一、车牌识别简介

1 车牌图像处理
车牌图像处理主要有五个组成部分：图像灰度化、图像二值化、图像边缘检测、图像形态学运算和图像滤波处理。它是车牌识别系统中最根本且最基础的操作，车牌图像处理的好坏情况、去噪情况和边缘提取情况都将影响图像中车牌字符的提取效果。
(一)图像灰度化
一张正常的彩色照片图像中每个像素点都是由红绿蓝三种颜色构成， 我们称其为RGB图像。而图像灰度化这一步骤就是将彩色RGB图像灰度化为灰度图像， 将图像信息去除色彩信息， 更能体现增强信息， 这就更加便于计算机获取图像当中的信息。进行灰度化处理的方法有很多，运用比较广泛的为以下三种方法：分量法、最大值法和加权平均法。其中分量法就是将R(红)、G(绿)、B(蓝)当中任意一个分量的亮度来作为该像素点的灰度值g(n)，即为g(n)=R或g(n)=Ｇ或g(n)=B；而最大值法就是在R(红)、G(绿)、B(蓝)当中选取最大的亮度来作为该像素点的灰度值；加权平均法则是先给R、G、B分别赋予不同的权重，然后算其加权平均值，将所算出的加权平均值作为灰度化图像的灰度值g(n)，即g(n)=(Ri+Gj+B*k)/(i+j+k)。

(二)图像二值化
图像二值化的处理就是将图像二进制化，则将图像中的每个像素点的像素值用0和255来表示(0和255分别表示该像素点为黑色和白色)，而计算机存储该图像是用0和1来标识每个像素点的像素值(像素值为0和255的像素点分别用0和1来标识存储)。图像二值化处理过程为：第一先对图像的像素点进行阈值的选取；第二开始遍历图像中的每一个像素点；第三将每一次遍历到的像素点的灰度值与阈值进行比较，若阈值小于或等于该像素点的话，则该像素点被视为目标区域则用255来表示，否则被视为背景或噪声则用0来表示。那么处理过后的车牌图像将成为一幅黑白图像。

(三)图像边缘检测
车牌识别系统中边缘提取对于车牌位置的检测有很重要的作用，其目的是标识数字图像中亮度变化明显的点。边缘检测需要运用到算子， 本文简单介绍Canny算子的步骤。该算子有以下五个步骤：(1) 预处理。(2) 梯度计算。(3) 梯度处理。(4)边缘提取。(5)抑制孤立弱边缘。经过上面五个步骤最终可使图像完成边缘检测处理环节。

(四)图像形态学运算
图像形态学运算处理有四个基本运算，分别为：膨胀运算、腐蚀运算、开运算和闭运算。其中膨胀运算的作用是用来填补图象中的小空洞和消除小型噪声。腐蚀运算的作用是将图像目标区域中一些无用的目标物通过收缩其边界的方法进而将该无用的目标物去除。闭运算是先膨胀再腐蚀，以用来去除图象中所存在的小空洞。开运算则是先腐蚀再膨胀，先通过腐蚀来消除小而无用的目标物体，再膨胀将图像恢复到原来的大小。由于噪声的因素，车牌图像在二值化后图像当中可能会含有噪声空洞。通过连续的开和闭运算能使这种情况可以使噪声空洞大量减少。

(五)图像滤波处理
图像滤波处理能够在保留图像细节特征的前提下，还可以较好地去除图像中噪声。本文将重点介绍均值滤波和中值滤波。均值滤波也叫线性滤波，主要采用的是领域平均法。该方法首先在滤波像素点的位置套入一个模板图1中所演示的是3x3的模板，然后求出该模板中九个像素点的均值，再将该均值替换掉当前像素点的灰度值，并作为当前像素点的新的灰度值。操作原理图示如图1所示。高斯噪声是存在图像中每个像素点里，其噪声大小的分布呈正态分布(即高斯分布)，而椒盐噪声是指分布在单独的几个像素点中，其噪声大小是固定的。正因为这两种噪声的性质，均值滤波能够有效地去除高斯噪声，而对椒盐噪声正好相反。

图1 均值滤波原理图示
中值滤波是一种非线性滤波，它将某一点某邻域内所有像素点灰度值的中值赋给该点。让领域内其他像素点替换掉原来的像素点以更加接近真实值，从而消除噪声点。中值滤波与均值滤波相反，它能够有效地抑制椒盐噪声，但不能有效地去除高斯噪声。

2 车牌定位原理
每张车牌的车牌区域都具有鲜明的特征，即车牌的底色、车牌的字体颜色等，那么就可以运用彩色像素点统计的方法来锁定该图像中的车牌区域。首先，先要确定车牌底色R、G、B三个分量分别对应的颜色范围。其次，在y方向(即水平方向)通过行扫描来统计在该颜色范围内的像素点的个数，设置合理的阈值，从而得到了车牌在图像y方向上的区域。
最后，在得到的y方向的区域内通过列扫描来统计x方向(即垂直方向)上在该颜色范围内的像素点的个数，设置合理的阈值从而进行定位，最终得到图像中车牌区域。

3 车牌字符分割
车牌字符分割即将车牌当中的七个字符单独分割出来(以蓝底白字车牌为例)，将单独分割出的车牌再进行统一的大小调整处理，即是归一化处理，之后再转交下一步字符识别操作。
车牌字符分割的方法也有很多种，如投影分割法、基于聚类分析的字符分割等。本文将介绍的则是投影分割法。投影分割分为垂直分割与水平分割两种。二者的区别就在于垂直分割中车牌像素灰度值按垂直方向累加，也另一者是按水平方向累加。由于车牌进行二值化处理，背景区域中的灰度值为零，所以在相邻两个车牌字符之间的灰度值就是零，那么在直方图上这相邻的两个字符之间会形成谷底，而在它们各自的字符处会形成波峰。通过对每个字符波峰中心距、峰上升点、峰下降点、谷底宽度的分析和求解计算，可以有效地分割出各个字符。

五 字符识别
字符识别有以下四种方法可以实现对分割出的字符识别，分别是：结构识别、统计识别、BP神经网络和模板匹配。其中模板匹配是比较常用的方法之一，将获取到的分割字符与模板库中的模板数据一一进行对比，将相似度最大的那个模板数据输出，系统将判定该分割字符即是该模板数据中所对应的字符信息。

二、部分源代码

%function carreco
clc;
clear all;%==========================================================
%说明：
%
%
%===========================================================
% ==============测定算法执行的时间，开始计时=================
tic
%=====================读入图片================================
[fn,pn,fi]=uigetfile('*.jpg','选择图片');
I=imread([pn fn]);figure,imshow(I);title('原始图像');%显示原始图像
chepailujing=[pn fn]
I_bai=I;
[PY2,PY1,PX2,PX1]=caitu_fenge(I);% I=rgb2hsv(I);
% [PY2,PY1,PX2,PX1]=caitu_tiqu(I,I_bai);%用HSI模型识别蓝色，用rgb模型识别白色
%================分割车牌区域=================================%===============车牌区域根据面积二次修正======================
[PY2,PY1,PX2,PX1,threshold]=SEC_xiuzheng(PY2,PY1,PX2,PX1);
%==============更新图片=============================
Plate=I_bai(PY1:PY2,PX1:PX2,:);%使用caitu_tiqu
%==============考虑用腐蚀解决蓝色车问题=============
bw=Plate;figure,imshow(bw);title('车牌图像');%hsv彩图提取图像
%==============这里要根据图像的倾斜度进行选择这里选择的图片20090425686.jpg
bw=rgb2gray(bw);figure,imshow(bw);title('灰度图像');
%================倾斜校正======================
qingxiejiao=rando_bianhuan(bw)
bw=imrotate(bw,qingxiejiao,'bilinear','crop');figure,imshow(bw);title('倾斜校正');%取值为负值向右旋转
%==============================================
bw=im2bw(bw,graythresh(bw));%figure,imshow(bw);
bw=bwmorph(bw,'hbreak',inf);%figure,imshow(bw);
bw=bwmorph(bw,'spur',inf);%figure,imshow(bw);title('擦除之前');
bw=bwmorph(bw,'open',5);%figure,imshow(bw);title('闭合运算');
bw = bwareaopen(bw, threshold);figure,imshow(bw);title('擦除');
%==================加入进度条================================
% h=waitbar(0,'程序运行中，请稍等......')
% for i=1:10000
%     waitbar(i/5000,h) 
% end
% close(h);
%wavplay(wavread('程序运行中.wav'),22000);
%==========================================================
bw=~bw;figure,imshow(bw);title('擦除反色'); 
%=============对图像进一步裁剪，保证边框贴近字体===========
bw=touying(bw);figure;imshow(bw);title('Y方向处理');
bw=~bw;
bw = bwareaopen(bw, threshold);
bw=~bw;%figure,imshow(bw);title('二次擦除');
[y,x]=size(bw);%对长宽重新赋值
%=================文字分割=================================
fenge=shuzifenge(bw,qingxiejiao)
[m,k]=size(fenge);
%=================显示分割图像结果========================= 
figure;
for s=1:2:k-1subplot(1,k/2,(s+1)/2);imshow(bw( 1:y,fenge(s):fenge(s+1)));
end
%================ 给七张图片定位===============桂AV6388
han_zi  =bw( 1:y,fenge(1):fenge(2));
zi_mu   =bw( 1:y,fenge(3):fenge(4));
zm_sz_1 =bw( 1:y,fenge(5):fenge(6));
zm_sz_2 =bw( 1:y,fenge(7):fenge(8));  
shuzi_1 =bw( 1:y,fenge(9):fenge(10)); 
shuzi_2 =bw( 1:y,fenge(11):fenge(12)); 
shuzi_3 =bw( 1:y,fenge(13):fenge(14)); 
%==========================识别====================================
%======================把修正数据读入==============================
xiuzhenghanzi =   imresize(han_zi, [110 55],'bilinear');
xiuzhengzimu  =   imresize(zi_mu,  [110 55],'bilinear');
xiuzhengzm_sz_1=  imresize(zm_sz_1,[110 55],'bilinear');
xiuzhengzm_sz_2 = imresize(zm_sz_2,[110 55],'bilinear');
xiuzhengshuzi_1 = imresize(shuzi_1,[110 55],'bilinear');
xiuzhengshuzi_2 = imresize(shuzi_2,[110 55],'bilinear');
xiuzhengshuzi_3 = imresize(shuzi_3,[110 55],'bilinear');
%============ 把0-9 , A-Z以及省份简称的数据存储方便访问====================
function fenge = shuzifenge(imfenge,qingxiejiao)
[y,x]=size(imfenge);
%===============用函数设定分割阈值========================
SS=x*y
if     SS<=20000shedingyuzhi=4;elseif SS>20000&&SS<=30000shedingyuzhi=4;
elseif SS>30000&&SS<=50000shedingyuzhi=4;elseif SS>50000&&SS<=80000shedingyuzhi=4;elseshedingyuzhi=4;end
ganrao=SS/100;
%=========================================================
%定义数组histogram存储垂直方向的黑点数
histogram=sum(~imfenge);
%=================文字分割=============================
k=1;
for h=1:x-1if  ((histogram(1,h)<=shedingyuzhi)&&(histogram(1,h+1)>shedingyuzhi))||((h==1)&&histogram(1,h)>shedingyuzhi)fenge(1,k)=h;k=k+1;elseif ((histogram(1,h)>shedingyuzhi)&&(histogram(1,h+1)<=shedingyuzhi))||((h==x-1)&&histogram(1,h)>shedingyuzhi)fenge(1,k)=h+1;k=k+1;end
end
k=k-1;%去掉多产生的一个K值
if  k<10msgbox('提取出错','警告');wavplay(wavread('提取出错.wav'),22000);pause;
end
%==============================================
if (sum(histogram(1,fenge(1,1):fenge(1,2)))<ganrao)||((fenge(1,2)-fenge(1,1))<(fenge(1,4)-fenge(1,3))/2)for i=3:kfenge(1,i-2)=fenge(1,i);end
end
[m n]=size(fenge);
if  n<14msgbox('提取出错','警告');wavplay(wavread('提取出错.wav'),22000);pause;
end
fenge=fenge(1,1:14);

三、运行结果

四、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

五、获取代码方式

Matlab王者助手CSDN名片