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

✅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：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄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
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

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