http://www.cslt.org/mediawiki/index.php?action=history&feed=atom&title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-21 2026-04-04T23:36:17Z 本wiki的该页面的版本历史 MediaWiki 1.23.3 http://www.cslt.org/mediawiki/index.php?title=%E6%95%99%E5%AD%A6%E5%8F%82%E8%80%83-21&diff=38977&oldid=prev 2022-08-10T01:53:58Z

<p>以“==教学目标== *了解车牌识别的基本流程 *了解两种车牌定位方法 *了解两种车牌㸝符识别方法 ==教学内容== ===什么是车牌识...”为内容创建页面</p> <p><b>新页面</b></p><div>==教学目标==<br /> <br /> *了解车牌识别的基本流程<br /> *了解两种车牌定位方法<br /> *了解两种车牌㸝符识别方法<br /> <br /> <br /> <br /> ==教学内容==<br /> <br /> ===什么是车牌识别===<br /> <br /> * 车牌识别是应用最广泛的人工智能系统之一，在智能出入库，交通违法抓拍等方面发挥着重要作用。<br /> * 车牌的印制规范，数字和字母规律性强，识别起来相对容易。然而，在实际应用中，天气情况、环境光线、拍摄角度、车辆速度等因素都会不同程度上降低车牌识别的性能。<br /> * 车牌识别原则上分为两个步骤：一是车牌定位，在复杂场景中把车牌的位置找出来；二是字符识别，把找到的车牌图像识别成正确的数字和字母串。<br /> <br /> <br /> <br /> ===车牌定位：图像处理方法 ===<br /> <br /> * 车牌的安装位置相对固定，且底色形状都比较确定。利用这些特征，可以通过图像处理方法定位出车牌位置。<br /> * 一个典型的车牌定位过程包括：（a）将彩色图片转换成灰度图；（b）对图片做二值化，把像素值设置为0或255；（c）对二值图像做边缘检测，提取出灰度变化的边缘线；（d）通过图像形态学的膨胀和腐蚀操作，获得大块连续封闭区域；（e）定位候选区域；（f）选择最可能的车牌区域。<br /> <br /> ===车牌定位：神经网络方法===<br /> <br /> * 基于传统图像处理方法的车牌定位不需要太多训练数据，但容易受到环境干扰，容易出现判断错误。如果有较多的训练数据，可以训练神经网络模型，通常可获得更好的性能。<br /> * YOLO网络是目前较为流行的目标定位方法。YOLO将整幅图片输入一个卷积神经网络，并对每个位置输出（1）该位置存在某一类目标（如人，汽车等）的可能性；（2）B个包含某一目标（任意类别）的矩形区域。<br /> * 应用到车牌定位，只需预测一类目标（即车牌）。首先将图片分隔成小块，神经网络预测（1）每个小块中包含车牌的可能性，（2）车牌中心在该小块中的相对位置，（3）以及车牌的大小。预测完成后，保留那些可能包含车牌性的小块，即可定位车牌位置。<br /> * 基于神经网络的车牌定位环境适应性强，计算速度快，是很多实际系统的首选方法。<br /> <br /> <br /> ===字符识别===<br /> <br /> * 得到了车牌图像，识别任务就相对简单多了。一种方法是将车牌里的字符分割出来，再训练一个分类器（如神经网络）对每个分割出的字符分别识别。另一种方法是利用循环神经网络的序列建模能力，对车牌图像中的字符串做整体识别。<br /> * 字符分割可以有多种方法。一种简单方法是看每一个水平位置上，取坚直图像条里有多少个白色像素，或白色像素的比例。这样形成一条白色像素的曲线，曲线位置低的部分就是分割点。<br /> * 字符分割完成后，可以采用CNN分类器来识别每个分割出的小块。<br /> * RNN方案是一种端到端识别方案，给定一个车牌图片，直接输出字符序列。这是一个序列到序列的转换过程，类似于语音识别（从声音到文字），看图说话（从图像到文本）。</div>

Cslt