【车牌识别】基于matlab GUI模拟停车位管理系统【含Matlab源码 898期】

💥💥💥💥💥💥💞💞💞💞💞💞💞💞欢迎来到海神之光博客之家💞💞💞💞💞💞💞💞💥💥💥💥💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进；
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式

⛳️座右铭：行百里者，半于九十。
更多Matlab图像处理仿真内容点击👇
①Matlab图像处理（进阶版）
②付费专栏Matlab图像处理（初级版）

⛳️关注优快云海神之光，更多资源等你来！！

⛄一、简介

本模拟停车位管理系统的功能是：系统对进入停车位的车辆进行车牌识别，将识别出来的车牌号显示出来；然后对车主进行人脸识别，框出车主照片的人脸部分作为车主信息的标记，记录在系统库中。车辆在库期间，系统使用者可以随意查看车辆与车主信息的获取过程及获取结果。而当车辆离开时，系统库将清除该车辆与车主的所有信息。

⛄二、部分源代码

function varargout = slyarh_main(varargin)
gui_Singleton = 1;
gui_State = struct(‘gui_Name’, mfilename, …
‘gui_Singleton’, gui_Singleton, …
‘gui_OpeningFcn’, @slyarh_main_OpeningFcn, …
‘gui_OutputFcn’, @slyarh_main_OutputFcn, …
‘gui_LayoutFcn’, [] , …
‘gui_Callback’, []);
if nargin && ischar(varargin{1})
gui_State.gui_Callback = str2func(varargin{1});
end
if nargout
[varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:});
else
gui_mainfcn(gui_State, varargin{:});
end
function slyarh_main_OpeningFcn(hObject, eventdata, handles, varargin)
handles.output = hObject;
guidata(hObject, handles);
function varargout = slyarh_main_OutputFcn(hObject, eventdata, handles)
varargout{1} = handles.output;

%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ 启动画面 ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”
ImageFile = ‘.\字符模板\wel.png’;
ScreenSize = get(0,‘ScreenSize’);
jImage = im2java(imread(ImageFile));
jfBounds = num2cell([…
(ScreenSize(3)-jImage.getWidth)/2 …
(ScreenSize(4)-jImage.getHeight)/2 …
jImage.getWidth …
jImage.getHeight]);
jFrame = javax.swing.JFrame;
icon = javax.swing.ImageIcon(jImage);
label = javax.swing.JLabel(icon);
jFrame.getContentPane.add(label);
jFrame.setUndecorated(true)
jFrame.setBounds(jfBounds{:});
jFrame.pack
jFrame.show
pause(3)
jFrame.dispose
%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”

%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ 背景和logo ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”
h = handles.figure1; %创建一个Figure，并返回其句柄
newIcon = javax.swing.ImageIcon(‘.\字符模板\logo.png’)
figFrame = get(h,‘JavaFrame’); %取得Figure的JavaFrame。
figFrame.setFigureIcon(newIcon); %修改图标
ha=axes(‘units’,‘normalized’,‘pos’,[0 0 1 1]);
uistack(ha,‘down’);
ii=imread(‘.\字符模板\bg1.png’);
%设置程序的背景图为beijing1.jpg
image(ii);
colormap gray
set(ha,‘handlevisibility’,‘off’,‘visible’,‘off’);
%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”

%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ 停车 ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”
function bt_in_Callback(hObject, eventdata, handles)
[filename pathname]=uigetfile({‘.jpg’;'.png’;‘.bmp’}, ‘正在拍摄入场的车辆~’);
I=imread([pathname ‘’ filename]);
handles.I=I;
guidata(hObject, handles);
axes(handles.axes1);imshow(I);title(‘汽车靓照’);
axes(handles.axes11);imshow(I);title(‘汽车靓照’);
imwrite(I,‘.\进车记录\原.jpg’);
set(handles.bt_new,‘visible’,‘on’);
set(handles.ui_in,‘visible’,‘off’);
set(handles.ui_out,‘visible’,‘on’);
%“※﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ 进车 ﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏﹋﹏ ※”
I=handles.I;
I1=rgb2gray(I);
I2=edge(I1,‘roberts’,0.18,‘both’);
imwrite(I1,‘.\进车记录\灰度.jpg’);
imwrite(I2,‘.\进车记录\边缘.jpg’);
se=[1;1;1];
I3=imerode(I2,se);%腐蚀操作
imwrite(I2,‘.\进车记录\腐蚀.jpg’);
se=strel(‘rectangle’,[25,25]);
I4=imclose(I3,se);%图像聚类，填充图像
I5=bwareaopen(I4,2000);%去除聚团灰度值小于2000的部分
[y,x,z]=size(I5);%返回15各维的尺寸，存储在x,y,z中
myI=double(I5);
tic %tic计时开始，toc结束
Blue_y=zeros(y,1);%产生一个y1的零针
for i=1:y
for j=1:x
if(myI(i,j,1)==1)%如果myI图像坐标为（i，j）点值为1，即背景颜色为蓝色，blue加一
Blue_y(i,1)=Blue_y(i,1)+1;%蓝色像素点统计
end
end
end
[temp MaxY]=max(Blue_y);
%Y方向车牌区域确定
%temp为向量yellow_y的元素中的最大值，MaxY为该值得索引
PY1=MaxY;
while((Blue_y(PY1,1)>=5)&&(PY1>1))
PY1=PY1-1;
end
PY2=MaxY;
while((Blue_y(PY2,1)>=5)&&(PY2<y))
PY2=PY2+1;
end
IY=I(PY1:PY2,:😅;
%X方向车牌区域确定
Blue_x=zeros(1,x);%进一步确认x方向的车牌区域
for j=1:x
for i=PY1:PY2
if(myI(i,j,1)==1)
Blue_x(1,j)=Blue_x(1,j)+1;
end
end
end
PX1=1;
while((Blue_x(1,PX1)❤️)&&(PX1<x))
PX1=PX1+1;
end
PX2=x;
while((Blue_x(1,PX2)❤️)&&(PX2>PX1))
PX2=PX2-1;
end
PX1=PX1-1;%对车牌区域的矫正
PX2=PX2+1;
dw=I(PY1:PY2-8,PX1:PX2,:);
t=toc;
imwrite(dw,’.\进车记录\定位.jpg’);
b=rgb2gray(dw);%将车牌图像转换为灰度图
g_max=double(max(max(b)));
g_min=double(min(min(b)));
T=round(g_max-(g_max-g_min)/3);%T为二值化的阈值
[m,n]=size(b);
d=(double(b)>=T);%d:二值图像
imwrite(d,‘.\进车记录\二值.jpg’);
% imwrite(d,‘二值化.jpg’);
%均值滤波前
%滤波
h=fspecial(‘average’,3);
%建立预定义的滤波算子，average为均值滤波，模板尺寸为33
d=im2bw(round(filter2(h,d)));%使用指定的滤波器h对h进行d即均值滤波
imwrite(d,‘.\进车记录\均值.jpg’);
% imwrite(d,‘均值滤波.jpg’);
%某些图像进行操作
%膨胀或腐蚀
se=eye(2);%单位矩阵
[m,n]=size(d);%返回信息矩阵
if bwarea(d)/m/n>=0.365%计算二值图像中对象的总面积与整个面积的比是否大于0.365
d=imerode(d,se);%如果大于0.365则进行腐蚀
elseif bwarea(d)/m/n<=0.235%计算二值图像中对象的总面积与整个面积的比值是否小于0.235
d=imdilate(d,se);%%如果小于则实现膨胀操作
end
imwrite(I2,‘.\进车记录\膨胀.jpg’);
%寻找连续有文字的块，若长度大于某阈值，则认为该块有两个字符组成，需要分割
d=qiege(d);
[m,n]=size(d);
k1=1;
k2=1;
s=sum(d);
j=1;
while j~=n
while s(j)0
j=j+1;
end
k1=j;
while s(j)~=0 && j<=n-1
j=j+1;
end
k2=j-1;
if k2-k1>=round(n/6.5)
[val,num]=min(sum(d(:,[k1+5:k2-5])));
d(:,k1+num+5)=0;%分割
end
end
%再切割
d=qiege(d);
%切割出7个字符
y1=10;
y2=0.25;
flag=0;
word1=[];
while flag0
[m,n]=size(d);
left=1;
wide=0;
while sum(d(:,wide+1))~=0
wide=wide+1;
end
if wide<y1 %认为是左干扰
d(:,[1:wide])=0;
d=qiege(d);
else
temp=qiege(imcrop(d,[1 1 wide m]));
[m,n]=size(temp);
all=sum(sum(temp));
two_thirds=sum(sum(temp([round(m/3):2round(m/3)]😅));
if two_thirds/all>y2
flag=1;word1=temp;%word1
end
d(:,[1:wide])=0;d=qiege(d);
end
end
%分割出第二至七个字符
[word2,d]=getword(d);
[word3,d]=getword(d);
[word4,d]=getword(d);
[word5,d]=getword(d);
[word6,d]=getword(d);
[word7,d]=getword(d);
[m,n]=size(word1);
%商用系统程序中归一化大小为40*20
word1=imresize(word1,[40 20]);
word2=imresize(word2,[40 20]);
word3=imresize(word3,[40 20]);
word4=imresize(word4,[40 20]);
word5=imresize(word5,[40 20]);
word6=imresize(word6,[40 20]);
word7=imresize(word7,[40 20]);
axes(handles.axes2);imshow(word1);
axes(handles.axes3);imshow(word2);
axes(handles.axes4);imshow(word3);
axes(handles.axes5);imshow(word4);
axes(handles.axes6);imshow(word5);
axes(handles.axes7);imshow(word6);
axes(handles.axes8);imshow(word7);

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]乔有田.基于数学形态学和灰度跳变特征的车牌定位方法[J].工业控制计算，2015(2)：77-78

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合