基于matlab的复杂情况下的车牌识别系统

基于matlab的复杂情况下的车牌识别系统

主要实现功能如下:
1、系统通过以打开文件的形式，选取要识别的车牌的图像，实现对车牌的自动识别和分割，再通过进行灰度处理、二值化、腐蚀膨胀、边缘锐化等对图片进行处理，对车牌文字进行定位、分割。
2、再通过模板匹配法、建立样本库进行字符的识别。
3、对车牌上的文字识别显示。其中包括图像预处理，基于车牌颜色特征的定位方法，车牌倾斜校正，字符分割，字符识别五个部分，对所设计的识别系统进行仿真，并得到较为准确的识别结果，内含样图大概50张左右，各省基本都有涉及。

以下文字及示例代码仅供参考

基于MATLAB的复杂情况下的车牌识别系统

以下是一个基于MATLAB的车牌识别系统的实现代码。这个系统包括图像预处理、车牌定位、车牌倾斜校正、字符分割和字符识别等主要部分。

% 基于MATLAB的车牌识别系统

% 主要功能函数列表:
% 1. image_preprocessing: 图像预处理
% 2. locate_plate: 车牌定位
% 3. correct_tilt: 车牌倾斜校正
% 4. segment_characters: 字符分割
% 5. recognize_characters: 字符识别
% 6. main: 主程序

function license_plate_recognition_system()
    % 主函数，协调整个车牌识别过程
    
    % 获取用户选择的图像文件
    [filename, pathname] = uigetfile({'*.jpg;*.png;*.bmp;*.tif', 'Image Files'}, 'Select an Image File');
    
    if isequal(filename,0)
        disp('User selected Cancel')
        return
    else
        fullpathname = fullfile(pathname, filename);
        original_image = imread(fullpathname);
    end
    
    % 显示原始图像
    figure;
    subplot(2,3,1);
    imshow(original_image);
    title('原始图像');
    
    % 图像预处理
    preprocessed_image = image_preprocessing(original_image);
    subplot(2,3,2);
    imshow(preprocessed_image);
    title('预处理后的图像');
    
    % 车牌定位
    plate_candidate = locate_plate(original_image, preprocessed_image);
    subplot(2,3,3);
    imshow(plate_candidate);
    title('定位的车牌区域');
    
    % 车片倾斜校正
    corrected_plate = correct_tilt(plate_candidate);
    subplot(2,3,4);
    imshow(corrected_plate);
    title('倾斜校正后的车牌');
    
    % 字符分割
    characters = segment_characters(corrected_plate);
    
    % 字符识别
    recognized_text = recognize_characters(characters);
    
    % 显示最终识别结果
    fprintf('识别的车牌号码为: %s\n', recognized_text);
    title(['识别结果: ', recognized_text], 'FontSize', 14);
end

function preprocessed_image = image_preprocessing(original_image)
    % 图像预处理函数
    % 包括灰度化、直方图均衡化、高斯滤波等
    
    % 如果是彩色图像，先转换为灰度图像
    if size(original_image, 3) == 3
        gray_image = rgb2gray(original_image);
    else
        gray_image = original_image;
    end
    
    % 直方图均衡化以增强对比度
    eq_image = histeq(gray_image);
    
    % 高斯滤波去噪
    gauss_filtered = imgaussfilt(eq_image, 2);
    
    % Sobel边缘检测
    sobel_filtered = edge(gauss_filtered, 'Sobel');
    
    % 形态学操作 - 先膨胀后腐蚀 (闭运算)
    se = strel('rectangle', [15 15]);
    morph_image = imdilate(sobel_filtered, se);
    morph_image = imerode(morph_image, se);
    
    preprocessed_image = morph_image;
end

function plate_candidate = locate_plate(original_image, preprocessed_image)
    % 车牌定位函数
    % 使用连通区域分析和几何特征来定位车牌
    
    % 查找所有连通区域
    cc = bwconncomp(preprocessed_image, 8);
    
    % 获取每个连通区域的属性
    stats = regionprops(cc, 'BoundingBox', 'MajorAxisLength', 'MinorAxisLength', 'Area', 'Eccentricity');
    
    % 初始化候选区域
    candidate_regions = false(size(preprocessed_image));
    
    % 根据长宽比、面积等几何特征筛选可能的车牌区域
    for i = 1:length(stats)
        bb = stats(i).BoundingBox;
        aspect_ratio = bb(3)/bb(4);  % 宽高比
        area = stats(i).Area;
        eccentricity = stats(i).Eccentricity;
        
        % 车牌通常具有特定的宽高比 (约3:1到5:1)，面积适中，离心率较高
        if aspect_ratio > 2 && aspect_ratio < 6 && area > 500 && area < 10000 && eccentricity > 0.8
            idx = [round(bb(2)):round(bb(2)+bb(4)), round(bb(1)):round(bb(1)+bb(3))];
            [rows, cols] = meshgrid(idx{2}, idx{1});
            linear_idx = sub2ind(size(preprocessed_image), cols(:), rows(:));
            candidate_regions(linear_idx) = true;
        end
    end
    
    % 提取包含候选区域的边界框
    cc_candidates = bwconncomp(candidate_regions, 8);
    stats_candidates = regionprops(cc_candidates, 'BoundingBox');
    
    % 在原图上显示候选区域
    figure;
    imshow(original_image);
    hold on;
    for i = 1:length(stats_candidates)
        rectangle('Position', stats_candidates(i).BoundingBox, 'EdgeColor', 'r', 'LineWidth', 2);
    end
    title('车牌候选区域');
    hold off;
    
    % 这里我们假设第一个候选区域就是正确的车牌区域
    if ~isempty(stats_candidates)
        final_box = stats_candidates(1).BoundingBox;
        plate_candidate = original_image(round(final_box(2)):round(final_box(2)+final_box(4)), ...
                                         round(final_box(1)):round(final_box(1)+final_box(3)), :);
    else
        error('未找到有效的车牌候选区域');
    end
end

function corrected_plate = correct_tilt(plate_candidate)
    % 车牌倾斜校正
    % 使用霍夫变换检测直线并计算倾斜角度
    
    % 将车牌图像转换为灰度图像
    if size(plate_candidate, 3) == 3
        gray_plate = rgb2gray(plate_candidate);
    else
        gray_plate = plate_candidate;
    end
    
    % 边缘检测
    edges = edge(gray_plate, 'Canny');
    
    % 霍夫变换检测直线
    [H, theta, rho] = hough(edges);
    peaks = houghpeaks(H, 10);
    lines = houghlines(edges, theta, rho, peaks);
    
    % 计算主要方向的角度
    angles = zeros(length(lines), 1);
    for i = 1:length(lines)
        dx = lines(i).point2(1) - lines(i).point1(1);
        dy = lines(i).point2(2) - lines(i).point1(2);
        angles(i) = atan2(dy, dx) * 180 / pi;
    end
    
    % 忽略接近水平或垂直的线条（可能是边框）
    valid_angles = angles(abs(angles) > 5 & abs(angles) < 85);
    
    if ~isempty(valid_angles)
        % 计算平均角度作为倾斜角度
        tilt_angle = median(valid_angles);
    else
        tilt_angle = 0;
    end
    
    % 执行仿射变换进行校正
    tform = affine2d([1 0 0; 0 1 0; -tilt_angle 0 1]);
    corrected_plate = imwarp(rgb2gray(plate_candidate), tform, 'OutputView', imref2d(size(plate_candidate)));
    
    % 显示倾斜校正结果
    figure;
    subplot(1,2,1);
    imshow(gray_plate);
    title(sprintf('原始车牌 (倾斜 %.2f°)', tilt_angle));
    subplot(1,2,2);
    imshow(corrected_plate);
    title('倾斜校正后的车牌');
end

function characters = segment_characters(corrected_plate)
    % 字符分割
    % 对校正后的车牌图像进行字符分割
    
    % 灰度化
    if size(corrected_plate, 3) == 3
        gray_plate = rgb2gray(corrected_plate);
    else
        gray_plate = corrected_plate;
    end
    
    % 二值化
    level = graythresh(gray_plate);
    binary_plate = imbinarize(gray_plate, level);
    
    % 反色，使字符为白色
    binary_plate = 1 - binary_plate;
    
    % 形态学操作去除小对象
    binary_plate = bwareaopen(binary_plate, 50);
    
    % 寻找连通区域
    cc = bwconncomp(binary_plate, 4);
    stats = regionprops(cc, 'BoundingBox', 'Area', 'Centroid');
    
    % 按照x坐标排序
    [~, idx] = sort([stats.Centroid], 2);
    
    % 提取字符
    characters = cell(1, length(stats));
    for i = 1:length(stats)
        bb = stats(idx(i)).BoundingBox;
        char_img = binary_plate(round(bb(2)):round(bb(2)+bb(4)), ...
                                round(bb(1)):round(bb(1)+bb(3)));
        
        % 调整大小至统一尺寸
        char_img_resized = imresize(char_img, [40 40]);
        
        % 存储字符图像
        characters{i} = char_img_resized;
        
        % 显示分割出的字符
        figure;
        subplot(1,length(stats),i);
        imshow(char_img_resized);
        title(sprintf('字符 %d', i));
    end
end

function recognized_text = recognize_characters(characters)
    % 字符识别
    % 使用模板匹配方法识别字符
    
    % 创建示例字符模板库
    templates = create_template_library();
    
    % 初始化识别结果
    recognized_text = '';
    
    % 对每个字符进行识别
    for i = 1:length(characters)
        current_char = characters{i};
        
        % 初始化最佳匹配信息
        best_match_char = '?';
        best_match_score = -inf;
        
        % 在模板库中寻找最佳匹配
        for char_key = keys(templates)
            char_str = char_key{1};
            for j = 1:length(templates(char_str))
                template = templates(char_str)(j);
                
                % 计算归一化互相关
                res = normxcorr2(current_char, template);
                [max_row, max_col] = find(res == max(res(:)));
                score = res(max_row(1), max_col(1));
                
                if score > best_match_score
                    best_match_score = score;
                    best_match_char = char_str;
                end
            end
        end
        
        % 添加当前识别字符到结果
        recognized_text = [recognized_text best_match_char];
        
        % 显示匹配过程
        fprintf('字符 %d 识别为 "%s"，匹配得分 %.2f\n', i, best_match_char, best_match_score);
    end
end

function templates = create_template_library()
    % 创建字符模板库
    % 因为实际情况下没有真实的模板数据库，这里我们创建一个简单的模拟库
    
    % 初始化模板结构体
    templates = struct();
    
    % 添加数字模板（简单生成）
    digits = '0123456789';
    for i = 1:length(digits)
        char_str = digits(i);
        templates.(char_str) = cell(1, 3);
        for j = 1:3
            templates.(char_str){j} = generate_simple_character_template(char_str);
        end
    end
    
    % 添加字母模板（简单生成）
    letters = 'ABCDEFGHIJKLMNOPQRSTUVWXYZ';
    for i = 1:length(letters)
        char_str = letters(i);
        templates.(char_str) = cell(1, 3);
        for j = 1:3
            templates.(char_str){j} = generate_simple_character_template(char_str);
        end
    end
    
    % 添加中文字符模板（简单生成）
    chinese_chars = {'京','沪','津','渝','冀','晋','蒙','辽','吉','黑','苏','浙','皖','闽','赣','鲁', ...
                     '豫','鄂','湘','粤','桂','琼','川','贵','云','藏','陕','甘','青','宁','新'};
    for i = 1:length(chinese_chars)
        char_str = chinese_chars{i};
        templates.(char_str) = cell(1, 3);
        for j = 1:3
            templates.(char_str){j} = generate_simple_character_template(char_str);
        end
    end
end

function template = generate_simple_character_template(char)
    % 生成简单的字符模板图像
    % 实际应用中应使用真实采集的模板
    
    % 创建空白图像
    template_size = [40 40];
    template = false(template_size);
    
    % 为了简化，只生成随机形状作为示例
    % 在实际应用中应该使用真实的字符图像
    num_shapes = randi([3 6]);
    for i = 1:num_shapes
        shape_type = randi([1 3]);
        switch shape_type
            case 1 % 圆形
                radius = randi([3 8]);
                center = randi([radius+1 template_size(1)-radius], 1, 2);
                [X,Y] = meshgrid(1:template_size(2), 1:template_size(1));
                template = template | ((X-center(2)).^2 + (Y-center(1)).^2 <= radius^2);
            
            case 2 % 矩形
                width = randi([4 12]);
                height = randi([4 12]);
                pos = randi([1 template_size(1)-height, 1 template_size(2)-width], 1, 2);
                template(pos(1):pos(1)+height, pos(2):pos(2)+width) = true;
            
            case 3 % 线条
                angle = randi([0 180]);
                length = randi([8 20]);
                thickness = randi([1 3]);
                center = randi([thickness+floor(length/2) template_size(1)-thickness-floor(length/2)], 1, 2);
                
                % 生成线条
                for d = -thickness:thickness
                    x_coords = round(center(2) + (-length/2:length/2));
                    y_coords = round(center(1) + tand(angle)*(-length/2:length/2) + d);
                    valid_idx = y_coords >= 1 & y_coords <= template_size(1) & x_coords >= 1 & x_coords <= template_size(2);
                    template(sub2ind(template_size, y_coords(valid_idx), x_coords(valid_idx))) = true;
                end
        end
    end
    
    % 确保至少有一些白色像素
    if sum(template(:)) < 50
        template(randi(numel(template), 1, 50)) = true;
    end
end

示例用法说明

要使用此系统，请在MATLAB环境中运行license_plate_recognition_system()函数。然后会弹出文件选择对话框，可以选择您想要识别的车牌图片。

系统特点

1. 完整的车牌识别流程：从图像预处理到最终字符识别的完整流程。
2. 多步骤图像处理：包括灰度化、直方图均衡化、滤波、边缘检测和形态学操作。
3. 先进的车牌定位算法：利用几何特征和连通区域分析来准确定位车牌。
4. 自动倾斜校正：通过霍夫变换检测并校正倾斜的车牌。
5. 灵活的字符分割：基于连通区域分析和字符特征的字符分割方法。
6. 模板匹配识别：使用模板匹配方法进行字符识别。

注意事项

1. 此代码是为了演示目的而设计的简化版本，在实际应用中需要更复杂的算法和更大的模板库。
2. 本代码中的模板库是模拟生成的，在实际应用中应该使用真实采集的字符样本。
3. 由于车牌识别是一个复杂的计算机视觉任务，实际应用中可能需要根据具体场景调整参数和算法。

这是一个基本的车牌识别系统框架，可以根据具体需求进一步扩展和优化。