【保姆级】基于matlab自动识别车辆号牌设计与实现

内容概要：

我们提供了一个基于MATLAB的自动车辆号牌识别系统资源，该系统能够从彩色和灰度图像中自动识别车辆号牌号码。该系统包括一个详细的README文档，指导用户如何实现算法，包括创建字符和数字模板、图像预处理、阈值确定、噪声清理、对象检测、字符识别和结果导出等步骤。此外，文档还提供了成功和不太成功的案例分析，以及对算法性能的讨论和改进建议。

适用人群：

该资源适合以下人群使用：

计算机视觉领域的研究人员和学生。
从事智能交通系统开发的专业工程师。
对车牌识别技术感兴趣的爱好者和开发者。
需要在其项目中集成车牌识别功能的企业和开发者。

使用场景及目标：

该资源可用于多种场景，包括但不限于：

停车场自动化管理系统，自动识别车辆进出，计算停车费用。
交通监控系统中，统计特定时间段内的车辆流量。
公共安全领域，用于监控和追踪特定车辆。
任何需要自动化车牌识别功能的定制解决方案。

该系统的目标是提供一个高效、可定制的车牌识别算法，能够在不同条件下准确识别车牌，并通过提供的性能分析帮助用户理解算法的局限性和潜在改进方向。

其他说明：

用户需要具备MATLAB软件的使用知识，以及图像处理工具箱。
该资源提供了一个算法框架，用户可能需要根据自己的具体需求进行调整和优化。
系统的性能可能受到图像质量、车牌的可见度和拍摄角度等因素的影响。
算法的改进建议包括创建多样化的模板、使用图像隔离技术以及增强噪声过滤，以适应不同的应用环境和提高识别准确率。

源码结构

tex 复制代码

├─create_templates.m
├─imgfildata.mat
├─LICENSE
├─number_plate_det.m
├─plate_segmentation.m
├─training_imgfildata.m
├─文档.md
├─test images
|      ├─good
|      |  ├─image5.jpg
|      |  ├─images.jpg
|      |  ├─IMG.JPG
|      |  ├─IMG5.JPG
|      |  ├─israeli test2.jpg
|      |  ├─jersey58.jpg
|      ├─fail
|      |  ├─20180402113123_NumberPlate_Swift.jpg
|      |  ├─a110_l7_b.jpg
|      |  ├─car.jpg
|      |  ├─IMG_20210201_113303-scaled-e1612179429759.jpg
|      |  ├─montenegro6.jpg
|      |  ├─Registrations-plate_01.jpg
|      |  ├─test.png
|      |  └test2.jpg
├─letters_numbers

正文开始

背景：

在当今世界，出于多种原因，我们需要识别各种车辆的号牌。例如，在停车场中自动识别车牌可能有助于多种方式。例如，不必在停车场入口处设置警卫，而是可以在出入口放置摄像头，以便摄像头扫描车辆号码，从而自动计算应支付的停车时间。

需要识别车牌的其他情况：

道路上的车辆数量（以调节负载）
监控公务员等

挑战：

如上所述，我们对识别车辆号牌感兴趣。在世界的不同地区，车牌有不同的标准：车牌的大小、字符的大小和字体类型、字符的类型（字母和数字，只有字母/只有数字），如下例所示：

任务：

实现一个算法，该算法可以从彩色和灰度图像中识别出车辆号牌号码。
在至少7张图像上展示算法的成功性能。
在至少7张图像上展示算法的部分工作/失败性能。
解释所获得的结果并得出结论。

解决方案方法：

初步要求以实现算法：

一台安装了MATLAB软件的计算机（PC/Mac）。
图像处理工具箱。
一台摄像头（用于捕获车牌）

步骤 1: 创建字符和数字模板

首先，找到同一类型的车牌（建议2个或更多），例如：

2.从每个车牌中分别提取每个字母/字符。

3.将提取的图像保存到专用文件夹中，确保尺寸统一，图像格式为.BMP。

4.执行以下处理：

原始 - bmp
Im2gray
Imbinarize（二值化，使用~前）

_{Imbinarize（二值化，使用}后）

保存模板（"temp"）：

到目前为止，我们已经做到了这一步：

步骤 2: 用户选择图像

步骤 3: 处理

步骤 3.1
- 首先，将图像尺寸更改为300x500，然后将图像转换为灰度，如下所示：
  - before:（之前）
  - after:（之后）
步骤 3.2
- 现在，让我们使用'graythresh'函数找到阈值水平，阈值水平在 $0,1$ 之间。之后，让我们使用我们刚刚找到的阈值水平将图像转换为黑白，然后使用'~'取反。
- before:（之前）
- after:
步骤 3.3
before (image a):（之前，图像a）
- if statement (image b):（如果语句，图像b）
- image a minus image b:（图像a减去图像b）
步骤 3.4

首先，我清除了图像中的所有噪声。之后，我使用了'bwlabel'函数，该函数返回两个参数：
- L（标签矩阵）- 在其中每个白色区域由具有独特特征索引的独立单元表示的矩阵。意思是，标记为0的像素是背景。标记为1的像素组成一个对象；标记为2的像素组成第二个对象；依此类推。
- Ne - 表示连接对象（数字/字符）的数量。
然后，我使用了'regionprops'函数，该函数返回每个边界框的'boundingboxes'向量，配置如下：每个边界框的 $left top horizontal vertical$ 。
最后，我使用'rectangle'函数（绿色）在我发现的位置绘制了边界框。
步骤 3.5
- Final_output=\[\] 是最终保存结果的向量。
- 我们将在循环中从1迭代到上一步计算出的连接对象的数量（Ne）。
- 只获取包含在边界框内的每个像素，并将其实大小更改为我们在算法开始时创建的模板大小。
- 然后我们将模板的数量保存在变量 - 'totalLetters'中。
- 注意：我们创建的变量'x'是一个向量，它将存储检测到的对象与我们的预制模板之间的相关性水平。

步骤 4:

在循环中，我们将检查我们所有的预制模板，并在每次迭代中查找当前边界框与模板之间的相关性。
我决定，字符/数字的检测将从至少0.45的相关性开始。
检测到的字符将是与某个预制模板具有最高相关性水平的字符。
我们将检测到的字符存储在变量'Final_output'中。
例如，如果我想检测数字'0'：
- 字符将被识别为'0'，因为0.96 > 0.88

步骤 5 & 6: 保存结果并导出到.txt

原始图像:
检测到的车牌:
一些成功的结果
一些不太成功的结果

讨论和结论

算法何时表现良好？
- 当车牌在整个图像中分布均匀时。
- 当预制模板与图像中的模板相似时。
- 当车牌被直接拍摄，没有偏斜或倾斜时。
算法何时表现不佳？
- 当图像的捕获带有偏斜，导致与模板失配，由于失真。
- 当车牌在整张图像中只占一小部分。
- 当车牌字符与预制模板的字体不同。
这个算法如何改进？
- 创建包含多种字体的大型预制模板。
- 在车牌在整张图像中只占一小部分的情况下，可以使用图像隔离算法，然后再执行识别算法 - 如下所示：
- 最后，进行更严格的噪声过滤。