车辆牌照字符识别——matlab

最新推荐文章于 2018-07-21 20:41:20 发布

心生未凉

最新推荐文章于 2018-07-21 20:41:20 发布

阅读量920

点赞数

分类专栏： Matlab

Matlab 专栏收录该内容

27 篇文章 0 订阅

订阅专栏

车辆牌照字符识别——matlab

标签： matlab

2016-08-16 20:16 1259人阅读评论(0) 收藏举报

本文章已收录于：

分类：

matlab（12）

作者同类文章 X

车辆牌照字符识别方法：采用人工神经网络法

I0=pretreatment(imread('0.bmp')); 
I1=pretreatment(imread('1.bmp')); 
I2=pretreatment(imread('2.bmp')); 
I3=pretreatment(imread('3.bmp')); 
I4=pretreatment(imread('4.bmp')); 
I5=pretreatment(imread('5.bmp')); 
I6=pretreatment(imread('6.bmp')); 
I7=pretreatment(imread('7.bmp')); 
I8=pretreatment(imread('8.bmp')); 
I9=pretreatment(imread('9.bmp')); 
I10=pretreatment(imread('A.bmp')); 
I11=pretreatment(imread('B.bmp')); 
I12=pretreatment(imread('C.bmp')); 
I13=pretreatment(imread('D.bmp')); 
I14=pretreatment(imread('E.bmp')); 
I15=pretreatment(imread('F.bmp')); 
I16=pretreatment(imread('G.bmp')); 
I17=pretreatment(imread('H.bmp')); 
I18=pretreatment(imread('J.bmp')); 
I19=pretreatment(imread('K.bmp')); 
I20=pretreatment(imread('L.bmp')); 
I21=pretreatment(imread('M.bmp')); 
I22=pretreatment(imread('N.bmp')); 
I23=pretreatment(imread('P.bmp'));
I24=pretreatment(imread('Q.bmp')); 
I25=pretreatment(imread('R.bmp')); 
I26=pretreatment(imread('S.bmp')); 
I27=pretreatment(imread('T.bmp')); 
I28=pretreatment(imread('U.bmp')); 
I29=pretreatment(imread('V.bmp')); 
I30=pretreatment(imread('W.bmp')); 
I31=pretreatment(imread('X.bmp')); 
I32=pretreatment(imread('Y.bmp')); 
I33=pretreatment(imread('Z.bmp')); 

P=[I0',I1',I2',I3',I4',I5',I6',I7',I8',I9',I10',I11',I12',I13',I14',I15',I16',I17',I18',I19',I20',I21',I22',I23',I24',I25',I26',I27',I28',I29',I30',I31',I32',I33'];
T=eye(34,34);
net=newff(minmax(P),[2000,300,34],{'logsig','logsig','logsig'},'trainrp');%minmax()求矩阵每一行向量的最大值和最小值
%函数newff建立一个可训练的前馈网络。这需要4个输入参数。
%第一个参数是一个Rx2的矩阵以定义R个输入向量的最小值和最大值； 
%第二个参数是一个设定每层神经元个数的数组； 
%第三个参数是包含每层用到的传递函数名称的细胞数组；
%最后一个参数是用到的训练函数的名称。
net.inputWeights{1,1}.initFcn='randnr';
net.inputWeights{2,1}.initFcn='randnr';
net.trainparam.epochs=8000;
net.trainparam.show=50;
net.trainparam.goal=0.0000000001;
net=init(net);%初始化权重和偏置的工作用命令init来实现。这个函数接收网络对象并初始化权重和偏置后返回网络对象。
[net,tr]=train(net,P,T);

i=imread('chepai.jpg');
dw=location(i);%车牌定位，见上上篇文章
[PIN0,PIN1,PIN2,PIN3,PIN4,PIN5,PIN6]=stringsplit(dw);%字符分割，见上篇文章
PIN0=pretreatment(PIN0);
PIN1=pretreatment(PIN1);
PIN2=pretreatment(PIN2);
PIN3=pretreatment(PIN3);
PIN4=pretreatment(PIN4);
PIN5=pretreatment(PIN5);
PIN6=pretreatment(PIN6);

P0=[PIN0',PIN1',PIN2',PIN3',PIN4',PIN5',PIN6'];
for i=2:7
    T0=sim(net,P0(:,i));%T0为P0(:,i)输入神经网络得到的输出，T0为34x1的列向量
    T1=compet(T0);% compet是神经网络的竞争传递函数，用于指出矩阵中每列的最大值。对应最大值的行的值为1，其他行的值都为0
    d=find(T1==1)-1;
    if(d==10)
        str='A';
    elseif(d==11)
        str='B';
    elseif(d==12)
        str='C';
    elseif(d==13)
        str='D';
    elseif(d==14)
        str='E';
    elseif(d==15)
        str='F';
    elseif(d==16)
        str='G';
    elseif(d==17)
        str='H';
    elseif(d==18)
        str='J';
    elseif(d==19)
        str='K';
    elseif(d==20)
        str='L';
    elseif(d==21)
        str='M';
    elseif(d==22)
        str='N';
    elseif(d==23)
        str='P';
    elseif(d==24)
        str='Q';
    elseif(d==25)
        str='R';
    elseif(d==26)
        str='S';
    elseif(d==27)
        str='T';
    elseif(d==28)
        str='U';
    elseif(d==29)
        str='V';
    elseif(d==30)
        str='W';
    elseif(d==31)
        str='X';
    elseif(d==32)
        str='Y';
    elseif(d==33)
        str='Z'; 
    else
        str=num2str(d);
    end
    switch i
        case 2
            str1=str;
        case 3
            str2=str;
        case 4
            str3=str;
        case 5
            str4=str;
        case 6
            str5=str;
        otherwise
            str6=str;
    end
end
s=strcat('沪',str1,str2,str3,str4,str5,str6);
figure();
imshow(dw),title(s);
    
    1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
    
    
     
     
    
    
    
    1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136

function inp=pretreatment(I)
%此函数是将字符图片均转换成一维向量
if isrgb(I)
    I1=rgb2gray(I);
else
    I1=I;
end
I1=imresize(I1,[20,10]);%归一化
I1=im2bw(I1,0.9);
[m,n]=size(I1);
inp=zeros(1,m*n);
for j=1:n
    for i=1:m
        inp(1,m*(j-1)+i)=I1(i,j);
    end
end
    
    1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
    
    
     
     
    
    
    
    1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16

顶

踩