问车牌自动识别系统

EN

正如您提到的，至少有两个不同的阶段：

从image

• Recognising

中查找车牌号码

由于车牌不嵌入任何位置标记(例如在QR码中发现的)，因此通过限制输入图像上的变换范围来降低识别图像内的车牌的复杂性。

许多ANPR系统的成功依赖于捕获设备的位置和定时的准确性，以获得将车牌放置在可预测的失真范围内的图像。

一旦捕捉到图像，就可以通过使用统计分析来处理定位阶段，以定位图像内的“车牌”形状的区域，即对于透视而言具有正确比例的区域。This article描述了一种这样的方法。

This paper和another one描述了使用索贝尔边缘检测器来定位车牌中的垂直边缘。原因是，与背景相比，字母形成了更多的垂直线。

Another paper比较了一些技术(包括Sobel检测和Haar小波)的有效性，这可能是一个很好的起点。

我已经完成了“基于OCR的车辆识别”的项目。

通常，车牌识别包括三个主要阶段:从捕获的图像中提取车牌，分割图像以提取单个字符，以及字符识别。上述所有阶段的车牌检测都是最具挑战性的，因为它对天气条件、照明条件、车牌位置和其他人工制品高度敏感，例如放置在车牌图片上的边框、符号或标志，在印度，车牌号码是一行或两行书写的。

对于车牌识别系统来说，速度和精度都是非常重要的因素。在一些文献中，精度水平是好的，但系统的速度较慢。像模糊逻辑和神经网络方法一样，精度水平很好，但它们非常耗时和复杂。在我们的工作中，我们在时间复杂性和准确性之间保持了平衡。对于车牌定位，我们采用了边缘检测和垂直、水平处理相结合的方法。边缘检测由“Roberts”算子完成。采用连通分量分析(CCA)结合适当的阈值进行分割。对于字符识别，我们使用了相关函数进行模板匹配，为了提高匹配水平，我们使用了增强型数据库。

My My for Project

从webcam/camera.

• Convert图像到二进制的

1. 输入图像。
2. 检测车牌area.
3. Segmentation.图形用户界面上的
4. Number identification.
5. Display。

车牌提取的My方法

将webcam/camera.

• Convert的输入转化为灰度image.

• Calculate阈值，采用Roberts的operator.

• Calculate水平projection.

• Crop图像与垂直value.

• Calculate projection.

• Crop图像的1.3倍阈值进行水平方向的

1. 边缘检测。

分割的我的方法

image.

• Remove

• 将提取的图像转换为二值图像，

• 找到像素值小于area.

• Calculate个数2%的二值component.

• For连通分量的不相容图像，每个连通分量找出行和列值

• 计算动态阈值(DM)，

• 通过应用特定的分割字符坐标从分割字符中去除不需要的字符。

My Approach Recognition

1. 初始化模板。
2. 对每个分段的字符重复步骤2到7
3. 将分段的字符转换为数据库图像大小，即24x42。
4. 查找分段字符与每个数据库图像的相关系数值并将该值存储在数组中。
5. 查找数组中最大值的索引位置。

查找由该索引值链接的字母H274 H175将该字母存储在数组中。H276G277

查看OpenALPR (http://www.openalpr.com)。它使用OpenCV和LBP/Haar算法识别车牌区域。这使得它能够识别暗区域上的光和光板区域上的暗区域。在识别出一般区域后，它使用OpenCV根据图像中的强线/边缘进行定位。

它是用C++编写的，所以希望您可以使用它。如果不是，至少它是一个参考。