车牌识别方法讲解.pptx

车牌识别

课程引入相关库的获取和导入原理分析一二三目录

能力目标（1）能够完成车牌的识别。知识目标（1）了解车牌识别原理。素质目标（1）具有严谨求实精神；（2）具有自主学习的能力；（3）具备5S职业素养。课程目标

一课程引入车牌自动识别模块是现代社会智能交通系统（ITS）的重要组成部分，是图像处理和模式识别技术研究的热点，具有非常广泛的应用。车牌识别主要包括以下三个步骤：车牌区域定位、车牌字符分割、车牌字符识别。本案例通过对采集的车牌图像进行灰度变换、边缘检测、腐蚀及平滑处理等过程进行车牌图像预处理，并由此得出一种基于车牌颜色纹理特征的车牌定位方法，最终实现了车牌区域定位。车牌字符分割是为了方便后续对车牌字符进行匹配，从而对车牌进行识别。本案例采用了模板匹配的方法，对输出的字符图像和模板库里的模板进行匹配以得到对应车牌字符的具体信息。

二相关库获取和导入导入库本章节我们需用到的库如下图示意。cv2是opencv-python用于图像处理。numpy是Python的一种开源的数值计算扩展。这种工具可用来存储和处理大型矩阵，比Python自身的嵌套列表（nestedliststructure)结构要高效的多（该结构也可以用来表示矩阵（matrix）），支持大量的维度数组与矩阵运算，此外也针对数组运算提供大量的数学函数库。

二库导入pycharm库相关库获取和导入

三原理分析（1）提取车牌位置，将车牌从图中分割出来；（2）车牌字符的分割；（3）通过模版匹配识别字符；步骤：

三原理分析（1）提取车牌位置，将车牌从图中分割出来；对图片进行去噪灰度、阈值化处理、边缘检测及形态学操作，根据得到的轮廓特征识别车牌的具体位置，将车牌分割出来。

三原理分析车牌图像的采集一般是通过数码相机或者摄像机进行的,得到的图片一般是RGB图像,即真彩图像。根据三基色原理,每种颜色都可以由红、绿、蓝三种基色按不同的比例构成,所以车牌图像的每个像素都由3个数值来指定红、绿、蓝的颜色分量。灰度图像实际上是一个数据矩阵I，该矩阵中每个元素的数值都代表一定范围内的亮度值,矩阵I可以是整型或者是双精度,通常0代表黑色,255代表白色。在RGB模型中,如果R=G=B,则表示一种灰度颜色。其中,R=G=B的值叫灰度值,由彩色转为灰度的过程叫作图像灰度化处理。因此,灰度图像是指只有强度信息而没有颜色信息的图像。一般而言,可采用加权平均值法对原始RGB图像进行灰度化处理,该方法的主要思想是从原图像中取R、G、B各层的像素值经过加权求和得到灰度图的亮度值。图像灰度化

三原理分析灰度图像二值化在图像处理的过程中有着很重要的作用,图像二值化处理不仅能使数据量大幅减少,还能突出图像的目标轮廓,便于进行后续的图像处理与分析。对车牌灰度图像而言,所谓的二值化处理就是将其像素点的灰度值设置为0或255,从而让整幅图片呈现黑白效果。因此,对灰度图像进行适当的阈值选取,可以在图像二值化的过程中保留某些关键的图像特征。在车牌图像二值化的过程中,灰度大于或等于阈值的像素点被判定为目标区域,其灰度值用255表示；否则这些像素点被判定为背景或噪声而排除在目标区域以外,其灰度值用0表示。图像二值化是指在整幅图像内仅保留黑、白二值的数值矩阵,每个像素都取两个离散数值(0或1)之一,其中0代表黑色,1代表白色。在车牌图像处理系统中,进行图像二值化的关键是选择合适的阈值,使得车牌字符与背景能够得到有效分割。采用不同的阈值设定方法对车牌图像进行处理也会产生不同的二值化处理结果；阈值设置得过小,则容易误分割,产生噪声，影响二值变换的准确度；阈值设置得过大,则容易过分割,降低分辨率,使非噪声信号被视为噪声而被过滤,造成二值变换的目标损失。图像二值化

三原理分析边缘是指图像局部亮度变化最显著的部分,主要存在于目标与目标、目标与背景、区域与区域、颜色与颜色之间，是图像分割、纹理特征提取和形状特征提取等图像分析的重要步骤之一。在车牌识别系统中，边缘提取对于车牌位置的检测有很重要的作用，常用的边缘检测算子有很多,如Roberts、Sobel、Prewitt、Laplacian、log及canny等。本案例采用Sobel算子进行缘检测。Sobel算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘。对噪声具有平滑作用，提供较为精确的边缘方向信息，边缘定位精度不够高。当对精度要求不是很高时，是一种较为常用的边缘检测方法。如果求整体x和y方向的Sobel被浏览梯度，只需要将Gx和Gy相加即可。图像边缘检测（sobel算子）Sobel卷积因子为：

三原理分析图像的膨胀（Dilation）和腐蚀（Erosion）