基opencv车牌识系统设计实现
Design and implementation of LPR system based on opencv
容摘
科技进步民身生活水断提高日常出行需求变断增长汽车作常见交通工具已越越成初选择量新车辆断投入道路中传统工方式汽车车辆理变愈加困难计算机代处理相繁重工作必良交通理系统实现道路理基础
想汽车车辆进行理效识特征便汽车车牌作目前常见技术车牌识广泛应交叉路段停车场收费站等种场合监控理中需相应技术完成需求文python语言OpenCV工具通输入带汽车车牌图根车牌特特征垂直投影法SVM方法完成汽车车辆车牌定位车牌字符分割字符识功终识车牌字符输出显示出
关键词：OpenCV投影法SVM车牌识
Abstract
The advancement of science and technology and the continuous improvement of people＇s own living standards have made people＇s daily travel needs continue to grow As the most common mode of transportation cars have become the initial choice of people A large number of new vehicles are constantly being put into use on the road and the management of automobile vehicles by traditional manual methods has become increasingly difficult Therefore it is necessary to use a computer instead of a person to handle relatively heavy work A good traffic management system is the foundation for road management
One of the most effective identification features for the management of automobile vehicles is the license plate of the car As the most commonly used technology at present license plate recognition is widely used in monitoring and management of various occasions such as intersections parking lots toll stations In Therefore corresponding technology is needed to complete the above requirements This article uses python as the language and OpenCV as the main tool By inputting an image with a car license plate according to some characteristics unique to the license plate vertical projection and SVM are used to complete the license plate positioning character segmentation and characters of the car license plate Recognition function Finally the recognized license plate characters are displayed
Keywords：OpenCVSVMprojection method License Plate Recognition
目 录
第章 绪 1
11 选题背景意义 1
111 选题背景 1
112 选题意义 1
12 国外研究现状 1
121 国外研究现状 1
122 国研究现状 2
13 课题研究目标 2
第二章 车牌定位 4
21 车牌特征 4
22 定位流程 5
第三章 字符分割 9
31 切割方式 9
32 切割流程 9
第四章 车牌识 14
41 字符识方式 14
42 识流程 14
结 17
参 考 文 献 18
致谢 19
1 绪
11 选题背景意义
111选题背景
着生活水断提高日常出行需求断增长汽车成越越出行选择交通工具汽车行业公交通迅速发展汽车已逐步走入千家万户中伴着汽车数量迅速增长道路交通理需求断扩道路理中问题逐渐显示出量汽车投入交通中道路疏通车辆理等问题传统工方式付出财力物力时间成越越高现代计算机网络发展利计算机代传统工方式车辆进行理变行起车牌作汽车显著身份特征现选定特定车辆目标手段监控汽车相关图片中处理分析识出车牌号码现代车辆理中关重节通车牌识技术实现车辆动化理方式未交通发展趋势
112 选题意义
车辆行理方式车牌号码应车辆信息进行录入车牌识实现着重意义运道路交叉路口处停车场加油站高速公路收费站ETC等种场合中车牌识通汽车图获取车牌号码实现高效率低成智化理方式效节约类成车牌字符识子实通车牌数字字母汉字进行定区分获结果计算机中字符串形式展现出字符识中汉字识表现困难原汉字国专导致国外先进车牌识系统够适国次选题更运现代科技网络资源达国车牌车牌识
12 国外研究现状
识系统领域中火热崛起车牌识系统国外算少相关研究车牌识技术国外起步较早国开始
121 国外研究现状
车牌识先国外发起研究时间先进性较领先国二十世纪中期国外已开始车牌识算法研究根算法设计汽车牌识软件实际生活中进行应取效果着许员片领域中投入量资源开展实验总结国外部分国家中例德英日意加国家早世纪期已种技术研究发展成熟提出量关车牌检测识方面高技术方法已开始市场投入然说方法样项研究投入量精力资金[1]许国家着错成果展现色列HiTech公司推出SeeCar系统通视觉传感器获车辆车牌信息车辆理效果显著新加波OptAsia公司VECONVIS车牌识系统说准确度相高著名日LUIS车牌识系统[2]等等
122 国研究现状
车牌识技术然国外起步较早国开始步伐早期较零散图处理方法应车牌识中逐渐形成系统般方法国车牌国外车牌着较差异国车牌识方法法直接国外研究技术然法直接国外相成熟技术中方法思想然非常值鉴方
2018年11月份公安部发布汽车保量已达235亿辆约增长120中新源车101万辆增长83[3]新源车普通车量日益增智交通识变越发困难解决现状国相关研究员二十世纪九十年代开始逐步探索研究汽车车牌识技术然国车牌识然较晚国家国量研究员努力中然系列效果优异研究成果存例众国相关研究员中胡雪会王波涛[4]等研究员利OpenCV作工具提出种改进灰度跳变车牌定位算法效提高车牌定位准确率黄社阳刘智勇阮太元[5]等研究员提供种方法提出种基HSV颜色空间SVM相结合车牌提取算法该方法种车牌够实现较精确定位提取甘玲林晶[6]等研究员字符分割提出种改进连通域提取车牌字符分割算法字符分割变相更加准确稳定
年民生活水富裕车辆拥数飞快升车牌识相关技术国变愈加重视交通领域研究员研究公司断深入研究学术教育领域员越越开始领域开始研究工作
13 课题研究目标
车牌号码识方面前传统解决方法分字符分割字符识两阶段实现分车牌定位字符分割字符识三阶段
文OpenCV基础够较准确定位带汽车图汽车车牌区域定位汽车车牌区域图进行处理切割单字符图分割字符图够较正确识处理目标：
实现车牌定位功：
车牌识系统基功车牌定位功进行设计通车牌基特征分析进行车牌位置定位
二 实现车牌号码字符分割功：
通垂直投影法车牌图字符间隔间特征进行分析实现副图中字符分割成单独字符图
三 实现字符识功：
通OpenCVsample函数字符图进行处理识出字符
四 整体实现车牌号码识完成述功
2 车牌定位
21车牌特征
车牌号码机动车前两面分悬挂着板材国间材质相车牌会登记显示着车辆登记区号码者基相关资料国间车牌外观材质容间区特征存
想准确定位车牌区域车牌特征车牌定位关键信息车牌识技术方面车牌身特特征进行分析般国车牌说首先车牌外观般车牌长方形形状长度高度着统标准规定次车牌字符字符左右次排列通常情况第字符汉字第二字符英文字符字符统规定字符间间隔相车牌颜色国车牌颜色外国呈种颜色常见目前普通型客车蓝底白字年迅速发展新源汽车绿底黑字车牌底色字符颜色通常样切相差较计算机处理灰度图会较明显变化
车牌定位方法致种第种通形态学处理车牌颜色特征方法第二种根车牌形状特征基础定位方法根车牌矩形特征矩形长宽进行第三种方法基Lab颜色模型聚类分割车牌性质特征定位方法[7]
目前文车牌定位两点进行颜色国常见车牌颜色特征致分类型汽车车牌黄底黑字普通型汽车蓝底白字年开始广泛新型源汽车车牌绿底黑字二车牌尺寸字符特征车牌第字符省治区直辖市汉字字符简称第二字符发牌机关代号(通常英文字符)英文数字间混合组成字符字符间隔整体车牌长宽等车牌尺寸细节特征图21标准车牌尺寸图示
图21 标准车牌尺寸图
拍摄角度外界种干扰素实际获汽车图尺寸特征会严格图21般标准间会定范围变化面致介绍具体定位流程
22定位流程
定位致流程图22定位流程图示：
图22 定位流程图
图预处理部分首先输入汽车图高斯滤波噪图变滑部分噪声图转化灰度图进行图二值化处理OpenCVPython接口(均默认Python接口)中分应GaussianBlur()cvtColor()threshold()函数预处理二值化图致图23示
图23 二值化图
部分代码：
src_img cv2GaussianBlur(pic (3 3) 0) # 高斯模糊
img cv2cvtColor(src_img cv2COLOR_BGR2GRAY) # 转换成灰度图
ret img_thresh cv2threshold(img_open 0 255 cv2THRESH_BINARY + cv2THRESH_OTSU) # 二值化图
通图基预处理方式明显突出图基特征图明亮较暗区域明显划分出较明亮区域变更加明亮灰度图中变白较暗部分变更加暗灰度图中呈现更黑方便进步操作
接着处理图进行边缘检测OpenCV中Canny函数通边缘检测够够获取图边缘轮廓通开闭运算够相区域轮廓变整体谓开运算先进行腐蚀进行膨胀做开运算噪音闭运算先进行膨胀进行腐蚀操作填充前景物体黑点腐蚀单操作简单白噪声两连起物体断开膨胀连接两分开物体通开闭运算够消噪声干扰获部分填充区域轮廓图形致图24示
图24 轮廓图
部分代码：
img_edge cv2Canny(img_thresh 100 200) # 边缘检测
# 开运算闭运算图边缘成整体
kernel npones((4 19) npuint8)
img_edge cv2morphologyEx(img_edge cv2MORPH_CLOSE kernel)
img_edge cv2morphologyEx(img_edge cv2MORPH_OPEN kernel)
通findCountours函数获取图参数输入获轮廓边界点坐标旋转角度通车牌尺寸长宽（致255左右）设定默认图形面积信息图形中进步筛选出符合条件图形区域获符合条件轮廓图形根前获轮廓角度图形进行矫正
图24示获轮廓图形定相图水行致少少定倾斜角度续操作方便利进行需获符合条件轮廓图形进行定倾斜矫正通前findCountours函数收集轮廓信息中带轮廓倾斜角度信息首先根OpenCV中boxPoint函数获轮廓作参数输入获该轮廓四顶点坐标数根四坐标选取该轮廓区域图形左右值顶点数根左右值顶点坐标根左右坐标Y差值判断出该区域图左倾斜右倾斜图23观察发现然车牌身定倾斜角度字符身没受太干扰字符身没受倾斜影响选warpAffine函数选择移原始图操作旋转原始图操作避免车牌字符干通传入原始图左右方顶点坐标新左右方顶点坐标参数实现矫正矫正图致图25示
图25 矫正图
部分代码：
pts1 npfloat32([left_point high_point right_point]) # 原坐标
if flag 1 # 正角度 根左右顶点判断
pts2 npfloat32([left_pointhigh_pointnew_point]) #新坐标
else # 负角度
pts2 npfloat32([new_pointhigh_pointright_point]) # 新坐标
M cv2getAffineTransform(pts1 pts2)
dst cv2warpAffine(src_img M (pic_width pic_height))#移图
矫正根前符合条件轮廓坐标信息矫正图单独截取出该部分截取出图转换HSV模式统计颜色信息
HSV色系代表色调（H）饱度（S）亮度（V）够更直观表示图颜色信息
通迭代截取整图HSV数值统计黄色（H致1034左右）绿色（H致3599左右）蓝色（H致100125左右）数量信息判断出该截取出轮廓图否车牌区域车牌底色黄色绿色者蓝色迭代图时记录黄色绿色蓝色较少边界截取图进行定位缩边界非车牌范围定位车牌区域图图26示
图26 定位区域图
3 字符分割
31 切割方式
获较精确车牌定位区域开始进步获图进行字符分割车牌字符分割作方便实现识功准确分割算法车牌识够获较高准确率分割算法达较高准确率较困难表现结果受光线强度车牌扭曲等影响较停车场应场景车辆保持良姿态距离采集设备较采字符分割方法获优秀识效果机摄头交通摄头说环境会更加复杂[8]
现常见常分割方法两种种基连通域分割方法种基车牌投影图分割方法通俗说垂直投影法文采方法基垂直投影方法进行
垂直投影法目前应较字符分割方法特点较简单相容易实现根图垂直方投影（车牌字符分割中理想状态字符位置垂直投影数值字符字符间间隙0）车牌间字符段间距存根投影间数值判断出字符字符间间隔位置字符间分割出文分割方法致实现步骤首先车牌二值化图进行逐行扫描记录数值跳变次数车牌间间距存车牌二值化图数值横跳变次数基保持定次数（噪声存图预处理完善字符定率存粘连等种素法保证固定数值）致确定边界图进行逐列扫描分记录黑白素数量值根数量值设定较宽松阈值通修改阈值解决字符粘连问题
32 切割流程
垂直投影法进行车牌字符分割操作流程致流程图31示
图31 分割流程图
首先图预处理部分处理方便尺寸统先传入车牌区域图尺寸修改统长度宽带（文中暂时分设14036）
化操作代码：
img_resize cv2resize(img (136 36) interpolationcv2INTER_AREA)
车牌定位流程部分预处理致相先高斯滤波滑图噪声图转化灰度图二值化处理需注意蓝色作底色车牌绿色黄色底色车牌字符颜色较暗背景较亮蓝色车牌正相反直接转化灰度图进行二值化处理会背景部分白色字符部分会呈现黑色通常带量干扰素利面处理根前车牌定位车牌颜色黄色者绿色首先OpenCV中bitwise_not函数灰度图数值先进行取反致效果图图32示（更换测试车牌号车牌底色黄底）
图32 车牌二值化图
图观察车牌定位区域法绝精确字符边界原车牌边框存获图四边界般通常说会存干扰条纹左右边界条纹分14素值置0进行预先部分范围应该设置理车牌定位功定位较准确时会丢失掉字符信息边界干扰条纹逐行扫描图根图字符黑白素跳变次数进行进步消图观察出图黑白素值跳变次数车牌身字符数少会跳变14次会存预处理者原始汽车图身质量问题会导致字符字符间存着粘连问题致默认设置少跳变10次掉干扰条纹影响部分噪声图假定图P
接着原始输入车牌区域图单独进行次转化灰度图进行二值化处理OpenCV中bitwise_and()函数图图P进行操作获结果图进行次面描述记录跳变次数消横干扰条纹操作获保留部分字符信息时效掉许干扰噪声图33示
图33 噪车牌二值图
部分代码：
# 消跳变次数较少条纹
for i in range(height)
if sum_changes[i] < 10 # 统计跳变次数10
for col in range(width) # 该行素数值置0
tmp_imgitemset((i col) 0)
# 原图二值化灰度图相部分噪声
img_gray_1 cv2cvtColor(img_resize cv2COLOR_BGR2GRAY) # 灰度图
if color green or color yello
img_gray_1 cv2bitwise_not(img_gray_1) # 黑白颜色取反
ret img_thre_1 cv2threshold(img_gray_1 0 255 cv2THRESH_BINARY + cv2THRESH_OTSU)
cv2bitwise_and(img_thre_1 tmp_img img_thre)
获处理车牌图开始进行图切割工作首先图33图进行逐列扫描记录黑白素数例中白色素列数前20列：
[0 0 0 0 24 27 27 12 8 16 25 28 28 28 27 23 13 0 0 0]
黑色素数前20列：
[36 36 36 36 12 9 9 24 28 20 11 8 8 8 9 13 23 36 36 36]
接着设定般分割阈值S初值文设定090开始遍历记录列黑白素数公式31确认切割起点公式32确定切割终点断更新起点终点步步字符分割出White[n]第n列白色素数量Black[n] 黑色whiteMax白色素数量列数值36先化设定图高度数值
White[n] > (1 – S) * whiteMax (31)
Black[n] > S * 36 (32)
处理图中时会存着字符粘连起情况出现时判断切割终点起点间距离否判断字符否粘连起起点终点距离短部分认车牌分割符者干扰点直接舍弃部分存粘连现象次切割起点出发通逐步减S数值继续公式32达更进步精确分割确保会字符粘连问题导致分割达预期设想分割结果图34示
图34 分割结果图
切割部分伪代码：
遍历图长度：
白色素数阈值
if white[n] > (1 S)*white_max
设定起点start
起点开始寻找终点
黑色素数设定阈值
if black[i] > S * 36
获终点索引end i
判断终点距离起点果太长太短：
修改相应阈值重新寻找终点
根获起点终点分割出图
img_cut img_thre[0 height start end]
车牌分割基完成基垂直投影分割法基达预期分割效果成功车牌区域字符分割出方法定程度着足处首先初始图质量求高汽车图身模糊字符褪色问题者外干扰信息会分割效果造成影响次图预处理干扰噪声求会相高存较干扰条纹会投影结果产生影响进步会影响分割效果前点法做出修正点需稍微着重处理
4 车牌识
41 字符识方式
车牌定位车牌字符分割说做车牌识整体基石字符识性坏直接关系整体车牌识成果计算机整体普计算力进步发展数智化时代字符识方法变种样方法间优劣千秋例基字符特征方法基模板匹配方法基神网络识方法支持量机法等等基车牌特征统计方法目前车牌识应中较广泛种种方法统计学种识方法前车牌定位中获车牌具体区域字符切割中车牌单字符图文中根现资源OpenCV中附带函数功文中采取支持量机方法进行字符识
支持量机称SVM种够构造出线性非线性分类器方法作种二分类模型时基做法求解出够正确划分训练数集间隔分离决策面外SVM包括种核技巧通核方法达非线性分类器效果简单说SVM方法基结构风险化原理统计学方法[9]SVM分类器优点够相缩短时间复杂度需进行次模型训练模型重复进行然种方法着许优势着缺点存提高识精度需量训练集作样训练时间计算机身求较
42 识流程
OpenCV中提供相应训练sample样例函数仅仅话非常方便OpenCV附带sample函数质灰度图二值图16值图HOG特征定权重融合联合HOG特征核成分分析法（KPCA）联合HOG特征进行降维进利支持量机进行分类[10]需训练模型需通cv2mlSVM_create()函数创建SVM类需训练图片通OpenCV中附带sample样例转化相应格式转化训练样图片图片标签传入创建SVM类中train()函数中训练完成训练模型保存设备法获足够训练样集文采已训练完成sample模型作字符识模块致流程图41示
图41 识流程图
图片预处理方面舍弃掉黑边需做两点首先字符图四边界缩素者素值置0图34显示般分割出字符四周边界会存干扰处理消影响进步提高识准确率外需字符图片统化通sample训练时格式助调时提高识准确率例中格式20*20外改变图尺寸时候图身会变定模糊化图421图422示
图421 模糊图 图422 带干扰模糊图
简单测试种定程度模糊化效果助消图422底干扰效果影响识率定帮助直接形式直接进行操作
获处理图创建SVM类实例读取者实时训练模型图OpenCVsample样例函数处理调实例predict()函数获识结果
部分代码示：
# modelchinesemodel分获汉字模型英文数字模型
card hog([card]) # 图片传入样例进行函数转换
if i 0 #第字符汉字
resp selfmodelchinesepredict(card)
ansappend(provinces[int(resp[0]) PROVINCE_START])
else # 余英文数字
resp selfmodelpredict(card)
ansappend(chr(resp[0]))
例中识结果表41示
表41 识测试表
测试车牌图
识结果
出识成功率基令满意汉字识令遗憾出错存分析原两点第原训练模型原汉字训练集身寻找英文汉字全世界范围流行中文汉字基国特文化训练集训练出模型身识率算高第二点图处理身问题图34中然汉字字符图周围然噪声消较汉字身特征处理导致信息损失导致汉字识率会整体均
结
文设计车牌识系统基OpenCV进行开发设计力运Python语言OpenCV身提供便捷性汽车车牌识谓智化交通发展道路基础技术文设计简单汽车车牌识系统路计算机软硬件技术软硬件动车辆门禁理系统高速公路车辆理智交通识理等汽车车牌进行车辆理场提供基设计思路解决方法文车牌识系统背景意义现国外研究现状叙述表示车牌识国然拥定意义存车牌识三部分重点车牌定位车牌字符分割字符识通车牌尺寸特征颜色特征基垂直投影方法SVM识方法分进行定程度概述出较简单实现方法思路确定系统基完成
然文叙述汽车车牌识系统设计基成功成果基达预期求发现知识水限设计充分文方法着许足处存车牌应场景没设想交通发展车牌场景必然频繁出现次目前识黄绿蓝三种种类车牌国肯定种分类等方面需进行进步改进
参 考 文 献
[1]基图车牌识系统设计实现作者：唐智强电子科技学 2018
[2]车牌识系统研究实现 作者：文湖北工业学 2018
[3]基深度学车牌识系统研究 作者：张佑贤广西师范学 2019
[4]胡雪会王波涛基OpenCV车牌图定位[J]计算机测量控制201624(09)206210
[5]黄社阳刘智勇阮太元基HSV颜色空间SVM车牌提取算法[J]计算机系统应201423(08)150153
[6]甘玲林晶基连通域提取车牌字符分割算法[J]计算机仿真201128(04)336339
[7]邓运生郑晨霞尹安车牌定位字符分割方法研究实现[J]兰州文理学院学报(然科学版)201933(06)7883+106
[8]实时车牌识系统设计实现作者：刘洁山东学 2019
[9]余棉水黎绍发基边缘SVM车牌动定位提取[J]计算机应研究2004(10)131133
[10]殷羽郑宏高婷婷等基联合HOG特征车牌识算法[J]计算机工程设计2015(2)476481
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
基opencv车牌识系统设计实现
Design and implementation of LPR system based on opencv
容摘
科技进步民身生活水断提高日常出行需求变断增长汽车作常见交通工具已越越成初选择量新车辆断投入道路中传统工方式汽车车辆理变愈加困难计算机代处理相繁重工作必良交通理系统实现道路理基础
想汽车车辆进行理效识特征便汽车车牌作目前常见技术车牌识广泛应交叉路段停车场收费站等种场合监控理中需相应技术完成需求文python语言OpenCV工具通输入带汽车车牌图根车牌特特征垂直投影法SVM方法完成汽车车辆车牌定位车牌字符分割字符识功终识车牌字符输出显示出
关键词：OpenCV投影法SVM车牌识
Abstract
The advancement of science and technology and the continuous improvement of people＇s own living standards have made people＇s daily travel needs continue to grow As the most common mode of transportation cars have become the initial choice of people A large number of new vehicles are constantly being put into use on the road and the management of automobile vehicles by traditional manual methods has become increasingly difficult Therefore it is necessary to use a computer instead of a person to handle relatively heavy work A good traffic management system is the foundation for road management
One of the most effective identification features for the management of automobile vehicles is the license plate of the car As the most commonly used technology at present license plate recognition is widely used in monitoring and management of various occasions such as intersections parking lots toll stations In Therefore corresponding technology is needed to complete the above requirements This article uses python as the language and OpenCV as the main tool By inputting an image with a car license plate according to some characteristics unique to the license plate vertical projection and SVM are used to complete the license plate positioning character segmentation and characters of the car license plate Recognition function Finally the recognized license plate characters are displayed
Keywords：OpenCVSVMprojection method License Plate Recognition
目 录
第章 绪 1
11 选题背景意义 1
111 选题背景 1
112 选题意义 1
12 国外研究现状 1
121 国外研究现状 1
122 国研究现状 2
13 课题研究目标 2
第二章 车牌定位 4
21 车牌特征 4
22 定位流程 5
第三章 字符分割 9
31 切割方式 9
32 切割流程 9
第四章 车牌识 14
41 字符识方式 14
42 识流程 14
结 17
参 考 文 献 18
致谢 19
1 绪
11 选题背景意义
111选题背景
着生活水断提高日常出行需求断增长汽车成越越出行选择交通工具汽车行业公交通迅速发展汽车已逐步走入千家万户中伴着汽车数量迅速增长道路交通理需求断扩道路理中问题逐渐显示出量汽车投入交通中道路疏通车辆理等问题传统工方式付出财力物力时间成越越高现代计算机网络发展利计算机代传统工方式车辆进行理变行起车牌作汽车显著身份特征现选定特定车辆目标手段监控汽车相关图片中处理分析识出车牌号码现代车辆理中关重节通车牌识技术实现车辆动化理方式未交通发展趋势
112 选题意义
车辆行理方式车牌号码应车辆信息进行录入车牌识实现着重意义运道路交叉路口处停车场加油站高速公路收费站ETC等种场合中车牌识通汽车图获取车牌号码实现高效率低成智化理方式效节约类成车牌字符识子实通车牌数字字母汉字进行定区分获结果计算机中字符串形式展现出字符识中汉字识表现困难原汉字国专导致国外先进车牌识系统够适国次选题更运现代科技网络资源达国车牌车牌识
12 国外研究现状
识系统领域中火热崛起车牌识系统国外算少相关研究车牌识技术国外起步较早国开始
121 国外研究现状
车牌识先国外发起研究时间先进性较领先国二十世纪中期国外已开始车牌识算法研究根算法设计汽车牌识软件实际生活中进行应取效果着许员片领域中投入量资源开展实验总结国外部分国家中例德英日意加国家早世纪期已种技术研究发展成熟提出量关车牌检测识方面高技术方法已开始市场投入然说方法样项研究投入量精力资金[1]许国家着错成果展现色列HiTech公司推出SeeCar系统通视觉传感器获车辆车牌信息车辆理效果显著新加波OptAsia公司VECONVIS车牌识系统说准确度相高著名日LUIS车牌识系统[2]等等
122 国研究现状
车牌识技术然国外起步较早国开始步伐早期较零散图处理方法应车牌识中逐渐形成系统般方法国车牌国外车牌着较差异国车牌识方法法直接国外研究技术然法直接国外相成熟技术中方法思想然非常值鉴方
2018年11月份公安部发布汽车保量已达235亿辆约增长120中新源车101万辆增长83[3]新源车普通车量日益增智交通识变越发困难解决现状国相关研究员二十世纪九十年代开始逐步探索研究汽车车牌识技术然国车牌识然较晚国家国量研究员努力中然系列效果优异研究成果存例众国相关研究员中胡雪会王波涛[4]等研究员利OpenCV作工具提出种改进灰度跳变车牌定位算法效提高车牌定位准确率黄社阳刘智勇阮太元[5]等研究员提供种方法提出种基HSV颜色空间SVM相结合车牌提取算法该方法种车牌够实现较精确定位提取甘玲林晶[6]等研究员字符分割提出种改进连通域提取车牌字符分割算法字符分割变相更加准确稳定
年民生活水富裕车辆拥数飞快升车牌识相关技术国变愈加重视交通领域研究员研究公司断深入研究学术教育领域员越越开始领域开始研究工作
13 课题研究目标
车牌号码识方面前传统解决方法分字符分割字符识两阶段实现分车牌定位字符分割字符识三阶段
文OpenCV基础够较准确定位带汽车图汽车车牌区域定位汽车车牌区域图进行处理切割单字符图分割字符图够较正确识处理目标：
实现车牌定位功：
车牌识系统基功车牌定位功进行设计通车牌基特征分析进行车牌位置定位
二 实现车牌号码字符分割功：
通垂直投影法车牌图字符间隔间特征进行分析实现副图中字符分割成单独字符图
三 实现字符识功：
通OpenCVsample函数字符图进行处理识出字符
四 整体实现车牌号码识完成述功
2 车牌定位
21车牌特征
车牌号码机动车前两面分悬挂着板材国间材质相车牌会登记显示着车辆登记区号码者基相关资料国间车牌外观材质容间区特征存
想准确定位车牌区域车牌特征车牌定位关键信息车牌识技术方面车牌身特特征进行分析般国车牌说首先车牌外观般车牌长方形形状长度高度着统标准规定次车牌字符字符左右次排列通常情况第字符汉字第二字符英文字符字符统规定字符间间隔相车牌颜色国车牌颜色外国呈种颜色常见目前普通型客车蓝底白字年迅速发展新源汽车绿底黑字车牌底色字符颜色通常样切相差较计算机处理灰度图会较明显变化
车牌定位方法致种第种通形态学处理车牌颜色特征方法第二种根车牌形状特征基础定位方法根车牌矩形特征矩形长宽进行第三种方法基Lab颜色模型聚类分割车牌性质特征定位方法[7]
目前文车牌定位两点进行颜色国常见车牌颜色特征致分类型汽车车牌黄底黑字普通型汽车蓝底白字年开始广泛新型源汽车车牌绿底黑字二车牌尺寸字符特征车牌第字符省治区直辖市汉字字符简称第二字符发牌机关代号(通常英文字符)英文数字间混合组成字符字符间隔整体车牌长宽等车牌尺寸细节特征图21标准车牌尺寸图示
图21 标准车牌尺寸图
拍摄角度外界种干扰素实际获汽车图尺寸特征会严格图21般标准间会定范围变化面致介绍具体定位流程
22定位流程
定位致流程图22定位流程图示：
图22 定位流程图
图预处理部分首先输入汽车图高斯滤波噪图变滑部分噪声图转化灰度图进行图二值化处理OpenCVPython接口(均默认Python接口)中分应GaussianBlur()cvtColor()threshold()函数预处理二值化图致图23示
图23 二值化图
部分代码：
src_img cv2GaussianBlur(pic (3 3) 0) # 高斯模糊
img cv2cvtColor(src_img cv2COLOR_BGR2GRAY) # 转换成灰度图
ret img_thresh cv2threshold(img_open 0 255 cv2THRESH_BINARY + cv2THRESH_OTSU) # 二值化图
通图基预处理方式明显突出图基特征图明亮较暗区域明显划分出较明亮区域变更加明亮灰度图中变白较暗部分变更加暗灰度图中呈现更黑方便进步操作
接着处理图进行边缘检测OpenCV中Canny函数通边缘检测够够获取图边缘轮廓通开闭运算够相区域轮廓变整体谓开运算先进行腐蚀进行膨胀做开运算噪音闭运算先进行膨胀进行腐蚀操作填充前景物体黑点腐蚀单操作简单白噪声两连起物体断开膨胀连接两分开物体通开闭运算够消噪声干扰获部分填充区域轮廓图形致图24示
图24 轮廓图
部分代码：
img_edge cv2Canny(img_thresh 100 200) # 边缘检测
# 开运算闭运算图边缘成整体
kernel npones((4 19) npuint8)
img_edge cv2morphologyEx(img_edge cv2MORPH_CLOSE kernel)
img_edge cv2morphologyEx(img_edge cv2MORPH_OPEN kernel)
通findCountours函数获取图参数输入获轮廓边界点坐标旋转角度通车牌尺寸长宽（致255左右）设定默认图形面积信息图形中进步筛选出符合条件图形区域获符合条件轮廓图形根前获轮廓角度图形进行矫正
图24示获轮廓图形定相图水行致少少定倾斜角度续操作方便利进行需获符合条件轮廓图形进行定倾斜矫正通前findCountours函数收集轮廓信息中带轮廓倾斜角度信息首先根OpenCV中boxPoint函数获轮廓作参数输入获该轮廓四顶点坐标数根四坐标选取该轮廓区域图形左右值顶点数根左右值顶点坐标根左右坐标Y差值判断出该区域图左倾斜右倾斜图23观察发现然车牌身定倾斜角度字符身没受太干扰字符身没受倾斜影响选warpAffine函数选择移原始图操作旋转原始图操作避免车牌字符干通传入原始图左右方顶点坐标新左右方顶点坐标参数实现矫正矫正图致图25示
图25 矫正图
部分代码：
pts1 npfloat32([left_point high_point right_point]) # 原坐标
if flag 1 # 正角度 根左右顶点判断
pts2 npfloat32([left_pointhigh_pointnew_point]) #新坐标
else # 负角度
pts2 npfloat32([new_pointhigh_pointright_point]) # 新坐标
M cv2getAffineTransform(pts1 pts2)
dst cv2warpAffine(src_img M (pic_width pic_height))#移图
矫正根前符合条件轮廓坐标信息矫正图单独截取出该部分截取出图转换HSV模式统计颜色信息
HSV色系代表色调（H）饱度（S）亮度（V）够更直观表示图颜色信息
通迭代截取整图HSV数值统计黄色（H致1034左右）绿色（H致3599左右）蓝色（H致100125左右）数量信息判断出该截取出轮廓图否车牌区域车牌底色黄色绿色者蓝色迭代图时记录黄色绿色蓝色较少边界截取图进行定位缩边界非车牌范围定位车牌区域图图26示
图26 定位区域图
3 字符分割
31 切割方式
获较精确车牌定位区域开始进步获图进行字符分割车牌字符分割作方便实现识功准确分割算法车牌识够获较高准确率分割算法达较高准确率较困难表现结果受光线强度车牌扭曲等影响较停车场应场景车辆保持良姿态距离采集设备较采字符分割方法获优秀识效果机摄头交通摄头说环境会更加复杂[8]
现常见常分割方法两种种基连通域分割方法种基车牌投影图分割方法通俗说垂直投影法文采方法基垂直投影方法进行
垂直投影法目前应较字符分割方法特点较简单相容易实现根图垂直方投影（车牌字符分割中理想状态字符位置垂直投影数值字符字符间间隙0）车牌间字符段间距存根投影间数值判断出字符字符间间隔位置字符间分割出文分割方法致实现步骤首先车牌二值化图进行逐行扫描记录数值跳变次数车牌间间距存车牌二值化图数值横跳变次数基保持定次数（噪声存图预处理完善字符定率存粘连等种素法保证固定数值）致确定边界图进行逐列扫描分记录黑白素数量值根数量值设定较宽松阈值通修改阈值解决字符粘连问题
32 切割流程
垂直投影法进行车牌字符分割操作流程致流程图31示
图31 分割流程图
首先图预处理部分处理方便尺寸统先传入车牌区域图尺寸修改统长度宽带（文中暂时分设14036）
化操作代码：
img_resize cv2resize(img (136 36) interpolationcv2INTER_AREA)
车牌定位流程部分预处理致相先高斯滤波滑图噪声图转化灰度图二值化处理需注意蓝色作底色车牌绿色黄色底色车牌字符颜色较暗背景较亮蓝色车牌正相反直接转化灰度图进行二值化处理会背景部分白色字符部分会呈现黑色通常带量干扰素利面处理根前车牌定位车牌颜色黄色者绿色首先OpenCV中bitwise_not函数灰度图数值先进行取反致效果图图32示（更换测试车牌号车牌底色黄底）
图32 车牌二值化图
图观察车牌定位区域法绝精确字符边界原车牌边框存获图四边界般通常说会存干扰条纹左右边界条纹分14素值置0进行预先部分范围应该设置理车牌定位功定位较准确时会丢失掉字符信息边界干扰条纹逐行扫描图根图字符黑白素跳变次数进行进步消图观察出图黑白素值跳变次数车牌身字符数少会跳变14次会存预处理者原始汽车图身质量问题会导致字符字符间存着粘连问题致默认设置少跳变10次掉干扰条纹影响部分噪声图假定图P
接着原始输入车牌区域图单独进行次转化灰度图进行二值化处理OpenCV中bitwise_and()函数图图P进行操作获结果图进行次面描述记录跳变次数消横干扰条纹操作获保留部分字符信息时效掉许干扰噪声图33示
图33 噪车牌二值图
部分代码：
# 消跳变次数较少条纹
for i in range(height)
if sum_changes[i] < 10 # 统计跳变次数10
for col in range(width) # 该行素数值置0
tmp_imgitemset((i col) 0)
# 原图二值化灰度图相部分噪声
img_gray_1 cv2cvtColor(img_resize cv2COLOR_BGR2GRAY) # 灰度图
if color green or color yello
img_gray_1 cv2bitwise_not(img_gray_1) # 黑白颜色取反
ret img_thre_1 cv2threshold(img_gray_1 0 255 cv2THRESH_BINARY + cv2THRESH_OTSU)
cv2bitwise_and(img_thre_1 tmp_img img_thre)
获处理车牌图开始进行图切割工作首先图33图进行逐列扫描记录黑白素数例中白色素列数前20列：
[0 0 0 0 24 27 27 12 8 16 25 28 28 28 27 23 13 0 0 0]
黑色素数前20列：
[36 36 36 36 12 9 9 24 28 20 11 8 8 8 9 13 23 36 36 36]
接着设定般分割阈值S初值文设定090开始遍历记录列黑白素数公式31确认切割起点公式32确定切割终点断更新起点终点步步字符分割出White[n]第n列白色素数量Black[n] 黑色whiteMax白色素数量列数值36先化设定图高度数值
White[n] > (1 – S) * whiteMax (31)
Black[n] > S * 36 (32)
处理图中时会存着字符粘连起情况出现时判断切割终点起点间距离否判断字符否粘连起起点终点距离短部分认车牌分割符者干扰点直接舍弃部分存粘连现象次切割起点出发通逐步减S数值继续公式32达更进步精确分割确保会字符粘连问题导致分割达预期设想分割结果图34示
图34 分割结果图
切割部分伪代码：
遍历图长度：
白色素数阈值
if white[n] > (1 S)*white_max
设定起点start
起点开始寻找终点
黑色素数设定阈值
if black[i] > S * 36
获终点索引end i
判断终点距离起点果太长太短：
修改相应阈值重新寻找终点
根获起点终点分割出图
img_cut img_thre[0 height start end]
车牌分割基完成基垂直投影分割法基达预期分割效果成功车牌区域字符分割出方法定程度着足处首先初始图质量求高汽车图身模糊字符褪色问题者外干扰信息会分割效果造成影响次图预处理干扰噪声求会相高存较干扰条纹会投影结果产生影响进步会影响分割效果前点法做出修正点需稍微着重处理
4 车牌识
41 字符识方式
车牌定位车牌字符分割说做车牌识整体基石字符识性坏直接关系整体车牌识成果计算机整体普计算力进步发展数智化时代字符识方法变种样方法间优劣千秋例基字符特征方法基模板匹配方法基神网络识方法支持量机法等等基车牌特征统计方法目前车牌识应中较广泛种种方法统计学种识方法前车牌定位中获车牌具体区域字符切割中车牌单字符图文中根现资源OpenCV中附带函数功文中采取支持量机方法进行字符识
支持量机称SVM种够构造出线性非线性分类器方法作种二分类模型时基做法求解出够正确划分训练数集间隔分离决策面外SVM包括种核技巧通核方法达非线性分类器效果简单说SVM方法基结构风险化原理统计学方法[9]SVM分类器优点够相缩短时间复杂度需进行次模型训练模型重复进行然种方法着许优势着缺点存提高识精度需量训练集作样训练时间计算机身求较
42 识流程
OpenCV中提供相应训练sample样例函数仅仅话非常方便OpenCV附带sample函数质灰度图二值图16值图HOG特征定权重融合联合HOG特征核成分分析法（KPCA）联合HOG特征进行降维进利支持量机进行分类[10]需训练模型需通cv2mlSVM_create()函数创建SVM类需训练图片通OpenCV中附带sample样例转化相应格式转化训练样图片图片标签传入创建SVM类中train()函数中训练完成训练模型保存设备法获足够训练样集文采已训练完成sample模型作字符识模块致流程图41示
图41 识流程图
图片预处理方面舍弃掉黑边需做两点首先字符图四边界缩素者素值置0图34显示般分割出字符四周边界会存干扰处理消影响进步提高识准确率外需字符图片统化通sample训练时格式助调时提高识准确率例中格式20*20外改变图尺寸时候图身会变定模糊化图421图422示
图421 模糊图 图422 带干扰模糊图
简单测试种定程度模糊化效果助消图422底干扰效果影响识率定帮助直接形式直接进行操作
获处理图创建SVM类实例读取者实时训练模型图OpenCVsample样例函数处理调实例predict()函数获识结果
部分代码示：
# modelchinesemodel分获汉字模型英文数字模型
card hog([card]) # 图片传入样例进行函数转换
if i 0 #第字符汉字
resp selfmodelchinesepredict(card)
ansappend(provinces[int(resp[0]) PROVINCE_START])
else # 余英文数字
resp selfmodelpredict(card)
ansappend(chr(resp[0]))
例中识结果表41示
表41 识测试表
测试车牌图
识结果
出识成功率基令满意汉字识令遗憾出错存分析原两点第原训练模型原汉字训练集身寻找英文汉字全世界范围流行中文汉字基国特文化训练集训练出模型身识率算高第二点图处理身问题图34中然汉字字符图周围然噪声消较汉字身特征处理导致信息损失导致汉字识率会整体均
结
文设计车牌识系统基OpenCV进行开发设计力运Python语言OpenCV身提供便捷性汽车车牌识谓智化交通发展道路基础技术文设计简单汽车车牌识系统路计算机软硬件技术软硬件动车辆门禁理系统高速公路车辆理智交通识理等汽车车牌进行车辆理场提供基设计思路解决方法文车牌识系统背景意义现国外研究现状叙述表示车牌识国然拥定意义存车牌识三部分重点车牌定位车牌字符分割字符识通车牌尺寸特征颜色特征基垂直投影方法SVM识方法分进行定程度概述出较简单实现方法思路确定系统基完成
然文叙述汽车车牌识系统设计基成功成果基达预期求发现知识水限设计充分文方法着许足处存车牌应场景没设想交通发展车牌场景必然频繁出现次目前识黄绿蓝三种种类车牌国肯定种分类等方面需进行进步改进
参 考 文 献
[1]基图车牌识系统设计实现作者：唐智强电子科技学 2018
[2]车牌识系统研究实现 作者：文湖北工业学 2018
[3]基深度学车牌识系统研究 作者：张佑贤广西师范学 2019
[4]胡雪会王波涛基OpenCV车牌图定位[J]计算机测量控制201624(09)206210
[5]黄社阳刘智勇阮太元基HSV颜色空间SVM车牌提取算法[J]计算机系统应201423(08)150153
[6]甘玲林晶基连通域提取车牌字符分割算法[J]计算机仿真201128(04)336339
[7]邓运生郑晨霞尹安车牌定位字符分割方法研究实现[J]兰州文理学院学报(然科学版)201933(06)7883+106
[8]实时车牌识系统设计实现作者：刘洁山东学 2019
[9]余棉水黎绍发基边缘SVM车牌动定位提取[J]计算机应研究2004(10)131133
[10]殷羽郑宏高婷婷等基联合HOG特征车牌识算法[J]计算机工程设计2015(2)476481
文档香网(httpswwwxiangdangnet)户传
《香当网》用户分享的内容，不代表《香当网》观点或立场，请自行判断内容的真实性和可靠性！
该内容是文档的文本内容，更好的格式请下载文档
