視頻+地感識別模式

這種方式是前兩種模式的升級版，視頻加地感識別模式是通過車牌識別相機視頻識別方式進行識別，通過地感觸發方式進行上傳。相比較地感線圈識別和視頻識別模式，視頻+地感識別模式能夠提供更快的識別速度和更高的識別率。視頻+地感靈活切換的識別模式，是目前應用靈活性好的識別模式，通過軟件劃定識別區域和輸出區域，根據客戶現場環境，自由設置車牌輸出的位置，可以解決跟車被識別，或過早輸出的問題。當無牌車行駛到輸出區域，車牌識別相機輕松記錄無牌車信息。

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】