基于深度学习的车牌识别
基于opencv车牌识别的主要算法
基于opencv车牌识别的主要算法
基于OpenCV的车牌识别主要涉及以下几个算法：
1. 图像预处理：车牌识别的第一步是对图像进行预处理，以提取车牌区域。
常用的预处理算法包括灰度化、高斯模糊、边缘检测（如Canny算子）、形态学操作（如腐蚀和膨胀）等。
2. 车牌定位：在预处理后，需要对图像进行车牌定位，以准确定位到车牌区域。
常用的车牌定位算法包括基于颜色特征的方法、基于边缘检测的方法、基于模板匹配的方法等。
3. 字符分割：车牌定位后，需要对车牌区域进行字符分割，将车牌上的字符分割开来。
常用的字符分割算法包括基于投影的方法、基于连通区域的方法、基于边缘检测的方法等。
4. 字符识别：字符分割后，对每个字符进行识别。
常用的字符识别算法包括基于模板匹配的方法、基于特征提取的方法（如垂直投影、水平投影、HOG特征等）、基于机器学习的方法（如支持向量机、神经网络等）等。
5. 后处理：字符识别后，可能需要进行后处理，以进一步提高识别
准确率。
常用的后处理算法包括字符合并、字符校验、模糊匹配等。
需要注意的是，车牌识别是一个复杂的任务，涉及到图像处理、模式识别、机器学习等多个领域的知识。
上述算法只是车牌识别中的一部分，实际应用中还需要根据具体情况进行算法的选择和优化。
此外，还可以结合深度学习等先进技术进行车牌识别的研究和开发。
毕业设计基于python和opencv的车牌识别
毕业设计基于python和opencv的车牌识别摘要：本篇文章介绍了基于Python和OpenCV的车牌识别技术，并详细讨论了车牌识别系统的原理、实现步骤和效果评估。
通过该系统，可以准确地识别出图像中的车牌信息，实现了对车辆的自动监测和管理。
该系统具有较高的准确率和实用性，可以在实际场景中广泛应用。
1. 前言车牌识别技术是计算机视觉领域中的重要研究方向之一。
随着交通运输的发展和车辆数量的增加，对车辆的管理和监测需求日益增加。
传统的车牌识别方法需要大量的人工干预和复杂的算法，效果受到诸多因素的影响。
而基于Python和OpenCV的车牌识别技术能够更加高效、准确地实现车牌的自动识别，为车辆管理提供了更好的支持。
2. 车牌识别系统的原理车牌识别系统的原理基于图像处理和机器学习技术。
首先，通过摄像机获取车辆图像，并使用图像处理技术进行预处理。
对图像进行灰度化、二值化、图像增强等处理，以提高图像质量和车牌的辨识度。
然后，使用基于机器学习的方法对处理后的图像进行特征提取和分类。
通过训练模型，将车牌区域与其他区域进行区分，并提取出车牌的特征信息。
最后，通过字符分割和字符识别技术对车牌上的字符进行提取和识别。
车牌识别系统的准确性取决于算法的优化和模型的训练效果。
3. 车牌识别系统的实现步骤基于Python和OpenCV的车牌识别系统的实现步骤分为图像预处理、特征提取与分类、字符分割和字符识别四个主要步骤。
3.1 图像预处理首先，将获取的车辆图像转换为灰度图像，并对其进行二值化处理。
通过设定合适的阈值，将车牌区域与其他区域进行区分。
然后，进行图像增强处理，包括对比度调整、边缘增强等，以提高车牌的辨识度。
最后，使用形态学操作对图像进行开运算和闭运算，去除噪声和细小的干扰。
3.2 特征提取与分类在图像预处理之后，需要对处理后的图像进行特征提取和分类。
可以使用机器学习算法，如支持向量机(SVM)、卷积神经网络(CNN)等，对车牌区域与其他区域进行分类。
基于机器视觉的智能车牌识别系统设计
基于机器视觉的智能车牌识别系统设计引言随着人工智能技术的快速发展，基于机器视觉的智能车牌识别系统已经成为了现实。
这种系统利用计算机视觉技术，将车辆图片中的车牌信息自动识别出来，为交通安全、停车管理以及智能交通系统的发展提供了重要的支持。
本文将详细介绍一个基于机器视觉的智能车牌识别系统的设计。
一、系统原理智能车牌识别系统的核心原理是利用计算机视觉技术对车辆图片进行处理和分析，提取出车牌上的字符信息。
整个系统的流程可以分为以下几个步骤：1. 图像采集与预处理：首先，系统需要获取车辆图片，可以通过摄像头或者视频设备进行采集。
采集后，需要对图片进行预处理，包括图像增强、去噪等操作，以提高后续字符识别的准确性。
2. 车牌定位：车牌定位是整个系统的关键步骤，它的目标是将车牌从整个图片中分割出来。
这一步主要依靠图像处理算法实现，包括颜色梯度、边缘检测、形态学处理等，以提取出车牌的位置信息。
3. 字符分割：在车牌定位的基础上，需要将车牌上的字符分割开来。
字符分割也是利用图像处理算法完成的，可以使用边缘信息、区域划分等方法，将字符分割成单个的图像块。
4. 字符识别：字符识别是整个系统的核心任务，它的目标是将字符图像识别出来，转化成对应的文本信息。
基于机器学习和深度学习的方法被广泛应用于字符识别任务，可以使用卷积神经网络(CNN)或者循环神经网络(RNN)等方法进行训练和识别。
5. 结果输出与存储：最后，系统将识别结果输出并存储，可以通过显示在屏幕上或者保存到数据库中的方式呈现给用户或者其他系统。
二、关键技术1. 图像处理算法：图像处理是智能车牌识别系统中的重要环节，其中车牌定位和字符分割是关键步骤。
常用的图像处理算法包括Sobel算子、Canny算子、形态学操作等，它们能够通过对图像进行边缘检测、形态学操作等操作，实现对车牌的定位和字符的分割。
2. 字符识别算法：字符识别是智能车牌识别系统的核心任务，采用机器学习和深度学习算法可以提高识别准确率。
车牌识别算法总结
车牌识别算法总结车牌识别算法是计算机视觉领域中一个重要的研究方向，旨在通过图像处理和模式识别技术来实现对车辆车牌的自动检测和识别。
本文将综述车牌识别算法的发展历程、常用的算法框架和关键技术，并对未来的研究方向进行展望。
一、发展历程车牌识别算法的发展可以追溯到上世纪90年代，最早的研究主要集中在车牌定位和字符分割等方面。
随着计算机计算能力的提升和深度学习技术的兴起，车牌识别算法取得了巨大的进展。
目前，车牌识别已经应用于交通管理、智能停车、安防监控等领域，成为计算机视觉领域的重要应用之一二、算法框架1.图像获取：车牌图像可以通过摄像头、监控摄像头、卫星图像等方式获取。
在车牌识别应用中，如何提取到清晰、无遮挡的车牌图像对于算法的准确性至关重要。
2.车牌定位：车牌定位是车牌识别算法的关键步骤，主要通过图像处理算法找到车辆图像中的车牌区域。
这一步骤通常包括颜色分析、形态学操作、边缘检测等技术。
此外，一些算法还可以通过车牌形状和尺寸的先验知识进行进一步筛选。
3.字符分割：字符分割是指将车牌图像中的字符区域切割出来。
由于字符之间的距离和大小不固定，字符分割是车牌识别算法的难点之一、常用的方法包括基于投影的方法、基于连通区域的方法和基于深度学习的方法。
4.字符识别：字符识别是车牌识别算法的最后一步，主要通过模式识别和机器学习方法来实现。
传统的方法包括基于模板匹配的方法、基于统计的方法和基于人工特征的方法。
而近年来，深度学习技术在字符识别方面取得了显著的进展，以卷积神经网络（CNN）为代表的深度学习模型在文本识别领域取得了优异的表现。
三、关键技术在车牌识别算法中，有几个关键的技术对算法的准确性和鲁棒性有重要影响。
1.颜色分析：基于颜色的车牌定位算法是车牌识别中常用的方法之一、车牌的颜色通常有一定的先验知识，利用这一信息可以有效地提高车牌的定位准确率。
2.形态学操作：形态学操作是一种基于图像的形状和结构特征的图像处理算法，常用于车牌定位和字符分割中。
大华车牌识别方案
大华车牌识别方案1. 简介车牌识别是现代交通管理和智能交通系统中的重要应用之一。
车牌识别技术可以帮助警方追踪犯罪嫌疑车辆，实现停车场的自动化管理等。
大华科技是全球领先的安防解决方案提供商，其车牌识别方案基于先进的图像处理和机器学习算法，能够实现高精度的车牌识别。
2. 技术原理大华车牌识别方案基于计算机视觉和深度学习技术。
其主要流程如下：1.图像采集：通过摄像机采集车辆行驶过程中的图像。
2.图像预处理：对采集到的图像进行噪声去除、图像增强等预处理操作，以提高后续处理的准确性。
3.车牌定位：使用基于边缘检测、颜色过滤等算法，从图像中定位出车牌的位置。
4.字符分割：将车牌图像中的字符进行分割，形成单个字符图像。
5.字符识别：使用深度学习算法，对分割后的字符图像进行特征提取和分类，实现字符识别。
6.车牌识别：将识别的字符按照顺序组合，得到完整的车牌号码。
3. 解决方案特点大华车牌识别方案具有以下特点：•高精度：利用深度学习算法进行字符识别，能够实现高精度的车牌识别。
•大规模支持：支持同时处理多个摄像头采集到的图像，并快速准确地识别车牌号码。
•高效性能：利用并行计算和硬件加速技术，提高车牌识别的处理速度，适用于实时监控和交通管理等场景。
•灵活部署：支持在不同系统和平台上进行部署，包括 Windows、Linux、嵌入式设备等。
•安全性保障：支持图像加密传输和安全存储，确保车辆信息的安全性。
4. 应用场景大华车牌识别方案可以应用于各种交通管理和智能交通系统中，包括但不限于以下场景：•道路监控：通过在道路上安装摄像头，实时监控车辆，对违规行为进行识别和记录。
•停车场管理：实现停车场的自动化管理，包括车辆入场、出场的识别和计费等。
•安防领域：协助警方对犯罪嫌疑车辆进行追踪和侦查工作。
•出入口管理：对机场、车站、大型企事业单位等场所的车辆进出行为进行记录和管理。
5. 使用案例大华车牌识别方案已成功应用于多个实际项目中，下面列举一个使用案例。
常用的车牌识别算法
常用的车牌识别算法包括以下几种：
1. 车牌定位算法：用于确定车辆图像中车牌的位置。
这种算法通常会使用图像处理技术，如梯度信息投影统计、小波变换、车牌区域扫描连线算法等，以识别图像中的车牌区域。
2. 字符分割算法：在车牌定位后，需要将车牌中的字符进行分割。
这种算法通常会使用图像处理技术和机器学习算法，如基于深度学习的字符分割算法，以准确地将各个字符分割开来。
3. 字符识别算法：用于识别分割后的字符。
这种算法通常会使用机器学习算法，如卷积神经网络（CNN）或循环神经网络（RNN），以对字符进行分类和识别。
4. 神经网络识别算法：大规模神经网络识别算法是一种深度学习算法，它能够同时处理车牌定位和字符识别两个任务，具有更高的准确性和鲁棒性。
5. 启发式车牌定位算法：综合利用了图像处理技术和机器学习算法，以提高车牌定位的准确性。
这种算法通常会使用一些特征选择方法，如SVM、HOG等，以将车牌区域和非车牌区域进行区分。
6. 角度偏差和光照波动控制算法：在车牌定位和字符识别过程中，车辆的角度偏差和光照波动会影响算法的准确性。
这种算法通常会使用一些图像处理技术，如滤波、归一化等，以减小这些因素的影响。
这些算法在车牌识别过程中相互配合，以实现准确的车牌识别。
车牌识别发展史
车牌识别技术是指通过计算机视觉技术对车辆牌照进行自动识别和提取的技术。
其发展史可以分为以下几个阶段：
1. 早期阶段（1980年代-1990年代）：早期的车牌识别技术主要是基于模板匹配的方法，即通过人工设计的特征模板与待识别车牌上的特征进行比较，从而实现车牌号码的识别。
这种方法准确率不高，且对于不同字体、颜色、变形等变化较大的车牌难以适应。
2. 基于特征提取的阶段（1990s-2000s）：随着计算机视觉技术的不断发展，研究者开始探索基于特征提取的车牌识别方法。
这些方法主要是通过对车牌图像进行预处理，提取出车牌上的特征点，并建立相应的特征描述子，再通过模式匹配算法进行车牌号码的识别和定位。
这种方法相比于模板匹配方法具有更高的准确率和鲁棒性，但仍然存在一定的局限性，如对于遮挡、光照变化等场景的适应性较差。
3. 基于深度学习的阶段（2010s至今）：近年来，随着深度学习技术的兴起，研究者开始尝试将深度神经网络引入车牌识别领域。
这些方法主要采用卷积神经网络（CNN）等深度学习模型对车牌图像进行特征提取和分类，并取得了较好的识别效果。
同时，这些方法还可以通过训练生成对抗网络（GAN）等技术进行车牌生成、伪造检测等任务，具有更强的应用潜力。
总体来说，随着计算机视觉技术和深度学习技术的不断发展，车牌识别技术也在不断演进和完善，未来还将继续朝着更加智能化、精准化的方向发展。
车牌识别算法的研究与实现
车牌识别算法的研究与实现随着智能交通系统的不断推广和应用，车牌识别技术也越来越受到人们的关注和重视。
车牌识别技术是智能交通系统中的一个重要组成部分，主要是通过计算机视觉技术实现对车辆的自动识别和追踪。
本文将详细探讨车牌识别算法的研究与实现。
一、车牌识别技术的发展概述车牌识别技术源于计算机视觉技术的发展，起初，车牌识别技术采用的是传统的模板匹配方法，但其效果受到环境光线、车牌形状变形、噪声等因素的影响较大，难以实现高精度的识别。
后来，随着计算机视觉技术的不断进步和智能交通系统的快速发展，新的车牌识别算法也随之涌现。
目前，车牌识别技术主要基于深度学习算法和图像处理技术，通过多种算法的组合来实现车牌的高精度识别。
二、车牌识别算法的基本原理和分类车牌识别算法主要采用图像处理技术和深度学习算法，通过识别和分割车牌区域，提取车牌特征信息，以达到高精度识别车牌的目的。
根据车牌识别算法的特征和原理，车牌识别算法可以分为以下几类：1、传统算法传统算法主要采用模板匹配、边缘检测、形态学运算等基础图像处理技术来进行车牌识别。
其主要优点是运算速度快，但可靠性和准确度比较低，随着科技的不断发展已经逐渐被淘汰。
2、基于特征识别的算法基于特征识别的算法通过提取车牌特征信息来进行车牌识别。
这类算法的关键是确定适当的特征区域和特征评价函数。
常见的特征区域包括车牌字符区域、车牌颜色区域，特征评价函数主要包括神经网络、支持向量机、k近邻等。
这种方法需要对车牌的颜色、形状、字体、拼音字母进行识别和分析，模式识别与图像处理技术相结合，提高了识别的准确度。
3、基于深度学习的算法基于深度学习的算法通过卷积神经网络（CNN）、循环神经网络（RNN）等深度学习模型来实现车牌识别。
深度学习算法通过多层次的处理和特征提取来减少噪声干扰，提高结果的准确率。
三、车牌识别算法的实现车牌识别算法的实现可分为以下几个步骤：1、图像采集采用计算机视觉技术的前提是收集到车牌区域的图像信息。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
车牌识别是现代智能交通系 统中的重要组成部分之一，对于 交通安全、城市治安和实现交通 自动化管理有重要意义。目前的 车牌识别面临着光线、气候和车 速不一的挑战，因此本文提出一 种车牌检测的方法。该方法笔画 宽度变换算法与深度置信网络进 行结合，利用笔画宽度变换法计 算图像中每一个像素的笔画宽度， 将笔画宽度大致相等的相邻像素 合并形成字符候选区域，并将合 并形成的候选字符区域输入到深 度置信网络中进行特征提取，由 Ｓｏｆ ｔｍａｘ分类器对提取的特征进行 分类。实验结果表明，本文方法 提高车牌识别率。 【关键词】电车牌识别笔画宽度变换算法深 度置信网络特征提取 随着生活水平的提高车辆数量的增加，城 Ｉｍａｇｅ＆Ｍｕｌｔｉｍｅｄｉａ Ｔｅｃｈｎｏｌｏｇｙ・图像与多媒体技术 基于深度学习的车牌识别 文／朱旭辰 游双燕。 市以及城市间车辆的流动不断增大，对于车辆 交通的有效管理己成为人们亟待解决的问题。 人工智能技术的进步，智慧城市理念的普及， 使得人们对于城市车辆的管理越来越多的采用 智能化和自动化的方案。车牌检测作为智慧城 市中智能车辆管理系统重要的一环，其检测技 术的鲁棒性、精确性将直接影响整个智能交通 系统的健壮性。因此，本文主要集中在车牌检 测。 邹明明【２】等人提出了模般匹配法，该方 法不需要提取特征，输入图像直接与一系列的 模板字符进行匹配，最终选择出与原图像最接 近的模板并将其作为最终的字符识别结果。
Ｌｉｕ［３】等人利用卷积神经网络模型ＣＮＮ，是 通过许多样本来训练一个能够识别中文字符的 卷积神经网络，通过卷积层和采样层来提取图 像的特征。 周鹏【４】提出利用支持向量机算法，先对 车牌字符进行特征提取，在用支持向量机算法 进行字符识别。Ｒｅｄｍｏｎ［５１等人将卷积神经网 络和人类视觉系统原理相结合，提出了Ｙ０ＬＯ 网络：将分类问题作为回归问题处理并直接将
原图像输入网络，取得了很好的效果。朱宏吉 ［６］６提出利用深度置信网络模型ＤＢＮ，对车牌 字符进行特征提取，并对其进行识别。刘峰［７】 等提出利用字典学习的方法对模糊车牌中文字 符识别，采用基于费希尔判别准则的字典学习 方法来提取中文字符的特征，为了从不同的角 度对中文字符提取特征，用不同的训练样本训 练三个字典学习模型，将车牌中文字符样本分 别通过训练好的三个字典学习模型，从而形成 三种残差信息，用ｓｏｆｔｍａｘ对三种残差信息进 行整合最终得到识别结果。因此，本文将笔画 宽度变换算法与深度置信网络进行结合应用到 车牌识别中，旨在解决光线、气候和车速不一 的问题，从而提高车牌识别的准确率。
１笔画宽度变换 笔画宽度变换（ＳｔｒｏｋｅＷｉｄｔｈＴｒａｎｓｆｏｒｍ， ＳＷＴ）是一种局部的图像操作，改操作是将 计算每个像素的颜色值变换成每一个像素最有 可能的笔画宽度值。首先对待检测的图像做灰 度变换，得到灰度图。然后在灰度图上提取边 缘信息（如使用Ｃａｎｎｙ边缘检测算法）。对于
＜＜上接６４页 技术之一。碰撞检测的实质就是在虚拟场景 中，碰撞检测是夹具装配中一个非常重要的环 节。零部件在装配过程中产生相互穿透的不 真实现象，这样会给装配提供一些不完整信 息，因此为了使夹具在装配过程更加符合真实 情况，在虚拟装配过程中添加实时碰撞检测。 在ＥＯＮ Ｓｔｕｄｉｏ中，碰撞检测节点（Ｃｏｌｌｉｓｉｏｎ） 有效的解决了这一问题。如在模拟树的对刀 块零件中放入ＣｏｌｌｉｓｉｏｎＯｂｊｅｅｔ节点，并设置 相应属性，当对刀块在装配时与其他零件发 生碰撞时，系统做出文字显示。在Ｃａｍｅｒａ下 加入ＣｏｌｌｉｓｉｏｎＭａｎｇｅｒ节点对所有零部件的 ＣｏｌｌｉｓｉｏｎＯｂｊｅｅｔ节点统一管理。 ２．６网上发布 应用ＥＯＮ自带有网页发布精灵，专门 用于将ＥＯＮ文件嵌入网页文件中并发布到 服务器上，供其他计算机访问。点击菜单 Ｆｉｌｅ＿÷Ｃｒｅａｔｅ Ｗｅｂ Ｄｉｓｔｒｉｂｕｔｉｏｎ进入网页发布向 导，向导将引入用户进行一系列自定义设置， 如分辨率、发布模式等相关参数的设定。再调 用ＥＯＮ公司开发的Ｊａｖａ Ｓｃｒｉｐｔ脚本函数，便 能实现虚拟夹具拆装系统的网上发布，可以通 过ＨＴＭＬ网页对机床夹具系统进行网上交流 和学习。 ３小结 将虚拟现实技术引入到机床夹具设计课 程中，可以使学生在虚拟环境中进行对夹具进 行反复的拆装训练，从而使学生对夹具的整体 结构有感性认识，直接看到夹具的定位组件、 机构及工件在其上的定位和夹紧的整个动作过 程，更加理解夹具结构和组成，工作原理。激 发学生学习兴趣，增加教学的真观性，改善教 学环境，提高学生实践能力和创新能力，降低 教学成本，弥补机床夹具课程教具模型和生产 型夹具实物不健全的缺陷，使学生可以在任何 时间、任何地点反复进行学习和练习，改善实 训条件，提高教学质量，都将起到积极作用。 【２】王岚，刘怡，梁忠先．虚拟现实ＢＯＮ Ｓｔｕｄｉｏ［Ｍ】．天津：南开大学出版社，２００７． 【３】焦志鑫，秋实，陈思林，孙野，殷凤 龙．基于ＥＯＮ的铣刨鼓虚拟维修训练 系统设计［Ｊ】．筑路机械与施工机械 化，２０１４，３１（０５）：８４—８８． 【４】钟晓谷，苏凡囤，王海涛，王小 飞．基于ＥＯＮ的轮式推土机保障虚拟 训练系统设计…．机械制造与自动 化，２０１３，４２（Ｏ１）：１０８—１１１． 【５】任天猛．交互式虚拟装配平台关键技术的 研究［Ｄ】．长春：长春工业大学，２０１６． ［６】周杰．基于ＥＯＮ Ｓｔｕｄｉｏ的《电视摄像》 虚拟实验研究［Ｄ】Ｄ．无锡：江南大学，２００９．
作者简介 史翠兰，女，硕士学位。辽宁机电职业技术学 院教授。主要研究方向为ＣＡＤ／ＣＡＭ技术。 参考文献 ［１】于辉，赵经成，付战平，欧海荚．ＥＯＮ入作者单位 门与高级应用技巧［Ｍ】．北京：国防工业 辽宁机电职业技术学院 辽宁省丹东市 出版社，２００８． １１８００２
Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ电子技术与软件工程・６５ 图像与多媒体技术・Ｉｍａｇｅ＆Ｍｕｌｔｉｍｅｄｉａ Ｔｅｃｈｎｏｌｏｇｙ 茂‘张 的ＳＷＴ ，图 ”的每个像豢取俯 为＋Ｏ０。划每 个边缘像素Ｐ，沿着它的梯度 乃‘¨（梯Ｊ蜚方向是指从 像灰瞍由小到人的 阳）ｌｆｑ前搜索对应的边缘。如粜找到 个边缘 ｑ・ｆＩ该边缘点梯度方向ｄ 与Ｐ，的梯悭，Ｊ’ＩｈＪ ｄ．、｝ｆｌ略地满足：
ｎ ＿。。ｐ
±
将Ｐ，和ｑ之ｎ：１Ｊ的搜索路径记为 条 划 ＪｊＩｊ线，它的宽度记为该笔划射线所属笔划的宽 度
ｗ＝ 抒为ｓｗＴ算法输出的 ｗＴ
ｌ 将路径ｆ 的所仃点（除 值小于等于Ｗ的 ）
埘臆的像裘设置为Ｗ
２车牌识别的流程
个典 的车牌识别 要流程如 Ｉ所 永．简 描述１ 牌识别的主要步骤：
２．１预处理 舟殳从监控视频ｑ，获取的是包含１｜辆以 成型多背最 片的 像，识别系统无法…尝处 它们。 此，这 图像必须经过一系列的颅 处理，ｊ ，包括车牌截取，仿射变换，灰Ｊ蔓化， ÷均值ｆｌ』 化等步骡。经过颅处理，ｒｆｌ殳 ： 符 像变得更加利于后续操作。
２．２车牌定位 利川 ＪＨ１ｊ宽』叟变换傩法提取图像・Ｉ １ 脚 绀的 芒 ， ｊ ：ｆ＿＿ｊ＿笔ｌＨＩｉ足字符的基础特 ．通 过 找笔Ｉ卿达到定化乍牌字符的［】的。 ２．３ ＤＢＮ字符识别 将从笔ｌ嘶宽度变换中提取出来的假选 符【×：域输入到深度置信网络中进行训练，从洲 缘琶ｉｉｕＩ宽度，楚换数据－ 进行学ｊＪ更多隐减特 ｆＩｌ：，对 ：符候选ｌ 域进行验证识别。 ３实验结果和分析 Ｊ 捡验小文提出的午牌识别方法的仃 效性，以自己制作的数据集作为测试 ｝￡俞进仃 １ 刖ｉ＝Ｉ｛ ０榆验试验，该数据集采集＿『多个交通 路Ｉ Ｊ的人州摄像头，然后埘３０００幅 像，约 ９０００个¨际进行人工标沣。 从茛１的实验结果ｕ 以看出，本文挝 的 笔ｉｌｌ！ｊ 赶嫂 换算法 ｊ深度置信网络结合的 牌 叭别疗法的圳练时间、测试叫间和识别 优 ｊ 史持向避机、深度胃信 络算法的车脚以刖， ｝｛＂０枣捉ｌ Ｊ １ ７％．｝划２显小Ｊ ＳＷＴ－Ｉ）ＢＮ ，Ｊ 浊ｎ 牌数据壤卜的部分识别结果。 ４结论 本丈捉…Ｊ’一种车牌识别的新方浊，该 罔像 恒王至 一 蔓 一 图１：车牌识别主要流程图 。● ｊ 图２：ＳＷＴ—ＤＢＮ在车牌数据集上的实验示例 方法将 芒ＩｌｌｊＪ宽度变换算法 深度置信网络进 结合，利『ｆ］笔【酾宽懂变换法汁锋阁像巾套王一个 像 ｎ勺笔丽宽度．将笔丽 度尺致相等的中¨邻 像索合并形成 亍 符候选 。域，并将合并形成的 候选 ｊ ：符ｌＸ域输入到ｉ 更置信网络ｔｆＪ进行特 Ｉ 提取．ＩｌＩ Ｓｏｆｌｍａｘ分类器对提取的特征进ｆ Ｊ 分 类。相比其他１｜片肆 别算法，该方法在４ ｆ 以 别＿ｆＪ竹兜对 竹定他，再使｝Ｈ深度学习琐 进 行特 提取．进而仃更商的识别 簪和更好的 ｝ｊｌＪ稳定 Ｈ
６６・电子技术与软件工程Ｅｌｅｃｔｒｏｎｉｃ Ｔｅｃｈｎｏｌｏｇｙ＆Ｓｏｆｔｗａｒｅ Ｅｎｇｉｎｅｅｒｉｎｇ
ｏ ＬＩ Ｏｉｌ】Ｙ Ｉ Ｏ０ｋ ｏｎｃｅ：ｌｌＩ］ｉｆｉ ｅｄ ｒｅａｌｔｉ ｎ１ｅ ０ｂｊｅ Ｃ ｃ ｄｅｔ ｃｃｔｉ ０Ｉ１［Ｃ］．Ｐｒ０ｃ ０ｆ １ ＥＥＥ Ｃｏｎ ｒ０ ｒｅｎｃｅ ０１＂１ ＣｏｒｎｐＵｔ ｅ ｒ Ｖｉ Ｓｉ ｏｎ ｉ ｎｄ Ｐａｔｔ ｃ ｒ【１ Ｒｅｃｏｇｎｉｔｉｏｎ．Ｗａ ｓｈｉｎｇ Ｌｏｎ Ｉ）Ｃ： １ ＥＥＥ ＣＯｌｌｌｐｔ￣ｔｅ ｒ ＳｏｃｉｅｔＹ，２ ０１ ６：７ ７９—７８８ ［６］朱宏吉．基于深度信念网络的车牌字 符识别算法研究与实现［Ｄ１．浙江大 学，２ ０１ ５：２ ２－３０． ［７］刘峰 吕颢等人．基于字典学习的模糊 车牌中丈字符识别［Ｊ］．计算机技术与友 展，２ ０１ ７，６：６－８． ［８】徐海良．自然场景文字检测方法研究［Ｉ）］． 江苏南京：南京大学，２（）１ ６． ［９］宋丈，肖建于．基于笔画宽度变换的自然 场景丈本检测方法［Ｊ］．计算机工程－５应 用，２ ０１ ３，４９（０９）：１ ９０—１ ９２． ｆ】０］廖翔云，许棉标 车牌照识别技术研究 ［Ｊ］．工业控制计算机，２ ００３，１ ３（０４）：３１— ３５． 【ｌ１］周凯龙．基于深度学习的图像识别应用 研究［Ｄ】．北京工业大学，２０１ ６：２２—３５．
作者单位 １．西安市铁一中滨河中学 陕西省西安市 ７１ ００ ３８ ２．大唐移动通信设备有限公司 陕西省西安 市７１ ００６１
学算度计 一猛匍ｎ迪～ 一～～一～