基于数字图像处理的智能车牌自动识别系统

资 源 简 介

本项目是一个基于MATLAB平台开发的车辆牌照识别应用程序，专为实现高精度的车牌信息提取与识别而设计。系统采用先进的数字图像处理技术，工作流程涵盖了从图像读入到最终字符输出的全过程。首先，程序对输入的原始车辆图像进行预处理，包括灰度化转换、图像增强以及噪声去除，并利用Sobel或Canny算子进行边缘检测以突出车牌的纹理特征。其次，通过数学形态学操作（如腐蚀、膨胀）与色彩空间分析相结合的方法，在复杂的背景图像中精确定位并切割出车牌区域（ROI）。接着，系统会对车牌区域进行几何校正和二值化处理，利用垂直投影法或连通域分析算法准确地将车牌号分割为独立的汉字、字母及数字字符。最后，基于构建好的标准字符模板库，采用模板匹配算法或简单的神经网络分类器对分割后的字符进行比对识别，将图像信息转换为文本信息。该程序具有代码结构清晰、识别稳定性好、准确率高等特点，能够有效应对一般光照变化下的车牌识别任务，适用于智能交通系统（ITS）的原型开发、停车场管理系统模拟及计算机视觉课程的教学与研究。

详 情 说 明

基于MATLAB的智能车牌自动识别系统

1. 项目介绍

本项目是一个基于MATLAB平台开发的车辆牌照识别应用程序。该系统旨在通过数字图像处理技术，将包含车牌的车辆图像转化为可编辑的文本字符。程序采用“单一脚本、自包含”的设计理念，不仅实现了从图像预处理、车牌定位、字符分割到字符识别的全流程，还具备自我生成字符模板库的能力，无需依赖外部训练数据集或模板文件即可运行。

系统特别针对常见的蓝底白字车牌进行了优化，并提供了详细的分步可视化界面，非常适合用于理解计算机视觉在智能交通系统（ITS）中的基本工作原理。

2. 功能特性

• 全流程图像处理：涵盖图像加载、灰度化、去噪、边缘检测、二值化、分割及识别。
• 可视化交互界面：通过统一的Figure窗口展示9个关键处理步骤的中间结果，直观呈现算法运行过程。
• 鲁棒的车牌定位策略：采用“边缘检测+形态学”为主，辅助以“HSV颜色空间分析”的双重定位策略，在光照不均或边缘模糊时自动切换算法，提高定位成功率。
• 自适应字符分割：利用垂直投影法结合波谷检测，能够适应不同宽度的字符间隔。
• 动态模板生成技术：程序不依赖外部模板图片，而是在运行时通过代码动态绘制字符并转换为位图及其内存模板，极大地简化了项目部署（无需管理大量模板文件）。
• 相关性匹配识别：基于二维相关系数（Correlation Coefficient）进行模板匹配，具有较好的抗干扰能力。

3. 系统要求

• 运行环境：MATLAB R2016a 及以上版本
• 工具箱依赖：Image Processing Toolbox（图像处理工具箱）

* 必须包含 edge, strel, imclose, regionprops, imbinarize, corr2 等基础函数。

• 硬件要求：建议 4GB 以上内存，普通PC即可运行。

4. 使用方法

1. 启动MATLAB，将工作路径切换到脚本所在目录。
2. 在命令行窗口输入主函数名称并回车运行。
3. 程序将弹出文件选择对话框，请选择一张包含清晰车牌的图片（支持 JPG, PNG, BMP, TIF 格式）。
4. 系统将自动弹出一个名为“智能车牌识别系统”的窗口，按顺序展示处理过程，并在最终弹出对话框显示识别结果。

5. 实现功能与逻辑详解

本系统的核心逻辑完全包含在主入口函数及其子函数中，具体实现步骤如下：

第一阶段：图像输入与预处理

程序首先通过图形化界面引导用户选择图片，并进行防错处理。

• 尺寸归一化：为了统一后续处理参数并提升速度，脚本会检查图片宽度，若超过800像素则按比例缩小。
• 灰度与降噪：将彩色图像转换为灰度图，并使用 3x3 的中值滤波（Median Filter）去除椒盐噪声，保留边缘信息。

第二阶段：车牌区域定位（核心算法）

系统实现了两种定位逻辑，优先使用边缘检测，失败时启用颜色检测。

• 边缘纹理法（主策略）：

* 使用 Sobel 算子检测垂直边缘，因为车牌区域具有密集的垂直纹理。 * 通过形态学闭运算（使用扁长矩形结构元素）将分散的边缘连成连通域。 * 执行孔洞填充和小面积噪点移除。 * 几何筛选：通过 regionprops 分析连通域的包围盒（BoundingBox），筛选长宽比在 2.2 到 6 之间且面积最大的区域作为车牌。

• HSV颜色法（备用策略）：

* 当上述方法未检测到有效区域时，程序自动转换到HSV色彩空间。 * 根据蓝色车牌的色调（H）、饱和度（S）和亮度（V）阈值提取掩模。 * 选取掩模中面积最大的区域作为车牌。

• 裁剪：根据定位坐标从原图中裁剪出车牌区域，并在原图上绘制红框标识。

第三阶段：二值化与精细处理

对裁剪出的车牌进行字符提取前的准备。

• Otsu二值化：自适应计算阈值，将车牌转为黑白二值图像。
• 像素反转逻辑：统计白色像素占比，确保处理后的图像背景为黑色，文字为白色（若原图为白底黑字或反转，程序会自动纠正）。
• 边缘清理：移除车牌边框、铆钉等小面积干扰噪点。

第四阶段：字符分割

采用基于投影的分割算法将车牌切割为独立字符。

• 垂直投影：统计二值图像每一列的白色像素数量，形成投影曲线。
• 曲线平滑：通过移动平均算法平滑投影曲线，消除锯齿干扰。
• 波谷分割：设定阈值（平均值的20%），在投影曲线上寻找连续的非零波峰区域。
• 字符提取：根据波峰的起止坐标切割字符，并去除单个字符上下的空白黑边。
• 归一化：将所有分割出的字符图像强制缩放为 40x20 像素的标准尺寸，以便于模板匹配。

第五阶段：字符识别

• 内存模板库构建：

* 程序中定义了一个特殊的子函数，它不读取硬盘文件，而是创建一个不可见的绘图窗口。 * 将预定义的字符集（0-9, A-Z, 汉字）绘制在窗口中，然后截取这些绘制内容作为标准模板。 * 这种方法保证了代码的极度轻量化和字体的标准性。

• 模板匹配：

* 将待识别的字符图像与内存中的每一个模板进行比对。 * 算法使用二维相关系数（corr2）计算相似度。 * 选取相关系数最高的模板对应的字符作为识别结果。

• 位置启发式策略：代码中预留了基于字符位置的逻辑（例如第一位倾向于匹配汉字，第二位倾向于匹配字母），以提高识别准确率。

6. 代码关键函数解析

• main()：程序主入口，负责整体流程控制、GUI绘图布局及结果输出。
• smooth_curve(y)：自定义算法，用于平滑垂直投影的波形，防止因噪点导致的错误分割。
• find_segments(proj, width)：核心分割逻辑，负责根据投影值和阈值判定字符的起始列和终止列，并过滤掉过窄的无效分割（如车牌边框残留）。
• generate_template_library(h, w)：无需素材包的“黑科技”函数，通过代码动态生成标准字符位图，并存入 containers.Map 供匹配使用。
• match_character(...)：识别引擎，遍历模板库计算最佳匹配项。