【车牌识别】模板匹配新能源车牌识别【含 GUI Matlab源码 865期】

💥💥💞💞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。

⛄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、简介

1 在进行图像处理任务之前，首先要明确处理对象和处理流程
处理对象： 新能源车牌和蓝色车牌
处理流程：

2 由于要对蓝色和新能源车牌进行识别，而且新能源车牌是渐变色，所以直接通过设定阈值的方法去识别两种车牌并没有单独识别蓝色车牌的可靠性高。这里，我根据车牌字符的特征进行车牌位置定位：
2.1 根据字符特征初步找出车牌位置

2.2 根据车牌长宽比进行初步筛选
我们可以用最小外接矩形算法框出上一步已选出的区域，然后根据车牌长宽比设定阈值，将满足阈值的矩形筛选出来，当然但还是会存在一部分干扰区域。

2.3 对矩形内像素进行颜色统计
通过对初步筛选后剩余区域分别进行像素的颜色统计，我们即可准确找出车牌位置，与此同时车牌的类型（新能源或蓝牌）也可以在这里判断出来

3 倾斜校正
这一步是为后面垂直投影法分割字符和模板匹配做准备

简单来讲，使用霍夫线算法检测车牌上下边框所在直线，计算这条直线倾斜角度，之后对车牌进行旋转即可。当然复杂点的方法可以具体看我的源程序，具体效果如下图：

4 二值化、形态学处理、字符识别
4.1 二值化和形态学处理这里就不在赘述，很多博客已经讲的非常清晰
4.2 字符分割
在这里需要对字符进行准确的分割，在分割之前还是可能会有干扰，需要再次分割出车牌字符的准确位置。这里我的方法是：先向左投影，设定阈值，切割出上下边界，同理在切割出左右边界。但是这只适用于车牌边框明显的情况下，所以我不建议你使用这个方法，慎用！！！

到这里就可以使用垂直投影法进行字符分割，这里需要注意的是新能源车牌有八位，蓝牌有七位
分割结果如下图所示：

4.3 字符识别
这里使用模板匹配，因为新能源车牌字符和蓝牌字符不一致，所以要制作两套字符模板。另外需要注意的是，根据《中华人民共和国机动车号牌》序号编码规则，26个英文字符中“I“、”O“不能使用，所以不存在"1"和"I"、"0"和"O"字符混淆的问题

⛄二、部分源代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% resize的目标尺寸650*X
% 调参
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear;

se1 = strel(‘rectangle’,[15 15]); %创建一个平坦的矩形结构
se2 = strel(‘rectangle’,[12 20]); %创建一个平坦的矩形结构
se3 = strel(‘rectangle’,[12 15]);
imgraw=imread(‘C:\Users\lenovo\Desktop\licenseplate\0.png’); %读取图

% se1 = strel(‘rectangle’,[15 25]); %创建一个平坦的矩形结构
% se2 = strel(‘rectangle’,[10 25]); %创建一个平坦的矩形结构
% se3 = strel(‘rectangle’,[14 19]);
% imgraw=imread(‘E:\matlab workspace\licenseplate\车牌2.jpg’); %读取图像

[m,~]=size(imgraw);
times = 650/m;
img=imresize(imgraw,times,‘nearest’);
g= fspecial(‘gaussian’,[5,5],1); %高斯滤波器
g_img = imfilter(img, g, ‘replicate’); %图像滤波
gray_img=rgb2gray(g_img); %转为灰色图像
open = imopen(gray_img,se1); %图像开操作
sub_img = imsubtract(gray_img,open); %图像相减
BW_img = imbinarize(sub_img); %使用Otsu方法确定全局阈值进行二值化
edge_img = edge(BW_img,‘canny’);
edge_img1 = imclose(edge_img,se2); %图像闭操作
edge_img2 = imopen(edge_img1,se3); %图像开操作

%%%%%%%%%%%%%%%%%%%%%%%%%%%使用车牌长宽比进行判断%%%%%%%%%%%%%%%%%%%%%%%%%%%

[B,L] = bwboundaries(edge_img2,‘noholes’);
num_rect = 0; %符合要求的矩形数量
matrix_rect = {}; %符合要求的矩形的坐标元胞矩阵
for k = 1:length(B)
boundary = B{k};
c = boundary(:,2);
r = boundary(:,1);
[rectx,recty,area,perimeter] = minboundrect(c,r,‘a’); %rectx,recty为逆时针排列
width = round(sqrt((recty(1)-recty(2))^{2+(rectx(1)-rectx(2))}2));
leth = round(sqrt((recty(2)-recty(3))^{2+(rectx(2)-rectx(3))}2));
if width > leth
temp = width;
width = leth;
leth = temp;
end
ratio = leth / width;
if ratio >2.5 && ratio <4.5
num_rect = num_rect + 1;
matrix_rect{num_rect} = [rectx,recty];
end
end

subplot(451); imshow(img); title(‘原始图像’);
subplot(452); imshow(g_img); title(‘高通滤波后图像’);
subplot(453); imshow(gray_img); title(‘灰度图像’);
subplot(454); imshow(open); title(‘图像开操作’);
subplot(455); imshow(sub_img); title(‘图像相减’);
subplot(456); imshow(BW_img); title(‘图像二值化’);
subplot(457); imshow(edge_img); title(‘图像边缘’);
subplot(458); imshow(edge_img2); title(‘图像开闭操作’);
subplot(459); imshow(img); title(‘原图框出车牌’);
hold on
for k = 1:num_rect
rect = matrix_rect{k};
rx = rect(:,1);
ry = rect(:,2);
line(rx,ry,‘Color’,‘red’);
end

%%%%%%%%%%%%%%%%%%%%%%%%%%%判断颜色、二次判断车牌%%%%%%%%%%%%%%%%%%%%%%%%%%%

p=0; %计算满足颜色条件的次数
color = ‘no’;
for o=1:num_rect
z=matrix_rect{o};
mid1x=(z(1,1)+z(2,1))/2;
mid1y=(z(1,2)+z(2,2))/2;
mid2x=(z(3,1)+z(4,1))/2;
mid2y=(z(3,2)+z(4,2))/2;
green=0;blue=0;
hsv= rgb2hsv(img); %RGB转换为HSV
img_count = (abs(ceil(mid2x+0.601)-floor(mid1x+0.601)))*(abs(ceil(mid2y+0.001)-floor(mid1y+0.001)));
subplot(4,5,10); imshow(hsv);

for i=ceil(mid1y+1):floor(mid2y-1)
    if mid2x==mid1x
        for j=floor(mid2x+1):ceil(mid1x+1)
            h = hsv(i,j,1);
            s = hsv(i,j,2);
            v = hsv(i,j,3);
            if 0.40< h && h <= 0.46 &&  s>0.4 && s<=1 && v>0.3 && v<1
                green = green+1;
            elseif 0.56<h && h<=0.72 && s>0.4 && s<=1 && v>0.4 && v<1
                blue =blue +1;                
            end
        end       
        
    else
        for j=ceil(mid2x+1):floor(mid1x-1)
            h = hsv(i,j,1);
            s = hsv(i,j,2);
            v = hsv(i,j,3);

            if 0.40< h && h <= 0.46 &&  s>0.4 && s<=1 && v>0.3 && v<1
                green = green+1;
            elseif 0.56<h && h<=0.72 && s>0.4 && s<=1 && v>0.4 && v<1
                blue =blue +1;                
           end
        end
    end
end
if green*2 >= img_count && green>blue
    color = 'green';
    p=p+1;
    b=z;   %满足条件的元胞
elseif blue*2 >= img_count && blue>green
    color = 'blue';
    p=p+1;
    b=z;   %满足条件的元胞
end

end

if (color == ‘blue’)&&(p == 1)
flag = 0;
style = ‘识别到的是蓝色’;
elseif (color == ‘green’)&&(p == 1)
flag = 1;
style = ‘识别到的是新能源’;
end
function image=cutting(img,flag)
%获取图片大小
[row,col] = size(img);
%设定边界
img(:,col)=1;
img(:,1)=1;
%图像取反，方便后续处理，根据黑色判断边界
all = sum(~img); %行向量
%figure(‘NumberTitle’,‘off’,‘Name’,‘投影’),bar(a),title(‘投影’);
left = 1;
right = 1;
count1 =0; %记录字符个数
for i = 1:col-1 %从左到右扫描
if all(i)==0&&all(i+1)~=0 %左侧边界
left = i;
end
if all(i)~=0&&all(i+1)==0 %右侧边界
right=i;
else
right =0; %左右两侧均为黑色边框
end
if right~=0
count1 = count1+1;
left_bound(count1) = left; %存放左边界
right_bound(count1) = right; %存放右边界
end
end
for i = 1:count1 %？？？
if left_bound(i)<fix(col/8)
left_bound(i)=left_bound(1);
end
end
count2 =1; %k记录满足条件的字符个数
right_boundary = zeros(1,count1); %存放右边界
left_boundary = zeros(1,count1); %存放左边界
for i = 1:count1
if (right_bound(i) - left_bound(i))>(fix(col/15)) %判断字符宽度是否满足要求 问题：字符宽度怎么求
right_boundary(count2) = right_bound(i);
left_boundary(count2) = left_bound(i);
count2 = count2+1;
end
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]呙润华，苏婷婷，马晓伟.BP神经网络联合模板匹配的车牌识别系统[J].清华大学学报(自然科学版)，2013，53(9)：1221-1226.
[2]鲁扬.基于BP神经网络的车牌识别算法研究[D].大庆：东北石油大学，2018.
[3]李强,张娟.一种改进的基于模板匹配的污损车牌识别方法[J].智能计算机与应用. 2019,9(03).
[4] 梁凯.基于MATLAB的汽车车牌识别系统的设计与实现[D] .哈尔滨：黑龙江大学， 2018.
[5]刘雄飞，朱盛春.车牌字符多特征提取与BP神经网络的识别算法[J].计算机仿真，2014，31(10)：161-164，290.
[6]乔有田.基于数学形态学和灰度跳变特征的车牌定位方法[J].工业控制计算，2015(2)：77-78

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

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合