基于BP神经网络的车牌识别技术-车牌定位课件.ppt

《基于BP神经网络的车牌识别技术-车牌定位课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

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：XX2012.6.27Outline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位，再通过对图像的行列扫描

2、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，得到车牌的精确图像。结

3、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);title

4、('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fori=1:yforj=1:xif(myI(i,j,1)==1)Blue_y(i,1)=Blue_y(i,1)+1；endendend[tempMaxY]=max(Blue_y)；PY1=MaxY;while((Blue_y(PY1,1)>=5)&&(PY1>1))PY1=PY1-1；endPY2=MaxY；while((Blue_y(PY2,1)>=5)&&(PY2

5、界：Blue_x=zeros(1,x);%进一步确定x方向的车牌区域forj=1:xfori=PY1:PY2if(myI(i,j,1)==1)Blue_x(1,j)=Blue_x(1,j)+1;endendendPX1=1;while((Blue_x(1,PX1)<3)&&(PX1PX1))PX2=PX2-1;endPX1=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

6、),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=double(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

7、或腐蚀se=eye(2);%eye(n)returnsthen-by-nidentitymatrix[m,n]=size(d);ifbwarea(d)/m/n>=0.365d=imerode(d,se);elseifbwarea(d)/m/n<=0.235d=imdilate(d,se);Thanks