車牌識別是許多智能交通應(yīng)用場景需要解決的問題，如小區(qū)汽車門禁、停車場自動計時收費、道路電子眼自動違章識別抓拍等。近年來，人工智能技術(shù)已應(yīng)用到許多車牌識別方案中。本文主要闡述了車牌識別的整個流程及涉及的人工智能相關(guān)算法，比較并分析了各種算法特點和優(yōu)缺點，對進(jìn)一步研究人工智能技術(shù)在智能交通領(lǐng)域的應(yīng)用具有一定的借鑒意義。

       1 、引言
       一個典型的車輛牌照識別過程按照先后順序一般包括：車輛圖像采集、車牌定位、車牌字符分割和車牌字符識別。本文詳細(xì)闡述這些內(nèi)容，包括需要解決的問題、實現(xiàn)流程、使用的算法等。

       2、 車輛圖像采集

       識別車牌的第一步是獲取車輛圖像，也就是車輛圖像的采集。在車牌識別現(xiàn)場，車輛圖像一般都由攝像機實時拍攝得到，工作環(huán)境相對復(fù)雜，如受到光線、天氣、車輛的行駛速度、車牌位置等各種因素的影響，因此首先需要在硬件上保證所采集的車輛圖像盡可能清晰、完整、大小一致、便于處理。

車輛圖像采集方式主要有三種方式：

      （1）視頻識別。其工作原理是通過車牌識別相機拍攝視頻識別車輛，可以是普通相機+視頻采集卡，也可以是數(shù)碼相機。

      （2）地感線圈識別。其工作原理是當(dāng)車輛進(jìn)入識別區(qū)域時，安裝在車輛減速帶前的地感線圈監(jiān)測到車輛然后發(fā)信號給相機進(jìn)行抓拍。它的優(yōu)點是有較高的觸發(fā)率，性能比較穩(wěn)定；缺點是需要在施工時專門安裝硬件設(shè)備，工程量相對較大。

       （3）視頻+地感線圈識別。其工作原理是通過車牌識別相機拍攝視頻識別車輛，然后通過地感線圈觸發(fā)輸出識別結(jié)果。相比單獨使用地感線圈識別或視頻識別，該方式具備更快的識別速度和更高的識別率。

       3、 車牌定位

       車牌定位的任務(wù)是從上一步采集的車輛圖像找到車牌區(qū)域并截取出來。車牌定位算法概括起來可以分為兩大類:

       (1）基于圖形圖像學(xué)的定位方法，如邊緣檢測定位、顏色定位等。外界信息的干擾會欺騙定位算法，使得定位算法生成過多的非車牌候選區(qū)域，增大系統(tǒng)負(fù)荷。此算法的實現(xiàn)分為三步：（1）對圖像進(jìn)行邊緣檢測、二值化等預(yù)處理；（2）進(jìn)行膨脹和腐蝕操作等形態(tài)學(xué)處理；（3）查找車牌輪廓并精確定位。

       (2）基于機器學(xué)習(xí)的定位方法，如特征工程定位、神經(jīng)網(wǎng)絡(luò)定位等。使用此算法進(jìn)行車牌定位的關(guān)鍵是找到好的特征和訓(xùn)練方法。其主要步驟可以分為：（1）提供一套擁有正確輸出的訓(xùn)練數(shù)據(jù)（車輛圖像）；（2）構(gòu)建神經(jīng)網(wǎng)絡(luò)模型；（3）用訓(xùn)練后的模型進(jìn)行實際車牌定位檢測定位效果。

       4 、車牌字符分割
       車牌字符分割的任務(wù)是把上一步得到的車牌區(qū)域中的字符正確截取出來，成為多個只包含一個字符的圖像。常用的字符分割算法有：基于連通域標(biāo)記的算法、基于字符幾何特征的算法、基于圖像投影的算法。其中投影算法應(yīng)用較為廣泛，分隔效率較高。此算法的實現(xiàn)可描述為：首先，遍歷整個圖片計算每一列白色（車牌號區(qū)域）像素點的個數(shù)并存到數(shù)組中；其次，由數(shù)組里的灰度值得到相應(yīng)的投影圖，再通過數(shù)組的內(nèi)容找到相鄰字符間的分割點；最后，根據(jù)分割點完成字符分割。

       5、 車牌字符識別

       車牌字符識別是車牌識別過程的最后一步，主要任務(wù)是把上一步分隔出的車牌字符圖像轉(zhuǎn)化為正確的字符，并最終拼接為正確的車牌號碼。在實際應(yīng)用場景中，主要涉及到辨識的準(zhǔn)確性和識別速度兩方面。一般停車場在車牌無損傷的狀態(tài)下識別率應(yīng)達(dá)到95%以上，識別速度應(yīng)達(dá)到1秒以內(nèi)。車牌字符識別算法可以簡單分為以下三類。

       (1）模板匹配。這是一種早期較為傳統(tǒng)的字符識別方法。其原理是首先建立車牌中所有可能包含的字符串的標(biāo)準(zhǔn)字符模板庫，然后將單個字符圖像處理成和模板庫中字符一樣的格式，最后根據(jù)一定的規(guī)則與模板庫中的字符進(jìn)行比對，計算出一個相似度值，該值最大者即為正確的字符。該算法對于清晰、干凈、無傾斜和變形的車牌字符圖像識別率較高。

       (2）神經(jīng)網(wǎng)絡(luò)。它是一種機器學(xué)習(xí)算法，如典型的BP神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)（CNN）。其工作原理是首先提取梯度分布特征、灰度統(tǒng)計特征等字符特征；然后構(gòu)建一個神經(jīng)網(wǎng)絡(luò)模型，設(shè)置網(wǎng)絡(luò)訓(xùn)練參數(shù)；最后進(jìn)行模型訓(xùn)練并識別檢驗。

       (3）支持向量機（SVM）。該算法本質(zhì)上和神經(jīng)網(wǎng)絡(luò)算法類似，也是一種機器學(xué)習(xí)方法。其主要設(shè)計思路是：先得到樣本特征，進(jìn)行訓(xùn)練，然后再分類。SVM的原理所涉及的數(shù)學(xué)知識比較復(fù)雜，自己編程實現(xiàn)有一定難度，實際應(yīng)用中一般會直接調(diào)用比較成熟地支持SVM的工具箱。SVM算法當(dāng)前應(yīng)用較為廣泛。