① 车牌识别算法的研究与分类
车牌识别系统要综合应用多种手段提取车牌区域，对汽车牌照的精确定位并最终完成对汽车牌照的识别。因此车牌识别系统要应对多种复杂环境，如车流量高峰期、照射反光、车牌污染等。利用模拟人脑智能的ANN，在识别车牌时能进行联想记忆与推理，能够较好地解决字符残缺不完整而无法识别的问题。
车牌识别方法的研究
车牌识别系统主要包括车牌定位、字符分割、字符识别等工作模块，同时系统统自身具有良好的维护性和扩展性，可在无需为车辆加装其他特殊装置情况下实现对车辆的自动检测。
车牌定位方法的研究
车牌定位就是把车牌区域完整的从一副具有复杂背景的车辆图像中分割出来，它是解决图像处理中的实际问题，其方法多种多样，当前最常见的定位技术主要有：基于边缘检测的方法、基于彩色分割的方法、基于小波变换的方法、遗传算法和人工神经网络技术等。
基于边缘检测的车牌定位方法：在对车牌进行定位前，先将汽车图像通过灰度变换、直方图均衡化等增强预处理，再经二值化，最后利用边缘检测算子对图像进行边缘检测。检测到边缘后在进行区域膨胀，腐蚀去无关的小物件，这时图像会呈现出多个连通的判断区域，最后找出所有连通域中最可能是车牌的那一个便可 。
基于色彩分割的车牌定位方法：主要由彩色分割和日标定位等模块组成，在进行色彩分割前，要先将原始图像从RGB色彩空间转换到HSV空间，再在HSV空间内进行色彩分析。具体的分割运算：依次将四种车牌底色中一种为基准，对图像中每一像素先对照表1进行色彩分量比较，对超出基准色限定范围的像素直接设置为背景色（白色），否则统计所有落在该区间内的像素三分量的均值，作为分割计算的颜色中心，再对所有区间范围内的像素计算其与颜色中心的色彩距离，若距离大于阀值，则设置为背景色，否则设置为日标色（黑色）
由于图像背景的复杂性，色彩过滤后的图像仍然可能包含多个可能的目标区域，需进一步使用车牌体态比特征对多个目标区域进行过滤。
基于小波变换的车牌定位方法：先将车辆图像转换成索引图像，然后对索引图像作用小波变换，获取图像在不同子带的小波系数。车牌识别特征提取就是基于汽车图像在小波变换后的LH高频子带，根据图像中车牌区域的小波系数幅值大、密度高的特点，可以通过作用一个阈值来滤掉非牌照候选区域的小波系数。通过小波尺度分解提出纹理清晰且具有不同空间分辨率、不同方向的边缘子图；再利用车牌日标区域具有水平方向低频、垂直方向高频的特点实现子图提取，最后用数学形态学方法对小波分解后的细节图像进行一系列的形态运算，进一步消除无用信息和噪声，以确定车牌位置。
基于遗传算法的车牌定位方法：车牌日标区域的主要特点有车牌底色往往与车身颜色、字符颜色有较大差异；另外牌照的长度比变化有一定范围，存在一个最大和最小长宽比。根据这些特点，可以在灰度图像的基础上提取相应的特征。还有车牌内字符之间的间隔比较均匀，字符和牌照底色在灰度值上存在跳变，而字符本身与牌照底的内部都有较均匀灰度。又由于车牌有一个连续或由于磨损而不连续的边框，车牌内字符有多个，基本呈水平排列，所以在牌照的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征，因此在实际中我们只要先对彩色图像进行灰度化和二值化处理，采用反映不同疏密度的一维滤波器组在水平方向对二值图像进行滤波便可获得车牌图像的纹理特征向量，再对待定局部区域图像进行滤波处理获得其特征向量，将其与车牌特征描述向量进行比较就能得到该区域作为车牌区的可能性。
采用神经网络实现车牌定位算法：可采用对灰度图像直接感知的方法实现，即使用一个滑动窗口作为采样窗口(可根据车牌特征选择长条形或狭长形滑动窗口)，在灰度图像上依次移动，将窗口覆盖下的图像块作为神经网络的输入，所采用的BP网络是3层全连接前馈网络，其输入层神经元数日为滑动窗口的尺寸，其输出层神经元数日为l。当输出接近二分之一时，表示滑动窗口下的图像块属于车牌区域：当输出接近二分之一时，表示滑动窗口下的图像块属于背景区域。此算法的样本集的选择和搜索策略都是很重要的，这都会对定位效果有影响，因此首先要对车牌和北京交替反复采样，并且要在所选图像中尽量包括各种不同光照条件、背景复杂度和牌照颜色，以有利于网络实现泛化，这样可以加强网络的容错性；而对于搜索策略而言，由于车牌一般位于图像的中下方，因此一般采取白下而上遍历，这样不容易误将车型标志处定位为车牌区域，并且当遍历图像后出现不止一个候选车牌区域的时候，也应优先考虑最下的候选车牌区域。另外，由于神经网络具有一定的容错性，对于倾斜角度较大的车牌，要在神经网络处理之前先进行水平校正。
字符分割方法的研究
字符分割的任务是把多行或多字符图像中的每个字符从整个图像中切割出来成为单个字符。字符分割的算法很多，通常根据处理对象的不同采用不同的算法。常见的方法主要有：模板匹配法、水平投影法、聚类分析法、基于自适应退化形态特征的图像分割法等，在这里我们详细阐述前三种方法。
模板匹配法：此方法先在二值图像上计算竖直积分投影的平滑曲线，搜索平滑曲线的局部最小值得到一个波谷位置序列；再将相邻两个波谷分别作为左右边界提取出一组矩形区域；最后，根据一定的规则对矩形区域进行删除、分裂、合并及调整大小，从而实现对车牌区域的单字符分割。
水平投影法：此方法先自下而上再白上而下对车牌区域图像进行逐行扫描，找到并分别记录下扫描到的第1个白色像素点位置，确定图像大致的高度范围；在此高度范围之内再自左向右逐行扫描，遇到第1个白色像素时认为是字符分割的起始位置，然后继续扫描，直至遇到没有白色像素的列，则认为是这个字符分割结果。重复上述过程，直至图像的最右端，得到每个字符比较精确的宽度范围：在已知的每个字符比较精确的宽度范围内，再分别进行自上而下和白下而上的逐行扫描来确定每个字符精确的高度范围。
聚类分析法：此方法是按照属于同一个字符的像素构成一个连通域的原则，再结合先验知识，字符的高度、间距的固定比例关系等，来逐个分割车牌区域中的字符的。
② 车牌字符识别算法原理是怎样的
原理就是通过摄像机拍摄道路上行驶的车辆图像进行车牌号码的识别，过程涉及：车辆检测—图像采集—预处理—车牌定位—字符分割—字符识别—结果输出。
辆检测：可采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式感知车辆的经过，并触发图像采集抓拍。
图像采集：通过高清摄像抓拍主机对通行车辆进行实时、不间断记录、采集。
预处理：噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等。
车牌定位：在经过图像预处理之后的灰度图像上进行行列扫描，确定车牌区域。
字符分割：在图像中定位出车牌区域后，通过灰度化、二值化等处理，精确定位字符区域，然后根据字符尺寸特征进行字符分割。
字符识别：对分割后的字符进行缩放、特征提取，与字符数据库模板中的标准字符表达形式进行匹配判别。
结果输出：将车牌识别的结果以文本格式输出。
③ 车牌识别系统的识别原理
车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支，而且更适合移动式、便携式应用的要求。
系统进行视频车辆检测，需要具备很高的处理速度并采用优秀的算法，在基本不丢帧的情况下实现图像采集、处理。若处理速度慢，则导致丢帧，使系统无法检测到行驶速度较快的车辆，同时也难以保证在有利于识别的位置开始识别处理，影响系统识别率。因此，将视频车辆检测与牌照自动识别相结合具备一定的技术难度。 为了进行车牌识别，需要以下几个基本的步骤：
1) 牌照定位，定位图片中的牌照位置；
2) 牌照字符分割，把牌照中的字符分割出来；
3) 牌照字符识别，把分割好的字符进行识别，最终组成牌照号码。
车牌识别过程中，牌照颜色的识别依据算法不同，可能在上述不同步骤实现，通常与车牌识别互相配合、互相验证。
1) 牌照定位
自然环境下，汽车图像背景复杂、光照不均匀，如何在自然背景中准确地确定牌照区域是整个识别过程的关键。首先对采集到的视频图像进行大范围相关搜索，找到符合汽车牌照特征的若干区域作为候选区，然后对这些侯选区域做进一步分析、评判，最后选定一个最佳的区域作为牌照区域，并将其从图像中分离出来。
2) 牌照字符分割
完成牌照区域的定位后，再将牌照区域分割成单个字符，然后进行识别。字符分割一般采用垂直投影法。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。
3) 牌照字符识别方法主要有基于模板匹配算法和基于人工神经网络算法。基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小，然后与所有的模板进行匹配，选择最佳匹配作为结果。基于人工神经网络的算法有两种：一种是先对字符进行特征提取，然后用所获得特征来训练神经网络分配器；另一种方法是直接把图像输入网络，由网络自动实现特征提取直至识别出结果。
实际应用中，车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。牌照质量会受到各种因素的影响，如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等；实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。这些影响因素不同程度上降低了车牌识别的识别率，也正是车牌识别系统的困难和挑战所在。为了提高识别率，除了不断地完善识别算法还应该想办法克服各种光照条件，使采集到的图像最利于识别。
