禹城市不锈钢岗亭价格

对图像预处置
 
　　车牌识别中车牌定位之前普通要对图像做预处置，然后再停止车牌的定位、分割、辨认等局部。由于得到的车牌图像可能含有较多噪声，或图像比照度不强、车牌被局部遮挡、车牌处呈现污点、变脏、含糊褪色、有其它字符区域干扰、以及呈现因运动产生的图像含糊失真等状况，所以定位算法完成起来有较多艰难。关于字符分割，则可能存在光照不均、污迹严重、车牌倾斜、比照度小、牌照褪色、牌照字符粘连等不利要素，这样就需求研发与之顺应的算法。如算法能顺应各种复杂环境和有噪声、车牌遮挡、车牌倾斜等情况的话，那就能够大大进步车牌辨认的概率。

字符分割
 
　　定位出车牌区域后，由于并不知道车牌中总共有几个字符、字符间的位置关系、每个字符的宽高等信息，所以，为了车牌类型匹配和字符识别正确，字符分割是的一步。字符分割的主要思路是，基于车牌的二值化结果或边缘提取结果，利用字符的结构特征、字符间的相似性、字符间间隔等信息，一方面把单个字符分别提取出来，也包括粘连和断裂字符等特殊情况的处理；另一方面把宽、高相似的字符归为一类从而去除车牌边框以及一些小的噪声。一般采用的算法有：连通域分析、投影分析，字符聚类和模板匹配等。污损车牌和光照不均造成的模糊车牌仍是字符分割算法所面对的挑战，有待更好的算法出现并解决以上问题。

字符识别
 
　　对分割后的字符的灰度图像进行归一化处理，特征提取，然后经过机器学习或与字符数据库模板进行匹配，后选取匹配度的结果作为识别结果。目前比较流行的字符识别算法有：模板匹配法、人工神经网络法、支持向量机法和Adaboost分类法等。模板匹配法的优点是识别速度快、方法简单，缺点是对断裂、污损等情况的处理有一些困难；人工神经网络法学习能力强、适应性强、分类能力强但比较耗时；支持向量机法对于未见过的测试样本具有更好的识别能力且需要较少的训练样本；Adaboost分类法能侧重于比较重要的训练数据，识别速度快、实时性较高。我国车牌由汉字、英文字母和阿拉伯数字3种字符组成，且具有统一的样式，这也是识别过程的方便之处。但由于车牌很容易受外在环境的影响，出现模糊、断裂、污损字符的情况，如何提高这类字符和易混淆字符的识别率，也是字符识别的难点之一。易混淆字符包括：0与D、0与Q、2与Z、8与B、5与S、6与G、4与A等。