圖像處理在車牌識別中的應用。隨著我國汽車普及率的提高，車牌識別，由此帶來的交通問題越來越嚴重，人們開始重視智能交通的發展。車牌識別是智能交通中的重要組成部分，該技術已經廣泛的應用于車輛的追查和跟蹤，停車收費等領域。本文在分析各種車牌識別算法的基礎上加以改進，最終確定了一套有效算法對車牌進行識別。
1車牌定位
車牌定位是進行車牌識別的重要步驟之一，其關鍵是能否找到有效的車牌特征。本文采取目前廣泛使用的小波變換方法提取邊緣，然后根據數學形態學進行處理形成多聯通區域，最后根據車牌的顏色形狀紋理特征，逐步對各區域進行分析和排除，最終定位車牌。
1.1車牌的初步定位
本文首先進行圖像預處理，對讀入的圖像進行灰度轉換、灰度拉伸，實現圖像增強。然后選擇圖像差分的邊緣檢測，采用Mallat小波變換算法，將圖像分解成為包含基本信息的低頻部分和細節的高頻部分。經試驗，進行兩次小波分解即可滿足提取邊緣的要求。
1.2車牌的精確定位
經過小波變換之后，圖像中包含大量的“偽車牌”，必須分別判斷去除“偽車牌”。依次對圖像進行邊界對象抑制，腐蝕膨脹形態學操作使車牌區域和周圍的干擾區域分離，然后用目標鄰域點邊界跟蹤法分別對各個待判別區域提取。
本文采用的判斷方法主要有以下幾種：
1）HSV顏色空間。根據牌號、車身、背景不同的底色，按照HSV顏色空間中車牌的H，S，V值的取值范圍，計算出這些“車牌顏色”點的數量所占提取部分的總點數比例來判斷是否為車牌。
2）Radon變換。經過形態學的變換后，車牌區域變成實心矩形，對其進行水平和垂直方向上的Radon變換。
3）長寬比。我國車牌照長寬比標準為3.15，當與3.15相差太大則非車牌。
經過以上步驟，本系統取得了良好的定位效果。
2字符分割
2.1傾斜矯正
由于采集的車牌一般都會傾斜，而傾斜的字符和正的字符識別時有很大差別，因此必須進行傾斜矯正。本文采用Hough變換檢測傾斜度，然后進行旋轉。當傾斜度過大時，則采用多次檢測多次旋轉的方式矯正。原始圖像（b）第一次調整后的圖像（c）第二次調整后的圖像
在旋轉的過程中會出現一些干擾，因此每次旋轉后都要進行插值和去毛刺等操作。本文使用雙線性插值法在精度和效率上取得不錯的效果。
2.2單個字符的分割
投影法是一種簡單實用的字符分割法。車牌在水平方向上的投影沒有明顯頻繁的跳變，在垂直方向上的投影則明顯顯示出峰-谷-峰的特性，并且會有多個峰出現。
本文采用行掃描的方式分別從頂部和底部分別掃描。具體算法如下：
1）統計每一列非零點的數目，數目過少則繼續掃描。
2）當非零點的數目大于閥值再判斷非零點是否都集中在某一區域，若集中則繼續掃描；若分散，則停止掃描，確定為邊界。
確定上下邊界后，就可以進行單個字符的切割。具體算法如下：
1）根據每個字符所占的比例，將每個字符的邊界映射到垂直投影的數列中。
2）每個字符分別向兩邊檢測。若后面幾個點均為0，則判斷為邊界。若其后幾點均值大于1，則判定為字符相連，取兩字符之間10%的距離作為左右邊界。若其后點中前部分非零后部分為零則從零開始判定為邊界。
3字符識別
準確的識別分割出來的單個字符是最后一步，也是車牌識別的目的。識別字符的算法主要有以下幾種。
1）模板匹配法。待識別目標大小歸一到與模板相同，與模板庫中每一個模板進行重疊，根據重疊進行判斷。此法實現簡單，計算量小，但是對噪音敏感度較高。
2）特征分析匹配法。抽取待識別目標進行特征提取，與模板的特征進行比較。其優點是實現簡單，減輕了對噪聲的敏感度，是一種使用率較高的識別方法。
3）神經網絡識別法。本文采用在模式識別中廣泛使用的BP神經網絡。與傳統方法相比，BP神經網絡法在環境信息復雜，背景知識不清，推理規則不明的問題上更具優點。能識別帶噪音的圖像，具有自適應能力。但是基本的BP神經網絡存在著收斂速度慢，存在局部極小，難以決定隱層和隱層節點的個數等缺點。本文采用有動量的梯度下降法進行改進，即按照某一時刻的負梯度方向修正網絡權值，同時加入動量因子，修正負梯度方向的值，使得整個網絡能夠更好的收斂。經試驗，430幅圖像中可以正確的識別411幅，準確率達95.58%，平均每幅用時0.7s。
4結束語
在繼承前人研究成果的基礎上，本文將近年流行的方法進行綜合改進，正確識別率達到91.33%。在車牌識別領域，對光照適應差，噪音干擾敏感等方面仍需研究各種算法。在字符識別算法方面，神經網絡識別顯示出良好的應用前景，今后的研究中應對網絡結構進一步的改進，使其可以識別較差條件下的車牌字符。
上面就是文章中心的介紹，現在大家已經有所了解了吧，如果還有其他疑問，請繼續瀏覽本站相關新疆伸縮門的文章，新疆快速門廠家溫馨提醒：我們應該要注意的就是，在我們選擇上有保證，如果是沒有很好的服務，這樣的話我們就一定不要選擇。