复杂背景图像中的车牌定位算法
复杂背景中基于纹理和颜色的车牌定位研究
复杂背景中基于纹理和颜色的车牌定位研究万燕;徐勤燕;黄蒙蒙【摘要】提出一种将车牌纹理和颜色相结合的车牌定位方法，即基于纹理粗定位得到车牌候选区域后，运用改进的自主确定聚类数和聚类中心的RGB空间k-means聚类算法，而不是定义颜色范围来分割车牌。
该方法的优越性在于首先利用纹理排除了颜色干扰区域，其次利用颜色聚类去除了纹理干扰区域，又克服了量化定义颜色适应性不强、稳定性差的缺点。
实验表明，该方法可以准确定位复杂背景中任意方向和不同光照下的车牌，具有很强的稳定性和鲁棒性。
%In this paper we present a vehicle license plate location method which combines the texture and colour of the license plate,that is,after roughly locating based on texture the candidate region of license plate,the modified k-means clustering algorithm in RGB colour space,which allows the number of cluster and the clustering centres to be determined autonomously,is used to segment the license plate instead of defining the colour range.The advantages of this method are that first it rules out the colour interference area with texture,then it rules out the texture interference area using colour clustering,and also overcomes the instability and weak adaptability of quantified definition of colour.Experiment demonstrates that this method can accurately detect the license plates in complex background with arbitrary orientations and different illumination.It has strong stability and robustness.【期刊名称】《计算机应用与软件》【年(卷),期】2013(000)010【总页数】5页(P259-262,316)【关键词】车牌定位;复杂背景;纹理特性;颜色k-means聚类;句法特征【作者】万燕;徐勤燕;黄蒙蒙【作者单位】东华大学计算机科学与技术学院上海201620;东华大学计算机科学与技术学院上海201620;东华大学计算机科学与技术学院上海201620【正文语种】中文【中图分类】TP391.4车牌识别系统是现代智能交通系统中的一项重要研究与应用，一般主要有三个步骤：车牌定位、字符分割和字符识别［1－3］。
一种复杂背景下车牌定位算法
一种复杂背景下车牌定位算法赵大伟;陈刚【期刊名称】《信息技术》【年(卷),期】2012(000)010【摘要】License plate location is the first step in license plate recognition technology, the license plate positioning accuracy directly affects the accuracy of license plate recognition. According to the study on the existing license plate location method, this paper presents a new method of license plate location in a complex context. To determine the license plate location by the use of license plate a prior knowledge and grayscale transitions combination. Based on the license area binarized texture characteristics of the internal as well as the geometric characteristics of the plate area to the coarse positioning license plate. Rough location, it can identify several candidate regions, if the number of candidate area is more than one candidate region, it have to collect the texture features and geometric features of the candidate region, using algorithms to determine whether the candidate region is a real license plate; if the candidate region is only one, then the candidate area is a real license plate, direct output. The experimental results show that this method is more accurate license plate location in the complex background with strongly noise interference, fast positioning speed. It' s in keeping with the real-time requirements.%车牌定位是车牌识别技术的第一步,车牌定位的准确与否直接影响着车牌识别的准确率.通过对现有的车牌定位方法进行研究,提出了一种复杂背景下的车牌定位算法,即利用车牌先验知识和灰度跳变结合来确定车牌位置,算法先对图像进行相应预处理,再结合纹理特征以及车牌区域的几何特征来粗定位车牌.粗定位时会得到对应的候选区域,如果候选区多于一个,就结合候选区的纹理特征和几何特征,利用算法来判断候选区是否是真实车牌区域；如果候选区只有一个,该候选区即是真实车牌,直接输出结果.实验结果表明,这种方法对复杂背景下的车牌定位比较准确,对噪音的抗干扰性强,定位速度快,符合实时性的要求.【总页数】5页(P53-57)【作者】赵大伟;陈刚【作者单位】东北师范大学人文学院信息技术学院,长春130117;东北师范大学人文学院信息技术学院,长春130117【正文语种】中文【中图分类】TP391.41【相关文献】1.一种复杂背景下的汽车牌照快速定位算法 [J], 陈智慧;董增寿2.复杂背景下快速车牌定位算法 [J], 方万元;梁久祯3.一种针对复杂背景的复合车牌定位算法 [J], 种衍文;谢丹力;郑翠花4.复杂背景下的模版匹配车牌定位算法改进 [J], 孙健;杨庆;陈向东5.一种新的复杂背景下快速车牌定位方法 [J], 张振强;杜树新因版权原因，仅展示原文概要，查看原文内容请购买。
复杂背景下车牌定位方法的研究
复杂背景下车牌定位方法的研究白猛猛;赵莉【摘要】为了提高复杂背景下车牌定位的准确性，在分析各类车牌定位算法的基础上，提出了一种结合纹理特征和视觉词包模型的多信息定位方法．对二值化后的图像中的纵向纹理横向膨胀，生成车牌候选区域，根据车牌的长宽比对车牌进行粗定位．利用视觉词包表示粗定位后的矩形轮廓，使用支持向量机分类确认车牌矩形区域，精确定位出车牌位置．该方法对140张测试样本定位的准确率为96．4％，抗干扰性强．%In order to increase the accuracy of license plate location ina complex background,the paper presents a multi information locating method with morphological processing and bag of visual words model based on the analysis of all kinds of a license plate locationalgorithms.Then the rectangular regions that match the aspect ratio of a license plate are represented by a histogram over visual words based on the bag of visual words.The method can locate the license plate clearly and accurately in the rectangular region by the classifying function that Support Vector Machine resolves.The method has high identification accuracy strong anti-interference performance 140 samples were tested by this method,and the accuracy rate is 9 6 .4%.【期刊名称】《西安工业大学学报》【年(卷),期】2016(036)005【总页数】6页(P382-387)【关键词】车牌定位;复杂背景;视觉词包;支持向量机;车牌纵向纹理【作者】白猛猛;赵莉【作者单位】西安工业大学计算机科学与工程学院，西安 710021;西安工业大学计算机科学与工程学院，西安 710021【正文语种】中文【中图分类】TH12随着车辆的数量呈几何增长[1]，车辆能否有效地、可靠地管理已成为每个城市都要面对的重大挑战.车牌识别技术已经成为智能交通的管理的核心技术之一，并已应用于车辆监控和电子计费等方面[2].车牌定位作为车牌识别技术的首要及关键环节，其准确性直接影响到整个系统的健壮性[3].目前对于车牌定位问题主要的研究算法有基于形态学特征的算法[4]，该类算法主要利用汽车车牌的纹理特征，对其进行形态学处理后，排除车牌图片中背景的一部分干扰噪音，再根据车牌的几何特征，如长宽比等条件定位出车牌位置.由于该算法只单一的利用车牌纹理特征，忽略了车牌的其他特征信息，因此当图片背景中存在与车牌区域有同样纹理特征的物体时，仅仅依靠长宽比等几何特征判定条件难以判定是否是车牌，从而导致错误定位；基于彩色图像的定位算法[5]，该算法充分利用车牌图像中的颜色信息在不同颜色空间里的特征来定位车牌，但彩色模型是在图像的多通道上进行运算，运算量大实时性差，当车牌区域颜色和周围颜色比较相似时，该算法定位错误率增加，且车牌图像的颜色信息易受光照变化的影响，影响对车牌特征的提取导致错误的定位或无法定位；基于BP神经网络的算法[6]，该算法是将经过预处理后的图像网格式的分成多了块区，利用神经网络对每个块区中提取出来的特征描述子进行分类，定位出车牌，但是抽取车牌图像特征的图像块区大小与实际的车牌图像大小无关，所获得的全局特征并不能真实地反映车牌的全局特性，且BP算法收敛时间长，容易陷入局部最小过拟合.目前各类车牌定位算法，在复杂背景下均存在着难以识别或者误识别的问题.经分析各类算法的原理，研究其错误定位的原因，针对复杂背景下多车牌定位的问题，文中采用纹理特征及视觉词包模型的多信息车牌定位方法.图像经形态学处理，利用车牌长宽比条件筛选形成车牌候选区域，使用视觉词包表示候选区域，通过支持向量机分类出矩形区域中车牌部分.分析以往的基于纹理特征的车牌定位算法，在车牌图片经形态学处理后能有效地使车牌区域成为矩形连通区域，但该方法的准确率难以进一步提高的瓶颈在于图片中的干扰项若与车牌有相似的纹理特征，也会出现矩形连通区域，仅依靠车牌的长宽比等判定条件难以区分车牌区域和非车牌区域，使得其抗干扰性差误判率高.文中在矩形区域筛选环节采用了视觉词包和支持向量机对其进行进一步的筛选.视觉词包基本原理是用特征描述子表示图片后，将图片看做不同特征点的集合，通过统计每个特征点在单张照片中出现的频率来对照片进行向量表示，即以直方图的形式来表示一张照片[7]，如图1所示为视觉词包基本流程.由于不同类型的照片其用视觉词包得出的向量表示不同，故可选择适当的分类器利用样本集对其进行训练，最后用训练过的分类器对测试图片进行分类.考虑到车牌照片获取时，会受角度、光照等其他因素的影响，为了减少这类因素对特征描述子描述车牌区域的影响，并能达到快速定位的目标，文中采用了surf特征描述子.该描述子计算速度快，具有局部不变性特征，即对一定范围内的尺度缩放、图像旋转、视角变化、光照变化和图像模糊具有鲁棒性，因此对车牌区域的描述能有效地排除来自光照、角度等因素的影响.提取surf特征描述子的算法是利用Hessian矩阵确定候选点，然后进行非极大抑制从而实现特征点的检测.图像中的像素点的H矩阵定义为Hessian矩阵判别式如式(1)～(2)，判别式的值是H矩阵的特征值，可以利用判定结构的符号将所有点分类，根据判别式取值的正负判别改点是否是极点的值.用图像像素L(x,y)取代函数值f(x,y)，利用式(1)通过特定核间的卷积计算二阶偏导数，得出H矩阵的三个矩阵元素Lxx、Lxy、Lxy，再根据式(1)～(2)进行判别，得到一张近似的Hessian行列式图.将经过H矩阵处理过的每个像素点与其金字塔图像中3维领域的26个点进行大小比较，其中的最大值作为初步的特征点，如图2所示，其中X的地方特征值大于周围像素，故为该区域的特征点.为了保证旋转不变性，需统计以特征点为中心，60度扇形内所有点在x和y方向的Harr小波相应总和，靠近特征点的权重大，远离的权重小，从而得到每个特征点的主方向，该过程如图3所示.surf特征能描述一副图像，但一幅图像中会包含大量的surf特征点，直接用于分类训练计算量大，故需通过聚类算法对这些矢量数据进行聚类，用聚类中的一个簇代表视觉词包中的一个视觉词，再将surf矢量映射到视觉词包生成码本.文中在构造视觉词包时采用K-means聚类算法，计算公式如式(3).其中E表示所有聚类对象的平方误差的和，p是聚类对象，|Ci|表示类Ci的聚类对象的数目.针对车牌定位问题只需要分类出车牌轮廓和非车牌轮廓两类图片，故选择二分类器SVM.SVM是一种基于VC维理论以及结构风险最小化理论及上的机器学习方法，其最初设计为解决二分类问题[8].SVM原理是将数据映射到高维空间，在高维空间找出分类间隔最大的超平面，用此超平面进行分类，计算公式如式(4).其中(xi,yi)为训练样本，l为样本数，n为输入的维数，C为惩罚参数，k(xi,xj)为Lagrange系数，为选取的核函数.车牌中存在着丰富的纵向纹理信息，可通过该特征进行车牌的粗定位.图像的纹理检测在灰度图即可进行，为减小运算量，先将采集来的RBG彩色图像转换为8位灰度图，利用式(5)转换，其中R、B、G为对应三个通道的像素值，Y为转化后灰度图像的灰度值.Y=0.299*R+0.587*G+0.114*B由于采样设备原因及图像的传输过程受干扰等原因，图像存在一定的噪声，导致图像质量退化，影响对图像的纹理检测.文中采用高斯滤波抑制离散的高斯噪声.高斯滤波是利用高斯滤波函数，根据像素点附近邻域像素的灰度值进行相应的加权平均，从而达到滤波的效果，高斯滤波函数为采用中值滤波抑制椒盐噪声.即采用含有奇数个点的滑动窗口，用窗口中各点灰度值的中值来替代指定点的灰度值.如图4所示，经过滤波后对比图4中(a)～(b)可以看出噪音得到了抑制，同时也很好地保留了纹理的信息.对于图像中的边缘检测，由于Sobel算子的优势在关键的两项指标“漏检边缘”、“假检边缘”方面表现的尤为突出[9]，故文中采用基于sobel算子的边缘检测方法，对图像进行纵向的纹理检测.该算子包含两组3*3的矩阵，分别为横向及纵向，将之与图像做平面卷积，即可分别得出横向及纵向的亮度查分近似值，如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式为利用式(8)计算图像中的每一个像素的横向及纵向梯度近似值，用式(9)计算其梯度方向.由于只需检测图像的纵向纹理，当角度等于零，代表图像在该处拥有纵向边缘。
复杂背景下快速车牌定位算法
复杂背景下快速车牌定位算法方万元;梁久祯【期刊名称】《计算机工程与应用》【年(卷),期】2012(048)002【摘要】提出了一种复杂背景下的快速实时车牌定位算法.车牌定位的实时性和精确性是车牌识别系统高效运行的保障.提出了一种整型特殊核并利用差分运算来实现车牌定位.在分析了混合高斯函数卷积的车牌定位方法上的基础上,针对二维高斯核计算复杂度较高的问题提出了改进,直接在获取的垂直边缘图上进行混合高斯卷积,重新提出了一种整型的特征核,并用差分的方法代替了卷积,即用少量的加法操作代替了卷积大量的浮点乘法操作.对比分析了两种不同方法的定位效果和时间复杂度.实验结果表明在保持定位精度不变的情况下运行效率有较大提高,达到了实时性的要求.%This paper presents a fast, real-time algorithm for vehicle license plate location under complex background. The real-time and accuracy are the fundamental for the license plate recognition system. This paper proposes a special integer kernel and a difference algorithm for license plate location. Based on analyzing the hybrid Gauss function convolution method for license plate location, focus-ing on the higher computational complexity of the 2-dimension Gauss kernel, an improvement is made. Hybrid Gauss convolution is carried on directly after getting the vertical edge map by sobel operation. A new integer kernel is proposed, and the convolution is re-placed by the difference method in which a few addition operation is used instead of a large amount of float multiple operation.The pa-per compares location efficiency and time complexity for the two different methods. Experimental results illustrate that the proposed al-gorithm is effective for license plate location under complex background and can achieve real-time requirements.【总页数】5页(P160-163,176)【作者】方万元;梁久祯【作者单位】江南大学物联网学院,江苏无锡 214122;江南大学物联网学院,江苏无锡 214122【正文语种】中文【中图分类】TP391【相关文献】1.复杂背景下的快速车牌定位技术研究 [J], 李羊;曹玉东;刘艳洋2.复杂背景图像下的快速车牌定位新方法 [J], 管庶安3.一种复杂背景下的汽车牌照快速定位算法 [J], 陈智慧;董增寿4.复杂背景下快速车牌定位方法研究 [J], 鹿晓亮;陈继荣5.一种新的复杂背景下快速车牌定位方法 [J], 张振强;杜树新因版权原因，仅展示原文概要，查看原文内容请购买。
复杂背景图像中的车牌检测算法
复杂背景图像中的车牌检测算法
方毅;熊盛武
【期刊名称】《武汉理工大学学报（信息与管理工程版）》
【年(卷),期】2005(027)003
【摘要】针对在复杂背景图像中汽车牌照检测定位的课题,提出了一种基于可信度评价的汽车牌照检测定位算法.在对图像进行预处理后,算法利用车牌区域由于字符排列的规则性而在梯度图像上产生的特征,分割并提取出车牌可能存在的候选区域,然后根据汽车牌照的几何特征对每一个候选区域进行可信度评价并按一定的合并规则对候选区域进行合并,以获取更高的可信度,最后根据区域可信度值的大小确定车牌的位置.算法对于图像光照条件变化、视角变化而造成的车牌的倾斜和变形等情况都具有较好的处理效果.
【总页数】4页(P37-40)
【作者】方毅;熊盛武
【作者单位】武汉理工大学,计算机科学与技术学院,湖北,武汉,430070;武汉理工大学,计算机科学与技术学院,湖北,武汉,430070
【正文语种】中文
【中图分类】TP391
【相关文献】
1.复杂背景图像下的快速车牌定位新方法 [J], 管庶安
2.复杂背景图像中垂直伸缩式刀闸状态识别研究 [J], 吴宽;李保坤;林师;姜文;马玲
官;谭守标
3.复杂背景图像中的手部跟踪技术 [J], 唐上威;吴德文;王馨旎;黄华平;马俊
4.复杂场景下基于改进YOLOv3的车牌定位检测算法 [J], 马巧梅;王明俊;梁昊然
5.基于改进YOLOv5网络的复杂背景图像中茶尺蠖检测 [J], 胡根生;吴继甜;鲍文霞;曾伟辉
因版权原因，仅展示原文概要，查看原文内容请购买。
图像处理中的车牌识别算法使用教程
图像处理中的车牌识别算法使用教程车牌识别是图像处理领域中的一个重要应用，它可以在道路交通管理、智能停车系统等领域起到关键作用。
本文将向您介绍一种常用的车牌识别算法，并提供详细的使用教程。
一、算法概述基于深度学习的车牌识别算法是当前最先进的方法之一。
它通过训练神经网络模型，将图像中的车牌区域进行定位和识别。
该算法具有较高的准确性和稳定性，适用于不同场景下的车牌识别任务。
该算法的工作流程如下：1. 数据收集：收集包含不同车牌样本的数据集，并进行标注。
2. 数据预处理：对数据进行预处理，包括裁剪、缩放、增强等操作，以减少干扰并提高模型的鲁棒性。
3. 模型训练：使用收集到的数据集，通过深度学习算法训练车牌识别模型。
常用的深度学习框架包括TensorFlow、PyTorch等。
4. 车牌定位：使用训练好的模型，在图像中定位车牌区域。
该步骤通常使用滑动窗口或卷积神经网络进行实现。
字符是什么。
常见的方法包括连接主义匹配算法（Connectionist Temporal Classification, CTC）和循环神经网络（Recurrent Neural Network, RNN）等。
6. 后处理：对识别结果进行后处理，包括字符校正、车牌格式化等操作，以提高整体识别效果。
二、算法使用教程下面是一个基于Python编写的车牌识别算法的使用教程：1. 准备环境：首先，您需要在计算机上安装Python及相关的深度学习库，如TensorFlow、Keras等。
可以使用Anaconda来管理Python环境，以便简化安装过程。
2. 数据集准备：准备一个包含车牌图片及其标注的数据集。
标注可以使用文本文件记录每个图片的车牌号码。
确保数据集的规模足够大，并包含不同场景下的样本。
3. 模型训练：使用收集到的数据集，训练车牌识别模型。
可以选择预训练模型作为基础网络，并针对自己的数据进行微调。
训练过程需要一些计算资源，可以考虑使用GPU加速。
图像处理车牌识别定位
《车牌定位》专业：计算机科学与技术学号：19100211姓名：叶超日期： 2013年5月车牌定位一、引言机动车车牌自动识别是智能交通控制系统中的一个重要组成部分，可广泛用于高速收费站、停车场管理、十字路口违章车辆记录等领域。
车牌识别的方法有很多，主要分为几大类，有基于彩色的方法、基于灰度梯度的方法、基于搜索车牌边框的方法、基于边缘检测的方法、基于数学形态学的方法。
二、车牌识别的一般方法识别。
通俗来讲就是，第一步找到车牌在图片中在哪一块区域，第二步将找到的区域图片分割成一个个的字符，第三步识别每个字符并得出最终的结果。
本文主要就车牌定位方法做一些研究和说明。
三、车牌定位车牌定位有多种方法，前文已经讲过。
本文主要使用灰度边缘检测的方法来定位车牌。
流程：（1）打开图片第一步，打开图片，不用说，直接打开图片就好。
本文所配程序为winform 程序，直接将图片绑定到picturebox 控件上显示。
（2）预处理预处理的作用是将图片变得有利于处理，比如彩色图像信息量比较大，可以转化为灰度图像；图像中噪点比较多不利于后期处理，可以进行去噪处理。
①灰度化将彩色图像转化为灰度图像，用到一般简单的彩色转灰度的公式：gray = (int)(c1.B * 0.114 + c1.G * 0.587 + c1.R * 0.299) ，其中c1是box1.GetPixel(i,j)即为遍历的每个点。
然后用双重循环将每个点的RGB颜色重新赋值，c2 = Color.FromArgb(gray, gray, gray); box2.SetPixel(i, j, c2);②去噪去噪是为了去除数字图像在数字化和传输过程中常受到成像设备与外部环境噪声干扰等影响。
去噪的方法有很多，这里采用效果较好的高斯滤波去噪。
高斯去噪主要就是用模板确定的邻域内像素的加权平均灰度值去替代模板中心像素点的值。
这里模型取中心点的八联通区域，采用加权平均。
《基于深度学习的复杂场景下的车牌识别算法研究》
《基于深度学习的复杂场景下的车牌识别算法研究》一、引言随着智能交通系统的快速发展，车牌识别技术已成为交通管理、车辆监控和智能停车等应用领域的重要技术之一。
然而，在复杂场景下，如光照变化、遮挡、模糊等情况下，传统的车牌识别算法往往无法取得良好的效果。
近年来，基于深度学习的车牌识别算法成为了研究热点。
本文将深入探讨基于深度学习的复杂场景下的车牌识别算法研究。
二、深度学习与车牌识别深度学习是一种机器学习方法，通过模拟人脑神经网络的工作方式，从大量数据中自动学习和提取特征。
在车牌识别领域，深度学习算法能够自动学习车牌的形状、颜色、纹理等特征，从而实现对车牌的准确识别。
三、复杂场景下的车牌识别挑战在复杂场景下，如夜间、雨雾天气、阴影遮挡等情况下，传统车牌识别算法的准确率会大大降低。
主要挑战包括：1. 光照变化：不同光照条件下，车牌的亮度、颜色等特征会发生较大变化，导致识别难度增加。
2. 遮挡与模糊：车牌可能被其他物体遮挡，或者因为拍摄距离过远、焦距不准确等原因导致车牌模糊不清。
3. 背景干扰：复杂场景中可能存在大量与车牌相似的物体或图案，干扰算法的识别。
四、基于深度学习的车牌识别算法研究针对复杂场景下的车牌识别问题，本文提出了一种基于深度学习的车牌识别算法。
该算法主要包括以下几个部分：1. 数据集准备：首先需要准备一个包含各种复杂场景下的车牌图像的数据集，以便训练和测试算法。
2. 卷积神经网络设计：设计一个适合车牌识别的卷积神经网络模型。
该模型应具备较强的特征提取能力，能够从复杂场景下的车牌图像中提取出有用的特征。
3. 训练与优化：使用准备好的数据集对卷积神经网络进行训练，通过调整网络参数和优化算法来提高模型的准确率和鲁棒性。
4. 后处理与输出：对训练好的模型进行后处理，如对识别结果进行去噪、修正等操作，以提高输出的准确性。
最终将识别的车牌号码输出给用户。
五、实验与分析为了验证本文提出的基于深度学习的车牌识别算法的有效性，我们进行了大量的实验。
车牌定位
3．1车牌区域定位3．1．1定位算法研究车牌定位是车牌识别系统的一项关键技术，也是难点之一。
因为现场采集的车辆图像受环境影响，采集的车辆图像质量波动较大，同时存在其它字符区域的干扰，使得真实车牌区域难以准确定位。
第二章中已经采用图像滤波、二值化、边缘检测等预处理方法增强图片效果，本章主要解决车辆图像中准确定位车牌区域的问题。
车牌图像的定位处理算法，常用的有以下几种：1．基于纹理特征的车牌定位法车辆图像随拍摄环境的变化而不同，然而车辆牌照具有不因外部条件变化而改变的特征。
车牌内有多个基本成水平排列的字符，字符和牌照底在灰度值上存在跳变，因而车牌这个矩形区域(包括边缘)有丰富的边缘存在，呈现出规则的纹理特征。
在传统的基于灰度分割技术上，这些特征为车牌定位研究提供了切实可行的依据。
基于纹理分析的方法利用车牌区域内字符纹理丰富的特征定位车牌，它对于光照偏弱、偏强、不均匀性、牌照倾斜和变形等情况不敏感。
但该方法应用于背景复杂的图像时，容易把一些纹理分布较丰富的非车牌区域定位进来，产生包含车牌在内的车牌候选区域，这是纹理分析方法的缺陷。
2．基于神经网络的定位算法利用神经网络来定位车牌是一类较为常见的方法。
本算法的基本步骤和各模块的功能如下：(1)神经网络训练模块：收集一定数量的车牌图像样本，归一化后输入至BP神经网络进行训练，达到预定的正确率后，训练结束。
本模块将获得一个对车牌敏感的BP神经网络。
(2)图像预处理模块：提取车牌前，对图像进行预处理；抑制噪声，提高图片质量。
(3)车牌定位模块：利用训练好的神经网络在图像中搜索车牌区域，定位车牌。
本方法的特点是从车牌区域特征来判别牌照，因此在搜索时会重点考虑以下表面特征(如边缘、对比度、纹理等)而忽视图像区域的内容。
有用信号的特征有时会误导搜索，如果因为定位模块忽视了非牌照区域包含的车牌特征信号点，将这些区域送入后续步骤将会影响车牌字符识别。
4基于特征统计的车牌定位基于特征统计的车牌定位利用车牌区域的结构特征和字符纹理特征。
复杂环境下车牌识别算法研究
复杂环境下车牌识别算法研究作者：龙思颖兰良梁杏来源：《西部交通科技》2020年第06期摘要：目前市場上已有较多应用成熟、稳定的车牌识别算法，但是大部分需要在单一背景环境下，否则识别效果不佳，所以存在复杂环境下（如光照不均、大角度、多车牌、亮度低等）车牌定位与识别准确率低的问题。
文章提出一种复杂环境下多车牌识别算法来应对此问题，采取了SVM模型定位车牌、外部轮廓和外接矩形法分隔字符、BP神经网络法识别字符。
其中，对非连续性字符（如中文字符）分隔提出改进算法，取得良好的效果。
关键词：多车牌;车牌识别;倾斜矫正;SVM;神经网络0 引言随着生活质量的提高和科技的发展，智能交通应用越来越广泛，车牌识别系统的意义也越来越重要，是智慧交通、智慧城市必不可少的部分。
虽然很多成熟的车牌识别算法准确率高达98%以上，应用广泛，但是在低像素图像或复杂环境中识别准确率达不到正常使用的要求。
在许多实际情况中，监控环境比较复杂（比如高速公路、城市道路的监视图像会出现多辆汽车，背景有树木、房屋等），导致现有的单一背景车牌识别算法无法直接应用。
因此，本文提出一种复杂环境下多车牌识别算法来应对此问题，其包括车牌定位、字符分割与识别三个主要过程[1]。
1 车牌定位车牌识别首先需要快速精准地进行车牌定位，从而准确找到车牌所在图像中的具体像素坐标。
文中车牌定位首先经过车牌粗定位获取大致像素坐标，再通过车牌精细定位获取准确像素坐标。
1.1 车牌粗定位传统的车牌粗定位算法有基于RGB图像颜色处理方法和基于灰度域的纹理特征方法。
前者算法对于图像边缘信息、色差不明显情况下定位不准确，同时处理R、G、B三维矩阵运算量大，导致定位运行效率低;而后者算法复杂度高[2][3]。
本文提出的车牌定位算法无需每一帧像素参与运算，降低了运算量，提高识别效率，具体过程如图1所示。
[TS）]（1）获取原始图像（如图2所示），将原始图像缩放成原来的1/3，根据色彩特征提取可能含有车牌的像素点，然后灰度化车牌像素图像，降低存储空间，加快运算速度。