基于BP神经网络的车牌自动识别系统

资 源 简 介

本项目实现了一套完整的车牌自动识别流程，涵盖了从图像预处理到最终字符识别的全过程。系统首先对输入的车辆图像进行预处理，包括图像灰度化、高斯平滑滤波去噪以及直方图均衡化，以增强图像特征并减少环境干扰。接着，采用Rober算子或Sobel算子进行边缘检测，结合HSV颜色空间特征和形态学闭运算，精准定位车牌区域，并对倾斜的车牌进行几何校正。在字符分割阶段，利用二值化处理和垂直投影法，将车牌区域切割为独立的汉字、字母和数字图像。核心识别模块设计并搭建了一个三层BP神经网络结构，使用采集的标准车牌字符数据集对网络进行训练，保存训练好的网络权值与阈值。最后，通过编写MATLAB主程序或GUI界面，集成图像读取、定位、分割及神经网络预测功能，将待识别字符输入模型，输出最终生成的车牌号码字符串。该系统可应用于智能交通管理、停车场自动收费及小区门禁控制等场景。

详 情 说 明

基于 BP 神经网络的 MATLAB 车牌识别系统

项目简介

本项目实现了一套完整的基于 MATLAB 的车牌自动识别系统。该系统集成了图像处理、计算机视觉与神经网络技术，能够从复杂背景中提取车牌并识别其中的字符。

项目的核心特色在于其具备“在线训练”机制：程序不需要依赖外部预训练的权重文件或数据集文件，而是在运行时通过代码生成标准的字符图像数据（0-9, A-Z），实时训练一个轻量级的 BP（Back Propagation）神经网络。这种设计确保了代码的高移植性，下载即用。

功能特性

• 全流程自动化：涵盖图像加载、预处理、车牌定位、字符分割、字符识别及结果展示。
• 实时数据生成与训练：程序启动时自动生成合成字符数据并训练神经网络，无需额外配置数据集。
• 多维车牌定位：结合了边缘检测（Sobel）、形态学处理与 HSV 颜色空间（蓝色区域）进行鲁棒的车牌定位。
• BP 神经网络识别：构建并训练三层 BP 神经网络模型，对分割后的字符进行分类预测。
• 可视化过程展示：提供多子图窗口，详细展示从原图、灰度处理、边缘检测、定位截取到二值化分割的每一步效果。
• 图像自适应：自动调整过大图像的尺寸，保证处理速度。

系统要求

• MATLAB R2016a 或更高版本
• Image Processing Toolbox（图像处理工具箱）
• Neural Network Toolbox（或者Deep Learning Toolbox，用于神经网络基本运算）
• 系统内存建议 4GB 以上

使用方法

1. 启动 MATLAB，将工作目录切换到项目所在文件夹。
2. 在命令行窗口运行主程序入口函数。
3. 等待初始化：程序启动后会提示正在训练 BP 神经网络，请耐心等待（该过程会生成训练数据并更新网络权重）。
4. 选择图片：训练完成后，系统会自动弹出文件选择对话框，请选择包含蓝色车牌的车辆图片（支持 JPG, BMP, PNG 等格式）。
5. 查看结果：程序处理完成后，会弹出一个确认框显示识别到的车牌号码，同时会打开一个图形窗口展示处理过程的中间图像和最终结果。

---

核心算法与实现细节

本节详细分析主程序中实际实现的功能逻辑，与代码内容完全对应。

1. 系统初始化与在线训练

程序运行伊始，首先执行环境清理。随后调用数据生成模块，在内存中绘制 0-9 和 A-Z（排除 I 和 O）的字符图像，生成对应的特征向量（归一化为 20x10 像素）和 One-hot 标签。 利用生成的训练数据，初始化并训练一个自定义的 BP 神经网络。

• 网络结构：输入层 200 个节点（对应 20x10 像素），隐含层 40 个节点，输出层 36 个节点（对应 36 类字符）。

2. 图像读取与尺寸归一化

通过用户交互界面读取图片。为了保证后续处理算子的尺度一致性并提高运行速度，如果输入图像的高度超过 800 像素，系统会将其等比例缩放到高度为 800 像素。

3. 车牌定位预处理

• 灰度化：将彩色图像转为灰度图。
• 高斯滤波：使用 sigma=0.5 的高斯核进行平滑处理，去除高频高斯噪声。
• 直方图均衡化：增强图像对比度，使车牌细节更突出。

4. 边缘检测与形态学处理

• 边缘检测：采用 Sobel 算子提取图像边缘。
• 形态学闭运算：使用矩形结构元素（[4, 15]）连接断裂的边缘，填充车牌内部空隙。
• 形态学开运算：去除细小的孤立噪点。

5. HSV 颜色空间定位

代码结合了颜色特征来辅助定位，专门针对蓝色车牌进行过滤：

• 将图像转换至 HSV 空间。
• 设定阈值范围提取蓝色区域（Hue: 0.55-0.75, Saturation > 0.4, Value > 0.3）。
• 将颜色掩膜与边缘检测结果进行“与”运算，并移除小面积噪点。

6. 车牌区域提取

利用区域属性分析（RegionProps）查找连通域的包围盒（BoundingBox）。筛选逻辑如下：

• 长宽比筛选：保留宽高比在 2.2 到 6 之间的区域。
• 面积筛选：在符合比例的区域中，选择面积最大的区域作为最终车牌。
• 使用 imcrop 截取车牌图像。若未检测到符合条件的区域，程序将报错退出。

7. 字符分割（垂直投影法）

对截取的车牌图像进行精细处理：

• 二值化：通过 Otsu 方法（最大类间方差法）计算阈值并进行二值化。
• 去噪与修剪：移除小斑点，并按固定比例（上下各剪去 15%，左右各剪去 5%）去除车牌边框和铆钉干扰。
• 垂直投影分割：

* 计算二值图像的垂直投影（每一列像素之和）。 * 检测波峰与波谷，当投影值从 0 突变（或超过阈值 1）时标记为字符开始，回落时标记为字符结束。 * 根据字符宽度阈值（大于 2 像素）过滤噪点，提取独立的字符图像。

8. 神经网络识别

遍历每一个分割出的字符图像：

• 特征提取：将字符图像强制缩放统一为 [20, 10] 像素大小，并重塑为 [200, 1] 的特征向量。
• 预测：将特征向量输入预先训练好的 BP 神经网络，获取输出层最大概率对应的索引。
• 映射：根据索引在字符映射表（Char Map）中找到对应的数字或字母。代码中对所有字符（包括首位）均采用统一的字母数字映射逻辑进行演示。

9. 结果显示

程序最后绘制一个包含 3x3 子图的窗口，分别展示：

• 原始图像及识别出的红色车牌号文字。
• 灰度增强图、边缘检测图、颜色定位掩膜。
• 截取的车牌原图、二值化处理后的车牌。
• 前三个分割出的独立字符特写。

同时弹出消息框显示最终识别的字符串。