(一) 检测车辆（基于混合高斯模型的背景差分法）
1. 
读取视频（avi格式），选定目标区域框用于检测车辆


2.检测车辆，基于混合高斯模型的背景差分法检测前景，经过腐蚀、膨胀后，若像素值大于200的像素点数大于80000且上一帧像素点数小于80000，则视为检测出车辆并保存改区域的图片


(二) 检测车牌区域（基于HSV颜色空间+形态学方法）
1.车牌粗定位


（1） 改变图片尺寸（480′320）得到resizeimg


（2） 转换为HSV空间，并在HSV空间直方图均衡化


（3） 在HSV空间检测蓝色区域，范围为(100,90,80)—(130,255,255)，得到blueimg


（4） 对blueimg进行膨胀运算、开运算得到image1


（5） 对resizeimg灰度化


（6） 进行直方图均衡化


（7）中值滤波


（8）Canny算子边缘检测


（9）进行开运算、闭运算得到image2


（10）对HSV空间检测蓝色分量的image1和边缘检测得到的image2进行按位与得到andimage


（11）对andimage进行膨胀运算


（12）寻找最大连通域


（13）圈出最大连通域所在的矩形区域并切割得到ROIimage
2.车牌精确定位


（1）对ROIimage转换蓝色空间并均衡化


（2）检测蓝色区域，范围为(100,90,90)—(140,255,255)


（3）框出非零点集所在的最大矩形区域并切割得到roimage


（4）Canny算子检测roimage并利用hough变换进行水平倾斜校正得到houghimage


（5）对houghimage进行灰度化、二值化（浙大张引二值化）


（6）对二值化车牌水平方向统计黑白跳变次数


（7）从车牌中间向上下搜索，若跳变次数小于14，设定为上下边界并切割，得到jingqueimage


(三) 车牌字符切割（投影法）


1.对对车牌进行垂直投影，求垂直方向投影平均值mean，设定投影特征值TZ=0.63′mean


2.先从第三个字符开始切割，选择车牌宽度的0.3倍处作为起始点，向右寻找大于TZ的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点后下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16*32，二值化得到字符


3.第四个到第七个字符的切割方法与第三个字符相同
4. 
切割第二个字符，选择车牌宽度的0.35处作为起始点，向左寻找大于特征值的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点左边下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16′32，二值化得到字符


5.切割第一个字符，切割方法同第二个字符。求后六个字符的宽度平均值，若切割出字符宽度小于平均值的0.8倍，则重新寻找下一个为零的波谷作为终点，切割出该部分。对该部分扩充调整其宽高比为0.5，对其归一化16′32，二值化得到字符


(四) 车牌识别（BP神经网络）
1.汉字识别


（1）网络层数：输入层：560 隐含层：132 输出层：31


（2）激活函数：Sigmoid函数


（3）神经网络的训练参数：


a) 最大迭代次数：10000


b)误差最小值：0.001


c) 权值更新率：0.07


d) 权值更新冲量：0.07


（4）输入样本：


a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维


b) 训练样本数：所有省份样本共1195个


（5） 输出结果：输出层共31个，如“京”：0.9，,0.1……0.1，选取输出的31个值的最大的值为识别结果


（6） 对汉字识别：提取特征并进行预测，输出省份
2.字母识别


（1）网络层数：输入层：560 隐含层：117 输出层：24


（2）激活函数：Sigmoid函数


（3）神经网络的训练参数：


a) 最大迭代次数：30000


b) 误差最小值：0.001


c) 权值更新率：0.07


d) 权值更新冲量：0.07


（4）输入样本：


a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维


b) 训练样本数：所有省份样本共1200个


（5）输出结果：输出层共24个，如“A”：0.9，,0.1……0.1，选取输出的24个值的最大的值为识别结果


（6） 对字母识别：提取特征并进行预测，输出字母
3.字母和数字识别


（1）网络层数：输入层：560 隐含层：139 输出层：34


（2）激活函数：Sigmoid函数


（3）神经网络的训练参数：


a) 最大迭代次数：30000


b) 误差最小值：0.001


c) 权值更新率：0.06


d) 权值更新冲量：0.06


（4）输入样本：


a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维


b) 训练样本数：所有省份样本共5100个


（5）输出结果：输出层共34个，如“A”：0.9，,0.1……0.1，选取输出的34个值的最大的值为识别结果


（6）对字母和数字识别：提取特征并进行预测，输出字母


【更新时间：2022/11/29】

[返回]