1.软件版本

matlab2017b

2.系统原理

从图的算法流程图可知，基于车牌图像字符特征提取和神经网络的识别算法其首先将训练样本数据进行预处理，得到质量较高的样本数据，然后对这些样本数据进行HOG特征提取，再将特征数据通过神经网络进行训练学习最后得到基于神经网络的车牌识别模块。然后采集一些常规的测试样本图片，同样，对这些样本进行预处理操作，然后通过颜色模型对车牌进行定位和提取，然后将提取后的车牌进行字符分割，然后分别对分割后的多个字符进行HOG特征提取，最后输入到神经网络模型中进行识别，并得到识别输出结果。下面通过MATLAB对该算法进行仿真测试分析。

2.1基于HOG变换的特征提取方法

基于HOG变换的图像特征提取算法，目前被广泛应用在图像识别领域[29]，如车牌识别，人脸识别，车辆识别等。下面对HOG变换的基本原理进行介绍。HOG特征的提取其详细步骤如下：

步骤一：细胞划分。如图1所示，将每一张目标图像划分为多个小的图像区域，每个小的图像区域作为一个细胞单元（如图1左图所示），由四个细胞单元构成一个块单元（如图1右图所示）：

步骤二：计算块单元的像素点的梯度特征数据，其计算公式为：

通过上述HOG向量的计算步骤可知，HOG特征向量的提取主要是基于局部图像得到的，因此其具体更强的抗干扰能力。

2.2 GRNN神经网络

GRNN广义回归神经网络[28]是一种具有极强学习能力和适应能力的神经网络，其通过少量样本就可以实现对样本的训练和学习。此外，GRNN网络是一种基于非参数核回归实现方式的网络函数，其通过将样本数据作为后验概率进行验证，然后进行非参数估计。

GRNN网络第一层为网络输入层，输入层的神经元数量和学习样本中输入向量的维数相同。因此，每一个神经网络均接收一个维度的数据输入，然后在输入层中，将这些数据传递到第二层隐含层中。

3.部分源码

clc;
clear;
close all;
addpath 'func\'
%STEP1
%**************************************************************************I =imread('Images\18.jpg');
figure(1)
subplot(161);
imshow(I);
title('原图');I1=rgb2gray(I);
subplot(162);
imshow(I1);
title('灰度图');%车牌定位
Ip = func_position(I,I1,1.4,150);
subplot(163);
imshow(Ip);
title('车牌区域');%膨胀
se  = strel('ball',16,16);
Ip2 = uint8(imdilate(Ip,se));
Ip2 = 255*double(im2bw(Ip2));
subplot(164);
imshow(Ip2);
title('膨胀');%去掉小面积的噪声干扰
%Determine the connected components.
L   = bwlabeln(Ip2);
%Compute the area of each component.
S   = regionprops(L,'Area');
%Remove small objects.
bw2 = ismember(L, find([S.Area] >= 10000));
subplot(165);
imshow(bw2);
title('去掉干扰');%提取车牌
PP   = im2bw(bw2);
Ipos = func_Pai_Position(I,PP);subplot(166);
imshow(Ipos);
title('车牌提取');save Result_STEP1.mat Ipos%STEP2
%**************************************************************************%提取的车牌
load Result_STEP1.mat
figure;
subplot(221);
imshow(Ipos);
title('车牌提取');
%如果有角度倾斜，则旋转
Iang = func_angle(Ipos);
subplot(222);
imshow(Iang);
title('车牌提取-旋转');
%车牌分割
I2 = uint8(255*im2bw(Iang,1.2*graythresh(Iang)));
subplot(223);
imshow(I2);
title('等待分割的车牌');tmps = func_fenge(I2);save Result_STEP2.mat tmps Iang%STEP3
%**************************************************************************%提取的车牌
load Result_STEP2.mat
word1=imresize(tmps{1},[40 20]);
word2=imresize(tmps{2},[40 20]);
word3=imresize(tmps{3},[40 20]);
word4=imresize(tmps{4},[40 20]);
word5=imresize(tmps{5},[40 20]);
word6=imresize(tmps{6},[40 20]);
word7=imresize(tmps{7},[40 20]);figure;
subplot(241);imshow(word1);
subplot(242);imshow(word2);
subplot(243);imshow(word3);
subplot(244);imshow(word4);
subplot(245);imshow(word5);
subplot(246);imshow(word6);
subplot(247);imshow(word7);

clc;
clear;
close all;
addpath 'func\'%提取的车牌
load Result_STEP2.mat
word1=imresize(tmps{1},[40 20]);
word2=imresize(tmps{2},[40 20]);
word3=imresize(tmps{3},[40 20]);
word4=imresize(tmps{4},[40 20]);
word5=imresize(tmps{5},[40 20]);
word6=imresize(tmps{6},[40 20]);
word7=imresize(tmps{7},[40 20]);figure;
subplot(241);imshow(word1);
subplot(242);imshow(word2);
subplot(243);imshow(word3);
subplot(244);imshow(word4);
subplot(245);imshow(word5);
subplot(246);imshow(word6);
subplot(247);imshow(word7);%神经网络训练
tic
net = func_grnn_train();
toc
%识别
%第一个中文
words   = word1;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss);
d       = 14;
y{1}    = func_check(d);%第2个英文文
words   = word2;
wordss  = func_yuchuli(words);
wordsss = sim(net,wordss');
[V,I]   = max(wordsss(11:13));
d       = I;
y{2}    = func_check(d+10);for i = 3:7  if i == 3words = word3;end    if i == 4words = word4;endif i == 5words = word5;endif i == 6words = word6;endif i == 7words = word7;endwordss  = func_yuchuli(words);wordsss = sim(net,wordss');[V,I]   = max(wordsss);d       = I;y{i}    = func_check(d);
endSTR = [num2str(y{1}),num2str(y{2}),num2str(y{3}),num2str(y{4}),num2str(y{5}),num2str(y{6}),num2str(y{7})];s=strcat(STR);
disp(s);
load Result_STEP1.mat
figure;
subplot(211);
imshow(Iang);
title(s);

4.仿真效果

5.仿真效果

[01]吴卉.城市交通信息平台中地图匹配、车辆跟踪及速度估算的研究[D].上海交通大学, 2006.

[02]李驰.智能交通中的车牌识别算法研究[D].华中科技大学,2012.

[03]陈振学,汪国有,刘成云.一种新的车牌图像字符分割与识别算法[J].微电子学与计算机,2007,24(2):42-44.A10-53

【车牌识别】基于HOG特征提取和GRNN网络的车牌识别算法matlab仿真相关推荐

【人员密度检测】基于形态学处理和GRNN网络的人员密度检测matlab仿真
1.软件版本 matlab2015b 2.算法概述人群密度情况分为三个等级,(1)稀少和不拥挤情况下为绿色提醒.(2)比较拥挤情况下,黄色预警.(3)非常拥挤情况下,红色报警. 不同人群密度情况通过 ...
【姿态识别】基于HOG特征提取和GRNN广义回归神经网络的人体姿态识别matlab仿真
1.软件版本 matlab2013b 2.本算法理论知识 GRNN广义回归神经网络的理论基础是非线性核回归分析,非独立变量y相对于独立变量x的回归分析实际上是计算具有最大概率值的y.设随机变量x和y的 ...
基于临近图片相似性分析的图片碎片拼接算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述由于所使用的碎片,背景颜色都是白色,而且部分碎片正好在两个不同的文字之间,因此,没法直接使用颜色匹配 ...
m基于ACO蚁群优化的FCM模糊聚类算法matlab仿真
目录 1.算法概述 2.仿真效果预览 3.核心MATLAB程序 4.完整MATLAB程序 1.算法概述蚁群算法是通过对自然界中真实蚂蚁的集体行为的观察,模拟而得到一种仿生优化算法,它具有很好的并行性 ...
m基于VCG拍卖机制的认知无线电频谱竞拍共享算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述认知无线电的概念起源于1999年Joseph Mitolo博士的奠基性工作,其核心思想是CR具有学习 ...
基于肤色模型和形态学处理的人脸检测算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB核心程序 4.完整MATLAB 1.算法描述在过去的几年里,人脸识别受到了广泛的关注,被认为是图像分析领域最有前途的应用之一.人脸检测可以考虑人 ...
基于伪随机序列共轭相乘的OFDM通信系统频偏补偿算法matlab仿真
目录一.理论基础二.核心程序三.仿真结论一.理论基础 OFDM(Orthogonal Frequency Division Multiplexing)即正交频分复用技术,实际上OFDM是MCM ...
基于PSO优化的OFDM系统PAPR抑制PTS算法MATLAB仿真
目录 1.算法仿真效果 2.MATLAB核心程序 3.算法涉及理论知识概要 4.完整MATLAB 1.算法仿真效果 matlab2022a仿真结果如下: 2.MATLAB核心程序 .......... ...
m基于PTS+TR的OFDM系统PAPR联合抑制算法matlab仿真
目录 1.算法描述 2.仿真效果预览 3.MATLAB部分代码预览 4.完整MATLAB程序 1.算法描述部分传输序列(Partial Transmit Sequence , PTS)由于其不受载波 ...
ML之Hog_HammingDistance：基于Hog特征提取“RGB”图像的768个值的单向vector利用汉明距离算法进行判别
ML之Hog_HammingDistance:基于Hog特征提取"RGB"图像的768个值的单向vector利用汉明距离算法进行判别目录输出结果代码实现相关文章 ML之相似 ...

【车牌识别】基于HOG特征提取和GRNN网络的车牌识别算法matlab仿真