车牌识别流程框图
# 4 设计方案及验证
## 一、图像预处理
对车牌图像进行中值滤波、边缘检测、腐蚀、形态学闭运算、删除小对象等处理等，以克服图像干扰，并更好地进行车牌定位和字符分割。
```MATLAB
% 1.RGB转灰度中值滤波
I1=rgb2gray(I);%RGB转灰度
I1=medfilt2(I1,[3 3]);%中值滤波
```
```MATLAB
% 2.用roberts算子进行边缘检测
I2=edge(I1,'roberts',0.15,'both');%选择阈值0.15，用roberts算子进行边缘检测
```
```MATLAB
% 3.图像实施腐蚀操作
se=[1;1;1];
I3=imerode(I2,se);%对图像实施腐蚀操作，即膨胀的反操作
```
```MATLAB
% 4.对图像执行形态学闭运算
se=strel('rectangle',[25,25]);%构造结构元素以正方形构造一个se
I4=imclose(I3,se);% 对图像执行形态学闭运算
```
```MATLAB
% 5.从二值图像中删除小对象
I5=bwareaopen(I4,2000);% 去除聚团灰度值小于2000的部分
```
## 二、车牌定位
计算边缘图像的投影面积，寻找峰谷点，大致确定车牌位置，再计算此连通域内的宽高比，剔除不在域值范围内的连通域，最后得到车牌字符区域。
车牌定位设计思路及分析：
### 1 Y方向车牌区域确定：
统计图像中每一行的蓝色像素点数量，保存在Blue_y向量中。
```MATLAB
%%Y方向车牌区域确定%%
Blue_y=zeros(y,1);%产生一个y*1的零阵
for i=1:y
for j=1:x
if(myI(i,j,1)==1)
%如果myI(i,j,1)即myI的图像中坐标为(i,j)的点值为1，即该点为车牌背景颜色蓝色，则Blue_y(i,1)的值加1
Blue_y(i,1)= Blue_y(i,1)+1;%蓝色像素点统计
end
end
end
```
根据蓝色像素点数量，确定车牌区域Y方向范围，存储在PY1和PY2中。
```MATLAB
[temp MaxY]=max(Blue_y);%Y方向车牌区域确定
%temp为向量white_y的元素中的最大值，MaxY为该值的索引
PY1=MaxY;
while ((Blue_y(PY1,1)>=5)&&(PY1>1))
PY1=PY1-1;
end
PY2=MaxY;
while ((Blue_y(PY2,1)>=5)&&(PY2PX1))
PX2=PX2-1;
end
```
对X方向的车牌区域进行校正。
```MATLAB
PX1=PX1-1;%对车牌区域的校正
PX2=PX2+1;
dw=I(PY1:PY2,PX1:PX2,:);
```
### 3 裁剪并显示车牌区域：
根据Y和X的范围，裁剪原始图像获得车牌区域，保存在IY和dw中。
```MATLAB
dw=I(PY1:PY2,PX1:PX2,:);
figure(6),subplot(1,2,1),imshow(IY),title('行方向合理区域');%行方向车牌区域确定
figure(6),subplot(1,2,2),imshow(dw),title('定位裁剪后的车牌彩色图像');%的车牌区域如下所示：
```
车牌定位部分，通过分析图像的蓝色像素点数量来确定车牌的粗略位置，然后在Y和X方向上进行细致的确定，最终裁剪出车牌区域。
## 三、车牌的进一步处理
车牌的进一步处理模块代码分析：
### 1 灰度图像二值化及均值滤波：
计算灰度图像的最大值(g_max)和最小值(g_min)。
计算二值化阈值(T)，使用一个简单的阈值策略。
根据阈值进行二值化，得到二值图像(d)。
使用均值滤波对二值图像进行平滑。
```MATLAB
%% 三、车牌的进一步处理
imwrite(dw,'彩色车牌.jpg');%将彩色车牌写入彩色车牌文件中
a=imread('彩色车牌.jpg');%读取车牌文件中的数据
b=rgb2gray(a);%将车牌图像转换为灰度图
imwrite(b,'车牌灰度图像.jpg');%将灰度图像写入文件中
figure(7);subplot(3,2,1),imshow(b),title('车牌灰度图像')
g_max=double(max(max(b)));
g_min=double(min(min(b)));
T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值
[m,n]=size(b);
d=(double(b)>=T); % d:二值图像
imwrite(d,'均值滤波前.jpg');
subplot(3,2,2),imshow(d),title('均值滤波前')
%均值滤波前
% 滤波
h=fspecial('gaussian',3);
%建立预定义的滤波算子，average为均值滤波，模板的尺寸为3*3
d=im2bw(round(filter2(h,d)));%使用指定的滤波器h对h进行d即均值滤波
imwrite(d,'均值滤波后.jpg');
subplot(3,2,3),imshow(d),title('均值滤波后')
```
### 2 膨胀或腐蚀处理：
判断二值图像中对象的总面积与整个面积的比是否在特定范围内。
如果比例大于0.365，执行腐蚀操作；如果比例小于0.235，执行膨胀操作。
选择结构元素为单位矩阵，即se=eye(2)。
```MATLAB
% 某些图像进行操作
% 膨胀或腐蚀
% se=strel('square',3); % 使用一个3X3的正方形结果元素对象对创建的图像进行膨胀
% 'line'/'diamond'/'ball'...
se=eye(2); % eye(n) returns the n-by-n identity matrix 单位矩阵
[m,n]=size(d);%返回矩阵b的尺寸信息， 并存储在m,n中
if bwarea(d)/m/n>=0.365 %计算二值图像中对象的总面积与整个面积的比是否大于0.365
d=imerode(d,se);%如果大于0.365则图像进行腐蚀
elseif bwarea(d)/m/n<=0.235 %计算二值图像中对象的总面积与整个面积的比是否小于0.235
d=imdilate(d,se);%如果小于则实现膨胀操作
end
imwrite(d,'膨胀或腐蚀处理后.jpg');
subplot(3,2,4),imshow(d),title('膨胀或腐蚀处理后');
sgtitle('1.车牌的进一步处理');
saveas(gca,'fig7_1.车牌的进一步处理.png');
```
车牌的进一步处理模块旨在对车牌进行预处理，包括转二值化、均值滤波和形态学处理。这有助于更好地进行后续的字符分割。
## 四、字符分割
字符分割模块代码分析：
### 1 调用子函数进行字符分割：
d=qiege(d): 调用子函数qiege进行字符分割。
### 2 迭代切割连续有文字的块：
迭代循环，找到连续有文字的块，并判断长度是否大于某个阈值。
如果大于阈值，认为该块有两个字符组成，需要进行分割。
分割操作通过将中间一列置零实现。
### 3 再次调用字符分割子函数：
d=qiege(d): 再次调用子函数qiege进行字符分割。
### 4 切割出7个字符并归一化：
利用循环和条件判断，将车牌的字符分割成7个部分。
进行归一化处理，将字符的大小调整为40x20。
这部分代码通过调用子函数和迭代切割操作，将车牌的字符进行有效的分割，并显示出每个字符。
## 五、字符识别
通过基于模板匹配的OCR算法，得到最后的汽车牌照，包括省份简称、英文字母和数字。具体识别方法是求解输入字符与模板字符的汉明距离，取汉明距离最小的模板字符为OCR输出结果。
字符识别模块代码分析：
### 1 建立字符代码表：
建立包含数字、大写字母和部分省份简称的字符代码表。
```MATLAB
%% 五、车牌匹配识别
liccode=char(['0':'9' 'A':'Z' '京沪粤津苏浙鄂陕豫桂贵琼']); %建立字符代码表
SubBw2_binary=zeros(40,20); %产生40*20的全0矩阵
l=1;
```
### 2 归一化、二值化：
使用循环读取切割后的字符图像文件，归一化为40x20的大小，用固定阈值（20）进行二值化。
```MATLAB
for I=1:7
ii=int2str(I); %转为串
t=imread([ii,'.jpg']); %读取图片文件中的数据
SegBw2=imresize(t,[40 20],'nearest'); %对图像做缩放处理
SegBw2_binary=double(SegBw2)>20; %固定阈值二值化
```
### 3 区分识别类型：
第一位是汉字，第二位是字母，第三位以后是字母或数字。
```MATLAB
if l==1 %第一位汉字识别
kmin=37;
kmax=48;
elseif l==2 %第二位 A~Z 字母识别
kmin=11;
kmax=36;
else l>=3 %第三位以后是字母或数字识别
kmin=1;
kmax=36;
end
```
### 4 字符模板匹配：
使用字符模板进行匹配，计算每个字符与模板的汉明距离。
选择匹配误差最小的字符模板。
```MATLAB
for k2=kmin:kmax
fname=strcat('字符模板(4020)\',liccode(k2),'.bmp'); %把行向量转化成字符串
SamBw2_binary = imread(fname);
Dmax=0;
for i=1:40
for j=1:20
Dmax=Dmax+xor(SegBw2_binary(i,j),SamBw2_binary(i,j));%汉明距离
end
end
Error(k2)=Dmax;
end
Error1=Error(kmin:kmax);
MinError=min(Error1);
findc=find(Error1==MinError);
Code(l*2-1)=liccode(findc(1)+kmin-1);
Code(l*2)=' '; %输出最大相关图像
l=l+1;
end
```
### 5 输出识别的车牌号码：
根据字符模板匹配的结果，将最相关的字符添加到车牌号码中。
将最终的车牌号码以红色显示在原始车牌图像上。
```MATLAB
figure(9),imshow(dw),title (['车牌号码:', Code],'Color','r');
saveas(gca,'fig9_车牌匹配识别.png');
```
字符识别部分代码通过汉明距离求解+字符模板匹配的方式，识别车牌上的每个字符，并输出最终的车牌号码。
# 5 代码测试及识别准确率分析
将附件车牌测试集路径中的车牌图片作为测试集进行测试，结果如下：
可见，车牌识别的准确率较高，但仍然存在误匹配的字母或数字。如果想要进一步提高准确率，可能需要引入人工智能算法，提高算法的复杂度。
# 6 代码
详见附件[LPRS.m](LPRS.m)
# 7 实验总结
总的来说，该实验代码基于模板匹配算法，在有限的资源占用下实现了对车牌的识别。
# 8 参考链接
[基于matlab的车牌识别(含子程序)-CSDN博客](https://blog.csdn.net/tutu998/article/details/120177086)