出入口车牌识别技术方案

出入口车牌识别技术方案（精选9篇）

篇1：出入口车牌识别技术方案

第1章 概述

1.1 应用背景

随着经济建设和社会建设等快速发展，人们的生活方式发生着深刻的变化。机动车辆和城市的人口大量增加，在诸多因素影响下，导致出入口管理混乱，违法案例呈上升趋势，社会公共安全形势面临着严峻的挑战，这种挑战迫使人们去寻找高技术的有效手段去解决突出的问题。出入口控制系统就是顺应这一时代需求的高技术产物。他不仅可以有效地解决出入口的交通混乱，同时也尽可能地减少车主失车被盗、物品被盗的忧虑。另外，在技术方面，其高技术性匹配于现有其他智能化系统，具有很好的开放性，易于与其它安防子系统组合成更强大的综合系统，适应多种综合方式的高级管理。

出入口控制系统是上世纪60年代发展起来的安全防范技术，进入九十年代以后，出入口控制应用在国内迅速得到了发展，已成为我国安防领域的一个重要分支。出入口控制系统发展之初，由于缺乏共同标准，各厂商按照自己的理解和偏好来进行产品的研发和实施，给最终用户的选型、实施和运行带来了很多问题，制约了出入口控制系统的有序发展。

公安部于2002年颁布了《出入口控制系统技术要求》（GA/T394-2002）和《出入口控制系统工程设计规范》（GB50396-2007），对出入口控制系统的技术规范和工程设计规范做了比较详细的规定，统一了技术标准，对出入口控制系统的发展进行规范和指导，促进出入口控制系统行业朝着规范、有序的方向发展。

1.2 现状分析与发展趋势

随着城市交通的不断发展，城市内的机动车辆日渐增多，各种机动车辆的停车管理问题迫在眉睫，许多大中型场所都面临着数百辆车的日常保安管理工作。由于环境限制，对固定车辆和临时车辆的便捷管理成为管理人员迫切需要解决的难题。

研究出入口控制系统现在运行的情况，我们可以知道存在以下问题需要解决： 1)IC卡和人工管理等封闭区域车辆被盗被换现象经常发生；

2)业主转借卡片现象严重，停车位管理困难；

3)出入口车辆通行效率低下，上下班高峰期通行时间较长；

4)出入口控制系统建设规模和密度不足，一般监控系统存在视场较小、视频质量较低和关键目标不够明确，对静态车辆的管控缺乏有效的技术和管理手段；

5)出入口控制系统与收费、视频监控、车位诱导、巡更等系统融合上不够，未能综合应用各种数据，更好的发挥出入口控制系统功能；

6)传统出入口控制系统经营与管理成本较高。

在面对上面提及的问题时，我们分析了出入口控制系统的发展趋势，主要有以下几点：

1)非接触识别技术正成为出入口识别系统的主流。

2)出入口控制系统的工程设计，越来越强调被控对象以及建筑环境的作用。在安全级别要求较高的应用场合，目前已经做到整体设计、统一施工。

3)出入口控制系统将与其他安防系统互为补充，并相互渗透与融合，你中有我、我中有你、共同发展。

4)利用出入口控制系统完成日常管理工作的应用需求越来越多，作为从事这一行业的企业，应抓住机遇、不断创新，推动出入口控制行业健康、顺利的发展。

第二章 系统总体设计

2.1设计依据

系统设计依据国家相关法律规章、国家和行业相关标准、相关研究成果等资料进行规划设计，具体如下：

 建设单位提供的设计要求及相关资料  《智能建筑设计标准》 GB/T50314-2006  《综合布线系统工程设计规范》GB 50311-2007  《综合布线系统工程施工及验收规范》GB/T 50312-2007  《安全防范工程技术规范》 GB50348-2004  《视频安防监控系统工程设计规范》GB50395-2007  《出入口控制系统技术要求》（GA/T394-2002） 《出入口控制系统工程设计规范》GB50396-2007  《民用建筑电气设计规范》JGJ16-2008  《建筑物电子信息系统防雷技术规范》GB 50343-2004；  《建筑防火封堵应用技术规程》CECS 154：2003  《民用建筑电线电缆防火设计规程》DGJ 08-93-2002 其它有关国家及地方的现行规程，规范及标准。

2.2设计原则

1)先进性

本系统充分利用科技进步成果，采用当今先进的技术及设备，一方面能充分体现系统具有的先进性水平，另一方面也使得系统具有强大的发展潜力，以便该系统在尽可能长的时间内与需求发展相适应。

2)可靠性

由于本系统是一实际使用的工程，因此其技术和设备又必须是相对成熟的。本系统在设计时从系统结构、设备选择、产品供应商的技术服务及维修响应能力等方面严格把关，使故障发生的可能性尽可能降低，具有防盗、耐高温、抗寒、散热排风等功能设计，使用的各类电气接线端子、过载、漏电及断路保护装置、避雷装置等装置均符合国家有关电气安全标准要求，保证系统能够可靠地、连续地运行，软件采用模块化、分层隔离的设计思想，充分保证系统的高可靠性。

3)规范性

由于本系统是一个综合性系统，在系统设计和建设初期应着手参考各方面的标准与规范，并且应遵从该规范中各项技术规定，做好系统的标准化设计与管理工作。

4)易维护性

本系统前端设备数量多、种类多，统一采用系统软件平台的集中管理，可实现远程升级、维护和自动校时，易于故障的排除，系统维护简单方便。

5)扩展性

本系统考虑今后发展的需要，系统软硬件应采用模块化设计，因而保证在系统产品系列、容量与处理能力等方面的扩充与换代的可能。这种扩充不仅充分保护了原有投资，而且具有较高的综合性能价格比。

6)安全性

采取有效的安全保护措施，防止系统被破坏、非法接入、非法访问，系统具有防雷击、过载、断电、电磁干扰和人为破坏等综合安全保护措施。

7)经济性

系统尽量采用性价比高的产品，既能满足实际需要，又可尽量降低费用，同时在系统化的设计过程中，进行优化设计，便于今后维护，大大降低系统费用。

2.3设计目标

我们希望通过建设出入口控制系统达到以下核心业务目标：

1)实现传统人工管理模式向智能管理模式转变； 2)车辆自动放行和提示，提高系统的智能化； 3)车牌识别实现针对“车辆”的进出管控；

4)车牌识别与卡票相结合可实现一卡一车，防止换车、换卡； 5)更高效的车辆记录和数据统计；

6)实时数据比对，实现智能分析、联网布控功能；

7)更完善的数据存储和读取性能；

8)主要设备通信协议均采用TCP/TP，更高效的与其它系统融合； 9)更便捷的工程实施与系统维护。

2.4设计思想

出入口控制系统是安全技术防范领域的重要组成部分，是现代信息科技发展的产物，是数字化社会的必然需求，是人们对社会公共安全与日常管理的双重需要，是发展最快的新技术应用之一。出入口控制系统通常是指：采用现代电子与信息技术，为出入口管控和安全服务的信息化管理系统，对通过出入口的车辆、人员两类目标的进、出进行放行、拒绝、记录和报警等操作的控制系统。本方案设计的出入口控制系统应用场所包括通常所说的停车场、居民小区、政府机关大院、学校、厂矿企业等有车辆、人员出入的区域。

系统设计时采用先进的设计理念，本着以最经济的投入实现最强大、实用系统的设计目标。

支持IC卡、射频卡、蓝牙卡、纸票、车牌识别等多种配置方式的出入口控制系统，适应各类出入口场景，实现了出入口控制管理高度智能化，有助于解决现在各类出入口管理问题。

自主研发的高清车牌识别系统准确记录识别车牌号码，确保车辆的进出有据可查，进出可控，固定车辆快速通过电动挡车器，加强停车场的高效和安全管理。

系统在设计上充分考虑开发的体系架构，采用设备代理的方式方便第三方厂家设备的接入，可以灵活的与原有系统或设备进行对接，管理软件与第三方平台通过Web Service接口完成交互，具有高度的多业务功能融合能力。

系统管理软件同时具有视频监控功能，可以将出入口控制系统与视频监控系统无缝结合的在一个统一的管理软件下管理。

第三章 系统详细设计

3.1车牌识别系统

3.1.1设计思想

利用电动挡车器、车牌识别等出入口设备做连动整合，除可管制车辆的进出外，亦可进一步管制车位数量之管控，对于每辆车停车时间亦可计算或限制，更加强防盗/防弊功能，使对通过出入口的车辆能更有效的辩识和管理。

3.1.2系统结构

图注：自动挡车器自助缴费机出入口补光抓拍一体机光纤信号/控制线以太网LED显示屏出入口控制终端中心平台3.1.3系统组成

出入口控制系统由前端子系统、传输子系统、后端子系统组成，实现对车辆的24小时全天候监控覆盖，记录所有通行车辆，自动抓拍、记录、传输和处理，同时系统还能完成车牌、车主信息管理、收费、对账等功能。

1、前端子系统

负责完成前端数据的采集、分析、处理、存储与上传，负责车辆进出控制，主要电动挡车器模块、车牌识别模块等相关模块组件构成。主要设备如下：

1)电动挡车器模块主要设备：

 电动挡车器

 手动按钮能作 “升闸”、“降闸”及“停止” 操作

 支持软件控制“升闸”、“降闸”及“停止” 操作  停电自动解锁、停电后可用摇把手动抬杆  具有便于维护与调试的“自栓模式”

 配备车辆检测器，使具有“车过自动落闸”“防砸车”功能。 可选配路闸及通道两对红绿灯

 备丰富的底层控制及状态返回指令，使电脑可对电动挡车器作最完备的控制

 可根据需要增加其它特殊功能

 车辆检测器

用于防砸线圈检测。

 遥控发射接收器

接收无线遥控信号，并转换开关信号。

 遥控发射器

发送无线信号。

2)车牌识别模块主要设备：

 出入口补光抓拍单元

出入口视频一体机是由摄像机及护罩组成，自带3颗LED补光灯，具有清晰度高、照度低、帧率高、色彩还 原度好等特点。

 车辆检测器

系统采用线圈触发方式，由前端车辆检测器来检测进出通行车辆，可与防砸线圈车检器共用。

 出入口控制终端

出入口控制终端负责进行前端数据采集、处理、上传后端平台，可实现实时视频、抓拍图片显示、进出抓拍图片关联、实时报警信息显示、系统日志显示、软件开/关闸、高峰期锁闸、设备连接状态显示、报警联动等功能。

 LED显示屏

室外LED显示屏用于显示“中心发布信息”，实时显示“车牌号码”、“余位数”、“收费金额”等信息。

2、网络传输子系统

负责完成数据、图片、视频的传输与交换。其中前端主要由交换机、光纤收发器等组成；中心网络主要由接入层交换机以及核心交换机组成。

3、后端平台管理子系统

平台完成数据信息的接入、比对、记录、分析与共享。由以下软件模块组成，包括：数据库服务器、数据处理服务器、Web服务器。其中数据库服务器安装数据库软件保存系统各类数据信息；数据处理服务器安装应用处理模块负责数据的解析、存储、转发以及上下级通讯等；Web服务器安装Web Server负责向B/S用户提供访问服务。

3.2实际出入口混行模式

1.5m触发线圈余位显示屏逻辑线圈入口补光抓拍单元自动挡车器补光抓拍单元防砸线圈收费显示屏出口4m逻辑线圈触发线圈0.8m出入口控制终端1m0.8m值班岗亭1m0.8m1m入口4m0.8m 3.3主要设备选型

1、出入口补光抓拍单元

200万像素出入口补光抓拍一体机DS-TCG225（主推）

1）产品说明: 出入口补光抓拍一体机DS-TCG225是由防护罩、镜头、摄像机、补光灯及电源组成，内置摄像机采用高清晰逐行扫描CMOS，具有清晰度高、照度低、帧率高、色彩还原度好等特点。产品广泛应用于加油站、4S店、小区、政府大院、停车场等出入口的车辆抓拍和识别。

2）主要特性：

（1）高清晰：200万像素高清摄像机，最大分辨率可达1920*1080，帧率高达25fps；

（2）低照度效果：1/1.8"逐行扫描CMOS，成像效果好，0.002Lux星光级监控效果，夜间看的更清；

（3）集成度高：内置2颗LED补光灯，集摄像机、护罩、LED补光灯、镜头、电源适配器于一体，可有效节省施工布线成本；

（4）调试方便：采用5.2-13mm电动变焦镜头，支持软件自动调焦，调试更加方便，场景适应性更广；

（5）接口丰富：丰富的控制接口，可直接控制道闸开/关，支持外接报警设备、LED显示屏、音频输入输出等；

（6）智能识别算法：丰富的智能识别算法，支持车牌、车型、车标、车身颜色识别，准确率高；

（7）黑白名单控制：内置8G SD卡，支持黑、白名单的导入及对比，可直接联动道闸开闸，支持脱机运行；

（8）多种触发模式：支持线圈触发、视频触发、线圈结合视频触发等多种触发模式；

（9）无线传输（可选）：支持GLE电信全网通无线传输功能，环境适应性更强。

2、出入口控制终端DS-TPEXXX

1）产品说明: 出入口控制终端是一款专用于记录所有通行车辆，自动抓拍、记录、传输和处理的数据采集类终端。该产品采用X86架构、嵌入式无风扇设计，集图像采集、实时处理和数据传输等功能于一体，支持4车道数据接入，支持收费功能；支持过车数据存储、管理、查询；丰富的接口：3个232、2个485、4个百兆网口、2个千兆网口、4个USB、2路报警输入、4路继电器输出、1个VGA、1个音频输入、1个音频输出；具有智能集成度高、连续运行时间长、抗恶劣环境能力强的特点。

3、电动挡车器_（多选）

4系列自动挡车器DS-TMG4XX（大红色）/（橙色）

1）产品说明: 系统选用自动挡车器采用国际最新技术研制，表面喷涂处理技术和工艺，先进的机内防潮处理工艺；整套设备都充满了先进的技术改革和工艺处理，适用于小区、大小型停车场。

第四章

系统实际效果

车牌识别系统效果图

200万像素高清效果（白天）

200万像素高清效果图

200万像素高清效果（夜间）

200万像素高清效果图

篇2：出入口车牌识别技术方案

编号：L160628-01

北京恒安同正科技有限公司

2016年6月28日

中粮日清（大连）有限公司

西安邮电大学

篇3：车牌识别技术研究

从20世纪90年代初，国外的研究人员就已经开始了对车牌识别的相关研究，其中具有代表性的工作有：R.Mullot等开发的一种可以同时用于集装箱和普通车辆的车牌识别系统，该系统主要是利用文字的纹理在车辆图像中的共性进行定位与识别。Yuntao Cui提出了一种车牌识别系统，在车牌定位以后，利用马尔科夫场对车牌特征进行提取和二值化。R.Parisi利用DSP和神经网络技术开发出了一套车牌识别系统，他在字符识别中使用了一种非传统的DFT技术，实验证明效果不错。Tindail利用车牌反光的原理开发出一种车牌识别系统，该系统可识别全部五种英国格式的车牌。Young Sung Soh开发出一套实时车牌识别系统，据报道该系统的车牌定位正确率可以达到99.2%。

国内不少学者也在进行车牌识别方面的研究。产品方面比较成熟的有中科院自动化研究所汉王公司的“汉王眼”，深圳吉通电子有限公司以及信息产业部下属的中智交通电子有限公司也有自己的产品。实验室方面，西安交通大学的图像处理和识别研究室、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。

1 字符识别方法综述

字符识别研究一般分为两个部分：特征的提取和识别器的构造。从图像中提取有效的字符特征是完成字符识别的首要任务。近年来，随着模式识别技术的发展，出现了很多字符提取特征的新理论、方法和手段。

1.1 基于特征匹配的字符识别方法

基于特征匹配的字符识别方法是基于待识样本与理想样本的特征空间距离最小的原则，根据提取特征的不同，可以分为模板匹配方法和结构匹配方法。模板匹配方法首先对待识别字符进行二值化，并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，最后选出最佳匹配作为结果。结构匹配方法是根据每个字符都有它独特的笔画特征，字符可以分解为具有横、竖、撇、捺、弓、洞中的一种或几种特征的集合，把输入字符分解为上述笔画的结构特征集合，然后与字符库中的结构特征集合进行匹配，结构特征最匹配的字符就是该输入字符的识别结果。

1.2 基于规则匹配的字符识别方法

基于规则匹配的字符识别方法首先提取大量字符样本的特征，然后通过知识获取，发现其中蕴涵的分类规则，然后把输入字符的特征与规则的前提进行匹配，若规则的前提被满足，则认为规则的结论即为输入字符的识别结果。

1.3 基于神经网络的字符识别方法

基于神经网络的字符识别是神经网络模式识别的一种，字符的统计特征、结构特征等多种特征都可以用来构造神经网络分类器。构造神经网络分类器要选择适当的网络结构和学习算法，才会有很好的识别效果。在学习阶段，应该用大量的样本进行学习、训练，通过样本的学习对神经网络各层网络之间的连接权值进行修正，使其对样本有正确的识别结果。在字符识别阶段，只要将字符进行预处理，再对其进行特征提取，然后将特征提取后的特征向量作为神经网络分类器的输入，经过网络的计算，分类器的输出就是识别结果。目前已经有多种结构的神经网络用于车牌字符识别，如BP网络、SOFM网络、RBF网络等。

2 BP神经网络的改进

BP算法有几个缺陷，包括易陷入局部极小点、收敛速度慢、网络的泛化能力不能保证等。

1)局部极小值问题

BP算法可以使网络权值收敛到一个解，但他并不能保证所求为误差超平面的全局最小解，很可能是一个局部极小解，即BP算法可以使网络权值收敛到一个解，但它并不能保证所求的解为误差超平面的全局最小解，很可能是一个局部极小解。

2)学习算法的收敛速度慢

学习算法收敛速度慢，其原因有三：一是网络的学习速率太小所造成的;二是网络容易陷入“瘫痪”状态;三是标准BP算法采用为误差函数。随着学习次数的增加，dl (p) -yl (p) 越来越小，使函数逼近速度减慢。

针对BP网络的局限性，我们对其进行了改进，以提高网络分类器的效率。

1)附加动量项

就是在反向传播的基础上在每一个权值的变化上加上一项正比于前次权值变化的值，并根据反向传播法来产生新的权值变化。带有附加动量项的权值调节公式为：

其中为0n训练次数，cm为动量因子，一般取0.95左右。

2)自适应学习步率

在实际应用中，很难准确的确定最佳的学习速率，η值取值较小，则迭代次数明显增加，学习速度过缓。而η值过大的话，可能导致学习速率过大，学习过程不收敛。通常调节速率的准则是：检查权值的修正值是否真正降低了误差函数，若如此，则说明所选取的学习速率值小了，可以对其增加一个量;若不是，则产生了过调，就该减小学习速率的值。

3)附加动量因子及动态自调整学习算法

检验参数选择是否有利于网络误差函数的下降，若本次迭代使误差减小，应增大学习速率，并置动量项为0～1的某一数值;若本次迭代使误差增大，应减小学习速率，并置动量项为0。

参考文献

[1]戴琰.基于网络数据库的汽车拍照自动识别系统[D].杭州:浙江大学, 2002.

篇4：智能车牌识别技术

[关键词] 车牌定位车牌识别字符分割字符识别

车牌识别技术在公共安全、交通管理、及相关军事部门有着重要的应用价值，目前该技术主要应用于职能交通系统（Intdligent Transportation SystemITS）。一般来讲车牌识别软件系统主要包括三部分，它们是车牌定位、车牌分割和字符识别，车牌定位的任务是给出图像中车牌的位置，车牌分割的主要任务是将定位后的车牌区域中的字符分割出来，字符识别是最后一部分，它的主要任务是将分割出的字符识别出来。有关车牌识别技术国内外有大量的研究报道，在车牌识别系统中，涉及的方法比较多，有的算法简单，速度快，但识别正确率较低；有的算法复杂，正确率高，但速度慢，以下对现有的一些车牌识别技术进行综述比较。

一、车牌定位技术

车牌定位就是从车牌的图像中提取出车牌区域，它的好坏直接关系到这个系统识别率的高低，并且对识别速度也有很大的影响。由于车牌背景的复杂性与车牌特征的多样性，迄今为止, 仍没有一个完全通用的职能化车牌定位方法。车牌定位算法目前主要有基于彩色的方法、寻找车牌图像上下边界的方法、基于灰度的方法、基于频域或其他变换域的方法等几大类，结合这些基本方法与各种优化算法又派生出许多其他定位算法。

1.利用车牌的纹理的几何变化的定位方法

对车牌区域检测需要运用车牌区域所特有的属性。按照模式识别原理，应找到车牌区域图像固有的且与图像其他区域不易混淆的属性，并且所有使用的属性在各种环境下摄取的图像具有稳定性。在各种条件下车牌所在的图像区域稳定可靠的信息是它具有丰富的边缘，因此涉及了对边缘纹理信息分析为基础的算法。

这类算法的流程可以分为三个步骤:(1)预处理，将彩色图像转换成灰度图并进行图像边界增强;(2)利用根据牌照特点设计的变换公式进行变换;(3)对变换后的图像进行分析，利用牌照的几何特点进行定位。

2.利用图像信息差进行车牌定位的方法

这种方法是利用两帧或两场车牌图片之间的信息差，进行车牌的定位，所以这种方法也叫基于互相关矢量图的车牌定位算法。该算法已于车牌字符笔画两个边缘互相关值最大的原理，由原始图像构造两幅图像，用类似粒子图像测速互相关方法求出“位移矢量图”，再从中依据先验知识进行车牌定位的算法。该算法的特点是可在车牌两倍大小范围内自适应车牌大小，同时还可以得到对后续处理非常有用的信息。

3.利用颜色的车牌定位的方法

利用颜色的车牌定位方法不同于大多数的车牌定位方法，由于对车牌的大小、汽车在图像中的位置以及图像背景的限制很少，而且综合特征定位要比单一特征定位更符合人的视觉要求，因而定位效果更好，应用范围更广。有关车牌的模型化，根据机动车牌号标准，中国车牌照主要有蓝底白字、黄底黑字、黑底白字、和白底黑字4种类型，根据车牌底色，利用颜色空间距离及相似度计算，就可以从图像中分割出想要的顏色区域，再采用投影法来找到该颜色区域。

4.投影法进行车牌定位

在所有的车牌定位算法中，利用投影法进行牌照区域与背景的分割，是一种非常常用的方法，也是非常实用的方法。其实在上面提到的几种定位放法中，在完成特征计算后，都采用了投影的方法进行切分。投影法定位有牌照水平方向的定位算法和垂直方向的定位算法两种。

二、字符分割技术

在经过车牌定位后，为了方便后面的识别环节，应首先对字符进行分割，并进行归一化，分割质量的好坏和正确与否将直接影响后面的识别结论是否正确。它的主要任务是:确定车牌字符的上下边界，两条直线;将车牌中的字符一一分割出来;将分割出来的字符归一化到一个固定的大小。在这一过程中涉及到的技术主要有二值化、寻找精确字符边界、字符分割。

1.图像的二值化

二值化是车牌识别中的重要处理手段，它可以被用在车牌定位也可以用在车牌的分割中。图像的二值化就是把灰度图像变成黑白图像。选取一个阀值，当灰度值大于该阀值时令其位白点，否则位黑点。根据阀值选取的不同，二值化的算法分为固定阀值和自适应阀值。一般来说，不同的图像采用同一个阀值的效果也会大不一样，所以自适应阀值的灵活性比固定阀值的处理效果要好。但在默写特定的情况下，由于处理的是一组相似的图像，因此也可以选择一个固定的阀值来进行处理。自适应阀值的缺点是可能会产生许多噪声点，如果车牌系统应用范围很窄，则可以选择一个适当的固定点做阀值。

2.寻找边界

二值化后需要寻找车牌字符的边框，一边更精确地定位车牌。根据在字符区域与背景区域的交界处，前景象素的个数会发生突变。从区域的中间点出发，依次寻找上、下、左、右边界。经过上面的车牌定位，可以认为该块区域的中心点位于字符区域内。统计每一行和每一列的白点（即前景点颜色）个数，当发生冲突的时候就认为有可能到达边界了，排除一些噪音干扰，就可以得到字符区域的边界。

3.字符分割

经过牌照字符图像的分割与二值化，得到的是一个只包含牌照字符的水平条区域，为了进行字符识别，需要将牌照字符从图像中分割出来。投影法进行图像字符分割是最简便快捷的方法，其思想是根据车平均字符的特点，把车牌图像进行垂直方向的投影，音字符区域黑色像素点比较多且集中，且每个车牌字符之间有一定的空隙间隔隔开。这样投影下来得到的投影图应该有几个相对集中的投影峰值群，只需要根据峰值群的特点进行分割，就可以得到车牌的字符。

车牌图像字符定位分割的具体算法如下:(1)对车牌图像进行垂直投影，定位出每个字符的左右边界，并保存在数组中;(2)把每个字符分割出来，再进行水平投影，定位出字符具体的上下边界，并保存再数组里;(3)根据每个字符的边界，把字符信息保存再数字里，并在图像中显示定位情况。

三、字符识别

字符识别是车牌识别的最后一步，也是计算量较大的部分。对于单个的字符，最直接的识别方法就是模板匹配方法，由于牌照字符有限且位确定的字体，因此，如果前面的步骤完成的质量较高，则用这种方法的识别效率也会很高，但是如果牌照校正得步规范或字符切割得不够精确，则识别率就会大大降低，因此在实际中，通常都是利用字符的各种特征来进行识别。

1.字符的特征

车牌识别中可利用的字符特征很多，大致可以分为结构特征、象素分布特征及其他特征。

(1)结构特征，结构特征充分利用了字符本身的特点，由于车牌字符通常都是较规范的印刷体，因此可以较容易地从字符图像上得到它的字符的笔画信息，并可根据这些信息来判别字符。

(2)象素分布特征，象素分布特征的提取方法很多，常见的有水平/垂直投影的特征、微结构特征和周边特征等。水平/垂直投影的特征是计算字符图像在水平和垂直方向上的象素值的多少，以此作为特征。微结构法将图像分为几个小块，统计每个小块的象素分布。周边特征则计算从边界到字符的距离。

2.字符识别方法

(1)模板匹配字符识别。模板匹配是字符识别的最基本的方法之一，该方法是将要识别的字符与实现构造好了的模板尽心比较，根据与模板的相似度大小来确定最终的识别结果。基本思想是：首先根据切割下来的字符大小，确定一幅带有加权因子的骨架模板，然后，将切割下来的字符按照模板的大小进行归一化，包括大小的归一化和灰度的归一化，归一化后的字符图像与创建的模板进行匹配。

(2)基于过线数特征的识别方法。该方法是为了提高识别速度，它也是模板匹配的一种，是对模板的算法进行的优化，从模板中提取一些有用的特征，可以使识别速度大大提高。单一特征抽取构成的识别系统通常难以满足要求。车牌识别系统的字符识别，其实也是一种印刷体字符识别，根据印刷体的结构抽取特征，比如数字识别为例，可以抽取四种特征：横线特征、竖线特征、水平方向过线数、垂直方向过线数。然后就可以利用这四种特征和编码器组合的方法实现对印刷体数字的识别。

(3)基于左右轮廓特征的印刷体数字识别。基于左右轮廓特征提取的方法其实质也是一种特征提取的方法。由于印刷体数字的形状相对固定，而且其左右轮廓基本上反映了字符的特征，将数字的左右轮廓特征经归一化处理后得到多个特征值。

一个完整的车牌识别系统包括图像采集、图像处理、车牌定位、字符识别、近端或远端数据库、网络支持等模块。本文主要介绍了车牌定位与识别等关键技术，其他不再一一赘述。

篇5：加油站车牌识别

利用先进的监控技术，例如高清、智能、车牌识别等技术，构建一套全面防范、重点加强、资源共享的安防系统，有效加强对加油站人员的管理，直观及时的反映重要地点的现场情况，增强安全保障措施，已经成为现阶段加油站建立现代化管理系统的重要选择。

需求分析

根据当前加油站的运行管理和安防报警的要求，加油站联网监控系统需满足以下需求：

·管理人员可以实时了解加油站的工作情况；

·管理人员可以实时了解加油站的交易情况；

·管理人员可以实时监视加油站的各个重点部位，比如油库区和金库等；

·系统需具备报警接口，加油站报警时可以实时传递报警信号到总监控中心，并可以设置多种报警联动机制，实现视频监控与报警的结合；

·监控平台软件需支持语音对讲和广播，能够扩展实时指挥、培训和视频会议等功能。

设计思想

对加油站的监控系统实现半公开管理。一方面，加油站管理人员可以通过前端视频了解加油站进出车辆情况、收费情况、设备运行情况以及加油站工作情况，实现对加油站的远程管理。另一方面，当有警情发生时，相关人员可以即时查看到现场实时视频。

对于重点区域如油库等部位，采用智能分析技术，通过智能跟踪的方式，实现油库区的安全防范监控。

对于加油站进出口管理，可以采取两套解决方案：

1、使用强光抑制型摄像机，保证晚上也能够看清车牌信息；

2、使用高清摄像机，配合LED频闪灯，增加车牌识别功能；

3、该功能可以辅助加油站对加油车辆进行统计分析，方便加油站针对老客户搞一些回馈活动。

报警与监控系统建设以加油站为基本实战单位，在各上级监管单位建立二级报警与监控分中心，在省公司设立总监控中心，实现对前端所有设备和系统的统一管理和控制。各级领导可以通过网络分控对系统进行管理。

监控中心是一个监控系统的核心管理部分，是利用计算机网络多媒体技术开发的整合式集中智能监控管理控制应用平台(包括监控系统管理模块、WEB服务模块、报警模块、数字视频转发模块等)，汇接了全省各加油站图像监控系统，将所需的视频、音频、数据以数字形式通过网络进行传输和共享；并根据授权进行远程调阅、查询，由开放的接口实现互联、互通、互控及其它多种应用，为全省各级领导决策、指挥调度、调查取证等，提供及时、可靠的监控图像信息。系统设计

运用先进的计算机技术、网络技术、数字压缩技术、网络传输与安全技术，以加油站为监控网点，加强监控点、网设、监控系统管理应用平台等系统建设以及相关应用机制建设，基本建成覆盖面广、系统完整、功能强大的网络报警和视频监控系统。

系统整体架构

系统整体上划分为三个部分：包括省级监控中心，地市级分控中心和加油站部分。在前端每个加油站采用硬盘录像机作为系统接入的主要设备；在加油站省级管理单位设置集中监控、管理平台；在其他管理单位设分控中心或客户端。

加油站的建设

加油站是各种信息的采集点，是整个系统是否具备实用性的关键所在，只有采集到有效的信息，才能使整个系统发挥作用。根据加油站的防范需求，每个加油站需要建设多个视频采集点，对加油站进出口、加油站加油工作区、加油站便利店、加油站售卡处、加油站财务处(保险柜)、加油站的油库区等部位进行覆盖。

针对上述防范区域，系统将可采用不同的前端设备以满足不同的防范需求：加油站进出口：需要看清进出车辆的车牌号码和进出人员的面部特征；加油站加油工作区：需要看到加油区的整体工作状况；加油站便利店、售卡出、财务处(保险柜)：需要看清交易人员的面部特征、交易情况等；加油站的油库区：需要对进入油库区的人和车进行智能跟踪，详细记录油库区内人和车的运行轨迹和各种状态。

加油站点位设计

进出口监控：加油站进出口是外部人员和车辆进出加油站的唯一通道，是加油站防范重点部位。点位设计应该满足人员面部特征和车辆牌照信息能清晰呈现的需求。由于加油站均为24小时运行，需要考虑晚上的光线环境，尤其是进出口处车头灯对摄像机的影响较为严重。

鉴于以上两点，加油站进出口采用日夜型强光抑制彩色摄像机，摄像机具备分辨率高(彩色540TVL、黑白600TVL)、低照度(彩色0.003Lux、黑白0.0003Lux)及强光抑制等特点，能够满足进出口防范需求。

针对加油站出入口，系统还可以采用高清摄像机，配合LED频闪灯，实现车辆牌照识别功能。采用的高清摄像机内置视频触发模块、抓拍模块和拍照识别模块，避免了增加额外的设备，减少工程成本和施工难度。

加油工作区监控：加油工作区是外来人员及车辆的主要活动场所，点位设计应满足该区域的全覆盖。加油工作区一般面积比较大，可以采用枪机对角安装进行大面积覆盖，再加装球型摄像机对枪机盲点进行补充。同时，球机可以对加油区的工作细节进行捕获。枪机采用低照度彩色摄像机，球机采用智能中速球。

便利店、售卡处、财务处(保险柜)：以上三个地方均是发生钱物交易的地方，点位设计需满足清晰记录交易人员特征及交易情况的需求。便利店、售卡处、财务处均为室内安装，采用高解彩色半球摄像机，外观美观，分辨率高(540TVL)，满足监控点需求。

油库区：油库区为加油站防范的重中之重，油库区一旦发生问题，后果不堪设想。

点位设计采用智能分析技术，能够对进入油库区的人员和车辆进行跟踪捕获，清晰地展现人员及车辆的运行轨迹及各种状态。

油库区采用自动跟踪高速智能球，通过智能分析技术，清晰完整的记录油库区的人和车。并要求球机具备自动跟踪、运转速度快(水平540°/s、垂直400°/s)等特点。

加油站报警设计

本监控系统设计预留报警接口，可在加油站重点防范部位加装报警探头或者报警按钮，实现报警信息的自动采集或手动触发。

报警点位设计：财务室、保险柜安装三鉴探测器和手动报警按钮；售卡处和便利店安装手动报警按钮；同时支持视频检测报警。

加油站中心设计：加油站中心主要是前端摄像机的汇聚中心，系统采用硬盘录像机作为汇聚核心设备。通过硬盘录像机对前端视频进行编码存储及网络上传。同时，硬盘录像机也可以接入前端报警信号，实现报警联动及报警上传等功能。

监控中心建设

监控中心是整个系统的管理核心，能够对前端设备和用户进行统一的管理和控制。监控中心设在省级销售管理公司，主要是系统平台软件、承载服务器及应用客户端的部署。

分控中心建设

分控中心为系统的区域管理中心，能够对区域内的前端设备进行管理和控制。区域监控中心设在各地市销售公司，主要是系统应用客户端和承载计算机的部署。

系统平台建设

本系统平台是一套定位于监控专网环境下的网络集中监控系统。整个软件平台按分布式系统方式设计，各组件各司其职、相对独立，又构成一个有机的整体。由中心服务模块、存储服务模块、流媒体服务模块、电视墙服务模块、报警服务模块、客户端模块(分配置和操作两类)组成。各服务模块的物理承载形式为Server，构成中心服务器、存储服务器、流媒体服务器、电视墙服务器和报警服务器，客户端模块的物理承载形式为高性能PC，构成配置客户端和操作客户端。

本系统中的控制、管理、服务均由中心服务器、存储服务器、流媒体服务器、电视墙服务器和报警服务器实现，形成报警与监控管理控制应用平台。远程网络监控采用B/S(浏览器/服务器)和C/S(客户端/服务器)模式。其中，监控中心、分控中心采用C/S模式，在计算机上安装客户端软件，可根据权限划分，实现对其管辖范围内的前端设备远程管理设置、图像浏览录像和回放；领导和有关人员电脑访问采用B/S模式，使用IE浏览器登录服务器，能远程浏览图像、控制设备。

平台构成

监控平台软件分管理中心(ServerControl)、监控中心(ControlCenter)与控制中心(即客户端)三部分。

监控中心提供视频安防监控系统的功能服务，包含集中存储服务、高清解码服务、流媒体服务、报警服务等。控制中心是一个用户进行监控交互的客户端软件。加油站监控报警联网系统的建设方案浅析

2011/7/4/9:7来源：安防知识网

管理中心包含一个服务程序和一个数据库，对各监控中心服务模块、控制中心用户、前端设备(高清IP摄像机)实施有效管理，管理数据记录在数据库中。

监控平台软件支持分布式组网，可组建多个监控中心。监控中心之间可形成一个树形结构，最高级别的监控中心可以管理各个分监控中心，上级监控中心可以按权限实时监看下级监控中心管理的监控点。

系统管理功能

篇6：车牌自动识别技术研究

车牌自动识别系统利用计算机对视频交通图像进行处理、分析和识别, 从中提取出车牌信息, 是智能交通管理的关键技术。该技术主要包括三个环节:车牌定位、字符分割和字符识别。该方面的研究目前虽然已有较多成果出现, 但仍存在着许多值得改进的问题, 如现在大多数的车牌识别方法对清晰度高的图像识别率很高, 但都不能解决全天候的问题, 准确率很低。所以提高全天候条件下车牌识别技术的鲁棒性, 是值得深入研究的一个方向。本文以全天候拍摄的视频交通图像为研究对象, 进行车牌识别方法研究, 通过实验与传统的识别方法进行比较, 拟大幅度提升车牌识别的整体准确率与识别速度。

1 车牌定位

车牌定位首先要对车牌图像进行灰度化与边缘提取, 本文采用传统的灰度转换公式, 如下式:

其中R、G、B分别表示彩色图像的红色 (R) 、绿色 (G) 和蓝色 (B) 。分量f (x, y) 为每个像素的灰度值。

本文采用两种边缘检测算子。在边缘提取前先计算灰度图像的灰度均值, 将灰度均值小于经验阈值Q (Q=30) 的图像视为不清晰图像, 采用提取弱边缘效果较好的Canny算子;其他图像视为清晰图像, 采用具有平滑作用的Sobel算子。

为了满足不同清晰度图像的二值化, 本文选用自适应动态阈值来对图像进行二值化。首先设定一个较高的初始二值化阈值, 并利用传统的二值化公式对图像进行二值化, 然后根据二值化后图像中白点数所占比例判定是否降低二值化阈值。本文实验中将比例关系K的值设为0.0025。自适应二值化法对各种清晰度的车牌图像鲁棒性较强, 能有效处理雾天、雨天以及夜晚拍摄的清晰度较低的图像。

得出车牌候选区域后, 需要求出各候选区域的宽、高和其在图像中的位置, 然后根据车牌的几何特征和各候选区域的灰度跳变次数锁定车牌区域。常用的求候选区域位置和大小的方法是用连通区域标记法, 但是连通区域标记法需要判断的点很多, 操作比较复杂导致花费时间较多, 本课题提出一种简单快速的角点提取法, 具体步骤如下:

①逐行扫描找出灰度跳变点, 并判断其是不是角点, 如果是角点, 将其标记。②标记出角点后, 从下往上逐行扫描, 找出第一个角点A后, 判断其它角点与角点A的关系。假设像素点B为另一角点, 且B和A之间能找到一条通路全为白点 (二值化后候选区域全为白点) , 那么A和B属于同一连通区域, 如图1所示。其中, 用来判断的通路只需要四条, 即A和B两点组成的矩形的两条边路, 矩形平行边和其中点连线构成的两条通路。③找出第一个区域的所有角点后, 得出所有角点坐标值x、y的最大值和最小值, 将第一区域的所有白点置为黑点。返回步骤一, 如果搜索不到灰度跳变点, 即表明已找出所有候选区的坐标信息。④根据所得的候选区坐标信息, 求出自适应二值化后的图像中每个候选区域的灰度跳变次数, 然后结合长宽比最终得出车牌区域。

该方法需要判断的点非常少, 因此大大缩短了标记时间, 在复杂度和实时性方面都要优于传统方法。

得出各个区域的角点后, 我们就可以通过角点的位置信息得出各候选区域的位置和大小信息, 然后结合每个候选区域的灰度跳变次数就可以锁定车牌区域。

车牌精确定位的工作是去除边框和铆钉, 得到一个精确的二值化图像, 粗定位后得到的车牌区域图像比较小, 适合做一些增强图像质量的处理和几何校正, 这既能增加精定位的精度, 又能提高后续的字符识别率。本文在这一环节利用灰度跳变次数进行水平切分, 然后利用垂直投影法进行垂直切分, 由于之前已经进行了几何矫正, 所以在水平方向上用灰度跳变次数进行投影切分最为简单, 而且非常的精确。图2为本文粗定位和精定位的实验效果图。

2 字符切割

经过车牌定位处理后, 得到的是一个精确的二值化图像, 为了后续的字符识别, 需要将车牌的7个字符分别分割出来, 这就是字符切分环节的任务。

由于在定位环节已经完成了几何校正和增强图像质量的处理, 所以本文直接采用基于模糊决策的垂直投影法进行字符分割字符。利用各字符间的间隔, 做车牌二值化图像像素灰度的垂直投影, 根据垂直投影的结果做一些模糊决策, 具体步骤如下:

①将精确定位的车牌图像上下左右各增加一行黑色像素。②对白色像素点在水平轴上投影统计, 找出投影的波谷段, 并标记。③求出相邻波谷段的距离, 以及各波谷的宽度, 如果前波谷段末和后波谷段前之间的距离小于二分之一倍的平均字符宽度w (可由精定位后图像的高度得出) , 且两波谷的宽度不能全部大于某一经验值 (一般为0.4倍的w) , 则其为断裂区, 或者是汉字, 可通过合并消除一个波谷段。④如果前波谷段末和后波谷段前之间的距离大于1.5倍的平均字符宽度w, 则为两字符粘连, 大于2.5w则为三字符粘连。可以根据情况通过w增加一至三个波谷段, 最终找出最合适的八个波谷段。

3 字符识别

对于数字、字母的识别, 本文提取了字母和数字的八个特征并建立特征集, 它们分别是:①环的个数H1;②字符的下半图与上半图白色像素点个数比例H2;③字符的左半图与右半图白色像素点个数比例H3;④字符图像垂直方向上的平均灰度跳变次数H4;⑤字符下半图水平方向的平均灰度跳变次数H5;⑥字符上半图水平方向的平均灰度跳变次数H6;⑦左半图纵向白点线段特征H7;⑧右半图纵向白点线段特征H8。在字母数字识别过程中, 通过计算待识别字符图像的八维特征向量与库集中向量的相似度来进行字符识别。

本文所选的八个特征受字符图像的模糊程度的影响较小, 抗干扰能力强, 并且能完全区分所有的数字和字母, 对于相似字符, 如数字“0”和字母“D”, 还有数字“8”和字母“B”, 在二值化图像质量很差时容易串识, 所以本文采用特征点匹配法对这四个字符进行二次识别。

对于汉子识别, 首先要提取汉字的模糊轮廓, 步骤如下:

①对归一化的汉字二值图像先进行从上至下的列扫描, 标记出每列第一次遇到的白点。②再次进行从上至下的列扫描, 找出没有标记点的列, 为这些列添加虚拟标记点, 假设第n列没有标记点, 添加的方法是从该列向左右方向同时发散寻找第一个有标记点的列, 如果有一个方向没有找到, 则该列不用标记, 如果两个方向均找到, 则比较所找到的两列的标记点的h (行位置) , 取其中较小的h作为第n列的标记点。该操作的目的是为那些不连通汉字添加虚拟边缘, 例如“川”。③判断相邻两列标记白点的位置, 如果第n+1列的标记点与第n列的标记点之间的垂直像素个数大于1, 则标记该像素。④对汉字图像进行从下至上的列扫描, 标记出每列第一次遇到的白点后, 然后执行类似第②和③步的操作。⑤对汉字图像进行从左至右的行扫描, 标记出每行第一次遇到的白点后, 然后执行类似地②和③步的操作。⑥对汉字图像进行从左至右的行扫描, 如果该行既有上下列扫描时的标记点, 又有行扫描标记点, 则去掉行扫描标记点左方向的列扫描标记点。⑦对汉字图像进行从右至左的行扫描, 标记出每行第一次遇到的白点后, 然后执行依次类似地②、③和⑥步的操作。

图3为“鲁”的模糊轮廓提取效果图和“川”的前两步效果图

在提取完模糊轮廓后, 我们会得到一个闭合曲线, 在提取傅里叶描述子特征前, 需要得到闭合曲线的的坐标, 本文采用传统的链码跟踪法, 图7为几个汉字图像提取模糊轮廓后跟踪坐标的实验效果图。

4 实验与结论

本课题选取了400幅定点拍摄的全天候视频交通图像进行试验, 其中200幅为晴天拍摄得的高清晰度图像, 剩余200幅为阴雨天、夜晚或者雾天拍摄的低清晰度图像。汽车车速均小于60km/h。表1为本文对400幅图像的定位结果, 表2为本文对392幅定位车牌的识别结果。

实验结果表明, 本课题对全天候图像的整体定位率大约为97.7%, 字符识别率大约为95.6%, 整个车牌识别系统的识别率约为93.4%, 误识率为6.6%, 平均识别时间约为0.5s/幅。相对传统的车牌识别方法, 在定位时间基本没有增加的前提下, 大大提高了识别率, 证明了本文方法的可行性和有效性。实验同时表明, 本文提出的方法识别时间相对较短, 鲁棒性强, 对于全天候条件下拍摄的车牌图像识别具有应用价值。

参考文献

[1]Takashi Naito, Toshihiko Tsukada, Keiichi Yamada, et al.Robust license-plate recognition methods for passing vehicles under outside environment, IEEE Transactions on Vehicular Technology, 2000, 49 (6) :2309-2319.

[2]Anagnostopoulos C., Anagnostopoulos I, Loumos V, Kayafas E, A License Plate-Recognition Algorithm for Intelligent Transportation System Applications, IEEE Transaction on Intelligent Transportation Systems, 2006, 3 (7) :377-392.

篇7：车牌识别技术研究

关键词：车牌识别技术；智能交通；Mean Shit算法

中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2013） 09-0000-02

随着汽车在人们的工作、生产和生活中扮演着越来越重要的角色，汽车的保有量也在急速增加。由此带来的交通管理问题也变得越来越复杂，智能交通系统的建立是最好的解决问题的方法。而车牌识别技术在智能交通系统中占有十分重要的地位。停车厂、收费站、生产企业的门禁管理都有车牌识别技术的身影。

在车辆车牌识别技术中的图像提取、字符分割起、字符识别过程中，数字图像处理技术起到了重要作用。但由于图像提取现场可能存在因时间、光线、天气的变化而造成的干扰使车牌成像效果较差的问题。所以目前现有的车牌识别系统都存在因环境变化而产生的识别率变化的问题。

1 车牌图像预处理技术

车牌图像预处理技术一般包括通过滤波技术、灰度化、图像增强、数学形态学等。

1.1 滤波技术

在实际工作场景中采集到的数字图像通常会因为外界环境、摄像设备、传输线路或保存精度等方面的原因，使其在进行预处理前受到各种噪声的污染。并且在图像处理过程中也可能会对图像产生噪声。噪声与我们想要处理的图像没有任何关联，还会对我们的处理产生不好的影响。所以，一般情况下我们会在进行图像处理前对图像采用滤波技术进行处理，常用的滤波方法有：中值滤波、均值滤波、高斯滤波等。

1.2 图像增强算法

图像的对比度不足是图像处理的过程中经常会遇到的问题。主要的原因是在获取车牌图像时受外界环境的影响。对比度不足的图像会影响到图像的后续处理效果，所以，一般情况下，在进行图像处理前会使用灰度变换的方法来对图像进行对比度增强处理，以达到改善视觉效果的目的。

1.3 数学形态学

数学形态学[1]是在1964年由法国巴黎矿业学院博士生赛拉（J. Serra）和导师马瑟荣，在从事铁矿核的定量岩石学分析及预测其开采价值的研究中提出的。数学形态学的数学基础和所用语言是集合论，因此它具有完备的数学基础，这为形态学用于图像分析和处理、形态滤波器的特性分析和系统设计奠定了坚实的基础。基本方法是利用一个拥有一定形状的结构元素来检测图像的形状和结构。

1.4 Mean Shift算法

Mean Shift这个概念最早是1975年在一篇关于概率密度梯度函数的估计的文章中由Fukunaga等人提出来的，它的意思是偏移的均值向机构量。一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束。目前，Mean Shift算法较多地应用到图像聚类方面。

2 车牌的定位与校正

本章主要描述的是对已有车牌定位方法的研究，了解它们的算法原理及其优缺点，并提出了一种效果更好适用范围更广的车牌识别系统方法，即将Mean Shift算法运用到车牌识别系统，然后在此基础上对车牌进行校正。

2.1 车牌定位

车牌定位是指根据车牌图像的区域特征来将车牌在图像中的部分从背景图像中分离开来，由于车牌区域在图像特征主要包括颜色和形状，车牌区域的颜色一般为蓝色、黄色或白色，它们与图像的背景颜色存在较大的差异。车牌的形状一般为矩形。而车牌号在外形和排列上都存在规律性。车牌定位技术就是将上述特征经过一定的变换与处理后，使之能作为车牌定位的依据。

常用的车牌定位的方法有基于颜色的方法、基于纹理特征的方法、基于数学形态学的方法、基于小波变换的方法等。这些车牌定位方法，都各自具有不同的局限性。使用Mean Shift算法进行车牌定位可以获得比较好的效果。对于图像空间的所有像素点，在经过Mean Shift算法迭代后，如果最终收敛于同一点，则停止迭代。用同样的方法对图像空间中的所有像素点进行迭代遍历，得出的结果根据收敛点的不同可以把整个空间分成几个区域。这些区域即为可能的车牌区域，再通过上述特征在可能的车牌区域中进行对照分析，就可以得到车牌区域。

2.2 车牌校正

车牌校正是为了解决拍摄的车牌图像因为角度问题，导致定位后的车牌倾斜，而倾斜的车牌会给车牌识别系统的后继步骤增添麻烦，车牌校正是必须的。车牌校正是利用车牌区域的矩形序列分布同组成车牌号的字母、数字位置的分布基本一致的特征，找到了矩形序列中矩形左上角像素点排列的近似斜率，从而找出车牌区域的偏转角度，完成车牌图像区域的校正。

3 车牌的字符分割与字符识别

3.1 车牌字符分割

车牌字符分割主要后面的字符识别做准备，它是把车牌图像区域中的字符和数字一一地分割开，以便于后续处理中对单个字符进行识别。字符分割的方法[2]主要有：基于连通域标记的字符分割算法、灰度垂直投影分割的方法等。

灰度垂直投影分割的方法是车牌字符分割处理中比较热门的技术。李文举[3]等在《种新的面向字符分割的车牌图像预处理方法》一文中提出的算法步骤是：字符上下边界的确定采用的是由中点到两端搜索的方法；运用一维循环清零法对分离出的车牌号图像区域进行垂直分割，从而得到车牌的单个字符；再对二值图像进行垂直投影，若垂线上有亮点则将对应的投影值设为1，否则为0，得到垂直投影矩阵。如果是车牌字符的话，则在生成的垂直投影矩阵上应该是连续的1。如果是字符之间的间隔的话，则应该是连续的0值，噪声点可能会出现单个的1和0值。在对矩阵进行扫描后，就可以识别出字符区和间隔区。

3.2 车牌的字符识别

车牌字符识别是将分割开的单个字符进行匹配判断。常用的车牌字符识别方法主要有：基于模板的识别算法、基于BP神经网络的识别算法等。

基于模板的识别算法由于其处理速度快、识别率高的特点为大多数设计所采用。它是把分割后的单个字符区域与预置的标准字符集进行匹配处理，取标准字符集中相似度最大的字符作为识别结果。这种算法的处理步骤是：将单个字符图像区域进行二值化并改变字符大小，使之与字符集中的字符大小相同，然后再进行匹配操作，筛选出相似首先需要有字符模板库，将待识别的字符进行二值化后，将其大小变成字符模板库中字符大小，然后与库中的字符进行匹配，以相似度最高的字符为最终结果。因为算法简单所以算法的速度较快，只要在前期的预处理中降噪做得比较好，这种算法的识别率也相对较高，是一种简单、快速、有效的字符识别技术，商用价值较高。

从目前研究情况盾来，由于车牌图像拍摄环境的复杂性和多变性，在选择及判断识别技术的好坏时具有一定的难度，现有的一些方法也存在不足。而智能化交通系统对车牌识别技术的需求却十分急迫。因此，需要我们进一步深入研究更有效的车牌识别技术，以使车牌识别系统更加完善。

参考文献：

[1]戴青云，余英林.数学形态学在图像处理中的应用进展[J].控制理沦与应用，2001，1，18（4）：478-482.

[2]左望霞.复杂背景下多车牌图像分割技术研究[D].电子科技大学硕士学位论文，2006.

[3]李文举，梁德群，崔连延，毕胜.一种新的面向字符分割的车牌图像预处理方法[J].计算机应用研究，2004（7）：258-260.

篇8：基于图像处理的车牌识别技术

关键词：图像处理,GUI界面,车牌识别

0 引言

随着经济的飞速发展, 各国的汽车数量持续增长, 在交通道路、交通监管系统以及车库的车辆管理系统等, 如何高效地对车辆信息进行管理是这些应用场景的关键。对车牌进行识别并统计车辆流动信息是目前交通管理方面的重要环节[1]。

图像处理是对采集到的图像进行噪声抑制、边缘增强、图像二值化等操作, 使其从一幅原始图像中产生一张新的图像, 输出的结果往往需要采取合适的方法进行分析, 提取出需要的场景信息[2]。图像处理主要实现获取图像场景信息的描述符的功能[3], 其目前在作业物料受损检测[4]、工业机器人[5]、安防监控[6]等领域得到广泛应用。

本文所研究与实现的车牌识别技术是以图像处技术法为基础, 使用G U I界面进行画面设计, 实现了对静态彩色车牌图像的识别功能。经过测试验证, 该车牌识别技术可以较准确地对车牌进行识别。

1 车牌特征分析

车牌是一辆车的唯一标识, 对车牌的特点进行总结分析是分析车牌字符信息的重要环节[7]。标准机动车牌的宽度为4 4 0 m m, 高度为1 4 0 m m。我国车牌常见的底色有蓝色、黄色, 车牌的字符部分一般与字符背景灰度可以明显地区分, 这样就在车牌字符与车牌背景的边界处形成了灰度值突变的边界像素点集合。常见的车牌第一个字符信息是由表示车辆所属地理区域的汉字构成, 第二个字符为标识车辆所属区域的字母, 其余字符是数字与字母随机匹配。

2 图像处理技术

本课题基于图像处理的相关技术, 对网络图库中的车牌图片与手机实拍的车牌图片进行识别, 识别过程如图1所示, 具体步骤包括车牌预处理、车牌相关信息具体定位、车牌单个字符的分割与对应的匹配过程。

2.1 车牌图像预处理

对车牌二值图字符进行分割的操作中, 车牌二值图中有的字符之间还会有连接的像素部分, 会对字符分割的操作有不良影响。另外, 某些车牌图片的边框颜色较亮, 可能会在车牌定位中引入车牌的边框信息。诸多干扰的存在, 使得在对车牌进行识别之前, 去除车牌中引入的干扰像素成为首要任务。对彩色车牌进行二值化灰度化处理后, 使用均值滤波实现去噪, 均值滤波在像素 (x, y) 处的响应为:

式中, m n为矩形滤波窗口;f (x, y) 为中心点 (x, y) 处的图像。

2.2 车牌定位

根据车牌的特征, 对图像预处理之后, 对含有车牌的二值图像进行水平方向与竖直方向的扫描, 通过行扫描与列扫描统计车牌的区域像素点数, 以判断车牌的大致位置[8]。

使用r o b e r ts算子提取边缘信息实现车牌的具体定位。边缘检测[9]的操作滤去了一些无关紧要的像素区域, 常常适用于低噪声图片的处理中, 其模板如图2所示。

车牌的水平方向定位是指对预处理完成之后的图像进行分析, 得出车牌区域在水平方向的起始与终止位置。对车牌的左边界与右边界进行定位是车牌的垂直方向定位。与车牌水平方向定位的方法一样, 车牌垂直方向定位是计算图像每一列含有的有效像素点的个数, 以有效像素点最多的那一行为起始搜索行, 通过向左向右查找二值图像的黑色边界来确定实际车牌信息的左右边界。

2.3 字符分割

图像处理中车牌左右边框信息也被分割到车牌区域, 因此在分割时需要对车牌的上下左右四个方向先进行去除边框的操作。去除左边框时, 从左往右遍历图像, 如果一列全部是黑色, 则对该列执行删除操作并剪切图像, 直到扫到存在白色像素的列停止操作。同样, 其他三条边也通过该方法执行黑色边框的去除操作[10]。

对图像执行完裁剪黑色边框操作后, 裁剪出来的图像还可能保留与字符灰度值相近像素, 并且被二值化为白色像素点, 这些像素点在车牌边界区域, 应该在字符分割时添加限制条件, 裁减掉这些像素所在的行或者列。具体实现过程是在分割程序中对图像进行遍历, 从左向右进行扫描, 以含有白色像素点的列为字符的左起始边界, 遍历到全部是黑色像素的列为右终止边界, 此时分割出来的就是一个字符。当字符的宽度大于设定值时, 该区域是一个有效字符, 反之则认为是边界的不相关像素, 并执行裁剪操作对这些点进行删除。其他字符的分割也按照该步骤执行[11]。

2.4 字符的匹配

要实现识别字符信息的功能, 需要对分割出的7个字符进行字符匹配。角点匹配[12]、模板匹配[13]、特征值匹配[14]是匹配过程中常用的算法。角点匹配算法需要经过复杂的运算与匹配过程, 对于解释型的编程语言不利于实时运行。模板匹配算法的原理简单, 实现时可以借助矩阵运算, 计算速度较快。使用特征值实现字符的匹配, 在匹配时需要对模板样本进行训练得出分类器, 涉及到模式识别领域。本文选用相对简单的模板匹配算法实现字符匹配。

模板匹配的过程主要是对待检测的二值字符数据与模板库的数据做差, 对于两个相同的字符图像, 做差之后的结果图像理论像素和为0, 但是由于噪点或者形态学操作会改变其尺寸大小, 所以选择阈值相对比的所有图像中模板差值最小的图像作为最终的识别结果。图像与相关模板的匹配度由下式决定:

式中, Z (i, j) 为匹配度, R为待匹配的图片, Ri, j (m, n) 为待检测的子图, T为模板。

3 用户界面设计

为了使人机交互更加友好, 采用M a tla b的G U I模块, 设计人机交互界面。用户可以自行设计特定功能的界面, G U I应用的相关控件可以快速地从提示框内进行添加, 通过编程实现用户数据的处理与可视化操作[15]。

4 车牌识别技术测试

针对不同的车牌, 通过网络搜集与实际拍摄, 对车牌识别技术进行了多次测试。本文所采用的车牌识别技术是基于对单幅彩色图像进行静态识别的, 测试时输入的图像必须是彩色的图像, 图像的分辨率为8 0 0×60 0或者3 20×24 0。选取低分辨率的原因是M a t l a b本身属于解释型编程语言, 每一条指令都会经过解释器的翻译, 在程序执行时, fo r循环的存在会使算法计算需要消耗大量的时间。对于手机拍摄的分辨率较高的图像, 借助图像压缩工具C a e s iu m对图像进行压缩操作。

4.1 图库中图片测试

对从网络搜集的车牌图库中分辨率大小分别为8 00×600与3 20×24 0的各5 0张车牌图像使用编写的程序进行测试, 测试结果如表1所示。

从1 0 0个测试结果中选取3个实例进行分析与说明, 分别如图3、图4、图5所示。

图3中车牌号码为“鲁H C 9 6 6 6 9”, 测试结果为“鲁H C 9 6 6 6 9”;图4中车牌号码为“苏A M B 9 36”, 测试结果为“苏A M B 9 36”;图5中车牌号码为“闽F4 37 9 5”, 测试结果为“闽L 4 37 9 5”。图5中, 系统错误地将F识别为L, 这是在预处理与分割时引入了噪声点导致的。对图库中图片的测试, 证实了该车牌识别技术的可行性与实用性。

4.2 实际拍摄图片测试

使用手机采集1 0 0张车牌图像, 采用软件C a e s i u m对原始分辨率为38 4 0×2 1 6 0的图像进行压缩处理, 得出分辨率为8 0 0×6 0 0与32 0×2 4 0的图片各5 0张, 利用车牌识别技术进行测试, 并对识别准确率做统计, 如表2所示。

从1 0 0个测试结果中选取3个实例进行分析与说明, 如图6、图7、图8所示。

图6中车牌号码为“晋A 5 6 6 L 6”, 测试结果为“晋A 5 6 6 L 6”;图7中车牌号码为“晋A 5 6 6 L 6”, 测试结果为“苏L 1 W W W W”;图8中车牌号码为“晋A A E 2 6 9”, 测试结果为“晋A A E 2 6 9”。图6与图7是对同一辆车的不同车牌图片进行测试, 图7识别失败, 是由于拍摄图7中车牌图片时开启了闪关灯, 亮度太强的环境会导致算法识别时识别定位错误。对实际拍摄图片的测试, 证实了该车牌识别技术的可行性和有效性。

5 结语

篇9：出入口车牌识别技术方案

关键词 智能交通系统 车牌识别技术 应用研究

中图分类号：TP391.41 文献标识码：A

随着全球经济的快速发展，人们的物质生活质量逐步加深，促进了公路交通事业的快速发展，随之而来的机动车辆与日俱增。由于城市空间有限，面对巨大的城市交通压力，仅依靠发展交通设施已不能解决现已存在的交通拥挤、环境污染、交通事故频发等问题。为了缓解这一压力，利用高科技手段，建立完善的道路网络缓解道路交通增长的需求，智能交通系统应运而生。车牌识别系统作为智能交通系统的核心组成部分，在道路交通管理、交通事故与机动车盗窃现象的抑制以及维护公共安全等方面发挥着重要的作用，因此车牌识别系统已成为现代交通工程领域中研究的重点和热点问题之一。

1车牌识别系统在智能交通中的发展历程

随着交通事业的不断发展，车牌识别技术日趋走向成熟，并开逐渐应用于交通、公安、路政、停车场、安防、门禁、智能小区等许多领域。车牌识别系统简单的说是一种以特定目标为对象的专用视觉系统，它能够从一幅图像中提取分割并识别出车辆牌照，运用先进的图像处理、模式识别和人工智能技术，通过对图像的采集和处理完成车辆牌照的自动识别，识别结果可按需求分别包括车牌的字符、数字、牌照图像，以致牌照颜色、坐标、字体颜色等。

2车牌识别系统的研究现状

车牌识别技术起源于上个世纪末，ARGUS的车牌识别系统的识别时间约为100毫秒，通过ARGUS的车速可高达每小时100英里。还有Hi-Tech公司的See/Car？system，新加坡Optasia公司的VLPRS等。

国内不少学者也在进行车牌识别方面的研究，实验室方面，西安交通大学的图像处理和识别研究室、上海交通大学的计算机科学和工程系、清华大学人工智能国家重点实验室、浙江大学的自动化系等在车牌识别方面有各自独立的研究，并取得了一定的成绩。中国科学院自动化所的刘智勇等发表文章，他们在一个3180的样本集中，车牌定位准确率为99.4%，切分準确率为94.5%。北航的胡爱明等利用模板匹配技术开发了一种应用于收费站的车牌识别系统，其识别正确率能达到97%以上。华南理工大学的骆雪超、刘桂雄等提出了一种基于车牌特征信息的二值化方法，该系统对效果较好的车牌的识别率能够达到96%。清华大学的冯文毅等利用一种光电混合系统进行车牌识别，系统能够通过硬件来完成车牌识别的全过程。黄志斌等将基于串行分类器的字符识别应用于车牌识别系统中，对车牌识别系统中的分类器进行了详细的研究。目前比较成熟的产品有中科院自动化研究所汉王公司的汉王眼，香港亚洲视觉科技有限公司的慧光车牌号码识别系统等等。

根据IMS研究显示，截止2012年底，全球车牌自动识别市场已经扩展到了3.5亿美元左右。2011年车牌识别达到了年增长率6.9%的成绩。随着市场的发展和用户需求的不断变化，车牌识别保持着快速的发展。车牌自动识别技术算法有了很大的提升，从应用情况来看智能化算法与摄像机完美搭配，能够解决道路交通上遇到的不少难题。

尽管车牌自动识别机会比比皆是，但是其挑战仍然存在。以美国为例，车牌形式各种各样，形状、图片和字体也没有统一的规范。一点车辆可跨国驶入，监控系统面对其他国家或区域的车牌信息时，具体的语言文字也有所不同，摄像机算法必须更为复杂和精准。尽管识别技术已达到炉火纯青的地步，但是目前车牌识别阿拉伯语仍具有很大的挑战。毫不夸张地说，这些字母的难度高于中国的草书。

3车牌识别系统可提升的空间及发展

车牌识别系统集中了光电、计算机、图像处理、计算机视觉、人工智能、模式识别等关键技术。随着信息化时代的不断发展，住宅、小区、停车场等需要保安人工监控的地方都将使用车牌识别系统，减少了许多人为因素造成的疏忽之处。也能扩展到犯罪车辆、肇事车辆、被盗车辆的辨识和拦截，交通流量监测等领域，为人们出行的安全和便捷提供了保障。一方面，车牌识别系统本身是一个全数字化的智能系统，以此为技术基础，可以衍生出一些其他功能。另一方面，由于环境因素、车牌自身因素以及拍摄角度等问题，尽管世界上很多研究机构和公司专门从事这方面的研发工作，高可靠性、高性能和高识别率的车牌识别系统还待开发。

参考文献

[1] MD.Tanvir Learning Algorithms for Artificial Neural Networks，Proc. 10tb Informantion Engineering Senimar June 2001.

[2] GuyonI.Applicationofneuralnetworkstocharacterrecognition[J].InternationalJournalofPatternRecognitionandArtificialIntelligence，1993，7（4）：721.755.

[3] 杨大力，刘舒.基于神经网络的车牌汉字识别方法[J].中国人民大学公安学报，2009，5（3）：56-57.