基于MATLAB的車牌識(shí)別設(shè)計(jì)

中圖分類號(hào)：TP311 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）16-0094-06

License Plate Recognition Design Based on MATLAB

LIUFengge，ZHANGHao， CHENLiguo （ShandongHuayuUniversityofTechnology，Dezhou 253o34，China）

Abstract： In order to reduce the impact of shooting angle，light and environmentalcolor on the current license plate recognitionsystems，alicenseplaterecognitionsystembasedonMATLABisdesigned，andaGUinterfaceisonstructedfor efect testing.Interms ofrecognitionalgorithms，the vehicle imagesarefirstpreprocessed toreducememoryusage，mprove image informationqualityandsystemoperationspeedThen，thlicenseplatesarelocatedandsegmented，andcharacteratur areextractedtoachievecharacterrecognition.Finallycharactersareoncatenatedtodisplaythecompletelicenseplateumbe TheGUI interface includes functionsforlicense plateimagerecognition，vehicleentryandexit，andtimeandfeecalculation. Users click the“CarEntry”and“CarExit”butons tooperate，and therecognitionresultsare displayed incorresponding components.Aftervalidation，thesystemcancorrecttilted license plates andachieve fastandaccuraterecognitionesults.

Keywords：MATLAB;GUI interface; license plate recognition; character extraction

0 引言

車牌識(shí)別技術(shù)是現(xiàn)代交通管理系統(tǒng)中普遍應(yīng)用的一種技術(shù)，其可以實(shí)現(xiàn)車輛自動(dòng)識(shí)別、車輛分類、車輛追蹤等功能，為城市交通運(yùn)行提供了重要的支持。近年來(lái)，隨著計(jì)算機(jī)視覺和圖像處理技術(shù)的不斷發(fā)展，基于MATLAB的車牌識(shí)別技術(shù)在物流企業(yè)、停車場(chǎng)管理、公安交通管理等領(lǐng)域得到了廣泛的研究和應(yīng)用。因此，研究基于MATLAB的車牌識(shí)別技術(shù)，對(duì)于推動(dòng)智能交通和智慧城市建設(shè)具有重要的意義和作用。但鑒于漢字識(shí)別的復(fù)雜性以及自然環(huán)境和人為因素的影響，國(guó)內(nèi)車牌自動(dòng)識(shí)別系統(tǒng)尚未發(fā)展到完善水平。

1 設(shè)計(jì)思路

1.1 算法選擇

本設(shè)計(jì)基于數(shù)學(xué)形態(tài)學(xué)的檢測(cè)方法，突出車牌字符區(qū)域特征，然后利用水平投影法除去車牌上下邊框，垂直投影法突出單個(gè)字符區(qū)域，最終實(shí)現(xiàn)對(duì)字符的分割。在字符識(shí)別上，先將字符歸一化，消除車牌圖像中字符大小不一致的問題，然后利用模板匹配的方法完成對(duì)字符的識(shí)別。

1. 2 流程概述

車牌識(shí)別系統(tǒng)包含兩個(gè)核心的部分：圖像預(yù)處理和字符識(shí)別。通過(guò)圖像預(yù)處理，可以實(shí)現(xiàn)多種功能，如圖像灰度化、圖像去噪、圖像增強(qiáng)、圖像二值化和邊緣檢測(cè)等，從而減小圖像占用系統(tǒng)內(nèi)存的空間并提升圖像的信息質(zhì)量和系統(tǒng)的運(yùn)行速度。結(jié)合投影算法和模板匹配技術(shù)，該系統(tǒng)可以準(zhǔn)確檢測(cè)出車牌上的每一個(gè)字符。車牌識(shí)別系統(tǒng)的運(yùn)行流程圖如圖1所示。

2 車牌識(shí)別原理

2.1車牌圖像預(yù)處理

在自然環(huán)境下，車牌識(shí)別系統(tǒng)所采集到的車牌圖像會(huì)受到環(huán)境光線、車牌清潔度、拍攝角度等多方面因素的影響，最終會(huì)導(dǎo)致車牌圖像出現(xiàn)模糊不清、傾斜和破損等嚴(yán)重問題。為了獲得更加準(zhǔn)確的車牌信息，對(duì)其先進(jìn)行圖像預(yù)處理就顯得尤為必要，這樣做不僅可以盡可能地減少噪聲對(duì)圖像處理的干擾，而且還能提高圖像的質(zhì)量，使得車牌識(shí)別系統(tǒng)的精確度進(jìn)一步提升。

2.1.1 圖像灰度化

常用的攝像設(shè)備所采集到的汽車圖像大多都是彩色的，而彩圖存儲(chǔ)容量大，圖像處理復(fù)雜，系統(tǒng)程序計(jì)算時(shí)間長(zhǎng)，無(wú)法滿足準(zhǔn)確快速并正確地識(shí)別汽車牌照上的字符并實(shí)時(shí)處理的要求。若將彩色圖像灰度化以后，占用的存儲(chǔ)空間大大減小，不僅方便下一步處理，并且有用信息也不會(huì)因此而減少，反而會(huì)使處理過(guò)程更加簡(jiǎn)便和省時(shí)[1]。

從理論上來(lái)講，未經(jīng)過(guò)處理的原始圖像就是一個(gè)RGB圖像。車牌識(shí)別采用了MATLAB內(nèi)部的一種處理圖像函數(shù)—rgb2grayO函數(shù)進(jìn)行灰度轉(zhuǎn)換，調(diào)用這個(gè)功能的格式是I=rgb2gray（RGB），車輛的原始圖像及其經(jīng)過(guò)灰度化處理后的圖像如圖2所示。

圖2圖像的灰度化

2.1.2 圖像去噪

在圖像采集、傳輸和處理過(guò)程中，由于存在一些不必要的信號(hào)，它們會(huì)嚴(yán)重影響圖像的質(zhì)量，導(dǎo)致圖像變得模糊不清，從而使得圖像識(shí)別更加困難。因此，圖像去噪也是圖像預(yù)處理過(guò)程的重要環(huán)節(jié)之一。對(duì)圖像進(jìn)行去噪，提高圖像的質(zhì)量，這也為更好地進(jìn)行下一步圖像預(yù)處理奠定了基礎(chǔ)。

車牌識(shí)別采用中值濾波法對(duì)灰度化后的圖像進(jìn)行去噪。中值濾波去噪相當(dāng)于一個(gè)統(tǒng)計(jì)濾波器，首先把其鄰域內(nèi)的所有像素按灰度值的大小進(jìn)行排序，然后找出中間值作為像素處理的輸出值。作為一種非線性平滑濾波手段，在保障降噪效果的同時(shí)，可以避免由于像素值差別過(guò)大帶來(lái)的圖像失真，能夠最大限度地保留原始圖像中的細(xì)節(jié)特征。在這種情況下，經(jīng)過(guò)中值濾波處理的汽車圖像，就能夠更加清晰地展現(xiàn)出來(lái)，如圖3所示。

圖3中值濾波圖像

2.1.3 圖像增強(qiáng)

經(jīng)過(guò)灰度化處理的圖像，在車牌部分和非車牌部分之間的對(duì)比度相差的并不是很明顯，因此，系統(tǒng)很難提取到車牌的邊緣。通過(guò)圖像增強(qiáng)，可以顯著改善車牌圖像的對(duì)比度，從而大大提升系統(tǒng)的識(shí)別準(zhǔn)確性，有效地減少了后續(xù)車牌字符定位與分割的復(fù)雜性。

直方圖均衡化通常用來(lái)增加圖像的局部對(duì)比度，尤其是當(dāng)圖像的有用數(shù)據(jù)的對(duì)比度相當(dāng)接近的時(shí)候，使用此方法，亮度可以更好地在直方圖上分布，這樣就可以增強(qiáng)局部的對(duì)比度而不至于影響整體的對(duì)比度[2]。使用直方圖均衡化技術(shù)處理之后的中值濾波圖像如圖4所示。

圖4圖像增強(qiáng)

2.1.4 圖像二值化

圖像二值化可以將圖像中的每一個(gè)點(diǎn)的灰度值調(diào)節(jié)至0或255，從而使得整幅圖像呈現(xiàn)出明顯的黑白效果。然后對(duì)閾值進(jìn)行適當(dāng)?shù)恼{(diào)試，可以將256個(gè)亮度等級(jí)的灰度圖像轉(zhuǎn)換為一種更加準(zhǔn)確、全面的二值化圖像，以反映圖像的整體和局部特征。二值圖像在數(shù)字圖像處理中扮演著至關(guān)重要的角色，針對(duì)車牌識(shí)別的系統(tǒng)流程，將直方圖均衡化后的圖像再進(jìn)行二值化，以便更好地控制圖像的幾何特征，僅考慮像素值為0或255的點(diǎn)的位置，避免了多級(jí)值的影響，從而大大減少了圖像的數(shù)據(jù)量，更加清晰地展示出目標(biāo)的輪廓[3]。經(jīng)過(guò)二值化處理后的圖像如圖5所示。

圖5圖像二值化

2.1.5 邊緣檢測(cè)

邊緣檢測(cè)技術(shù)，可以幫助發(fā)現(xiàn)并確定圖像中亮度變化最為明顯的區(qū)域。它可以捕捉到圖像的細(xì)節(jié)，并讓系統(tǒng)更好地理解和識(shí)別出圖像的主要特征，從而更有效地提升圖像的性能。在邊緣檢測(cè)中，許多算子，如Roberts、Sobel、Laplace 和Canny等都被廣泛應(yīng)用。Roberts算子是一種高效的邊緣檢測(cè)算子，它可以有效地檢測(cè)出圖像邊緣的線條，特別是當(dāng)圖像邊緣接近正45度或負(fù)45度時(shí)，它的準(zhǔn)確性和可靠性會(huì)大大提高，從而使得圖像處理更加高效[。對(duì)二值化后的車輛圖像進(jìn)行Roberts邊緣檢測(cè)得到如圖6所示的結(jié)果。

圖6Roberts邊緣檢測(cè)

2.2 車牌定位及分割

車牌定位是汽車車牌識(shí)別系統(tǒng)中的關(guān)鍵環(huán)節(jié)之一，它是進(jìn)行字符分割工作的前提。用攝像設(shè)備采集到的圖像都是整個(gè)機(jī)動(dòng)車的照片，在進(jìn)行車牌識(shí)別時(shí)，需要將車牌區(qū)域從整張照片中分離出來(lái)，以便系統(tǒng)能夠更加準(zhǔn)確地識(shí)別到車牌信息，這就稱為車牌定位，而分離效果將直接對(duì)字符識(shí)別的質(zhì)量產(chǎn)生影響。

數(shù)學(xué)形態(tài)學(xué)是一種廣泛應(yīng)用于圖像處理領(lǐng)域的技術(shù)，可以幫助人們提取圖像中有價(jià)值的信息，使人們更好地理解目標(biāo)對(duì)象的形狀特征[5。既可以有效地減少圖像的復(fù)雜性，又可以有效地抑制多余的細(xì)節(jié)，從而極大地提升系統(tǒng)對(duì)圖像的分析與處理效率。在這里，首先對(duì)邊緣檢測(cè)圖像進(jìn)行閉操作，即先對(duì)圖像進(jìn)行膨脹操作，再進(jìn)行腐蝕操作，以填補(bǔ)圖像中的空洞或斷裂，使圖像更加連通，增強(qiáng)其可視性；經(jīng)過(guò)閉操作的車牌區(qū)域幾乎變成一個(gè)白色區(qū)域，之后的車牌定位都是根據(jù)車牌的這個(gè)白色區(qū)域來(lái)進(jìn)行定位；接著再進(jìn)行開操作，即先對(duì)圖像進(jìn)行腐蝕操作，然后再進(jìn)行膨脹操作，去除圖像中的小物體或噪聲，保留車牌信息。最后使用最小外接矩形算法框出已選出的區(qū)域，根據(jù)車牌長(zhǎng)寬比設(shè)定閾值，將滿足閾值的矩形篩選出來(lái)，如圖7所示。

使用攝像采集設(shè)備時(shí)，經(jīng)常會(huì)發(fā)生因?yàn)榕臄z角度的變化而造成車牌出現(xiàn)傾斜的現(xiàn)象。基于這種情況，就有必要對(duì)車牌進(jìn)行校正，車牌識(shí)別采用的是Radon變換對(duì)有傾斜角度的車牌進(jìn)行校正，其原理是通過(guò)計(jì)算一個(gè)圖像在不同方向的直線上的投影來(lái)糾正偏移[。設(shè) 為一個(gè)二維函數(shù)， 的Radon變換的幾何關(guān)系如圖8所示，它是 平行于 y^′ 軸的線積分。當(dāng) f（x，y） 表示一個(gè)圖像矩陣時(shí)，Radon變換的實(shí)質(zhì)是求任意方向 θ 上矩陣的投影。

圖7形態(tài)學(xué)操作后矩形框篩選

圖8Radon變換原理圖

通過(guò)將圖像 沿角度 θ 投影到 x^′ 軸上，可以得到 R_θ（x^′） ，其中包括：

經(jīng)過(guò)Radon變換校正后的車牌圖像如圖9所示。

用bwareaopen（函數(shù)刪除二值圖像中面積小于130的對(duì)象，此處為去除圖像中的噪點(diǎn)，再用imclearborder（函數(shù)去除邊緣像素，最后對(duì)圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算，使車牌區(qū)域連在一起，后續(xù)只要對(duì)篩選出的白色區(qū)域進(jìn)行識(shí)別即可完成車牌的精準(zhǔn)定位，如圖10所示。

圖10車牌的精準(zhǔn)定位

由圖10（b）可知，車牌的上下邊框會(huì)對(duì)后續(xù)車牌的字符分割造成一定的影響，其次，字符與字符之間的間隙還是傾斜的，這對(duì)于垂直切割來(lái)說(shuō)會(huì)造成字符的不完整性。所以還需要用投影法去除車牌的上下邊框，首先，用代碼計(jì)算圖像在水平方向上的投影，對(duì)其進(jìn)行平滑處理（使用了窗口大小為50的平滑濾波器），然后通過(guò)設(shè)置一個(gè)閾值（閾值為投影的最大值的一半），找到投影圖中第一個(gè)超過(guò)閾值的位置，即為上邊框，接著將上邊框位置之上的所有像素設(shè)置為0，將其變?yōu)楹谏瑥亩コ松线吙颍煌恚么a計(jì)算圖像在垂直方向上的投影，也進(jìn)行平滑處理，再設(shè)置一個(gè)閾值（閾值為投影的最大值的0.55倍），找到投影圖中最后一個(gè)超過(guò)閾值的位置，即為下邊框，將下邊框位置之下的所有像素設(shè)置為0，同樣將其變?yōu)楹谏瑥亩コ讼逻吙騕7]。最后再用 imrotateO函數(shù)對(duì)車牌進(jìn)行傾斜，如圖11所示，方便后續(xù)的字符分割。

2.3傾斜車牌數(shù)據(jù)集測(cè)試實(shí)驗(yàn)報(bào)告

傾斜車牌定位處理數(shù)據(jù)實(shí)驗(yàn)旨在通過(guò)構(gòu)建傾斜車牌數(shù)據(jù)集，測(cè)試汽車在不同傾斜角度下車牌識(shí)別算法的性能，重點(diǎn)分析識(shí)別時(shí)間與識(shí)別準(zhǔn)確率的變化規(guī)律，為快速準(zhǔn)確的車牌識(shí)別系統(tǒng)提供數(shù)據(jù)支撐。

2.3.1數(shù)據(jù)集構(gòu)建

數(shù)據(jù)集構(gòu)建過(guò)程如下：

1）傾斜處理。使用圖像編輯工具對(duì)原始車牌圖像進(jìn)行角度變換，生成傾斜角度分別為 0^° （水平）、10^° ， 20^° 、 30^° 、 40^° 的五組數(shù)據(jù)集，每組2000張。傾斜方向包含左傾和右傾兩種，模擬車輛在彎道、坡道或拍攝角度傾斜時(shí)的真實(shí)場(chǎng)景[8]。

2）數(shù)據(jù)標(biāo)注。采用人工標(biāo)注方式，為每張圖像標(biāo)注車牌字符內(nèi)容及傾斜角度真值，確保標(biāo)注準(zhǔn)確率達(dá) 100% 。

2.3.2 實(shí)驗(yàn)方法

實(shí)驗(yàn)方法如下：

1）預(yù)處理。對(duì)圖像進(jìn)行灰度化、高斯模糊去噪、自適應(yīng)閾值二值化處理，增強(qiáng)車牌區(qū)域?qū)Ρ榷取?/p>

2）車牌定位。采用基于邊緣檢測(cè)與形態(tài)學(xué)運(yùn)算的定位算法，結(jié)合傾斜校正（基于霍夫變換檢測(cè)車牌邊框直線，計(jì)算傾斜角度后進(jìn)行仿射變換校正）。

3）字符識(shí)別。使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）結(jié)

合雙向長(zhǎng)短期記憶網(wǎng)絡(luò)（biLSTM）及注意力機(jī)制（Attention）的端到端識(shí)別模型，對(duì)校正后的車牌圖像進(jìn)行字符分割與識(shí)別。

4）性能指標(biāo)。識(shí)別準(zhǔn)確率 Σ=Σ （正確識(shí)別樣本數(shù)/總樣本數(shù)） ×100% 。平均識(shí)別時(shí)間 Σ=Σ 總處理時(shí)間／樣本數(shù)（單位：毫秒/張）。

2.3.3 實(shí)驗(yàn)結(jié)果與分析

不同傾斜角度下的識(shí)別性能如表1所示。

表1不同傾斜角度下的識(shí)別性能

結(jié)果分析如下：

1）準(zhǔn)確率變化趨勢(shì)為，當(dāng)傾斜角度為 0^° 時(shí)，車牌處于水平狀態(tài)，算法能準(zhǔn)確提取車牌區(qū)域及字符特征，識(shí)別準(zhǔn)確率最高為 98.5% ；隨著傾斜角度增大至10^°～20^° ，識(shí)別準(zhǔn)確率下降至 96.2%～92.8% ，此時(shí)車牌邊框發(fā)生輕度形變，但通過(guò)霍夫變換仍能有效檢測(cè)傾斜角度并校正，僅部分字符因透視變形導(dǎo)致特征提取偏差；傾斜角度達(dá) 30^°～40^° 時(shí)，準(zhǔn)確率顯著下降至 87.5%～79.1% 。嚴(yán)重傾斜導(dǎo)致車牌區(qū)域邊緣略模糊、字符粘連或斷裂，校正后圖像質(zhì)量上升[。

2）識(shí)別時(shí)間變化趨勢(shì)為， 0^° 水平車牌無(wú)須傾斜校正，預(yù)處理與定位流程耗時(shí)最短為 12.3ms ；傾斜角度每增加 10^° ，平均識(shí)別時(shí)間增加約 3～6ms 。這是由于傾斜校正過(guò)程引入霍夫變換計(jì)算量，角度越大，需檢測(cè)的直線數(shù)量越多，計(jì)算復(fù)雜度呈指數(shù)級(jí)增長(zhǎng)[10]。此外，字符分割時(shí)需對(duì)變形字符進(jìn)行形態(tài)學(xué)修復(fù)，進(jìn)一步延長(zhǎng)處理時(shí)間。

2.3.4 實(shí)驗(yàn)結(jié)論

關(guān)于準(zhǔn)確性，在傾斜角度 ?20^° 的場(chǎng)景下，MATLAB系統(tǒng)仍能保持 92% 以上的識(shí)別準(zhǔn)確率，滿足實(shí)際交通監(jiān)控需求；當(dāng)傾斜角度超過(guò) 30^° 時(shí)，準(zhǔn)確率顯著下降，需進(jìn)一步優(yōu)化算法。

關(guān)于速度，識(shí)別時(shí)間隨傾斜角度增大而增加，但在 ?30^° 范圍內(nèi)，平均耗時(shí)控制在 25ms 以內(nèi)，滿足實(shí)時(shí)性要求[]（一般實(shí)時(shí)系統(tǒng)要求 ?50ms ）。

2.3.5 字符分割

字符分割實(shí)質(zhì)上就是把車牌的字符分割成單一字符。為了準(zhǔn)確地辨認(rèn)出汽車號(hào)牌中的任何一個(gè)字符文本，必須把這每個(gè)字符分開并進(jìn)行單獨(dú)的檢索。選擇投影法可以提高精度和便于使用[12]。

垂直投影技術(shù)，可以將車牌圖像的每個(gè)字符精確地劃分為獨(dú)立的部分，這些字符可能是不同的形狀、大小或其他特征。該投影方法首先上下掃描以獲得車牌圖像的高度，然后左右掃描，找到第一個(gè)字符的關(guān)鍵點(diǎn)，并繼續(xù)進(jìn)行掃描，直到所有字符都被完整地檢測(cè)到[13]。如圖12所示，可以看到，這種字符分割的優(yōu)點(diǎn)在于設(shè)計(jì)簡(jiǎn)潔、運(yùn)行效率高，能夠很好地滿足車牌識(shí)別系統(tǒng)實(shí)時(shí)性的要求。

2.4 車牌字符識(shí)別

車牌識(shí)別采用基于模板匹配的方法來(lái)進(jìn)行字符識(shí)別。

首先需要把漢字、字母和數(shù)字結(jié)合起來(lái)，形成圖像庫(kù)的符號(hào)模型。采用字符歸一化處理，可以有效地消除車牌圖像中字符大小不一致的問題，從而使模板庫(kù)中的字符可以直接相減或進(jìn)行相關(guān)計(jì)算，獲得最優(yōu)的識(shí)別結(jié)果[14]。由于采集圖像的復(fù)雜性，直接匹配通常會(huì)引起錯(cuò)誤。通過(guò)引入新的模板庫(kù)，可以大幅提升車牌字符的識(shí)別準(zhǔn)確性，并且通過(guò)將漢字、字母和數(shù)字分開存儲(chǔ)，可以有效地縮小匹配范圍，從而大大加快識(shí)別效率，如圖13所示。使用標(biāo)準(zhǔn)模板庫(kù)，可以實(shí)現(xiàn)對(duì)整個(gè)字符集的模板匹配，這種方式對(duì)字符完整性的要求較低，且算法相對(duì)簡(jiǎn)單、檢測(cè)效率更高。

基于MATLAB的車牌識(shí)別設(shè)計(jì)，經(jīng)過(guò)GUI調(diào)試最終呈現(xiàn)的結(jié)果如圖14所示，從圖中可以看到汽車的原始圖像、經(jīng)過(guò)處理后獲取的車牌圖像、車牌識(shí)別結(jié)果、汽車出入庫(kù)時(shí)間、字符分割圖像、停車位總數(shù)、收費(fèi)標(biāo)準(zhǔn)、車位剩余數(shù)、停車時(shí)長(zhǎng)以及停車費(fèi)用等信息，界面簡(jiǎn)潔且操作簡(jiǎn)單[15]。

該汽車出入庫(kù)計(jì)時(shí)計(jì)費(fèi)GUI界面的成功演示，給開發(fā)者提供了一種更好的啟示和思路，其不僅僅只能應(yīng)用于汽車出入庫(kù)計(jì)時(shí)計(jì)費(fèi)這一方面，還可以將代碼和GUI界面的設(shè)計(jì)相結(jié)合，以此來(lái)應(yīng)用到更廣闊的領(lǐng)域。

3結(jié)論

車牌識(shí)別基于MATLAB設(shè)計(jì)了一套車牌識(shí)別系統(tǒng)，并用相應(yīng)的GUI界面來(lái)進(jìn)行效果測(cè)試。該系統(tǒng)的核心在于對(duì)車牌進(jìn)行快速精確的識(shí)別，后續(xù)通過(guò)GUI界面顯示識(shí)別結(jié)果及相關(guān)信息，為停車場(chǎng)計(jì)時(shí)收費(fèi)、小區(qū)門崗出入車輛識(shí)別、車輛超速、汽車被盜以及肇事車輛逃逸等方面的車牌識(shí)別技術(shù)發(fā)展提供了一種較好的思路。

參考文獻(xiàn)：

[1]蘇春燕.復(fù)雜環(huán)境下綜合多種特征的車牌定位算法研究[D].蘭州：蘭州交通大學(xué)，2021.

[2]楊士東.特殊環(huán)境下的車牌識(shí)別算法[D].大慶：東北

石油大學(xué)，2020.

[3]尹恒杰，曹妍.基于MATLAB的車牌識(shí)別系統(tǒng)研究[J].

電子產(chǎn)品世界，2021，28（12）：42-44.

[4]楚天鴻，唐瑞尹.基于MATLAB平臺(tái)下的車牌識(shí)別

系統(tǒng)設(shè)計(jì)[J].科技與創(chuàng)新，2020（14）：20-22.

[5]張松蘭.基于MATLAB的汽車牌照自動(dòng)識(shí)別技術(shù)研

究[J].新鄉(xiāng)學(xué)院學(xué)報(bào)，2022，39（6）：40-43.[6]史建偉.基于深度學(xué)習(xí)的車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)

[D].南京：南京郵電大學(xué)，2020.

[7]姜超友.車輛牌照識(shí)別關(guān)鍵技術(shù)的研究與實(shí)現(xiàn)[D].大

慶：東北石油大學(xué)，2017：1-3.

[8]崔江，王友仁.車牌自動(dòng)識(shí)別方法中的關(guān)鍵技術(shù)研究

[J].計(jì)算機(jī)測(cè)量與控制，2003（4）：260-262.

[9]周妮娜，王敏，黃心漢，等.車牌字符識(shí)別的預(yù)處理

算法[J].計(jì)算機(jī)工程與應(yīng)用，2003（15）：220-221+232.

[10]陳亞.基于MATLAB的車牌識(shí)別系統(tǒng)研究[J].軟件

導(dǎo)刊，2020，19（1）：50-54.

[11]張萍.基于MATLAB的汽車牌照自動(dòng)識(shí)別技術(shù)研究[J].自動(dòng)化技術(shù)與應(yīng)用，2019，38（11）：132-135+149.

[12]李宏偉，羅自航，張賀磊.車牌識(shí)別系統(tǒng)的關(guān)鍵技術(shù)分析[J].物聯(lián)網(wǎng)技術(shù)，2022，12（6）：14-15+19.

[13]HUANGX，LIL，LIUR，etal.BinarizationofDegraded Document Images with Global-local U-Nets [J/OL].Optik，2020，203：164025[2025-01-06].https：//doi.0rg/10.1016/j.ijleo.2019.164025.

[14]JINZM，WUYM，MINLH，etal.ARetinex-basedTotalVariationApproach for Image SegmentationandBiasCorrection[J].AppliedMathematicalModelling，2020，79：52-67.

[15]HEMX，HAOP.RobustAutomaticRecognitionofChinese License Platesin Natural Scenes [J].IEEE Access，2020，8：173804-173814.

作者簡(jiǎn)介：劉鳳閣（1976—），男，漢族，山東德州人，工程師，講師，汽車維修鑒定考評(píng)員，本科，研究方向：汽車網(wǎng)聯(lián)技術(shù)與電動(dòng)汽車研發(fā)。