opencv车牌识别

作为机器学习和模式识别技术在智能交通的一个重要应用，车牌识别系统已经得到
了广泛的关注，一套完整的车辆牌照识别系统主要包含以下六个部分：图像获取，预处
理、车牌定位、字符分割、字符识别
[16] ，数据库分析。图像获取，即通过 CCD 摄像头
或其它输入设备采集有效样本信息。图像预处理即通过对获取的图像进行二值化，去燥
等，使其更容易分析检测。车牌定位即通过图像处理识别图像中的车牌区域。字符分割
即通过对车牌区域的二值化分析，ROI 区域获取等，把车牌字符分割成汉字部分和英文
及数字部分，以便为下一步的字符识别做准备。字符识别即通过模板匹配法和 Tesseract-
OCR 进行识别，获取可编辑的车牌号码。如图 1-1 所示为典型的车牌识别系统。

图 1-1 车牌

图像获取在车牌识别系统中可定义为车辆检测。车辆检测通常选用埋地线圈检测、
红外检测、雷达检测、视频检测等多种方式，而采用视频检测可以避免路面的破坏，无
需额外的外部检测设备
[4] 。具备视频车辆检测功能的牌照识别系统，首先对视频信号进
行采集和数字化，得到相应的数字图像；继而对其进行处理分析，判断图像中是否有车
辆；若计算得出有车辆通行，则进入下一步进行牌照识别；否则继续采集视频信号，进
行处理，具备视频车辆检测功能的系统需要具备较高的处理速度和使用优良的算法，在
基本不丢帧的情况下实现图像采集、处理
[5] 。若处理速度慢，则致使丢帧，使系统无法
精确检测到行驶速度较快的车辆，通常视频检测需要绘制一个固定的区域，当车辆经过
此区域时自动获取图像，系统处理速度慢会使系统很难保证在最有利于识别的位置开始
识别处理，影响系统识别率
[4] 。因此，将视频车辆检测与牌照自动识别融合在一起具有
一定的技术难度。
目前常用的车牌定位方法主要有三种：基于边缘检测的方法、基于彩色分割的方法、
基于灰度图像纹理特征分析的方法
[6] 。基于边缘检测的方法定位准确率较高，也是车牌
识别领域采用最多的方法之一。自然环境下，采集的含有汽车的图像背景复杂，光照不
均匀，需要满足多个时段要求(比如早上和晚上因为光强的问题，采集的样本会有所不
同，处理不好的话会影响整个系统的识别率)，如何在自然背景中准确的定位牌照区域
是整个识别过程的最重要的环节。
目前常用的字符分割方法主要有三种：基于模板匹配的字符分割、基于聚类分析的
字符分割、投影分割
[7] 。基于模板匹配的字符分割较好地克服了车牌字符分割中存在的
如复杂多变背景干扰、车牌尺寸大小变化、车牌磨损造成字符粘连、残缺等难题
[8] 。其
缺点是逻辑程序设计复杂，循环扫描执行功能较多，对车牌的左、右边界分割需要进行
改进，对于一些特殊的车牌，在车牌有两行字符的情况下，该算法不适用
[9] 。基于聚类
分析的字符分割可以较好地解决车牌字符分割中存在的噪声干扰，但是该方法较为复杂，
效率低，对车牌大小有一定的限制。投影分割字符分割，该方法简单易懂，便于设计，
效率高，但是在车牌图像中含有噪声、骨折的特征和磨损的情况下，投影字符之间的底
部会产生很大的影响，造成底部不明显，严重时会有谷底消失，导致字符分割错误甚至
出现分割失败，最终影响字符识别
[8] 。
目前经常使用的字符识别方法主要有三种：模板匹配字符识别、人工神经网络
(artificial neural network 简称 ANN)字符识别、Tesseract-OCR 字符识别。基于模板匹配
的字符识别方法较为简单，识别效率高，但是存在相近字符的误识别，比如数字“0”和
“D”相近，出现“0”的时有可能识别成“D”。同理，数字“8”和“B”相近，出现
河北工程大学毕业论文
4
“8”的时有可能识别成“B”。人工神经网络实质上完成了一个从输入到输出的映射功
能，而且相关理论已经证明，它可以实现任何复杂的非线性映射，相比于线性映射，有
着诸多无法企及的识别效果，神经网络在训练时，能从输入、输出的数据中获得规律性
的知识，即自学习能力，故在字符识别中有着极为广泛的应用。但是该算法学习速度很
慢，导致在字符识别上花费很长的时间。基于 Tesseract-OCR 的字符识别，Google 公司
发布的 Tesseract-OCR 识别引擎工具，对数字和英文识别率很高，但是对汉字的识别就

不尽如人意，遇到汉字磨损，遮挡就很难识别出来。

需要交流车牌识别和源码的加我企鹅875866246