==15) str='R'; elseif (d==16) str='H'; elseif (d==17) str='N'; else

str=num2str(d); end switch i

case2

str1=str; case3

str2=str; case4

str3=str; case5

str4=str; case6

str5=str; otherwise

str6=str;

end end

%显示定位后的分割出的车牌彩图，

%

$俞貝N7968

%%%%%%识别结果以标题形式显示在图上 s=strcat(渝',str1,str2,str3,str4,str5,str6); figure。； imshow(dw),title(s);

%%%

非诚勿扰欢迎下载