此，与之前对车牌进行算法分类不同，我们这里需要进行多分类，数据的标签有个，而数据则是通过我们上节的方法对各字符进行处理得到的字符特征。当我们对算法进行训练之后，便可以使用类中的函数对分割处理后的字符图形进行分类了。如下图所示，展示了该系统软件对张彩色图片检测并识别的过程。图为车牌检测识别过程截图功能测试与结果分析本文中所使用的数据均来自于国立雅典理工大学多媒体技术实验室数据均为希腊地区车牌，由红外摄像机所拍摄，分为三种尺寸的车牌图像张的车牌图像张的车牌图像张。本文所使用的车牌大小为，车牌中字符的前三位包括共十四个大写字母，后四位包括十个阿拉伯数字，每个字符的大小为。图希腊车牌样例在系统实现中，我们使用了张的车牌作为训练数据，使用数据库其余数据作为测试数据，测试结果如下所示表车牌识别结果统计从统计结果中我们可以看出，高分辨率的图像更容易准确识别出车牌以及车牌中的字符。但是在测试中我们也发现本文中基于灰度图像的垂直检测当遇到白色或者银色的车体时，往往较难发现车牌边界，或者车牌边界易与周围区域混淆，这时，如果使用手机自带功能，来提升车牌区域的对比度则可在定程度上解决该问题。在字符的识别方面，由于些字符的特征极为相似或相近，如和，和，和，和等，这给字符识别带来了定的误差，而且基于直方图统计的特征匹配很难准确地将其区分开。在今后的工作，我们需要挖掘字符更多的特征或者采用其他分类方法。表车牌识别结果统计二识别率测试集，张测试集，张测试集，张车牌字母数字总结本毕设成功完成了车牌定位检测字符的分割识别等功能步骤，并最终实现了车牌识别。该系统可以在手机端完成从图像采集到结果输出的数字图像处理阮秋琦,阮宇智等译北京电子工业出版社,,毛星云,冷雪飞,王碧辉,等编程入门北京电子工业出版社,所有步骤，使用十分方便，提供内部接口，可以方便地移植到其他软件，而且可以利用手机的通信功能方便的将数据传输。为了达到更好的识别效果，本系统将会尝试使用第三方，以此实现对更多语言的支持。致谢本科四年转眼即逝，在我本科学习的最后这段时间里，我的毕设导师老师，和研究生导师教授都给了我极大的帮助，在此我对两位老师表示最诚挚的谢意。老师对研前学习的细致安排让我充实地度过了大学的最后年，不仅对自己的专业有了更深的认识，同时也为研究生阶段的学习打下了夯实的基础。老师是位平易近人的良师益友，她对工作严谨负责的态度，给我留下了深刻印象，在完成毕设期间，她在算法方面对我所提出的建议使我扩展了思路，在论文写作上的严格要求让我明白科学的严谨，这些都将使我受益终生。再次感谢二位导师的培育与关怀，同时也非常感谢国立雅典理工大学多媒体技术实验室提供的车牌数据。参考文献李志强，李永斌车牌识别技术的发展及研究现状科技信息,曹黎基于移动终端的车牌识别系统研究与实现西安西安电子科技大学,刘云鹏,李瑾,潘闻种基于的高效车牌识别系统实现电子技术,姜莉莉,蒋潇,陈昕怡,等在车牌识别中的应用软件,田小路基于智能手持设备平台车牌识别系统的应用研究哈尔滨哈尔滨工业大学,姜宇,张子潮,周富强基于的车牌识别系统研究辽宁师范大学学报自然科学版,冀国亮基于平台的车牌识别系统研究与实现长沙中南大学,张舟基于平台的车牌字符识别系统研究与实现武汉华中科技大学,徐伟基于手机平台的车牌定位及分割算法的研究和实现武汉华中科技大学,陈智慧复杂背景下的车牌识别技术研究太原太原科技大学,张丽娜基于的智能交通信息发布系统的设计与实现济南山东大学,林宇车牌识别在智能交通中的应用与发展趋势中国安防,美,美,美基于漫水填充算法的车牌分割经过上述步骤的处理，我们已经得到了张含有车牌区域，但大部分区域都不含有车牌的图像。接下来，我们通过获取这些二值图像中的轮廓来将这些区域分开，然后，对于每个轮廓，我们提取其最小外界矩形，并基于先验知识中车牌的宽高比对其做出初步验证。经过初步验证的矩形就成为了我们的候选车牌区域，基于车牌背景为白色的这特征，我们采用漫水填充算法来对这些区域进行分割。漫水填充算法的主要原理是,创建个种子类，用来存放指定颜色的像素坐标信息，并用堆栈存放入符合颜色要求的种子，用指针来标记栈顶元素，对堆栈顶种子点周围所连接颜色致的点进行判断，若符合颜色要求则将该点存入中，原栈顶种子出栈，存入种子类型数组中。在操作过程中，我们分别存放当前像素的坐标及像素值，用,来获取图像位于,的像素值。表描述了漫水填充法在张灰色图像上获得个白色连通区域的般算法。表漫水填充法标定描述输入灰色连通图像算法流程首先，申明种子堆栈栈指针，种子存放数组，存放当前像素位置和像素值的变量,然后，我们开始遍历带有连通区域的灰色图像，如果点的像素值为，即为白色，我们将该像素点作为种子压入栈，并在存入其位置信息。之后，我们随即检查种子栈是否为空，若不为空，则取出栈顶元素，对其周围八个点做出判断,寻找对白色像素点，并初始化种子取出栈顶元素，存入临时变量，并将栈顶元素存入种子点周围八个方向的点可以看成个的矩阵，我们用两层循环来控制行和列，分别判断种子点八个方向的点，如果是白色，则压入栈,因为种子点已经压入栈，在循环过程中忽略种子点出来的字符进行人工分类，然后提取字符的特征作为训练数据，以便用于人工神经网络的训练和分类。在本文中，我们使用图像在水平或竖直方向上的累计直方图，以及低分辨图像样本作为字符特征。对于每个字符,我们分别按行按列统计行或列中非零像素的个数，并将结果保存与行向量中，然后让向量中的元素除以中的最大值来进行归化。最后，我们将字符的行向量特征，列向量特征以及其分辨率图像特征都放到个行向量中作为字符的特征数据。,即人工神经网络算法，通过模拟生物神经网络结构，构建类似于神经元的节点作为基本的处理单元，数据在输入层输入，然后通过层或多层隐藏层处理，最后由输出层输出。整个过程类似于信息在生物神经系统上的传播，如下图所示为个三层神经元感知器。图算法在人工神经网络的多层感知器，中，每个神经元都有个或者多个输入输出，用于连接上层或下层。每个神经元将输入的值加上个偏移项作为输出值，并由激励函数转换后传递给与之相连的下层。图神经元对数据的处理基于系统的软件设计与实现基于本系统过程式的处理方式，我们按照主要过程将体统分为图像采集车牌的识别与分割字符的分割与识别三个部分，并分别封装成类，此外，为了便于我们对车牌数据的存储，还加入了个车牌辅助类。如下图所示，用户向交互层传递选择照片或者检测的信息，当交互层接收到选择照片的交互信息后，弹出相册相机的选项，供用户用不同的方式选择照片，当用户选择好照片后，向交互层传达检测的信息，则系统开始按照如图所示的流程，层层地进行处理，最后将显示结果以文本的形式通过交互层传递给用户。图总数据流图对于车牌分类和字符识别，我们分别使用了中的类和类和分别为训练数据及其所属分类，本文中，我们使用离线训练的方法，将准备好的训练数据存入可扩展标记语言文件中，然后再从中读取数据，分别放入变量和中。用来指定感兴趣的特征，如可以是整数向量，默认值中是以为开始的索引。用来指定感兴趣的样本。为的类参数，通过创建类的对象来设置这些参数。最后，我们就可以用类的函数来进行分类，以此来判断候选车牌中那些是正真的车牌。,输出算法在本文中的操作步骤如下首先在矩形的中心选取确定个中心点，并在该点附近产生几个随机种子。然后利用车牌的宽和高得到车牌的最小尺寸，并使用它在块中心附近产生随机种子。当这几个随机种子至少有个落在白色像素上时，对每个种子我们使用函数绘制个新的掩码来存储最新的最接近的分割区域，当该种子附近的像素点位于给定的范围时，我们在掩码中将其涂成白色。对每个获得的掩码，我们得到个最小面积的矩形，对其进行尺寸验证，最后进行分割。图掩码掩码二掩码三掩码四图分割后得到的车牌基于的车牌分类即支持向量机算法，属于机器学习中的监督学习算法，算法通过组带有标签的数据来进行训练。会构造个或多个与分类数据间隔最大的超平面，通过超平面来将数据进行归类。如下图所示是的二分类。在图中，我们用黑点和白点分别表示两个类别，设训练样本，其中是样本的指标，是样本的标签。是分类线，若是在空间中即为个超平面。和分别是黑点和白点集距离最近，且平行于的边界线。和之间的界限当的值最大，且所有的样本点满足下列条件时，则称为个最优超平面，两类数据在和上的样本点称为支持向量。除了可以进行二分类外，还可以进行多分类，其原理与二分类的方法类似，当我们分类时，只需要将剩下的类看做类即可。图二分类本系统中，首先使用通过预处理边缘检测及漫水填充法对图像进行分割，得到张车牌图像与张非车牌图像，接着将图像数据存为文件，并以此作为二分类算法的训练数据。二分类方法依此得到最佳分类线，当输入新的数据时，即可判断其是否为车牌。车牌字符的分割与识别将候选车牌区域经的分类判断，我们就可以筛选出了正确的车牌区域图像。首先，对于获取的车牌图像，我们采用直方图均衡处理以及滤波函数锐化图像，以此来增加图像的对比度。因为边缘检测是对白色边缘进行检测，所以接着我们通过阈值滤波器，将图像二值化，并将白色变为黑色，将黑色变为白色。去除车牌边缘的噪声之后，查找白色的字符轮廓，并获取轮廓的最小外接矩形进行分割。最后，对分割后的字符做出基于宽高比和像素占比的验证后，统为修改为的大小，保存到类向量中。图高斯模糊后的车牌为锐化后的车牌为二值化后的车牌为去除边缘后的车牌图为字符分割结果在进行基于人工