關於車牌識別的工作原理和技術參數
實現方法
(一) 檢測車輛（基於混合高斯模型的背景差分法）
-
讀取視頻（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，若像素值大於200的像素點數大於80000且上一幀像素點數小於80000，則視為檢測出車輛並保存改區域的圖片
(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算子邊緣檢測
（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算子檢測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索，若跳變次數小於14，設定為上下邊界並切割，得到jingqueimage
(三) 車牌字符切割（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，設定投影特征值TZ=0.63′mean
2.先從第三個字符開始切割，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，從上升點向左搜索投影值等於0的點作為字符起點，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*32，二值化得到字符
3.第四個到第七個字符的切割方法與第三個字符相同
-
切割第二個字符，選擇車牌寬度的0.35處作為起始點，向左尋找大於特征值的點作為上升點，從上升點向左搜索投影值等於0的點作為字符起點，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′32，二值化得到字符
- 切割第一個字符，切割方法同第二個字符。求後六個字符的寬度平均值，若切割出字符寬度小於平均值的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′32，二值化得到字符
(四) 車牌識別（BP神經網絡）
- 漢字識別
（1）網絡層數：輸入層：560 隱含層：132 輸出層：31
（2）激活函數：Sigmoid函數
（3）神經網絡的訓練參數：
a) 最大叠代次數：10000
b)誤差最小值：0.001
c) 權值更新率：0.07
d) 權值更新沖量：0.07
（4）輸入樣本：
a) 特征提取：512個像素點+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：提取特征並進行預測，輸出省份
- 字母識別
（1）網絡層數：輸入層：560 隱含層：117 輸出層：24
（2）激活函數：Sigmoid函數
（3）神經網絡的訓練參數：
a) 最大叠代次數：30000
b) 誤差最小值：0.001
c) 權值更新率：0.07
d) 權值更新沖量：0.07
（4）輸入樣本：
a) 特征提取：512個像素點+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：提取特征並進行預測，輸出字母
- 字母和數字識別
（1）網絡層數：輸入層：560 隱含層：139 輸出層：34
（2）激活函數：Sigmoid函數
（3）神經網絡的訓練參數：
a) 最大叠代次數：30000
b) 誤差最小值：0.001
c) 權值更新率：0.06
d) 權值更新沖量：0.06
（4）輸入樣本：
a) 特征提取：512個像素點+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：提取特征並進行預測，輸出字母
總結
采用基於視頻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，車輛的視頻檢測、車牌的定位和車牌字符的分割與識別。
由於交通場景的復雜性和多樣性，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。
-
在車牌定位模塊，對於截取圖片中的車輛的距離有一定要求，車輛占比區域太大會造成車牌定位不準的情況。
-
在字符分割模塊，基於大多車牌字符都沒有粘連，本設計采用的投影法。對於字符粘連的車牌會出現分割錯誤。
- 在字符識別模塊，由於漢字神經網絡樣本不足和特征提取不太理想，造成漢字識別率較低。
關於車牌識別的工作原理和技術參數
作者：平大安，歡迎百度搜索“ocr識別平大安”/“車牌識別平大安”聯系調取接口測試。
關於車牌識別的工作原理和技術參數