车牌识别算法核心技术及工作流程？

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。

根据车辆检测方式的不同，图像采集一般分为两种，一种是静态模式下的图像采集，通过车辆触发地感线圈、红外或雷达等装置，给相机一个触发信号，相机在接收到触发信号后会抓拍一张图像，该方法的优点是触发率高，性能稳定，缺点是需要切割地面铺设线圈，施工量大。另一种是视频模式下的图像采集，外部不需要任何触发信号，相机会实时地记录视频流图像，该方法的优点是施工方便，不需要切割地面铺设线圈，也不需要安装车检器等零部件，该方案的触发率与识别率较之外设触发都要低一些。

由于图像质量容易受光照、天气、车牌本身、角度、相机位置等因素的影响，所以在识别车牌之前需要先图像做一些预处理，以保证得到车牌最清晰的图像。一般会根据对现场环境和已经拍摄到的图像的分析得出结论，实现相机的自动曝光处理、自动白平衡处理、自动过爆处理等，并对图像进行噪声过滤、对比度增强、图像缩放等处理。去噪方法有均值滤波、中值滤波和高斯滤波等。

从整个图像中准确地检测出车牌区域，是车牌识别过程的一个重要步骤，如果定位失败或定位不完整，会直接导致最终识别正确率。车牌定位方法一般会依据纹理特征、颜色特征和形状特征等信息，采用投影分析、连通域分析、机器学习等算法检测车牌。投影分析方法根据车牌字符与背景交替出现的次数相比于其他情况要多这个特征，通过图像在水平和垂直方向的投影分析来定位车牌。连通域分析根据车牌中的每个字符都是一个连通域且这些连通域的结构和颜色都一致的特征，通过检测并合并这些连通域来定位车牌。由于复杂的图像背景，且要考虑不清晰车牌的定位，所以很容易把栅栏，广告牌等噪声当成车牌，所以如何排除这些伪车牌也是车牌定位的一个难点。为了提高定位的准确率和提高识别速度，一般的车牌识别系统都会设计一个外部接口，让用户自己根据现场环境设置不同的识别区域。

由于受拍摄角度、镜头等因素的影响，图像中的车牌存在水平倾斜、垂直倾斜或梯形畸变等变形，这给后续的识别处理带来了困难。如果在定位到车牌后先进行车牌校正处理，这样做有利于去除车牌边框等噪声，更有利于字符识别。目前常用校正方法有：通过检测车牌上下、左右边框直线来计算倾斜角度；旋转投影法，通过按不同角度将图像在水平轴上进行垂直投影，其投影值为0的点数之和最大时的角度即为垂直倾斜角度，水平角度的计算方法与其相似;主成分分析法，根据车牌背景与字符交界处的颜色具有固定搭配这一特征、求出颜色对特征点的主成分方向即为车牌的水平倾斜角度;方差最小法，根据字符在垂直方向投影点的坐标方差最小导出垂直倾斜角的闭合表达式，从而确定垂直倾斜角度;透视变换，利用检测到的车牌的四个顶点经过相关矩阵变换后实现车牌的畸变校正。

定位出车牌区域后，由于并不知道车牌中总共有几个字符、字符间的位置关系、每个字符的宽高等信息，所以，为了保证车牌类型匹配和字符识别正确，字符分割是必不可少的一步。字符分割的主要思路是，基于车牌的二值化结果或边缘提取结果，利用字符的结构特征、字符间的相似性、字符间间隔等信息，一方面把单个字符分别提取出来，也包括粘连和断裂字符等特殊情况的处理；另一方面把宽、高相似的字符归为一类从而去除车牌边框以及一些小的噪声。一般采用的算法有：连通域分析、投影分析，字符聚类和模板匹配等。

对分割后的字符的灰度图像进行归一化处理，特征提取，然后经过机器学习或与字符数据库模板进行匹配，最后选取匹配度最高的结果作为识别结果。目前比较流行的字符识别算法有：模板匹配法、人工神经网络法、支持向量机法和Adaboost分类法等。模板匹配法的优点是识别速度快、方法简单，缺点是对断裂、污损等情况的处理有一些困难；人工神经网络法学习能力强、适应性强、分类能力强但比较耗时；支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本；Adaboost分类法能侧重于比较重要的训练数据，识别速度快、实时性较高。我国车牌由汉字、英文字母和阿拉伯数字3种字符组成，且具有统一的样式，这也是识别过程的方便之处。但由于车牌很容易受外在环境的影响，出现模糊、断裂、污损字符的情况，如何提高这类字符和易混淆字符的识别率，也是字符识别的难点之一。易混淆字符包括：0与D、0与Q、2与Z、8与B、5与S、6与G、4与A等。将车牌识别结果以文本格式输出，包括车牌号，车牌颜色，车牌类型等。

这种技术的优点是比传统的IC卡识别和条形码识别技术价格昂贵，设备复杂，采用目前的数字图像处理技术可以节省不必要的辅助设备，降低成本在识别率上有了更大的提高。该技术常用于各类场所停车场及小区出入口、高速公路收费站、公路卡口和城市交通。