车牌识别算法答辩PPT

解析车牌识别率算法首先剖析下车牌识别原理是怎样的，车牌识别是基于图像分割和图像识别理论，对含有车牌识别车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符。

车牌识别过程包括图像采集、预处理、车牌定位、字符分割、字符识别、结果输出等一系列算法运算，其运行流程如下图所示：（车牌识别原理示意图）那么高达99.7%的车牌识别率是怎样做到的？首先，相机成像是车牌识别的基础，稳定、优质的成像效果为高识别率奠定了坚实的基础；其次，现场安装调试是车牌识别的重要保障，专业的咨询服务部为每一个安装现场提供专业、合理的安装意见，角度、距离、补光灯调节等为高车牌识别识别率提供了有力的保障；再次，强大的识别算法。

一、核心算法支持丰富多样的功能：支持车牌种类繁多，工作模式灵活等。

车牌识别核心算法支持各类车牌：普通蓝牌、单层黄牌、双层黄牌、警车车牌、武警车牌、军队车牌（新军牌）、大使馆车牌、02式个性化车牌、教练车牌、农用车牌、挂车号牌、民航车牌、港澳出入境车牌、台湾车牌等。

支持线圈触发识别工作模式和视频流识别工作模式，灵活互补。

支持车身颜色识别，支持车标识别，支持车型识别。

二、鲁棒性强（鲁棒性即在异常场景、异常情况下均能正常工作，且有较高的识别率）针对反光车牌、逆光车牌、阴阳车牌、变形车牌、污损车牌、奔驰特殊车牌、倾斜车牌、低对比度车牌、雨雾天气车牌、过爆车牌、粘连边框车牌、相似字符等特殊情况，均有较高的车牌识别率。

三、算法实时性线圈触发工作模式，单帧耗时500ms左右；视频流识别模式，单帧耗时100ms左右。

综上所述，无论从核心软件、智能硬件还是强大的售前、售后服务体系，易泊时代都有强大的支持，因此车牌识别率99.7%，必须这么高，也必然这么高！。

Canny边缘检测预处理：将图像灰度化1、去噪（均值滤波、中值滤波、高斯滤波）2、求图像梯度的幅值和方向由于幅值是x方向和y方向的叠加，根据x方向和y方向的权重,该幅值的方向也能求出来，这个在后面非极大值抑制中用来定位参与计算的点。

最右边和最下边的点是不参与计算的.3、非极大值抑制(1）将图像边缘的点去除掉（这里只需要将边缘的像素点灰度值变为0即可）（2）内部点梯度值为0的去除掉（梯度为0,就是灰度没有变化,一定不是边缘点）（3）在垂直边缘方向上，两侧灰度值的加权和是否都比边缘上点的灰度值小，就是要找到极大值点，边缘的方向有四种情况x<y weight=|x|/｜y｜x〉y weight=｜y｜/｜x|4、灰度图像二值化Sobel算子1、预处理：将图像灰度化我们所说的算子是给图像做卷积的单位。

这个单位可以大,可以小。

大的有5x5的矩阵，这就是二阶微分算子，有高斯—拉普拉斯算子这个单位也可以小,比如3x3的矩阵，有prewitt算子和sobel算子。

也有更小的2x2矩阵的Roberts算子这些都有其运用的地方，再小或者更大的就失去实际运用的效果了.2、这里我选择了sobel算子。

它由水平梯度模板和垂直梯度模板组成。

用水平梯度模板和图像卷积后，就能表象图像像素点值在水平方向上的变化.图中的水平线段由于在水平方向上基本上没有变化，所以变换后的图像也基本上看不到水平线段了.垂直梯度模板同理。

将两幅图像通过公式相加后就得到了边缘被锐化的图像。

这里的边缘由于知道水平和垂直分量，所以其也是有方向性的。

3、将图像二值化后就能得到边缘的线段了.这里也要注意一下，线段有可能不是一个像素宽度的，如Roberts 算子，我们就要对其进行图像细化，将线段变成一个像素点宽度,方法我会在后面介绍。

Hough变换经过之前的处理过后,我们用肉眼就能看到二值图像中有一条一条的线段.计算机是如何识别这些线段的呢。

这里用了Huogh变换.我们平常描述线段y=mx+b,m和b是已知量，x和y是变量。