車牌提取演算法

❶ 技術貼：詳解什麼才是車牌識別演算法！

車牌識別是通過圖像分割和圖像識別理論，對帶有車牌信息的車輛圖像進行分析和處理，以確定車牌所在位置，並進一步提取並識別出字元信息。這一過程包含多個關鍵步驟，以下詳細解釋：

第一步：圖像採集

圖像採集方法分為靜態模式和視頻模式兩種。靜態模式下，通過觸發設備（如地感線圈、紅外或雷達）給相機發送信號，相機在接收到信號後抓拍圖像。靜態模式的優點是觸發率高、性能穩定，但需要鋪設線圈或安裝車檢器，工程量大。視頻模式下，相機實時記錄視頻流，無需外部觸發，施工方便。然而，觸發率和識別率可能不如靜態模式。

第二步：預處理

為了確保獲得清晰的車牌圖像，需要對相機和圖像進行預處理。這包括自動曝光、自動白平衡、自動逆光和自動過曝處理，以及雜訊過濾、對比度增強和圖像縮放等。去噪方法有均值濾波、中值濾波和高斯濾波，增強對比度的技巧包括對比度線性拉伸、直方圖均衡和同態濾波，圖像縮放主要通過最近鄰插值、雙線性插值或立方卷積插值實現。

第三步：車牌定位

准確檢測車牌區域是車牌識別的重要步驟。定位方法通常基於車牌字元與背景的交替出現、顏色和形狀特徵，使用投影分析、連通域分析和機器學習等演算法。連通域分析通過檢測並合並具有相同結構和顏色的連通域來定位車牌。機器學習方法通過從大量樣本中提取特徵，訓練弱分類器為強分類器，用於掃描圖像以定位車牌。排除雜訊（如柵欄、廣告牌）是定位的難點之一。系統通常會提供外部介面，允許用戶根據現場環境自定義識別區域。

第四步：車牌校正

受拍攝角度、鏡頭等因素影響，圖像中的車牌可能有水平、垂直傾斜或梯形畸變。進行車牌校正可以去除邊框雜訊，有利於後續字元識別。常用校正方法包括Hough變換、旋轉投影、主成分分析和方差最小法，以及透視變換。這些方法分別通過檢測車牌邊框、投影分析、顏色特徵和方差最小化實現畸變校正。

第五步：字元分割

在定位車牌後，需要提取並分離字元。基於車牌的二值化結果或邊緣提取結果，利用字元結構特徵、相似性、間隔等信息，進行字元分割。常用演算法包括連通域分析、投影分析、字元聚類和模板匹配。污損車牌和光照不均是字元分割的挑戰。

第六步：字元識別

對分割的字元進行歸一化處理、特徵提取和與字元資料庫模板匹配。流行演算法有模板匹配、人工神經網路、支持向量機和Adaboost分類。每種方法都有其優缺點。識別結果包括車牌號、顏色和類型。

第七步：輸出

將識別結果以文本格式呈現，包括車牌號、顏色和類型信息。

以上步驟構成了車牌識別的基本框架。不同環境和需求可能需要調整和優化這些步驟。如果有更多問題或想了解更多，歡迎交流討論。

❷ 車牌識別系統演算法是什麼-真地

汽車牌照自動識別技術
它是利用車輛的動態視頻或靜態圖像進行牌照號碼、牌照顏色自動識別的模式識別技術。通過對圖像的採集和處理，完成車牌自動識別功能，能從一幅圖像中自動提取車牌圖像，自動分割字元，進而對字元進行識別。其硬體基礎一般包括觸發設備(監測車輛是否進入視野)、攝像設備、照明設備、圖像採集設備、識別車牌號碼的處理機(如計算機)等。

自動識別技術分為硬識別和軟識別（其實兩者是相輔相成的）
「硬體識別」就是通過獨立的硬體設備，對所抓拍圖片進行一系列的字元處理；目前停車場系統行業中硬體識別也分為兩種，即帶有單獨的車牌識別儀和前端硬體識別兩種。前端硬體識別一體式攝像機是將傳統單獨的車牌識別儀嵌入至攝像機中，實現前端硬體與攝像機一體化，完美實現圖像抓拍、視頻流傳輸、字元識別、道閘抬桿等一系列的工作。
「軟體識別」可以理解為通過軟體對車牌號碼進行的，通過在電腦上安裝一個配套的車牌識別軟體，對抓拍的圖片進行識別處理。其工作方式是通過攝像機連續抓拍多張照片，選擇其中較為清晰的一張，然後通過電腦軟體進行字元處理，實現車牌識別的。因為每次識別需要抓拍多張照片，因此軟識別的速度較慢。而且軟識別系統對所抓拍的圖片要求也是極高的，必須極為清晰才能達到想要的效果。該系統對現場環境以及調試質量要求極高，在諸多環境不佳的場合都不適用，並且識別設備的擺放也是非常重要的。
軟硬識別的對比：
1、分析識別模式
硬識別系統：採用視頻流分析識別，對監控范圍內的視頻流進行全天候實時分析；
軟識別系統：圖片分析識別，對到達指定范圍內的車輛進行拍照，再對照片進行分析；當車輛位置不佳時，識別易出錯。
2、智能演算法模型

硬識別系統：採用智能模糊點陣識別演算法，准確率更高，識別率大於99.70％。很少需要人工干預。
軟識別系統：OCR/字型拓撲結構識別演算法，會頻繁出現誤識別情況，准確率低於90％。需要人工不斷輸入糾正後的號牌。
3、可靠性及穩定性：

硬識別系統：專用識別器採用TI 公司的高速DSP，雙CPU控制，確保系統可靠性和穩定性。
軟識別系統：軟體識別，容易頻繁出現死機等情況，需經常重新啟動電腦，造成間斷性系統癱瘓。

❸ 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。