當(dāng)今，車牌識別相機(jī)廣泛地應(yīng)用在智能交通管理系統(tǒng)中，對車輛管理發(fā)揮了的作用。眾所周知，車牌識別(LPR)系統(tǒng)是以圖像處理、模式識別等技術(shù)為基礎(chǔ)的智能識別系統(tǒng)，通過攝像機(jī)拍攝道路上行駛的車輛，形成圖像，再進(jìn)行車牌號碼的識別。

視頻+地感識別模式

這種方式是前兩種模式的升級版，視頻加地感識別模式是通過車牌識別相機(jī)視頻識別方式進(jìn)行識別，通過地感觸發(fā)方式進(jìn)行上傳。相比較地感線圈識別和視頻識別模式，視頻+地感識別模式能夠提供更快的識別速度和更高的識別率。視頻+地感靈活切換的識別模式，是目前應(yīng)用靈活性好的識別模式，通過軟件劃定識別區(qū)域和輸出區(qū)域，根據(jù)客戶現(xiàn)場環(huán)境，自由設(shè)置車牌輸出的位置，可以解決跟車被識別，或過早輸出的問題。當(dāng)無牌車行駛到輸出區(qū)域，車牌識別相機(jī)輕松記錄無牌車信息。

◆自帶開閘功能，支持相機(jī)傳透

◆內(nèi)置四顆LED補(bǔ)光燈，亮度可調(diào) 每顆**功耗1W

◆配一體式烤漆機(jī)箱

◆配AC220V15W內(nèi)置補(bǔ)光燈

◆顯示屏輸入電源：220AC

◆顯示屏尺寸：304mm*152mm（長*寬）

◆外殼整體尺寸：360mm*120mm*1450mm（寬*厚*高）

◆兩行顯示，**號碼、停車時間、收費(fèi)金額以及廣告信息等

◆自帶**播報功能

◆可選配脫機(jī)收費(fèi)功能
客戶選擇產(chǎn)品的時候，好的方法就是實地考察 設(shè)備測試。在互聯(lián)網(wǎng)上，有很多廠家實際上是并沒有廣告宣傳上所寫的實力的。所以建議客戶好實地考察后再做決定。其次設(shè)備測試是尤為重要的，只有軟硬件測試過后，才能真正了解這個產(chǎn)品是否符合自己的需求。才能綜合評定所選擇的產(chǎn)品是否真正的具有性價比。
車牌識別分為兩個過程：車牌檢測（Plate Detection）和字符識別（Chars Recognition）。

車牌檢測（Plate Detection）：對一個包含車牌的圖像進(jìn)行分析，終截取出只包含車牌的一個圖塊。這個步驟的主要目的是降低了在車牌識別過程中的計算量。如果直接對原始的圖像進(jìn)行車牌識別，會非常的慢，因此需要檢測的過程。可用SVM判別截取的圖塊是否是真的“車牌”。

①圖像分割：采用一系列不同的濾波器、形態(tài)學(xué)操作、輪廓算法和驗證算法，提取圖像中可能包含車牌的區(qū)域。

假設(shè)車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。
假設(shè)車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。

具體算法步驟如下：

1.將彩色圖像轉(zhuǎn)化為灰度圖，并采用5*5模版對圖像進(jìn)行高斯模糊來退出由照相機(jī)或其他環(huán)境噪聲（如果不這么做，我們會得到很多垂直邊緣，導(dǎo)致錯誤檢測。）

2.使用Sobel濾波器求一階水平方向?qū)?shù)，以此尋找垂直邊緣

3.使用Otsu自適應(yīng)閾值算法獲得圖像二值化的閾值，并由此得到一副二值畫圖片

4.采用閉操作，去除每個垂直邊緣線之間的空白空格，并連接所有包含 大量邊緣的區(qū)域（這步過后，我們將有許多包含車牌的候選區(qū)域）

5.由于大多數(shù)區(qū)域并不包含車牌，我們使用輪廓外接矩形的縱橫比和區(qū)域面積，對這些區(qū)域進(jìn)行區(qū)分。

a.使用findContours找到外部輪廓

b.使用minAreaRect獲得這些輪廓的小外接矩形，存儲在vector向量中

c.使用面積和長寬比，作基本的驗證【閾值：長寬比為4.727272，允許誤差范圍正負(fù)40%，面積范圍15*15至125*125】

6.由于每個車牌都包含白色背景屬性。我們?yōu)榱烁牟眉魣D像，可以使用floodfill算法【用顏色填充某一密閉區(qū)域，相當(dāng)于油漆桶的功能】來提取那些旋轉(zhuǎn)的矩形。

步的原文：get several seeds near the last rotated rectangle center. Then get the minimum size of plate between the width and height, and use it to generate random seeds near the patch center.】總之，得到每個矩形的中心，然后求每個矩形各自長寬的較小值，再用隨機(jī)數(shù)和這個較小值得到中心附近的種子點

第二步的原文：for each seed, we use a floodFill function to draw a new mask image to store the new closest cropping region:

第三部的翻譯：對這些裁剪區(qū)域，再次用縱橫比和區(qū)域面積進(jìn)行驗證，再去除圖像的旋轉(zhuǎn)，并裁剪圖像到統(tǒng)一尺寸，均衡化圖像的灰度

②用SVM分類。分類前要先訓(xùn)練SVM，準(zhǔn)備正、負(fù)樣本（圖像分割后得到的車牌及非車牌圖像）。

字符識別（Chars Recognition）：對只包含車牌的圖塊進(jìn)行光學(xué)字符識別（OCR），可用CNN實現(xiàn)。

三步：①字符分割 ②CNN訓(xùn)練 ③使用CNN預(yù)測字符

一、字符分割【OCR Segment】

在使用神經(jīng)網(wǎng)絡(luò)對每個字符進(jìn)行預(yù)測之前，我們從只包含車牌的圖塊中扣取字符圖片，步驟如下：

輸入圖像為上一步驟得到的車牌：


a.二值化車牌


b.求輪廓


c.求小外接矩形


d.用縱橫比及面積，篩選外接矩形


e.調(diào)整統(tǒng)一矩形大小并保存每個字符的圖片【注意：分割得到順序和車牌字符順序無關(guān)，可能不同】