英语原文共 5 页，剩余内容已隐藏，支付完成后下载完整资料
基于MATLAB的车牌识别系统研究
张晓风，丰昌旭，阎肃
南昌航空工业学院信息工程学院，南昌330063
摘要：
车牌图像预处理的目的是改善图像质量，突出我们需要的优秀信息，有利于后续的处理，包括字符分割与定位，字符识别，车牌中有重要意义识别系统。首先，我们将彩色图像转换为灰度图像，通过使用直方图均衡化，然后通过自适应中值滤波去除噪声，改善图像
质量，并对灰度图像进行拉伸，增强图像的对比度。尤为重要的是，图像是利用对数Prewitt[1]算子不针对光强直接激化，但光强对数（光密度），增强图像的边缘信息。这是一个Prewitt边缘的新方法检测边界区域检测。与光强度无关，抗干扰能力强，处理速度快，适合在线检测。实验结果表明，预处理方法完善。
关键词：灰度拉伸；对数Prewitt算子；自适应中值滤波器
1、引言
自动识别技术是实现现代化的关键技术之一和智能交通。同时，车牌识别是智能转换系统（ITS）重要组成部分。车牌是车辆特性的重要标志。因此车牌系统的研究对于实现交通管理现代化具有重要意义。车牌识别系统主要包括五个部分：车辆图像采集，车牌预处理，车牌字符分割与定位，字符识别。本文研究了车辆图像的前处理。图像受干扰的影响，影响后续车牌的因素，如光照、气候、背景等识别。
2、灰色车牌图像
通常由数码相机获得的车牌图像，由24位真彩色构成图像，包括红色、绿色和蓝色三个部分，然后通过部署三分量，前人把它分为256个级别从0到255。一句话，有256个* 256 *256 = 16777216种颜色的图像，它是由一个红色(R)、绿色(G)和蓝色(B)三单色不同组合。彩色图像种类丰富。如果颜色图像文件直接处理，它们需要大量的系统空间，对图像处理的速度有很大的影响。基于系统性能考虑，目前，大多数的照片识别系统采用灰色图像处理中不包括颜色信息的图像。灰度图像不包含颜色信息，但只包含亮度信息。有利于图像处理。因此，我们应该将彩色图像转换为灰度图像，然后再进行图像处理。通常只有量化分为256个层次（0至255）。0代表完全黑色，而255个代表所有白色，每个像素的灰度图像只需要一个8位字节显示像素的亮度值。灰色根据灰度值的对应关系转换、RGB颜色一般公式为：
Y在公式中代表白色亮度。
图1 原始图像
图2 灰度图
3、车辆图像的自适应中值滤波
在摄影的过程或传输过程中，图像可以被添加一些噪声，从而影响图像质量。执行自适应中值滤波可以消除这些噪声，在相同的时间，可以实现平稳。通常的图像噪声消除的方法包含字段平均值一种自适应中值滤波方法。本文采用自适应中值滤波方法。
因为提出的平均方法去除噪声，同时它也可以使一些细节的图像模糊。然而，自适应中值滤波可以消除噪声，当它可以保持图像的细节不变，将防止边缘模糊。自适应中值滤波是一种典型的非线性滤波方法。首先，我们应该确定一个最大窗口大小的自适应中值滤波，图像的灰度值在位置（x，x），而图像的灰度值在相应位置（x，y）。该公式如下：
Smax为窗口大小。
窗口大小与窗口大小的平滑效果有直接关系，能确保噪声消除，同时能保护图像的边缘信息。这里的窗口大小选择7，使用matlab图像处理函数的过程在图3所示的图像。
图3 自适应中值滤波的结果
4、车辆图像灰度拉伸
曝光不足使整个图像变暗，曝光过度的所有图像变亮，这会导致图像细节的分辨率不清楚。为了增强车辆图像对比度，使图像分明、清晰，光和影，并有图形特征明显，有利于图像识别。首先，我们需要对灰度图像进行线性灰度变换，以突出显示许可证板件。线性拉伸所采用的转换方程如下:
动态范围的输出图像灰度值决定了灰度变换的值
灰度图像的公式如下：
图4 灰色拉伸结果
其中f(x,y)表示的原始灰度图像的灰度值，而g(x,y)表示在灰色变换的灰度图像的灰度值。实验结果表明，当f(x,y)min= 25和f(x,y)max= 130，灰色的拉伸效果是非常完美的。它不仅可以提高车牌区域的质量，增强了车牌区域的对比度，也有利于后续车牌的边缘提取。利用MATLAB图像处理工具箱进行图像图4所示。
5、车辆图像梯度锐化
锐化图像的目的是使灰度对比度增强，从而提高了图像的灰度边缘信息，有利于提取轮廓。因为轮廓或边缘是最大的图像灰度级。因此，为了找出轮廓，我们必须找到一种方法来搜索最大灰度图像。图像信息通常集中在这个地方，那里的像素变化剧烈，其像素在图像边缘呈现非线性变化。图像梯度反映图像像素大小的变化，是一个微分过程。在离散图像处理中，我们适应像素值得“跑腿”而不是像素值的推导。基于Sobel梯度计算算法（基于一阶微分），和拉普拉斯算法（基于一阶微分），罗伯茨算法和Prewitt算法等。这些算法的目的是在光强度的图像。拉普拉斯算法（基于一阶微分）、罗伯茨算法、Prewitt算法，这些算法的图像的光强度。本文采用对数Prewitt算法，并不瞄准光强度，但光强对数（光密度）。这是一个Prewitt的新方法检测边界区域的边缘检测。与光强度无关，抗干扰能力强，处理速度快，适合在线检测。日志Prewitt算法采用卷积核的Prewitt算法。它只是对象不是图像灰度，但对灰度的对数，所以原来的算法能保持强烈的光的变化而不敏感，并通过克服阻力的优点克服缺点，提高信噪比。
计算公式如下:
图像处理采用MATLAB的图像处理功能，如图5所示：
图5通过对数Prewitt算子锐化效果
6、结论
车牌图像预处理是车牌识别系统的基本步骤。处理结果将直接影响到后续的车牌识别系统的工作。灰色拉伸有效地提高了车牌图像和车牌图像的对比度。本文采用了一种创新方式--- log_ Prewitt算子是用来锐化图像。它有效地提高了图像车牌边缘信息。该方法比罗伯特算子和Sobel算子和Prewitt算子。同时，其效果非常明显；自适应中值滤波采用的是比任何其他的方法，以消除噪声和防止边缘信息的车牌模糊，为后续的车牌识别系统打下了坚实的基础。
7、确认
本项目由国家自然科学基金资助项目资助（no.60973048），资助江西省自然科学基金（no.2009gzs0084），南昌航空工业学院科研基金资助（no.ea200906012），和南昌航空工业学院研究生创新基金的资助下（no.yc2010030。
参考文献：
[1]王路。在车牌识别系统中基于Matlab [ D ]，上海交通大学，2009年。。
[2]薛鸿泉。牌照识别系统基于小波分析[ D ]。大学电子科技，2009年。
[ 3 ]云道，崔前黄。移动车辆的自动提取。IEEE交易模式分析
机器智能，1999，7（4）；123-126。
[4]王慧燕。图像边缘检测和图像匹配算法的研究与应用（博士，研究[ D ]）。杭州，
浙江大学，2003。
[5]徐国保，王骥，赵桂艳，尹怡欣，谢仕义。一种基于数学的自适应边缘检测算子
形态结构。计算机应用，2009，（04）。
[6]甘金来。图像边缘检测算法的比较研究。电子科技大学，2005。
[7]L. Dlagnekov. Video-based car surveillance: License plate make and model recognition. Masters Thesis, University of alifornia at San Diego, 2005.
[8]陈芬。基于多尺度小波变换的边缘检测。计算机工程与应用，2009，（27）。
[9]康亩，王宝树。自适应边缘检测算法[J].。华中科技大学学报（自然科学版），2009，（04）
[10] Ming Zhang, Bahadir Gunturk. A New Image Denoising Method Based on the Bilateral Filter. IEEE, 2008, 929-923
[11] Y. Gao and M. K. H. Leung. Face recognition using line edge map. In IEEE Trans. on Pattern Analysis and Machine Intelligence Vol. 24, 764-779, 2002.
[12] R. O. Duda P. E. Hart and D. G. Stork. Pattern Classification. John Wiley amp; Sons, Inc. New York, second edition, 2004
[13] M. K. H. Leung and Y. H. Yang. Dynamic two-strip algorithm in curve fitting. In Pattern Recognition, vol. 23, 69-79, 1990
剩余内容已隐藏，支付完成后下载完整资料
资料编号：[31506]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
