【车牌识别】模板匹配新能源、轿车、货车车牌识别【含 GUI Matlab源码 2169期】

最新推荐文章于 2024-05-08 16:00:00 发布

Matlab仿真科研站

最新推荐文章于 2024-05-08 16:00:00 发布

阅读量913

点赞数 30

分类专栏： Matlab图像处理（仿真科研站版）文章标签： matlab

本文链接：https://blog.csdn.net/Matlab912100926/article/details/138107672

版权

Matlab图像处理（仿真科研站版）专栏收录该内容

777 篇文章 12 订阅

订阅专栏

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。
在这里插入图片描述

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、模板匹配车牌识别简介

1 系统整体设计
车牌识别系统包括4个步骤:车牌定位 (包括识别图像中的车牌位置并将其分割) 、图像处理、字符分割与字符识别, 如图1所示。车牌定位的主要功能是从图像中可能包含车牌的候选区域中定位车牌区域;图像处理的功能是强化车牌关键特征;字符分割的功能是将车牌字符从检测到的车牌区域背景中分离出来;字符识别的功能是用已知字符识别分割得到的字符。
在这里插入图片描述
图1 车牌识别系统

2 车牌定位算法
车牌定位是车牌识别算法的第一步。颜色特征在定位和识别系统中起着重要作用, 车牌区域的颜色具有显著特征。采用横向扫描和纵向扫描的车牌定位算法。车牌区域的搜索有时会受车辆本身一些广告和商标等图案的干扰, 而车牌区域在图像中的位置一般比这些干扰所在的位置低。因此, 通过从下至上搜索车牌区域可有效地减少这些干扰。扫描得出的区域可能不止一个, 再根据该区域的长宽比例和蓝白色的比例, 验证是否为车牌区域。车牌区域定位和分割过程通过颜色范围定义、行列扫描的方式实现。Y方向对应行, X方向对应列, 具体过程如下:

(1) Y方向:对每一个像素进行分析, 统计满足条件的像素所在行对应的个数。找到所有蓝点较多的行, 向上追溯, 直到车牌候选区域上边界PY1;向下追溯, 直到车牌区域下边界PY2, 对车牌区域进行修正, 得到Y方向的车牌候选区域。

(2) X方向:统计满足条件的像素所在列对应的个数。找到车牌候选区域的左边界PX1和右边界PX2, 对候选区域进行修正。

(3) 同理提取其余蓝色点较多的区域, 标记为车牌候选区域, 这些区域包括了车牌区域和非车牌区域。

(4) 统计车牌候选区域中的白色像素点。

(5) 计算车牌候选区域宽度和高度之间的比率, 选择具有满足预定义约束宽高比的候选区域。根据我国小型汽车的车牌特征为蓝底白字白框线, 长宽标准为440mm*140mm, 考虑到拍摄角度及倾斜等因素, 长宽比例范围通常为1.3~3.5, 白色比例范围通常为0.12~0.5。

(6) 根据长宽比例和白色比例, 淘汰其余车牌候选区域, 实现对车牌的最终定位。

(7) 分割车牌区域。车牌定位和分割结果如图2所示, 图2 (a) 为车辆图像, 图2 (b) 为车牌分割结果。
在这里插入图片描述
图2 车牌定位效果

3 车牌图像处理
3.1 图像灰度化
道路监控摄像机抓拍的图像一般为RGB真彩图像, 在RGB格式中, 每个像素有3个颜色分量:红, 绿, 蓝。车牌图像的每个像素由3个值确定红绿蓝分量。在RGB模型中, 当R=G=B为灰度色。灰度图像保持了强度信息而没有颜色信息。采用加权平均值法对RGB进行灰度化, 得到灰度图的亮度值。设置合理的权值能较好地突出灰度图亮度。任意一种颜色可表示为:
在这里插入图片描述
系数r、g、b分别为红绿蓝权值, 这里r=0.299, g=0.587, b=0.114, 能获得适合人眼观察的灰度图像, 如图3所示。

图3 灰度图像

3.2 倾斜校正
在车牌识别过程中, 车牌倾斜对车牌字符分割与最终识别结果有着显著影响。由于拍摄角度、车辆状态及道路状况等原因影响, 如在抓拍中图像位置不固定, 车头或镜头出现晃动及路况较差, 都会造成牌照中的字符倾斜, 给字符的分割和识别增加难度。因此, 需对定位后的车牌进行矫正。采用Radon变换方法进行车牌图像倾斜矫正, 原理是将图像朝着各个方向投影, 然后分析投影特征, 确定车牌倾斜角度。
在这里插入图片描述

图4 倾斜校正

3.3 图像二值化
二值图像是指整幅图像画面内仅有黑白二值的图像。灰度图像二值化不仅可大幅度减少数据运算量, 并能有效突出目标轮廓, 以便后续处理。在车牌处理中, 二值化处理是将像素点的灰度设置为0或255, 使车牌区域呈现黑白效果。对灰度图像设置合理阈值, 能够有效保持车牌形状信息。车牌区域二值化过程后, 仅保留黑白二值的数值矩阵, 每个像素取两个离散数值0或1, 0为黑色, 1为白色, 如图5所示。
在这里插入图片描述
图5 二值图像
f (i, j) 为原图像上的像素值, b (i, j) 为二值化后图像的像素值, T为阈值。

3.4 多余成分去除
经过图像二值化取反后, 车牌图像上可能出现一些较为明显的孤立像素点或像素块, 会对车牌的识别造成干扰。为了有效地保存目标车牌的形状、大小及特定的几何特征, 需要去除车牌图像中的多余成分。首先对二值图像取反, 求反变换使图像中感兴趣的细节更容易被注意到, 如图6所示。
在这里插入图片描述
图6 二值图像取反

然后对图像作进一步裁剪, 使边框进一步贴近字体, 如图7所示。
在这里插入图片描述
图7 图像裁剪

4 字符分割
经过图像处理后的车牌整体区域需要分割成单个字符区域, 以便后续识别。投影是有用且紧凑的形状描述符, 通过计算水平垂直峰分割所有字符[9]。一个二值目标的水平投影和垂直投影分别为hi (x) 和vi (y) , 可使用以下公式求得:
在这里插入图片描述
如图8显示一个垂直投影, 利用独立的7个峰提取7个车牌字符, 图9为字符分割结果。

图8 垂直投影7个独立峰

在这里插入图片描述
图9 字符分割

车牌字符分割后往往会出现大小不一的情况, 可采用基于图像缩放的归一化处理方式将字符图像进行尺寸缩放, 以得到大小统一的字符图像, 便于后续的字符识别。

5 字符识别
5.1 字符识别简述
常用的车牌字符识别方法有以下几类:

(1) 结构识别。该方法主要由识别和分析两部分构成:识别部分主要包括预处理、基元抽取和特征分析;分析部分包括基元选择与结构推理。

(2) 统计识别。该方法的目的在于确定已知样本的所属类别, 以数学的决策论为理论基础, 建立统计学识别模型。

(3) BP神经网络。该方法以神经网络模型为基础, 属于误差后向传播的神经网络, 是神经网络中使用最广泛的一类, 通过输入层、隐层和输入层三层网络的层间全互联方式运行, 具有较高的运行效率和识别准确率。

(4) 模板匹配。该方法是数字图像处理中最常用的识别方法之一, 通过建立已知模板库, 再将其应用到输入模式中, 寻找与之为最佳匹配模式的处理步骤, 得到相应识别结果, 具有很高的运行效率。

5.2 基于模板匹配的字符识别
由于车牌字符是以规范的字符为基础的, 模板匹配是以字符整体相关性为基础的, 并不强求字符整体结构的完整性。因此, 模板匹配法具有较强的容错能力, 适合有较强干扰的场合。

由于前期字符的有效分割, 这里采用简单模版匹配算法。该算法十分简单, 对图像噪声敏感性较低, 识别率较高。

模板匹配是图像识别方法中具有代表性的方法之一, 该方法首先根据已知条件建立模板库, 将分割出的车牌字符与字符模板库中的字符进行匹配运算, 图像与模板之间的匹配程度通过互相关算子确定:
在这里插入图片描述
Ri (x, y) 为互相关算子, F为待检测图像, Fxy为待检测的图像子图, x、y为子图左上角点在F中的坐标, T为模板, 互相关算子最大对应的模板为最佳匹配模板。

字符识别流程如图10所示。
在这里插入图片描述
图1 0 字符识别流程
具体过程如下:

(1) 建库。建立标准化的字符模板库。如图11所示。

(2) 遍历字符模板。

(3) 比对。将分割的字符图像与模板库中的字符进行对比, 根据蓝底白字号牌的特点, 第1位字符是汉字, 分别代表各个省份, 第2位是A~Z的字母, 后5位是数字和字母的混合搭配。为提高比对过程的效率和准确性, 分别对第1位、第2位和后5位字符进行识别。

(4) 将每个字符图像的匹配结果进行保存。

(5) 输出。

⛄二、部分源代码

function varargout = Gui_Main(varargin)
%%%%%%%%%运行这个即可打开《车牌识别系统》%%%%%%%%
%GUI_MAIN MATLAB code for Gui_Main.fig
% GUI_MAIN, by itself, creates a new GUI_MAIN or raises the existing
% singleton*.
%
% H = GUI_MAIN returns the handle to a new GUI_MAIN or the handle to
% the existing singleton*.
%
% GUI_MAIN(‘CALLBACK’,hObject,eventData,handles,…) calls the local
% function named CALLBACK in GUI_MAIN.M with the given input arguments.
%
% GUI_MAIN(‘Property’,‘Value’,…) creates a new GUI_MAIN or raises the
% existing singleton*. Starting from the left, property value pairs are
% applied to the GUI before Gui_Main_OpeningFcn gets called. An
% unrecognized property name or invalid value makes property application
% stop. All inputs are passed to Gui_Main_OpeningFcn via varargin.
%
% *See GUI Options on GUIDE’s Tools menu. Choose “GUI allows only one
% instance to run (singleton)”.
%
% See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help Gui_Main

% Last Modified by GUIDE v2.5 27-May-2022 18:45:00

% Begin initialization code - DO NOT EDIT
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @Gui_Main_OpeningFcn, …
‘gui_OutputFcn’, @Gui_Main_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end

if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
% End initialization code - DO NOT EDIT

% — Executes just before Gui_Main is made visible.
function Gui_Main_OpeningFcn(hObject, eventdata, handles, varargin)
% This function has no output args, see OutputFcn.
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% varargin command line arguments to Gui_Main (see VARARGIN)

% Choose default command line output for Gui_Main
clc;
axes(handles.axes1); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes2); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes3); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
axes(handles.axes4); cla reset; box on; set(gca, ‘XTickLabel’, [], ‘YTickLabel’, []);
set(handles.text1, ‘string’, ‘’);
handles.output = hObject;
handles.file = [];
handles.Plate = [];
handles.bw = [];
handles.words = [];
% Update handles structure
handles.type=1;%打开时,默认识别蓝色车牌
guidata(hObject, handles);

% UIWAIT makes Gui_Main wait for user response (see UIRESUME)
% uiwait(handles.figure1);

% — Outputs from this function are returned to the command line.
function varargout = Gui_Main_OutputFcn(hObject, eventdata, handles)
% varargout cell array for returning output args (see VARARGOUT);
% hObject handle to figure
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure
varargout{1} = handles.output;

% --------------------------------------------------------------------
%工具栏:Save Figure
function uipushtool1_ClickedCallback(hObject, eventdata, handles)
% hObject handle to uipushtool1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
[filename, pathname] = uiputfile({‘.jpg;.tif;.png;.gif’,‘All Image Files’;…
‘.’,‘All Files’ }, ‘保存结果’, …
‘Result\result.jpg’);
if isempty(filename)
return;
end
file = fullfile(pathname, filename);
f = getframe(gcf);
f = frame2im(f);
imwrite(f, file);
msgbox(‘保存结果图像成功！’, ‘提示信息’, ‘help’);

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 张俊峰,尚振宏,刘辉.基于颜色特征与模板匹配的车牌识别系统设计与实现[J].软件导刊. 2018,17(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰