基于MATLAB的卷积神经网络车牌识别系统

全栈程序员-站长 • 2022年5月29日上午7:00 • 未分类 • 阅读 25

大家好，又见面了，我是你们的朋友全栈君。

车牌识别是基于车牌照片的车牌信息的识别工作，车牌识别技术对我们的实际生活至关重要，例如交通违规行为的增加，拦截非法车辆，在速度上能够进行快速识别能够很好地解决这些问题。获得的照片的质量是影响车牌识别准确性的最重要因素之一。卷积神经网络在图像识别领域具有良好的适应性，目前在计算机视觉任务中应用广泛，并在手写数字识别、人脸识别、车牌识别等图像领域的应用中取得了很好的效果。
在这里插入图片描述
本文基于MATLAB卷积神经网络车牌识别主要包括卷积神经网络的模型的建立、数据预处理、模型训练、加载模型、车牌图片预处理、车牌定位、车牌裁剪、字符识别等操作。
卷积神经网络的结构设置如下，其输入层是车牌图像，其大小为3232；C1卷积层，该层采用 6个 55的卷积核对图像进行卷积；C2层为卷积层，该层采用12个5*25特征图进行卷积并累加；全连接层，本文采用120个过滤器。

net.layers = { 
   
    struct('type','i','iChannel',1,'iSizePic',[32 32])          
    struct('type','c','iChannel',6,'iSizeKer',5)                
    struct('type','s','iSample',2)                              
    struct('type','c','iChannel',12,'iSizeKer',5)               
    struct('type','s','iSample',2)                              
    struct('type','f','iChannel',120)                                                
    struct('type','f','iChannel',40)                               
              };
net.alpha = 4;                                                  
net.eta = 0.5;                                                  
net.batchsize = 12;                                             
net.epochs = 75;

车牌预处理，部分代码如下，

img_gray = rgb2gray(img_rgb);    % RGB图像转灰度图像
% 均值滤波
A=fspecial('average',3);      
img_filt=filter2(A,img_gray)/255;      %用生成的高斯序列进行滤波
% 边缘提取
img_edge = edge(img_filt, 'sobel', 0.1, 'vertical');
% 检测背景蓝色区域
img_r=img_rgb(:,:,1);
img_g=img_rgb(:,:,2);
img_b=img_rgb(:,:,3);

index= img_r>200&img_g>200;
img_b(index)=0;
index2=img_r<20&img_g<20;
img_b(index2)=0;
[m,n]=size(img_b);
img_bw = im2bw(img_b,0.4);
[L,m] = bwlabel(img_bw,8);
status = regionprops(L,'BoundingBox');
for i=1:m
    rect(i,:)=getfield(status(i),'BoundingBox');
end
ratio=rect(:,3)./rect(:,4);
for i=1:m
    if(ratio(i)<=2.5)
        img_bw(find(L==i))=0;
    end
end

得到的结果如图，
在这里插入图片描述
字符分割与识别，将候选的车牌经过CNN过滤，我们可以筛选出对我们有重要意义的车牌照片。由于边缘检查是白色边缘检查，通过过滤器，我们将图像一数值的方式体现出来，去除车牌边缘无用图像，得到的图像进行矩形分割，统一修改为32×32的大小。首先，关于所取得的牌照照片，我们使用过滤器的平衡度来增强图像的可读性。由于检查边缘是在白色边缘进行的，通过过滤设备对图像进行多次调整，寻找白色字体并获得最小的外部矩形。最后，在根据宽度、高度和像素比率进行分类后，将这个数字调整为32×32。识别结果如下，
在这里插入图片描述
部分代码，

%分割字符
for i=1:7
    while((Px0<n)&&(count_y(1,Px0)<2))%求字符的左边界
    Px0=Px0+1;
    end
    Px1=Px0;
    while((Px1<n)&&(count_y(1,Px1)>=2||(Px1-Px0)<7))%求字符右边界
    Px1=Px1+1;
    end
    Z=bw_word(:,Px0:Px1);
    switch i
    case 1
    PIN0=Z;
    case 2
    PIN1=Z;
    case 3
    PIN2=Z;
    case 4
    PIN3=Z;
    case 5
    PIN4=Z;
    case 6
    PIN5=Z;
    otherwise
    PIN6=Z;
    end
    Px0=Px1;
end