地感線圈識別模式

地感線圈觸發，一般情況下，在停車場道閘米左右的位置，會設有減速帶，車輛通過減速帶減速，為識別車牌留出時間，車輛進入識別區域，觸發地感線圈，自動指揮車牌識別相機進行抓拍，通過自字符檢測，識別出車牌，道閘放行。地感線圈觸發車牌識別優勢在于觸發率高、不易漏車，而且性能實用穩定，針對無牌車能夠輸出圖像記錄。缺點是需要施工安裝地感，工程量大。

◆視頻流識別優化處理，**的識別準確率。

◆的成像自動抑制：自動**光線變化、有效抑制順光和逆光；夜間抑制汽車大燈；補光燈基于圖像分析算法進行控制，避免了傳統基于光敏電阻補光的不穩定性。

◆多觸發機制**（或嚴重污損等）車輛的正常通行管理。

◆產品穩定，的硬件架構和穩定的算法調節相機，電動調焦，遠程控制

◆號牌識別率：白天≥99.9%，夜間≥99.9%

◆號牌檢出率：白天≥99.9%，夜間≥99.9%

◆有效像素：200萬像素

◆通訊方式：10/100M以太網TCP/IP

◆適應車速：5-80公里/小時

◆工作溫度：-25℃~70℃，濕度≤90%

◆圖像傳感器：1/3" CMOS

◆圖像分辨率：720P CIF4 CIF

◆電子快門：1/1至1/10000秒，22檔

◆**拍攝范圍：3-10米

◆**識別攝像頭防護等級：IP66

◆儲存：8GTF卡（microSD）

◆自帶開閘功能，支持相機傳透

◆內置四顆LED補光燈，亮度可調 每顆**功耗1W

◆配一體式烤漆機箱

◆配AC220V15W內置補光燈

◆顯示屏輸入電源：220AC

◆顯示屏尺寸：304mm*152mm（長*寬）

◆外殼整體尺寸：360mm*120mm*1450mm（寬*厚*高）

◆兩行顯示，**號碼、停車時間、收費金額以及廣告信息等

◆自帶**播報功能

◆可選配脫機收費功能
車牌識別高清相機，能夠實時準確的自動識別出車牌號碼、車牌顏色、車輛顏色等信息，并直接輸出識別結果。嵌入式車牌識別相機采用百萬像素高清識別技術，可子啊室外惡劣環境下使用，性能穩定可靠。一體化嵌入式車牌識別，可脫機工作，結合的視頻壓縮算法，使圖片傳輸更加流暢。文通快號通車牌識別相機可通過Demo軟件進行演示，操作簡單方便，可實現車輛不停車無障礙通行，大大提高車輛通行效率的同時也為客戶提供了一種嶄新的服務模式。
車牌識別分為兩個過程：車牌檢測（Plate Detection）和字符識別（Chars Recognition）。

車牌檢測（Plate Detection）：對一個包含車牌的圖像進行分析，終截取出只包含車牌的一個圖塊。這個步驟的主要目的是降低了在車牌識別過程中的計算量。如果直接對原始的圖像進行車牌識別，會非常的慢，因此需要檢測的過程。可用SVM判別截取的圖塊是否是真的“車牌”。

①圖像分割：采用一系列不同的濾波器、形態學操作、輪廓算法和驗證算法，提取圖像中可能包含車牌的區域。

假設車牌圖片沒有旋轉和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。
假設車牌圖片沒有旋轉和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。

具體算法步驟如下：

1.將彩色圖像轉化為灰度圖，并采用5*5模版對圖像進行高斯模糊來退出由照相機或其他環境噪聲（如果不這么做，我們會得到很多垂直邊緣，導致錯誤檢測。）

2.使用Sobel濾波器求一階水平方向導數，以此尋找垂直邊緣

3.使用Otsu自適應閾值算法獲得圖像二值化的閾值，并由此得到一副二值畫圖片

4.采用閉操作，去除每個垂直邊緣線之間的空白空格，并連接所有包含 大量邊緣的區域（這步過后，我們將有許多包含車牌的候選區域）

5.由于大多數區域并不包含車牌，我們使用輪廓外接矩形的縱橫比和區域面積，對這些區域進行區分。

a.使用findContours找到外部輪廓

b.使用minAreaRect獲得這些輪廓的小外接矩形，存儲在vector向量中

c.使用面積和長寬比，作基本的驗證【閾值：長寬比為4.727272，允許誤差范圍正負40%，面積范圍15*15至125*125】

6.由于每個車牌都包含白色背景屬性。我們為了更的裁剪圖像，可以使用floodfill算法【用顏色填充某一密閉區域，相當于油漆桶的功能】來提取那些旋轉的矩形。

步的原文：get several seeds near the last rotated rectangle center. Then get the minimum size of plate between the width and height, and use it to generate random seeds near the patch center.】總之，得到每個矩形的中心，然后求每個矩形各自長寬的較小值，再用隨機數和這個較小值得到中心附近的種子點

第二步的原文：for each seed, we use a floodFill function to draw a new mask image to store the new closest cropping region:

第三部的翻譯：對這些裁剪區域，再次用縱橫比和區域面積進行驗證，再去除圖像的旋轉，并裁剪圖像到統一尺寸，均衡化圖像的灰度

②用SVM分類。分類前要先訓練SVM，準備正、負樣本（圖像分割后得到的車牌及非車牌圖像）。

字符識別（Chars Recognition）：對只包含車牌的圖塊進行光學字符識別（OCR），可用CNN實現。

三步：①字符分割 ②CNN訓練 ③使用CNN預測字符

一、字符分割【OCR Segment】

在使用神經網絡對每個字符進行預測之前，我們從只包含車牌的圖塊中扣取字符圖片，步驟如下：

輸入圖像為上一步驟得到的車牌：


a.二值化車牌


b.求輪廓


c.求小外接矩形


d.用縱橫比及面積，篩選外接矩形


e.調整統一矩形大小并保存每個字符的圖片【注意：分割得到順序和車牌字符順序無關，可能不同】