關於車牌識別的工作原理和技術引數
綜合網上上各種車牌識別方法，總結出一個較為簡單的車牌識別方案，採用VS2013+OpenCv2.4.9實現。並且附上可執行的原始碼以及測試圖片和視訊，詳細引數設定請參照原始碼。識別部分的訓練樣本見我上傳的資源。
實現方法
(一) 檢測車輛（基於混合高斯模型的背景差分法）
-
讀取視訊（avi格式），選定目標區域框用於檢測車輛
- 檢測車輛，基於混合高斯模型的背景差分法檢測前景，經過腐蝕、膨脹後，若畫素值大於200的畫素點數大於80000且上一幀畫素點數小於80000，則視為檢測出車輛並儲存改區域的圖片
(二) 檢測車牌區域（基於HSV顏色空間+形態學方法）
- 車牌粗定位
（1） 改變圖片尺寸（480´320）得到resizeimg
（2） 轉換為HSV空間，並在HSV空間直方圖均衡化
（3） 在HSV空間檢測藍色區域，範圍為(100,90,80)—(130,255,255)，得到blueimg
（4） 對blueimg進行膨脹運算、開運算得到image1
（5） 對resizeimg灰度化
（6） 進行直方圖均衡化
（7）中值濾波
（8）Canny運算元邊緣檢測
（9）進行開運算、閉運算得到image2
（10）對HSV空間檢測藍色分量的image1和邊緣檢測得到的image2進行按位與得到andimage
（11）對andimage進行膨脹運算
（12）尋找最大連通域
（13）圈出最大連通域所在的矩形區域並切割得到ROIimage
- 車牌精確定位
（1）對ROIimage轉換藍色空間並均衡化
（2）檢測藍色區域，範圍為(100,90,90)—(140,255,255)
（3）框出非零點集所在的最大矩形區域並切割得到roimage
（4）Canny運算元檢測roimage並利用hough變換進行水平傾斜校正得到houghimage
（5）對houghimage進行灰度化、二值化（浙大張引二值化）
（6）對二值化車牌水平方向統計黑白跳變次數
（7）從車牌中間向上下搜尋，若跳變次數小於14，設定為上下邊界並切割，得到jingqueimage
(三) 車牌字元切割（投影法）
1.對對車牌進行垂直投影，求垂直方向投影平均值mean，設定投影特徵值TZ=0.63´mean
2.先從第三個字元開始切割，選擇車牌寬度的0.3倍處作為起始點，向右尋找大於TZ的點作為上升點，從上升點向左搜尋投影值等於0的點作為字元起點，尋找上升點後下一個等於0的點作為終點，切割出該部分，對該部分擴充調整其寬高比為0.5，對其歸一化16*32，二值化得到字元
3.第四個到第七個字元的切割方法與第三個字元相同
-
切割第二個字元，選擇車牌寬度的0.35處作為起始點，向左尋找大於特徵值的點作為上升點，從上升點向左搜尋投影值等於0的點作為字元起點，尋找上升點左邊下一個等於0的點作為終點，切割出該部分，對該部分擴充調整其寬高比為0.5，對其歸一化16´32，二值化得到字元
- 切割第一個字元，切割方法同第二個字元。求後六個字元的寬度平均值，若切割出字元寬度小於平均值的0.8倍，則重新尋找下一個為零的波谷作為終點，切割出該部分。對該部分擴充調整其寬高比為0.5，對其歸一化16´32，二值化得到字元
(四) 車牌識別（BP神經網路）
- 漢字識別
（1）網路層數：輸入層：560 隱含層：132 輸出層：31
（2）啟用函式：Sigmoid函式
（3）神經網路的訓練引數：
a) 最大迭代次數：10000
b)誤差最小值：0.001
c) 權值更新率：0.07
d) 權值更新衝量：0.07
（4）輸入樣本：
a) 特徵提取：512個畫素點+32個水平投影值+16個豎直投影值共560維
b) 訓練樣本數：所有省份樣本共1195個
（5） 輸出結果：輸出層共31個，如“京”：0.9，,0.1……0.1，選取輸出的31個值的最大的值為識別結果
（6） 對漢字識別：提取特徵並進行預測，輸出省份
- 字母識別
（1）網路層數：輸入層：560 隱含層：117 輸出層：24
（2）啟用函式：Sigmoid函式
（3）神經網路的訓練引數：
a) 最大迭代次數：30000
b) 誤差最小值：0.001
c) 權值更新率：0.07
d) 權值更新衝量：0.07
（4）輸入樣本：
a) 特徵提取：512個畫素點+32個水平投影值+16個豎直投影值共560維
b) 訓練樣本數：所有省份樣本共1200個
（5）輸出結果：輸出層共24個，如“A”：0.9，,0.1……0.1，選取輸出的24個值的最大的值為識別結果
（6） 對字母識別：提取特徵並進行預測，輸出字母
- 字母和數字識別
（1）網路層數：輸入層：560 隱含層：139 輸出層：34
（2）啟用函式：Sigmoid函式
（3）神經網路的訓練引數：
a) 最大迭代次數：30000
b) 誤差最小值：0.001
c) 權值更新率：0.06
d) 權值更新衝量：0.06
（4）輸入樣本：
a) 特徵提取：512個畫素點+32個水平投影值+16個豎直投影值共560維
b) 訓練樣本數：所有省份樣本共5100個
（5）輸出結果：輸出層共34個，如“A”：0.9，,0.1……0.1，選取輸出的34個值的最大的值為識別結果
（6）對字母和數字識別：提取特徵並進行預測，輸出字母
總結
採用基於視訊檢測的車牌識別系統，測試的場合是小區門禁處靜止攝像機，實現對行駛的車輛進行車牌識別。從功能劃分可以分為三塊，車輛的視訊檢測、車牌的定位和車牌字元的分割與識別。
由於交通場景的複雜性和多樣性，本設計有許多值得進一步研究的地方，主要有以下幾個方面：
-
本設計的計算速度較慢，尚未能滿足實時性的要求。
-
在車牌定位模組，對於擷取圖片中的車輛的距離有一定要求，車輛佔比區域太大會造成車牌定位不準的情況。
-
在字元分割模組，基於大多車牌字元都沒有粘連，本設計採用的投影法。對於字元粘連的車牌會出現分割錯誤。
- 在字元識別模組，由於漢字神經網路樣本不足和特徵提取不太理想，造成漢字識別率較低。
關於車牌識別的工作原理和技術引數
作者：平大安，歡迎百度搜索“ocr識別平大安”/“車牌識別平大安”聯絡調取介面測試。