图像处理在车牌识别中的应用。随着我国汽车普及率的提高，车牌识别，由此带来的交通问题越来越严重，人们开始重视智能交通的发展。车牌识别是智能交通中的重要组成部分，该技术已经广泛的应用于车辆的追查和跟踪，停车收费等领域。本文在分析各种车牌识别算法的基础上加以改进，最终确定了一套有效算法对车牌进行识别。
1车牌定位
车牌定位是进行车牌识别的重要步骤之一，其关键是能否找到有效的车牌特征。本文采取目前广泛使用的小波变换方法提取边缘，然后根据数学形态学进行处理形成多联通区域，最后根据车牌的颜色形状纹理特征，逐步对各区域进行分析和排除，最终定位车牌。
1.1车牌的初步定位
本文首先进行图像预处理，对读入的图像进行灰度转换、灰度拉伸，实现图像增强。然后选择图像差分的边缘检测，采用Mallat小波变换算法，将图像分解成为包含基本信息的低频部分和细节的高频部分。经试验，进行两次小波分解即可满足提取边缘的要求。
1.2车牌的精确定位
经过小波变换之后，图像中包含大量的“伪车牌”，必须分别判断去除“伪车牌”。依次对图像进行边界对象抑制，腐蚀膨胀形态学操作使车牌区域和周围的干扰区域分离，然后用目标邻域点边界跟踪法分别对各个待判别区域提取。
本文采用的判断方法主要有以下几种：
1）HSV颜色空间。根据牌号、车身、背景不同的底色，按照HSV颜色空间中车牌的H，S，V值的取值范围，计算出这些“车牌颜色”点的数量所占提取部分的总点数比例来判断是否为车牌。
2）Radon变换。经过形态学的变换后，车牌区域变成实心矩形，对其进行水平和垂直方向上的Radon变换。
3）长宽比。我国车牌照长宽比标准为3.15，当与3.15相差太大则非车牌。
经过以上步骤，本系统取得了良好的定位效果。
2字符分割
2.1倾斜矫正
由于采集的车牌一般都会倾斜，而倾斜的字符和正的字符识别时有很大差别，因此必须进行倾斜矫正。本文采用Hough变换检测倾斜度，然后进行旋转。当倾斜度过大时，则采用多次检测多次旋转的方式矫正。原始图像（b）第一次调整后的图像（c）第二次调整后的图像
在旋转的过程中会出现一些干扰，因此每次旋转后都要进行插值和去毛刺等操作。本文使用双线性插值法在精度和效率上取得不错的效果。
2.2单个字符的分割
投影法是一种简单实用的字符分割法。车牌在水平方向上的投影没有明显频繁的跳变，在垂直方向上的投影则明显显示出峰-谷-峰的特性，并且会有多个峰出现。
本文采用行扫描的方式分别从顶部和底部分别扫描。具体算法如下：
1）统计每一列非零点的数目，数目过少则继续扫描。
2）当非零点的数目大于阀值再判断非零点是否都集中在某一区域，若集中则继续扫描；若分散，则停止扫描，确定为边界。
确定上下边界后，就可以进行单个字符的切割。具体算法如下：
1）根据每个字符所占的比例，将每个字符的边界映射到垂直投影的数列中。
2）每个字符分别向两边检测。若后面几个点均为0，则判断为边界。若其后几点均值大于1，则判定为字符相连，取两字符之间10%的距离作为左右边界。若其后点中前部分非零后部分为零则从零开始判定为边界。
3字符识别
准确的识别分割出来的单个字符是最后一步，也是车牌识别的目的。识别字符的算法主要有以下几种。
1）模板匹配法。待识别目标大小归一到与模板相同，与模板库中每一个模板进行重叠，根据重叠进行判断。此法实现简单，计算量小，但是对噪音敏感度较高。
2）特征分析匹配法。抽取待识别目标进行特征提取，与模板的特征进行比较。其优点是实现简单，减轻了对噪声的敏感度，是一种使用率较高的识别方法。
3）神经网络识别法。本文采用在模式识别中广泛使用的BP神经网络。与传统方法相比，BP神经网络法在环境信息复杂，背景知识不清，推理规则不明的问题上更具优点。能识别带噪音的图像，具有自适应能力。但是基本的BP神经网络存在着收敛速度慢，存在局部极小，难以决定隐层和隐层节点的个数等缺点。本文采用有动量的梯度下降法进行改进，即按照某一时刻的负梯度方向修正网络权值，同时加入动量因子，修正负梯度方向的值，使得整个网络能够更好的收敛。经试验，430幅图像中可以正确的识别411幅，准确率达95.58%，平均每幅用时0.7s。
4结束语
在继承前人研究成果的基础上，本文将近年流行的方法进行综合改进，正确识别率达到91.33%。在车牌识别领域，对光照适应差，噪音干扰敏感等方面仍需研究各种算法。在字符识别算法方面，神经网络识别显示出良好的应用前景，今后的研究中应对网络结构进一步的改进，使其可以识别较差条件下的车牌字符。
上面就是文章中心的介绍，现在大家已经有所了解了吧，如果还有其他疑问，请继续浏览本站相关新疆伸缩门的文章，新疆快速门厂家温馨提醒：我们应该要注意的就是，在我们选择上有保证，如果是没有很好的服务，这样的话我们就一定不要选择。