车牌算法

① 车牌识别系统算法是什么-真地

汽车牌照自动识别技术
它是利用车辆的动态视频或静态图像进行牌照号码、牌照颜色自动识别的模式识别技术。通过对图像的采集和处理，完成车牌自动识别功能，能从一幅图像中自动提取车牌图像，自动分割字符，进而对字符进行识别。其硬件基础一般包括触发设备(监测车辆是否进入视野)、摄像设备、照明设备、图像采集设备、识别车牌号码的处理机(如计算机)等。

自动识别技术分为硬识别和软识别（其实两者是相辅相成的）
“硬件识别”就是通过独立的硬件设备，对所抓拍图片进行一系列的字符处理；目前停车场系统行业中硬件识别也分为两种，即带有单独的车牌识别仪和前端硬件识别两种。前端硬件识别一体式摄像机是将传统单独的车牌识别仪嵌入至摄像机中，实现前端硬件与摄像机一体化，完美实现图像抓拍、视频流传输、字符识别、道闸抬杆等一系列的工作。
“软件识别”可以理解为通过软件对车牌号码进行的，通过在电脑上安装一个配套的车牌识别软件，对抓拍的图片进行识别处理。其工作方式是通过摄像机连续抓拍多张照片，选择其中较为清晰的一张，然后通过电脑软件进行字符处理，实现车牌识别的。因为每次识别需要抓拍多张照片，因此软识别的速度较慢。而且软识别系统对所抓拍的图片要求也是极高的，必须极为清晰才能达到想要的效果。该系统对现场环境以及调试质量要求极高，在诸多环境不佳的场合都不适用，并且识别设备的摆放也是非常重要的。
软硬识别的对比：
1、分析识别模式
硬识别系统：采用视频流分析识别，对监控范围内的视频流进行全天候实时分析；
软识别系统：图片分析识别，对到达指定范围内的车辆进行拍照，再对照片进行分析；当车辆位置不佳时，识别易出错。
2、智能算法模型

硬识别系统：采用智能模糊点阵识别算法，准确率更高，识别率大于99.70％。很少需要人工干预。
软识别系统：OCR/字型拓扑结构识别算法，会频繁出现误识别情况，准确率低于90％。需要人工不断输入纠正后的号牌。
3、可靠性及稳定性：

硬识别系统：专用识别器采用TI 公司的高速DSP，双CPU控制，确保系统可靠性和稳定性。
软识别系统：软件识别，容易频繁出现死机等情况，需经常重新启动电脑，造成间断性系统瘫痪。

② 求帮忙算一下车牌号一共有多少种组合

706万个；

5位车牌中，目前最多可以使用2个英文字母。26个英文字母中I和O是不允许使用的，原因很简单，这两个字母跟数字1、0太相像了。也就是说，车牌号一共有24个字母可以使用。 接下来就是排列组合的计算， 首先是纯数字车牌，从00000到99999，一共是10万个车牌，这是常识；

1个英文字母+数字车牌，24* C(5, 1) * 10*10*10*10=120万个车牌； 2个英文字母+数字车牌，24*24* C(5, 2) * 10*10*10=576万个车牌； 三种汽车车牌排列方式，合计共能组成706万个车牌。

(2)车牌算法扩展阅读：

车牌号作为标识车辆身份的号牌，车牌号对车的意义就像身份证号对人一样。例如车牌是广东省广州市的车子，粤代表广东省，A代表广州市，粤A就是广州市的车牌代码。

除了如今的自选个性车牌以外，当下使用的九二式机动车号牌由中文与英文字母的发牌机关代码与五位号码组成。比如“苏A-12345”，“苏”代表江苏省，A是南京市公安局车辆管理所发牌代码，代表此车是由南京市公安局车辆管理所发牌。后面五位数是序号。

对非自选个性车牌来说原则上，五位序号会从00000（某些地区从00001开始，以下不特别说明）开始按数字顺序发牌直到99999，超过这个数字就采用英文字母为字首，从A0000开始排到A9999，再接着B0000到B9999，以此类推到Z9999。

③ 在车牌识别中当前最先进的车牌定位方法有哪

从根本上讲，车牌定位的算法分为三类，一类是基于边缘的，一类是基于颜色的，一类是基于机器学习的，从实验结果可看出，基于边缘的最简单也最有效，如果对于收费站和小区的应用，做到99%以上的检测率不是件难事，但如果场景复杂一点，误检会比较多，但并不会漏掉真正的车牌，只是虚警率高点，可以通过先验知识、颜色和后面的分割加以去除，误检不是重点。基于颜色的定位算法，从根本上讲也可以算是基于边缘的一种，无非是利用彩色边缘或者灰度图像边缘和颜色一起来定位，基于颜色的车牌定位算法用于高清图片效果不错，对于一般的场景我认为没必要用颜色进行定位，但初期用颜色先去除一些明显不是车牌的区域还是比较有效的。基于机器学习的算法进行车牌定位或者说检测，关键是找到好的特征和好的训练方法，不少人利用adaboost+haar特征进行车牌检测，从我的实验结果来看，检测率也能达到99%以上，但同时虚警率也非常高，会出现很多误检，而且很难把车牌的区域完整的检测出来，所以如果单独要用机器学习的算法还是不太可行，不过可以先利用边缘信息找到候选区域，然后用adaboost去去除非车牌区域，这个效果还是蛮不错的。

对于边缘的检测，如果车牌在图像中占的比例不是很小，普通的差分和全局二值化就可以达到很好的效果，如果对于高清图像（譬如要检测几个车道）或者场景很复杂，导致车牌所占图像的比例很小，还有就是车牌处于比较暗的地方，而整个场景很亮，这个时候差分得到的边缘就不会很丰富，如果利用全局二值化就可能导致车牌区域检测不到边缘，解决办法一就是对图像进行灰度拉伸或增强，解决办法二就是换边缘检测的方法（譬如sobel），解决办法三就是改进二值化的方法。对于图像增强的方法我要特别提一下直方图均衡化，很多论文上都会说对输入图片先进行直方图均衡化，但我的实验发现，晚上的图片如果进行直方图均衡化操作后会导致噪点特别多，而且可能会导致车牌区域检测不到边缘，总之图像增强是一把双刃剑，需要慎重考虑。

如果利用边缘进行定位，关键是要想办法一定要检测出车牌区域的边缘。

总结一下车牌定位，利用边缘是王道，可以先粗检再精检，颜色可以用于精定位和去除误检，机器学习如果想要好的结果得需要好的特征，但目前好像还没有。我个人认为车牌定位的难点不在于找到车牌区域，而在于怎么对车牌区域进行更精确的定位，而精定位的难点在于左右精定位，以便于后面的分割算法。

④ 车牌号吉凶计算方法，不管有车没车，了解一下不吃亏

注意事项。在选车牌时，还应注意以下几点。
1、 阴阳互见。所谓阴阳互见，就是车牌号的数字要有单有双，不能全单或全双，因为《易》理认为，孤阴不生，独阳不长。
2、 三才得配。所谓三才得配是指天、地、人三者的关系要处理恰当，人生活在天地之间，一定要尊天敬地。如果三位数，其中间数不要全大于前后的数，如果四位数字，其中间两位数不要全大于前后的数，如果五位数，其中间的一位数不要全大于两边的数。

⑤ 车牌识别算法主要有哪些方法呢

从火眼臻睛车牌识别网站上了解到的，车牌识别算法主要有（1）启发式车牌定位；（2）大规模神经网络识别；（3）易混淆字符处理；三个方面的处理方法。车牌识别算法相对于车牌识别系统来说还是很重要的，这个决定着车牌识别系统的识别率的高低。

⑥ 车辆车牌识别原理

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。

⑦ 车牌自动识别能快速准确的识别车牌是什么原理

车牌自动识别原理基本是经过车牌捕捉、定位、截取、二值化、字符切分，最后车牌OCR识别、结果输出，一般还会有字符识别后处理等几个步骤，这几个步骤要协调处理才行，还要使用各种情况，比如，雨雪天气、反光、阴阳车牌、晚上补光、污损车牌等具体实际情况进行各种优化，才能得到一个完美的车牌识别算法，如果做论文，可以直接用开源的一些东西去完善，如果实际应用，可以用商用的车牌OCR识别产品。
启智畅想车牌识别SDK特点：1、毫秒级识别车牌，彻底解决手工输入痛点，快速、准确；2、手机相机视频预览识别车牌，可提供安卓、ISO、Windows、Linux等系统识别，支持移动设备离线识别以及电脑客户端、服务器端识别；3、支持识别的车牌种类多，蓝牌、黄牌、新能源车牌均可识别，4、复杂场景车牌均可识别，适应性强，白天晚上、远距离、大角度都能快速准确的识别车牌；5、车牌识别SDK开发部整体不超过500K，识别率高达99%；

⑧ 车牌定位有哪些算法,各有什么特点

这个 文字不是一般的多 建议你还是去下载研究生的论文和期刊吧，如果懒的话，网络文库里找，就有很多了
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。

⑨ 怎样算车牌吉凶

车牌号吉凶计算方法，例如车牌号码为：粤A35689，那么车牌号吉凶查询计算方法是取最后的4位数字5689除以80，得到一个数5689/80=71.1125然后去掉整数部分，留下小数点后面部分 71.1125-71（整数部分）=0.1125然后是用这个数乘以80，得出的数字取整数部分就是结果：0.1125×80=9，得到结果是9，对应下面的吉祥如意表，即可得到结果为：凶。（如果车牌号码中含有字母，则要把字母去掉，只取数字部分。例如为4W568，只取4568，W256取256，5A69取569，56A8，只取568）

⑩ 车牌识别算法的性能指标都包括什么

1.正确性
一个算法必须正确才有存在的意义，这是最重要的指标，即不会出现卡死、崩溃、输出乱码等现象。
2.可读性
客户需要调用车牌识别算法接口，所以，算法接口的可读性和易理解性也非常重要。
3.识别率
在考虑雨雪天气、车牌有无遮挡、车牌有无倾斜、车牌有无畸变、车牌有无污损、并支持多种车牌类型、白天和夜间等情况下，车牌整体识别率还能达到99%以上，这样的易泊车牌识别算法才能在实际应用中发挥出它的价值。
4.识别速度
识别速度决定了一个车牌识别系统是否能够满足实时性的要求，例如在停车场出入口管理应用中，如果识别速度太慢，出入口不能及时的自动抬干放行车辆，就会严重影响车辆的正常通过。
5.内存的占用
算法的执行都会占用一些内存，但如果占用过多，可能会影响其他系统的正常运行或者降低整个系统的运行速度，所以算法占用内存越少越好。
6.鲁棒性
鲁棒性是指当算法受到某种干扰或算法中某些参数在小范围内变化时，算法得到的结果是相对稳定的。鲁棒性包括两个方面，一方面，对出现的不合理的数据或非法的操作，算法能够对这些问题进行检查、纠正；另一方面，算法能克服很多因素的影响，适应不同的环境和条件。一个具有较强鲁棒性的车牌识别算法能克服天气变化、图像畸变、污损等的影响，且能保持在不同运行平台和不同数据格式下的稳定性能。