小车车牌定位,小波车牌定位
本文目录一览：
在车牌识别中当前最先进的车牌定位方法有哪些
1) 基于车牌图像色彩信息定位法[12]。我国车牌主要由四种类型组成:蓝底白字、黄底
黑字、白底红字和黑底白字。根据车牌底色信息可以准确地定位出车牌的边界。该方法识别滤高、适应性强，但易受光照条件和背景干扰且运算量一般较大，不适合用于实时性要求高的环境中。
2) 基于边缘检测的定位法[13]。 车牌字符区域灰度频率变化是车牌区域最稳定的特
征，可以利用它的变化来进行车牌定位。首先对车辆图像进行增强，然后再进行边缘提取，最后利用水平扫描线等方法进行车牌区域的检测。该类方法的定位准确率较高，反映时间快，能有效去掉噪声，适合于背景较复杂的车辆图像。但是对车牌严重褪色的情况，由于检测不到字符笔画的边缘会导致定位失败。
3) 基于车牌几何特征车定位法[14]。我国车牌标准外轮廓尺寸为440*140且为矩形，
整个车牌的宽高比近似为3: 1。利用这种固有特征进行车牌边框提取车牌。这类方法只在车牌位置基本保持水平，同时边框清晰明显时才有效，但若车牌本身的边框是断裂，残缺的或采集到的图像偏离水平角度较大，都会影响定位的准确性，故使用范围较窄。
4) 基于频谱分析的车牌定位法[15]。该类方法将图像从空间域变换到频率域进行分析，
如DFT变换法和采用小波变换法等。小波分析可以在不同的分辨率层次上对图像进行分割，在低分辨率层次上进行粗分割，这样节约时间同时为细分割缩小检测范围。而在高分辨率层次上实现车牌区域的准确定位。但当车辆图像中存在燥声时，会对准确识别车牌区域带来很大的干扰，影响车牌定位的准确性。
跪求会基于灰度化车牌定位的高手
(1)基于水平灰度变化特征小波车牌定位的方法小波车牌定位，这种方法主要在车牌定位以前， 需要对图像进行预处理，将彩色图像转换为灰度图像，利用车牌区域水平方向小波车牌定位的纹理特征进行车牌定位小波车牌定位；(2) 基于边缘检测的定位方法，这种方法是利用车牌区域丰富的边缘特征进行车牌定位，能够进行检测的方法有多种，如Roberts 边缘算子、Prewitt 算子、Sobel 算子以及拉普拉斯边缘检测小波车牌定位；(3) 基于车牌颜色特征的定位方法，这种方法主要是应用车牌的纹理特征、形状特征和颜色特征即利用车牌字符和车牌底色具有明显的反差特征来排除干扰进行车牌的定位；(4) 基于Hough 变换的车牌定位方法，这种方法是利用车牌边框的几何特征，采取寻找车牌边框直线的方法进行车牌定位；(5) 基于变换域的车牌定位方法，这种方法是将图像从空域变换到频域进行分析，例如采用小波变换等；(6) 基于数学形态学的车牌定位方法，这种方法是利用数学形态学图像处理的基本思想，利用一个结构元素来探测一个图像， 看是否能将这个结构元素很好的填放在图像内部，同时验证填放元素的方法是否有效。腐蚀、膨胀、开启和关闭是数学形态学的基本运算。
车牌识别软件
车牌识别软件小波车牌定位，安装在PC上即可运行。可完成进出车辆识别抓图和对进出车牌信息进行常规的统计分析小波车牌定位，并且支持车牌信息回查小波车牌定位，提高管理水平。
软件原理
车牌识别是基于计算机视觉和模式识别理论，对含有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、车牌定位、字符分割、字符识别等一系列算法运算，其运行流程如下：
图像采集：
通过模拟摄像机或高清摄像机对过往车辆进行实时、不间断记录、采集。
车牌定位：
车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个车牌识别率的重要因素。
车牌定位算法的好坏，由车牌检出率来评估，目前市面上优秀的车牌识别系统，检出率能达到99%以上。
其核心是利用车牌区域的纹理特性，进行车牌定位，常用的车牌检测算法包括：利用梯度信息投影统计小波车牌定位；利用小波变换作分割小波车牌定位；车牌区域扫描连线算法；利用区域特性训练分类器的方法等。这些算法各有利弊，如何从复杂场景中提取出稳定可靠的车牌区域是一个难点。
字符分割：
在图像中定位出车牌区域后，通过灰度化、灰度拉伸、二值化、边缘化等处理，进一步精确定位字符区域，然后根据字符尺寸特征提出动态模板法进行字符分割，并将字符大小进行归一化处理。
字符识别：
对分割后的字符进行缩放、特征提取，获得特定字符的表达形式，然后通过分类器就可以对字符进行识别，常用的分类算法有神经网络，SVM等。
结果输出：
将车牌识别的结果以文本格式输出。
车牌识别软件应用领域
车牌识别软件可广泛应用于智能交通、公路卡口、停车场管理、电子警察等领域。
