《基于BP神经网络的车牌识别技术-车牌定位课件》由会员分享，可在线阅读，更多相关《基于BP神经网络的车牌识别技术-车牌定位课件（21页珍藏版）》请在金锄头文库上搜索。
1、基于BP神经网络的车牌识别技术 车牌定位,导师：XX 答辩人：XX 2012.6.27,Outline,车牌定位模块的介绍 常用的车牌定位方法 本系统采用的方法 源代码分析,1、车牌定位模块在系统中的位置、作用,图像采集,字符识别,字符分割,车牌定位,图像预处理,结果,车牌定位：,车牌定位,2、常用的车牌定位方法,基于边缘检测的车牌定位方法 基于彩色分割的车牌定位方法 基于小波变换的车牌定位方法 基于遗传算法的车牌定位方法 基于数学形态学的车牌定位方法 基于纹理分析的车牌定位方法,3、本系统采用的车牌定位方法 基于数学形态学和行列 扫描的车牌定位方法,此算法先应用数学形态学的方法对车牌进行粗定
2、位，再通过对图像的行列扫描精确确定车牌的位置。此算法具有较强的滤波作用，定位效果比较理想，故本文采用此种算法进行车牌定位。,算法介绍：粗定位+精确定位,粗定位： （1)首先对图像进行形态学闭运算，即先膨胀再腐蚀， 平滑图形轮廓，将图像分成若干白色区域； （2)再根据车牌大小，设定一个阈值，小于此阈值的图 像被剔除，最后得到的白色区域即初步得到的车牌 位置。,粗定位：（1）imclose(IM,SE),粗定位：（2）bwareaopen(BW,P,conn),精确定位：,分别在x、y方向上建立两层循环，统计每行、每列像素为1的点，设定阈值，找到车牌区域，最后沿找到的车牌区域的上下左右边界进行切割
3、，得到车牌的精确图像。,结果：,为进一步提高识别精度,在确定车牌区域后，继续对车牌进行灰度化、二值化、滤波、膨胀腐蚀等操作，实行第二次预处理，具体方法与图像预处理所述基本相同。经过第二次预处理后，便为下一步字符分割奠定基础。效果如图所示：,4、源代码分析,(1)粗定位： se=strel(rectangle,25,25);%创建结构元素 I4=imclose(I3,se);%对灰度图像执行形态学闭运算 figure(5),imshow(I4);title(平滑图像的轮廓); I5=bwareaopen(I4,1500)%从对象中移除小面积对象格式 figure(6),imshow(I5);ti
4、tle(从对象中移除小对象);,(2)精确定位 确定车牌的上下边界： Blue_y=zeros(y,1);%建立y*1的零矩阵 for i=1:y for j=1:x if(myI(i,j,1)=1) Blue_y(i,1)= Blue_y(i,1)+1； end end end,temp MaxY=max(Blue_y)； PY1=MaxY; while (Blue_y(PY1,1)=5),确定车牌的左右边界： Blue_x=zeros(1,x);%进一步确定x方向的车牌区域 for j=1:x for i=PY1:PY2 if(myI(i,j,1)=1) Blue_x(1,j)= Blue
5、_x(1,j)+1; end end end,PX1=1; while (Blue_x(1,PX1)PX1) PX2=PX2-1; end PX1=PX1-1;%对车牌区域的校正 PX2=PX2+1; dw=I(PY1:PY2,PX1:PX2,:); figure(7),subplot(1,2,1),imshow(IY),title(行方向合理 区域); figure(7),subplot(1,2,2),imshow(dw),title(定位剪切后 的彩色车牌图像),第二次图像预处理：,b=rgb2gray(a);%灰度化 g_max=double(max(max(b); g_min=doub
6、le(min(min(b); T=round(g_max-(g_max-g_min)/3); % T 为二值化的阈值 d=(double(b)=T); %二值化 h=fspecial(average,3); d=im2bw(round(filter2(h,d);%均值滤波,% 膨胀或腐蚀 se=eye(2); % eye(n) returns the n-by-n identity matrix m,n=size(d); if bwarea(d)/m/n=0.365 d=imerode(d,se); elseif bwarea(d)/m/n=0.235 d=imdilate(d,se);,Thanks,
