車牌演算法

① 車牌識別系統演算法是什麼-真地

汽車牌照自動識別技術
它是利用車輛的動態視頻或靜態圖像進行牌照號碼、牌照顏色自動識別的模式識別技術。通過對圖像的採集和處理，完成車牌自動識別功能，能從一幅圖像中自動提取車牌圖像，自動分割字元，進而對字元進行識別。其硬體基礎一般包括觸發設備(監測車輛是否進入視野)、攝像設備、照明設備、圖像採集設備、識別車牌號碼的處理機(如計算機)等。

自動識別技術分為硬識別和軟識別（其實兩者是相輔相成的）
「硬體識別」就是通過獨立的硬體設備，對所抓拍圖片進行一系列的字元處理；目前停車場系統行業中硬體識別也分為兩種，即帶有單獨的車牌識別儀和前端硬體識別兩種。前端硬體識別一體式攝像機是將傳統單獨的車牌識別儀嵌入至攝像機中，實現前端硬體與攝像機一體化，完美實現圖像抓拍、視頻流傳輸、字元識別、道閘抬桿等一系列的工作。
「軟體識別」可以理解為通過軟體對車牌號碼進行的，通過在電腦上安裝一個配套的車牌識別軟體，對抓拍的圖片進行識別處理。其工作方式是通過攝像機連續抓拍多張照片，選擇其中較為清晰的一張，然後通過電腦軟體進行字元處理，實現車牌識別的。因為每次識別需要抓拍多張照片，因此軟識別的速度較慢。而且軟識別系統對所抓拍的圖片要求也是極高的，必須極為清晰才能達到想要的效果。該系統對現場環境以及調試質量要求極高，在諸多環境不佳的場合都不適用，並且識別設備的擺放也是非常重要的。
軟硬識別的對比：
1、分析識別模式
硬識別系統：採用視頻流分析識別，對監控范圍內的視頻流進行全天候實時分析；
軟識別系統：圖片分析識別，對到達指定范圍內的車輛進行拍照，再對照片進行分析；當車輛位置不佳時，識別易出錯。
2、智能演算法模型

硬識別系統：採用智能模糊點陣識別演算法，准確率更高，識別率大於99.70％。很少需要人工干預。
軟識別系統：OCR/字型拓撲結構識別演算法，會頻繁出現誤識別情況，准確率低於90％。需要人工不斷輸入糾正後的號牌。
3、可靠性及穩定性：

硬識別系統：專用識別器採用TI 公司的高速DSP，雙CPU控制，確保系統可靠性和穩定性。
軟識別系統：軟體識別，容易頻繁出現死機等情況，需經常重新啟動電腦，造成間斷性系統癱瘓。

② 求幫忙算一下車牌號一共有多少種組合

706萬個；

5位車牌中，目前最多可以使用2個英文字母。26個英文字母中I和O是不允許使用的，原因很簡單，這兩個字母跟數字1、0太相像了。也就是說，車牌號一共有24個字母可以使用。 接下來就是排列組合的計算， 首先是純數字車牌，從00000到99999，一共是10萬個車牌，這是常識；

1個英文字母+數字車牌，24* C(5, 1) * 10*10*10*10=120萬個車牌； 2個英文字母+數字車牌，24*24* C(5, 2) * 10*10*10=576萬個車牌； 三種汽車車牌排列方式，合計共能組成706萬個車牌。

(2)車牌演算法擴展閱讀：

車牌號作為標識車輛身份的號牌，車牌號對車的意義就像身份證號對人一樣。例如車牌是廣東省廣州市的車子，粵代表廣東省，A代表廣州市，粵A就是廣州市的車牌代碼。

除了如今的自選個性車牌以外，當下使用的九二式機動車號牌由中文與英文字母的發牌機關代碼與五位號碼組成。比如「蘇A-12345」，「蘇」代表江蘇省，A是南京市公安局車輛管理所發牌代碼，代表此車是由南京市公安局車輛管理所發牌。後面五位數是序號。

對非自選個性車牌來說原則上，五位序號會從00000（某些地區從00001開始，以下不特別說明）開始按數字順序發牌直到99999，超過這個數字就採用英文字母為字首，從A0000開始排到A9999，再接著B0000到B9999，以此類推到Z9999。

③ 在車牌識別中當前最先進的車牌定位方法有哪

從根本上講，車牌定位的演算法分為三類，一類是基於邊緣的，一類是基於顏色的，一類是基於機器學習的，從實驗結果可看出，基於邊緣的最簡單也最有效，如果對於收費站和小區的應用，做到99%以上的檢測率不是件難事，但如果場景復雜一點，誤檢會比較多，但並不會漏掉真正的車牌，只是虛警率高點，可以通過先驗知識、顏色和後面的分割加以去除，誤檢不是重點。基於顏色的定位演算法，從根本上講也可以算是基於邊緣的一種，無非是利用彩色邊緣或者灰度圖像邊緣和顏色一起來定位，基於顏色的車牌定位演算法用於高清圖片效果不錯，對於一般的場景我認為沒必要用顏色進行定位，但初期用顏色先去除一些明顯不是車牌的區域還是比較有效的。基於機器學習的演算法進行車牌定位或者說檢測，關鍵是找到好的特徵和好的訓練方法，不少人利用adaboost+haar特徵進行車牌檢測，從我的實驗結果來看，檢測率也能達到99%以上，但同時虛警率也非常高，會出現很多誤檢，而且很難把車牌的區域完整的檢測出來，所以如果單獨要用機器學習的演算法還是不太可行，不過可以先利用邊緣信息找到候選區域，然後用adaboost去去除非車牌區域，這個效果還是蠻不錯的。

對於邊緣的檢測，如果車牌在圖像中占的比例不是很小，普通的差分和全局二值化就可以達到很好的效果，如果對於高清圖像（譬如要檢測幾個車道）或者場景很復雜，導致車牌所佔圖像的比例很小，還有就是車牌處於比較暗的地方，而整個場景很亮，這個時候差分得到的邊緣就不會很豐富，如果利用全局二值化就可能導致車牌區域檢測不到邊緣，解決辦法一就是對圖像進行灰度拉伸或增強，解決辦法二就是換邊緣檢測的方法（譬如sobel），解決辦法三就是改進二值化的方法。對於圖像增強的方法我要特別提一下直方圖均衡化，很多論文上都會說對輸入圖片先進行直方圖均衡化，但我的實驗發現，晚上的圖片如果進行直方圖均衡化操作後會導致噪點特別多，而且可能會導致車牌區域檢測不到邊緣，總之圖像增強是一把雙刃劍，需要慎重考慮。

如果利用邊緣進行定位，關鍵是要想辦法一定要檢測出車牌區域的邊緣。

總結一下車牌定位，利用邊緣是王道，可以先粗檢再精檢，顏色可以用於精定位和去除誤檢，機器學習如果想要好的結果得需要好的特徵，但目前好像還沒有。我個人認為車牌定位的難點不在於找到車牌區域，而在於怎麼對車牌區域進行更精確的定位，而精定位的難點在於左右精定位，以便於後面的分割演算法。

④ 車牌號吉凶計算方法，不管有車沒車，了解一下不吃虧

注意事項。在選車牌時，還應注意以下幾點。
1、 陰陽互見。所謂陰陽互見，就是車牌號的數字要有單有雙，不能全單或全雙，因為《易》理認為，孤陰不生，獨陽不長。
2、 三才得配。所謂三才得配是指天、地、人三者的關系要處理恰當，人生活在天地之間，一定要尊天敬地。如果三位數，其中間數不要全大於前後的數，如果四位數字，其中間兩位數不要全大於前後的數，如果五位數，其中間的一位數不要全大於兩邊的數。

⑤ 車牌識別演算法主要有哪些方法呢

從火眼臻睛車牌識別網站上了解到的，車牌識別演算法主要有（1）啟發式車牌定位；（2）大規模神經網路識別；（3）易混淆字元處理；三個方面的處理方法。車牌識別演算法相對於車牌識別系統來說還是很重要的，這個決定著車牌識別系統的識別率的高低。

⑥ 車輛車牌識別原理

為了進行車牌識別，需要以下幾個基本的步驟：
1)牌照定位，定點陣圖片中的牌照位置；
2)牌照字元分割，把牌照中的字元分割出來；
3)牌照字元識別，把分割好的字元進行識別，最終組成牌照號碼。
車牌識別過程中，牌照顏色的識別依據演算法不同，可能在上述不同步驟實現，通常與車牌識別互相配合、互相驗證。

⑦ 車牌自動識別能快速准確的識別車牌是什麼原理

車牌自動識別原理基本是經過車牌捕捉、定位、截取、二值化、字元切分，最後車牌OCR識別、結果輸出，一般還會有字元識別後處理等幾個步驟，這幾個步驟要協調處理才行，還要使用各種情況，比如，雨雪天氣、反光、陰陽車牌、晚上補光、污損車牌等具體實際情況進行各種優化，才能得到一個完美的車牌識別演算法，如果做論文，可以直接用開源的一些東西去完善，如果實際應用，可以用商用的車牌OCR識別產品。
啟智暢想車牌識別SDK特點：1、毫秒級識別車牌，徹底解決手工輸入痛點，快速、准確；2、手機相機視頻預覽識別車牌，可提供安卓、ISO、Windows、Linux等系統識別，支持移動設備離線識別以及電腦客戶端、伺服器端識別；3、支持識別的車牌種類多，藍牌、黃牌、新能源車牌均可識別，4、復雜場景車牌均可識別，適應性強，白天晚上、遠距離、大角度都能快速准確的識別車牌；5、車牌識別SDK開發部整體不超過500K，識別率高達99%；

⑧ 車牌定位有哪些演算法,各有什麼特點

這個 文字不是一般的多 建議你還是去下載研究生的論文和期刊吧，如果懶的話，網路文庫里找，就有很多了
1) 基於車牌圖像色彩信息定位法[12]。我國車牌主要由四種類型組成:藍底白字、黃底
黑字、白底紅字和黑底白字。根據車牌底色信息可以准確地定位出車牌的邊界。該方法識別濾高、適應性強，但易受光照條件和背景干擾且運算量一般較大，不適合用於實時性要求高的環境中。
2) 基於邊緣檢測的定位法[13]。 車牌字元區域灰度頻率變化是車牌區域最穩定的特
征，可以利用它的變化來進行車牌定位。首先對車輛圖像進行增強，然後再進行邊緣提取，最後利用水平掃描線等方法進行車牌區域的檢測。該類方法的定位準確率較高，反映時間快，能有效去掉雜訊，適合於背景較復雜的車輛圖像。但是對車牌嚴重褪色的情況，由於檢測不到字元筆畫的邊緣會導致定位失敗。
3) 基於車牌幾何特徵車定位法[14]。我國車牌標准外輪廓尺寸為440*140且為矩形，
整個車牌的寬高比近似為3: 1。利用這種固有特徵進行車牌邊框提取車牌。這類方法只在車牌位置基本保持水平，同時邊框清晰明顯時才有效，但若車牌本身的邊框是斷裂，殘缺的或採集到的圖像偏離水平角度較大，都會影響定位的准確性，故使用范圍較窄。
4) 基於頻譜分析的車牌定位法[15]。該類方法將圖像從空間域變換到頻率域進行分析，
如DFT變換法和採用小波變換法等。小波分析可以在不同的解析度層次上對圖像進行分割，在低解析度層次上進行粗分割，這樣節約時間同時為細分割縮小檢測范圍。而在高解析度層次上實現車牌區域的准確定位。但當車輛圖像中存在燥聲時，會對准確識別車牌區域帶來很大的干擾，影響車牌定位的准確性。

⑨ 怎樣算車牌吉凶

車牌號吉凶計算方法，例如車牌號碼為：粵A35689，那麼車牌號吉凶查詢計算方法是取最後的4位數字5689除以80，得到一個數5689/80=71.1125然後去掉整數部分，留下小數點後面部分 71.1125-71（整數部分）=0.1125然後是用這個數乘以80，得出的數字取整數部分就是結果：0.1125×80=9，得到結果是9，對應下面的吉祥如意表，即可得到結果為：凶。（如果車牌號碼中含有字母，則要把字母去掉，只取數字部分。例如為4W568，只取4568，W256取256，5A69取569，56A8，只取568）

⑩ 車牌識別演算法的性能指標都包括什麼

1.正確性
一個演算法必須正確才有存在的意義，這是最重要的指標，即不會出現卡死、崩潰、輸出亂碼等現象。
2.可讀性
客戶需要調用車牌識別演算法介面，所以，演算法介面的可讀性和易理解性也非常重要。
3.識別率
在考慮雨雪天氣、車牌有無遮擋、車牌有無傾斜、車牌有無畸變、車牌有無污損、並支持多種車牌類型、白天和夜間等情況下，車牌整體識別率還能達到99%以上，這樣的易泊車牌識別演算法才能在實際應用中發揮出它的價值。
4.識別速度
識別速度決定了一個車牌識別系統是否能夠滿足實時性的要求，例如在停車場出入口管理應用中，如果識別速度太慢，出入口不能及時的自動抬干放行車輛，就會嚴重影響車輛的正常通過。
5.內存的佔用
演算法的執行都會佔用一些內存，但如果佔用過多，可能會影響其他系統的正常運行或者降低整個系統的運行速度，所以演算法佔用內存越少越好。
6.魯棒性
魯棒性是指當演算法受到某種干擾或演算法中某些參數在小范圍內變化時，演算法得到的結果是相對穩定的。魯棒性包括兩個方面，一方面，對出現的不合理的數據或非法的操作，演算法能夠對這些問題進行檢查、糾正；另一方面，演算法能克服很多因素的影響，適應不同的環境和條件。一個具有較強魯棒性的車牌識別演算法能克服天氣變化、圖像畸變、污損等的影響，且能保持在不同運行平台和不同數據格式下的穩定性能。