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。两只企鹅：1341703358，可以知道更多！
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32*32；C1卷积层，该层采用 6个 5*5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。
```handlebars
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，
```handlebars
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，
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，
部分代码，
```handlebars
%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
```
通过卷积神经网络进行车牌数据集的预处理，得到训练的模型的准确率可以达到90%，由于本人能力有限，网络结构参数还存在改进的地方。整个系统界面如下所示，
转载请备注原作者，
