opencv車牌定位演算法

① 車牌自動識別能快速准確的識別車牌是什麼原理

車牌自動識別原理基本是經過車牌捕捉、定位、截取、二值化、字元切分，最後車牌OCR識別、結果輸出，一般還會有字元識別後處理等幾個步驟，這幾個步驟要協調處理才行，還要使用各種情況，比如，雨雪天氣、反光、陰陽車牌、晚上補光、污損車牌等具體實際情況進行各種優化，才能得到一個完美的車牌識別演算法，如果做論文，可以直接用開源的一些東西去完善，如果實際應用，可以用商用的車牌OCR識別產品。
啟智暢想車牌識別SDK特點：1、毫秒級識別車牌，徹底解決手工輸入痛點，快速、准確；2、手機相機視頻預覽識別車牌，可提供安卓、ISO、Windows、Linux等系統識別，支持移動設備離線識別以及電腦客戶端、伺服器端識別；3、支持識別的車牌種類多，藍牌、黃牌、新能源車牌均可識別，4、復雜場景車牌均可識別，適應性強，白天晚上、遠距離、大角度都能快速准確的識別車牌；5、車牌識別SDK開發部整體不超過500K，識別率高達99%；

② 車牌字元識別演算法原理是怎樣的

原理就是通過攝像機拍攝道路上行駛的車輛圖像進行車牌號碼的識別，過程涉及：車輛檢測—圖像採集—預處理—車牌定位—字元分割—字元識別—結果輸出。

• 輛檢測：可採用埋地線圈檢測、紅外檢測、雷達檢測技術、視頻檢測等多種方式感知車輛的經過，並觸發圖像採集抓拍。

• 圖像採集：通過高清攝像抓拍主機對通行車輛進行實時、不間斷記錄、採集。

• 預處理：雜訊過濾、自動白平衡、自動曝光以及伽馬校正、邊緣增強、對比度調整等。

• 車牌定位：在經過圖像預處理之後的灰度圖像上進行行列掃描，確定車牌區域。

• 字元分割：在圖像中定位出車牌區域後，通過灰度化、二值化等處理，精確定位字元區域，然後根據字元尺寸特徵進行字元分割。

• 字元識別：對分割後的字元進行縮放、特徵提取，與字元資料庫模板中的標准字元表達形式進行匹配判別。

• 結果輸出：將車牌識別的結果以文本格式輸出。

③ 停車場或小區車牌識別一體機識別車牌號的過程是怎樣的運用什麼原理

原理就是通過攝像機拍攝道路上行駛的車輛圖像進行車牌號碼的識別，過程涉及：車輛檢測—圖像採集—預處理—車牌定位—字元分割—字元識別—結果輸出。

車輛檢測可採用埋地線圈檢測、紅外檢測、雷達檢測技術、視頻檢測等多種方式感知車輛的經過，並觸發圖像採集抓拍。

介紹

停車場及小區出入口車牌識別技術的運用，首要用於記載車輛的車牌號碼、車牌顏色、出入時間，完結車輛的自動處理，以便節省人力、前進功率。

例如運用於智能小區可以自動區別駛入車輛是不是歸於本小區，對非內部車輛完結自動計時收費道閘。在一些單位這種運用還可以同車輛調度系統相聯絡，自動、客觀地記載本單位車輛的出車情況。

④ 車牌定位有哪些演算法,各有什麼特點

這個 文字不是一般的多 建議你還是去下載研究生的論文和期刊吧，如果懶的話，網路文庫里找，就有很多了
1) 基於車牌圖像色彩信息定位法[12]。我國車牌主要由四種類型組成:藍底白字、黃底
黑字、白底紅字和黑底白字。根據車牌底色信息可以准確地定位出車牌的邊界。該方法識別濾高、適應性強，但易受光照條件和背景干擾且運算量一般較大，不適合用於實時性要求高的環境中。
2) 基於邊緣檢測的定位法[13]。 車牌字元區域灰度頻率變化是車牌區域最穩定的特
征，可以利用它的變化來進行車牌定位。首先對車輛圖像進行增強，然後再進行邊緣提取，最後利用水平掃描線等方法進行車牌區域的檢測。該類方法的定位準確率較高，反映時間快，能有效去掉雜訊，適合於背景較復雜的車輛圖像。但是對車牌嚴重褪色的情況，由於檢測不到字元筆畫的邊緣會導致定位失敗。
3) 基於車牌幾何特徵車定位法[14]。我國車牌標准外輪廓尺寸為440*140且為矩形，
整個車牌的寬高比近似為3: 1。利用這種固有特徵進行車牌邊框提取車牌。這類方法只在車牌位置基本保持水平，同時邊框清晰明顯時才有效，但若車牌本身的邊框是斷裂，殘缺的或採集到的圖像偏離水平角度較大，都會影響定位的准確性，故使用范圍較窄。
4) 基於頻譜分析的車牌定位法[15]。該類方法將圖像從空間域變換到頻率域進行分析，
如DFT變換法和採用小波變換法等。小波分析可以在不同的解析度層次上對圖像進行分割，在低解析度層次上進行粗分割，這樣節約時間同時為細分割縮小檢測范圍。而在高解析度層次上實現車牌區域的准確定位。但當車輛圖像中存在燥聲時，會對准確識別車牌區域帶來很大的干擾，影響車牌定位的准確性。

⑤ opencv高速移動車牌識別原理

在圖片上尋找矩形。對車牌進行去噪，運用opencv的形態學操作等方法分割成多個部分根據車牌的比例，進行輪廓的篩選，識別出車牌部分，opencv高速移動車牌識別原理是在圖片上尋找矩形。

⑥ 車牌識別演算法的研究與分類

車牌識別系統要綜合應用多種手段提取車牌區域，對汽車牌照的精確定位並最終完成對汽車牌照的識別。因此車牌識別系統要應對多種復雜環境，如車流量高峰期、照射反光、車牌污染等。利用模擬人腦智能的ANN，在識別車牌時能進行聯想記憶與推理，能夠較好地解決字元殘缺不完整而無法識別的問題。

車牌識別方法的研究

車牌識別系統主要包括車牌定位、字元分割、字元識別等工作模塊，同時系統統自身具有良好的維護性和擴展性，可在無需為車輛加裝其他特殊裝置情況下實現對車輛的自動檢測。

車牌定位方法的研究

車牌定位就是把車牌區域完整的從一副具有復雜背景的車輛圖像中分割出來，它是解決圖像處理中的實際問題，其方法多種多樣，當前最常見的定位技術主要有：基於邊緣檢測的方法、基於彩色分割的方法、基於小波變換的方法、遺傳演算法和人工神經網路技術等。

基於邊緣檢測的車牌定位方法：在對車牌進行定位前，先將汽車圖像通過灰度變換、直方圖均衡化等增強預處理，再經二值化，最後利用邊緣檢測運算元對圖像進行邊緣檢測。檢測到邊緣後在進行區域膨脹，腐蝕去無關的小物件，這時圖像會呈現出多個連通的判斷區域，最後找出所有連通域中最可能是車牌的那一個便可 。

基於色彩分割的車牌定位方法：主要由彩色分割和日標定位等模塊組成，在進行色彩分割前，要先將原始圖像從RGB色彩空間轉換到HSV空間，再在HSV空間內進行色彩分析。具體的分割運算：依次將四種車牌底色中一種為基準，對圖像中每一像素先對照表1進行色彩分量比較，對超出基準色限定范圍的像素直接設置為背景色（白色），否則統計所有落在該區間內的像素三分量的均值，作為分割計算的顏色中心，再對所有區間范圍內的像素計算其與顏色中心的色彩距離，若距離大於閥值，則設置為背景色，否則設置為日標色（黑色）

由於圖像背景的復雜性，色彩過濾後的圖像仍然可能包含多個可能的目標區域，需進一步使用車牌體態比特徵對多個目標區域進行過濾。

基於小波變換的車牌定位方法：先將車輛圖像轉換成索引圖像，然後對索引圖像作用小波變換，獲取圖像在不同子帶的小波系數。車牌識別特徵提取就是基於汽車圖像在小波變換後的LH高頻子帶，根據圖像中車牌區域的小波系數幅值大、密度高的特點，可以通過作用一個閾值來濾掉非牌照候選區域的小波系數。通過小波尺度分解提出紋理清晰且具有不同空間解析度、不同方向的邊緣子圖；再利用車牌日標區域具有水平方向低頻、垂直方向高頻的特點實現子圖提取，最後用數學形態學方法對小波分解後的細節圖像進行一系列的形態運算，進一步消除無用信息和雜訊，以確定車牌位置。

基於遺傳演算法的車牌定位方法：車牌日標區域的主要特點有車牌底色往往與車身顏色、字元顏色有較大差異；另外牌照的長度比變化有一定范圍，存在一個最大和最小長寬比。根據這些特點，可以在灰度圖像的基礎上提取相應的特徵。還有車牌內字元之間的間隔比較均勻，字元和牌照底色在灰度值上存在跳變，而字元本身與牌照底的內部都有較均勻灰度。又由於車牌有一個連續或由於磨損而不連續的邊框，車牌內字元有多個，基本呈水平排列，所以在牌照的矩形區域內存在較豐富的邊緣，呈現出規則的紋理特徵，因此在實際中我們只要先對彩色圖像進行灰度化和二值化處理，採用反映不同疏密度的一維濾波器組在水平方向對二值圖像進行濾波便可獲得車牌圖像的紋理特徵向量，再對待定局部區域圖像進行濾波處理獲得其特徵向量，將其與車牌特徵描述向量進行比較就能得到該區域作為車牌區的可能性。

採用神經網路實現車牌定位演算法：可採用對灰度圖像直接感知的方法實現，即使用一個滑動窗口作為采樣窗口(可根據車牌特徵選擇長條形或狹長形滑動窗口)，在灰度圖像上依次移動，將窗口覆蓋下的圖像塊作為神經網路的輸入，所採用的BP網路是3層全連接前饋網路，其輸入層神經元數日為滑動窗口的尺寸，其輸出層神經元數日為l。當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於車牌區域：當輸出接近二分之一時，表示滑動窗口下的圖像塊屬於背景區域。此演算法的樣本集的選擇和搜索策略都是很重要的，這都會對定位效果有影響，因此首先要對車牌和北京交替反復采樣，並且要在所選圖像中盡量包括各種不同光照條件、背景復雜度和牌照顏色，以有利於網路實現泛化，這樣可以加強網路的容錯性；而對於搜索策略而言，由於車牌一般位於圖像的中下方，因此一般採取白下而上遍歷，這樣不容易誤將車型標志處定位為車牌區域，並且當遍歷圖像後出現不止一個候選車牌區域的時候，也應優先考慮最下的候選車牌區域。另外，由於神經網路具有一定的容錯性，對於傾斜角度較大的車牌，要在神經網路處理之前先進行水平校正。

字元分割方法的研究

字元分割的任務是把多行或多字元圖像中的每個字元從整個圖像中切割出來成為單個字元。字元分割的演算法很多，通常根據處理對象的不同採用不同的演算法。常見的方法主要有：模板匹配法、水平投影法、聚類分析法、基於自適應退化形態特徵的圖像分割法等，在這里我們詳細闡述前三種方法。

模板匹配法：此方法先在二值圖像上計算豎直積分投影的平滑曲線，搜索平滑曲線的局部最小值得到一個波谷位置序列；再將相鄰兩個波谷分別作為左右邊界提取出一組矩形區域；最後，根據一定的規則對矩形區域進行刪除、分裂、合並及調整大小，從而實現對車牌區域的單字元分割。

水平投影法：此方法先自下而上再白上而下對車牌區域圖像進行逐行掃描，找到並分別記錄下掃描到的第1個白色像素點位置，確定圖像大致的高度范圍；在此高度范圍之內再自左向右逐行掃描，遇到第1個白色像素時認為是字元分割的起始位置，然後繼續掃描，直至遇到沒有白色像素的列，則認為是這個字元分割結果。重復上述過程，直至圖像的最右端，得到每個字元比較精確的寬度范圍：在已知的每個字元比較精確的寬度范圍內，再分別進行自上而下和白下而上的逐行掃描來確定每個字元精確的高度范圍。

聚類分析法：此方法是按照屬於同一個字元的像素構成一個連通域的原則，再結合先驗知識，字元的高度、間距的固定比例關系等，來逐個分割車牌區域中的字元的。

⑦ 車牌識別系統識別車牌號的原理是什麼呢

牌照自動識別是一項利用車輛的動態視頻或靜態圖像進行牌照號碼、牌照顏色自動識別的模式識別技術。其硬體基礎一般包括觸發設備（監測車輛是否進入視野）、攝像設備、照明設備、圖像採集設備、識別車牌號碼的處理機（如計算機）等，其軟體核心包括車牌定位演算法、車牌字元分割演算法和光學字元識別演算法等。某些車牌識別系統還具有通過視頻圖像判斷是否有車的功能稱之為視頻車輛檢測。一個完整的車牌識別系統應包括車輛檢測、圖像採集、車牌識別等幾部分。當車輛檢測部分檢測到車輛到達時觸發圖像採集單元，採集當前的視頻圖像。車牌識別單元對圖像進行處理，定位出牌照位置，再將牌照中的字元分割出來進行識別，然後組成牌照號碼輸出。

⑧ 11.openCV車牌號識別

openCV 車牌號識別(車牌分類 漢字識別模型 數字字母識別模型)

機器學習:

SVM分類工具演算法 使用正樣本和負樣本訓練

圖片去噪: 二值化和灰度化

車牌定位過程:

機器學習:

提取特徵數據(常用LBP/HAAR/HOG)

SVM訓練必須是CV_32F1(表示數據為32位浮點型 單通道)

創建SVM開始訓練

HSV/HSB顏色空間

openCV中 H值:100~140 S和V值:95~255 表示藍色范圍

字元分割與識別

文字輪廓檢測問題 先找出第2個字母(通過7等分位置定位)

ANN人工神經網路

⑨ 汽車車牌自動識別的原理是什麼

汽車牌照自動識別技術是一項利用車輛的動態視頻或靜態圖像進行牌照號碼、牌照顏色自動識別的模式識別技術。通過對圖像的採集和處理，完成車牌自動識別功能，能從一幅圖像中自動提取車牌圖像，自動分割字元，進而對字元進行識別.其硬體基礎一般包括觸發設備(監測車輛是否進入視野)、攝像設備、照明設備、圖像採集設備、識別車牌號碼的處理機(如計算機)等，其軟體核心包括車牌定位演算法、車牌字元分割演算法和光學字元識別演算法等。 某些牌照識別系統還具有通過視頻圖像判斷車輛駛入視野的功能稱之為視頻車輛檢測。一個完整的牌照識別系統應包括車輛檢測、圖像採集、牌照識別等幾部分。當車輛檢測部分檢測到車輛到達時觸發圖像採集單元，採集當前的視頻圖像。牌照識別單元對圖像進行處理，定位出牌照位置，再將牌照中的字元分割出來進行識別，然後組成牌照號碼輸出。

車牌識別停車場管理系統將攝像機在入口拍攝的車輛車牌號碼圖象自動識別並轉換成數字信號。做到一卡一車，車牌識別的優勢在於可以把卡和車對應起來，使管理提高一個檔次，卡和車的對應的優點在於長租卡須和車配合使用，杜絕一卡多車使用的漏洞，提高物業管理的效益;同時自動比對進出車輛，防止偷盜事件的發生。升級後的攝像系統可以採集更清晰的.圖片，作為檔案保存，可以為一些糾紛提供有力的證據。 方便了管理人員在車輛出場時進行比對，大大增強了系統的安全性。

1.車輛檢測

車輛檢測可以採用埋地線圈檢測、紅外檢測、雷達檢測、視頻檢測等多種方式。採用視頻檢測可以避免破壞路面、不必附加外部檢測設備、不需矯正觸發位置、節省開支，而且更適合移動式、攜帶型應用的要求。

具備視頻車輛檢測功能的牌照識別系統，首先對視頻信號中的一幀(場)的信號進行圖像採集，數字化，得到對應的數字圖像;然後對其進行分析，判斷其中是否有車輛;若認為有車輛通行，則進入到下一步進行牌照識別;否則繼續採集視頻信號，進行處理。

系統進行視頻車輛檢測，需要具備很高的處理速度並採用優秀的演算法，在基本不丟幀的情況下實現圖像採集、處理。若處理速度慢，則導致丟幀，使系統無法正確檢測到行駛速度較快的車輛，同時也難以保證在有利於識別的位置開始識別處理，影響系統識別率。因此，將視頻車輛檢測與牌照自動識別相結合具備一定的技術難度。

2.牌照號碼、顏色識別

為了進行牌照識別，需要以下幾個基本的步驟：

• 牌照定位，定點陣圖片中的牌照位置;

• 牌照字元分割，把牌照中的字元分割出來;

• 牌照字元識別，把分割好的字元進行識別，最終組成牌照號碼。

牌照識別過程中，牌照顏色的識別依據演算法不同，可能在上述不同步驟實現，通常與牌照識別互相配合、互相驗證。

(1)牌照定位

自然環境下，汽車圖像背景復雜、光照不均勻，如何在自然背景中准確地確定牌照區域是整個識別過程的關鍵。首先對採集到的視頻圖像進行大范圍相關搜索，找到符合汽車牌照特徵的若干區域作為候選區，然後對這些侯選區域做進一步分析、評判，最後選定一個最佳的區域作為牌照區域，並將其從圖象中分割出來。

(2)牌照字元分割

完成牌照區域的定位後，再將牌照區域分割成單個字元，然後進行識別。字元分割一般採用垂直投影法。由於字元在垂直方向上的投影必然在字元間或字元內的間隙處取得局部最小值的附近，並且這個位置應滿足牌照的字元書寫格式、字元、尺寸限制和一些其他條件。利用垂直投影法對復雜環境下的汽車圖像中的字元分割有較好的效果。

(3)牌照字元識別

字元識別方法目前主要有基於模板匹配演算法和基於人工神經網路演算法。基於模板匹配演算法首先將分割後的字元二值化,並將其尺寸大小縮放為字元資料庫中模板的大小，然後與所有的模板進行匹配，最後選最佳匹配作為結果。基於人工神經元網路的演算法有兩種：一種是先對待識別字元進行特徵提取，然後用所獲得特徵來訓練神經網路分配器;另一種方法是直接把待處理圖像輸入網路，由網路自動實現特徵提取直至識別出結果。

實際應用中，牌照識別系統的識別率與牌照質量和拍攝質量密切相關。牌照質量會受到各種因素的影響，如生銹、污損、油漆剝落、字體褪色、牌照被遮擋、牌照傾斜、高亮反光、多牌照、假牌照等等;實際拍攝過程也會受到環境亮度、拍攝亮度、車輛速度等等因素的影響。這些影響因素不同程度上降低了牌照識別的識別率，也正是牌照識別系統的困難和挑戰所在。為了提高識別率，除了不斷的完善識別演算法，還應該想辦法克服各種光照條件，使採集到的圖像最利於識別。

⑩ 最近要用qt做一個車牌識別系統，灰度化和二值化圖片還好說，但是怎麼定位車牌的位置啊用matlabopencv

車牌位置最簡單的可以利用車牌固定的長寬比作為切入點進行定位，qt、opencv、和matlab都是工具，matlab和opencv都可以實現，裡面都有大量函數可以供我們調用，編程也不算太困難。qt我不熟悉。