劉進(jìn)博 朱新新 伍越 楊凱 陳衛(wèi)

車牌自動(dòng)檢測(cè)識(shí)別,即通過(guò)對(duì)視覺(jué)傳感器采集到的車輛圖像進(jìn)行分析處理得到車輛車牌信息的過(guò)程,作為現(xiàn)代智能交通的重要組成部分,已被廣泛應(yīng)用于交通監(jiān)控、車輛管理、電子收費(fèi)等領(lǐng)域[1?5].

車牌的檢測(cè)識(shí)別分為車牌檢測(cè)和車牌識(shí)別兩部分.車牌檢測(cè)的任務(wù)是從圖像中獲取車牌目標(biāo)圖像,現(xiàn)有的車牌檢測(cè)方法可分為以下幾類:1)基于顏色信息的車牌檢測(cè)方法,準(zhǔn)確率高、較為魯棒,但易受光照影響[6?10];2)基于邊緣檢測(cè)的車牌檢測(cè)方法,適用范圍廣,但計(jì)算量較大且對(duì)車牌目標(biāo)圖像邊框的連續(xù)性要求較高[11?15];3)基于形態(tài)學(xué)的車牌檢測(cè)方法,計(jì)算量非常大且易受噪聲影響,一般不單獨(dú)使用[16?21];4)基于灰度圖像紋理特征的車牌檢測(cè)方法,速度快,但對(duì)噪聲非常敏感,且由于損失了顏色信息,定位精度受到一定程度的影響[22?28];5)基于機(jī)器學(xué)習(xí)的車牌檢測(cè)方法,耗時(shí)長(zhǎng),難以實(shí)現(xiàn)在線檢測(cè)[29?32].車牌識(shí)別的任務(wù)是從檢測(cè)到的車牌圖像中獲取車牌內(nèi)容,按處理過(guò)程可分為字符塊分割提取和字符識(shí)別兩部分.字符塊分割提取是將字符塊從車牌目標(biāo)圖像中逐一分割提取出來(lái),并按順序排列,最常見(jiàn)的字符塊分割提取算法包括:垂直投影法[33]和連通域搜索法[34?35];字符識(shí)別是對(duì)已分割提取出的字符塊進(jìn)行內(nèi)容解析的過(guò)程,目前最為常用的是基于分類器的字符識(shí)別算法.

現(xiàn)有的車牌檢測(cè)識(shí)別方法主要是針對(duì)停車場(chǎng)、住宅小區(qū)、高速收費(fèi)站等場(chǎng)合的車輛自動(dòng)注冊(cè)及收費(fèi),屬于單機(jī)動(dòng)車車牌檢測(cè)識(shí)別,而且背景相對(duì)簡(jiǎn)單,易于識(shí)別.而對(duì)于大視場(chǎng)監(jiān)控且背景復(fù)雜的場(chǎng)景,單機(jī)動(dòng)車車牌檢測(cè)識(shí)別方法無(wú)法直接應(yīng)用,比如道路交通監(jiān)控,所監(jiān)控的區(qū)域內(nèi)一般存在多個(gè)機(jī)動(dòng)車目標(biāo),背景也相對(duì)復(fù)雜.針對(duì)上述問(wèn)題,本文提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和支持矢量機(jī)的多機(jī)動(dòng)車車牌在線檢測(cè)識(shí)別算法,主要貢獻(xiàn)如下:1)構(gòu)造了用于顏色識(shí)別的神經(jīng)網(wǎng)絡(luò)模型,相比基于色調(diào)經(jīng)驗(yàn)值的顏色識(shí)別方法,該方法在準(zhǔn)確性、計(jì)算效率和魯棒性方面均有提升;2)融合了顏色二值化、圖像濾波、形態(tài)學(xué)運(yùn)算等多種行之有效的圖像預(yù)處理算法,并采用SVM對(duì)候選車牌目標(biāo)進(jìn)行判別,使得車牌檢測(cè)準(zhǔn)確率有較大幅度的提升;3)基于車牌尺寸特征提出了一種新的字符塊分割提取策略,相比垂直投影法和連通域搜索法,該方法更為魯棒;4)構(gòu)造了用于字符識(shí)別的神經(jīng)網(wǎng)絡(luò)模型,以字符塊圖像灰度直方圖作為輸入特征,保證了字符識(shí)別的準(zhǔn)確性;5)開(kāi)發(fā)了多機(jī)動(dòng)車車牌自動(dòng)檢測(cè)識(shí)別系統(tǒng),并在真實(shí)場(chǎng)景中進(jìn)行了實(shí)驗(yàn)測(cè)試,取得了預(yù)期效果.

1 多機(jī)動(dòng)車車牌檢測(cè)技術(shù)

多機(jī)動(dòng)車車牌檢測(cè)技術(shù)主要包括圖像預(yù)處理、候選車牌篩選和基于支持矢量機(jī)的車牌判別三部分內(nèi)容,以下將逐一進(jìn)行詳細(xì)介紹.

1.1 圖像預(yù)處理

圖像預(yù)處理主要是指利用顏色二值化、中值濾波、形態(tài)學(xué)運(yùn)算等方法,將類車牌目標(biāo)從圖像中分割出來(lái),為下一步候選車牌篩選提供初始數(shù)據(jù).

1)顏色二值化

以藍(lán)底白字車牌為例,如圖1(a)所示,對(duì)圖像進(jìn)行逐像素掃描:若當(dāng)前像素顏色被識(shí)別為藍(lán)色,則將該像素灰度置為255,否則將該像素灰度置為0,掃描完成后即輸出原始圖像對(duì)應(yīng)的二值化圖像,如圖1(b)所示.文獻(xiàn)中常利用色調(diào)經(jīng)驗(yàn)值對(duì)像素顏色進(jìn)行分類,但實(shí)驗(yàn)中發(fā)現(xiàn),色調(diào)易受環(huán)境影響,即不同環(huán)境下相同顏色的色調(diào)會(huì)發(fā)生變化,因此,利用色調(diào)經(jīng)驗(yàn)值進(jìn)行顏色識(shí)別的方法抗環(huán)境干擾能力較弱.為了提高了顏色識(shí)別的魯棒性和準(zhǔn)確性,本文提出了基于BP神經(jīng)網(wǎng)絡(luò)的顏色識(shí)別方法,原理如圖2所示.

圖1 顏色二值化Fig.1 Image binarization

圖2為用于顏色識(shí)別的BP神經(jīng)網(wǎng)絡(luò)示意圖,由輸入層、隱藏層和輸出層組成:

a)輸入層

輸入層由7 個(gè)單元組成:輸入層由7 個(gè)單元組成:x1、x2、x3分別表示圖像像素對(duì)應(yīng)的R、G、B通道的值,x4、x5、x6分別表示圖像像素對(duì)應(yīng)的H、S、V 通道的值,x0為偏倚單元.

b)隱藏層

隱藏層由11個(gè)神經(jīng)元組成,其中z0為偏倚單元,zh(h=1,2,···,9,10)通過(guò)如下公式計(jì)算得到:

wh,0為神經(jīng)元zh對(duì)應(yīng)的輸入層偏倚項(xiàng)x0的權(quán)重,wh,i為神經(jīng)元zh對(duì)應(yīng)的輸入層單元xi的權(quán)重,f為激活函數(shù):

c)輸出層

輸出層由5個(gè)單元組成:y1表示像素顏色為黑色的概率,y2表示像素顏色為白色的概率,y3表示像素顏色為藍(lán)色的概率,y4表示像素顏色為黃色的概率,y0表示像素顏色不屬于上述四種顏色的概率.計(jì)算公式如下:

圖2 顏色識(shí)別原理Fig.2 Principle of color identif cation

vj,0為輸出單元yj對(duì)應(yīng)的神經(jīng)元z0的權(quán)重,vj,h為輸出單元yj對(duì)應(yīng)的神經(jīng)元zh的權(quán)重,f為激活函數(shù),與式(2)相同.

基于OpenCV 神經(jīng)網(wǎng)絡(luò)函數(shù)庫(kù),利用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)集對(duì)上述模型進(jìn)行訓(xùn)練,以獲取模型參數(shù),然后利用測(cè)試數(shù)據(jù)集測(cè)試模型準(zhǔn)確性,訓(xùn)練參數(shù)如表1所示.

表1 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置Table 1 Training parameters of BP neural network

訓(xùn)練數(shù)據(jù)集中樣本數(shù)量為10 775個(gè),測(cè)試數(shù)據(jù)集中樣本數(shù)量為10 000個(gè),數(shù)據(jù)均來(lái)自網(wǎng)絡(luò),下載后人工貼標(biāo)簽.實(shí)驗(yàn)結(jié)果表明,上述模型對(duì)于顏色識(shí)別的準(zhǔn)確率為0.9983.

2)中值濾波

如圖3所示,中值濾波的目的在于:1)削弱圖像椒鹽噪聲對(duì)車牌檢測(cè)的影響;2)填充車牌區(qū)域內(nèi)部孔隙,提高車牌檢測(cè)成功率.濾波窗口大小為3×3,圖像濾波前后的對(duì)比如圖3所示,經(jīng)過(guò)中值濾波后,車牌區(qū)域更為連通,對(duì)于提高車牌檢測(cè)魯棒性和成功率有重要作用.

3)形態(tài)學(xué)運(yùn)算

形態(tài)學(xué)中的腐蝕運(yùn)算可突出目標(biāo)輪廓,膨脹運(yùn)算可填充孔洞.為了突出圖像中車牌區(qū)域特征,對(duì)中值濾波后的圖像進(jìn)行形態(tài)學(xué)閉運(yùn)算,即先進(jìn)行膨脹運(yùn)算填充孔洞,再進(jìn)行腐蝕運(yùn)算突出車牌輪廓.如圖4所示,經(jīng)過(guò)形態(tài)學(xué)閉運(yùn)算后,車牌區(qū)域內(nèi)部孔洞被填充,輪廓特征更為明顯.

圖3 中值濾波Fig.3 Median flter

圖4 形態(tài)學(xué)運(yùn)算Fig.4 Morphology operation

1.2 候選車牌篩選

原始圖像經(jīng)過(guò)顏色二值化、中值濾波和形態(tài)學(xué)運(yùn)算后,車牌區(qū)域內(nèi)部已連通且近似為矩形區(qū)域.在此基礎(chǔ)上,查找圖像目標(biāo)輪廓,如圖5所示.

圖5 目標(biāo)輪廓查找Fig.5 Find contours of targets

我國(guó)小型汽車車牌長(zhǎng)440 mm、寬140 mm,長(zhǎng)款比為3.1428.基于此,利用長(zhǎng)寬比對(duì)輪廓的最小外接矩進(jìn)行尺寸判斷,如表2所示.

表2 候選車牌篩選算法Table 2 Filter of candidate plates

1.3 基于支持矢量機(jī)的車牌判別

車牌判別的任務(wù):從候選車牌中去除偽車牌目標(biāo)或成像條件較差的車牌目標(biāo),檢測(cè)出真正的車牌目標(biāo).相比人工神經(jīng)網(wǎng)絡(luò),支持矢量機(jī)(Support vector machine,SVM)更適用于解決“true or false”問(wèn)題,效率更高,且在樣本容量有限的情況下,SVM泛化能力更強(qiáng).同時(shí)用于SVM訓(xùn)練的數(shù)據(jù)集中正負(fù)樣本量級(jí)相當(dāng)、內(nèi)容基本對(duì)稱,保證數(shù)據(jù)平衡,使得支持向量更具代表性,以獲取更優(yōu)的模型參數(shù).圖6為基于SVM的車牌判別原理.

圖6 基于支持矢量機(jī)的車牌判別原理示意圖Fig.6 Distinguish real plates based on SVM

判別式函數(shù):

www為模型參數(shù),?(x)為徑向基函數(shù),x為輸入特征,其生成方式如圖7 所示.將候選車牌圖像縮放到標(biāo)準(zhǔn)尺寸,分別在水平和垂直方向統(tǒng)計(jì)直方圖,即每一行或每一列中灰度非零的像素個(gè)數(shù),并以向量的形式存儲(chǔ)到x中,作為輸入特征.

圖7 輸入特征生成Fig.7 Input feature

基于OpenCV 支持矢量機(jī)函數(shù)庫(kù),利用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)集對(duì)上述模型進(jìn)行訓(xùn)練,以獲取模型參數(shù),然后利用測(cè)試數(shù)據(jù)集測(cè)試模型準(zhǔn)確性,訓(xùn)練參數(shù)如表3所示.

表3 SVM訓(xùn)練參數(shù)設(shè)置Table 3 Training parameters of SVM

訓(xùn)練數(shù)據(jù)集中正樣本數(shù)量為1 400個(gè),負(fù)樣本數(shù)量為2 174個(gè);測(cè)試數(shù)據(jù)集中正樣本數(shù)量為1 400個(gè),負(fù)樣本為1 400個(gè),數(shù)據(jù)均來(lái)自網(wǎng)絡(luò),下載后人工貼標(biāo)簽.實(shí)驗(yàn)結(jié)果表明,上述模型對(duì)于車牌判別的準(zhǔn)確率為0.9997.

2 車牌字符識(shí)別技術(shù)

利用車牌檢測(cè)技術(shù)可從采集圖像中獲取標(biāo)準(zhǔn)尺寸大小的車牌目標(biāo)圖像,車牌字符識(shí)別的任務(wù)是:從車牌目標(biāo)圖像中分割字符塊,并完成漢字、字母和數(shù)字的識(shí)別.本節(jié)車牌字符識(shí)別技術(shù)主要分為圖像預(yù)處理、字符塊分割提取和字符識(shí)別三部分內(nèi)容,以下將逐一詳細(xì)介紹.

2.1 圖像預(yù)處理

為了提高字符識(shí)別準(zhǔn)確率,需要首先對(duì)車牌目標(biāo)圖像進(jìn)行預(yù)處理:圖像二值化和亮斑消除.圖像二值化方法采用的是最大類間差方法,即通過(guò)統(tǒng)計(jì)整個(gè)圖像的灰度直方圖特性來(lái)實(shí)現(xiàn)全局閾值的自動(dòng)選取,二值化效果如圖8所示.

圖8 車牌圖像二值化Fig.8 License plate binary image

在光照較為強(qiáng)烈時(shí),鉚釘會(huì)以白色亮斑或黑色暗斑的形式出現(xiàn)在車牌二值化圖像中,可能導(dǎo)致車牌字符分割提取失敗,因此必須對(duì)鉚釘?shù)溶嚺七呇剡M(jìn)行斑點(diǎn)檢測(cè)并消除.以鉚釘為例,分布于車牌上、下邊沿各2個(gè),本文以亮度階躍次數(shù)為閾值,對(duì)車牌二值化圖像進(jìn)行行掃描,階躍次數(shù)小于設(shè)定閾值的,該行灰度全部置為0,否則該行灰度不變,掃描后效果如圖9所示.

圖9 斑點(diǎn)檢測(cè)效果Fig.9 Spot detection

2.2 字符塊分割提取

經(jīng)過(guò)預(yù)處理的車牌二值化圖像僅包含7 個(gè)字符塊,首先通過(guò)輪廓搜索獲取候選字符塊,然后對(duì)候選字符塊進(jìn)行尺寸判斷,如圖10所示.

圖10 候選字符塊篩選及尺寸判斷Fig.10 Filter of candidate character block and size judgement

由圖10可見(jiàn),符合尺寸標(biāo)準(zhǔn)的輪廓內(nèi)包含的并非車牌字符塊,因此,為了準(zhǔn)確分割字符塊區(qū)域,以圖10為例,本文采用了如下方法:

1)將候選字符塊按從左至右的順序排序Ri(i=1,2,···,n?1,n),并統(tǒng)計(jì)字符塊寬度和高度的最大值Wmax、Hmax;

2)在距離車牌左邊界1/7～2/7 寬度的范圍內(nèi)搜索字符塊,若該字符塊的寬度和高度分別大于0.8Wmax、0.8Hmax,則認(rèn)為該字符塊對(duì)應(yīng)的是代表城市的字母,即為“B”;

3)(xcity,ycity,Wcity,Hcity)分別表示城市代碼字符塊在圖像上的左上角點(diǎn)像素坐標(biāo)和矩形的寬、高,以該字符塊為基準(zhǔn),根據(jù)中國(guó)轎車車牌尺寸標(biāo)準(zhǔn),省份代碼“川”對(duì)應(yīng)的字符塊參數(shù)為(xprovince,yprovince,Wprovince,Hprovince)=(xcity?1.32Wcity,ycity,1.15Wcity,Hcity);

4)對(duì)字符塊進(jìn)行重構(gòu),刪除省份代碼前的所有字符塊,記省份代碼為R1,城市代碼為R2,按照由左至右的順序添加R3、R4、R5、R6、R7,刪除R7之后的所有字符塊,至此完成字符塊分割,R1～R7即為車牌字符對(duì)應(yīng)的字符塊,如圖11所示.

圖11 字符分割提取Fig.11 Character segment

2.3 字符識(shí)別

為保證輸入特征向量大小相同,需要對(duì)上述字符塊圖像進(jìn)行尺寸歸一化,本文設(shè)置的歸一化尺寸為36×136,圖12為用于字符識(shí)別的BP神經(jīng)網(wǎng)絡(luò)示意圖,由輸入層、隱藏層和輸出層組成:

1)輸入層.輸入層由173個(gè)單元組成:x0為偏倚單元,x1～x172為每一行或每一列中灰度非零的像素個(gè)數(shù).

圖12 基于BP神經(jīng)網(wǎng)絡(luò)的字符識(shí)別原理Fig.12 Character recognition based on BP neural network

2)隱藏層.隱藏層由41個(gè)神經(jīng)元組成,其中z0為偏倚單元,zh(h=1,2,···,39,40)通過(guò)如下公式計(jì)算得到:

wh,0為神經(jīng)元zh對(duì)應(yīng)的輸入層偏倚項(xiàng)x0的權(quán)重,wh,i為神經(jīng)元zh對(duì)應(yīng)的輸入層單元xi的權(quán)重,f為激活函數(shù):

3)輸出層.輸出層由65個(gè)單元組成:y0～y30表示該字符塊圖像為31個(gè)省份代碼的概率,y31～y54表示該字符塊圖像為24個(gè)字母的概率,y55～y64表示該字符塊圖像為10個(gè)阿拉伯?dāng)?shù)字的概率.計(jì)算公式如下:

vj,0為輸出單元yj對(duì)應(yīng)的神經(jīng)元z0的權(quán)重,vj,h為輸出單元yj對(duì)應(yīng)的神經(jīng)元zh的權(quán)重,f為激活函數(shù),與式(5)相同.

基于OpenCV 神經(jīng)網(wǎng)絡(luò)函數(shù)庫(kù),利用帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)集對(duì)上述模型進(jìn)行訓(xùn)練,以獲取模型參數(shù),然后利用測(cè)試數(shù)據(jù)集測(cè)試模型準(zhǔn)確性,訓(xùn)練參數(shù)如表4所示.

表4 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)設(shè)置Table 4 Training parameters of BP neural network

訓(xùn)練數(shù)據(jù)集中樣本數(shù)量為16 424個(gè),測(cè)試數(shù)據(jù)集中樣本數(shù)量為12 000個(gè),數(shù)據(jù)均來(lái)自網(wǎng)絡(luò),下載后人工貼標(biāo)簽.實(shí)驗(yàn)結(jié)果表明,上述模型對(duì)于字符識(shí)別的準(zhǔn)確率為0.9855.

3 實(shí)驗(yàn)

相機(jī)分辨率為856 pixel ×480 pixel,采集幀頻為30 fps,在VS2013環(huán)境下基于C++開(kāi)發(fā)了多機(jī)動(dòng)車車牌自動(dòng)檢測(cè)識(shí)別系統(tǒng),軟件左側(cè)為彩色圖像,右側(cè)為其對(duì)應(yīng)的灰度圖像,運(yùn)行平臺(tái)主要參數(shù):Dell筆記本&&Intel(R)Core(TM)i7-6700HQ CPU 2.6 GHz&&RAM 16.0 GB.

第一組實(shí)驗(yàn)為實(shí)時(shí)監(jiān)測(cè)實(shí)驗(yàn),目的在于測(cè)試系統(tǒng)的實(shí)時(shí)性,部分結(jié)果如圖13(a)～13(d)所示.此實(shí)驗(yàn)中,相機(jī)采集時(shí)長(zhǎng)2分7 秒,共48輛正常行駛的車輛經(jīng)過(guò),系統(tǒng)正確識(shí)別出其中的44個(gè)車牌,單幀處理時(shí)間約為130 ms,正確率為91.6%,其余4個(gè)車牌未檢測(cè)到的原因是車輛行駛過(guò)快,使得圖像中車牌區(qū)域發(fā)生拖影,導(dǎo)致無(wú)法準(zhǔn)確定位車牌區(qū)域或正確識(shí)別車牌字符.

第二組實(shí)驗(yàn)為惡劣條件下的單幀圖像檢測(cè)識(shí)別實(shí)驗(yàn),目的在于測(cè)試系統(tǒng)在惡劣條件下的性能,結(jié)果如圖14(a)～14(f)所示.此實(shí)驗(yàn)中共涉及6種惡劣條件,包括大角度成像、逆光成像、雨天成像、霧天成像、夜間成像和車牌污損,圖像均來(lái)自于網(wǎng)絡(luò),結(jié)果表明:系統(tǒng)在上述6種情況下均可準(zhǔn)確定位車牌區(qū)域并識(shí)別出車牌字符,單幀處理時(shí)間約為109 ms.

第三組實(shí)驗(yàn)為正常條件下的單幀圖像檢測(cè)識(shí)別實(shí)驗(yàn),目的在于測(cè)試系統(tǒng)對(duì)車牌字符識(shí)別的準(zhǔn)確性,部分結(jié)果如圖15(a)～15(f)所示.此實(shí)驗(yàn)中共測(cè)試了203幀圖像、236個(gè)車牌,涉及14個(gè)省的47 個(gè)市和4個(gè)直轄市,圖像均來(lái)自于網(wǎng)絡(luò),系統(tǒng)正確識(shí)別出其中的225個(gè),正確率95.3%,其余車牌未檢測(cè)到或字符識(shí)別錯(cuò)誤的原因:1)車牌區(qū)域在圖像中占比較小,幾何特征尚不明顯,導(dǎo)致車牌定位失敗;2)車牌區(qū)域過(guò)曝嚴(yán)重,導(dǎo)致無(wú)法有效分割字符塊.

綜上結(jié)果表明:1)車輛在正常速度行駛條件下,系統(tǒng)依然可以保證90%以上的車牌檢測(cè)識(shí)別正確率;2)系統(tǒng)可以實(shí)現(xiàn)同時(shí)多車牌檢測(cè)識(shí)別;3)系統(tǒng)可抵抗一定程度的環(huán)境干擾;4)在相機(jī)當(dāng)前分辨率條件下,系統(tǒng)單幅圖像檢測(cè)識(shí)別平均時(shí)間低于130 ms,處理頻率約8 Hz,處理頻率主要與相機(jī)分辨率和CPU主頻有關(guān).

4 結(jié)論

針對(duì)道路交通中的多機(jī)動(dòng)車車牌識(shí)別問(wèn)題,提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和支持矢量機(jī)的多機(jī)動(dòng)車車牌在線檢測(cè)識(shí)別方法,在此基礎(chǔ)上開(kāi)發(fā)了一套魯棒的多機(jī)動(dòng)車車牌在線檢測(cè)識(shí)別系統(tǒng),對(duì)多機(jī)動(dòng)車車牌識(shí)別準(zhǔn)確率高于90%,處理頻率約8 Hz,并且可抵抗一定程度的環(huán)境干擾.該系統(tǒng)主要貢獻(xiàn)如下:

1)發(fā)揮了SVM在處理“true or false”問(wèn)題中的優(yōu)勢(shì),相比人工神經(jīng)網(wǎng)絡(luò),在樣本容量有限的情況下,可提高車牌判別正確率,縮短車牌判別時(shí)間;

圖13 第一組實(shí)驗(yàn)部分結(jié)果顯示Fig.13 Partial results of the first experiment

圖14 第二組實(shí)驗(yàn)部分結(jié)果顯示Fig.14 Partial results of the second experiment

圖15 第三組實(shí)驗(yàn)部分結(jié)果顯示Fig.15 Partial results of the third experiment

2)基于BP神經(jīng)網(wǎng)絡(luò)對(duì)像素顏色進(jìn)行判別,可在一定程度上彌補(bǔ)由于相機(jī)成像色差導(dǎo)致的顏色分類錯(cuò)誤;

3)提出了一種有效的圖像預(yù)處理、車牌定位及篩選和字符分割策略.

當(dāng)前系統(tǒng)在以下三個(gè)方面仍需要進(jìn)一步完善:

1)當(dāng)車牌在圖像中有較大旋轉(zhuǎn)時(shí),系統(tǒng)無(wú)法準(zhǔn)確定位車牌區(qū)域,下一步考慮加入圖像矯正技術(shù),削弱圖像旋轉(zhuǎn)對(duì)車牌定位的影響;

2)僅使用圖像顏色信息進(jìn)行車牌檢測(cè),當(dāng)車牌區(qū)域色差嚴(yán)重時(shí),系統(tǒng)無(wú)法準(zhǔn)確定位車牌區(qū)域,下一步考慮融合圖像灰度梯度信息,提高車牌定位魯棒性;

3)將深度學(xué)習(xí)應(yīng)用于車牌字符識(shí)別中,以提高字符檢測(cè)正確率.