车牌字符识别（matlab）
2017年5月3日
《数字图像处理与识别》孙正 机械工业出版社2014年10月第一版
车辆检测与车牌识别
车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支，而且更适合移动式、便携式应用的要求。
系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集、处理。若处理速度慢，则导致丢帧，使系统无法检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。
车牌字符识别
本文将介绍一种汽车牌照图像处理和自动识别的方法，该方法由获取图像、图像预处理、分割图像、识别字符等几部分组成，目的是正确获取图像中车牌所在的区域，并把车牌号码识别出来，即对车牌进行必要的预处理，包括彩色图像转灰度图像、图像增强、二值化、数学形态学处理、牌照区域的定位等之后，采用模式识别技术识别出车牌的字符，并输出结果。
1、车辆图像的预处理
1.1 图像的读取与灰度化
由彩色图像转化为灰度图像的计算公式如下：
Y = 0.2989R+0.5870G+0.1141B式中，B,G,B分别是彩色图像中像素的红、绿、蓝分量；Y是该像素在灰度图像中的灰度值，转换后的汽车图像灰度值的范围为0~255。
clear;
close all;
iColor = imread('test.jpg');
iGray = rgb2gray(iColor);
figure,imshow(iColor),title('color image.');
figure,imshow(iGray),title('gray image');1.2 图像增强
为了提高识别率，首先对灰度图像进行开操作得到背景图像，然后将原始灰度图像与“背景图像”做相减，对图像进行增强处理。
%将灰度图像增强
s = strel('disk',13);
bgray = imopen(iGray,s);
figure,imshow(bgray),title('background image');
egray = imsubtract(iGray,bgray);
figure,imshow(egray),title('em image');1.3 图像的二值化
车牌定位和字符分割都是基于车牌区域的二值化结果进行的，二值化的效果直接影响到车牌定位以及字符分割的准确度，这里采用Otsu全局动态阈值法。
1.3.1 Otsu全局动态阈值法的基本原理
取一个阈值T，将图像像素按灰度大小分为大于等于T和小于T两类，然后求出平均方差(类间方差)：
x2^2和两个类各自的均方差(类内方差)：
x1^2找出使两个方差比最大的阈值，作为最佳阈值对图像进行二值化。
1.3.2 算法的具体步骤
- 求出图像的最大态度值max_gray;
- 令k=0；
- 求出大于和小于k的两类像素总数和像素灰度平均值；
- 计算类间方差和类内方差；
- k=k+1,循环步骤3~5，直到k>max_gray;
- 找到最大的k值，得到阈值。
1.3.3 Otsu全局动态阈值法的优点
实现简单，基于图像的整体特性而非局部特性；可推广到多阈值的分割方法中；适应性强，不论图像的直方图有无明显的双峰，都能得到较为满意的结果。
1.3.4 代码实现
matlabe中的graythresh()函数就是用的Otsu全局动态阈值法。
%将图像进行二值化转化（Otsu全局动态阈值法）
level = graythresh(egray);
bw22 = im2bw(egray,level);
figure,imshow(bw22),title('binary image');2、车牌定位
2.1 数学形态学处理
对二值图像进行数学形态学分析很容易识别出图像的结构特征，这里对前方得到的二值图像分别进行开运算和闭运算，因为车牌的宽长比约等于5：19，所以选用的是strel(‘rectangle’,[5,19])。
%对二值图像进行开运算和闭运算
bg1 = imclose(bw2,strel('rectangle',[5,19]));
bg3 = imopen(bg1,strel('rectangle',[5,19]));
bg2 = imopen(bg3,strel('rectangle',[19,1]));
figure,imshow(bg1),title('bg1 image');
figure,imshow(bg3),title('bg3 image');
figure,imshow(bg2),title('bg2 image');2.2 常用的车牌定位方法
1) 基于车牌图像色彩信息定位法[12]。
我国车牌主要由四种类型组成:蓝底白字、黄底黑字、白底红字和黑底白字。根据车牌底色信息可以准确地定位出车牌的边界。该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。
2) 基于边缘检测的定位法[13]。
车牌字符区域灰度频率变化是车牌区域最稳定的特征，可以利用它的变化来进行车牌定位。首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。
3) 基于车牌几何特征车定位法[14]。
我国车牌标准外轮廓尺寸为440*140且为矩形，整个车牌的宽高比近似为3:1。利用这种固有特征进行车牌边框提取车牌。这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。
4) 基于频谱分析的车牌定位法[15]。
该类方法将图像从空间域变换到频率域进行分析，如DFT变换法和采用小波变换法等。小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。而在高分辨率层次上实现车牌区域的准确定位。但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性。