樟木頭車牌識別系統(tǒng)它是利用車輛的動態(tài)視頻或靜態(tài)圖像進(jìn)行牌照號碼、牌照顏色自動識別的模式識別技術(shù)。通過對圖像的采集和處理，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，自動分割字符，進(jìn)而對字符進(jìn)行識別。其硬件基礎(chǔ)一般包括觸發(fā)設(shè)備(監(jiān)測車輛是否進(jìn)入視野)、攝像設(shè)備、照明設(shè)備、圖像采集設(shè)備、識別車牌號碼的處理機(如計算機)等。

定位方法：
車牌定位的算法分為三類：
一類是基于邊緣的。
一類是基于顏色的。
一類是基于機器學(xué)習(xí)的
從實驗結(jié)果可看出，基于邊緣的最簡單也最有效，如果對于收費站和小區(qū)的應(yīng)用，做到99%以上的檢測率不是件難事，但如果場景復(fù)雜一點，誤檢會比較多，但并不會漏掉真正的車牌，只是虛警率高點，可以通過先驗知識、顏色和后面的分割加以去除，誤檢不是重點。基于顏色的定位算法，從根本上講也可以算是基于邊緣的一種
無非是利用彩色邊緣或者灰度圖像邊緣和顏色一起來定位，基于顏色的車牌定位算法用于高清圖片效果不錯，對于一般的場景我認(rèn)為沒必要用顏色進(jìn)行定位，但初期用顏色先去除一些明顯不是車牌的區(qū)域還是比較有效的。基于機器學(xué)習(xí)的算法進(jìn)行車牌定位或者說檢測，關(guān)鍵是找到好的特征和好的訓(xùn)練方法，不少人利用adaboost+haar特征進(jìn)行車牌檢測，從我的實驗結(jié)果來看，檢測率也能達(dá)到99%以上

但同時虛警率也非常高，會出現(xiàn)很多誤檢，而且很難把車牌的區(qū)域完整的檢測出來，所以如果單獨要用機器學(xué)習(xí)的算法還是不太可行，不過可以先利用邊緣信息找到候選區(qū)域，然后用adaboost去去除非車牌區(qū)域，這個效果還是蠻不錯的。

對于邊緣的檢測，如果車牌在圖像中占的比例不是很小，普通的差分和全局二值化就可以達(dá)到很好的效果，如果對于高清圖像（譬如要檢測幾個車道）或者場景很復(fù)雜，導(dǎo)致車牌所占圖像的比例很小，還有就是車牌處于比較暗的地方，而整個場景很亮，這個時候差分得到的邊緣就不會很豐富，如果利用全局二值化就可能導(dǎo)致車牌區(qū)域檢測不到邊緣

解決辦法一就是對圖像進(jìn)行灰度拉伸或增強
解決辦法二就是換邊緣檢測的方法（譬如sobel）
解決辦法三就是改進(jìn)二值化的方法。

對于圖像增強的方法我要特別提一下直方圖均衡化，很多論文上都會說對輸入圖片先進(jìn)行直方圖均衡化，但我的實驗發(fā)現(xiàn)，晚上的圖片如果進(jìn)行直方圖均衡化操作后會導(dǎo)致噪點特別多，而且可能會導(dǎo)致車牌區(qū)域檢測不到邊緣，總之圖像增強是一把雙刃劍，需要慎重考慮。
如果利用邊緣進(jìn)行定位，關(guān)鍵是要想辦法一定要檢測出車牌區(qū)域的邊緣。

車牌定位，利用邊緣是王道，可以先粗檢再精檢，顏色可以用于精定位和去除誤檢，機器學(xué)習(xí)如果想要好的結(jié)果得需要好的特征，但目前好像還沒有。我個人認(rèn)為車牌定位的難點不在于找到車牌區(qū)域，而在于怎么對車牌區(qū)域進(jìn)行更精確的定位，而精定位的難點在于左右精定位，以便于后面的分割算法。