识别车牌照的方法介绍

识别车牌照的方法介绍（共10篇）（共10篇）

1.识别车牌照的方法介绍 篇一

XXX 车牌识别 施工合同

——车牌识别系统

施工合同书 甲方：

XXXXXXXXXXXXXXXXXXXXXXXXXXXX

合同编号：

乙方：XXXXXXXXXXXXX

合同签订时间：

****年**月**日

地址：XXXXXXXXXXXXXXX

机构代码：XXXXXXXXXXXXXX

法人联系电话：XXXXXXXXXXXXX 根据《中华人民共和国合同法》及其他法律、法规，结合本工程实际施工情况，本着互惠互利、平等及自愿的原则，双方协商，一致同意签订本合同，共同遵守以下条款：

第一条

工程概况

1.工程名称：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

2.工程地点：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

3.工程内容：对

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 车牌识别系统

项目所需的所有设备的供应及安装调试（设备清单见附件）。

第二条

工程合同总价

1.工程总价：XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 元整（人民币: XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 元）。

2.说明：工程总价含税，并包含所有设备的供应及安装施工调试费用。

第三条

工程工期 及验收 ：

1、本工程施工工期为:

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

日历天 2、甲方指定：

XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 为合法项目验收人。

3、具备安装条件时，乙方进场安装施工。乙方安装调试完毕后，甲方应在 15

工作日内组织相关人员进行验收确认，并由指定合法项目验收人 XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 或代表在附件 2 的施工验收单上签字或盖章并回传给乙方，XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 或代表的验收行为即视为乙方已履行施工义务并且该项目经由甲方已验收合格。如有未达要求部分，双方协商限期整改。如甲方在接到乙方验收通知后

工作日内未对系统提出书面整改意见，或未在验收单上签字盖章的，均视为该工程已经由甲方验收合格。

4、工程验收合格代表甲方认可乙方施工的质量，非因乙方故意或者重大过失造成任何损害的，乙方无需为此承担责任。

5、工程工期因下列因素可顺延：

（1）不可抗力（指 9 级以上台风、7 级或以上地震等，以国家相关规定范围为准）；（2）现场不具备施工条件（非乙方原因）；（3）根据实际需求并经与甲方确认对安装现场做出优化调整时；（4）甲方因上级检查或其他情况时需要暂停施工的；（5）非乙方因素造成停工、返工。

（6）甲方逾期付款的。

6、本工程质保期从工程竣工验收合格之日起算 1 年。

第四条

付款方式及账户

1、甲方按以下方式进行付款：

（1）在本合同签订后个自然天内，甲方向乙方支付本合同的预付款，其金额等于合同金额的 60 %，即人民币大写 XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 元整，小写 ￥XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX

元

。若甲方在本合同签订 15 个自然天内未向乙方支付全额预付款项，乙方有权延期发货或解除合同，且不承担违约责任。

（2）工程安装完成并经甲方验收合格后 5 个自然天内，甲方应向乙方支付本合同第 2 笔款项，金额等同于合同总价 35%，即人民币大写

元整，小写￥

元。

（3）壹年质保期到期后 5 个自然天内，甲方支付本合同尾款，金额等于合同金额的 5 %，即人民币大写 XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 元整，小写 ￥XXXXXXXXXXXXXXXXXXXXXXXXXXXXXX 元。

2、甲方通过银行转账汇款支付乙方合同款项，双方不以现金结算。乙方施工完毕后，不视作甲方已支付全部款项，甲方支付的款项以银行转账为准，每次付款前，乙方应向甲方提供与本合同相应的工程发票。

3、如施工日前，甲方尚有过往交易中产生的到期应付乙方的货款未付清（下称：逾期货款），甲方应当在施工日前向乙方付清全部逾期货款。否则乙方有权顺延施工时间直至甲方付清全部逾期货款，且不承担违约责任。

4、若由于甲方原因造成的工程工期延长且超过 1 个月的，乙方可根据实际施工进度申请甲方支付乙方多支出的全部成本，包括但不限于人工费及材料费等。

5.账户信息 公司名称：

银行账号：

开户行：

第五条

双方职责及义务 1 1、甲方职责及义务

（1）指派专人在工程地点及时对乙方施工所提需求进行配合；（2）协调乙方与现场其它部门和单位的关系，为乙方提供施工现场水、电及临时存放场地等施工条件，协助做好施工现场的安全；（3）本合同约定项目的产品中如涉及非乙方自主研发生产的常规外购设备硬件或操作系统，如服务器、岗亭电脑等，由甲方自备或甲方委托乙方代为采购，代为采购的费用另议。代购设备到达甲方后，甲方应自行验收，如发现设备不符合合同约定要求，甲方应在 3 个工作日内书面通知乙方，以便乙方协助甲方向供货方维权。产品质保期出现质量问题，乙方可协助甲方向厂商要求售后保修服务，但因此造成的任何损失乙方不承担赔偿责任。

（4）本合同约定的工程所用产品备品备件、增补替换件，甲方需从乙方或乙方授权的正规渠道采购，否则因此引起的系统故障、损坏乙方概不负责，因此造成的任何损失乙方不负赔偿责任。

（5）服从乙方工程管理，指定现场常驻管理员，保证工程质量；（6）若甲方损坏乙方设备、设施应予对应设备市场价赔偿；（7）按合同要求及时办理拨款和结算并对项目金额保密。

（8）非因乙方产品质量或乙方安装质量导致甲方或第三方人身、财产损失的，甲方应承担相应的损害赔偿责任。2、乙方职责及义务

（1）按甲方要求的施工周期完成设备的安装及调试；（2）按技术要求保证系统正常运行；（3）供应的货物，除甲方使用过程中人为破坏、第三者故意或非故意损坏、自然灾害及人力不可抗力因素损坏外，超出免费质保期限的设备，乙方提供有偿维修服务；（4）遵守各项管理制度，严格按照规范施工，施工期间发生的施工事故由乙方自行负责。

第六条

合同的补充、变更、终止

1、如因项目发展需要对本合同内容进行补充、变更、修改，由双方或任何一方提出补充、变更、修改的建议和方案，经双方协商并达成统一意见后，以书面形式确认，并由双方签章后补充为本合同的附件，与本合同具有同等法律效力。

2、甲乙双方向对方发出的所有通知、请求应使用书面形式，并以中文进行。如有变更事宜，需经双方协商后书面签章生效，传真件有效。合同所有附件皆为本合同的重要组成部分。

第七条

违约责任

1、乙方无合法事由逾期完工的，每逾期一天应向甲方支付合同总款项 1‰的违约金。

2、甲方无法定事由逾期付款的，每逾期一天应向乙方支付合同总款项 1‰的违约金。

3、若甲方未经双方协商拒绝履行合同义务，则乙方有权解除合同，并拆除已施工设备，不退回甲方已支付款项，同时甲方需向乙方支付违约金，违约金为合同总款项的 20%。

第八条

争议解决

合同未尽事宜，由双方协商解决。凡因本合同引起的或与本合同有关的任何争议，应提交乙方所在地具有管辖权的法院按照相关法律法规进行诉讼裁决，同时由违约方承担另一方因此产生的诉讼费、律师费、保全费、差旅费等一切费用。且合同载明的甲、乙双方地址可作为各类通知、协议等文件以及就合同发生纠纷时相关文件和法律文书送达时的送达地址，地址如有

变更，应当书面通知对方。因载明的地址有误或未及时书面告知变更后的地址，导致各类文书未能实际被接收的，邮寄送达的，文书退回之日即视为送达之日。

第九条

签订、生效时间

1、本合同于

****年**月**日签订。

2、本合同自双方签字并盖章之日起生效。

第十条

合同份数

本合同一式 贰 份，甲乙双方各执 壹 份，具有同等法律效力，复印件、传真件有效。

甲方（盖章）：

乙方（盖章）：

代表签字：

代表签字：

日期：

****年**月**日

日期：

****年**月**日

件 合同附件 1 ：

施工设备清单

序号

设

备

名

称

品牌

型号/ / 参数

单

位

数量1

一、出入口设备2

入

口

道

闸

直杆道闸

XA-ZG-01 台 2 3 3

车辆检测器

通用型 台 0 4 4

地感线圈

加强型 米 0 5 5

出入口车牌识别设备

XA-GQ-07 套 3 6 6

含：

高清识别相机

XA-XJ-07 套 3 7 7维支架

套 3 8 8

双色四行显示屏 304*152 双色模组 套 3 9 9

屏幕组电源 5V 10A 套 3 10

主板开关电源 12V 5A 套 3 11

红绿灯与背光板

套 3 12

专用控制板

套 3 13

豪华型一体机箱

套 3 14

LED 补光灯

套 3 15

无牌车辅助摄像机

二、收费岗亭设备

管

理

处

设

备

收费管理计算机

台

岗亭/门卫室

套

车牌识别系统软件 XA

套 1 21

高清硬识别狗 XA

个 3 22

三、线材、管材、施工材料、网络设备

交换机

千兆 台 5 24

电源线 2*2.0

米 400 25

标准网线

米 900 26

线管

米 一批 27

其他辅材

一批

件 合同附件 2 ：

施工验收单

工程编号 XA-ZQ-2018-8 工程地点

工程名称

建设单位

施工单位

开工日期

****年**月**日 竣工日期

****年**月**日 工程质量 合 格 验收日期

****年**月**日 验收内容：

1.车牌识别按规则自动起杆功能

 2.微信在线缴费功能

 3.防止业主刷摩托车卡后行驶汽车进入的功能 

4.远程云端管理功能

 5.集团化车场管理功能

 6.临时车月租车管理功能



验收结论：

验收合格：□ 其

他：

甲方 乙方 签字盖章：

盖章日期：

****年**月**日

签字盖章：

盖章日期：

****年**月**日

2.识别车牌照的方法介绍 篇二

关键词：模糊增强,PCA子空间,投影残差距离,车牌识别

0 引言

随着模式识别和图像处理等技术在智能交通中的应用,车牌识别作为智能交通中的研究重点也引起了越来越广泛的注意。一个完整的车牌自动识别系统如下图1所示。目前对该方面的研究虽然已经取得了一定的进展,但由于我国车牌的特殊性,不仅有数字、英文字母,还有汉字;另外受交通道路上实际环境如光照、角度、天气的影响,使得拍得的车牌图像质量很差,这些都为车牌的识别带来了困难,尤其是准确地识别出车牌中的汉字更是难点中的难点。

1 车牌汉字图像的预处理

考虑到实际拍摄到的车辆车体颜色与背景颜色的对比,以及实际的车辆车牌有黄底黑字和蓝底白字两种,在车牌汉字的识别之前,先对其进行灰度化处理,同时也避免了传统的二值化过程中不必要的结构信息丢失。然后对蓝底白字的车牌汉字图像进行反色处理,使得两种车牌汉字相对于背景都表现为深色。最后再用双线性插值的方法将处理过的车牌汉字图像归一化,得到大小为40X40的汉字图像如图2所示。二级标题的正文部分。

2 模糊增强

实际道路上受到光照、天气和角度的变化,使得车牌图像差异较大,清晰度不一,质量变低。因此,在识别之前为了提取到有效的特征,先对车牌汉字图像进行对比度的模糊增强,提高图像的质量。在此选用广义模糊算子的图像增强算法。其算法实现如下:

首先,根据车牌汉字图像的直方图特征,利用模糊熵确定阈值参数XT,使得XT接近图像的直方图谷底。XT表征的是图像中需要增强或者减弱的灰度值边缘,当图像的灰度值大于XT时,则使其更大,当图像的灰度值小于XT时,则使其更小。

其次,将待识别的汉字图像x从空域的灰度值G={g(i,j)}映射为与之对应的广义隶属度μ={μ(i,j)},其映射公式为:

接着,利用广义模糊算子(GFO算子)对广义隶属度μ进行非线性变换,广义模糊算子定义如下:

式中,m和n为常数,它们的取值范围为0燮m燮1,n>0。

由上式可知,通过调节参数m和n值的大小,广义模糊算子可以控制图像增强的程度,m值越小,去除背景的能力越弱;n值越小,增强脊线与谷线的对比度的能力越弱。也就是说,通过降低区域中的值和增加区域中的值,广义模糊算子实现了增强两个区域之间对比度的目的。

最后,将μ*(i,j)进行逆映射运算,可以得到二维空间区域的灰度图像。设经过模糊增强后的灰度图像的像素灰度值为G*={g*(i,j)},则逆映射过程可定义为:

3 主成分分析分类

PCA(主成分分析)是一种掌握事物主要矛盾的统计分析方法,它可以对原有的数据进行简化分析,去除噪音和冗余,将原有的复杂数据降维,找出数据中最“主要”的元素和结构,揭示隐藏在复杂数据背后的简单结构。它的优点是简单,而且无参数限制,可以方便的应用于各个场合。利用PCA建立的子空间族要求各子空间是用每一类样本集中最显著的特征来表达,各子空间之间差异性显著,各自有自己的显著性特征集。在此利用车牌汉字图像模糊程度的差异来建立子空间族,模糊程度差别越大的可区分性越强。利用PCA方法提取其主要的分类特征建立子空间族的过程如下:

①根据汉字图像的模糊度将每类的训练样本分为K个子集S1,S2,…SK。设待识别的样本为x,每个子集Sj(j=1,2…,K)的样本数为Ni。

②将每个子集的样本按行或列排成特征向量,并计算其协方差矩阵

其中,xa表示第a类样本,为第j个子集样本的均值,即

③根据奇异值分解定理计算Rj的各本征值λ1,λ2,…λp和本征向量,再将得到的本征向量正交归一化得协方差矩阵Rj的本征向量U=(u1,u2,…,up),对特征值以降序排列(λ1≥λ2≥…≥λp),然后按以下判别规则来确定子空间的维数m;

其中0.80<c<1,为一常数,在此取c=0.90,m为使该式成立的最小正整数。同时认为利用(u1,u2,…,um)的线性组合可以对该样本集进行完整的描述,故称由(u1,u2,…,um)张成的子空间为特征子空间L,且L=L(U*)(7)

其中,U*=(u1,u2,…,um),然后将模糊度范围相同的子空间构成一个集合,就得到相应的子空间族。

④各子空间的投影矩阵P=U*U*T,待识别的样本x在各子空间的投影参差距离

使得dS(x,L)取得最小值时的子类样本集即为x所属的类别。

4 汉字图像的识别

在利用PCA的方法建立子空间识别汉字时,由于受到实际环境的干扰及其他因素的影响,导致车牌的图像都会有不同程度的污染和模糊,如果直接进行PCA降维,建立子空间的话,则会使得各子类内部的类间距相差过大,提取的特征向量不明显,导致识别率下降。所以我们先对车牌汉字图像集利用广义模糊算子进行模糊度增强,这样保证了图像的质量,从而使得子集的类内距小,类间距大,有利于分类。然后对每个子集按PCA降维的方法建立不同的子空间。这样在后面的识别过程中,可直接将识别的汉字图像经过模糊增强处理后,在各个PCA子空间中计算投影残差距离,判别所属的类别。整个的识别流程可概括如下:

①对所有的样本进行预处理;

②根据前面所述的方法用广义模糊算子对所有样本进行模糊增强处理;

③对处理后的样本进行PCA降维建立相应的子空间;

④将待识别样本进行模糊增强后,投影到PCA子空间中,计算其与各子空间的投影参差距离;

⑤选择投影参差距离最小的子空间所对应的样本类别,即为待识别样本所属的类别。

5 实验结果及分析

实验中的样本均为在实际的交通道路上根据不同的天气环境下从不同的角度对车辆拍摄所得。我们取20个省份的4000幅车牌图像,每个省份各200幅,其中100幅作为训练样本,剩余的100幅作为测试样本。由于受到不同程度的影响,图像质量也各不相同,有一部分清晰可见,有一部分模糊,然后对这些样本图像预处理,处理后的部分效果图如图2所示。再按照本文介绍的方法对车牌汉字进行识别,其识别结果与传统PCA方法的比较如表1所示。

由表1可知,本文中所提的方法相对与传统的PCA方法准确率更高,但是消耗的时间长于传统PCA方法,但也符合实际应用中的实时性要求,总体来说其效果更优。这是由于在本文的方法中,经过模糊增强处理后,使得各子类的类间距离大于处理前的类间距离,类内距离小于处理前的类内距离如图3所示。

这样保证了各个子类内部具有更好的相似性,各个子类之间具有更好的区分性,更有利于PCA提取特征向量,也就提高了识别率。而且用本文中的方法得到的PCA重构误差较为均衡,可以兼顾到样本子类中的绝大多数样本,没有像传统PCA过程中出现那么多的起伏。重构误差

其中,x为待识别样本,X*为利用PCA得到的图像重构,且

式中,X为x对其所属类别特征矩阵U的投影向量,且

在图4中,我们可以看出利用本文的方法得到的重构误差更小更平稳,能有效地提取到不同模糊程度的样本类经过模糊增强后的典型特征,获得更强的模式表征能力,识别率因此更高。同时,在相同的条件下将本文中的方法与其他方法进行比较如表2所示。

可以看出本文的方法在准确率方面更高,实时性方面也相对较好,不需要太多的人工参与,具有一定的先进性和可行性,满足车牌汉字识别的需求。

6 结论

文章中提出了利用广义模糊算子对图像质量较差的车牌汉字图像经过模糊增强处理后,结合PCA空间降维法建立子空间进行汉字识别的方法,经过对大量实际车牌的汉字测试后,可以看出这种方法识别率高,实时性好,同时也可以应用与其他的图像质量变化范围较大的分类识别中,具有一定的应用前景。

参考文献

[1]Caner H,Gecim H S,Alkar A Z.Efficient embedded neural network based license plate recognition system[J].IEEE Transaction on Vehicular Technology,2008,57(5):2675-2683.

[2]王运琼,刘直芳,肖飞.基于对称性的实时车标定位和识别方法.系统仿真学报,第21卷第4期.2009年2月.1004-731X(2009)04-1095-06.

[3]李珺,党建武.一种快速实用的车牌字符识别方法.微计算机信息(嵌入式与SOC),2010年第26卷第1-2期.1008-0570(2010)01-2-0211-02.

[4]WU Cheng-dong,FAN Yu-quan,ZHANG Yun-zhou,et al.License plate recognition method based on improved KPCA algorithm[J].Journal of Northeastern University.Natural Science,2008,29(5):629-632.

[5]JIANG Wei-feng,LIU Ji-lin.Recognition of a limited Chinese character set based on PCA learning subspace algorithm[J].Journal of Image and Graphics(中国图像图形学报),2001,6,(A)(2):186-190.

[6]WANG Xian-mei,WANG Hong,XIE Bin.Character recognition by distance-based similarity and HMMs[J].Journal of Optoelectronics.Laser(光电子.激光),2008,19,(8):1100-1103.

[7]王叶,张洪刚,方旭,郭军.基于改进的LBP的低分辨率车牌汉字识别,中文信息学报.第23卷第5期,2009年9月.1003-0077(2009)05-0086-06.

[8]Christos-Nikolaos E Anagnostopoulos,Ioannis E Anagnos-topoulos,Ioannis D proroulas,et al.License plate recognition from still images and video sequences:A survey[J].IEEE Transactions on intelligent transportation svstem.20089(31:377-391.

3.基于图像处理的车牌识别研究 篇三

关键词：图像处理 车牌定位 字符分割 字符识别

中图分类号：TN91 文献标识码：A 文章编号：1674-098X（2015）06（a）-0020-02

Abstract：Algorithms of License plate recognition are researched in this paper.Firstly，Canny operator and morphological operation are employed on image after graying and threshold to locate the license plate.Secondly，vertical projection is used for character segmentation.Thirdly，the template matching algorithm is carried out for character recognition.Simulation results in Matlab show that the algorithm here can identify the license plate effectively.

Key Words：Image Processing License Plate Location Character Segmentation Character Recognition；

车牌识别不仅可用于公路布控、高速公路上的事故自动测报、小区车辆管理等，还是智能交通的核心环节。国内外学者对基于图像的车牌识别进行了很多研究，但目前还没有一种车牌识别算法可以获得非常理想的识别效果。车牌识别的流程一般是车辆图像的预处理、车牌定位、字符分割和字符识别。该文针对静态图像的车牌识别，研究了基于边缘检测和形态学滤波的车牌定位，基于投影算法的车牌字符分割和基于模板匹配算法进行车牌字符识别，并进行了仿真分析。

1 车牌图像预处理

车牌颜色种类较多，不同颜色的车牌灰度化后可以统一处理。阈值分割可以将目标区域和背景分割开来，方便后续定位和识别。该文首先采用加权平均值法对图像进行灰度化，然后采用otsu算法进行阈值分割，得到的灰度图和二值图如图1和图2所示。

可见，灰度化后的图像没有丢失主要信息；二值图消除了大部分背景信息，较准确的分割出了车牌区域，有利于后续的车牌定位和提取。

2 车牌定位与提取

2.1 车牌定位

该文采用边缘检测和形态学操作进行车牌定位。边缘检测能显示图像的大体轮廓，但检测后的车牌边缘是不连续的。形态学处理中闭运算可以使图像的轮廓线更为光滑，消除狭窄的间隙和细长的鸿沟，消除小的孔洞，弥补轮廓线中的断裂，开运算能消除细小部分[1]。

对灰度化和二值化后的图像进行Canny边缘检测，如图3所示。可见，目标边缘被比较完整的检测出来了，但边缘连续、不完整的情况依然严重，很多背景边緣信息也被保留了。为改善效果，对边缘检测后的图像进行形态学操作。进行一次闭运算和两次开运算，结果如图4所示。形态学操作较准确的定位了车牌区域，并消除了部分干扰和小连通域。

2.2 车牌提取

车牌具有一定的长度和宽度，因此车牌定位后的图像上，非零像素点集中在某些行和列上，可以根据这一特点进行车牌提取。对形态滤波后图像进行行、列方向上的像素点扫描，统计得到像素值和，据此确定车牌的起始位置和终止位置[2]。图5和图6为车牌在行、列方向上的像素值和，车牌行方向像素集中在900～1200区域，车牌列方向像素集中在1600～2300区域，其它区域的像素则为干扰。

车牌具有一定的宽高比，可以排除干扰。最后可分割出车牌图像如图7所示。

3 车牌字符分割

车牌字符之间存在均匀的间隔，在垂直方向上的投影峰谷交替，因此可以利用垂直投影法提取字符[3]。垂直投影如图8所示，垂直投影共八个区域，其中在300～400列间的区域对应园点。可根据垂直投影方便的分割出每个独立字符。为了字符识别的准确性，将分割出的字符图像进行归一化处理[4]，如图9所示。

4 车牌字符识别

该文使用的是模板匹配法实现的字符识别，其基本思想是将归一化的字符与预先建立的模板库中的字符进行匹配，模板库中的字符与车牌字符相似程度最高的就是匹配结果。模板匹配法实现简单且识别率高，是车牌字符识别的主要方法[5]。

该文采用了一种快速匹配方法，将车牌字符与模板库中的各字符图像相减，得到差值图像，计算差值图像的像素的绝对值和，该值表示了车牌字符和模板库字符之间的误差。最小误差所对应的模板库字符就是匹配字符。以数字“6”的模板识别为例进行说明。表1所示为数字6的模板匹配情况，可见最小误差对应的模板库字符为“6”，该方法可正确识别。

5 结语

该文采用灰度化和阈值法进行了图像预处理，采用Canny缘检测和形态学操作进行了车牌定位，采用基于垂直投影的垂直切分算法对车牌进行了字符分割，采用模板匹配的算法对车牌字符进行了识别。仿真结果表明，设计的车牌识别算法可有效地实现车牌识别。

参考文献

[1]闫敬文.图形图像处理（MATLAB版） [M].北京：国防工业出版社，2007：79-82.

[2]袁卉平.基于MATLAB的车牌识别系统的设计与研究[J].工业控制计算机， 2010，23（10）：73-74.

[3]陈宁宁，苏坤.基于MATLAB的车牌识别系统研究与实现[J].电子测试，2013， 22（2）：67-68.

[4]刘忠杰，宋小波，何锋，等.基于MATLAB的车牌识别系统设计与实现[J].微型机与应用， 2011，30（14）：37-40.

4.车辆临时牌照介绍 篇四

申请条件：

一、申领临时号牌的对象和范围

临时号牌的使用带有时限性和区域性。符合下列条件之一者,可向当地车管所申领临时号牌:

1、从车辆购买地驶回使用地时,需在购买地车管所申领临时号牌;

2、车辆转籍,已缴正式号牌时,需在当地车管所申领临时号牌,以便驶回本地;

3、在本地区未申领正式号牌的新车,需驶往外地改装时,需在本地申领临时号牌,改装完毕,在当地申领临时号牌驶回 原地区;

4、尚未固定车籍需要临时试用的。

二、办理临时号牌的手续

申领者需持有单位介绍信、车辆来历证明、合格证,以及其它有关证明(除介绍信存档外,其余退还给申领者),到车管所办理。办理时应讲明车辆行驶起止地点和使用临时号牌的时间。经管理人员审查和对车辆进行检查合格后,发给临时号牌,并签署有效期和起止地点。

办理手续

领取临时号牌时须按要求，填写《临时行驶车登记表》，提交以下资料：(一)机动车所有人和代理人的身份证明；(二)机动车来历凭证；(三)国产机动车的整车出厂合格证，进口机动车的进口证明；(四)车辆识别代号(车架号码)和发动机号码拓印模。

车管所审核上述资料符合规定，并对车辆进行安全技术性能检测合格，予以核发临时行驶车号牌，并签署有效期和起止地点。

处罚

新车使用临时牌照不得超过15天，车主应及时向车辆管理机关申请使用正式牌照。过期后，会面临暂扣车辆、罚款200元、扣12分的处罚决定。

申领类型

“天蓝底纹黑字黑框线”的临时行驶车号牌：仅限于本市范围内行驶的机动车。“棕黄底纹黑字黑框线”的临时行驶车号牌：供机动车跨市行驶使用。比如，您在杭州买了一辆新车，在未上正式号牌的情况下，要驾车赶往宁波，这时您就要申请“棕黄底纹黑字黑框线”的临时行驶车号牌，而不是申请“天蓝底纹黑字黑框线”的临时行驶车号牌。

“棕黄底纹黑字黑框线（试）”的临时行驶车号牌：仅限于试验用机动车使用，在临时号牌的右侧印有“试”字字样。

“棕黄底纹黑字黑框线（超）”的临时行驶车号牌：特型机动车使用，即指轴荷和总质量超限的工程专项作业车和超长、超宽、超高的运输大型不可解物品的机动车。在临时号牌的右侧印有“超”字字样。

怎么贴

5.识别车牌照的方法介绍 篇五

1、车牌识别布线原理图：

2、车牌识别一体识别摄像机（以下简称车牌摄像机）的安装及接线：

上图可以看出，车牌摄像机的安装类似安装普通的摄像机，主要是以下几个步骤，（1）、选点打孔，施工人员现场规划确定好车牌摄像机安装位置后，将摄像机支架立于此，记号笔描点。然后用

打孔工具套用直径为12mm转头地面打孔，深度根据固定支架的膨胀螺丝长度+1cm而定（膨胀螺丝推荐直 径10mm）。（2）、穿线、固定支架，固定孔转好后，清理干净灰尘，将布线原理图中所示的网线、220V电源线、道闸控制线

穿进摄像机支架管道里再从支架顶部孔位穿出预留1米左右长度余线。然后将摄像机支架对准膨胀孔位，用膨胀螺丝固定；（推荐用直径10mm的膨胀螺丝，相应打孔转头推荐直径12mm）

如图

（3）、固定摄像机，用所配的摄像机套架，连接头（又称鸭嘴舍）

如图，经历三个步骤，套架固定于立柱（一般高度在离地130cm处），鸭嘴舍固定于套架上，摄像机固定于 鸭嘴舍上面；这3个连接点可以配合使用调节车牌摄像机角度，调好后拧紧各固定点的螺钉即可；（4）、车牌摄像机接线，摄像机固定好以后，打开摄像机盖子，即可看到车牌摄像机里面接线柱如下图

3、车位显示屏的安装及接线（主推L型显示屏，带语音）

（1）、显示屏安装：显示屏拆封后，找到相应固定配件，将显示屏固定于车牌摄像机立柱支架上适合的高度，如图

（2）、显示屏接线

显示屏固定好后，可以看到有3根线从屏里面输出，具体接线如下图介绍：

4、道闸机的安装及接线

（1）、安装：打开道闸机，看底部，用相应的膨胀螺丝将其固定于指定位置即可如下图

固定孔位打孔用合适尺寸

的膨胀路上固定即可；（2）、接线: 摄像机固定好以后，接线主要看道闸机控制盒上面，一般主要接三种线，即道闸机电源线，道闸控制

线，地感线。具体标识如下图：

（3）、调试：把道闸杆子上好（必要时要根据需要调节一下里面的联动弹簧），确保道闸机接线无误后，通电可用

所配遥控器控制道闸机升降进行测试；

5、岗亭接线（岗亭里面主要连线有两种线）：

（1）、网线：电脑的网线，外面车道安装的一体车牌摄像机拉进来的网线，都连接在同一个交换机

或者路由器的LAN口上面，另外给管理电脑固定IP地址：192.168.1.***段的IP即可。

（2）、AC220V电源线：外面所有车道设备拉进来的220V电源线从岗亭电箱处取电，建议单独加个

总电开关控制电源通断，通电之前，请再次检查外围车道设备接线，确保无短路，漏电 等安全隐患；

6、结语

以上关于摄像机的安装位置是我们推荐教程，安装方法客户也可以自己按经验施工，最终目的保证摄像机拍摄到3m到6m左右的车牌在软件中显示效果无扭曲变形，保持水平。如图。另外显示屏安装位置客户也根据需要灵活选点安装；本教材旨在教会客户怎么布线，怎么接线，具体安装位置客户可灵活决定。教程仅供参考。

6.识别车牌照的方法介绍 篇六

目前我国高速公路收费、停车收费、城市道路监控等大部分工作基本都是由人工完成, 但随着社会现代化程度的提高, 这种方式已经愈来愈成为阻碍交通发展的瓶颈。基于机器视觉的车牌自动识别法, 可以在无需为车辆加装其他特殊装置的情况下实现车辆的自动监测, 为交通系统的自动管理提供极大的方便, 因此近年来已成为模式识别和智能交通领域的研究热点。

从20世纪90年代初, 国外的研究人员就已经开始了对汽车牌照识别的研究[1,2,3]。但由于我国车牌的格式与国外的有很大的差异, 并有汉字识别的问题, 所以国外的方法只能作为参考。90年代末国内许多单位如:中国科学院自动化所[4]、清华大学[5]、北京航空航天大学[6]、昆明理工大学[7]、华南理工大学[8], 大连理工大学[9]等也开始了车牌识别方面的研究工作。然而车牌识别系统虽然在实验室里已经取得了令人满意的效果, 但很难应用于实际工程中, 这是因为实验室的环境是处于理想状态的, 而在自然环境里, 由于受到天气等因素的影响, 识别率很难达到要求。特别是在光照不佳的情况下 (包括曝光过度、曝光不足、阴影等) , 图像灰度可能会局限在很小的范围内。这时图像表现为低信噪比、低对比度、低空间分辨率, 图像的视觉效果很模糊。因此, 如何提高光照不佳下车牌图像的质量和分辨率是一个亟待解决的问题。

本文提出一种基于小波变换对光照不佳下的图像进行增强的方法。该方法能很好地解决消噪和保留图像图像细节之间的权衡问题, 改善了图像的清晰度, 使得图像的后续处理更便捷, 从而提高图像的识别准确性。

二、基于小波变换的图像增强

2.1小波变换定义

2.2小波阈值增强的基本思想

(1) 先对含噪信号做小波变换, 选择合适的小波和小波分解层数j, 得到相应的小波系数;

对观测图像信号, 其中s (k) 为原始信号, n (t) 为方差为的噪声。对f (k) 进行小波分解后, s (k) 所对应的各尺度上的小波系数Wj, k在某些特定的位置有较大的值, 这些点对应于原始信号s (k) 的奇变位置和重要信息, 而其它大部分位置的Wj, k值较小。对于噪声n (t) , 它所对应的小波系数在每一尺度上是均匀分布的, 而且值较小, 并随着尺度的增加, 其幅度值减小。文献[10-12]中都利用了小波变换的思想对图像进行去噪和分割。

在小波域阈值增强的算法中, 阈值函数选取和阈值确定是两个最基本的问题。

阈值函数主要分为:硬阈值函数、软阈值函数和半软阈值函数, 硬阈值函数法往往使得滤波结果具有较大的方差 (主要因为滤波后的不连续性) , 而软阈值函数法使滤波结果有较大的偏差 (主要因为其对所有大于阈值的系数共同做了收缩) 。总的来说, 硬阈值函数法可以很好地保留信号或图像的边缘等局部特征, 但滤波结果则相对平滑得多, 但可能会造成边缘模糊等失真现象。为了克服软阈值法和硬阈值函数法的缺点, Gao Hong Ye提出了另一种阈值函数, 即半软阈值函数, 并在此基础上推导出了基于半软阈值法的Minimax阈值, 它不仅保留了较大的系数, 而且具有连续性。然而这种方法需要确定两个阈值, 增加了算法的复杂度。鉴于上述分析, 本论文采用Gao Hong Ye提出的Garrote函数作为阈值函数。此函数法与上述的各种阈值方法得到的滤波结果是渐进相等的, 其形式如下所示:

2.3去噪后的结果

本文选用Daubechies构造的小波[13], 进行图像去噪, 滤波前的图像如图1所示, 其中图1 (a) 为曝光不足的图像, 图1 (b) 为曝光过度的图像, 图1 (c) 为树荫下被阴影遮挡的图像。

三、车牌识别

车牌识别的方法有很多, 主要有基于纹理特征的分析、基于边缘检测的方法、基于数学形态学定位、基于小波分析定位、基于彩色图像定位等[14]。本文的车牌图像经过上述小波阈值滤波处理后, 像素区域与其周围的像素灰度有了很大的阶跃变化, 即拍照区域的字符和背景有很明显的边缘, 因此, 本文选择了基于边缘检测的车牌识别方法。

3.1边缘检测

常用的检测算子有Roberts边缘算子、Prewitt算子、Sobel算子以及拉普拉斯算子。由于经过小波处理后的图像质量较高, 4种算法检测的效果差异不大, 本文选用Roberts边缘算子, 它是一种利用局部方差算子寻找边缘的算子。

对经过小波滤波后的图像用Roberts算子进行边缘检测后的结果如图4所示, 可以看出, 用Roberts算子检测边缘后有效滤除了不必要的信息, 减少了车牌区域定位的运算量。

3.2车牌识别

进行模板匹配后, 得到一组相似概率, 根据相似概率的情况作如下处理:

(1) 当匹配概率中存在唯一较大值时, 直接通过匹配概率识别该字符。

(2) 多个字符模板匹配概率均较大时, 需要进行后验处理。后验处理有两种情况:一种是字符之间的包含关系, 另一种是字符之间的相似关系。

字符之间的相似关系是指两个字符之间结构相同, 如字符“8”和“B”等。不变矩是图像的重要全局特征之一, Hu矩是具有旋转、平移和尺度不变性的不变矩。王波涛等在不变矩基础上提出的相对矩更具有一般性[15], 文中使用了相对矩中的前2个来区分相似字符, 其公式如下:

通过计算样本图像相对矩的值, 获得其与标准字符相对矩设定值的一组欧式距离, 选择距离最近的字符作为该字符的识别结果。

(3) 如果所有的匹配概率都比较小, 说明该字符在二值化过程中出现了缺损, 需要对其单独处理。文中采用局部二值化方法进行处理, 补齐该字符的缺损部分后重新进行字符识别。

四、实验及结论

为了验证本文算法的有效性, 对光照不佳条件下所采集的汽车图像进行大量的实验, 实验结果如表1所示。

从表中可以看出, 此算法能较好的对光照条件不佳下的车牌进行识别, 三种情况中曝光过度下的图像识别准确性相对较低, 这是由于一些曝光过度的图像很难再恢复。

总上所述, 本文提出一种基于小波分析对光照不佳下的图像进行消噪的方法。针对车牌图像曝光过度、曝光不足、阴影的问题, 通过小波变换对图像进行了去噪和增强, 从而提高了在后续检测中准确性。H

摘要：针对目前车牌识别技术在光照不佳的情况下 (包括曝光过度、曝光不足、阴影等) , 识别准确性较低的情况, 本文提出一种基于小波变换对光照不佳下的图像进行增强的方法。通过小波阈值方法来进行图像增强, 有利于去除干扰, 突出车牌区域。实验表明此方法提高了光照条件不佳下车牌识别的准确性, 有较高的实用价值。

7.识别车牌照的方法介绍 篇七

关键词：车牌识别；机器视觉；图形图像；模式识别；神经网络一、车牌识别的核心技术

车牌识别系统主要可分为原始图的采集、图像预处理、车牌定位、字符分割以及字符识别几大部分。

（一）预处理概述

一般刚采集的图像是彩色图像，加上国内车牌颜色的多样性（如白底黑字、黑底白字、黄底黑字及蓝底白字等），为了能够更好的对车牌进行图像处理，首先要对抓

（二）车牌定位方法

车牌定位是基于图像处理中的分割技术对整个车牌图像进行车牌区域分割提取。由于我国车牌种类繁多且背景色复杂，实现一种可以通用的车牌定位提取方法是十分复杂的。典型的车牌定位方法流程如图2所示：图2

边缘检测的基本思想是基于图像边缘进行分析处理，该过程不仅可以降低不相关数据的运算，同时可以忽略一些干扰信息，将图像原本最重要的特征信息保留下来。一般边缘检测采用的算子为Roberts和Sobel。而针对于车牌识别中车牌定位的提取，基于原有技术的基础上，可采用一种结合与改进的Roberts算子边缘检测与形态学的车牌定位算法：一是增加两个方向的检测模版； 二是Roberts算子阀值的自动选取。

形态学处理是基于数学形态学的技术，数学形态学具有解析和叙述几何形态学的功能。其基本运算有四种：开运算、闭运算、膨胀以及腐蚀，在车牌识别中可先对边缘检测好的图像进行腐蚀，再根据车牌的一些先验知识对图像做填充及滤波处理最终得到车牌位置。

在完成车牌定位之后，在车牌字符分割之前需要对已定位好的车牌进行倾斜校正处理。一般可采用Hough变换调整水平方向， Rodon变换调整垂直方向。

（三）基于垂直投影并结合连通域及模板匹配的分割方法

基于传统算法的优缺点，采用一种基于垂直投影法并结合连通域及模板匹配法进行字符分割，首先是根据连通域找出字符之间的宽度，然后再结合投影法确定单个字符的位置，最后再参考字符之间宽度建立一个分割模板。

为了能够对分割出来后的单个字符进行统一的尺寸管理，提高字符识别率，可以将分割后的单个字符统一归一化，设置其高度和宽度的像素大小分别为40和20。

（四）基于神经网络的字符识别方法

设定两个识别模板包括汉字识别模块以及数字和字母识别模块。先依据标准车牌的字符分布位置来制定相应的模块，首字为汉字，其余均为数字和字母（车牌上的圆点分割符号不做识别处理）；其次是提取相应字符的模块特征并送入分类器进行分类处理；最后将识别出来的字符按照相应的顺序进行排列并最终得到字符识别结果。其具体流程如下：1、输入分割后的字符；2、字符归一化；3、根据字符进入相应字符识别模块；4、提取字符特征；5、识别字符；6、组合识别效果；7、输出分割后的字符。

通过对分割出来后的字符进行网络像素特点维数大小的提取以用来确定输入层神经元的数目。对于归一化之后的点阵字符像素大小尺寸为40*20，将每一个像素点设定为一个网格，则输出层神经元的数目设定为800。

二、车牌识别系统的应用范围

车牌识别是现代智能交通系统中的重要组成部分之一，应用广泛。这项技术可应用于公路收费、停车管理、称重系统、交通诱导、交通执法、公路稽查、车辆调度、车辆检测等各种场合，对于维护交通安全和城市治安，防止交通堵塞，实现交通自动化管理有积极意义。社会使用价值很高。具有深远的研究价值和潜在而巨大的经济效益。

参考文献：

[1]冈萨雷斯.数字图像处理（第二版）[M].电子工业出版社，2007.8

[2]霍洪涛.数字图像处理[M].北京：机器工业出版社，2003

[3]刘锐宁，梁水，宋坤. Visual C++程序开发范例宝典（第二版）[M].人民邮电出版社 ，2007.7

[4]赵春江. C#数字图像处理算法典型实例[M].人民邮电出版社 ，2009.3

[5]吴李汉. 车牌自动识别系统的实际与实现.机器视觉[J]，2006.9

[6]袁曾任. 人工神经元网络及其应用[M].北京：清华大学出版社 ，1990.10

8.识别车牌照的方法介绍 篇八

图像预处理实际上就是为准确地分割图像做好准备。通常情况下,摄像机在拍摄时会由于外界光线、气候或其他自然、设备本身、人为因素等干扰而导致所拍摄的车牌图片成像不完美。例如,对比度太小、曝光量太大、不清晰、倾斜等等。这些情况都会极大地影响后期车牌号码字符的分割操作,甚至导致无法进行字符分割操作。所以,在做字符分割操作之前,非常有必要先对图像做一系列的预处理。这些预处理操作包括图像归一化、中值滤波、图像效果增强、二值化、方向矫正以及去除大噪点的二值图像后处理等过程。

1车牌图像的归一化

由于实际输入的图像通常都会大小不一,理论上对图像的大小和颜色都无严格要求,但车牌图像过小会影响识别的正确率,为了能够适应不同大小的图像,需要对输入的灰度图像进行大小归一化。对于较小或较大的图像(宽度<100或>250,高度<30或>80,单位为像素),全部统一为宽度176像素,高度58像素的图像。采用这一大小是考虑到BMP图像的存储特点(每一行的存储字节数必需是4的倍数)和实际处理的模板车牌图像的大小两个方面,而且这个宽度与高度的比例关系和实际车牌的宽高比例关系较为接近,图像归一化之后不会引起图像的变形而影响后续的处理[1]。

2中值滤波

为了抑制噪声,通常我们会采用低通滤波,但由于边缘轮廓也包含大量的高频信息,所以低通滤波在过滤噪声的同时,也使得边界变模糊。为了在过滤噪声的同时,还能很好的保护边缘轮廓信息,本文采用了中值滤波方法。中值滤波的原理很简单,用一个窗口W在图像上进行扫描,把窗口内包含的图像像素按灰度级升序或降序排列起来,取原图像灰度值居中的像素灰度值作为处理之后的中心像素的灰度值,便完成了中值滤波。通常中间像素为奇数,以便有个中间值,如果窗口内像素为偶数时,可以取中间两像素灰度的平均值[2]。中值滤波的处理效果关键在于窗口W的选择。本文采用的中值滤波的窗口为十字形窗口,窗口中共9个像素,如图1所示。

实验表明这种中值滤波对于消除孤立噪声点的干扰十分有用,更重要的是使用这种窗口进行滤波时,除了能有效消除噪声之外,还能有效地保护边界信息。

3 图像效果增强

3.1 灰度拉伸

对阈值选取影响较大的因素之一就是图像对比度太小,这种情况反映到图像直方图上就是背景点组成的峰和目标点组成的峰融合在了一起,虽然直方图呈现了双峰结构,但在很大一部分灰度范围内却并没有图像像素的分布,如图2所示。

观察图2可以看出如果把灰度范围从150—255放大到0—255,无疑会在很大程度上提高图像的对比度,有利于图像的进一步处理[3]。

3.2 图像直方图规格化

图像的直方图表示了图像中各种不同的灰度级像素点出现的频率。直方图规格化,就是修正图像的直方图,使得重新组织的图像具有期望的直方图的形状。理想图像的直方图呈现一个双峰分布的形状,目标和背景各自聚成一个峰。灰度分布过窄或直方图偏向一方具体反映到图像上就是图像太亮(此时灰度值集中在255一边),或者图像太暗(此时灰度值集中在0一边)[4]。在程序中设定所有象素的灰度值相加之和大于等于图像宽W×图像高H×255×0.75或小于等于图像宽W×图像高H×255×0.25时,启用这个模块来对图像进行处理。本文采用的期望标准直方图是自己设计的一个用二次多项式逼近的一个双峰分布的直方图,形式为:

undefined

其中A=0.6、B=0.4、a=128,x是原图像每个象素点的灰度值, f(x)是处理后的每个像素点的灰度值,其中A、B、a的值是在图像仿真中得到的经验值。

函数的形状如图3所示。

处理效果示例如图4、图5所示。

可以看出,原图由于光照太强烈,整个车牌用肉眼比较难看清,经过直方图规范化后,图像明显变清晰了,而且直方图呈现出规则的双峰分布形状,这为后面的处理带来了方便。

4 选择自适应阈值并进行二值化

根据前面对图像的增强处理,本文利用灰度分布直方图来动态寻找波谷,取波谷作为图像分割的整体阈值,从而实现阈值的自适应选择。计算推导如下。

假设灰度值为1—m级,灰度i的象素数为ni,则像素总数undefined,各灰度值的频率为undefined,再假设灰度值k把m级灰度值分为两段,C0=(1,2,…,k}和C1={k+1,k+2…,m}。

C0的频率undefined的频率undefined。

C0的平均值undefined的平均值undefined。

其中,undefined是整体图像的平均灰度,undefined是阈值k的平均灰度,于是有μ=W0μ0+W1μ1。

两组间的方差:δ2(k)=W0(μ0-μ)2+W1(μ1-μ)2=

undefined。

使k从1到m逐一变化,使δ2(k)最大的k*即为阈值,这里δ2(k)可称为阈值选取函数,实际上计算的就是两部分图像形心的距离,δ2(k)最大也就对应着两部分的距离最大。阈值确定之后就可以对全图进行二值化处理了,处理过程比较简单,就是把小于阈值的灰度作为背景灰度区域,大于阈值的灰度值作为目标。

处理效果如图6、图7所示。

5 车牌方向矫正

并不是所有的车牌都需要进行方向校正,绝大多数情况下车牌的倾斜角度都很小,这主要取决于摄像机的放置,因为一般车牌都是水平的固定在汽车前面,所以当摄像机的位置固定之后,该摄像机所拍摄下来的所有车牌的倾角方向大体上是一致的。

本文采用KL变换来求得车牌字符的主轴方向,进而求得旋转角度。具体过程如下:

不管车牌的图像倾角如何变化,其形心是相对不变的,可以用图像的几何矩求得图像的形心坐标,几何矩的具体定义如下(对二值化图像而言):

undefined;其中M和N分别为图像的宽度和高度,则车牌的形心坐标(X0,Y0)可以由几何矩求出:

undefined

求得形心坐标后,将车牌的坐标原点移到该处,在新的坐标系下车牌具有平移不变性,设xi是目标各像素横坐标位置,yi是纵坐标位置,取undefined,设N为目标所含的总像素数,即黑像素的总数,那么X的均值和协方差矩阵估计为:

undefined

由于已经对图像做了平移处理,所以undefinedx=0,则有:

undefined

求出undefinedx的特征值和特征向量:undefined;undefined。

取undefined,做变换Y=ψTX,即

undefined

经过上述变换,两个坐标分量互不相关,目标主轴沿y1方向,旋转角度为:θ=tan-1(e12/e11),则新的坐标为(xnew,ynew),即

undefined

6 二值图像的后处理

二值图像后处理的目的是净化二值图像,去掉额外的大噪声(随机的小噪声已经用中值滤波去除了),如车牌边缘和车牌上的钉子或者污点等孤立噪声点。对于车牌边缘采用了行扫描线段法。因为车牌边缘出现的地方通常会出现连续的黑线段(被误认为目标),利用阈值控制(系统默认为5)可以把车牌边界去掉。

采用形态学的方法对确认的白底黑字图像进一步进行二值图像的孤立点去噪。形态学的用途主要是获取物体拓扑和结构信息,它通过物体和结构元素相互作用的某些运算,得到物体更本质的形态[5]。

本文采用先腐蚀后膨胀的方法,基元采用3×3的小窗口,经过图像后处理,对没有去除的较大一点的噪声(容易被误认为目标)进一步进行去除,进一步净化了图像。

处理效果如图8、图9所示。

从图9可见,车牌边框以及上方左右两个“大钉子”被彻底去除了,图像质量进一步提高,这为以后顺利地进行车牌号码字符分割和识别做好了准备。

7 结束语

以上所述车牌图像预处理是一个多步骤紧密相关联的过程,本人在传统的图形图像处理方法的基础上,加入了一些自己的新思想、新方法。比如中值滤波的“十字形”窗口、自适应二值化阈值的确定法则等等。实验表明,这些新方法都有较好的图像处理效果。

参考文献

[1]王鑫,宁晨,罗斌.一种基于归一化割的图像分割算法.计算机应用研究,2006;2:165—166

[2]胡旺,李志蜀,黄奇.基于双窗口和极值压缩的自适应中值滤波.中国图像图形学报,2007;1:43—50

[3]章秀华,杨坤涛.基于最大熵原则和灰度变换的图形增强.光电工程,2006;2:84—87

[4]李绍君,甘岚.两种直方图规定化实现算法的分析.人工智能及识别技术,2006;9:1705—1706

9.识别车牌照的方法介绍 篇九

随着机动车保有量的持续增长,道路安全和车辆监控成为焦点问题,除了加大交通基础设施投入外,还要科学使用交通设备,加强智能化应用水平。随着城市报警和监控系统建设的深入,监控数据的分析愈来愈重要,依靠人工很难进行。车牌识别是车辆智能化分析的前提,实现准确识别车牌,可以完善安保系统和城市道路交通安全系统,如在交通路口和高速公路上可以利用智能车牌识别系统快速发现违章车辆,对被盗车辆进行拦截等,为城市安全提供全方位信息化支撑[1,2]。

基于OPENCV的智能车牌识别系统可对街道或路口的车辆流量进行统计,一方面解决了人工分析海量数据的困难,另一方面通过机动车辆统计,对城市道路建设以及交通管理提供数据参考,具有良好应用前景。

1 OPENCV计算机视觉函数库

OPENCV是一个开源的跨平台计算机视觉库,由C和C++语言编写,包含了许多图像处理和计算机视觉方面的算法。OPENCV由CV、MLL、HighGUI、CXCORE[3]四个功能模块组成,各模块主要功能及关系如图1所示。

2 BP神经网络

BP神经网络[4,5]是一种基于概率的统计分类,利用训练样本产生的概率分布情况来设计判别函数,再进行分类。如图2所示,BP神经网络神经元结构由输入层、隐含层和输出层组成,前一层的输出作为后一层的输入不断向后计算。由于误差的存在,要进行校正,而对误差校正是从后向前反向进行的,这样可以逐层导出隐含层的误差。

假设输入层、中间层和输出层的单元数分别是N、L和M,X0,Xl,…,XN-1表示输入;ho,h1.…,hL-1为中间层输出;yo,yl,…,yM-1表示网络实际输出;训练样本期望输出为do,dl,…,dM-1。Vij表示输入单元i到中间单元j的权值,Wjk表示中间单元j到输出单元k的权值,θk和ψj分别是输出单元和中间单元的阈值。

中间层各单元的输出为:

输出层各单元的输出为:

3 系统设计

3.1 系统组成

智能车牌识别系统是一个基于数字图像处理及模式识别算法的系统,由图像预处理、车牌定位、字符分割和字符识别4部分组成,其关系如图3所示。

图像预处理分为灰度化、二值化、边缘增强3部分,目的是去除图像的噪声对后续工作的干扰。车牌定位用来确定车牌位置,通过扫描整幅图像,当水平超过12个跳变、垂直超过10个跳变时就判断为车牌区域。字符分割将定位好的车牌区域传入垂直方向的像素和,会发现在某些区域出现峰值,这些峰值区域即字符区域。字符识别以神经网络的方式通过和训练集中提取特征进行比对,当误差小于一定值时就认为是样本将其输出。

3.2 图像预处理

(1)灰度化。本文选择加权值方法对图像进行灰度化,采用OPENCV的库函数:cvCvtColor(const CvArr*src,const CvArr*dst,int code),其中通过宏CV_BGR2GRAY设置将彩色图像转化为灰度图像。原始图像如图4(a)所示,灰度化结果如图4(b)所示。

(2)二值化。二值化处理采用的OPENCV库函数为cvThreshold(const CvArr*src,CvArr*dst,double threshold,double max_value,int threshold_type)。处理过的图像如图5所示。

(3)边缘增强。用边缘增强方法来增强车牌的纹理,更加快速、准确地定位车牌。常用的边缘检测算子[6,7]有:Roberts算子、Sobel算子、Prewitt算子、Canny算子等。这里采用Canny算子来实现。本文采用OPENCV提供的cvCanny(const CvArr*image,CvArr*edges,double threshold1,double threshold2,int aperture_size)方法进行边缘增强处理,处理后的图像如图6所示。

3.3 车牌定位

输入图像为二值图像,可以通过数灰度值为255的像素点个数来判断峰值的位置并记录。由于我国的车牌号码由7个字符组成,所以车牌位置至少有14个跳变数,为了更精确地定位,本文选择在检测到12个跳变时就确定车牌的位置。

垂直投影定位方法与水平投影定位类似,首先对图像进行垂直方向投影,将上一小节得到的水平投影图像从左至右再次扫描,计算图像垂直方向的跳变数。经过多次实验发现,当垂直方向跳变数多于10个时就可认定为车牌的垂直位置。再对车牌的宽高比进行计算,若为3∶1则可以确定定位区域为车牌区域。通过调用OpenCV库中的cvFindContours函数得到车牌区域,再进行分割得到车牌图像,如图7所示。

3.4 字符分割

常用的字符分割算法有很多,包括垂直投影法、聚类连通域法和模版匹配法等等,各有优劣[8],本文采用垂直投影法进行车牌字符分割。垂直投影法是将输入的二值化图像按垂直方向像素的灰度值累加,在折线图上会出现峰值,而由于亮点仅有可能出现在车牌字符的位置,因此可以通过峰值位置来判断车牌的位置。通过调用OpenCV中的cvSetImageROI()函数,在确定车牌字符的位置后用红色矩形边框线将之框起来,以此作为分割的依据。结果如图8所示。

3.5 字符识别

(1)字符归一化。字符归一化发生在特征向量的提取之前,通过系数变换的方式,在方便提取字符特征和提高车牌识别准确性的前提下,将分割好的车牌字符图像变换为高度、宽度都相等的图像。字符的归一化由OPENCV的库函数完成,通过函数的默认值CV_INTER_LINEAR采用双线性插值法进行字符归一化。

(2)字符特征提取。本文采用逐像素特征提取法进行车牌字符特征提取。该方法对图像的每一行每一列进行扫描,当遇到亮点时就将0输入矩阵中,当遇到黑点时就将空格输入矩阵中。扫描结束后得到一个与字符归一化图像像素点个数相同的特征向量矩阵,将得到的矩阵送入BP神经网络分类器分类,最终得到结果。实现核心代码如下:

(3)字符识别。本文采用第2节中的三层BP神经网络算法对车牌字符进行识别,识别过程如下:(1)首先进行样本采集。由于神经网络具有记忆功能,因此,在进行车牌字符识别前要采集大量车牌中出现的各种字符,并在神经元结构中记忆各类车牌字符;(2)样本采集结束后,进行样本训练,根据神经网络的分类类别,将采集到的字符样本分类,实现对车牌字符的分类处理,为下一步车牌字符识别作准备;(3)车牌字符识别:将字符分割后得到的车牌字符作为神经网络输入,与训练好的神经网络运算,最后输出字符识别结果。

CvANN_MLP是OpenCV中提供的神经网络类,可以利用CvANN_MLP中的方法实现上述过程,核心代码如下:

4 结语

本文设计并实现了基于OPENCV的智能车牌识别系统,详细介绍了图像预处理、车牌定位、字符分割、字符识别等关键技术。在字符识别算法的选择上,本文没有采用传统的模版识别算法,而是选择了近年较为热门的BP神经网络算法。因为该算法具有较快的识别速度、较好的鲁棒性和非线性计算能力,能有效提升系统性能。

摘要：智能车牌识别系统是结合数字图像处理技术、计算机视觉和模式识别为一体的综合系统,包含对车牌图像进行预处理、车牌区域定位、字符分割以及字符识别等功能。在车牌识别技术中,采用了BP神经网络技术,能快速根据提取的车牌字符特征与已知样本中特征进行比对以获取车牌字符。通过运用OPENCV计算机视觉库,大大降低了系统实现复杂度,实现了快速准确识别车牌号码。

关键词：车牌识别,车牌定位,BP神经网络,智能系统,OPENCV

参考文献

[1]周阅宇.汽车牌照识别系统研究与设计[D].长春:吉林大学,2013.

[2]宁彬.图像处理技术在机动车车牌自动识别技术中的应用[J].科学技术与工程,2013,13(2):366-371.

[3]BRADSKI G,KAEHLER A.Learning OpenCV:computer vision in C++with the OpenCV library[M].O'Reilly Media,Inc.,2013.

[4]海金.神经网络与机器学习[M].北京:机械工业出版社,2011.

[5]QU Z,CHANG Q,CHEN C,et al.An improved character recognition algorithm for license plate based on BP neural network[J].Open Electrical &Electronic Engineering Journal,2014(8):202-207.

[6]赵芳,栾晓明,孙越.数字图像几种边缘检测算子检测比较分析[J].自动化技术与应用,2009,28(3):68-68.

[7]杨婷婷,顾梅花,章为川,等.彩色图像边缘检测研究综述[J].计算机应用研究,2015(9):2566-2571.

10.基于神经网络集成的车牌字符识别 篇十

人工神经网络以其抗噪声、高度的容错性和鲁棒性、自组织自学习能力强等特点,在字符识别领域得到广泛应用。随着社会要求的不断提高,以及不同字符特征具有的限制要求,单独使用某一种特征的神经网络对车牌字符进行识别不能取得很好的识别效果,因而采用综合集成的多神经网络识别方法,能够在一定程度上提高识别精度。本文提出了基于神经网络集成的字符识别方法对车牌字符进行识别。

1 车牌识别预处理

1.1 系统简述

完整的车牌识别系统包括车辆检测、图像采集、预处理、车牌定位、字符分割、字符识别等单元。车辆牌照识别系统原理如图1所示。

1.2 图像预处理

图像灰度化是对车牌图像进行预处理的最基本步骤。灰度化的处理方法采用加权平均值法,灰度值由公式G=0.110B+0.588G+0.302R计算得来。采用灰度线性变化法增强图像对比度采用维纳滤波法对图像进行平滑处理消除图像噪声,采用经典的边缘提取算法Roberts算子进行锐化处理,最后用Ostu算子对边缘检测后的图像进行二值化处理,并将车牌统一为黑底白字。

2 车牌的定位和分割

车辆牌照的定位和分割是车牌识别系统的重要步骤,定位和分割的准确性直接影响整个系统的识别率。

2.1 车牌的定位

经过预处理操作,车牌区域特征得到加强,但同时也加强了背景中的部分噪声。因此首先选用数学形态学方法中的腐蚀运算,缩小图像目标,增大目标内孔,消除外部孤立噪声;然后利用闭合运算具有填充目标内细小空洞,连接邻近目标和平滑边界的作用,增强车牌区域,使其成为连通区域,从而完成对车牌的横向粗定位;最后根据字符边缘特征对车牌进行纵向精定位。

2.2 车牌字符分割

垂直投影信息结合标准车牌先验知识约束的垂直分割方法,首先利用霍夫变换求取水平分割线,寻找图像垂直投影谷底,作为候选垂直分割线位置,确定车牌第2、3字符间的大间隔左右边界,据大间隔位置算出垂直分割线的位置;然后在估算出的位置附近根据垂直投影及方差信息,从候选垂直分割线中确定垂直分割线,完成对车牌字符的准确分割[1];最后对分割后的图像进行归一化处理。

3 特征提取

模式识别中,特征的选择是关键问题。下面介绍本文将用到的几种特征提取方法:

3.1 局部灰度特征提取法

又称粗网格特征,将字符划分成N×N个网格,统计每个网格中平均灰度的个数,每个网格分别反映字符的某一部分特征,在识别阶段,将网格数目作为特征向量的维数[3]。

3.2 十三点特征提取法

把字符分为4×2块大小相等的子区域,统计每个区域白像素点的个数,并得到区域总像素点的个数;进而统计水平方向中间两列和竖直两列的目标像素的个数作为四个特征,也就是分别画四条线,统计所画的线穿过白像素的个数最后将整个字符中白像素总数作为一个特征。

3.3 外围特征提取法

将归一化后的字符图像进行等分,计算每行从图像左边缘至第一个由黑变白的项的长度,然后计算其他三个边缘的特征并统计起来。该方法适用于汉字特征提取,能较好反映汉字的边框特征。

3.4 方向线素特征提取法

将轮廓划分为一定的网格,将各网格中每个点不同向的相邻白点分类。方向线素在一个局部领域内的各个方向的多少反映了笔画在该领域内的走向。

4 基于神经网络的车牌字符识别

字符特征提取后,设计分类器对车牌字符进行分类和识别。根据车牌字符串本身的特点,以及对车牌字符中汉字、字母、数字提取的特征不同,构造3个子神经网络分类器,分别是汉字字符分类器、字母字符分类器、数字/字母混合字符分类器。采用不同的特征提取法和三种不同的神经网络分别对车牌中的字符进行识别。

4.1 BP神经网络字符识别

包含输入层、隐含层、输出层的三层BP神经网络,按有导师的方式进行学习,当一对学习模式提供给网络后,神经元的激活值从输入层经隐含层向输出层传播,输出层各神经元获得响应。然后,按减小希望输出与实际输出误差的方向,从输出层经隐含层修正各连接权值,最后回到输入层[2]。隐节点和输出节点的激活函数采用全局性的Sigmoid函数:f[x]=(1+e-x)/1。

4.1.1 汉字字符分类器

采用粗网格特征结合外围特征提取方法,提取出汉字字符80个特征向量,因此网络的输入节点为80。汉字字符包括31个省、市、自治区的简称,网络的期望输出由5位二进制数构成,即由00001到11111来表示车牌中的汉字,因此汉字分类器的输出有5个节点组成。车牌汉字字符的二进制编码如表1所示。因此汉字分类器的输出有5个节点组成。

隐节点采用经验公式m=n+l+a,其中n为输入节点数,l为输出节点数,经过试验,得出隐节点数为36。

4.1.2字母字符分类器

采用十三特征提取法,提取字母字符13个特征向量,因此网络的输入节点为13,网络的期望输出采用5位二进制构成,由于不存在字母“I”,25个英文字母按照A到Z的顺序,用00001到11001表示。因此字母分类器的输出有5个节点组成。隐层节点数为18。

4.1.3 数字/字母混合字符分类器

采用十三特征提取法,提取数字、字母的13个特征向量,因此网络的输入节点为13,由于车牌的第3至7个字符中不存在字母“I”和“O”,则24个英文字母和10个数字在网络中的期望输出采用6位二进制构成,即000001到100010表示车牌中的字母和数字,因此数字/字母分类器的输出节点为6。隐节点数为26。

设定网络的学习速率为0.4,误差目标值0.0001,学习步长0.015,最大迭代次数15000次。选用100张图片在Matlab7.0的环境下进行实验,其中50张作为训练样本,其余作为测试识别。识别结果如表2所示。

4.2 RBF神经网络字符识别

RBF神经网络即径向基函数神经网络,具有最佳逼近性能、全局最优特性和较快的学习速度。RBF网络的作用函数是局部的,一般采用“高斯条”函数。含有输入层、隐含层、输出层的三层的RBF网络具有可以逼近任意函数的能力。隐含层的作用是对输入模式进行变换,将低维的模式输入数据转换到高维空间内,以便输出层进行分类识别。

采用局部灰度特征提取方法,得到汉字、字母、数字的维数为8×8,即三个子网络的输入节点数均为64,且汉字、字母、数字/字母三个子网络的输出层节点数分别是31、25和34。隐含层神经元个数根据MengJooEr提出的方法确定[4]:首先假设隐含层神经元个数与输出层神经元个数相等,即每个类别在隐层有唯一的映射;然后输入所有训练模式,判别这些训练模式能否表现为同一类的样本都汇集于隐层的同一个神经元附近,若出现类别间混淆的情况,则增加一个隐层神经元,重复计算,直到每个隐层神经元都对应相同类的样本为止。此时,网络隐层神经元的个数即为该神经网络的最终隐层神经元个数。利用上述算法,通过实验,得到三个子网络的隐层神经元个数分别为:35、37和50。

设定网络的学习速率为0.4,误差目标值0.0001,学习步长0.015,最大迭代次数5000次。使用4.1中选用的100张图片进行实验。识别结果如表3所示。

4.3 SOFM神经网络字符识别

自组织特征映射网SOFM是由两层节点组成的前向网络。网络的输入层节点成一维矩阵,其节点数为输入样本的特征个数。网络的输出层节点根据样本聚类要求的不同可排列成一维或二维矩阵,输出节点数为全部样本可划分的类数。网络中节点间的连接权值采用无导师学习方式。基本原理:输入某类模式时,输出层某一节点得到最大刺激而获胜,此时与该输出节点连接的权值向量向输入方向作相应修正。网络通过自组织方式用大量训练样本数据调整网络的权值,最终使网络输出层特征图能够反映样本数据的分布情况[5]。

采用方向线素特征法提取车牌字符的特征向量网络的输入节点根据特征的维数确定方向线素特征的维数是25×4,共有25个网格,每个网格的方向线素是四维,所以维数为100。即汉字网络、字母网络和数字/字母网络的输入节点数均为100。三个子网络的输出节点数分别是31、25和34。将装载训练收敛的权值文件作为SOFM网络的连接权值,计算输入向量与各输出节点连接权值的距离,选择具有最小距离的节点作为获胜节点,对字符进行识别。

设定网络的学习速率为0.5,误差目标值0.001,学习步长0.005,最大迭代次数1500次。使用4.1中选用的100张图片进行实验。识别结果如表4所示。

5 神经网络集成

由于车牌中存在如O、D、Q、B、S、8、Z、2等易混字符,因此针对识别中出现误识和拒识的情况,将多特征多神经网络的识别进行集成,有效提高整体系统的识别能力。多分类器(多神经网络)集成从体系结构上分为串行和并行[6],本文采用将两者相结合的方法,先使用串行集成作为前级粗分类,快速缩减侯选类别集合,然后使用并行集成作为后级细分类,在缩减后的侯选集中进行高精度的分类识别。其中并行集成采用投票方法。建立的神经网络集成识别模型如图2所示:

系统工作流程为:字符经预处理后,按不同方法提取特征进入基于粗网格十三点特征的神经网络分类器、基于局部灰度特征的BRF神经网络分类器、基于方向线素特征的SOFM网络分类器进行识别,此时为三级串联结构:若前一级分类器己经识别,直接给出最终识别结果;若被拒识,进入后级分类器。当三个串联分类器均被拒识时,则转入并联结构层,由三个并联分类器进行并行独立识别,然后采用投票法进行裁决;若三个并联识别器也未能识别出字符,则进行判断,如果并联层给出的识别结果中包含O、D、Q、B、S、8的任意两个或Z、2任意一个,则进入细分类器,通过提取精细局部结构特征进行最后识别,否则彻底拒识。综合集成识别训练识别结果如表5所示:

从结果中可以看出,集成识别网络测试样本的识别率较单一网络均有提高,集成网络较强的容错能力、分类能力、学习能力得到体现,有效提高了系统的抗干扰性和识别率。

6 结束语

本文提出了基于神经网络综合集成的车牌字符识别方法,用100张车牌图像对所设计的网络进行测试和识别,有效提高了整个系统的识别精度。但在识别速度方面没有明显提高,需要在以后的研究中继续改进

参考文献

[1]周果超,陈锋,陈为.车牌字符分割的研究与实现[J].计算机工程,2006,35(5):238一239.

[2]张变莲.车辆牌照识别系统关键技术研究[D],北京:中国科学院研究生院,2007.23一26.

[3]张玲,张鸣明,何伟.基于BP神经网络算法的车牌字符识系统设计[J],视频应用与工程,2008.(3)

[4]Meng JE,Wu Shi-qian,Lu Ju-wei,et al.Face rcognition with Ra-dialBasis Function(RBF)neural networks[J].EEETransactions onNeural Networks,2002,13(3):697—710.

[5]叶锋.基于神经网络的综合集成车牌识别技术的研究及其应用[D].合肥:合肥工业大学,2002.4.