MATLAB 车牌识别程序介绍 SVM、神经网络[毕业设计]

程序付费分享：

微信：1075933062

这个文章介绍使用matlab 识别车牌内的信息：

识别的步骤如下：

1、导入图片

2、定位到车牌矩形框的位置

3、进行畸形矫正

4、字符分割

5、生成字符库

6、SVM训练

7、基于SVM 车牌识别系统的设计

由于需要进行SVM训练所以需要建立一个对应的车牌字符库

下面建立一个生成字符库的APP ,来生成对应的库

然后会生成一个下面这样的字符库最后可以通过SVM 训练

关于SVM 的训练可以参考这篇博客
基于MATLAB，使用SVM和ANN实现车牌识别_weixin_42864037的博客-CSDN博客_matlab svm车牌识别

由于该程序的图片是灰度的所以需要对函数进行相应的更改然后就可以进行训练了：

提取图片特征函数：

function [trainingFeatures,trainingLabels,testFeatures,testLabels]=extractFeature(trainingSet,testSet)
%% 确定特征向量尺寸
img = read(trainingSet(1),1);
%转化为灰度图像
% img=im2gray(img);
% %转化为2值图像
% lvl = graythresh(img);
% img = im2bw(img, lvl);
img=imresize(img,[256 256]);
cellSize = [4 4];
[hog_feature, vis_hog] = extractHOGFeatures(img,'CellSize',cellSize);
glcm_feature = getGLCMFeatures(img);
SizeOfFeature = length(hog_feature)+ length(glcm_feature);trainingFeatures = [];
trainingLabels   = [];
for digit = 1:numel(trainingSet)       numImages = trainingSet(digit).Count;features  = zeros(numImages, SizeOfFeature, 'single');%初始化特征向量% 遍历每张图片for i = 1:numImagesimg = read(trainingSet(digit), i);% 取出第i张图片
%         img=rgb2gray(img);                % 转化为灰度图像
%         glcm_feature = getGLCMFeatures(img);  % 提取GLCM特征
%         lvl = graythresh(img);            % 阈值化
%         img = im2bw(img, lvl);            % 转化为2值图像img=imresize(img,[256 256]);% 提取HOG特征[hog_feature, vis_hog] = extractHOGFeatures(img,'CellSize',cellSize);       % 合并两个特征features(i, :) = [hog_feature glcm_feature];end% 使用图像描述作为训练标签labels = repmat(trainingSet(digit).Description, numImages, 1);  % 逐个添加每张训练图片的特征和标签trainingFeatures = [trainingFeatures; features];trainingLabels   = [trainingLabels; labels];
endtestFeatures = [];
testLabels   = [];
for digit = 1:numel(testSet)           numImages = testSet(digit).Count;    %初始化特征向量features  = zeros(numImages, SizeOfFeature, 'single');    for i = 1:numImages        img = read(testSet(digit), i);        %转化为灰度图像
%         img=rgb2gray(img);
%         glcm_feature = getGLCMFeatures(img);        %转化为2值图像
%         lvl = graythresh(img);
%         img = im2bw(img, lvl);img=imresize(img,[256 256]);[hog_4x4, vis4x4] = extractHOGFeatures(img,'CellSize',cellSize);features(i, :) = [hog_4x4 glcm_feature];end    % 使用图像描述作为训练标签labels = repmat(testSet(digit).Description, numImages, 1);    testFeatures = [testFeatures; features];testLabels=[testLabels; labels];end
end

function [features] = getGLCMFeatures(image)
features_all  = [];
for i = 1:10glcm = graycomatrix(image, 'Offset', [0,i]);stats = graycoprops(glcm);glcm45 = graycomatrix(image, 'Offset', [-i,i]);stats45 = graycoprops(glcm45);glcm90 = graycomatrix(image, 'Offset', [-i,0]);stats90 = graycoprops(glcm90);glcm135 = graycomatrix(image, 'Offset', [-i,-i]);stats135 = graycoprops(glcm135);stats7x4 = [stats.Contrast stats.Correlation stats.Energy stats.Homogeneity;stats45.Contrast stats45.Correlation stats45.Energy stats45.Homogeneity;stats90.Contrast stats90.Correlation stats90.Energy stats90.Homogeneity;stats135.Contrast stats135.Correlation stats135.Energy stats135.Homogeneity];features_all = [features_all mean(stats7x4,1) std(stats7x4,0,1)];
end
features = features_all;

clear;
dir=('\DataWork\车牌识别SVM\GUI\train');
testdir=('\DataWork\车牌识别SVM\GUI\train');
trainingSet = imageSet(dir,'recursive');
testSet = imageSet(testdir,'recursive');[trainingFeatures,trainingLabels,testFeatures,testLabels]=extractFeature(trainingSet,testSet);classifier = fitcecoc(trainingFeatures, trainingLabels);
save classifier.mat classifier -v7.3;
predictedLabels = predict(classifier, testFeatures);confMat=confusionmat(testLabels, predictedLabels)
accuracy=(confMat(1,1)/sum(confMat(1,:))+confMat(2,2)/sum(confMat(2,:)))/2


load classifier.mat;     % 加载训练好的SVM模型            img=imread("img034-00026.png");
glcm_feature = getGLCMFeatures(img);     %提取GLCM特征
% lvl = graythresh(img);
% img = im2bw(img, lvl);
img=imresize(img,[256 256]);
[hog_4x4, ~] = extractHOGFeatures(img,'CellSize',[4 4]);      %提取HOG特征
testFeature = [hog_4x4 glcm_feature];       %合并特征
predictedLabel = predict(classifier, testFeature) %使用predict函数进行分类

MATLAB 车牌识别程序介绍 SVM、神经网络[毕业设计]相关推荐

基于matlab车牌识别程序,基于MATLAB车牌识别系统设计
基于MATLAB车牌识别系统设计(任务书,开题报告,毕业论文11200字) 摘要社会的不断发展带动着经济也不断的增长,从而也提高了人们的生活水平.汽车的需求量也日渐增加,现代化交通管理的出现,解决了 ...
matlab车牌识别程序视频,matlab 车牌识别程序
%车牌识别 %[fn,pn,fi]=uigetfile('benchi.jpg','选择图片');%读入图片 %I=imread([pn fn]); close all; clc; I=imread( ...
文字识别如何行切割matlab,车牌识别程序里怎么调入切割函数
I=imread(['D:\360Downloads\A.jpg']); figure(1),imshow(I);title('原图'); I1=rgb2gray(I); %将真彩色图像转换为灰度 ...
车牌识别与计算机编程,基于MATLAB的车牌识别程序详解.ppt
基于MATLAB的车牌识别程序详解自定义一个字符函数,用来从车牌区域中提取出7个字符,其中利用切割函数来进行切割. 程序:function [word,result]=getword(d) word ...
matlab中caitu_tiqu,Matlab平台基于颜色的车牌识别程序
Matlab平台基于颜色的车牌识别程序 matlab 2020-11-18 下载地址 https://www.codedown123.com/51252.html Matlab平台基于颜色的车牌识别程 ...
matlab中liccode函数,基于matlab车牌识别系统设计与实现（最终版）
<基于matlab车牌识别系统设计与实现.doc>由会员分享,可在线阅读全文,更多相关<基于matlab车牌识别系统设计与实现(最终版)>请在www.woc88.com上搜索. ...
车牌识别EasyPR(3)——SVM模型判断车牌
本文开始分析车牌定位模块后续步骤的车牌判断模块.车牌判断模块是EasyPR中的基于机器学习模型的一个模块,这个模型就是SVM(支持向量机). 我们已经知道,车牌定位模块的输出是一些候选车牌的图片.但如 ...
matlab车牌识别课程设计,matlab车牌识别课程设计报告模板(附源代码).doc
您所在位置:网站首页 > 海量文档 &nbsp>&nbsp计算机&nbsp>&nbspmatlab matlab车牌识别课程设计报告模板(附源代码). ...
毕设题目：Matlab车牌识别
1 车牌识别系统设计与实现车牌识别系统主要分为三部分:车牌图像预处理.特征提取以及基于BP神经网络对特征进行训练和分类,流程图如图1所示. 图1 车牌识别系统组成示意图 2 车牌图像预处理车牌图像 ...

MATLAB 车牌识别程序介绍 SVM、神经网络[毕业设计]

MATLAB 车牌识别程序介绍 SVM、神经网络[毕业设计]相关推荐

最新文章

热门文章