浅析车牌识别算法的应用

摘要：伴随着现代社会的进步，科学技术的发展，算法技术日趋成熟。智能交通技术的出现，为人们出行提供了便利。如今，机动车辆越来越多，对多城智能化交通管理要求较高。为了能够更好地实现对交通的管理，智能交通系统应运而生。汽车的车牌信息就是汽车的首要特性，因此，车牌识别算法对于智能化交通管理系统具有重要意义。

关键词：车牌识别；图像检测；识别技术

中图分类号：A 文献标识码：A 文章编号：（2023）-16-

一、车牌识别系统的研究现状

自动车牌识别技术是ITS中一个很重要的组成部分。ITS融合智能算法，计算机视觉、人工智能、通信技术及其他很多电子技术，软硬件设备，使交通走向合理化，人性化，以智能化为导向。这就要求我们要有先进的科技和设备来提高交通管理水平。在此介绍了基于机器视觉和深度神经网络相结合的自动车牌识别方法。图像的获取和处理，获取所述当前识别对象的显着信息，是针对较高层次的自动车牌识别技术而言，更加智能化地实现了系统，奠定了基础。随着社会经济的不断发展，汽车逐渐成为人们出行不可或缺的交通工具之一，而汽车牌照又是汽车身份和行驶轨迹的唯一凭证。传统车牌识别技术一般都包含了对图像进行预处理，车牌定位的步骤等等、对车牌字符进行分割，并识别车牌字符等步骤，以及基于深度学习的学习模式中，一般没有车牌字符分割部分，这种算法就是直接简单的预处理图像、通过对车牌的定位和车牌字符的识别，可达到车牌的目的。由于车牌识别系统需要经过多次迭代才能获得最终结果，所以对于不同类型的车辆，其运行时间会有所差别，从而导致实际应用效率降低。整体上定位车牌、车牌字符分割和车牌字符识别等，是LPRS最为关键的三大算法模块之一。

二、算法的原理简单介绍

车牌识别算法主要是由两大部分组成：车牌的定位与车牌字符的识别，后者也可以继续细分成车牌字符、字符识别。车牌字符识别这一部分主要可以通过训练分类器的设计来实现。车牌识别流程：车辆检测（需要识别车辆的车型，确定这是一种车型而不是只是一个车牌）、图像采集和处理（边缘提取，图像预处理、进行灰度矫正并对图像进行平滑处理）、车牌号码和车牌的颜色识别、车牌字符的识别、最后输出结果。

（一）车牌定位

车牌定位就是在车辆图像上划分车牌区域，在实际应用中，首先是图像预处理，然后是车牌定位，最后才是算法，两大进程。其中车牌定位有很多方法，常常是简单的用一个结果并不十分理想，以期能够得到更有效，更精准的定位方法，总结车牌纹理特征，综合运用车牌区域粗，精确定位两种方法，具体操作的时候，采用了一种根据车牌纹理特征粗定位车牌方法，保存处理后的结果，接着又利用根据车牌颜色特征准确定位的方法来处理这一结果，从而达到理想效果。

（二）车牌字符分割

车牌字符分割的基础是车牌定位，如果采用常规方法，实现车牌识别系统，那么车牌字符分割的步骤是不可或缺的，另外车牌字符分割也是车牌识别系统比较关键的一种算法，它的分割效果会对后续车牌字符的识别精度产生影响。想要识别到的车牌字符精确度高，第一，车牌字符与车牌区域的背景颜色存在差异；第二，车牌字符与字符间存在 一定的间隙，由这两个特点来设计算法实现字符分割。把每个字符区域分成单个的矩形区域，分割的精确度效果越好。

（三）车牌字符识别

目前字符识别中应用非常广泛的方法有模板匹配法和神经网络识别法。其中，模板匹配法以其高可靠性、高容错性在字符识别领域中备受青睐。但其缺陷在于需要人工设定阈值，且在训练过程中需要反复修改网络模型，从而大大提高了系统的性能。而神经网络识别法则通过将输入图像转换为目标图像，再对其进行分类处理，可有效的提高字符识别的准确度。

由于模板匹配法在实际应用中存在着对输入文字进行分割时需要人工设定阈值，以及在训练过程中需反复修改网络模型等问题，所以该方法存在着较大的局限性。而神经网络识别法则通过将字符模板与待测图像之间的自相关性进行整体计算，从而达到精确字符识别的目的。

以上两种方法均存在着一定的局限性，所以本文提出了一种新的基于模板匹配的快速字符识别算法。该方法通过以模板匹配为核心进行字符识别，以解决上述存在的问题。具体来讲，该方法通过以模板为基础，在对图像进行分割时设置一个阈值来限制输入图像的大小，在训练过程中不断地修改阈值并反复地进行训练和测试。通过以上操作可以有效地提高字符识别的准确度，并且不受光照不均、动态物体等因素的影响。虽然模板匹配法具有很高的可靠性和较强的鲁棒性，但是它在现场光照不均、动态物体识别方面表现不佳。而神经网络识别法则能够适应复杂曲线和模式分类的要求，具有更强的应用前景。

三、算法的设计简要流程

第一步，获取图像，收集行驶于道路上车辆的信息，首先对车辆进行图像采集，对车辆进行图像数据采集，以及把所述图像转换成位图保存到内存；第二步，对影像进行预处理，处理过程中涉及图像的灰度化、灰度图像的均衡化，边缘检测等、车牌定位就是在车辆图像上划分车牌区域，实际二值化过程中、对候选区域进行检测和二值化等这些步骤；第三步建立神经网络模型进行字符识别，建立了一个基于深度学习的神经网络模型，用于实现车牌识别。首先，对拍摄的图像进行预处理，包括旋转、倾斜校正、去除噪声等；然后，对视频进行编码和解码；最后，通过神经网络模型进行字符识别，把识别结果通过串口发送到上位机显示；第四步将划分后的字符确定，在这一过程中，需要使用基于k-means的车牌字符分割技术进行分割。首先，将图片划分成不同的子块，然后根据子块内的像素值判断属于哪个子类别，最后将子块内的像素值与背景中的像素值进行比较，以确定最终结果。第五步图片进行计算后展示分类结果，使用k-means算法对图片进行计算后，可以使用图形处理软件展示分类结果。在对图片进行计算后，使用k-means算法进行迭代，给出了图片处理结果。

参考文献

[1]王青苗，雷赐涛，王富强.城市车辆车牌识别技术研究[J].内江科技，2022，43（06）：57-58.

[2]陶建敏. 基于深度学习的车牌识别技术的研究与实现[D].广西师范大学，2020.

[3]陈政，李良荣，李震，顾平.基于机器学习的车牌识别技术研究[J].计算机技术与发展，2020，30（06）：13-18.

本文系：2022-2023学年广州工商学院大学生创新创业训练计划项目，编号（xj202313714103）的基础上进行研究探讨的，后续会再进一步对这方面提出改进措施。