基于MATLAB的车牌识别系统设计与实现

摘 要: 通过对车牌定位、车牌字符分割和车牌字符识别进行研究，提出了一种车牌识别系统的设计和实验仿真方法。该方法首先采用基于Canny 算子边缘检测和数学形态学相结合的方法定位出车牌,进行二值化、滤波和形态学开运算后使用投影二分法分割出7个车牌字符,最后使用模板匹配和特征统计相结合的方法识别出车牌字符。试验表明该方法是有效的、可行的,与传统使用单一算法相比较，该方法大大提高了车牌识别系统的正确率。
关键词: 图像预处理； 车牌定位； 车牌字符分割； 车牌字符识别

随着世界经济和科学技术的不断发展,智能交通系统越来越多地被人们所关注。车牌识别LPR(License Plate Recognition)是智能交通系统中重要研究课题[1]，已成为图像处理和模式识别研究中的热点。整个车牌识别系统主要包括图像预处理、车牌定位、车牌字符分割、车牌字符识别4个模块，其流程图如图1所示。

图像预处理主要是将输入的彩色图像转换为灰度图像，再进行灰度增强，以达到较好的凸显车牌字符的效果。这里首先将24位R、G、B的彩色图像按式(1)转换成256级的灰度图，以减少存储和计算量，图2是转换后的车牌灰度图。

1 车牌定位
车牌定位是车牌识别系统中关键的一步，直接关系到车牌字符分割的准确性和系统识别的正确率[2]。通过比较4种典型的边缘检测算子，选择Canny算子对车牌进行边缘检测，然后对车牌进行形态学处理，并统计图像中白色像素点的个数定位出车牌区域。
1.1 4种典型的边缘检测算子
　边缘检测的目的是标识数字图像中亮度变化明显的点，车牌识别4种典型的边缘检测算子有：Roberts算子、Prewitt算子、Sobel算子和Canny算子，图3是这4种典型的边缘检测算子对车牌图像的检测效果图。

实验结果表明,Roberts算子对边缘定位比较准，但对噪声过于敏感，在图像噪声较少的情况下分割效果相当不错。Prewitt算子有一定的抗噪能力，但是这种抗噪能力是通过像素平均来实现的,相当于低通滤波，所以图像有一定模糊,其边缘检测时会受到一定影响。Soble算子对噪声有抑制作用,但对边缘的定位不是很准确，不适合对边缘定位的准确性要求很高的应用。Canny算子具有高定位精度，即能准确地把边缘点定位在灰度变化最大的像素上，同时较好地保留了原有车形的边缘特征，并能抑制虚假边缘的产生，因此本文选取Canny算子作为车牌图像边缘检测算子。
Canny算子边缘检测的实现是由MATLAB图像处理工具箱中edge函数来完成的。edge函数主要是在灰度图像中查找图像的边缘，处理图像的格式为BW=edge(I,′Canny′,thresh),其中I为灰度图像；thresh是一个包含两个阈值的向量，第一个元素是低阈值，第二个元素是高阈值，本文Canny算子边缘检测的MATLAB参数设置如下：
I2=edge(I1,′Canny′,[0.25,0.65]);
figure(3),imshow(I2);title(′Canny算子边缘检测′);
1.2数学形态学处理
　数学形态学是由一组形态学的代数运算算子组成的，用这些算子可以对图像的形状和结构进行分析及处理[3]。通过对图像的腐蚀和膨胀运算能使车牌区域连通，并最大限度地消除非车牌区域的噪声干扰。腐蚀和膨胀后的车牌图像如图4所示。