关于车牌识别的工作原理和技术参数

      综合网上上各种车牌识别方法，总结出一个较为简单的车牌识别方案，采用VS2013+OpenCv2.4.9实现。并且附上可运行的源代码以及测试图片和视频，详细参数设置请参照源代码。识别部分的训练样本见我上传的资源。

实现方法

(一)        检测车辆（基于混合高斯模型的背景差分法）

1.    读取视频（avi格式），选定目标区域框用于检测车辆

2.    检测车辆，基于混合高斯模型的背景差分法检测前景，经过腐蚀、膨胀后，若像素值大于200的像素点数大于80000且上一帧像素点数小于80000，则视为检测出车辆并保存改区域的图片

(二)        检测车牌区域（基于HSV颜色空间+形态学方法）

1.    车牌粗定位

（1） 改变图片尺寸（480´320）得到resizeimg

（2） 转换为HSV空间，并在HSV空间直方图均衡化

（3） 在HSV空间检测蓝色区域，范围为(100,90,80)—(130,255,255)，得到blueimg

（4） 对blueimg进行膨胀运算、开运算得到image1

（5） 对resizeimg灰度化

（6）  进行直方图均衡化

（7）中值滤波

（8）Canny算子边缘检测

（9）进行开运算、闭运算得到image2

（10）对HSV空间检测蓝色分量的image1和边缘检测得到的image2进行按位与得到andimage

（11）对andimage进行膨胀运算

（12）寻找最大连通域

（13）圈出最大连通域所在的矩形区域并切割得到ROIimage

2.    车牌精确定位

（1）对ROIimage转换蓝色空间并均衡化

（2）检测蓝色区域，范围为(100,90,90)—(140,255,255)

（3）框出非零点集所在的最大矩形区域并切割得到roimage

（4）Canny算子检测roimage并利用hough变换进行水平倾斜校正得到houghimage

（5）对houghimage进行灰度化、二值化（浙大张引二值化）

（6）对二值化车牌水平方向统计黑白跳变次数

（7）从车牌中间向上下搜索，若跳变次数小于14，设定为上下边界并切割，得到jingqueimage

(三) 车牌字符切割（投影法）

1.对对车牌进行垂直投影，求垂直方向投影平均值mean，设定投影特征值TZ=0.63´mean

2.先从第三个字符开始切割，选择车牌宽度的0.3倍处作为起始点，向右寻找大于TZ的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点后下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16*32，二值化得到字符

3.第四个到第七个字符的切割方法与第三个字符相同

4. 切割第二个字符，选择车牌宽度的0.35处作为起始点，向左寻找大于特征值的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点左边下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16´32，二值化得到字符

5.  切割第一个字符，切割方法同第二个字符。求后六个字符的宽度平均值，若切割出字符宽度小于平均值的0.8倍，则重新寻找下一个为零的波谷作为终点，切割出该部分。对该部分扩充调整其宽高比为0.5，对其归一化16´32，二值化得到字符

(四)        车牌识别（BP神经网络）

1.      汉字识别

（1）网络层数：输入层：560  隐含层：132  输出层：31

（2）激活函数：Sigmoid函数

（3）神经网络的训练参数：

                                       a) 最大迭代次数：10000

                                      b)误差最小值：0.001

                                      c) 权值更新率：0.07

                                      d) 权值更新冲量：0.07

（4）输入样本：

                     a)  特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维

                     b) 训练样本数：所有省份样本共1195个

（5） 输出结果：输出层共31个，如“京”：0.9，,0.1……0.1，选取输出的31个值的最大的值为识别结果

（6）  对汉字识别：提取特征并进行预测，输出省份

2.      字母识别

（1）网络层数：输入层：560  隐含层：117  输出层：24

（2）激活函数：Sigmoid函数

（3）神经网络的训练参数：

                                                 a)       最大迭代次数：30000

                                                b)       误差最小值：0.001

                                                c)       权值更新率：0.07

                                               d)       权值更新冲量：0.07

（4）输入样本：

                           a)       特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维

                         b)       训练样本数：所有省份样本共1200个

（5）输出结果：输出层共24个，如“A”：0.9，,0.1……0.1，选取输出的24个值的最大的值为识别结果

（6） 对字母识别：提取特征并进行预测，输出字母

3.      字母和数字识别

（1）网络层数：输入层：560  隐含层：139  输出层：34

（2）激活函数：Sigmoid函数

（3）神经网络的训练参数：

                                                a)       最大迭代次数：30000

                                               b)       误差最小值：0.001

                                                c)       权值更新率：0.06

                                               d)       权值更新冲量：0.06

（4）输入样本：

                              a)       特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维

                              b)       训练样本数：所有省份样本共5100个

（5）输出结果：输出层共34个，如“A”：0.9，,0.1……0.1，选取输出的34个值的最大的值为识别结果

（6）对字母和数字识别：提取特征并进行预测，输出字母

 总结

采用基于视频检测的车牌识别系统，测试的场合是小区门禁处静止摄像机，实现对行驶的车辆进行车牌识别。从功能划分可以分为三块，车辆的视频检测、车牌的定位和车牌字符的分割与识别。

由于交通场景的复杂性和多样性，本设计有许多值得进一步研究的地方，主要有以下几个方面：

1.  本设计的计算速度较慢，尚未能满足实时性的要求。

2.  在车牌定位模块，对于截取图片中的车辆的距离有一定要求，车辆占比区域太大会造成车牌定位不准的情况。

3. 在字符分割模块，基于大多车牌字符都没有粘连，本设计采用的投影法。对于字符粘连的车牌会出现分割错误。

4.   在字符识别模块，由于汉字神经网络样本不足和特征提取不太理想，造成汉字识别率较低。