接着昨天的工作继续。定位的过程有些是基于车牌的颜色进行定位的,自己则根据数字图像一些形态学的方法进行定位的。

合着代码进行相关讲解。

1.相对彩色图像进行灰度化,然后对图像进行开运算。再用小波变换获取图像的三个分量。考虑到车牌的竖直分量较为丰富,选用竖直分量进行后续操作。注意下,这里的一些参数可能和你的图片大小有关,所以要根据实际情况调整。

Image=imread('D:\1_2学习\图像处理\车牌识别\matlab_car_plate-recognization\car_example\car0.jpg');%获取图片
im=double(rgb2gray(Image));
im=imresize(im,[,]);%重新设置图片大小 [,]
% % 灰度拉伸
% % im=imadjust(Image,[0.15 0.9],[]);
s=strel('disk',);%strei函数
Bgray=imopen(im,s);%打开sgray s图像
% % figure,imshow(Bgray);title('背景图像');%输出背景图像
% %用原始图像与背景图像作减法,增强图像
im=imsubtract(im,Bgray);%两幅图相减
% figure,imshow(mat2gray(im));title('增强黑白图像');%输出黑白图像 [Lo_D,Hi_D]=wfilters('db2','d'); % d Decomposition filters
[C,S]= wavedec2(im,,Lo_D,Hi_D); %Lo_D is the decomposition low-pass filter
% decomposition vector C corresponding bookkeeping matrix S
isize=prod(S(,:));%元素连乘
%
cA = C(:isize);%cA
cH = C(isize+(:isize));
cV = C(*isize+(:isize));
cD = C(*isize+(:isize));
%
cA = reshape(cA,S(,),S(,));
cH = reshape(cH,S(,),S(,));
cV = reshape(cV,S(,),S(,));
cD = reshape(cD,S(,),S(,));

获取结果

2. 对上面过程中获取的图像进行边沿竖直方向检测,再利用形态学的开闭运算扩大每个竖直方向比较丰富的区域。最后对不符合区域进行筛选。部分代码:

I2=edge(cV,'sobel',thresh,'vertical');%根据所指定的敏感度阈值thresh,在所指定的方向direction上,
a1=imclearborder(I2,); %8连通 抑制和图像边界相连的亮对象
se=strel('rectangle',[,]);%[,]
I4=imclose(a1,se);
st=ones(,); %选取的结构元素
bg1=imclose(I4,st); %闭运算
bg3=imopen(bg1,st); %开运算
bg2=imopen(bg3,[ ]');
I5=bwareaopen(bg2,);%移除面积小于2000的图案
I5=imclearborder(I5,); %8连通 抑制和图像边界相连的亮对象
figure,imshow(I5);title('从对象中移除小对象');

获取的筛选结果:

我们接下来目的就是从这些待选区域中挑选出车牌区域。

3 这里我们就要利用一些关于车牌的先验知识。2007 年实施的车牌标准规定,车前车牌长440mm,宽140mm。其比例为440 /140 ≈3.15  。根据图像像素的大小,这里选取筛选条件为宽在70到250之间,高在15到70之间,同时宽高比例应大于0.45,就可以比较准确的得到车牌的大致位置。当然,这里宽高值也是根据你的图像大小进行设置的,大小不一样,值略有区别。

%利用长宽比进行区域筛选
[L,num] = bwlabel(I5,);%标注二进制图像中已连接的部分,c3是形态学处理后的图像
Feastats =regionprops(L,'basic');%计算图像区域的特征尺寸
Area=[Feastats.Area];%区域面积
BoundingBox=[Feastats.BoundingBox];%[x y width height]车牌的框架大小
RGB = label2rgb(L,'spring','k','shuffle'); %标志图像向RGB图像转换 lx=;%统计宽和高满足要求的可能的车牌区域个数
Getok=zeros(,);%统计满足要求个数
for l=:num %num是彩色标记区域个数
width=BoundingBox((l-)*+);
hight=BoundingBox((l-)*+);
rato=width/hight;%计算车牌长宽比
%利用已知的宽高和车牌大致位置进行确定。
if(width> & width< & hight> & hight< &(rato>&rato<)&((width*hight)>Area(l)/))%width> & width< & hight> & hight<
Getok(lx)=l;
lx=lx+;
end
end
startrow=;startcol=;
[original_hihgt original_width]=size(cA);

当然,这个只是初步确定,经常出现的结果是好几个待选区域都满足要求。通过观察它的直方图发现车牌区域的直方图多波峰波谷,变化大,而一般的区域变化较不明显。因此根据它的方差,波峰波谷值数量来确定车牌区域。实验结果表明效果还是挺不错的。

for order_num=:lx- %利用垂直投影计算峰值个数来确定区域
area_num=Getok(order_num);
startcol=round(BoundingBox((area_num-)*+)-);%开始列
startrow=round(BoundingBox((area_num-)*+)-);%开始行
width=BoundingBox((area_num-)*+)+;%车牌宽
hight=BoundingBox((area_num-)*+)+;%车牌高
uncertaincy_area=cA(startrow:startrow+hight,startcol:startcol+width-); %获取可能车牌区域
image_binary=binaryzation(uncertaincy_area);%图像二值化
histcol_unsure=sum(uncertaincy_area);%计算垂直投影
histcol_unsure=smooth(histcol_unsure)';%平滑滤波
histcol_unsure=smooth(histcol_unsure)';%平滑滤波
average_vertical=mean(histcol_unsure);
figure,subplot(,,),bar(histcol_unsure);
subplot(,,),imshow(mat2gray(uncertaincy_area));
[data_1 data_2]=size(histcol_unsure);
peak_number=; %判断峰值个数
for j=:data_2-%判断峰值个数
if (histcol_unsure(j)>histcol_unsure(j-))&(histcol_unsure(j)>histcol_unsure(j+))
peak_number=peak_number+;
end
end
valley_number=; %判断波谷个数
for j=:data_2-
if (histcol_unsure(j)<histcol_unsure(j-))&(histcol_unsure(j)<histcol_unsure(j+)) &(histcol_unsure(j)<average_vertical)
%波谷值比平均值小
valley_number=valley_number+;
end
end
%peak_number<=
if peak_number>= & peak_number<= &valley_number>= & (startcol+width/)>=original_width/ &(startcol+width/)<=*original_width/....
&(startrow+hight/)>=original_hihgt/ & (startrow+hight/)<=original_hihgt*/
%进一步确认可能区域
select_unsure_area(count)=area_num;
standard_deviation(count)=std2(histcol_unsure);%计算标准差
count=count+;
end
end
correct_num_area=;
max_standard_deviation=;
if(count<=) %仅有一个区域 correct_num_area=select_unsure_area(count-);
else
for num=:count-
if(standard_deviation(num)>max_standard_deviation)
max_standard_deviation=standard_deviation(num);
correct_num_area=select_unsure_area(num);
end
end
end

获取区域:

定位大概就这么多。这里说明一下,上面一些参数和你的图片规格有关系,不是你随便拿来一张就可以识别的,要根据你的实际进行调整。大概就这么多,欢迎交流,转载请注明出处,谢谢。

基于matlab的蓝色车牌定位与识别---定位的更多相关文章

  1. 【原】基于matlab的蓝色车牌定位与识别---绪论

    本着对车牌比较感兴趣,自己在课余时间摸索关于车牌的定位与识别,现将自己所做的一些内容整理下,也方便和大家交流. 考虑到车牌的定位涉及到许多外界的因素,因此有必要对车牌照的获取条件进行一些限定: 一.大 ...

  2. 基于matlab的蓝色车牌定位与识别---识别

    接着昨天的工作,把最后一部分识别讲完. 关于字符识别这块,一种最省事的办法是匹配识别,将所得的字符和自己的标准字符库相减,计算所得结果,值最小的即为识别的结果.不过这种方法是在所得字符较为标准的情况, ...

  3. 基于matlab的蓝色车牌定位与识别---分割

    接着上面的工作,接下去就该是进行字符分割了.考虑到为了后面的字符识别,因此在这部分需要实现的目标是需要把车牌的边框全部切除,对重新定位的车牌进行垂直方向水平方向调整,保证字符是正的.最后才是字符的分割 ...

  4. 数字图像处理:基于MATLAB的车牌识别项目 标签: 图像处理matlab算法 2017-06-24 09:17 98人阅读 评论(0)

    学过了数字图像处理,就进行一个综合性强的小项目来巩固一下知识吧.前阵子编写调试了一套基于MATLAB的车牌识别的项目的代码.今天又重新改进了一下代码,识别的效果好一点了,也精简了一些代码.这里没有使用 ...

  5. 基于MATLAB的手写公式识别(2)

    基于MATLAB的手写公式识别 图像的预处理(除去噪声.得到后续定位分割所需的信息.) 预处理其本质就是去除不需要的噪声信息,得到后续定位分割所需要的图像信息.图像信息在采集的过程中由于天气环境的影响 ...

  6. 基于MATLAB的人脸识别算法的研究

    基于MATLAB的人脸识别算法的研究 作者:lee神 现如今机器视觉越来越盛行,从智能交通系统的车辆识别,车牌识别到交通标牌的识别:从智能手机的人脸识别的性别识别:如今无人驾驶汽车更是应用了大量的机器 ...

  7. 基于MATLAB的手写公式识别(3)

    基于MATLAB的手写公式识别 图像的膨胀化,获取边缘(思考是否需要做这种处理,初始参考样本相对简单) %膨胀 imdilate(dilate=膨胀/扩大) clc clear A1=imread(' ...

  8. 基于MATLAB的手写公式识别(9)

    基于MATLAB的手写公式识别(9) 1.2图像的二值化 close all; clear all; Img=imread('drink.jpg'); %灰度化 Img_Gray=rgb2gray(I ...

  9. 基于MATLAB的手写公式识别(6)

    基于MATLAB的手写公式识别 2021-03-29 10:24:51 走通了程序,可以识别"心脑血管这几个字",还有很多不懂的地方. 2021-03-29 12:20:01 tw ...

随机推荐

  1. 免打包:简单、灵活、便捷的APP渠道统计方法

    相信做过APP运营推广的小伙伴们应该对APP渠道统计并不陌生吧.APP推广运营人员需要根据数据来评估渠道推广的效果,找到最适合自家APP的渠道,有针对性的投放,不断完善推广策略,这样才能更加精准.有效 ...

  2. JDBC基础原理

    一.DCL(了解) -- 1. 创建用户CREATE USER 'zhangsan'@'%' IDENTIFIED BY 'zhangsan';-- 2. 用户授权GRANT ALL ON heima ...

  3. 10.使用子查询 ---SQL

    利用子查询进行过滤 普通查询: SELECT order_num FROM OrderItems WHERE prod_id = 'RGAN01'; 输出▼ order_num ----------- ...

  4. sql server 2008r2 备份到局势网共享硬盘

    首先,如果没有启用xp_cmdshell,请执行以下启用: ; ; RECONFIGURE; 1.创建映射: exec master..xp_cmdshell 'net use \\192.168.9 ...

  5. winform 程序隐藏窗口运行

    DWPublishForm frm = new DWPublishForm(); frm.IsAutoUpdate = true; frm.ShowInTaskbar = false; frm.For ...

  6. 朱晔的互联网架构实践心得S2E7:漫谈平台架构的工作(基础架构、基础服务、基础平台、基础中间件等等)

    前言 程序开发毕竟还不是搬砖这种无脑体力劳动,需要事先有标准,有架构,有设计,绝对不是新公司今天创立,明天就可以开始编码的.其实很多公司在起步的时候没有财力和资源建设独立的基础架构或平台架构部门,甚至 ...

  7. xsi:schemaLocation="http://maven.apache.org/POM/4.0.0 http://maven.apache.org/xsd/maven-4.0.0.xsd">报错

    https://blog.csdn.net/qq_36611526/article/details/79067159 今天遇到个问题 文件内引入某个资源 pom.xml头部http://maven.a ...

  8. nio aio netty区别

    传统io就是bio     同步阻塞         但可以采用伪同步 nio  jdk1.7以前     同步非阻塞io     1.7以后     同步异步非阻塞                  ...

  9. 常见的JedisConnectionException 异常

    最近在使用redis出现以下的异常: 1.redis.clients.jedis.exceptions.JedisConnectionException: java.net.ConnectExcept ...

  10. iOS 面试常问之多线程

    本片围绕多线程全面展开叙述. 1.为什么要有多线程/多线程是用来干什么的? 2.多线程是什么? 3.如何创建多线程? 4.多线程在哪些情况下会使用/多线程使用场景? 5.三种多线程的优缺点? 6.线程 ...