車牌檢測演算法

⑴ 車牌識別用什麼模式識別演算法

安快車牌識別採用200萬高清DSP硬識別，三層網路神經演算法~其中第一層是輸入單元，第二層稱為隱含層，第三層稱為輸出層!

⑵ 車牌識別演算法的研究與分類

車牌識別系統要綜合應用多種手段提取車牌區域，對汽車牌照的精確定位並最終完成對汽車牌照的識別。因此車牌識別系統要應對多種復雜環境，如車流量高峰期、照射反光、車牌污染等。利用模擬人腦智能的ANN，在識別車牌時能進行聯想記憶與推理，能夠較好地解決字元殘缺不完整而無法識別的問題。

車牌識別方法的研究

車牌識別系統主要包括車牌定位、字元分割、字元識別等工作模塊，同時系統統自身具有良好的維護性和擴展性，可在無需為車輛加裝其他特殊裝置情況下實現對車輛的自動檢測。

車牌定位方法的研究

車牌定位就是把車牌區域完整的從一副具有復雜背景的車輛圖像中分割出來，它是解決圖像處理中的實際問題，其方法多種多樣，當前最常見的定位技術主要有：基於邊緣檢測的方法、基於彩色分割的方法、基於小波變換的方法、遺傳演算法和人工神經網路技術等。

基於邊緣檢測的車牌定位方法：在對車牌進行定位前，先將汽車圖像通過灰度變換、直方圖均衡化等增強預處理，再經二值化，最後利用邊緣檢測運算元對圖像進行邊緣檢測。檢測到邊緣後在進行區域膨脹，腐蝕去無關的小物件，這時圖像會呈現出多個連通的判斷區域，最後找出所有連通域中最可能是車牌的那一個便可 。

基於色彩分割的車牌定位方法：主要由彩色分割和日標定位等模塊組成，在進行色彩分割前，要先將原始圖像從RGB色彩空間轉換到HSV空間，再在HSV空間內進行色彩分析。具體的分割運算：依次將四種車牌底色中一種為基準，對圖像中每一像素先對照表1進行色彩分量比較，對超出基準色限定范圍的像素直接設置為背景色（白色），否則統計所有落在該區間內的像素三分量的均值，作為分割計算的顏色中心，再對所有區間范圍內的像素計算其與顏色中心的色彩距離，若距離大於閥值，則設置為背景色，否則設置為日標色（黑色）

由於圖像背景的復雜性，色彩過濾後的圖像仍然可能包含多個可能的目標區域，需進一步使用車牌體態比特徵對多個目標區域進行過濾。

基於小波變換的車牌定位方法：先將車輛圖像轉換成索引圖像，然後對索引圖像作用小波變換，獲取圖像在不同子帶的小波系數。車牌識別特徵提取就是基於汽車圖像在小波變換後的LH高頻子帶，根據圖像中車牌區域的小波系數幅值大、密度高的特點，可以通過作用一個閾值來濾掉非牌照候選區域的小波系數。通過小波尺度分解提出紋理清晰且具有不同空間解析度、不同方向的邊緣子圖；再利用車牌日標區域具有水平方向低頻、垂直方向高頻的特點實現子圖提取，最後用數學形態學方法對小波分解後的細節圖像進行一系列的形態運算，進一步消除無用信息和雜訊，以確定車牌位置。

基於遺傳演算法的車牌定位方法：車牌日標區域的主要特點有車牌底色往往與車身顏色、字元顏色有較大差異；另外牌照的長度比變化有一定范圍，存在一個最大和最小長寬比。根據這些特點，可以在灰度圖像的基礎上提取相應的特徵。還有車牌內字元之間的間隔比較均勻，字元和牌照底色在灰度值上存在跳變，而字元本身與牌照底的內部都有較均勻灰度。又由於車牌有一個連續或由於磨損而不連續的邊框，車牌內字元有多個，基本呈水平排列，所以在牌照的矩形區域內存在較豐富的邊緣，呈現出規則的紋理特徵，因此在實際中我們只要先對彩色圖像進行灰度化和二值化處理，採用反映不同疏密度的一維濾波器組在水平方向對二值圖像進行濾波便可獲得車牌圖像的紋理特徵向量，再對待定局部區域圖像進行濾波處理獲得其特徵向量，將其與車牌特徵描述向量進行比較就能得到該區域作為車牌區的可能性。

採用神經網路實現車牌定位演算法：可採用對灰度圖像直接感知的方法實現，即使用一個滑動窗口作為采樣窗口(可根據車牌特徵選擇長條形或狹長形滑動窗口)，在灰度圖像上依次移動，將窗口覆蓋下的圖像塊作為神經網路的輸入，所採用的BP網路是3層全連接前饋網路，其輸入層神經元數日為滑動窗口的尺寸，其輸出層神經元數日為l。當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於車牌區域：當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於背景區域。此演算法的樣本集的選擇和搜索策略都是很重要的，這都會對定位效果有影響，因此首先要對車牌和北京交替反復采樣，並且要在所選圖像中盡量包括各種不同光照條件、背景復雜度和牌照顏色，以有利於網路實現泛化，這樣可以加強網路的容錯性；而對於搜索策略而言，由於車牌一般位於圖像的中下方，因此一般採取白下而上遍歷，這樣不容易誤將車型標志處定位為車牌區域，並且當遍歷圖像後出現不止一個候選車牌區域的時候，也應優先考慮最下的候選車牌區域。另外，由於神經網路具有一定的容錯性，對於傾斜角度較大的車牌，要在神經網路處理之前先進行水平校正。

字元分割方法的研究

字元分割的任務是把多行或多字元圖像中的每個字元從整個圖像中切割出來成為單個字元。字元分割的演算法很多，通常根據處理對象的不同採用不同的演算法。常見的方法主要有：模板匹配法、水平投影法、聚類分析法、基於自適應退化形態特徵的圖像分割法等，在這里我們詳細闡述前三種方法。

模板匹配法：此方法先在二值圖像上計算豎直積分投影的平滑曲線，搜索平滑曲線的局部最小值得到一個波谷位置序列；再將相鄰兩個波谷分別作為左右邊界提取出一組矩形區域；最後，根據一定的規則對矩形區域進行刪除、分裂、合並及調整大小，從而實現對車牌區域的單字元分割。

水平投影法：此方法先自下而上再白上而下對車牌區域圖像進行逐行掃描，找到並分別記錄下掃描到的第1個白色像素點位置，確定圖像大致的高度范圍；在此高度范圍之內再自左向右逐行掃描，遇到第1個白色像素時認為是字元分割的起始位置，然後繼續掃描，直至遇到沒有白色像素的列，則認為是這個字元分割結果。重復上述過程，直至圖像的最右端，得到每個字元比較精確的寬度范圍：在已知的每個字元比較精確的寬度范圍內，再分別進行自上而下和白下而上的逐行掃描來確定每個字元精確的高度范圍。

聚類分析法：此方法是按照屬於同一個字元的像素構成一個連通域的原則，再結合先驗知識，字元的高度、間距的固定比例關系等，來逐個分割車牌區域中的字元的。

⑶ 車牌識別演算法主要有哪些方法呢

從火眼臻睛車牌識別網站上了解到的，車牌識別演算法主要有（1）啟發式車牌定位；（2）大規模神經網路識別；（3）易混淆字元處理；三個方面的處理方法。車牌識別演算法相對於車牌識別系統來說還是很重要的，這個決定著車牌識別系統的識別率的高低。

⑷ 在車牌識別中當前最先進的車牌定位方法有哪

從根本上講，車牌定位的演算法分為三類，一類是基於邊緣的，一類是基於顏色的，一類是基於機器學習的，從實驗結果可看出，基於邊緣的最簡單也最有效，如果對於收費站和小區的應用，做到99%以上的檢測率不是件難事，但如果場景復雜一點，誤檢會比較多，但並不會漏掉真正的車牌，只是虛警率高點，可以通過先驗知識、顏色和後面的分割加以去除，誤檢不是重點。基於顏色的定位演算法，從根本上講也可以算是基於邊緣的一種，無非是利用彩色邊緣或者灰度圖像邊緣和顏色一起來定位，基於顏色的車牌定位演算法用於高清圖片效果不錯，對於一般的場景我認為沒必要用顏色進行定位，但初期用顏色先去除一些明顯不是車牌的區域還是比較有效的。基於機器學習的演算法進行車牌定位或者說檢測，關鍵是找到好的特徵和好的訓練方法，不少人利用adaboost+haar特徵進行車牌檢測，從我的實驗結果來看，檢測率也能達到99%以上，但同時虛警率也非常高，會出現很多誤檢，而且很難把車牌的區域完整的檢測出來，所以如果單獨要用機器學習的演算法還是不太可行，不過可以先利用邊緣信息找到候選區域，然後用adaboost去去除非車牌區域，這個效果還是蠻不錯的。

對於邊緣的檢測，如果車牌在圖像中占的比例不是很小，普通的差分和全局二值化就可以達到很好的效果，如果對於高清圖像（譬如要檢測幾個車道）或者場景很復雜，導致車牌所佔圖像的比例很小，還有就是車牌處於比較暗的地方，而整個場景很亮，這個時候差分得到的邊緣就不會很豐富，如果利用全局二值化就可能導致車牌區域檢測不到邊緣，解決辦法一就是對圖像進行灰度拉伸或增強，解決辦法二就是換邊緣檢測的方法（譬如sobel），解決辦法三就是改進二值化的方法。對於圖像增強的方法我要特別提一下直方圖均衡化，很多論文上都會說對輸入圖片先進行直方圖均衡化，但我的實驗發現，晚上的圖片如果進行直方圖均衡化操作後會導致噪點特別多，而且可能會導致車牌區域檢測不到邊緣，總之圖像增強是一把雙刃劍，需要慎重考慮。

如果利用邊緣進行定位，關鍵是要想辦法一定要檢測出車牌區域的邊緣。

總結一下車牌定位，利用邊緣是王道，可以先粗檢再精檢，顏色可以用於精定位和去除誤檢，機器學習如果想要好的結果得需要好的特徵，但目前好像還沒有。我個人認為車牌定位的難點不在於找到車牌區域，而在於怎麼對車牌區域進行更精確的定位，而精定位的難點在於左右精定位，以便於後面的分割演算法。

⑸ 車牌定位有哪些演算法,各有什麼特點

這個 文字不是一般的多 建議你還是去下載研究生的論文和期刊吧，如果懶的話，網路文庫里找，就有很多了
1) 基於車牌圖像色彩信息定位法[12]。我國車牌主要由四種類型組成:藍底白字、黃底
黑字、白底紅字和黑底白字。根據車牌底色信息可以准確地定位出車牌的邊界。該方法識別濾高、適應性強，但易受光照條件和背景干擾且運算量一般較大，不適合用於實時性要求高的環境中。
2) 基於邊緣檢測的定位法[13]。 車牌字元區域灰度頻率變化是車牌區域最穩定的特
征，可以利用它的變化來進行車牌定位。首先對車輛圖像進行增強，然後再進行邊緣提取，最後利用水平掃描線等方法進行車牌區域的檢測。該類方法的定位準確率較高，反映時間快，能有效去掉雜訊，適合於背景較復雜的車輛圖像。但是對車牌嚴重褪色的情況，由於檢測不到字元筆畫的邊緣會導致定位失敗。
3) 基於車牌幾何特徵車定位法[14]。我國車牌標准外輪廓尺寸為440*140且為矩形，
整個車牌的寬高比近似為3: 1。利用這種固有特徵進行車牌邊框提取車牌。這類方法只在車牌位置基本保持水平，同時邊框清晰明顯時才有效，但若車牌本身的邊框是斷裂，殘缺的或採集到的圖像偏離水平角度較大，都會影響定位的准確性，故使用范圍較窄。
4) 基於頻譜分析的車牌定位法[15]。該類方法將圖像從空間域變換到頻率域進行分析，
如DFT變換法和採用小波變換法等。小波分析可以在不同的解析度層次上對圖像進行分割，在低解析度層次上進行粗分割，這樣節約時間同時為細分割縮小檢測范圍。而在高解析度層次上實現車牌區域的准確定位。但當車輛圖像中存在燥聲時，會對准確識別車牌區域帶來很大的干擾，影響車牌定位的准確性。