基于Matlab的車牌識(shí)別系統(tǒng)設(shè)計(jì)

基于Matlab的車牌識(shí)別

摘要:車牌識(shí)別技術(shù)是智能交通系統(tǒng)的重要組成部分，在近年來(lái)得到了很大的發(fā)展。本文從預(yù)處理、邊緣檢測(cè)、車牌定位、字符分割、字符識(shí)別五個(gè)方面，具體介紹了車牌自動(dòng)識(shí)別的原理。并用MATLAB軟件編程來(lái)實(shí)現(xiàn)每一個(gè)部分,最后識(shí)別出汽車車牌。

一、設(shè)計(jì)原理

車輛車牌識(shí)別系統(tǒng)的基本工作原理為：將攝像頭拍攝到的包含車輛車牌的圖像通過(guò)視頻卡輸入到計(jì)算機(jī)中進(jìn)行預(yù)處理，再由檢索模塊對(duì)車牌進(jìn)行搜索、檢測(cè)、定位，并分割出包含車牌字符的矩形區(qū)域，然后對(duì)車牌字符進(jìn)行二值化并將其分割為單個(gè)字符，然后輸入JPEG或BMP格式的數(shù)字，輸出則為車牌號(hào)碼的數(shù)字。車牌自動(dòng)識(shí)別是一項(xiàng)利用車輛的動(dòng)態(tài)視頻或靜態(tài)圖像進(jìn)行車牌號(hào)碼、車牌顏色自動(dòng)識(shí)別的模式識(shí)別技術(shù)。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識(shí)別車牌號(hào)碼的處理機(jī)等，其軟件核心包括車牌定位算法、車牌字符分割算法和光學(xué)字符識(shí)別算法等。某些車牌識(shí)別系統(tǒng)還具有通過(guò)視頻圖像判斷車輛駛?cè)胍曇暗墓δ芊Q之為視頻車輛檢測(cè)。一個(gè)完整的車牌識(shí)別系統(tǒng)應(yīng)包括車輛檢測(cè)、圖像采集、車牌識(shí)別等幾部分。當(dāng)車輛檢測(cè)部分檢測(cè)到車輛到達(dá)時(shí)觸發(fā)圖像采集單元，采集當(dāng)前的視頻圖像。車牌識(shí)別單元對(duì)圖像進(jìn)行處理，定位出車牌位置，再將車牌中的字符分割出來(lái)進(jìn)行識(shí)別，然后組成車牌號(hào)碼輸出。

    二、設(shè)計(jì)步驟

總體步驟為：

車輛→圖像采集→圖像預(yù)處理→車牌定位

→字符分割→字符定位→輸出結(jié)果

基本的步驟：

a.車牌定位，定位圖片中的車牌位置；

b.車牌字符分割，把車牌中的字符分割出來(lái)；

c.車牌字符識(shí)別，把分割好的字符進(jìn)行識(shí)別，最終組成車牌號(hào)碼。

　　車牌識(shí)別過(guò)程中，車牌顏色的識(shí)別依據(jù)算法不同，可能在上述不同步驟實(shí)現(xiàn)，通常與車牌識(shí)別互相配合、互相驗(yàn)證。

(1）車牌定位:

自然環(huán)境下，汽車圖像背景復(fù)雜、光照不均勻，如何在自然背景中準(zhǔn)確地確定車牌區(qū)域是整個(gè)識(shí)別過(guò)程的關(guān)鍵。首先對(duì)采集到的視頻圖像進(jìn)行大范圍相關(guān)搜索，找到符合汽車車牌特征的若干區(qū)域作為候選區(qū)，然后對(duì)這些侯選區(qū)域做進(jìn)一步分析、評(píng)判，最后選定一個(gè)最佳的區(qū)域作為車牌區(qū)域，并將其從圖象中分割出來(lái)。

流程圖:

（2）車牌字符分割 :

完成車牌區(qū)域的定位后，再將車牌區(qū)域分割成單個(gè)字符，然后進(jìn)行識(shí)別。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符間或字符內(nèi)的間隙處取得局部最小值的附近，并且這個(gè)位置應(yīng)滿足車牌的字符書(shū)寫格式、字符、尺寸限制和一些其他條件。利用垂直投影法對(duì)復(fù)雜環(huán)境下的汽車圖像中的字符分割有較好的效果。

流程圖：

（3）車牌字符識(shí)別 :

字符識(shí)別方法目前主要有基于模板匹配算法和基于人工神經(jīng)網(wǎng)絡(luò)算法�；�于模板匹配算法首先將分割后的字符二值化,并將其尺寸大小縮放為字符數(shù)據(jù)庫(kù)中模板的大小，然后與所有的模板進(jìn)行匹配，最后選最佳匹配作為結(jié)果�；�于人工神經(jīng)元網(wǎng)絡(luò)的算法有兩種：一種是先對(duì)待識(shí)別字符進(jìn)行特征提取，然后用所獲得特征來(lái)訓(xùn)練神經(jīng)網(wǎng)絡(luò)分配器；另一種方法是直接把待處理圖像輸入網(wǎng)絡(luò)，由網(wǎng)絡(luò)自動(dòng)實(shí)現(xiàn)特征提取直至識(shí)別出結(jié)果。實(shí)際應(yīng)用中，車牌識(shí)別系統(tǒng)的識(shí)別率與車牌質(zhì)量和拍攝質(zhì)量密切相關(guān)。車牌質(zhì)量會(huì)受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、車牌被遮擋、車牌傾斜、高亮反光、多車牌、假車牌等等；實(shí)際拍攝過(guò)程也會(huì)受到環(huán)境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了車牌識(shí)別的識(shí)別率，也正是車牌識(shí)別系統(tǒng)的困難和挑戰(zhàn)所在。為了提高識(shí)別率，除了不斷的完善識(shí)別算法，還應(yīng)該想辦法克服各種光照條件，使采集到的圖像最利于識(shí)別。

流程圖：

clear ;

close all;

Scolor = imread('3.jpg');%imread函數(shù)讀取圖像文件

圖3.1原始圖像

彩色圖像包含著大量的顏色信息，不但在存儲(chǔ)上開(kāi)銷很大，而且在處理上也會(huì)降低系統(tǒng)的執(zhí)行速度，因此在對(duì)圖像進(jìn)行識(shí)別等處理中經(jīng)常將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，以加快處理速度。由彩色轉(zhuǎn)換為灰度的過(guò)程叫做灰度化處理。選擇的標(biāo)準(zhǔn)是經(jīng)過(guò)灰度變換后，像素的動(dòng)態(tài)范圍增加，圖像的對(duì)比度擴(kuò)展，使圖像變得更加清晰、細(xì)膩、容易識(shí)別。

%將彩色圖像轉(zhuǎn)換為黑白并顯示

Sgray = rgb2gray(Scolor);%rgb2gray轉(zhuǎn)換成灰度圖

figure,imshow(Sgray),title('原始黑白圖像');

圖3.2原始黑白圖像

3.3對(duì)原始圖像進(jìn)行開(kāi)操作得到圖像背景圖像:

s=strel('disk',13);%strei函數(shù)

Bgray=imopen(Sgray,s);%打開(kāi)sgray s圖像

figure,imshow(Bgray);title('背景圖像');%輸出背景圖像

圖3.3背景圖像

3.4灰度圖像與背景圖像作減法，對(duì)圖像進(jìn)行增強(qiáng)處理:

Egray=imsubtract(Sgray,Bgray);%兩幅圖相減

figure,imshow(Egray);title('增強(qiáng)黑白圖像');%輸出黑白圖像

圖3.4黑白圖像

3.5取得最佳閾值，將圖像二值化:

二值圖像是指整幅圖像畫面內(nèi)僅黑、白二值的圖像。在實(shí)際的車牌處理系統(tǒng)中，進(jìn)行圖像二值變換的關(guān)鍵是要確定合適的閥值，使得字符與背景能夠分割開(kāi)來(lái)，二值變換的結(jié)果圖像必須要具備良好的保形性，不丟掉有用的形狀信息，不會(huì)產(chǎn)生額外的空缺等等。車牌識(shí)別系統(tǒng)要求處理的速度高、成本低、信息量大，采用二值圖像進(jìn)行處理，能大大地提高處理效率。閾值處理的操作過(guò)程是先由用戶指定或通過(guò)算法生成一個(gè)閾值，如果圖像中某中像素的灰度值小于該閾值，則將該像素的灰度值設(shè)置為0或255，否則灰度值設(shè)置為255或0。

fmax1=double(max(max(Egray)));%egray的最大值并輸出雙精度型

fmin1=double(min(min(Egray)));%egray的最小值并輸出雙精度型

level=(fmax1-(fmax1-fmin1)/3)/255;%獲得最佳閾值

bw22=im2bw(Egray,level);%轉(zhuǎn)換圖像為二進(jìn)制圖像

bw2=double(bw22);

figure,imshow(bw2);title('圖像二值化');%得到二值圖像

圖3.5二值圖像

3.6邊緣檢測(cè):

兩個(gè)具有不同灰度值的相鄰區(qū)域之間總存在邊緣，邊緣就是灰度值不連續(xù)的結(jié)果，是圖像分割、紋理特征提取和形狀特征提取等圖像分析的基礎(chǔ)。為了對(duì)有意義的邊緣點(diǎn)進(jìn)行分類，與這個(gè)點(diǎn)相聯(lián)系的灰度級(jí)必須比在這一點(diǎn)的背景上變換更有效，我們通過(guò)門限方法來(lái)決定一個(gè)值是否有效。所以，如果一個(gè)點(diǎn)的二維一階導(dǎo)數(shù)比指定的門限大，我們就定義圖像中的次點(diǎn)是一個(gè)邊緣點(diǎn)，一組這樣的依據(jù)事先定好的連接準(zhǔn)則相連的邊緣點(diǎn)就定義為一條邊緣。經(jīng)過(guò)一階的導(dǎo)數(shù)的邊緣檢測(cè)，所求的一階導(dǎo)數(shù)高于某個(gè)閾值，則確定該點(diǎn)為邊緣點(diǎn)，這樣會(huì)導(dǎo)致檢測(cè)的邊緣點(diǎn)太多�？梢酝ㄟ^(guò)求梯度局部最大值對(duì)應(yīng)的點(diǎn)，并認(rèn)定為邊緣點(diǎn)，去除非局部最大值，可以檢測(cè)出精確的邊緣。一階導(dǎo)數(shù)的局部最大值對(duì)應(yīng)二階導(dǎo)數(shù)的零交叉點(diǎn)，這樣通過(guò)找圖像強(qiáng)度的二階導(dǎo)數(shù)的零交叉點(diǎn)就能找到精確邊緣點(diǎn)。

grd=edge(bw2,'canny')%用canny算子識(shí)別強(qiáng)度圖像中的邊界

figure,imshow(grd);title('圖像邊緣提取');%輸出圖像邊緣

圖3.6像邊緣提取

3.7對(duì)得到圖像作開(kāi)操作進(jìn)行濾波:

數(shù)學(xué)形態(tài)非線性濾波，可以用于抑制噪聲，進(jìn)行特征提取、邊緣檢測(cè)、圖像分割等圖像處理問(wèn)題。腐蝕是一種消除邊界點(diǎn)的過(guò)程，結(jié)果是使目標(biāo)縮小，孔洞增大，因而可有效的消除孤立噪聲點(diǎn)；膨脹是將與目標(biāo)物體接觸的所有背景點(diǎn)合并到物體中的過(guò)程，結(jié)果是使目標(biāo)增大，孔洞縮小，可填補(bǔ)目標(biāo)物體中的空洞，形成連通域。先腐蝕后膨脹的過(guò)程稱為開(kāi)運(yùn)算，它具有消除細(xì)小物體，并在纖細(xì)處分離物體和平滑較大物體邊界的作用；先膨脹后腐蝕的過(guò)程稱為閉運(yùn)算，具有填充物體內(nèi)細(xì)小空洞，連接鄰近物體和平滑邊界的作用。對(duì)圖像做了開(kāi)運(yùn)算和閉運(yùn)算，閉運(yùn)算可以使圖像的輪廓線更為光滑，它通常用來(lái)消掉狹窄的間斷和長(zhǎng)細(xì)的鴻溝，消除小的孔洞，并彌補(bǔ)輪廓線中的斷裂。

bg1=imclose(grd,strel('rectangle',[5,19]));%取矩形框的閉運(yùn)算

figure,imshow(bg1);title('圖像閉運(yùn)算[5,19]');%輸出閉運(yùn)算的圖像

bg3=imopen(bg1,strel('rectangle',[5,19]));%取矩形框的開(kāi)運(yùn)算

figure,imshow(bg3);title('圖像開(kāi)運(yùn)算[5,19]');%輸出開(kāi)運(yùn)算的圖像

bg2=imopen(bg3,strel('rectangle',[19,1]));%取矩形框的開(kāi)運(yùn)算

figure,imshow(bg2);title('圖像開(kāi)運(yùn)算[19,1]');%輸出開(kāi)運(yùn)算的圖像

圖3.7.1閉運(yùn)算的圖像                圖3.7.2開(kāi)運(yùn)算的圖像

圖3.7.3開(kāi)運(yùn)算的圖像

3.8對(duì)二值圖像進(jìn)行區(qū)域提取，并計(jì)算區(qū)域特征參數(shù)。進(jìn)行區(qū)域特征參數(shù)比較，提取車牌區(qū)域:

a.對(duì)圖像每個(gè)區(qū)域進(jìn)行標(biāo)記，然后計(jì)算每個(gè)區(qū)域的圖像特征參數(shù)：區(qū)域中心位置、最小包含矩形、面積。

[L,num] = bwlabel(bg2,8);%標(biāo)注二進(jìn)制圖像中已連接的部分

Feastats = imfeature(L,'basic');%計(jì)算圖像區(qū)域的特征尺寸

Area=[Feastats.Area];%區(qū)域面積

BoundingBox=[Feastats.BoundingBox];%[x y width height]車牌的框架大小

RGB = label2rgb(L, 'spring', 'k', 'shuffle'); %標(biāo)志圖像向RGB圖像轉(zhuǎn)換

figure,imshow(RGB);title('圖像彩色標(biāo)記');%輸出框架的彩色圖像

圖3.8.1彩色圖像

b. 計(jì)算出包含所標(biāo)記的區(qū)域的最小寬和高，并根據(jù)先驗(yàn)知識(shí)，比較誰(shuí)的寬高比更接近實(shí)際車牌寬高比，將更接近的提取并顯示出來(lái)。

程序流程圖                                圖3.8.2灰度子圖和二值子圖

3.9對(duì)水平投影進(jìn)行峰谷分析:

對(duì)水平投影進(jìn)行峰谷分析,計(jì)算出車牌上邊框、車牌字符投影、車牌下邊框的波形峰上升點(diǎn)、峰下降點(diǎn)、峰寬、谷寬、峰間距離、峰中心位置參數(shù)。

histcol1=sum(sbw1);      %計(jì)算垂直投影

histrow=sum(sbw1');      %計(jì)算水平投影

figure,subplot(2,1,1),bar(histcol1);title('垂直投影（含邊框）');%輸出垂直投影

subplot(2,1,2),bar(histrow);     title('水平投影（含邊框）');%輸出水平投影

圖3.9.1垂直投影和水平投影

figure,subplot(2,1,1),bar(histrow); title('水平投影（含邊框）');%輸出水平投影

subplot(2,1,2),imshow(sbw1);title('車牌二值子圖');%輸出二值圖

對(duì)水平投影進(jìn)行峰谷分析:

圖3.9.2水平投影和二值圖                   程序流程圖

3.10計(jì)算車牌旋轉(zhuǎn)角度:

a.車牌傾斜的原因?qū)е峦队靶Ч�峰股谷不明顯，在這里需要做車牌矯正處理。這里采取的線性擬合的方法,計(jì)算出車牌上邊或下邊圖像值為1的點(diǎn)擬合直線與水平X軸的夾角。

程序流程圖

(2)線性擬合，計(jì)算與x夾角

fresult = fit(xdata',ydata','poly1');   %poly1表示一介擬合    Y = p1*x+p2

p1=fresult.p1;

angle=atan(fresult.p1)*180/pi; %弧度換為度，360/2pi,  pi=3.14

(3)旋轉(zhuǎn)車牌圖象

subcol = imrotate(subcol1,angle,'bilinear','crop'); %旋轉(zhuǎn)車牌圖象

sbw = imrotate(sbw1,angle,'bilinear','crop');%旋轉(zhuǎn)圖像

figure,subplot(2,1,1),imshow(subcol);title('車牌灰度子圖');%輸出車牌旋轉(zhuǎn)后的灰度圖像標(biāo)題顯示車牌灰度子圖

subplot(2,1,2),imshow(sbw);title('');%輸出車牌旋轉(zhuǎn)后的灰度圖像

title(['車牌旋轉(zhuǎn)角: ',num2str(angle),'度'] ,'Color','r');%顯示車牌的旋轉(zhuǎn)角度

圖3.10.1旋轉(zhuǎn)后的灰度圖像和旋轉(zhuǎn)角度

b.旋轉(zhuǎn)車牌后重新計(jì)算車牌水平投影，去掉車牌水平邊框，獲取字符高度:

histcol1=sum(sbw); %計(jì)算垂直投影

histrow=sum(sbw'); %計(jì)算水平投影

figure,subplot(2,1,1),bar(histcol1);title('垂直投影（旋轉(zhuǎn)后）');

subplot(2,1,2),bar(histrow);     title('水平投影（旋轉(zhuǎn)后）');

圖3.10.2垂直投影（旋轉(zhuǎn)后）和水平投影（旋轉(zhuǎn)后）

figure,subplot(2,1,1),bar(histrow);     title('水平投影（旋轉(zhuǎn)后）');

subplot(2,1,2),imshow(sbw);title('車牌二值子圖（旋轉(zhuǎn)后）');

圖3.10.3水平投影（旋轉(zhuǎn)后）和車牌二值子圖（旋轉(zhuǎn)后）

3.11去水平（上下）邊框,獲取字符高度:

a.通過(guò)以上水平投影、垂直投影分析計(jì)算，獲得了車牌字符高度、字符頂行與尾行、字符寬度、每個(gè)字符的中心位置，為提取分割字符具備了條件。

maxhight=max(markrow2);

findc=find(markrow2==maxhight);

rowtop=markrow(findc);

rowbot=markrow(findc+1)-markrow1(findc+1);

sbw2=sbw(rowtop:rowbot,:);  %子圖為(rowbot-rowtop+1)行

maxhight=rowbot-rowtop+1;   %字符高度(rowbot-rowtop+1)

b.計(jì)算車牌垂直投影，去掉車牌垂直邊框，獲取車牌及字符平均寬度

histcol=sum(sbw2);  %計(jì)算垂直投影

figure,subplot(2,1,1),bar(histcol);title('垂直投影（去水平邊框后）');%輸出車牌的垂直投影圖像

subplot(2,1,2),imshow(sbw2); %輸出垂直投影圖像

title(['車牌字符高度： ',int2str(maxhight)],'Color','r');%輸出車牌字符高度

%對(duì)垂直投影進(jìn)行峰谷分析

圖3.11垂直投影圖像和車牌字符高度                     程序流程圖

c.計(jì)算車牌上每個(gè)字符中心位置，計(jì)算最大字符寬度maxwidth

l=0;

for k=1:n1

    markcol3(k)=markcol(k+1)-markcol1(k+1);%字符下降點(diǎn)

    markcol4(k)=markcol3(k)-markcol(k); %字符寬度（上升點(diǎn)至下降點(diǎn)）

    markcol5(k)=markcol3(k)-double(uint16(markcol4(k)/2));%字符中心位置

end

markcol6=diff(markcol5); %字符中心距離（字符中心點(diǎn)至下一個(gè)字符中心點(diǎn)）

maxs=max(markcol6); %查找最大值，即為第二字符與第三字符中心距離

findmax=find(markcol6==maxs);

markcol6(findmax)=0;

maxwidth=max(markcol6);%查找最大值，即為最大字符寬度

d.提取分割字符,并變換為22行*14列標(biāo)準(zhǔn)子圖

l=1;

[m2,n2]=size(subcol);

figure;

for k=findmax-1:findmax+5

        cleft=markcol5(k)-maxwidth/2;

        cright=markcol5(k)+maxwidth/2-2;

        if cleft<1

            cleft=1;

            cright=maxwidth;

        end

        if cright>n2

            cright=n2;

            cleft=n2-maxwidth;

        end

        SegGray=sbw(rowtop:rowbot,cleft:cright);

        SegBw1=sbw(rowtop:rowbot,cleft:cright);

        SegBw2 = imresize(SegBw1,[22 14]); %變換為22行*14列標(biāo)準(zhǔn)子圖     

        subplot(2,n1,l),imshow(SegGray);

        if l==7

            title(['車牌字符寬度： ',int2str(maxwidth)],'Color','r');

        end

        subplot(2,n1,n1+l),imshow(SegBw2);      

        fname=strcat('F:\MATLAB\work\sam\image',int2str(k),'.jpg');%保存子圖備選入樣本庫(kù),并建立樣本庫(kù)

        imwrite(SegBw2,fname,'jpg')

        l=l+1;

end

3.12將計(jì)算計(jì)算獲取的字符圖像與樣本庫(kù)進(jìn)行匹配，自動(dòng)識(shí)別出字符代碼:

進(jìn)行車牌識(shí)別前需要使用樣本對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，然后使用訓(xùn)練好的網(wǎng)絡(luò)對(duì)車牌進(jìn)行識(shí)別。其具體流程為:使用漢字、字母、字母數(shù)字、數(shù)字四個(gè)樣本分別對(duì)四個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值。對(duì)已經(jīng)定位好的車牌進(jìn)行圖像預(yù)處理，逐個(gè)的特征提取，然后從相應(yīng)的文件中讀取相應(yīng)的節(jié)點(diǎn)數(shù)和權(quán)值，把車牌字符分別送入相應(yīng)的網(wǎng)絡(luò)進(jìn)行識(shí)別，輸出識(shí)別結(jié)果。

程序流程圖                     圖3.12識(shí)別的車牌號(hào)碼

四、設(shè)計(jì)結(jié)果及分析

原始圖像:                            預(yù)處理后：

車牌定位和提�。�                      字符的分割和識(shí)別：

可以看出對(duì)于這個(gè)車牌，可以準(zhǔn)確的識(shí)別。

原始圖像:                             預(yù)處理：

車牌的定位和提取：                    字符的分割和識(shí)別：

    從上面結(jié)果可以看出，這張車牌的識(shí)別失敗了，將G誤識(shí)別為B了，K誤識(shí)為A，0識(shí)別為8，這在識(shí)別中是非常容易出錯(cuò)的地方，因此需要在其他方面做些彌補(bǔ)，最后達(dá)到識(shí)別效果。

在車牌識(shí)別的過(guò)程中數(shù)字庫(kù)的建立很重要,只有數(shù)字庫(kù)的準(zhǔn)確才能保證檢測(cè)出來(lái)的數(shù)據(jù)正確。切割出來(lái)的數(shù)據(jù)要與數(shù)據(jù)庫(kù)的數(shù)據(jù)作比較，所以數(shù)據(jù)庫(kù)的數(shù)據(jù)尤為重要。

五、總結(jié):

實(shí)驗(yàn)對(duì)車牌識(shí)別系統(tǒng)的軟件部分進(jìn)行了研究，分別從圖像預(yù)處理、車牌定位、字符分割以及字符識(shí)別等方面進(jìn)行了系統(tǒng)的分析。整理和總結(jié)了國(guó)內(nèi)外在車牌定位、分割、字符識(shí)別方面的研究成果和發(fā)展方向，系統(tǒng)介紹了我國(guó)車牌的固有特征，以及車牌識(shí)別的特點(diǎn)。在車牌定位我們采用基于灰度跳變的定位方法，采用先對(duì)圖像進(jìn)行預(yù)處理，再進(jìn)行二值化操作的方法。實(shí)驗(yàn)表明本方法既保留了車牌區(qū)域的信息，又減少了噪聲的干擾，從而簡(jiǎn)化了二值化處理過(guò)程，提高了后續(xù)處理的速度。基于彩色分量的定位方法，運(yùn)用基于藍(lán)色象素點(diǎn)統(tǒng)計(jì)特性的方法對(duì)車牌是藍(lán)色的車牌進(jìn)行定位，實(shí)驗(yàn)表明，用該方法實(shí)現(xiàn)的車牌定位準(zhǔn)確率較高。

完整的Word格式文檔51黑下載地址：

基于Matlab的車牌識(shí)別(完整版).doc (1.37 MB, 下載次數(shù): 193)