基于MATLAB的车牌识别系统研究
基于MATLAB的车牌识别系统研究[20191213110435]
摘要
近几年，车牌识别系统作为智能交通的一个重要方向越来越受到重视。车牌识别系统可以应用于停车场管理系统、高速公路超速管理系统、城市十字路口的“电子警察”、小区车辆管理系统等各个领域，对国家的安全发展有很大的作用。虽然目前已有一些车牌识别系统相关产品出现，但是实际效果还有待提高，比如车牌图像的倾斜、车牌表面的污秽和磨损、光线的干扰等都会影响车牌的定位准确度和识别。
本文首先对车牌识别系统的现状和已有的技术进行了深入的研究，在研究的基础上开发出一个基于MATLAB的车牌识别系统。确定了整体设计方案，其中软件部分包括车牌定位、车牌字符切分及车牌字符识别三个模块。车牌定位模块中提出了基于小波变换的车牌边缘提取的算法，以及车牌二次定位的算法，提高了系统在光照条件较差的情况下的定位准确率，该算法对于各种底色的车牌具有良好的适应性；车牌的二值化采用了改进的Otus算法，重新划分了其两维直方图的区域，改进后的算法大大减少了运行时间，对于各种类型的车牌都能达到较好的二值化效果；针对BP神经网络字符识别算法，采用有动量的梯度下降法训练网络，减小了神经网络学习过程的振荡趋势，使得BP网络能够较快的达到收敛，完成车牌字符的识别。对模板匹配算法和BP网络算法进行对比，证明了BP网络算法要优于模板匹配算法。
根据上述算法搭建了一个测试平台。整个测试平台的软件部分采用MATLAB语言编写。 通过测试平台，测试系统的性能，测试结果表明，本课题设计的车牌识别系统可有效地实现车牌识别，为今后的产品化奠定了很好的技术基础。
查看完整论文请+Q: 351916072
关键字:】车牌识别；神经网络；字符识别
目 录
摘要 I
ABSTRACT II
第1章 绪 论 1
1.1 课题研究背景 1
1.2 车牌识别的主要技术和发展 2
1.2.1.IC卡识别技术 2
1.2.2.条形码识别技术 2
1.2.3图像处理技术 3
1.2.4传统模式识别技术 3
1.2.5.人工神经网络技术 4
第2章 车牌图像前期处理 5
2.1 图像预处理 5
2.2 车牌字符分割 12
2.2.1.中国车牌的先验知识 12
2.2.2. 图像字符分割 12
第3章 车牌字符识别 15
3.1 字符识别原理 15
3.1.1．字符识别技术 15
3.1.2.基于神经网络的图像识别的基本原理 15
3.1.3 BP神经网络 16
3.2 MATLAB环境下的编程实现 22
3.2.1. MATLAB的神经网络工具介绍 22
3.2.2.BP神经网络的构建和初始化 25
3.2.3.训练网络 26
3.3 字符识别 29
3.3.1. 算法思想 29
3.3.2. 识别 30
3.4 实验结果分析 30
第4章 结论与展望 32
4.1 全文总结 32
4.2 后期展望 33
参考文献 35
致谢 37
附录 程序 38
第1章 绪 论
1.1 课题研究背景
自上世纪八十年代以来，全球经济快速发展，人民生活水平不断提高，私家车辆迅速增加，也加重的交通管理的负担，在这个情况下，由于资金和环境方面的压力以及城市空间的严格限制，力求大规模发展公共交通设施不是现实可行的解决办法，目前的公共交通设施也已经远远不能满足现存的环境污染问题突出、交通事故频发、交通拥挤等问题，所以，在建设更多的公共基础设施的同时，寻求建设现代智能交通管理系统，让我们在解决日益严重的交通问题上看到一丝曙光。
车辆牌照是机动车辆唯一独特的标识，车牌识别智能系统的核心技术就是分析处理汽车图像、实现车辆牌照的的自动识别（Licence Plate Recognition，简称LPR）[1]，这也是现代交通智能管理系统发展中最受关注的部分，实现车牌的自动识别在建设交通智能管理系统及监控系统中就有着重要的意义。随着计算机技术在视频效果和模式识别方面的发展，一车牌识别为技术核心的智能交通管理系统已经广泛应用到高速公路、隧道和桥梁的车辆限速管理交通系统、不停车收费、停车场管理、车辆失窃监控、车辆进入许可等需要车辆认证的重要场所，代替人工管理、监控，大大减少了人力劳动，消除了人工由于疲劳、疏忽及其他人为因素导致的正确率下降问题，减少了出错的可能，还可以节省大量人力、物力。同时，智能系统在空间占用和数据库联网处理都具有不可比拟的优越性，其巨大的经济价值和发展前景值得我们去研究。
汽车牌照自动识别系统[3]的关键包括车牌定位、字符分割和字符识别三个主要部分的研究，在这些方面国内外学者都已经做了大量工作，但实际效果却不尽如人意，比如天气、光照等不可避免的非人为因素的干扰，车辆型号的不同，车牌位置不固定、车牌本身悬挂的不规范、车牌的污损等都是影响系统识别的潜在因素，这些要求设计的系统能全天候的稳定工作，这对于系统设计也是一个很大的挑战。经过研究人员在这方面的不懈努力，近年来已经取得了一定的研究成果，使得车牌识别系统在技术和方法上都有了很大提高。但是日益沉重的交通压力，对交通智能管理系统提出了更高的要求。
我国车牌的先验知识比较丰富，对车牌的识别就是对车牌上的汉字、字母和数字进行准确、有效的识别。其中汉字识别一直是一个难点，国外的识别系统也往往因为汉字识别的难度大而难以打入中国市场，因此寻求好的识别途径成了设计一个满意的识别系统的关键。
1.2 车牌识别的主要技术和发展
针对目前日益沉重的公路交通负担问题，人们运用先进的科学技术，相继研制开发各种交通道路监视、管理系统，这些系统一般都包括车辆检测装置，通过这些装置对过往车辆实施监测，提取有关交通数据，以达到监控。管理和指挥交通的目的。汽车牌照识别技术是车辆检测系统中的一个重要环节。它目前有几种主要的应用技术[29]。
1.2.1.IC卡识别技术
IC卡[3]是一种集微电子技术、通讯技术和计算机技术于一体的高科技产品，利用IC卡技术进行汽车牌照的识别，主要是指在每辆汽车上安装一个微型的电子信号接收和发射装置即IC卡，卡内存储了该车的车牌号码以及其他一些信息，当汽车通过设有车辆检测装置的路口时，IC卡系统将与路口的计算机系统进行对话，使之辨识出该汽车的车牌号码和其他有关内容，从而可以实现监督和管理。然而，尽管IC卡技术识别准确率高，运行可靠，可以全天候作业，但它整套装置价格昂贵，硬件设备十分复杂，不是用于异地作业，且需要制定出全国统一的标准。另外，无法核对车。卡是否符合，也是IC卡技术存在的缺点。
1.2.2.条形码识别技术
条形码技术[29]由于识别速度快、可靠性高、采集信息量大，灵活应用以及成本较低等优点，目前已广泛应用在商品销售、图书借阅管理、仓库进出货管理、邮政管理等众多领域。而条形码用于汽车牌照的识别方面也是一种方法，它可以通过在车辆的侧面印刷条形码（包括地区、车型、车牌号码等基本信息），当条形码扫描器阅读出这些信息后，就可以完成识别的任务。但是，条形码识别技术对于扫描器的要求很高，并且同IC卡技术一样，须在全国范围内有统一的标准，这给近期短时间内推广造成很大困难。
1.2.3图像处理技术
运用图像处理技术[8]解决汽车牌照识别的研究国内外都有[7]，最早出现于80年代，这个阶段的研究并没有形成完整的系统体系，而是就车牌识别中的某一个具体问题进行讨论，并且通常是采用简单的图像处理技术来解决。识别过程是使用工业电视摄像机拍下汽车的正前方图像，然后交给计算机进行简单处理，并且最终仍需要人工干预。例如车辆牌照中省份汉字的识别问题，1988年戴营等利用常见的图像识别处理技术方法提出汉字识别的分类是在抽取汉字特征的基础上进行的。根据汉字的投影直方图 ，选取浮动阈值，抽取汉字在y方向的峰值，利用树形查表法进行汉字的粗分类，然后根据汉字在x方向的投影直方图，选取适当阈值，进行量化处理后，形成一个变长链码，再用动态规划法，求出标准式链码的最小距离，实现细分类，完成汉字生命的自动识别。
1.2.4传统模式识别技术
传统模式识别技术[8]一般包括模板匹配法，统计特征法等。进入90年代，由于计算机视觉技术的发展，开始出现汽车牌照识别的系统化研究。1990年A.S.Johnson等运用计算机视觉技术和图像处理技术实现了车辆牌照的自动识别系统。该系统分为图像分割、特征提取和模板构造、字符识别等三个部分。利用不同阈值对应的直方图不同，经过大量统计试验确定出车牌位置的图像直方图的阈值范围，从而根据特定阈值对应的直方图分割出车牌，再利用预先设置的标准字符匹配识别出字符。
1990年R.A.Lotufo等使用视觉字符识别技术分析所获取的图像，首先在二值化图像中找到车牌，然后用边界跟踪技术提取字符特征，利用统计最邻近分类器与字符库中的字符比较，得出一个或几个车牌号码，对这些号码做核实检查，看是否确实有该车牌号码，从而最终确定出一个实际存在的正确的号码。总之，这个时期的应用在识别正确率方面有所突破，但还没有考虑到识别实时性的要求，识别的速度有待进一步提高。
1.2.5.人工神经网络技术
近几年来，计算机及其相关技术发达的一些国家开始探讨用人工神经网络技术[16]解决车牌的自动识别问题。例如1994年M.M.M.FAHMY等就成功的运用了BAM(Bidirectional Associative Memories)神经网络方法对车牌上的字符进行自动识别，BAM神经网络是由相同神经元构成的双向联想式单层网络，每一个字符模板对应着唯一一个BAM矩阵，通过与车牌上的字符比较，识别出正确的车牌号码。这种采用BAM神经网络方法的缺点是无法解决识别系统存储容量和处理速度相矛盾的问题。
由于人工神经网络技术抛开了传统的计算机结构和相应的算法，采用了生物神经网络的模型，因此它能较好的实现人类存储知识及处理信息的机能，使系统可以模拟人类思维，对需要处理和解决的问题进行记忆、联想、推理，从而较好的解决了车牌识别中所提出的因子字符残缺不完整而无法识别的问题。另外，人工神经网络技术应用于车牌识别领域与传统方法相比，还可以避免繁重的数据分析和数学建模工作，可以将信息存储与处理并行起来，大大提高了运行速度，因此越来越受到人们的广泛关注。
第2章 车牌图像前期处理
车牌图像一般是室外采集，不可避免会受到光照、天气状况、季节等因素的影响，为除去这些因素多图像识别的影响，先对图像进行预处理。首先进行图像二值化，这样会大大减少图像信息量，提取有用信息，也为系统识别实时性提供一定程度的保障。
2.1 图像预处理
（1） 图像的几何校正
由于在实际的车牌图像的获取过程中，基本上都是在汽车的前上方拍摄而成的。由于拍摄时镜头与车牌的角度、车辆的运动以及路况等因素的影响，都可能造成所获得的车牌不是标准的矩形，会有一定的倾斜，主要是水平方向的变形。这对字符的分割造成影响和增加难度，对字符的识别效果大打折扣。因此，就必须对倾斜的车牌图像进行校正。
由于牌照的上下沿是两条明显的平行直线，因此，一般都采用霍夫（Hough）变换[18]，检测出这两条直线，然后对车牌进行几何校正。
Hough变换的基本思想是点-线对偶性。图像变换前在图像空间，变换后在参数空间。在二维图像空间里，直线可以表示为：
（2.1）
其中， 为参数，从而图像控件的直线被映射到参数空间的一点 ，而图像空间的一点则对应参数空间的一条正弦曲线。图像中任意两点 ， 所对应的正弦曲线在参数空间都将相交与这一点。基于这一点，我们将直线的检测问题转化为参数空间寻找局部最大值的问题。
我们以1°为步长， 取遍-45°~+45°的所有值，并根据式(2.1)计算出对应的 值，将得到的 值填入L*90的二维累加器中，并根据二维累加器中的值确定最终倾斜角度。其中， ，M，N分别为车牌图像像素的行列数和列数。
具体分为以下几个步骤：
①在 合适的最大值、最小值之间建立一个离散的参数空间；
②建立一个累加器A 矩阵，并设置每一个元素为0；
③选取图像每一个目标像素 ，并对每一个 的取值 ，计算 ，并递增相应累加器，即 ;
④求出局部最大值，确定倾斜角度，对车牌图像进行准确校正。
（2）图像灰度化处理
一般所采集的车牌图像都是通过数码相机拍摄获取的，因此预处理前的图像都是彩色图像。彩色图像又称RGB图像，它是利用R、G、B三个分量表示一个像素的颜色，R、G、B分别代表红、绿、蓝三种颜色，通过这三个基本色可以合成出任意的颜色。因此，对一个尺寸为M*N大小的彩色图像来说，存储该图像需要一个M*N*3的三维数组。彩色图像包含了大量的颜色信息，不但在存储空间上开销很大，而且在处理上也会降低系统的执行速度。因为图像的每个像素都具有R、G、B三个不同的颜色分量，识别上并用不着其中很多无关的信息，这对进一步的识别也是不利的。因此，在对图像进行进一步的处理之前，需要将彩色图像转换成为灰度图像，目的就是为了节省存储空间和加快处理速度。在RGB模型中．如果R=G=B，则颜色表示一种灰度颜色，其中R=G=B的值叫做灰度值。而由彩色图像转换为灰度图像的过程就叫做图像的灰度化处理。灰度图像就是只有强度信息，而没有颜色信息的图像。存储一个灰度图像只需要一个二维的矩阵，矩阵的每个元素表示对应位置的像素的灰度值。彩色图像的像素色为RGB(R,G,B)，灰度图像的像素色为RGB（r,g,b），R、G、B可由彩色图像的颜色分解获得。R、G、B的取值范围为0-255，所以灰度的级别只有256级。灰度化的处理方法主要采用加权平均值法：根据某个指标例如重要性给R、G、B赋予不同的权值，并使R、G、B等于它们的值的加权和平均。即：
摘要
近几年，车牌识别系统作为智能交通的一个重要方向越来越受到重视。车牌识别系统可以应用于停车场管理系统、高速公路超速管理系统、城市十字路口的“电子警察”、小区车辆管理系统等各个领域，对国家的安全发展有很大的作用。虽然目前已有一些车牌识别系统相关产品出现，但是实际效果还有待提高，比如车牌图像的倾斜、车牌表面的污秽和磨损、光线的干扰等都会影响车牌的定位准确度和识别。
本文首先对车牌识别系统的现状和已有的技术进行了深入的研究，在研究的基础上开发出一个基于MATLAB的车牌识别系统。确定了整体设计方案，其中软件部分包括车牌定位、车牌字符切分及车牌字符识别三个模块。车牌定位模块中提出了基于小波变换的车牌边缘提取的算法，以及车牌二次定位的算法，提高了系统在光照条件较差的情况下的定位准确率，该算法对于各种底色的车牌具有良好的适应性；车牌的二值化采用了改进的Otus算法，重新划分了其两维直方图的区域，改进后的算法大大减少了运行时间，对于各种类型的车牌都能达到较好的二值化效果；针对BP神经网络字符识别算法，采用有动量的梯度下降法训练网络，减小了神经网络学习过程的振荡趋势，使得BP网络能够较快的达到收敛，完成车牌字符的识别。对模板匹配算法和BP网络算法进行对比，证明了BP网络算法要优于模板匹配算法。
根据上述算法搭建了一个测试平台。整个测试平台的软件部分采用MATLAB语言编写。 通过测试平台，测试系统的性能，测试结果表明，本课题设计的车牌识别系统可有效地实现车牌识别，为今后的产品化奠定了很好的技术基础。
查看完整论文请+Q: 351916072
关键字:】车牌识别；神经网络；字符识别
目 录
摘要 I
ABSTRACT II
第1章 绪 论 1
1.1 课题研究背景 1
1.2 车牌识别的主要技术和发展 2
1.2.1.IC卡识别技术 2
1.2.2.条形码识别技术 2
1.2.3图像处理技术 3
1.2.4传统模式识别技术 3
1.2.5.人工神经网络技术 4
第2章 车牌图像前期处理 5
2.1 图像预处理 5
2.2 车牌字符分割 12
2.2.1.中国车牌的先验知识 12
2.2.2. 图像字符分割 12
第3章 车牌字符识别 15
3.1 字符识别原理 15
3.1.1．字符识别技术 15
3.1.2.基于神经网络的图像识别的基本原理 15
3.1.3 BP神经网络 16
3.2 MATLAB环境下的编程实现 22
3.2.1. MATLAB的神经网络工具介绍 22
3.2.2.BP神经网络的构建和初始化 25
3.2.3.训练网络 26
3.3 字符识别 29
3.3.1. 算法思想 29
3.3.2. 识别 30
3.4 实验结果分析 30
第4章 结论与展望 32
4.1 全文总结 32
4.2 后期展望 33
参考文献 35
致谢 37
附录 程序 38
第1章 绪 论
1.1 课题研究背景
自上世纪八十年代以来，全球经济快速发展，人民生活水平不断提高，私家车辆迅速增加，也加重的交通管理的负担，在这个情况下，由于资金和环境方面的压力以及城市空间的严格限制，力求大规模发展公共交通设施不是现实可行的解决办法，目前的公共交通设施也已经远远不能满足现存的环境污染问题突出、交通事故频发、交通拥挤等问题，所以，在建设更多的公共基础设施的同时，寻求建设现代智能交通管理系统，让我们在解决日益严重的交通问题上看到一丝曙光。
车辆牌照是机动车辆唯一独特的标识，车牌识别智能系统的核心技术就是分析处理汽车图像、实现车辆牌照的的自动识别（Licence Plate Recognition，简称LPR）[1]，这也是现代交通智能管理系统发展中最受关注的部分，实现车牌的自动识别在建设交通智能管理系统及监控系统中就有着重要的意义。随着计算机技术在视频效果和模式识别方面的发展，一车牌识别为技术核心的智能交通管理系统已经广泛应用到高速公路、隧道和桥梁的车辆限速管理交通系统、不停车收费、停车场管理、车辆失窃监控、车辆进入许可等需要车辆认证的重要场所，代替人工管理、监控，大大减少了人力劳动，消除了人工由于疲劳、疏忽及其他人为因素导致的正确率下降问题，减少了出错的可能，还可以节省大量人力、物力。同时，智能系统在空间占用和数据库联网处理都具有不可比拟的优越性，其巨大的经济价值和发展前景值得我们去研究。
汽车牌照自动识别系统[3]的关键包括车牌定位、字符分割和字符识别三个主要部分的研究，在这些方面国内外学者都已经做了大量工作，但实际效果却不尽如人意，比如天气、光照等不可避免的非人为因素的干扰，车辆型号的不同，车牌位置不固定、车牌本身悬挂的不规范、车牌的污损等都是影响系统识别的潜在因素，这些要求设计的系统能全天候的稳定工作，这对于系统设计也是一个很大的挑战。经过研究人员在这方面的不懈努力，近年来已经取得了一定的研究成果，使得车牌识别系统在技术和方法上都有了很大提高。但是日益沉重的交通压力，对交通智能管理系统提出了更高的要求。
我国车牌的先验知识比较丰富，对车牌的识别就是对车牌上的汉字、字母和数字进行准确、有效的识别。其中汉字识别一直是一个难点，国外的识别系统也往往因为汉字识别的难度大而难以打入中国市场，因此寻求好的识别途径成了设计一个满意的识别系统的关键。
1.2 车牌识别的主要技术和发展
针对目前日益沉重的公路交通负担问题，人们运用先进的科学技术，相继研制开发各种交通道路监视、管理系统，这些系统一般都包括车辆检测装置，通过这些装置对过往车辆实施监测，提取有关交通数据，以达到监控。管理和指挥交通的目的。汽车牌照识别技术是车辆检测系统中的一个重要环节。它目前有几种主要的应用技术[29]。
1.2.1.IC卡识别技术
IC卡[3]是一种集微电子技术、通讯技术和计算机技术于一体的高科技产品，利用IC卡技术进行汽车牌照的识别，主要是指在每辆汽车上安装一个微型的电子信号接收和发射装置即IC卡，卡内存储了该车的车牌号码以及其他一些信息，当汽车通过设有车辆检测装置的路口时，IC卡系统将与路口的计算机系统进行对话，使之辨识出该汽车的车牌号码和其他有关内容，从而可以实现监督和管理。然而，尽管IC卡技术识别准确率高，运行可靠，可以全天候作业，但它整套装置价格昂贵，硬件设备十分复杂，不是用于异地作业，且需要制定出全国统一的标准。另外，无法核对车。卡是否符合，也是IC卡技术存在的缺点。
1.2.2.条形码识别技术
条形码技术[29]由于识别速度快、可靠性高、采集信息量大，灵活应用以及成本较低等优点，目前已广泛应用在商品销售、图书借阅管理、仓库进出货管理、邮政管理等众多领域。而条形码用于汽车牌照的识别方面也是一种方法，它可以通过在车辆的侧面印刷条形码（包括地区、车型、车牌号码等基本信息），当条形码扫描器阅读出这些信息后，就可以完成识别的任务。但是，条形码识别技术对于扫描器的要求很高，并且同IC卡技术一样，须在全国范围内有统一的标准，这给近期短时间内推广造成很大困难。
1.2.3图像处理技术
运用图像处理技术[8]解决汽车牌照识别的研究国内外都有[7]，最早出现于80年代，这个阶段的研究并没有形成完整的系统体系，而是就车牌识别中的某一个具体问题进行讨论，并且通常是采用简单的图像处理技术来解决。识别过程是使用工业电视摄像机拍下汽车的正前方图像，然后交给计算机进行简单处理，并且最终仍需要人工干预。例如车辆牌照中省份汉字的识别问题，1988年戴营等利用常见的图像识别处理技术方法提出汉字识别的分类是在抽取汉字特征的基础上进行的。根据汉字的投影直方图 ，选取浮动阈值，抽取汉字在y方向的峰值，利用树形查表法进行汉字的粗分类，然后根据汉字在x方向的投影直方图，选取适当阈值，进行量化处理后，形成一个变长链码，再用动态规划法，求出标准式链码的最小距离，实现细分类，完成汉字生命的自动识别。
1.2.4传统模式识别技术
传统模式识别技术[8]一般包括模板匹配法，统计特征法等。进入90年代，由于计算机视觉技术的发展，开始出现汽车牌照识别的系统化研究。1990年A.S.Johnson等运用计算机视觉技术和图像处理技术实现了车辆牌照的自动识别系统。该系统分为图像分割、特征提取和模板构造、字符识别等三个部分。利用不同阈值对应的直方图不同，经过大量统计试验确定出车牌位置的图像直方图的阈值范围，从而根据特定阈值对应的直方图分割出车牌，再利用预先设置的标准字符匹配识别出字符。
1990年R.A.Lotufo等使用视觉字符识别技术分析所获取的图像，首先在二值化图像中找到车牌，然后用边界跟踪技术提取字符特征，利用统计最邻近分类器与字符库中的字符比较，得出一个或几个车牌号码，对这些号码做核实检查，看是否确实有该车牌号码，从而最终确定出一个实际存在的正确的号码。总之，这个时期的应用在识别正确率方面有所突破，但还没有考虑到识别实时性的要求，识别的速度有待进一步提高。
1.2.5.人工神经网络技术
近几年来，计算机及其相关技术发达的一些国家开始探讨用人工神经网络技术[16]解决车牌的自动识别问题。例如1994年M.M.M.FAHMY等就成功的运用了BAM(Bidirectional Associative Memories)神经网络方法对车牌上的字符进行自动识别，BAM神经网络是由相同神经元构成的双向联想式单层网络，每一个字符模板对应着唯一一个BAM矩阵，通过与车牌上的字符比较，识别出正确的车牌号码。这种采用BAM神经网络方法的缺点是无法解决识别系统存储容量和处理速度相矛盾的问题。
由于人工神经网络技术抛开了传统的计算机结构和相应的算法，采用了生物神经网络的模型，因此它能较好的实现人类存储知识及处理信息的机能，使系统可以模拟人类思维，对需要处理和解决的问题进行记忆、联想、推理，从而较好的解决了车牌识别中所提出的因子字符残缺不完整而无法识别的问题。另外，人工神经网络技术应用于车牌识别领域与传统方法相比，还可以避免繁重的数据分析和数学建模工作，可以将信息存储与处理并行起来，大大提高了运行速度，因此越来越受到人们的广泛关注。
第2章 车牌图像前期处理
车牌图像一般是室外采集，不可避免会受到光照、天气状况、季节等因素的影响，为除去这些因素多图像识别的影响，先对图像进行预处理。首先进行图像二值化，这样会大大减少图像信息量，提取有用信息，也为系统识别实时性提供一定程度的保障。
2.1 图像预处理
（1） 图像的几何校正
由于在实际的车牌图像的获取过程中，基本上都是在汽车的前上方拍摄而成的。由于拍摄时镜头与车牌的角度、车辆的运动以及路况等因素的影响，都可能造成所获得的车牌不是标准的矩形，会有一定的倾斜，主要是水平方向的变形。这对字符的分割造成影响和增加难度，对字符的识别效果大打折扣。因此，就必须对倾斜的车牌图像进行校正。
由于牌照的上下沿是两条明显的平行直线，因此，一般都采用霍夫（Hough）变换[18]，检测出这两条直线，然后对车牌进行几何校正。
Hough变换的基本思想是点-线对偶性。图像变换前在图像空间，变换后在参数空间。在二维图像空间里，直线可以表示为：
（2.1）
其中， 为参数，从而图像控件的直线被映射到参数空间的一点 ，而图像空间的一点则对应参数空间的一条正弦曲线。图像中任意两点 ， 所对应的正弦曲线在参数空间都将相交与这一点。基于这一点，我们将直线的检测问题转化为参数空间寻找局部最大值的问题。
我们以1°为步长， 取遍-45°~+45°的所有值，并根据式(2.1)计算出对应的 值，将得到的 值填入L*90的二维累加器中，并根据二维累加器中的值确定最终倾斜角度。其中， ，M，N分别为车牌图像像素的行列数和列数。
具体分为以下几个步骤：
①在 合适的最大值、最小值之间建立一个离散的参数空间；
②建立一个累加器A 矩阵，并设置每一个元素为0；
③选取图像每一个目标像素 ，并对每一个 的取值 ，计算 ，并递增相应累加器，即 ;
④求出局部最大值，确定倾斜角度，对车牌图像进行准确校正。
（2）图像灰度化处理
一般所采集的车牌图像都是通过数码相机拍摄获取的，因此预处理前的图像都是彩色图像。彩色图像又称RGB图像，它是利用R、G、B三个分量表示一个像素的颜色，R、G、B分别代表红、绿、蓝三种颜色，通过这三个基本色可以合成出任意的颜色。因此，对一个尺寸为M*N大小的彩色图像来说，存储该图像需要一个M*N*3的三维数组。彩色图像包含了大量的颜色信息，不但在存储空间上开销很大，而且在处理上也会降低系统的执行速度。因为图像的每个像素都具有R、G、B三个不同的颜色分量，识别上并用不着其中很多无关的信息，这对进一步的识别也是不利的。因此，在对图像进行进一步的处理之前，需要将彩色图像转换成为灰度图像，目的就是为了节省存储空间和加快处理速度。在RGB模型中．如果R=G=B，则颜色表示一种灰度颜色，其中R=G=B的值叫做灰度值。而由彩色图像转换为灰度图像的过程就叫做图像的灰度化处理。灰度图像就是只有强度信息，而没有颜色信息的图像。存储一个灰度图像只需要一个二维的矩阵，矩阵的每个元素表示对应位置的像素的灰度值。彩色图像的像素色为RGB(R,G,B)，灰度图像的像素色为RGB（r,g,b），R、G、B可由彩色图像的颜色分解获得。R、G、B的取值范围为0-255，所以灰度的级别只有256级。灰度化的处理方法主要采用加权平均值法：根据某个指标例如重要性给R、G、B赋予不同的权值，并使R、G、B等于它们的值的加权和平均。即：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jxgc/zdh/4924.html
