【车牌识别】基于matlab形态学车牌识别【含Matlab源码 1155期】

一、获取代码方式（附实验题目说明）

获取代码方式1：
完整代码已上传我的资源：【车牌识别】基于matlab形态学车牌识别【含Matlab源码 1155期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、车牌识别简介

1 系统总体方案设计
车牌识别系统包括车牌图像预处理、车牌定位、字符分割和字符识别四部分。整体识别流程如图1所示，系统首先对采集到的车辆正面图像进行灰度化、滤波、边缘检测等预处理，再利用数学形态学中的运算方法对车牌图像进行定位，然后对车牌图像中的字符进行分割，最后利用模板匹配法完成车牌识别并输出结果。

图1 车牌识别整体流程
2 车牌识别系统的实现
2.1车牌预处理
实际应用中，由于受行驶速度、光线强度气等因素影响，系统采集到的照片质量不是很高，会存在光照不均、歪斜、模糊等问题。为提高车牌的识别效率，需对原始图像进行预处理，通常需要经过图像灰度化、图像滤波、边缘检测等处理过程。
2.1.1图像的灰度化
为了减少程序运行时间、提升系统处理速度，需要将彩色图像转换成灰度图像。经过灰度化后的图像中无任何色彩，只含图像原有的亮度信息。本设计采用加权平均法，计算公式为：Y=0.3*R+0.59G+0.11xB。式中R、G、B分别是彩色图像的3个基本分量信息，Y是灰度图像的灰度值。
2.1.2图像滤波
图像拍摄时，受外界因素影响，会存在有噪声的影响。图像滤波的主要目的是减少图像中噪声对车牌后续处理中的干扰。中值滤波不仅可以有效地降低噪音对图像的影响，还可以较好地保留图像的原有信息，具有较强的降噪声能力本设计选择采用中值滤波法进行图像的滤波去噪。滤波以后的图像如图2所示。
2.1.3边缘检测
车牌识别过程中，边缘检测是一个很重要的操作，它可以得到清晰的车牌轮廓，为进一步进行车牌的定位与分割做好准备。实际应用中，图像的边缘检测过程一般都是通过选取模板来与图像进行卷积计算完成的，选取的模板算子不同，检测结果也不同。本设计采用Roberts算子，利用edge() 函数完成边缘检测。边缘检测后图像如图3所示。

图2 滤波后图像

图3 边缘检测后图像
2.2 车牌定位
车牌定位是从处理后的车牌图像中确定出车牌所在的位置并将其提取出来。车牌定位的准确性直接决定车牌识别的精度。数学形态学可以简化图像数据，在除去不相干的结构噪声干扰的同时，还可保持图像基本的形态特征[9]。它包含膨胀、腐蚀、开启和闭合四种基本运算。本设计利用腐蚀、闭合两个运算的组合得到图像中的连通域，再使用bw area open() 函数对连通区域进行筛选、移除不符合车牌特征的小对象，定位出车牌区域，如图4、图5所示。

图4 数学形态学处理后图像

图5 筛选后定位出车牌图像区域

2.3 字符分割
字符分割是从定位后含有字符的车牌图像区域中分割出单独的字符。考虑到我国车牌具有字符间隔较大的特点，不会出现字符与字符的粘连现象，本设计采用垂直投影法完完成字符分割。即利用字符间存在间隙，说明车牌图像在字符间隙处垂直方向的投影存在波谷，只要准确地找到这些字符间的波谷位置即能切分出每个字符[10]。这种算法不仅程序设计简单、运行速度快，还满足实时性的需求。

2.4 字符识别
考虑到获取的字符图像较为清晰，本设计采用模板匹配法来完成字符识别，即将目标字符与模板字符逐一比对并做像素减法，得到新的图像，再统计结果图像中‘1’的个数，个数最少的即为最佳匹配[11]。为提高程序运行效率，比对前根据字符所在车牌内的位置缩小比对范围，将汉字、字母数字分别进行存放和比对，识别效率较高。

三、部分源代码

clear ;
close all;%Step1 获取图像   装入待处理彩色图像并显示原始图像
Scolor = imread('3.jpg');%imread函数读取图像文件
%将彩色图像转换为黑白并显示
Sgray = rgb2gray(Scolor);%rgb2gray转换成灰度图
figure,imshow(Scolor),title('原始彩色图像');%figure命令同时显示两幅图像
figure,imshow(Sgray),title('原始黑白图像');
%Step2 图像预处理   对Sgray 原始黑白图像进行开操作得到图像背景
s=strel('disk',13);%strei函数
Bgray=imopen(Sgray,s);%打开sgray s图像
figure,imshow(Bgray);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
Egray=imsubtract(Sgray,Bgray);%两幅图相减
figure,imshow(Egray);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(Egray)));%egray的最大值并输出双精度型
fmin1=double(min(min(Egray)));%egray的最小值并输出双精度型
level=(fmax1-(fmax1-fmin1)/3)/255;%获得最佳阈值
bw22=im2bw(Egray,level);%转换图像为二进制图像
bw2=double(bw22);
%Step4 对得到二值图像作开闭操作进行滤波
figure,imshow(bw2);title('图像二值化');%得到二值图像
grd=edge(bw2,'canny')%用canny算子识别强度图像中的边界
figure,imshow(grd);title('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,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,imshow(bg3);title('图像开运算[5,19]');%输出开运算的图像
bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的开运算
figure,imshow(bg2);title('图像开运算[19,1]');%输出开运算的图像
%Step5 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(bg2,8);%标注二进制图像中已连接的部分
Feastats = regionprops(L,'basic');%计算图像区域的特征尺寸
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,imshow(RGB);title('图像彩色标记');%输出框架的彩色图像
lx=0;
for l=1:numwidth=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>98 & width<160 & hight>25 & hight<50)%框架的宽度和高度的范围lx=lx+1;Getok(lx)=l;end
end
for k= 1:lxl=Getok(k);    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:startrow+hight,startcol:startcol+width-1); %获取车牌二值子图
subcol1=Sgray(startrow:startrow+hight,startcol:startcol+width-1);%获取车牌灰度子图
figure,subplot(2,1,1),imshow(subcol1);title('车牌灰度子图');%输出灰度图像
subplot(2,1,2),imshow(sbw1);title('车牌二值子图');%输出车牌的二值图
%Step6 计算车牌水平投影，并对水平投影进行峰谷分析
histcol1=sum(sbw1);      %计算垂直投影
histrow=sum(sbw1');      %计算水平投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（含边框）');%输出垂直投影
subplot(2,1,2),bar(histrow);     title('水平投影（含边框）');%输出水平投影
figure,subplot(2,1,1),bar(histrow);     title('水平投影（含边框）');%输出水平投影
subplot(2,1,2),imshow(sbw1);title('车牌二值子图');%输出二值图
%对水平投影进行峰谷分析
meanrow=mean(histrow);%求水平投影的平均值
minrow=min(histrow);%求水平投影的最小值
levelrow=(meanrow+minrow)/2;%求水平投影的平均值
count1=0;
l=1;
for k=1:hightif histrow(k)<=levelrow                             count1=count1+1;                                else if count1>=1markrow(l)=k;%上升点markrow1(l)=count1;%谷宽度（下降点至下一个上升点）l=l+1;endcount1=0;end
end
markrow2=diff(markrow);%峰距离（上升点至下一个上升点）
[m1,n1]=size(markrow2);
n1=n1+1;
markrow(l)=hight;
markrow1(l)=count1;
markrow2(n1)=markrow(l)-markrow(l-1);
l=0;
for k=1:n1markrow3(k)=markrow(k+1)-markrow1(k+1);%下降点markrow4(k)=markrow3(k)-markrow(k);%峰宽度（上升点至下降点）markrow5(k)=markrow3(k)-double(uint16(markrow4(k)/2));%峰中心位置
end
%Step7 计算车牌旋转角度
%(1)在上升点至下降点找第一个为1的点
[m2,n2]=size(sbw1);%sbw1的图像大小
[m1,n1]=size(markrow4);%markrow4的大小
maxw=max(markrow4);%最大宽度为字符
if markrow4(1) ~= maxw%检测上边ysite=1;k1=1;for l=1:n2for k=1:markrow3(ysite)%从顶边至第一个峰下降点扫描if sbw1(k,l)==1xdata(k1)=l;ydata(k1)=k;k1=k1+1;break;endendend
else  %检测下边ysite=n1;if markrow4(n1) ==0if markrow4(n1-1) ==maxwysite= 0; %无下边elseysite= n1-1;endendif ysite ~=0k1=1;for l=1:n2k=m2;while k>=markrow(ysite) %从底边至最后一个峰的上升点扫描if sbw1(k,l)==1xdata(k1)=l;ydata(k1)=k;k1=k1+1;break;endk=k-1;endendend
end
%(2)线性拟合，计算与x夹角
fresult = fit(xdata',ydata','poly1');   %poly1    Y = p1*x+p2
p1=fresult.p1;
angle=atan(fresult.p1)*180/pi; %弧度换为度，360/2pi,  pi=3.14
%(3)旋转车牌图象
subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋转车牌图象
sbw = imrotate(sbw1,angle,'bilinear','crop');%旋转图像
figure,subplot(2,1,1),imshow(subcol);title('车牌灰度子图');%输出车牌旋转后的灰度图像标题显示车牌灰度子图
subplot(2,1,2),imshow(sbw);title('');%输出车牌旋转后的灰度图像
title(['车牌旋转角: ',num2str(angle),'度'] ,'Color','r');%显示车牌的旋转角度
%Step8 旋转车牌后重新计算车牌水平投影，去掉车牌水平边框，获取字符高度
histcol1=sum(sbw); %计算垂直投影
histrow=sum(sbw'); %计算水平投影
figure,subplot(2,1,1),bar(histcol1);title('垂直投影（旋转后）');
subplot(2,1,2),bar(histrow);     title('水平投影（旋转后）');
figure,subplot(2,1,1),bar(histrow);     title('水平投影（旋转后）');
subplot(2,1,2),imshow(sbw);title('车牌二值子图（旋转后）');
%去水平（上下）边框,获取字符高度
maxhight=max(markrow2);
findc=find(markrow2==maxhight);
rowtop=markrow(findc);
rowbot=markrow(findc+1)-markrow1(findc+1);
sbw2=sbw(rowtop:rowbot,:);  %子图为(rowbot-rowtop+1)行
maxhight=rowbot-rowtop+1;   %字符高度(rowbot-rowtop+1)
%Step9 计算车牌垂直投影，去掉车牌垂直边框，获取车牌及字符平均宽度
histcol=sum(sbw2);  %计算垂直投影
figure,subplot(2,1,1),bar(histcol);title('垂直投影（去水平边框后）');%输出车牌的垂直投影图像
subplot(2,1,2),imshow(sbw2); %输出垂直投影图像
title(['车牌字符高度： ',int2str(maxhight)],'Color','r');%输出车牌字符高度
%对垂直投影进行峰谷分析
meancol=mean(histcol);%求垂直投影的平均值
mincol=min(histcol);%求垂直投影的平均值
levelcol=(meancol+mincol)/4;%求垂直投影的1/4
count1=0;
l=1;
for k=1:widthif histcol(k)<=levelcol count1=count1+1;else if count1>=1markcol(l)=k; %字符上升点markcol1(l)=count1; %谷宽度（下降点至下一个上升点）l=l+1;endcount1=0;end
end

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 蔡利梅.MATLAB图像处理——理论、算法与实例分析[M].清华大学出版社，2020.
[2]杨丹,赵海滨,龙哲.MATLAB图像处理实例详解[M].清华大学出版社，2013.
[3]周品.MATLAB图像处理与图形用户界面设计[M].清华大学出版社，2013.
[4]刘成龙.精通MATLAB图像处理[M].清华大学出版社，2015.
[5]呙润华，苏婷婷，马晓伟.BP神经网络联合模板匹配的车牌识别系统[J].清华大学学报(自然科学版)，2013，53(9)：1221-1226.
[6]鲁扬.基于BP神经网络的车牌识别算法研究[D].大庆：东北石油大学，2018.
[7]李强,张娟.一种改进的基于模板匹配的污损车牌识别方法[J].智能计算机与应用. 2019,9(03).
[8] 梁凯.基于MATLAB的汽车车牌识别系统的设计与实现[D] .哈尔滨：黑龙江大学， 2018.
[9]刘雄飞，朱盛春.车牌字符多特征提取与BP神经网络的识别算法[J].计算机仿真，2014，31(10)：161-164，290.
[10]乔有田.基于数学形态学和灰度跳变特征的车牌定位方法[J].工业控制计算，2015(2)：77-78