摘 要

当今社会越来越需要我们的交通智能化，车牌识别系统是交通智能化里面的一个部分，具有不错的实用价值和实际意义。

本课题运用计算机视觉、图像处理技术，经过对码头集装箱闸口的车辆牌照剖析，得出一系列车牌特征信息，为了完成车牌的字符识别分析研究了各个可能需要的环节，之后对需要的环节进行设计，完成了一个车牌识别系统。

在对车辆图像进行车牌定位之前需要对图像进行各种预处理，通过对ROI区域的提取、图像的滤波操作、图像的对比度和亮度增强以及图像颜色空间转换的预处理方法，强化了车牌区域，更容易分析出我们所需要的车牌区域。通过对车牌特征的研究，为了保证我们的定位速度，采用了Adaboost级联定位算法和SVM组合的机器学习算法来进行对车牌区域的定位。运用OTSU整体二值化、OTSU区域二值化、MSER算法来进行对初步得到的车牌区域进行二值化处理，在应用图像的形态学、垂直投影和图像连通域分析等方法实现对车牌单字符区域的精准定位。最后应用人工神经网络对所识别的字符进行识别对比，达到相似度的即认为识别成功，提取精确的车辆车牌信息。

关键词：特性信息；车牌识别；字符分割；字符识别；

Abstract

Nowadays, more and more people need our traffic intelligence. License Plate Recognition System is a part of traffic intelligence, which has good practical value and practical significance.

This topic uses computer vision and image processing technology, through the analysis of the license plate of the container gate at the wharf, obtains a series of license plate characteristic information. In order to complete the character recognition of the license plate, it analyses and studies all possible links, then designs the links needed, and completes a license plate recognition system.

Before locating the license plate of the vehicle image, it is necessary to preprocess the image. By extracting the ROI region, filtering the image, enhancing the contrast and brightness of the image, and pre-processing the color space conversion of the image, the license plate region is strengthened, and it is easier to analyze the license plate region we need. Through the study of license plate characteristics, in order to ensure our location speed, we use Adaboost cascade location algorithm and SVM machine learning algorithm to locate the license plate area. Using OTSU global binarization, OTSU region binarization, MSER algorithm to binarize the initial license plate region, and using image morphology, vertical projection and image connected area analysis to achieve the precise location of the single character region of the license plate. Finally, the recognition and comparison of the recognized characters are carried out by using artificial neural network, and the similarity is achieved, that is to say, the recognition is successful and the accurate vehicle license plate information is extracted.

Key words: Character information; License plate recognition; Character segmentation; Character recognition;

目录

摘 要 I

Abstract II

第1章 绪论 2

1.1 课题研究背景和意义 2

1.2 国内外发展现状与研究水平 2

1.3 系统设计的目标及特征分析 2

1.3.1 设计目标 3

1.3.2 车牌的特征分析 3

第2章 算法框架 5

2.1 思路分析 5

第3章 图像预处理 6

3.1 图像预处理简述 6

3.2 图像预处理操作 6

3.2.1 调整图片的分辨率 6

3.2.2 调整图片的亮度和对比度 7

3.2.3灰度的拉伸以及颜色空间的转换以判断车牌的颜色 8

第4章 车牌定位 11

4.1 利用Adaboost算法完成对车牌的粗定位 11

4.1.1 基于Adaboost算法车牌定位实现原理介绍 11

4.1.2 实现方法 11

4.1.3遇到的问题及实现结果 12

4.2利用SVM完成对车牌区域的筛选 13

4.2.1 基于SVM车牌定位实现原理及思路介绍 13

4.2.2 SVM模型的训练过程 15

4.2.3 遇到的问题及实现结果 16

第5章 字符分割 18

5.1 字符分割前的图像预处理 18

5.1.1二值化处理 18

5.1.2消除干扰 21

5.2 字符分割实现 22

5.2.1垂直投影处理图像 22

5.2.2画框并进行筛选 22

5.3遇到的问题 23

第6章 字符识别 25

6.1 字符识别综述 25

6.2 利用ANN完成对分割的单字符的识别 25

6.2.1 ANN的介绍 25

6.2.2 实现过程 26

6.3遇到的问题及实现结果 26

总结与展望 28

参考文献 29

致谢 30

第1章 绪论

1.1 课题研究背景和意义

到20 世纪末 , 为了响应贸易要求，我国集装箱码头的建设得到重视。港口集装箱运输的软硬件水平疾速前进，逐渐向世界集装箱码头的高水平看齐。上海港2000年上海长江口航道经整顿水深达到负8.5米，集装箱码头岸线为3950米 , 设计吞吐能力为300万标准箱 , 占全港吞吐能力60%以上 ^[1] 。2017年集装箱吞吐量排名前十的港口口岸中，中国有7座港口上榜。国际货物运输有近九成通过集装箱运输完成，寰球海运行业因整合不断加速、货船日益大型化，为了适应市场竞争，提高中国港口运输效率和服务质量，需要积极推动港口集装箱码头的智能化建设。而码头的闸口是集装箱码头车辆的出入口，需要在此办理各项业务，这其中就需要进行车牌的识别。

上述分析可知，车牌识别技术具备很不错的前景意义,不但可以极大的缩小人工管理的工作内容,还能够使得交通治理的效率得到提高。相比于之前未施行车牌识别系统，出入闸口的车辆进行了有效的治理，从而进出闸口效率提高，同时车辆套牌的情况从源头上被根除，减小了物流和集装箱码头获取非法利益的可能性，可以说是真正享受到了智能化带来的好处。

1.2 国内外发展现状与研究水平

在1994年的世界智能交通大会后,美国欧洲等多个发达的国家已逐渐采纳智能车牌识别技术对公路交通、停车场等公共设施进行管理^[2]。 经过这么多年的发展，发达国家许多科技研究组织提出了很多识别的算法，也运用这些关于车牌自动识别的算法成功开发出了多个车牌自动识别系统,运行取得不错的效果的有: See/Car System系统、Optasia公司的VLPRS系统等^[3]。 由于国外车牌的特征与我们不一样，因此不能直接照搬给我国使用。

虽然我国的车牌识别技术与国外发达国家相比发展较晚,但我国的车牌识别技术发展很快，如IC卡辨识技术、条形码辨别技术、射频辨别技术^[4]，这些技术本身都有限制，例如它们需要在车上安装特有的识别码或标记，正是因为他本身的限制，难以实现获取车牌信息的目标，难以完成应用方面的推广，假如可以跳过条形码或标识的间接识别直接车牌图像分析的话，能高效实时地获取车牌的信息，体现出车牌识别的应用具备不错的经济价值和极大的运用意义。

国内目前也研发了许多的车牌检测算法可以适用我国的车牌识别系统，已经成功适用的车牌识别系统则有zTZ车牌自动识别系统、车牌识别器、 “汉王眼”等^[5]。

1.3 系统设计的目标及特征分析

1.3.1 设计目标

本次设计应用于车辆图像进行车牌单字符的识别及与其相关的领域，依据这一实际应用背景，明确了本次设计的三个目标：高速性、实用性和鲁棒性。

高速性：本设计应用对象为车辆，是对车辆图像进行处理，在使用过程中，两次提交给系统的车辆图像时间相隔不是很长，因而本次设计的系统需要可以高效地对车辆图像进行剖析处理，并得到识别的结果，该设计要求在3.0S内完成对单个车辆牌照的识别。

实用性：由于该设计主要应用于多种型号的车辆包括集卡车，小车等的车辆治理，以及其余与该工业环境下车牌识别有关系的领域，毫无疑问，设计具有很重要的实用价值。我们必须充分考虑到外界环境的干扰、拍摄角度因素、不用车辆车牌本身的复杂性等等应用中可能会遇到的问题，保证识别的正确性，提高车牌识别的实用性。本次设计需要满足其能识别集卡车与小车的要求。

鲁棒性：在整个车牌识别过程中，本系统首先要从图像中准确定位到车辆牌照的区域，然后对车牌区域的字符单字符分割，最后进行对字符的识别。由于集装箱闸口是一个特殊的工业环境，因此需要设计能适应多种不同参数车牌图像，该设计要求在所给出的300张测试图片中保证97%的正确率。

1.3.2 车牌的特征分析

在各种不同的天气情况下无故障地进行工作，是我们工业环境下车牌识别系统的必要要求。例如在雾霾天气下，我们对车牌号码的识别会收到干扰；黄昏时因为光照条件变差难以清楚的辨别车牌号码；工业环境条件导致车牌信息的缺失。这些都是我们需要考虑到的问题，因此我们需要详细的分析车牌的特性信息从而达到在不同场合不同情境下对车辆牌照的正确快速的识别。并且由于在车辆车牌中的信息比较多，首位时汉字，其余位为字母与数字，其中字母和数字的识别可以当成一类进行识别，汉字字符结构复杂，包含数目也多，识别困难，设计中我们另设置一个神经网络进行识别。

上述分析可知，想要得到详细的汽车牌照信息，我们需要多方面对汽车牌照进行处理，因此我们需要详细分析汽车牌照的特征，特征包含有形状特征、字符特征和颜色特征等。下面将详细的讲解分析车牌的特征。

（1）形状特征

这里我们分析车牌的形状特征包含：外廓尺寸中的长与宽，以及车牌的长宽比，面积特征。本次设计为车的前车牌，我们详细分析如下：前车牌长宽为440*140，整个车牌的长宽比约为3：1，面积则为长×宽，在车牌的初步筛选中会用过形状特征。

（2）字符特征

车牌的第一位为汉字，代表省名简称，共有三十一个字符，由于在该设计场合中难以遇到军、警车，这里不考虑军、警车。第二位为英文字母，表示该车所上户口的地级行政区，有二十五个英文大写字母，这里少了字母“I”，因为它易于数字“1”混淆。其余五位是字母与数字的组合，共有三十四个字符，这里少了字母“I”和字母“O”，去除的原因同样是因为易于与数字混淆。

（3）颜色特征

该设计下涉及的车辆包含大型汽车的号牌，颜色特征是黄底黑字黑框线，以及小型汽车的号牌，颜色特征是蓝底白字白框线。本次设计中，在对车牌牌照进行二值化之前需要对汽车牌照的颜色特征进行分析，然后采用不同的阈值进行二值化。

第2章 算法框架

2.1 思路分析

上面我们已经分析了设计所需要满足的目标和我们的车牌特征，这些是我们在后面的设计中所需要考虑到的要素。

总的来说，想要完成本次设计我们需要对车牌图片进行以下几个步骤：首先对车牌图片进行预处理操作，这个步骤直接影响到我们后面的各项操作，可以有效的增加正确率和提高效率。然后我们需要对车牌图片进行定位，定位的效果如果不好的话，会直接导致后续的识别失败，因此是我们所有步骤中最难的一个步骤。之后需要对我们定位到的车牌区域进行单字符的分割，接着将得到的单字符进行识别，同时这几步需要满足我们的设计目标要求，这样我们算是完成了本次毕设的设计。下面开始分步详细讲解我们的基本思路。

在预处理部分，由于所得的车牌图片的分辨率较大，车牌牌照所占图像的比例较小，且存在晚上拍摄光照不足，牌照过暗的问题。因此要进行对图像进行ROI（包含车牌区域）的大致提取、以及图像对比度、亮度的调整，以达到减小图片分辨率且扩大可见车牌区域的目的。

在车牌定位部分，车辆牌照具有轮廓特征，表象与形状能被梯度或方向的方向密度来描述，同时它的局部纹理也是有其独有的特征的。利用的车牌特征主要包括：提取车牌区域的局部纹理特征，也即提取区域内像素的灰度变化不变的区域。提取车牌区域的轮廓特征，本次设计中提取的是车牌区域的HOG特征，它能够很好的表达车牌区域的轮廓信息，以及车牌的形状特征。设计根据车辆牌照的这一系列特征，采用Adaboost级联算法和SVM完成对车辆牌照的准确定位，该方法首先通过Adaboost级联算法对车牌区域进行大致的定位，选出几个矩形候选框，然后利用车牌的几何特征以及SVM提取车牌的HOG特征二分类选出车辆牌照图像。

在完成车辆牌照定位后对牌照区域字符进行分割，分割利用垂直投影方法确定单字符的位置，在这之前需要我们对我们的车牌区域去除柳钉干扰、去除孤立的白点干扰，然后利用我们垂直投影的结果以及我们字符的几何特征等进行对单个字符的分割处理。

最后将分割好的字符运用人工神经网络ANN进行识别，相似度达标即为识别成功，共有31个汉字字符，以及34个数字加字母字符。得到结果。

第3章 图像预处理

3.1 图像预处理简述

图像预处理是指在进行具体的车牌定位、字符识别操作之前的图像处理操作，它的目的是为了提高后续处理的成功率和操作的效率。车辆图像不能直接进行车牌定位，因为车辆背景图像的干扰，工业环境的干扰，天气情况的干扰。如果强行对原始的车辆图像直接进行车牌定位操作，不仅无法保证设计目标的高速性的要求，甚至可能无法定位出车牌的图像，因此我们需要进行对图像进行预处理操作，提升图片的可操作性，改善图片质量，提高后续定位与字符识别的效率。

3.2 图像预处理操作

3.2.1 调整图片的分辨率

在集装箱码头的闸口的车牌检测中，摄像机拍摄获得的照片的分辨率较大（3300x2200）不仅无法正常的显示，而且影响了后续处理的效率和效果。因此需要对图片进行分辨率的调整以达到增加车牌所占图像的面积比的目的。

实现方法：由于车牌所占的大致区域已知，相当于人工进行粗定位，从而达到降低图片分辨率并增加车牌占整幅图像面积比的目的，利用VS2013 OPENCV3.4.1编程环境实现对图片的ROI区域提取。实现的效果图对比如下：

图3.1 调整分辨率操作原图

图3.2 调整分辨率操作效果图

3.2.2 调整图片的亮度和对比度

由于集装箱码头闸口晚上拍摄光照不足的影响，使得牌照过暗，难以进行检测。因此需要对图片的亮度和对比度进行调整。

实现方法：运用我们的直方图均衡化函数EqualizeHist(src,dst);^[6]。这里的输入图像为8位的单通道图像（灰度图），输入图像数据类型和大小与输入图像相同。因此在处理我们的彩色图像时，我们需要先将图像各通道分离在进行均衡化，然后在对通道进行组合新的图像。实现的效果图对比如下：

图3.3 对比图与亮度调整原图

图3.4 对比图与亮度调整效果图

3.2.3灰度的拉伸以及颜色空间的转换以判断车牌的颜色

以上是毕业论文大纲或资料介绍，该课题完整毕业论文、开题报告、任务书、程序设计、图纸设计等资料请添加微信获取，微信号：bysjorg。

相关图片展示：