《基于人工智能方法進(jìn)行車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)》8700字（論文）

緒論1.1研究背景21世紀(jì)以來，人們生活水平急速提高，對(duì)日常便捷出行的需求越來越大，汽車也漸漸成為了人們工作和生活中越來越不可缺少的交通工具。隨之而來引發(fā)的種種交通問題也時(shí)常給我們帶來困擾。隨著信息技術(shù)和互聯(lián)網(wǎng)的高速發(fā)展，逐漸建立起一項(xiàng)以信息通信技術(shù)為基礎(chǔ)，將道路、車輛、駕駛員三者緊密結(jié)合、協(xié)調(diào)統(tǒng)一，在大范圍內(nèi)運(yùn)行的高效運(yùn)輸管理系統(tǒng)，即智能交通系統(tǒng)（ITS）。智能交通由美國智能交通學(xué)會(huì)（IVHSAmerica）提出，它從系統(tǒng)的角度，使先進(jìn)的信息技術(shù)、數(shù)據(jù)通信技術(shù)、傳感器技術(shù)、電子控制技術(shù)和計(jì)算機(jī)技術(shù)等被有效地運(yùn)用到整個(gè)交通運(yùn)輸管理系統(tǒng)中[5]。從而達(dá)到提高道路通行能力、獲得交通的安全和快捷，節(jié)約能源等目的。車牌識(shí)別系統(tǒng)(VLPR)現(xiàn)在已成為現(xiàn)代智能交通系統(tǒng)中一個(gè)相當(dāng)重要的組成部分。1.2研究目的及意義本著對(duì)數(shù)字圖像處理與機(jī)器學(xué)習(xí)等相關(guān)課程與技術(shù)的濃厚興趣，對(duì)車牌識(shí)別技術(shù)進(jìn)行了深入的了解和學(xué)習(xí)，自學(xué)了Python語言與OpenCV圖像處理庫，想要通過自己的學(xué)習(xí)與研究完成此項(xiàng)課題，設(shè)計(jì)出一款實(shí)用的智能車牌識(shí)別系統(tǒng)。車牌識(shí)別技術(shù)主要基于計(jì)算機(jī)視覺、數(shù)字圖像處理、模式識(shí)別等技術(shù)，通過分析攝像機(jī)拍攝到的車輛圖像或者視頻序列，從而準(zhǔn)確得到每輛汽車獨(dú)一無二的車牌號(hào)。車牌識(shí)別技術(shù)的產(chǎn)生極大地提高了采集基礎(chǔ)交通信息的效率，為智能交通中眾多后續(xù)功能奠定了基礎(chǔ)。高速公路的收費(fèi)管理，公路上車輛的定位，停車場(chǎng)里的汽車防盜，道路超速自動(dòng)化抓拍等多種功能的需求使得該技術(shù)具有極大的市場(chǎng)應(yīng)用價(jià)值，并且?guī)砹司薮蟮纳鐣?huì)效益和經(jīng)濟(jì)效益。深入研究和發(fā)展車牌識(shí)別技術(shù)對(duì)于建立完善健全的智能交通系統(tǒng)，促進(jìn)城市交通發(fā)展，維護(hù)道路交通安全，實(shí)現(xiàn)交通自動(dòng)化管理有著重大現(xiàn)實(shí)意義。1.3國內(nèi)外研究現(xiàn)狀早在上個(gè)世紀(jì)，國外的一些研究者最先開始研究車牌的自動(dòng)識(shí)別系統(tǒng)。美國等許多發(fā)達(dá)國家都有適用于自己的比較成熟的系統(tǒng)，英國的RTVNPR不僅識(shí)別率高而且可以便攜，新加坡的IMPS具有先進(jìn)圖像處理技術(shù)和人工智能技術(shù)，以色列的See/Car可供多國家使用。正是因?yàn)閲獾能嚺谱R(shí)別技術(shù)發(fā)展相對(duì)較早，為我國該技術(shù)的發(fā)展提供了研究的相關(guān)理論和技術(shù)基礎(chǔ)。在我國，對(duì)于車牌識(shí)別技術(shù)的研究開始時(shí)間較晚，但許多優(yōu)秀的學(xué)者也已經(jīng)研發(fā)出很多成熟的車牌識(shí)別系統(tǒng)，比如“漢王眼”、利普視覺系列等等。目前基于圖像的無源型智能車牌識(shí)別系統(tǒng)比較有發(fā)展前途，它將車輛檢測(cè)技術(shù)、計(jì)算機(jī)視覺技術(shù)、人工智能技術(shù)和人工神經(jīng)網(wǎng)絡(luò)技術(shù)等相關(guān)技術(shù)進(jìn)行了較為全面的融合。隨著近幾年人工智能的發(fā)展，基于深度學(xué)習(xí)的車牌檢測(cè)算法，準(zhǔn)確率較高，模型簡(jiǎn)單，并通過優(yōu)化網(wǎng)絡(luò)，高性能硬件平臺(tái)提供算力，保證了高實(shí)時(shí)性，使我國車牌識(shí)別技術(shù)得到了更大的發(fā)展。1.4研究重點(diǎn)及難點(diǎn)本課題的重點(diǎn)在于精準(zhǔn)定位車牌位置，并將其準(zhǔn)確地從干擾背景中分割出來，然后對(duì)車牌字符進(jìn)行精準(zhǔn)分割。車牌圖像的預(yù)處理對(duì)整個(gè)車牌識(shí)別的后續(xù)流程起著決定性作用，需要重點(diǎn)研究學(xué)習(xí)。本課題需要克服的難點(diǎn)主要有兩個(gè)：首先，在研究過程中，由于光照、距離、角度、速度等各種復(fù)雜環(huán)境的影響會(huì)對(duì)車牌的定位以及提取造成一定的困難。其次，在字符的識(shí)別上，傳統(tǒng)方法是模板匹配，而這種方法對(duì)分割后的字符要求比較高，對(duì)于那些畸形、模糊的字符匹配難度加大。因此，我想通過深入了解“機(jī)器學(xué)習(xí)”這塊知識(shí)，搭建神經(jīng)網(wǎng)絡(luò)，用大量樣本去訓(xùn)練一個(gè)模型然后再與字符匹配，實(shí)現(xiàn)精準(zhǔn)識(shí)別。

系統(tǒng)總體設(shè)計(jì)2.1系統(tǒng)框圖系統(tǒng)總體設(shè)計(jì)如圖2.1所示：圖2.1車牌識(shí)別流程圖2.2我國車牌特點(diǎn)2.2.1我國車牌特征我國車牌相比較國外車牌有著比較復(fù)雜的特點(diǎn)，融合了漢字、英文字母和數(shù)字，具體要求如圖2.2所示，給出了我國公安部機(jī)動(dòng)車號(hào)牌標(biāo)準(zhǔn)GA36-2007規(guī)定的機(jī)動(dòng)車車牌特征。圖2.2我國車牌特征2.2.2車牌字符特征對(duì)識(shí)別的影響我國的車牌共由七個(gè)字符組成，第一個(gè)字符是我國各省、自治區(qū)、直轄市的簡(jiǎn)稱，總共31個(gè)漢字[6]；第二個(gè)字符是除I之外的大寫英文字母，總共25個(gè)；最后五個(gè)字符是除去I與O的24個(gè)大寫英文字母和阿拉伯?dāng)?shù)字0-9的混合體。七個(gè)字符在車牌中呈水平排列且具有豐富的紋理特征。正是由于我國車牌顏色多樣且形式復(fù)雜，中英文和數(shù)字三種形式混合的特殊性使得車牌識(shí)別難度大大增加，無法僅僅通過某種單一識(shí)別技術(shù)保證準(zhǔn)確識(shí)別，這對(duì)智能車牌識(shí)別系統(tǒng)的設(shè)計(jì)是一個(gè)極大的挑戰(zhàn)。2.3需求分析2.3.1Windows平臺(tái)Windows操作系統(tǒng)是個(gè)人計(jì)算機(jī)的公認(rèn)主流操作系統(tǒng)，因其界面美觀，操作簡(jiǎn)單易學(xué)，具有相當(dāng)優(yōu)秀的的人機(jī)操作性，此外對(duì)計(jì)算機(jī)資源的管理也具有較高的效率。同時(shí)，能夠良好地適用于多種硬件也是Windows操作系統(tǒng)的一個(gè)重要特點(diǎn)。2.3.2Python語言Python語言是一種解釋型、交互性、面向?qū)ο蟮目缙脚_(tái)編程語言，隨著近幾年人工智能的火熱興起，Python語言可以說是當(dāng)下所有主流計(jì)算機(jī)編程語言中較為熱門的一個(gè)。Python語言的優(yōu)點(diǎn)表現(xiàn)在它不僅簡(jiǎn)單易學(xué)，非常適合初學(xué)者，而且具有相當(dāng)強(qiáng)大的功能。與其他主要語言相比，Python具有豐富強(qiáng)大的標(biāo)準(zhǔn)庫，主要包括數(shù)據(jù)庫、FTP、單元測(cè)試、網(wǎng)頁瀏覽器、電子郵件等多種功能，這些功能可以幫助使用者解決各種問題，極大地提高工作效率。2.3.3OpenCV圖像處理庫OpenCV是由Intel公司發(fā)起的一個(gè)應(yīng)用極其廣泛的計(jì)算機(jī)視覺開源圖像處理庫[8][9]，它基于C++實(shí)現(xiàn)，但同時(shí)提供了Python等多種語言的接口。OpenCV具有豐富的應(yīng)用程序編程接口（ApplicationProgrammingInterface），擁有相當(dāng)完善的計(jì)算機(jī)視覺算法和機(jī)器學(xué)習(xí)算法，同時(shí)加深了對(duì)深度學(xué)習(xí)的支持。今后，Python與OpenCV的結(jié)合將會(huì)實(shí)現(xiàn)更加有價(jià)值的功能，擁有越來越廣闊的前景。2.3.4PyQt5界面Qt是由QtCompany開發(fā)的一款跨平臺(tái)開發(fā)軟件，特別在有關(guān)圖形的用戶界面設(shè)計(jì)（GUI）方面使用格外簡(jiǎn)便。簡(jiǎn)而言之，PyQt5就是QT基于python的一個(gè)跨平臺(tái)工具包，在所有主流操作系統(tǒng)上都可以運(yùn)行。本文則通過PyQt5來創(chuàng)建PythonGUI應(yīng)用程序的界面。本系統(tǒng)的用戶界面效果圖如圖2.3所示：圖2.3用戶界面

系統(tǒng)實(shí)現(xiàn)3.1運(yùn)行環(huán)境本課題全程使用華為MateBook13，基于64位的Windows10家庭中文版的操作系統(tǒng)，使用的軟件平臺(tái)為Python3.7，圖像處理庫為OpenCV3.4.3，硬件平臺(tái)為筆記本電腦的攝像頭。3.2系統(tǒng)詳細(xì)流程圖首先給出了本車牌識(shí)別系統(tǒng)的系統(tǒng)流程圖，如圖3.1所示：圖3.1系統(tǒng)流程圖3.3車牌圖像預(yù)處理對(duì)于實(shí)際應(yīng)用中獲得的車輛圖像，總是可能因?yàn)檎鎸?shí)環(huán)境中天氣變化、光照不均、背景復(fù)雜、車牌損毀、意外遮擋、人為干擾等原因造成失真，使圖像產(chǎn)生噪點(diǎn)和陰影而無法準(zhǔn)確識(shí)別。為保證車牌識(shí)別處理后續(xù)操作的魯棒性（Robust），也就是為了降低識(shí)別出錯(cuò)的概率，提高系統(tǒng)識(shí)別率，需要先對(duì)圖片進(jìn)行預(yù)處理，這是至關(guān)重要的一步。預(yù)處理主要包括圖像灰度化和圖像降噪兩個(gè)操作。3.3.1圖像灰度化在識(shí)別車牌時(shí)，我們拍到的車牌都是顏色多樣的彩色圖像，每個(gè)圖像都由像素點(diǎn)矩陣構(gòu)成，一個(gè)像素點(diǎn)可以表示為(R,G,B)，通過給三個(gè)變量賦值的方法來改變像素點(diǎn)的顏色，這就先要了解一下像素點(diǎn)的RGB值。RGB指的是光學(xué)三原色：紅色（Red）、綠色（Green）和藍(lán)色（Blue）。RGB值用整數(shù)0——255來表示，共256級(jí)，代表亮度從暗到亮。因此，對(duì)256級(jí)的RGB色彩進(jìn)行組合，總共得到約1678萬種色彩（256×256×256=16777216）[11]。圖像灰度化就是將彩色圖像轉(zhuǎn)變?yōu)榛叶葓D像，操作方法也易于理解，即使RGB三分量數(shù)值相同，這樣不僅可以反映出圖像的亮度等級(jí)和色度分布，而且為后續(xù)圖像處理操作提供便利。常用的灰度化方法有分量法、最大值法、平均值法和加權(quán)平均值法這四種，本課題采用的是使灰度圖像相對(duì)比較柔和的平均值法，即將每個(gè)像素點(diǎn)的RGB三個(gè)亮度值的平均值作為圖片的灰度值。公式為：f經(jīng)過灰度化處理前后的圖像對(duì)比圖，如圖3.2、3.3所示：3.2原始圖像3.3灰度化圖像3.3.2高斯濾波實(shí)現(xiàn)圖像平滑濾波就是將信號(hào)產(chǎn)生干擾的特定波段頻率濾出，從而對(duì)圖像進(jìn)行圖像平滑的操作，分為線性和非線性兩種。本課題使用的高斯濾波是一種非線性低通濾波，非常適用于消除高斯噪聲，能夠保證不對(duì)圖像邊緣造成明顯模糊的情況下完成去噪，并使圖像平滑，從而在計(jì)算機(jī)視覺中被廣泛應(yīng)用。高斯濾波使用卷積核遍歷圖像中的每個(gè)像素點(diǎn)，將鄰域內(nèi)像素點(diǎn)被模板確定的高斯加權(quán)平均灰度值替換模板中心像素點(diǎn)的值。[17]在OpenCV的庫函數(shù)中，函數(shù)cv2.GaussianBlur(img,(3,3),0)可以直接對(duì)圖形進(jìn)行高斯濾波，其中，(3,3)卷積核是指高斯矩陣的長與寬都為3，可以自行選取卷積核的大小。當(dāng)標(biāo)準(zhǔn)差取0時(shí)，OpenCV會(huì)自行計(jì)算。高斯濾波表達(dá)式為:?經(jīng)過高斯濾波降噪前后的對(duì)比圖像，如圖3.4、3.5所示：3.4原始圖像3.5高斯濾波后的圖像3.4車牌定位車牌定位就是指對(duì)采集到的圖像在一個(gè)較大范圍內(nèi)進(jìn)行進(jìn)一步搜索，準(zhǔn)確找到符合車牌圖像特征的區(qū)域，將此區(qū)域作為候選區(qū)，然后通過對(duì)候選區(qū)內(nèi)的圖像進(jìn)行進(jìn)一步的分析，最終分離出該區(qū)域中最佳的牌照區(qū)域。3.4.1形態(tài)學(xué)操作在本課題中，對(duì)于輸入的圖像定位出的區(qū)域，或多或少都保留了一些疑似車牌的區(qū)域，這樣會(huì)使得車牌定位出現(xiàn)誤差。為了進(jìn)一步對(duì)圖像進(jìn)行處理得到正確的車牌區(qū)域，需要用數(shù)學(xué)形態(tài)學(xué)操作將車牌區(qū)域內(nèi)的各個(gè)字符相連通并且消除圖像中孤立的噪聲點(diǎn)。膨脹、腐蝕、開運(yùn)算、閉運(yùn)算是數(shù)學(xué)形態(tài)學(xué)中的四個(gè)基本運(yùn)算，通過這些基本運(yùn)算之間的相互組合可以形成多種數(shù)學(xué)形態(tài)算法，從而對(duì)目標(biāo)圖像進(jìn)行相應(yīng)的處理。首先要介紹一下結(jié)構(gòu)元素，簡(jiǎn)單來說，結(jié)構(gòu)元素由0或1的矩陣組成，元素為1的區(qū)域?yàn)閳D像的鄰域。定義結(jié)構(gòu)元素是進(jìn)行形態(tài)學(xué)操作至關(guān)重要的一步，通過選擇使用合適的結(jié)構(gòu)元素，可以使圖像處理效果更好。本課題根據(jù)車牌形狀特點(diǎn)選用的是長方形元素（CV_SHAPE_RECT）。（一）腐蝕操作腐蝕就是將圖像目標(biāo)位置邊界的比結(jié)構(gòu)元素小的像素點(diǎn)丟棄，使目標(biāo)圖像變小。設(shè)結(jié)構(gòu)元素為Y，目標(biāo)圖像為X，集合平移的位移量為a，則結(jié)構(gòu)元素對(duì)目標(biāo)圖像的腐蝕公式為：X?（二）膨脹操作膨脹就是通過膨脹運(yùn)算填充圖像中比結(jié)構(gòu)元素小的縫隙和小孔，從而連接相鄰的目標(biāo)區(qū)域，使目標(biāo)圖像變大。設(shè)結(jié)構(gòu)元素為Y，目標(biāo)圖像為X，集合平移的位移量為a，則結(jié)構(gòu)元素對(duì)目標(biāo)圖像的膨脹公式為：X⊕Y={a|[（三）開運(yùn)算與閉運(yùn)算開運(yùn)算與閉運(yùn)算是通過腐蝕和膨脹兩個(gè)基本運(yùn)算推導(dǎo)出來的，區(qū)別在于：開運(yùn)算是先腐蝕再膨脹，能夠保證圖像總體位置形狀不變并且去除周圍孤立的毛刺和小點(diǎn)；閉運(yùn)算是先膨脹再腐蝕，能夠保證圖像總體位置形狀不變并且填平周圍的小孔和縫隙。值得注意的是腐蝕運(yùn)算與膨脹運(yùn)算都是采用相同的結(jié)構(gòu)元素。本課題采用開運(yùn)算進(jìn)行形態(tài)學(xué)操作，更有利于降低噪聲，平滑輪廓，提高車牌輪廓提取的準(zhǔn)確率。形態(tài)學(xué)操作后的處理圖像如圖3.6所示：3.6形態(tài)學(xué)處理后的圖像3.4.2閾值分割閾值分割法是一種基于區(qū)域的圖像分割技術(shù)，可以將圖像的像素點(diǎn)按照灰度級(jí)分為若干類，這樣的操作有利于從背景中分離出想要研究的對(duì)象。在本課題中，就需要通過選取合適的閾值（灰度值）來對(duì)圖像進(jìn)行二值化操作，將灰度圖像轉(zhuǎn)化為非黑即白的形式。本課題采用的是OTSU算法（即最大類間方差法），通過統(tǒng)計(jì)整個(gè)圖像的直方圖特性來自動(dòng)選擇全局閾值。處理后的圖像只與像素值為0或255的像素點(diǎn)的位置有關(guān)，更有利于分離開圖片的黑色前景和白色后景，得到清晰且噪聲少的車牌二值圖，從而簡(jiǎn)化后續(xù)處理，減小工作量。設(shè)f(x,y)為輸入圖像，g(x,y)為二值化后的輸出圖像，T為選取的作為閾值的某個(gè)灰度值，圖像二值化的公式表示為：g3.4.3邊緣檢測(cè)車牌的邊框線是獲取車牌輪廓的重要信息，它在圖像中顯示為顏色變化較大或者亮度變化較大的局部區(qū)域，通過提取可以獲得密集的線條分析?；谲嚺七吘夁@一特征信息進(jìn)行車牌定位就會(huì)比較高效。邊緣檢測(cè)不僅去除了大量的背景噪聲，而且使車牌的字符紋理特征更加突出。邊緣檢測(cè)有多種算子，常見的有Sobel、LoG和Canny算子，在本課題中，采用的是Canny邊緣檢測(cè)。Canny邊緣檢測(cè)是在二十世紀(jì)中期，由Canny提出的一種非微分邊緣檢測(cè)算子。該算子因?yàn)榫哂休^高的信噪比和精確度，不易受噪聲干擾，因此可以十分有效地分辨出圖像的強(qiáng)弱邊緣，在計(jì)算機(jī)圖像處理領(lǐng)域受到廣泛的應(yīng)用。經(jīng)過邊緣檢測(cè)后的圖像如圖3.7所示：3.7邊緣檢測(cè)處理圖3.4.4輪廓查找通過邊緣檢測(cè)我們已經(jīng)得到了車牌輪廓邊緣的像素，接下來就是將這些邊緣像素變成一個(gè)整體的車牌輪廓，這就用到了OpenCV中的相關(guān)庫函數(shù)。其中，函數(shù)cv2.cvFindContours()用來找出所有封閉區(qū)域的外輪廓并返回輪廓坐標(biāo)值，存儲(chǔ)在countours集合中；函數(shù)cv2.contourArea()用來計(jì)算區(qū)域面積；函數(shù)cv2.minAreaRect()用來計(jì)算輪廓最小外包旋轉(zhuǎn)矩形；函數(shù)cv２.drawContours()用來對(duì)圖像輪廓進(jìn)行顏色填充[18]。由于車牌的寬高比是固定的幾何特征，一般在2至5.5之間，可通過此特征將在此范圍外的矩形區(qū)域排除，將有最大可能的車牌輪廓篩選出來，并截取出車牌。同時(shí)，我們還采用了顏色定位，排除了除藍(lán)、綠、黃三色之外的矩形區(qū)域，更加有利于車牌輪廓的選取。車牌定位圖如圖3.8所示：圖3.8車牌定位圖3.5字符分割前面通過車牌定位得到了含有車牌的小范圍圖片，但由于光照、磨損、角度不正或車牌自身的分隔符及鉚釘?shù)戎T多干擾因素使得分割處理出現(xiàn)錯(cuò)誤，所以在車牌分割之前要對(duì)車牌進(jìn)行一下預(yù)處理，主要是通過角度調(diào)整使車牌不傾斜，通過去除邊界除去無用的邊緣和鉚釘。3.5.1角度調(diào)整在獲得的圖像中，由于車輛本身的傾斜和拍攝角度的傾斜，導(dǎo)致車牌呈現(xiàn)出一定的傾斜角度，使車牌的分割和提取出現(xiàn)誤差，所以我們需要先對(duì)車牌圖像的水平角度和垂直角度進(jìn)行調(diào)整。在這一步操作中，使用的是OpenCV函數(shù)庫中提供的仿射變換函數(shù)，通過這一函數(shù)進(jìn)行旋轉(zhuǎn)、平移、縮放、翻轉(zhuǎn)和錯(cuò)切等操作使圖像保持平行性和平直性。仿射變換反應(yīng)的是兩幅圖像之間的映射關(guān)系,是一種二維坐標(biāo)之間的線性變換?？偣部梢苑譃閮刹?，第一步要獲取仿射映射矩陣，第二步進(jìn)行仿射變換。仿射變換通常使用2x3的矩陣來表示，公式如下：T=[角度調(diào)整后得到了水平豎直的方正處理圖，如圖3.9所示：圖3.9角度調(diào)整處理圖3.5.2去除邊界經(jīng)過前一步的粗定位后，剪切出來的矩形車牌還不是特別精準(zhǔn)，仍然有些不相關(guān)的背景區(qū)域需要進(jìn)一步去除，進(jìn)而得到最精準(zhǔn)的圖像尺寸。首先，需要對(duì)圖像進(jìn)行逐列的像素點(diǎn)掃描，當(dāng)從灰度值為黑色的背景掃描到灰度值為白色的車牌時(shí)，就找到了車牌的左邊界。同理，從白色灰度值掃描到黑色灰度值為右邊界。接著，對(duì)圖像進(jìn)行逐行的像素點(diǎn)掃描得到上下邊界。這樣，我們就可以將無關(guān)的背景邊框切割掉，得到識(shí)別所需要的最精確的車牌矩形區(qū)域。去除邊界后的處理圖如圖3.10所示：圖3.10去除邊界后的效果圖3.5.3字符分割在車牌識(shí)別中，常用的字符分割方法有很多種，分割效果也不盡相同，主要包括離散聚類法、連通域分割法、模板匹配法、傅里葉變換法、圖像骨架化、投影法等。在本課題中，選用的是連通域分割法。連通區(qū)域指的是圖像中的某些區(qū)域具有相同的像素值并且是由許多位置相鄰的像素點(diǎn)所組成，連通區(qū)域分析則是將圖像中的各個(gè)連通區(qū)域找出來并進(jìn)行標(biāo)記。具體方法簡(jiǎn)單描述為，對(duì)圖像進(jìn)行膨脹操作后，使得相鄰的字符和同一字符的不同部分重疊為一個(gè)整體，這樣就可以通過分析得到一個(gè)個(gè)獨(dú)立的整體，進(jìn)而除掉噪聲，留下符合條件的連通域。本方法的分割過程為：首先，根據(jù)我國車牌的字符特點(diǎn)，字母與數(shù)字是一個(gè)聯(lián)通的整體，而漢字往往并不是由一個(gè)連通域組成，故比較容易得到車牌后幾位的字符連通域。通過對(duì)屬于同一連通域的像素點(diǎn)分配相同的編號(hào)，這樣使得不同的連通域擁有不同的編號(hào)，從而將每個(gè)連通域劃分成一個(gè)個(gè)最小的外接矩形，車牌就自然而然地被分割成了一個(gè)個(gè)單獨(dú)的字符。分割后，再通過調(diào)用cv2.resize()函數(shù)將進(jìn)行一下歸一化處理就得到了統(tǒng)一尺寸的字符。字符分割后地效果圖如圖3.11所示：圖3.11字符分割效果圖3.6字符識(shí)別一切準(zhǔn)備就緒，就進(jìn)入到最終的字符識(shí)別啦，只要將機(jī)器檢測(cè)到的字符圖像轉(zhuǎn)換為文本，就可以得到我們最終需要的車牌號(hào)碼。本課題采用的是傳統(tǒng)的模板匹配方法，需要建立一個(gè)字符模板庫，通過將識(shí)別出的字符與模板庫中的字符進(jìn)行對(duì)比匹配，得到正確的字符。建立字符模板庫的過程運(yùn)用到了SVM算法來進(jìn)行模型的訓(xùn)練與分類。最終，通過不斷的調(diào)試與修改，得到的識(shí)別圖像結(jié)果如圖3.12所示：圖3.12字符識(shí)別結(jié)果圖3.6.1支持向量機(jī)支持向量機(jī)(SupportVectorMachine,SVM)常用于機(jī)器學(xué)習(xí)中，是一種訓(xùn)練機(jī)器學(xué)習(xí)的二分類模型，通過大量已經(jīng)標(biāo)記的數(shù)據(jù)去訓(xùn)練算法，在目前的圖像識(shí)別中具有廣泛的應(yīng)用。OpenCV這一豐富的圖像處理庫集成了SVM學(xué)習(xí)算法，包含在ml模塊下的CVSVM類中，可以方便使用者直接調(diào)用。整個(gè)過程大致分為三步：數(shù)據(jù)準(zhǔn)備、模型訓(xùn)練和模型分類。我們將用于訓(xùn)練的數(shù)據(jù)集分為兩類，一類是用于訓(xùn)練省份簡(jiǎn)稱的數(shù)據(jù)集，一類是用于訓(xùn)練英文字母和數(shù)字的數(shù)據(jù)集。通過分別對(duì)兩個(gè)數(shù)據(jù)集進(jìn)行訓(xùn)練，得到兩個(gè)SVM模型。完成訓(xùn)練后，還需要調(diào)用test()函數(shù)和測(cè)試集進(jìn)行測(cè)試，確保識(shí)別的準(zhǔn)確率。3.6.2模板匹配模板匹配，簡(jiǎn)而言之就是將我們得到的歸一化后的圖像字符去和模板庫中的模板字符進(jìn)行比對(duì)，找到相似度最高的那一個(gè)，這樣匹配出的字符就是我們檢測(cè)出的字符?；谥坝?xùn)練好的兩個(gè)模型，通過遍歷所有分割好的字符圖進(jìn)行依次地識(shí)別，第一個(gè)字符調(diào)用中文SVM模型，后幾個(gè)字符調(diào)用英文字母和數(shù)字SVM模型。OpenCV中可以直接調(diào)用cv2.matchTemplate()函數(shù)來進(jìn)行模板匹配，同時(shí)提供了多種模板匹配方法，例如平方差匹配法、歸一化平方差匹配法、系數(shù)匹配法等等，使用者選用的方法不同，匹配系數(shù)的參考標(biāo)準(zhǔn)也不同。在模板圖像滑動(dòng)于待匹配圖像上方的過程中，計(jì)算并記錄下兩圖像相覆蓋的相關(guān)參數(shù)值，這樣就可以通過最小或最大值得到真正匹配的位置，也就是我們所需要的字符。

結(jié)論與展望4.1研究總結(jié)現(xiàn)代智能交通發(fā)展迅速，與每個(gè)人的出行生活息息相關(guān)，對(duì)社會(huì)的發(fā)展有著至關(guān)重要的意義。車牌識(shí)別作為智能交通系統(tǒng)不可或缺的關(guān)鍵環(huán)節(jié)，深刻影響著智能交通系統(tǒng)的工作效率，大大提高了車輛自動(dòng)化管理的能力。本課題基于OpenCV這一圖像處理功能強(qiáng)大的開源庫，采用了近幾年人工智能領(lǐng)域里的熱門編程語言Python，設(shè)計(jì)出了一款具有實(shí)用性與準(zhǔn)確性的智能車牌識(shí)別系統(tǒng)，能對(duì)我國目前大多數(shù)車牌進(jìn)行識(shí)別，這對(duì)于我今后進(jìn)行圖像處理和深度學(xué)習(xí)等領(lǐng)域的學(xué)習(xí)打下了很好的基礎(chǔ)。在本課題中，我認(rèn)為最重要的部分就是車牌圖像的預(yù)處理，這個(gè)過程復(fù)雜又關(guān)鍵，只有對(duì)車牌圖像做到全面充分的預(yù)處理，才能提高最后的識(shí)別準(zhǔn)確率。4.2出現(xiàn)的問題及分析由于個(gè)人能力有限，設(shè)計(jì)時(shí)間有限，此系統(tǒng)仍然具有很多不完善的地方，對(duì)于系統(tǒng)的實(shí)時(shí)性、穩(wěn)定性、抗噪性、適應(yīng)性、準(zhǔn)確性等需求都有更大的提升空間。這需要我今后進(jìn)行更深入的學(xué)習(xí)與測(cè)試，用更充足的時(shí)間去不斷完善這個(gè)系統(tǒng)。以下是本次設(shè)計(jì)過程中出現(xiàn)的一些問題及原因分析：（一）對(duì)于新能源汽車的車牌識(shí)別出錯(cuò)率較高，可能是因?yàn)樾履茉雌嚨能嚺茷榫G色，且字符長度為八，車牌中間增加了新能源標(biāo)識(shí)，使得整個(gè)車牌比傳統(tǒng)車牌寬了4厘米，需要有更加完善的算法。再一個(gè)問世時(shí)間較短，相比于傳統(tǒng)車牌的數(shù)據(jù)集還比較少。（二）對(duì)于夜間拍攝或者燈光昏暗時(shí)拍攝的車牌圖片識(shí)別不準(zhǔn)確，可能是因?yàn)樵谶@種環(huán)境下使用OTSU算法時(shí)，更容易使二值化后的車牌區(qū)域?yàn)楹谏?，或者使車牌外的區(qū)域白色像素點(diǎn)密集而導(dǎo)致誤判。（三）對(duì)于光照強(qiáng)而使車牌出現(xiàn)反光的情形，往往車牌分割會(huì)因?yàn)檐嚺频淖址幱写罅康脑朦c(diǎn)而造成車牌的字符分割失敗。（四）相比于動(dòng)態(tài)車牌圖像的識(shí)別，靜態(tài)的識(shí)別效果更好。（五）對(duì)于字符識(shí)別過程中，一些相近的字符，可能會(huì)因?yàn)閳D像模糊被誤判，需要擴(kuò)充字符模板庫中容易混淆的字符模板數(shù)量，使識(shí)別更加具體精準(zhǔn)。（六）本課題只能一次識(shí)別一個(gè)車牌，當(dāng)多個(gè)車牌一起進(jìn)入圖像視野時(shí)無法同時(shí)識(shí)別。

參考文獻(xiàn)EricMatthes.PythonCrashCourse:AHands-On,Project-BasedIntroductiontoProgramming[J],2017.LucianoRamalho.FluentPythonClear,Concise,AndEf