车牌识别系统开发记录(一) 系统概述收藏

　　车牌识别OpenCVLinJM1月份的时候，我花了几天时间简单实现了车牌识别系统的部分功能最近打算结合OpenCV的学习（SVM、ANN）来进一步介绍下这个系统我前面的博文如下：　　基于opencv的车牌识别解析与代码  LinJM-机器视觉。

　　车辆牌照识别（License PlateRecognition, LPR）技术作为交通管理自动化的重要手段，在交通监视和控制中占有很重要的地位它广泛应用于高速公路电子收费站、出入控制、公路流量监控、失窃车辆查询、停车场车辆管理等诸多重要场合，尤其是在基于车牌识别技术的高速公路收费系统中，相对于射频卡等技术，可以实现不停车收费，提高了公路系统的运行效率。

　　典型的车牌识别系统如图1所示：一、车辆图像获取　　车辆图像获取是车牌识别的第一步，也是很重要的一步，车辆图像的好坏对后面的工作有很大的影响如果车辆图像的质量太差，连人眼都没法分辨，那么肯定不会被机器所识别出来。

车辆图像都是在实际现场拍摄出来的，实际环境情况比较复杂，图像受天气和光线等环境影响较大，在恶劣的工作条件下系统性能将显著下降现有的车辆图像获取方式主要有两种：　　一种是由彩色摄像机和图像采集卡组成，其工作过程是：当车辆检测器（如地感线圈、红外线等）检测到车辆进入拍摄范围时，向主机发送启动信号，主机通过采集卡采集一幅车辆图像，为了提高系统对天气、环境、光线等的适应性，摄像机一般采用自动对焦和自动光圈的一体化机，同时光照不足时还可以自动补光照明，保证拍摄图片的质量；

　　另一种是由数码照相机构成，其工作过程是：当车辆检测器检测到车辆进入拍摄范围时，直接给数码照相机发送一个信号，数码相机自动拍摄一幅车辆图像，再传到主机上，数码相机的一些技术参数可以通过与数码相机相连的主机进行设置，光照不足时也需要自动开启补光照明，保证拍摄图片的质量。

　二、车牌定位　　车牌定位的主要工作是从摄入的汽车图像中找到汽车牌照所在位置，并把车牌从该区域中准确地分割出来，供字符分割使用因此，牌照区域的确定是影响系统性能的重要因素之一，牌照的定位与否直接影响到字符分割和字符识别的准确率。

　　目前车牌定位的方法很多，但总的来说可以分为以下4类：　　（1）基于颜色的分割方法，这种方法主要利用颜色空间的信息，实现车牌分割，包括彩色边缘算法、颜色距离和相似度算法等；　　（2）基于纹理的分割方法，这种方法主要利用车牌区域水平方向的纹理特征进行分割，包括小波纹理、水平梯度差分纹理等；

　　（3）基于边缘检测的分割方法；　　（4）基于数学形态法的分割方法三、车牌字符分割　　要识别车牌字符，前提是先进行车牌字符的正确分割与提取字符分割的任务是把多列或多行字符图像中的每个字符从整个图像中切割出来成为单个字符。

车牌字符的正确分割对字符的识别是很关键的　　传统的字符分割算法可以归纳为以下三类：直接分割法、基于识别基础上的分割法、自适应分割线类聚法直接分割法简单，但它的局限是分割点的确定需要较高的准确性；基于识别基础上的分割法是把识别和分割结合起来，但是需要识别的高准确性，它根据分类和识别的耦合程度又有不同的划分；自适应分割线聚类法是要建立一个分类器，用它来判断图像的每一列是否是分割线，它是根据训练样本来进行自适应学习的神经网络分类器，但对于粘连字符训练困难。

也有直接把字符组成的单词当作一个整体来识别的，诸如运用马尔科夫数学模型等方法进行处理，这些算法主要应用于印刷体文本识别四、车牌字符识别　　与一般印刷体字符识别相比，车牌字符识别尤其自身的特点，它是文字识别技术与车牌图像自身因素协调兼顾的综合技术，目前，车牌字符识别算法主要是基于模板匹配、特征匹配或神经网络的方法。

我国的车牌字符包括50多个汉字，25个大写英文字母，10个数字，总共也就80多个字符，鉴于车牌识别系统的特殊性，如果照搬普通汉字识别的方法，对文字细化后再提取其结构或统计特征，非但得不到意想的结果，反而会降低识别率。

　　下面我要介绍的车牌识别系统的技术概览如下：　　[1] 开发工具VS2012  函数库 OpenCV　　[2] 车辆图像获取（本部分使用图像库）　　[3] 车牌定位 （车牌的垂直边缘+颜色信息+SVM车牌识别）

　　[4] 车牌字符识别 （ANN神经网络识别）参考文献：[1] Johnson A S. Number-plate matching for automatic vehicle identification: Electronic Images and Image Processing in Security and Forensic Science

[2] 朱信忠. 车牌自动识别技术的研究与实现[J]. 长沙: 国防科技大学, 2005.[3] 黄山. 车牌识别技术的研究和实现 [D]. 成都: 四川大学, 2005.[4] Baggio D L. Mastering OpenCV with Practical Computer Vision Projects[M]. Packt Publishing Ltd, 2012.

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。