本發(fā)明涉及一種渣土車車牌字符智能識(shí)別方法。
背景技術(shù)：
車牌識(shí)別(License Plate Recognition，LPR)是計(jì)算機(jī)圖像識(shí)別技術(shù)的一種典型應(yīng)用，它以數(shù)字圖像處理、模式識(shí)別、計(jì)算機(jī)視覺(jué)等技術(shù)為基礎(chǔ)，將運(yùn)動(dòng)中的汽車牌照從復(fù)雜背景中提取并識(shí)別出來(lái)，它是智能交通系統(tǒng)的重要組成部分，已被廣泛應(yīng)用于自動(dòng)收費(fèi)站、智能停車場(chǎng)、車流量監(jiān)測(cè)、安全禁區(qū)管理等場(chǎng)所。
LPR系統(tǒng)主要包括車牌定位、傾斜校正、字符分割、字符識(shí)別四個(gè)部分，國(guó)內(nèi)外學(xué)者圍繞這四個(gè)環(huán)節(jié)進(jìn)行了大量的研究，并取得了眾多研究成果。車牌定位是LPR系統(tǒng)準(zhǔn)確識(shí)別的前提，目前車牌定位方法主要可以概括為兩大類：一類是基于灰度域的紋理特征，利用車牌先驗(yàn)知識(shí)、字符與背景的灰度跳變以及形態(tài)學(xué)連通域的幾何信息等實(shí)現(xiàn)車牌定位，但該方法對(duì)圖像質(zhì)量要求較高，在圖像預(yù)處理過(guò)程中容易造成偽車牌區(qū)域，并且不同環(huán)境的相關(guān)閾值參數(shù)設(shè)置也難以統(tǒng)一導(dǎo)致其普適性較低；另一類是基于顏色空間信息，利用車牌與車身的顏色不同，搜尋目標(biāo)顏色的信息分布并結(jié)合車牌先驗(yàn)知識(shí)實(shí)現(xiàn)車牌定位，此方法適用于特定車型的車牌定位，但是當(dāng)車身或周邊環(huán)境的顏色跟車牌顏色相近時(shí)難以奏效。此外，圖像采集過(guò)程中拍攝角度常常會(huì)造成車牌水平或垂直傾斜，這會(huì)影響字符的準(zhǔn)確分割，甚至導(dǎo)致分割失敗，因此必須進(jìn)行車牌傾斜校正。常用的傾斜校正方法有Hough變換、Radon變換、Harris角點(diǎn)檢測(cè)等，但是上述方法僅僅關(guān)注水平傾斜校正而忽略垂直傾斜校正，并且對(duì)圖像預(yù)處理依賴性較高，常常因車牌邊框模糊甚至沒(méi)有邊框而導(dǎo)致校正效果不理想。垂直投影是字符分割最常用的方法，將二值化車牌圖像通過(guò)垂直投影的“波峰”與“波谷”搜索字符的起始-終止列，從而將每個(gè)字符分割出來(lái)，其難點(diǎn)在于如何去除間隔符、邊框的干擾以及特殊“川”字的準(zhǔn)確分割。字符識(shí)別是車牌字符智能識(shí)別系統(tǒng)的最后一個(gè)主要環(huán)節(jié)，常用的識(shí)別方法主要有模板匹配法和神經(jīng)網(wǎng)絡(luò)法?；谀０迤ヅ涞姆椒▽?shí)現(xiàn)簡(jiǎn)單且處理速度快，但其抗干擾性能差?；谏窠?jīng)網(wǎng)絡(luò)的識(shí)別算法具有一定的自適應(yīng)能力，分類能力強(qiáng)且容錯(cuò)性好，但其對(duì)網(wǎng)絡(luò)的參數(shù)取值比較敏感且訓(xùn)練過(guò)程需要的模板較多。對(duì)于中國(guó)車牌字符識(shí)別的難點(diǎn)在于結(jié)構(gòu)復(fù)雜的漢字識(shí)別。
技術(shù)實(shí)現(xiàn)要素：
本發(fā)明要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)的缺陷，提供一種渣土車車牌字符智能識(shí)別方法，其識(shí)別率高，具有較高的有效性和普適性。
為了解決上述技術(shù)問(wèn)題，本發(fā)明提供了如下的技術(shù)方案：
本發(fā)明一種渣土車車牌字符智能識(shí)別方法，其包括以下步驟：
S1、車牌粗定位：
S2、車牌傾斜校正：
S21、采用雙線性插值擬合法擬合車牌黃色區(qū)域邊緣的直線，從而檢測(cè)車牌的水平、垂直傾斜角度；
S22、采用圖像錯(cuò)切變換法實(shí)現(xiàn)車牌傾斜校正；
S3、車牌字符分割：
S31、去除水平邊框；
S32、去除間隔符；
S33、去除垂直邊框；
S34、字符分割；
S4、車牌字符識(shí)別，具體識(shí)別步驟如下：
S41、將字符模板圖像編號(hào)，從A～Z、0～9、京～瓊，依次編號(hào)為1、2、......、65的連續(xù)自然數(shù)；
S42、字符模板預(yù)處理，歸一化成32×16規(guī)格的圖像；
S43、待識(shí)別字符圖像預(yù)處理，歸一化成32×16規(guī)格的圖像，注意保持待識(shí)別字符圖像跟模板圖像預(yù)處理過(guò)程一致；
S44、將待識(shí)別字符依次與65張字符模板進(jìn)行匹配，并按順序記錄匹配度，最終待識(shí)別字符就是匹配度最高的字符模板。
進(jìn)一步地，所述的車牌粗定位具體包括：
S11、將采集的RGB彩色圖像轉(zhuǎn)換到HSV顏色空間，根據(jù)黃色在H、S、V 通道的值域，逐行逐列掃描統(tǒng)計(jì)黃色像素的個(gè)數(shù)，分別進(jìn)行水平投影和垂直投影，確定車牌的起始-終止行和起始-終止列，從而找出車牌的有效區(qū)域；其中，黃色在HSV顏色空間各通道的取值分別為：H(0.1-0.3)、S(0.5-1.0)、V(0.35-1.0)；
S12、當(dāng)查詢車牌的起始-終止行或列時(shí)，水平投影或垂直投影后先搜尋像素?cái)?shù)最多的行或列，然后從該行或列開(kāi)始逐步向兩邊搜尋，直至黃色像素?cái)?shù)不滿足條件即黃色像素?cái)?shù)小于a為止，由此便可確定車牌的起始行或列和終止行或列；其中a為2～5的自然數(shù)。
進(jìn)一步地，在步驟S12中，當(dāng)?shù)谝淮嗡褜そK止后，試探性的向兩邊跨出b個(gè)像素，再搜尋黃色像素?cái)?shù)是否滿足條件，如此循環(huán)直至黃色像素不滿足條件為止；其中b為4～8的自然數(shù)。
進(jìn)一步地，步驟S31具體是指：去除車牌的上下邊框，將圖像預(yù)處理后的二值圖像進(jìn)行垂直投影，即逐列掃描統(tǒng)計(jì)每行白色像素點(diǎn)的個(gè)數(shù)，然后分析垂直投影的波谷波峰特點(diǎn)，從而找出字符區(qū)域。
進(jìn)一步地，步驟S32具體是指：去除第二個(gè)字符和第三個(gè)字符之間的間隔符，其具體步驟如下：
S321、將去除水平邊框的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S322、統(tǒng)計(jì)每個(gè)字符的寬度(包括左右邊框、間隔符)CH_width；
S323、判斷每個(gè)字符的寬度是否滿足條件CH_width＜(45/440*width/2)；若滿足，則該字符是“間隔符”、“1”、“川字一豎”或者“左右邊框”；
S324、判斷滿足S323條件的字符高度是否滿足CH_height＜height/3，若滿足，則該字符即為“間隔符”，將其置為背景色；
其中“45”表示渣土車車牌的字符實(shí)際寬度45mm，“440”表示渣土車車牌的實(shí)際寬度440mm，width表示去除水平邊框后車牌的寬度，height表示去除水平邊框后車牌的高度。
進(jìn)一步地，步驟S33是指去除車牌的左右邊框，具體步驟如下：
S331、將去除間隔符后的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S332、統(tǒng)計(jì)每個(gè)字符并包括左右邊框的寬度CH_width；
S333、從左到右去除車牌左邊所有滿足條件CH_width＜(45/440*width/2)的字符，直至出現(xiàn)不滿足條件為止，同時(shí)記錄去除字符的個(gè)數(shù)num_remove；
S333中去除的字符是指車牌的左邊框，特殊的包括“川”字的三豎，通過(guò)num-find的大小可以判斷第一個(gè)字符漢字是否是“川”字。
進(jìn)一步地，步驟S34是指采用垂直投影的方法分割字符，其具體步驟如下：
S341、將去除垂直邊框的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S342、從左到右掃描記錄每個(gè)字符的起始列和終止列，并記錄；
S343、通過(guò)num-remove的大小判斷第一個(gè)字符漢字是否是“川”字.若num_remove≥3，則第一字符漢字一定是“川”字，且“川”字已經(jīng)被去除，然后從左到右依次分割出6個(gè)字符即可；若num_remove＜3，則第一個(gè)字符漢字一定不是“川”字，則從左到右依次分割出7個(gè)字符即可；
S344、字符歸一化并保存到一個(gè)文件夾中等待識(shí)別。
進(jìn)一步地，步驟S21具體是指：
S211、首先對(duì)粗定位的車牌彩色圖像從上往下逐行或者從左往右逐列掃描，記錄每一列或行第一次出現(xiàn)黃色像素點(diǎn)的坐標(biāo)；
S212、采用雙線性插值擬合法來(lái)擬合這些點(diǎn)，便可得到一條擬合直線；
S213、通過(guò)這條直線的斜率即可得到車牌的水平或者垂直傾斜角度。
進(jìn)一步地，步驟S22具體步驟為：
以x軸為依賴軸的錯(cuò)切變換矩陣為
則變換后的圖像坐標(biāo)為
式中shx＝tanα，α是水平錯(cuò)切的角度；
以y軸為依賴軸的錯(cuò)切變換矩陣為
則變換后的圖像坐標(biāo)為
式中shy＝tanβ，β是垂直錯(cuò)切的角度。
本發(fā)明所達(dá)到的有益效果是：
本發(fā)明針對(duì)渣土車工作環(huán)境惡劣(如車牌生銹或污泥遮擋等)難以識(shí)別問(wèn)題，考慮渣土車車牌特點(diǎn)，采用適宜的基于顏色空間信息的車牌定位方法，通過(guò)搜索黃色像素的分布信息實(shí)現(xiàn)車牌快速粗定位，并提出了雙線性擬合與錯(cuò)切變換相融合方法以實(shí)現(xiàn)彩色車牌圖像的傾斜校正，有效的避免了Hough變換、Radon變換等傾斜校正方法的缺點(diǎn)。接著，分析間隔符、邊框去除的難點(diǎn)及特殊“川”字難以分割的問(wèn)題，運(yùn)用統(tǒng)計(jì)分析方法有效去除間隔符、多垂直邊框、“川”字等特殊問(wèn)題，最后采用模板匹配法實(shí)現(xiàn)字符智能識(shí)別，測(cè)試實(shí)驗(yàn)的高識(shí)別率表明本文所提方法具有較高的有效性和普適性。
具體實(shí)施方式
以下對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說(shuō)明，應(yīng)當(dāng)理解，此處所描述的優(yōu)選實(shí)施例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本發(fā)明。
一種渣土車車牌字符智能識(shí)別方法，其包括以下步驟：
S1、車牌粗定位：
S11、將采集的RGB彩色圖像轉(zhuǎn)換到HSV顏色空間，根據(jù)黃色在H、S、V通道的值域，逐行逐列掃描統(tǒng)計(jì)黃色像素的個(gè)數(shù)，分別進(jìn)行水平投影和垂直投影，確定車牌的起始-終止行和起始-終止列，從而找出車牌的有效區(qū)域；
S12、當(dāng)查詢車牌的起始-終止行(列)時(shí)，水平投影(垂直投影)后先搜尋像素?cái)?shù)最多的行(列)，然后從該行(列)開(kāi)始逐步向兩邊搜尋，直至黃色像素?cái)?shù)不滿足條件(黃色像素?cái)?shù)小于a)為止，由此便可確定車牌的起始行(列) 和終止行(列)；但是，有時(shí)會(huì)因?yàn)檐嚺粕P或污泥遮擋等原因造成車牌黃色斷裂現(xiàn)象，這時(shí)會(huì)出現(xiàn)偽起始行(列)和偽終止行(列)。為了避免出現(xiàn)偽起始行(列)和偽終止行(列)，當(dāng)?shù)谝淮嗡褜そK止后，試探性的向兩邊跨出b個(gè)像素，再搜尋黃色像素?cái)?shù)是否滿足條件，如此循環(huán)直至黃色像素不滿足條件為止。
其中參數(shù)a、b均是經(jīng)驗(yàn)值，a一般取2-5比較合適，b一般取4-8比較合。
本發(fā)明識(shí)別的對(duì)象是渣土車車牌字符，車牌均為黃底黑字。車身顏色一般跟車牌的顏色不同，故選擇基于顏色空間信息的定位法，對(duì)于少數(shù)車身為黃色的渣土車采用其他方法定位。
S2、車牌傾斜校正：
S21、采用雙線性插值擬合法擬合車牌黃色區(qū)域邊緣的直線，從而檢測(cè)車牌的水平、垂直傾斜角度：
S211、首先對(duì)粗定位的車牌彩色圖像從上往下逐行(從左往右逐列)掃描，記錄每一列(行)第一次出現(xiàn)黃色像素點(diǎn)的坐標(biāo)；
S212、采用雙線性插值擬合法來(lái)擬合這些點(diǎn)，便可得到一條擬合直線；
S213、通過(guò)這條直線的斜率即可得到車牌的水平(垂直)傾斜角度；
實(shí)現(xiàn)車牌傾斜校正，必須要先知道車牌的水平、垂直傾斜角度。檢測(cè)傾斜角度的方法是檢測(cè)一條直線的斜率，目前常用的方法是基于二值圖像的Hough變換或Radon變換檢測(cè)出車牌金屬邊框的斜率。本發(fā)明采用雙線性插值擬合法擬合車牌黃色區(qū)域邊緣的直線，從而檢測(cè)車牌的水平、垂直傾斜角度。
在這個(gè)過(guò)程中要特別防止車牌邊框附近的黃色像素坐標(biāo)偏離太遠(yuǎn)而造成擬合誤差過(guò)大。在逐行(逐列)掃描檢測(cè)每一列(行)第一次出現(xiàn)黃色像素點(diǎn)的坐標(biāo)時(shí)，列(行)掃描的范圍為這樣可以有效的避免統(tǒng)計(jì)車牌邊框附近的黃色像素坐標(biāo)，從而降低擬合誤差。其中參數(shù)λ、γ均是經(jīng)驗(yàn)值，λ一般取0.2-1.0比較合適，γ一般取4.0-4.8比較合適。
經(jīng)過(guò)粗定位后的車牌區(qū)域已經(jīng)集中于字符周圍，其黃色相對(duì)突出，此時(shí)擬合黃色像素區(qū)域邊緣直線的誤差大大降低。與已有的基于二值圖像檢測(cè)傾斜角度的方法相比，該方法更加精確。
S22、采用圖像錯(cuò)切變換法實(shí)現(xiàn)車牌傾斜校正，其具體步驟為：
以x軸為依賴軸的錯(cuò)切變換矩陣為
則變換后的圖像坐標(biāo)為
式中shx＝tanα，α是水平錯(cuò)切的角度；
以y軸為依賴軸的錯(cuò)切變換矩陣為
則變換后的圖像坐標(biāo)為
式中shy＝tanβ，β是垂直錯(cuò)切的角度；
由(2)、(4)式可得，錯(cuò)切變換類似于平行四邊形扭動(dòng)，水平錯(cuò)切時(shí)垂直邊不動(dòng)，垂直錯(cuò)切時(shí)水平邊不動(dòng)，相對(duì)圖像旋轉(zhuǎn)變換具有明顯的優(yōu)勢(shì)。
目前常用的傾斜校正方法是得到傾斜角度后采用圖像旋轉(zhuǎn)變換法，其缺點(diǎn)是在進(jìn)行水平校正時(shí)也會(huì)旋轉(zhuǎn)垂直邊緣，進(jìn)行垂直矯正時(shí)同樣也會(huì)旋轉(zhuǎn)水平邊緣。本文為了避免圖像旋轉(zhuǎn)變換的缺點(diǎn)，采用圖像錯(cuò)切變換法實(shí)現(xiàn)車牌傾斜校正。
由于步驟S1的車牌定位過(guò)程只實(shí)現(xiàn)了車牌的粗定位，而在實(shí)際應(yīng)用中，由于相機(jī)的拍攝角度等原因造成車牌水平或垂直傾斜，會(huì)影響字符的準(zhǔn)確分割，甚至導(dǎo)致字符分割失敗，因此車牌傾斜校正至關(guān)重要。而傾斜校正實(shí)際上是車牌精定位的過(guò)程。以往的傾斜校正方法大都是基于圖像預(yù)處理后的二值圖像實(shí)現(xiàn)的，而本發(fā)明在圖像預(yù)處理之前，運(yùn)用雙線性插值擬合和錯(cuò)切變換方法，對(duì)粗定位的彩色車牌圖像實(shí)現(xiàn)水平、垂直傾斜校正。
S3、車牌字符分割：
車牌字符分割是將車牌中的每個(gè)字符獨(dú)立的分割出來(lái)。目前最常見(jiàn)的方法是基于垂直投影的字符分割，但是大多沒(méi)有考慮一些特殊情況(如間隔符污損、多垂直邊框、“川”字等)或者對(duì)其處理方法不具有普適性。本發(fā)明依然采用垂直投影法，但是對(duì)垂直投影進(jìn)行大量的統(tǒng)計(jì)分析，尤其是對(duì)特殊情況進(jìn)行了詳細(xì)研究，并且提出了具有一定普適性的處理步驟。
在字符分割之前，將傾斜校正后的彩色車牌圖像經(jīng)過(guò)圖像灰度化、圖像灰度化增強(qiáng)、圖像二值化、圖像濾波、圖像形態(tài)學(xué)處理等一系列圖像預(yù)處理過(guò)程，轉(zhuǎn)換成二值圖像。本發(fā)明的字符分割流程為：去除水平邊框→去除間隔符→去除垂直邊框→字符分割。
S31、去除水平邊框：即去除車牌的上下邊框，將圖像預(yù)處理后的二值圖像進(jìn)行垂直投影，即逐列掃描統(tǒng)計(jì)每行白色像素點(diǎn)的個(gè)數(shù)，然后分析垂直投影的波谷波峰特點(diǎn)，從而找出字符區(qū)域；
S32、去除間隔符：即去除第二個(gè)字符和第三個(gè)字符之間的間隔符，具體步驟如下：
S321、將去除水平邊框的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S322、統(tǒng)計(jì)每個(gè)字符的寬度(包括左右邊框、間隔符)CH_width；
S323、判斷每個(gè)字符的寬度是否滿足條件CH_width＜(45/440*width/2)；若滿足，則該字符是“間隔符”、“1”、“川字一豎”或者“左右邊框”；
S324、判斷滿足Step3條件的字符高度是否滿足CH_height＜height/3。若滿足，則該字符即為“間隔符”，將其置為背景色。
其中“45”表示渣土車車牌的字符實(shí)際寬度45mm，“440”表示渣土車車牌的實(shí)際寬度440mm，width表示去除水平邊框后車牌的寬度，height表示去除水平邊框后車牌的高度；
常見(jiàn)的去間隔符方法是直接通過(guò)字符高度去除間隔符，這樣同時(shí)會(huì)消除有效字符的邊緣部分，會(huì)影響字符識(shí)別的精度。本發(fā)明所設(shè)計(jì)的步驟可以有效的避免這個(gè)弊端。
S33、去除垂直邊框，即去除車牌的左右邊框，具體步驟如下：
S331、將去除間隔符后的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S332、統(tǒng)計(jì)每個(gè)字符的寬度(包括左右邊框)CH_width；
S333、從左到右去除車牌左邊所有滿足條件CH_width＜(45/440*width/2)的字符，直至出現(xiàn)不滿足條件為止，同時(shí)記錄去除字符的個(gè)數(shù)num_remove；
S333中去除的字符一般是車牌的左邊框，特殊的包括“川”字的三豎，通過(guò)num_find的大小可以判斷第一個(gè)字符漢字是否是“川”字；
S34、字符分割：采用垂直投影的方法分割字符，其具體步驟如下：
S341、將去除垂直邊框的車牌二值圖像進(jìn)行垂直投影，即逐行掃描統(tǒng)計(jì)每列白色像素點(diǎn)的個(gè)數(shù)；
S342、從左到右掃描記錄每個(gè)字符的起始列和終止列，并記錄；
S343、通過(guò)num_remove的大小判斷第一個(gè)字符漢字是否是“川”字.若num_remove≥3，則第一字符漢字一定是“川”字，且“川”字已經(jīng)被去除，然后從左到右依次分割出6個(gè)字符即可；若num_remove＜3，則第一個(gè)字符漢字一定不是“川”字，則從左到右依次分割出7個(gè)字符即可；
S344、字符歸一化并保存到一個(gè)文件夾中等待識(shí)別；
本發(fā)明設(shè)計(jì)的去除垂直邊框和字符分割的步驟能夠準(zhǔn)確有效的分割出具有“川”字車牌字符，并且能夠避免多垂直邊框的影響，具有一定的普適性。
S4、車牌字符識(shí)別，具體識(shí)別步驟如下：
S41、將字符模板圖像編號(hào)，從A～Z、0～9、京～瓊，依次編號(hào)為1、2、......、65；
S42、字符模板預(yù)處理，歸一化成32×16規(guī)格的圖像；
S43、待識(shí)別字符圖像預(yù)處理，歸一化成32×16規(guī)格的圖像，注意保持待識(shí)別字符圖像跟模板圖像預(yù)處理過(guò)程一致；
S44、將待識(shí)別字符依次與65張字符模板進(jìn)行匹配，并按順序記錄匹配度，最終待識(shí)別字符就是匹配度最高的字符模板。
第一個(gè)字符漢字識(shí)別時(shí)，讓待識(shí)別字符與序號(hào)為35～65的模板匹配；第二只字符字母識(shí)別時(shí)，讓待識(shí)別字符與序號(hào)為1～24的模板匹配。這樣不僅可以提高識(shí)別速度，還可以提高識(shí)別精度。
字符識(shí)別是智能識(shí)別系統(tǒng)的最終目標(biāo)，也是最后一個(gè)環(huán)節(jié)。字符識(shí)別主要包含漢字識(shí)別、字母識(shí)別、數(shù)字識(shí)別，其中車牌的第一個(gè)字符是漢字、第二個(gè)字符是字母、第3-7個(gè)字符是字母和數(shù)字組合。漢字代表省、自治區(qū)、直轄市的簡(jiǎn)稱，主要有京～瓊共31個(gè)漢字(港、澳、臺(tái)除外)。字母代表發(fā)牌機(jī)關(guān)代號(hào)，由大寫英文字母組成，主要有A～Z共24個(gè)字母(O和I除外)。數(shù)字有0～9共10個(gè)。
目前常用的字符識(shí)別方法有模板匹配、特征匹配、神經(jīng)網(wǎng)絡(luò)等方法。本發(fā)明采用高效的模板匹配法對(duì)分割出的字符進(jìn)行了識(shí)別。
本發(fā)明對(duì)建筑工地上采集的154張切合實(shí)際的渣土車照片進(jìn)行了測(cè)試實(shí)驗(yàn)。模板匹配法和BP神經(jīng)網(wǎng)絡(luò)法的識(shí)別結(jié)果統(tǒng)計(jì)如表1所示，其中模板匹配法的實(shí)驗(yàn)結(jié)果表1所示。
表1字符識(shí)別結(jié)果
結(jié)果顯示全部能夠?qū)崿F(xiàn)車牌精確定位，并且在使用簡(jiǎn)單的模板匹配法進(jìn)行字符識(shí)別的前提下。從表1中可以看出，模板匹配法的識(shí)別率可以達(dá)到98.9％，并且其識(shí)別速率快，平均每張車牌的識(shí)別時(shí)間僅為1.528s，這表明本發(fā)明所提的車牌定位、車牌傾斜校正、車牌字符分割等方法具有較高的有效性和普適性。
最后應(yīng)說(shuō)明的是：以上所述僅為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，盡管參照前述實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)的說(shuō)明，對(duì)于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，其依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或者對(duì)其中部分技術(shù)特征進(jìn)行等同替換。凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。