中企动力 > 商学院 > 图片识别车牌
  • ?

    iOS/Android扫描拍照识别车牌SDK

    愁楚

    展开

    iOS/Android扫描拍照识别车牌SDK介绍:

    汽车后市场是指汽车销售以后,围绕汽车使用过程中的各种服务,它涵盖了消费者买车后所需要的一切服务。也就是说,汽车从售出到报废的过程中,围绕汽车售后使用环节中各种后继需要和服务而产生的一系列交易活动的总称。

    汽车后市场最早的分类是以汽车整车销售的前、后顺序进行分类的,汽车后市场行业简称-车后市。汽车后市场大体上可分为七大行业:汽保行业;汽车金融行业;汽车IT行业;汽车精品、用品、美容、快修及改装行业又称汽车养护行业;汽车维修及配件行业;汽车文化及汽车运动行业;二手车及汽车租赁行业;后市场联盟平台整合。汽车后市场的诸多场景中都会用到扫描拍照车牌识别技术,以下让我们来简单介绍该技术的功能特点。

    iOS/Android扫描拍照识别车牌SDK:

    SDK开发包是移动平台的车牌识别应用程序,支持Android等多种主流移动操作系统。该产品采用手机、平板电脑摄像头拍摄汽车牌照图像,然后通过OCR软件对车牌颜色、车牌号进行识别。

    iOS/Android扫描拍照识别车牌SDK:

    整牌识别率高,尤其汉字识别遥遥领先同类产品;

    支持牌照全,包括蓝牌、黄牌(双)、军牌(双)、武警牌(双)、警牌、农用车牌、教练车牌、新能源车牌、大使馆车牌等各种规格牌照;

    扫描拍照车牌识别车牌宽度要求低,车牌宽度≥70个像素,都不影响识别;

    扫描拍照车牌识别纯C代码编写,可以跨平台应用。

    iOS/Android扫描拍照识别车牌SDK产品形态

    SDK开发包,演示程序,开发帮助文档;

    iOS/Android扫描拍照识别车牌SDK识别类型

    高清图片,只支持JPG图像;

    扫描拍照车牌识别授权模式

    序列号激活、时间授权、版本授权;

    图像分辨率:2048*1536及以下,推荐:1024*768;

    扫描拍照车牌识别车牌像素宽度:70 – 200像素宽度之间;

    识别车牌类型:普通蓝牌、黄牌(双层)、军牌(双)、武警牌(双)、警牌、农用车牌、教练车牌、大使馆车牌等各种规格汽车号牌;

    Android2.3以,推荐Android4.0以上;

    Demo及SDK测试,欢迎百度 文通张其华 获取!!!

  • ?

    车牌识别系统工作原理流程!

    赵听白

    展开

    一、识别流程

    车牌自动识别是一项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。

    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,其软件核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。

    某些车牌识别系统还具有通过视频图像判断是否有车的功能称之为视频车辆检测。

    一个完整的车牌识别系统应包括车辆检测、图像采集、车牌识别等几部分。

    当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出牌照位置,再将牌照中的字符分割出来进行识别,然后组成牌照号码输出。

    二、车辆检测

    车辆检测可以采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式。

    采用视频检测可以避免破坏路面、不必附加外部检测设备、不需矫正触发位置、节省开支,而且更适合移动式、便携式应用的要求。

    系统进行视频车辆检测,需要具备很高的处理速度并采用优秀的算法,在基本不丢帧的情况下实现图像采集、处理。

    若处理速度慢,则导致丢帧,使系统无法检测到行驶速度较快的车辆,同时也难以保证在有利于识别的位置开始识别处理,影响系统识别率。因此,将视频车辆检测与牌照自动识别相结合具备一定的技术难度。

    武汉车牌识别

    三、号码识别

    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,*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。

    3.1牌照定位

    自然环境下,汽车图像背景复杂、光照不均匀,如何在自然背景中准确地确定牌照区域是整个识别过程的关键。

    首先对采集到的视频图像进行大范围相关搜索,找到符合汽车牌照特征的若干区域作为候选区,然后对这些侯选区域做进一步分析、评判,*选定一个*的区域作为牌照区域,并将其从图像中分离出来。

    3.2牌照字符分割

    完成牌照区域的定位后,再将牌照区域分割成单个字符,然后进行识别。字符分割一般采用垂直投影法。

    由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部*小值的附近,并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件。

    利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。

    3.1牌照字符识别方法

    主要有基于模板匹配算法和基于人工神经网络算法。

    基于模板匹配算法首先将分割后的字符二值化并将其尺寸大小缩放为字符数据库中模板的大小,然后与所有的模板进行匹配,选择*匹配作为结果。

    基于人工神经网络的算法有两种:一种是先对字符进行特征提取,然后用所获得特征来训练神经网络分配器;

    另一种方法是直接把图像输入网络,由网络自动实现特征提取直至识别出结果。

    实际应用中,车牌识别系统的识别率还与牌照质量和拍摄质量密切相关。

    牌照质量会受到各种因素的影响,如生锈、污损、油漆剥落、字体褪色、牌照被遮挡、牌照倾斜、高亮反光、多牌照、假牌照等等;

    实际拍摄过程也会受到环境亮度、拍摄方式、车辆速度等等因素的影响。

    这些影响因素不同程度上降低了车牌识别的识别率,也正是车牌识别系统的困难和挑战所在。

    为了提高识别率,除了不断地完善识别算法还应该想办法克服各种光照条件,使采集到的图像利于识别。

    文章来源:广东安快智能科技有限公司

  • ?

    车牌号常识-中国车牌号的识别大全

    万天

    展开

    中国车牌号的识别大全(带军区)

    北京市(京)

    京A、京C、京E、京F、京H 北京市(城区),京G 北京市(远郊区县), 京B 出租车,京O警察

    天津市(津)

    津A、津B、津C 天津市 ,津E 出租车

    上海市(沪)

    沪A、沪B、沪D 上海市区,沪C 远郊区县

    重庆市(渝)

    渝A 直属车辆管理所,渝B 江南车辆管理分所,渝C永川车辆管理所:永川市、江津市、合川市、潼南县、铜梁县、壁山县、大足县、綦江县、荣昌县,渝F万州车辆管理所:万州区、梁平县、城口县、巫山县、巫溪县、忠县、开县、奉节县、云阳县,渝G涪陵车辆管理所:涪陵区、南川市、垫江县、丰都县、武隆县,渝H黔江车辆管理所:黔江区、石柱土家族自治县、秀山土家族苗族自治县、酉阳土家族苗族自治县、彭水苗族土家族自治县

    河北省(冀)

    冀A 石家庄,冀B 唐山,冀C 秦皇岛,冀D 邯郸,冀E 邢台,冀F 保定,冀G 张家口,冀H 承德,冀J 沧州,冀R 廊坊,冀T 衡水

    河南省(豫)

    豫A 郑州,豫B 开封,豫C 洛阳,豫D 平顶山,豫E 安阳,豫F 鹤壁,豫G 新乡,豫H 焦作,豫J 濮阳,豫K 许昌,豫L 漯河,豫M 三门峡,豫N 商丘,豫P 周口,豫Q 驻马店,豫R 南阳,豫S 信阳,豫U 济源

    云南省(云)

    云A 昆明,云C 昭通,云D 曲靖,云E 楚雄彝族,云F 玉溪,云G 红河哈尼族,云H 文山壮族苗,云J 思茅,云K 西双版纳傣族,云L 大理白族,云M 保山,云N 德宏傣族景颇族,云P 丽江,云Q 怒江傈僳族,云R 迪庆藏族,云S 临沧

    辽宁省(辽)

    辽A 沈阳,辽B 大连,辽C 鞍山,辽D 抚顺,辽E 本溪,辽F 丹东,辽G 锦州,辽H 营口,辽J 阜新,辽K 辽阳,辽L 盘锦,辽M 铁岭,辽N 朝阳,辽P 葫芦岛,辽V 省直机关

    黑龙江省(黑)

    黑A 哈尔滨 ,黑B 齐齐哈尔,黑C 牡丹江,黑D 佳木斯,黑E 大庆,黑F 伊春,黑G 鸡西,黑H 鹤岗,黑J 双鸭山,黑K 七台河,黑L 松花江地区(已并入哈尔滨市,车牌未改),黑M 绥化,黑N 黑河,黑P 大兴安岭地区,黑R 农垦系统

    湖南省(湘)

    湘A 长沙,湘B 株洲,湘C 湘潭,湘D 衡阳,湘E 邵阳,湘F 岳阳,湘G 张家界,湘H 益阳,湘J 常德,湘K 娄底,湘L 郴州,湘M 永州,湘N 怀化,湘U 湘西州,湘S 省直机关

    安徽省(皖)

    皖A 合肥,皖B 芜湖,皖C 蚌埠,皖D 淮南,皖E 马鞍山,皖F 淮北,皖G 铜陵,皖H 安庆,皖J 黄山,皖K 阜阳,皖L 宿州,皖M 滁州,皖N 六安,皖P 宣城,皖Q 巢湖,皖R 池州,皖S 亳州

    山东省(鲁)

    鲁A 济南,鲁B 青岛,鲁C 淄博,鲁D 枣庄,鲁E 东营,鲁F 烟台,鲁G 潍坊,鲁H 济宁,鲁J 泰安,鲁K 威海,鲁L 日照,鲁M滨州,鲁N 德州,鲁P 聊城,鲁Q 临沂,鲁R 菏泽,鲁S 莱芜,鲁U 青岛市增补(开发区),鲁V 潍坊市增补,鲁Y 烟台市增补

    另:鲁O是省直机关 鲁W主要是省直的私家车以前原先挂鲁0但改革和不符合鲁O条件的车 鲁W公车私车都有的

    新疆维吾尔(新)

    新A 乌鲁木齐,新B 昌吉回族,新C 石河子,新D 奎屯,新E 博尔塔拉蒙古族,新F 伊犁哈萨克自治州直辖县、县级市(原伊宁地区),新G塔城,新H 阿勒泰,新J 克拉玛依,新K 吐鲁番, 新L 哈密,新M 巴音郭楞蒙古族,新N 阿克苏,新P 克孜勒苏柯尔克孜自治州,新Q喀什,新R 和田

    江苏省(苏)

    苏A 南京,苏B 无锡,苏C 徐州,苏D 常州,苏E 苏州,苏F 南通,苏G 连云港,苏H 淮安,苏J 盐城,苏K 扬州,苏L 镇江,苏M 泰州,苏N 宿迁

    浙江省(浙)

    浙A 杭州,浙B 宁波,浙C 温州,浙D 绍兴,浙E 湖州,浙F 嘉兴,浙G 金华,浙H 衢州,浙J 台州,浙K 丽水,浙L 舟山

    江西省(赣)

    赣A 南昌,赣B 赣州,赣C 宜春,赣D 吉安,赣E 上饶,赣F 抚州,赣G 九江,赣H 景德镇,赣J 萍乡,赣K 新余,赣L 鹰潭,赣M 南昌,省直系统 湖北省(鄂)

    鄂A 武汉,鄂B 黄石,鄂C 十堰,鄂D 荆州,鄂E 宜昌,鄂F 襄樊,鄂G 鄂州,鄂H 荆门,鄂J 黄冈,鄂K 孝感,鄂L 咸宁,鄂M 仙桃,鄂N 潜江,鄂P 神农架林区,鄂Q 恩施州,鄂R 天门,鄂S 随州

    广西壮族(桂)

    桂A 南宁,桂B 柳州,桂C 桂林,桂D 梧州,桂E 北海,桂F 南宁地区(部分划入南宁市,其它部分成立崇左市),桂G柳州地区(部分划入柳州市,其它部分成立来宾市),桂H 桂林地区(已并入桂林市),桂J 贺州,桂K 玉林,桂L 百色,桂M 河池,桂N钦州,桂P 防城港,桂R 贵港

    甘肃省(甘)

    甘A 兰州,甘B 嘉峪关,甘C 金昌,甘D 白银,甘E 天水,甘F 酒泉,甘G 张掖,甘H 武威,甘J 定西,甘K 陇南,甘L 平凉,甘M 庆阳 ,甘N 临夏回族,甘P 甘南藏族

    山西省(晋)

    晋A 太原,晋B 大同,晋C 阳泉,晋D 长治,晋E 晋城,晋F 朔州,晋H 忻州,晋J 吕梁,晋K 晋中,晋L 临汾,晋M 运城

    内蒙古(蒙)

    蒙A 呼和浩特,蒙B 包头,蒙C 乌海,蒙D 赤峰,蒙E 呼伦贝尔,蒙F 兴安盟,蒙G 通辽,蒙H 锡林郭勒盟,蒙J 乌兰察布盟,蒙K 鄂尔多斯,蒙L 巴彦淖尔盟,蒙M 阿拉善盟

    陕西省(陕)

    陕A 西安,陕B 铜川,陕C 宝鸡,陕D 咸阳,陕E 渭南,陕F 汉中,陕G 安康,陕H 商洛,陕J 延安,陕K 榆林,陕U 省直系统(已取消),陕V 杨凌高新农业示范区

    吉林省(吉)

    吉A 长春,吉B 吉林,吉C 四平,吉D 辽源,吉E 通化,吉F 白山,吉G 白城,吉H 延边朝鲜族,吉J 松原

    福建省(闽)

    闽A 福州,闽B 莆田,闽C 泉州,闽D 厦门,闽E 漳州,闽F 龙岩,闽G 三明,闽H 南平,闽J 宁德,闽K 省直系统

    贵州省(贵)

    贵A 贵阳,贵B 六盘水,贵C 遵义,贵D 铜仁,贵E 黔西南布依族苗族,贵F 毕节,贵G 安顺,贵H 黔东南苗族侗族,贵J 黔南布依族苗族

    广东省(粤)

    粤A 广州,粤B 深圳,粤C 珠海,粤D 汕头,粤E 佛山,粤F 韶关,粤G 湛江,粤H 肇庆,粤J 江门,粤K 茂名,粤L 惠州,粤M梅州,粤N 汕尾,粤P 河源,粤Q 阳江,粤R 清远,粤S 东莞,粤T 中山,粤U 潮州,粤V 揭阳,粤W 云浮,粤X 顺德区,粤Y南海区,粤Z 港澳进入内地车辆

    青海省(青)

    青A 西宁,青B 海东,青C 海北藏族,青D 黄南藏族,青E 海南藏族,青F 果洛藏族,青G 玉树藏族,青H 海西蒙古族藏族

    西藏(藏)

    藏A 拉萨,藏B 昌都,藏C 山南,藏D 日喀则,藏E 那曲,藏F 阿里,藏G 林芝,藏H 驻四川省天全县车辆管理所,藏J 驻青海省格尔木市车辆管理所

    四川省(川) 川A 成都,川B 绵阳,川C 自贡,川D 攀枝花,川E 泸州,川F 德阳,川H 广元,川J 遂宁,川K 内江,川L 乐山,川M资阳,川Q 宜宾,川R 南充,川S 达州,川T 雅安,川U 阿坝藏族羌族,川V 甘孜藏族,川W 凉山彝族,川X 广安,川Y 巴中,川Z 眉山 

    宁夏回族(宁) 宁A 银川,宁B 石嘴山,宁C 吴忠,宁D 固原

    海南省(琼)

    琼A 海口,琼B 三亚,琼C 琼北车辆管理所:琼山市(已并入海口市)、儋州市、琼海市、万宁市、文昌市、澄迈县、屯昌县、定安县、临高县,琼D琼南车辆管理所:五指山市、东方市、白沙黎族自治县、昌江黎族自治县、陵水黎族自治县、乐东黎族自治县、保亭黎族苗族自治县、琼中黎族苗族自治县,琼E洋浦开发区

    军车牌:

    现行军车牌称为'97式',格式是甲A-12345

    第一部分为中文'天干地支',代表解放军军种序列:

    甲――解放军总部(总参谋部、总政治部、总后勤部)

    乙――集团军

    丙――通信和运输

    己――沈阳军区

    庚――北京军区

    辛――兰州军区

    壬――济南军区

    寅――南京军区

    辰――成都军区

    戌――广州军区

    午――空军

    未――海军

    申――总装备部

    第二部分为英文字母,代表下属分类(不全):

    A――司令部、总部

    B――政治部

    C――后勤部

    D――装备部

    G――省军区

    H――仓库、干休所

    K――驻当地铁路、航空、水运单位军代处

    P――医院及医卫院校 S――后勤工厂

    第三部分五位数字就是军事秘密了,不过省军区第一位是序号,如广州军区下辖湖北、湖南、广东、广西、海南各省军区分别是'戌G'1、2、3、4、5字头。

    武警车牌: '97式'武警车牌格式是:

    WJ18-12345

    第一部分WJ代表'武警'

    第二部分两位数为省市区代码:

    01――武警总部

    02――河北省

    03――内蒙古自治区

    04――山西省

    05――辽宁省

    06――吉林省

    07――黑龙江省

    08――上海市

    09――江苏省

    10――浙江省

    11――安徽省

    12――江西省

    13――福建省

    14――山东省

    15――广东省

    16――广西壮族自治区

    17――湖北省

    18――湖南省

    19――河南省

    20――四川省

    21――云南省

    22――贵州省

    23――陕西省

    24――甘肃省

    25――青海省

    26――新疆维吾尔自治区

    27――宁夏回族自治区

    28――天津市

    29――西藏自治区

    30――海南省

    31――北京市

    32――重庆市

    第三部分五位号码,首位代表武警序列,首位为数字的为内务部队,'消'为消防部队,'边'为边防部队,'通'为交通部队,'森'为森林部队,'金'为黄金部队,'警'为警卫部队,'电'为水电部队1、甲A026/027/028是最牛的,路上一定要躲得远远的,通天级人物阿……如果甲A026/7/8再挂个警备、安个警灯(车里,中控台上方),那么在中国这片大地上就没有车能超过他们比他们更牛了……

    京ET也很牛,都是和国务院老干部沾边的……

    京AG6就不说了,也是牛B的

    挂警备又有安警灯的也不要惹(废话)……

    只挂警备没警灯的,就是假的了,当然也不排除靠关系搞的牌子,但肯定是有水分的。

    '023'、'323',塑封的置于前挡风左下角的,北京市委的车,不是很牛,警察一般不管,但脾气不顺了也会管管的……

    '安全'置于前挡风左下角的,北京市政府最高级别车辆,没人管,比较 牛……

    '国A',置于前挡风下端,国务院的,不用说了,也很牛……

    '901'金融通行证,以前叫'免检通行证'也还行……

    '京安'这个正是用来代替'警备'的,带原来的警备谁也不撤,没辙,只好一起用了……

    还有就是京A80开头的,国管局等的车,也牛……

    '使'字牌子前5号的,有外交豁免权……

    2、京A81、82、83开头的也牛,京A88:钓鱼台。

    庚A,军区司令部,庚G,北京警备区。甲 A:总参、甲B:总政、甲C:总后、甲D:总装、未A:海军司令部、午A:空军司令部、甲F:军事院校、甲N:二炮司令部、WJ01:武警总部、WJ31:武警北京总队。

    京OB,北京市auto insurance及下属各分局。

    京OD,北京市公安交通管理局及下属各支队。

    京OE,北京市铁路auto insurance。

    京A-吊望岭*警,北京市auto insurance及下属各分局各总队,警务车如治安防暴巡查等。京A-A吊望岭警,法院警务车。京A-B吊望岭警,检察院警务车。  

    3、025、026、027、028、029都是军委和总参领导专车,更牛的是020、021、022、023、024,都是中央政治局领导专车。吊望岭字体'警备'牌是一级警备,发行量不多,多数用于国家、中央政治局、军委专用开道车,白色的是普通警备牌,数量多些。

    4、京A81是中直国管局,京A83是北京市政府。京AG6XXX是全国人大副委员长、全国政协副主席专车。有BUICK、A6、S320

    5、中国最NB的车是:甲A02156,是黑色德国特制奥迪A8 4.2

    6、补充说:白字'警备'好像是公安部发的,'警备'加'京安'的车证组合可算是

    一级车证了。还有'特别通行'、'禁毒'也比较牛,铁的,红的,有备案号。

    7、目前军车牌号已换:

    01:军(原甲)——军委、四总部以及大区级军直单位

    02:空(原午)——空军

    03:海(原未)——海军

    04:北(原庚)——北京军区

    05:沈(原己)——沈阳军区

    06:兰(原辛)——兰州军区

    07:济(原壬)——济南军区

    08:南(原寅)——南京军区

    09:广(原戌)——广州军区

    10:成(原辰)——成都军区

  • ?

    新能源车牌也可用OCR自动识别了

    半张嘴

    展开

    几近年随着国家的大力扶持,新能源汽车在中国商用车市场迅猛增长,部分城市已经开始试点新能源汽车专用车牌,上海、南京、无锡、济南和深圳已于去年2016年12月初开始发放新能源专用号牌,争取2017年下半年在全国推广使用。

    新能源汽车专用车牌由公安部交管部门设计,从外观看,新能源汽车专用车牌最大的特点就是采用了绿色作为底色。小型新能源汽车车牌底色采用渐变绿色,大型新能源汽车车牌底色采用黄绿双拼色。另外能源汽车车牌号码增加一位,与普通汽车车牌相比,新能源汽车车牌号码由5位升为6位,号牌号码容量增大、资源更加丰富。

    地区编码和牌照号码之间的分隔符也由目前的黑色换成了白底多色,上面印有多色的“E”字样,意为“电动汽车”。

    随着新能源汽车数量的不断增加,相关企业单位和部门就涉及了一个管理问题,如移动警务、移动查勘、停车收费、汽车养护、保险等都涉及到,原有的车牌识别产品不法按照原有的计算方法自动识别新能源车牌了,译图智讯针对新能源车牌的特点,对产品不断优化,无论是原有的常见车牌,还是新能源汽车车牌,都可以自动识别,用手机扫一扫秒完成车牌信息的采集和录入。

    译图智讯的车牌识别技术是基于移动端(Android、iOS)操作系统开发的快速输入技术,通过手机摄像头就可以快速读取汽车的车牌号。其中有一个非常大的特点:可以自由调整焦距,在远距离识别的时候可以调整距离方便识别

    而且此项车牌识别支持二次开发,可以直接嵌入到三方APP使用,除用手机“扫一扫”的功能,另外还可支持微信、私有云(服务器)的后台识别服务。

    在移动警务、查勘的场景中用这项车牌识别技术,用手机自动识别车牌可以查询车辆的相关信息并完成录入工作。停车管理场景也可用只需要手机扫一下,就可以导入车辆信息大大方便了工作人员高效管理车辆。汽车养护、汽车保险的工作人员只需要手机扫一扫就能识别车牌信息,查询车辆近期养护情况、是否在保期,做到及时录入,帮忙后期工作人员的跟踪服务,极大的提高了工作人员的办效率。

  • ?

    车牌识别系统图像无法正常输出的原因与解决方法

    鹿莹芝

    展开

    转载自百家号作者:守护伦

    车牌识别系统

    19日,笔者从广州车牌识别系统安装厂家惠顺科技获悉,经常有物业向会惠顺科技抱怨:他们在使用一些杂牌车牌识别系统过程中会出现图像正常输出的问题,进而影响了车牌识别系统的正常工作。笔者也相信,一些使用了车牌识别系统的物业也会碰到这种问题,那么,当我们碰到这种问题时该如何去解决这种问题呢?

    笔者通过惠顺科技了解到,造成车牌识别系统图像无法正常输出的原因常见的有三种:

    一是车牌识别系统的摄像单元没有正常工作,导致摄像单元没有拍摄到相关数据,进而使得摄像机没有相关输出图像数据。

    二是,摄像单元连接硬件出现问题,如镜头驱动线出现连接不正确或断裂、摄像机与控制板的连接线连接不正确或断裂,接入识别器模拟视频输入接口接触不良等连接问题也都会导致数据无法正常输出。

    三是,车牌识别系统摄像单元软件出入命令出现错误,无法正常传达输出指令。

    车牌识别系统的应用

    笔者相信,在找到车牌识别系统图像无法正常输出的原因后,有一定安装基础的朋友都会懂得如何去解决车牌识别系统图像无法正常输出的问题。但笔者还是要啰嗦的与大家分享解决的方法:

    第一步,检查摄像单元是否有要输出的数据,如果没有,那么表明摄像单元没有拍摄到相关的数据,这时可以检查摄像单元安装是否正确,是否能够正常拍摄,否则直接更换摄像单元。

    第二步,检查车牌识别系统摄像单元软件出入命令出现错误,无法正常传达输出指令,出现错误质量就要调试,使其能够正常发布传输质量。

    第三步,检查线路,重点检查镜头驱动线、摄像机与控制板的连接线是否出现连接不正确或者有断裂现象,保障线路正确连接,没有断裂;同时,注意检查各个硬件间的接触问题,出现接触不良的要解决,保障线路不会出现各种故障问题。

    车牌识别系统的应用

    车牌识别系统是智慧停车、提升小区、停车场、酒店、学校、商场等物业车辆出入口的重要智能设施,它的应用将保障这些物业场所车辆进出的通车效率,对提升物业进出车辆的自动化、智能化管理具有积极的意义。它的应用也将有效的解决这些物业场所经常出现交通拥堵的现象发生,所以我们必须要保障车牌识别系统能够正常使用,不会出现各种故障,如此,才能发挥车牌识别系统的应用意义,促进城市打造智慧交通、智慧停车场、智慧小区。(伦礼师)

  • ?

    电子车牌是否能取代传统车牌图像识别呢?

    瞬间

    展开

    电子车牌的优点

    ①识别精确度高丨基于RFID技术,电子车牌的识别率可以做到较高水平,这是传统光学车牌识别难以达到的;

    ②识别速度快丨由于道路交通环境复杂,车速快,那么就要求电子车牌有非常快的读取速度;

    ③准确定位车辆信息丨通过安装电子车牌时,写入车辆相关信息,可避免公司私用、盗抢车辆等情况的发生及侦破。

    既然这个产品有优点,那么任何事物都是两面性的,他在某些方面,也有他的局限性。

    电子车牌的局限性

    ①可视性

    这在公安和交管处理违章信息方面,是最重要的信息(打个比方,今天交警通过电子车牌读取到你在南京新街口超速违章,但是实际情况是你今天并没有开车上路,那么真实情况到底是你的车辆违章了,还是其他车辆盗用了你的电子车牌,没有图像,无法考证);

    ②电子车牌的技术标准难确定,后期维护成本高

    电子车牌涉及到的是全国各个车辆的个人信息,涉及到个人隐私,该项技术的实施,考虑到安全性,应该由国家统一标准实施,不可能像以前电子警察或者卡口等,任何公司都可参与,但是面对如此数量庞大的车辆,维护绝对是一个很难的工作;

    ③读取距离

    既然电子车牌应用的是RFID技术,那么必然有读取距离方面的局限性,在一些特定的场景,很难通过安装电子车牌读取装置来识别车辆信息,而传统的图像识别,则可通过配置镜头和相机的分辨率,来达到大拍摄距离的要求;

    ④物理精度

    在电子警察领域尤为明显,现在传统的电子警察拍摄违章,要求提供3张车辆特写图片,分别是停车线前,停车线后和车辆特写,并且还得关联信号灯信息,而电子车牌,很难做到以上的要求。

    2015年是我国智慧城市进入全面实施的一年,作为其重要组成部分的智能交通市场蕴含着蓬勃的生机和无限的发展前景。随着国家制定汽车电子标识行业标准的进程,中国智能交通迎来汽车电子标识时代已经成为市场不可逆转的发展趋势,它的到来,将对未来城市的智能交通、服务公众出行、公安机关的社会稳定、社会公共安全等涉车应用的技术发展带来巨大变革。

    电子车牌是国家探讨了多年,近几年要主推的项目,这个趋势很难去改变,有人分析,在将来交通领域,电子车牌和光学车牌识别,应该是相辅相成,缺一不可的。电子车牌的重要应用领域,应该在交通流量检测、ETC收费等不需要车辆完善信息的应用中,而在公安系统的治安卡口、图像侦查、平安城市、交管行业的电子警察、雷达测速、尾号限行等涉及到车辆违章信息时,光学车牌识别技术,是不可缺少的,将来电子车牌标准推出后,车牌识别厂家如何完善自有技术,能做到和电子车牌的完美结合,将冲击改为利好,是我们需要进行思考和讨论的。

    车牌识别基于图像为特征进行车辆信息的提取,解决了电子车牌不具备可见性的特点,两者缺一不可,优势互补,必将为智能交通和智慧停车的管理带来新的春天!

  • ?

    车牌识别系统常用的三种识别模式

    苔丝

    展开

    车牌识别车辆管理系统研究就是结合视频图像处理技术,信息处理技术,以及云存储等升级换代的物联网智慧车辆管理系统。车牌识别系统可以实现对车辆的智能管理。目前,对于城市的车辆监控管理上,应用车牌的系统非常广泛,例如:大型的停车场,智能停车缴费系统,还可以实现对被盗窃的汽车追踪等。车牌系统的开发应用,提高了交通系统的安全,减少了交通堵塞,实现智能化的交通管理,可以促进社会信息化,促进社会经济的发展。

    物联网车牌智能识别系统具有很好的市场前景,对我国的交通体系的规划和发展起到积极的推动作用。智能车辆智能车辆出入管理系统研究,其目的是开发并完成一个集独立完成视频采集、车辆检测、车牌识别、语音报号、识别结果智能分析、自动报警、远程值班、远程监控为一体的嵌入式智能车辆出入管理系统。整个过程不需要人工处理,最重要的是不需要车主取磁条或刷卡等操作,这样既不耽误车主的时间,也提高车辆出入管理的效率。

    当车辆检测部分检测到车辆到达时触发图像采集单元,采集当前的视频图像。车牌识别单元对图像进行处理,定位出车牌位置,再将车牌中的字符分割出来进行识别,最后组成车牌号码输出。目前采用的车牌识别在停车场管理系统中的应用模式主要有三种:视频识别模式、地感线圈识别模式、视频+地感识别模式。

    【模式一】

    视频识别模式

    视频触发优势是不用安装地感线圈,工程量小。当车辆进入进入视频识别区域时,相机自动通过车辆的动态图像识别车牌信息,同时提供模拟触发识别。缺点是针对无牌车无法输出图像,容易漏车。若未识别出车牌结果,可手动点击模拟触发进行识别。

    【模式二】

    地感线圈识别模式

    地感线圈触发,一般情况下,在停车场道闸前10米左右的位置,会设有减速带,车辆通过减速带减速,为识别车牌留出时间,车辆进入识别区域,触发地感线圈,自动指挥相机进行抓拍,通过自字符检测,识别出车牌,道闸放行。地感线圈触发车牌识别优势在于触发率高、不易漏车,而且性能实用稳定,针对无牌车能够输出图像记录。缺点是需要施工安装地感,工程量大。

    【模式三】

    视频+地感识别模式

    这种方式是前两种模式的升级版,视频加地感识别模式是通过视频识别方式进行识别,通过地感触发方式进行上传。相比较地感线圈识别和视频识别模式,视频+地感识别模式能够提供更快的识别速度和更高的识别率。视频+地感灵活切换的识别模式,是目前应用灵活性最好的识别模式,通过软件划定识别区域和输出区域,根据客户现场环境,自由设置车牌输出的位置,可以解决跟车被识别,过早输出的问题。当无牌车行驶到输出区域,轻松记录无牌车信息。

  • ?

    让你惊叹的移动端车牌识别/车牌OCR识别

    kobe

    展开

    周末,小编约了朋友商场shopping。

    开车进地下车库时,“滴”的一声,完成车牌录入;开车离开时,扫描二维码,输入车牌,完成停车收费。小编不禁感叹科技改变生活,人工智能给生活带来的便利。

    车牌自动识别越来越多的被应用在我们的日常生活中。早上开车上高速,ETC自助通道,无人值守,车牌自动识别;到公司停车场,无需停车取卡,车牌自动识别进入;下班开车回家,车牌识别自动结算停车费用~~

    除此之外,车辆检测、维修、保养、续保等,登录厂家APP,扫一扫,自动录入车牌信息,无需手工操作,无需等待。

    目前市场上,提供车牌识别的大约有五六家厂商,其车牌识别技术参差不齐,本文重点介绍译图智讯家的车牌识别。

    译图智讯车牌OCR自动识别技术是基于移动端(Android、iOS)操作系统开发的快速输入技术,通过手机摄像头可以快速读取汽车的车牌号。

    软件特点如下:

    1) 1秒识别车牌,彻底解决手工输入痛点;

    2) 识别率99.5%;

    2) 手机相机视频预览识别车牌;

    3) 适应性强,远距离(极限7.5米)、大角度都能快速准确的识别车牌。

    在识别的类型上,译图智讯车牌自动识别可识别蓝牌、黄牌、新能源车牌,以及军警车牌、大使馆车牌等。

  • ?

    识别车牌技术工作原理

    爵迹

    展开

    识别车牌是利用车辆的动态视频或静态图像进行车牌号码、车牌颜色自动识别的模式识别技术。技术的核心包括车牌定位算法、车牌字符分割算法和光学字符识别算法等。

      识别车牌技术工作原理

      车辆检测:可采用埋地线圈检测、红外检测、雷达检测技术、视频检测等多种方式感知车辆的经过,并触发图像采集抓拍。

      图像采集:通过高清摄像抓拍主机对通行车辆进行实时、不间断记录、采集。

      预处理:噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等。

      车牌定位:在经过图像预处理之后的灰度图像上进行行列扫描,确定车牌区域。

      字符分割:在图像中定位出车牌区域后,通过灰度化、二值化等处理,精确定位字符区域,然后根据字符尺寸特征进行字符分割。

      字符识别:对分割后的字符进行缩放、特征提取,与字符数据库模板中的标准字符表达形式进行匹配判别。

      结果输出:将识别车牌的结果以文本格式输出。

  • ?

    [图像处理] Python+OpenCV实现车牌区域识别

    勤奋的

    展开

    本篇文章主要调用OpenCV库(cv2)进行车牌区域识别,具体步骤包括:1.灰度转换:将彩色图片转换为灰度图像,常见的R=G=B=像素平均值。 2.高斯平滑和中值滤波:去除噪声。 3.Sobel算子:提取图像边缘轮廓,X方向和Y方向平方和开跟。 4.二值化处理:图像转换为黑白两色,通常像素大于127设置为255,小于设置为0。 5.膨胀和细化:放大图像轮廓,转换为一个个区域,这些区域内包含车牌。 6.通过算法选择合适的车牌位置,通常将较小的区域过滤掉或寻找蓝色底的区域。 7.标注车牌位置,如果是花儿、人脸、牛角,可能需要特征提取和训练。

    ▽▽▽

    一、读取图像及灰度转换

    #encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片imagePath ='10.jpg'img = cv2.imread(imagePath)#opencv默认的imread是以BGR的方式进行存储的#而matplotlib的imshow默认则是以RGB格式展示#所以此处我们必须对图片的通道进行转换lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#灰度图像处理GrayImage= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(u"读入lenna图的shape为",GrayImage.shape)#显示图形titles =['Source Image','Gray Image']images =[lenna_img,GrayImage]for i in xrange(2): plt.subplot(1,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])plt.show()cv2.imshow('Gray.bmp',GrayImage)cv2.waitKey(0)输出结果如下图所示:

    二、高斯平滑和中值滤波去噪

    这里原理推荐我以前C++图像处理的文章,如下:https://blog.csdn/column/details/eastmount-mfc.html

    完整代码如下所示:

    #encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片imagePath ='10.jpg'img = cv2.imread(imagePath)#opencv默认的imread是以BGR的方式进行存储的#而matplotlib的imshow默认则是以RGB格式展示#所以此处我们必须对图片的通道进行转换lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#灰度图像处理GrayImage= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(u"读入lenna图的shape为",GrayImage.shape)#直方图均衡化#equ = cv2.equalizeHist(gray)#高斯平滑Gaussian= cv2.GaussianBlur(GrayImage,(3,3),0,0, cv2.BORDER_DEFAULT)#Gaussian= cv2.GaussianBlur(GrayImage,(9,9),0)#中值滤波Median= cv2.medianBlur(Gaussian,5)#显示图形titles =['Source Image','Gray Image','Gaussian Image','Median Image']images =[lenna_img,GrayImage,Gaussian,Median]for i in xrange(4): plt.subplot(2,2,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])plt.show()输出结果如下图所示,分别是原图、灰度图像、高斯处理和中值滤波处理。

    三、Sobel算子提取轮廓和二值化处理

    有时还需要加强图像中景物的边缘和轮廓,边缘和轮廓通常位于图像中灰度突出的地方,因而可以直观的想到用灰度的差分对边缘和轮廓进行提取,通常可以通过梯度算子进行提取。图像锐化的目的是提高图像的对比度,从而使图像更清晰,通过提高邻域内像素的灰度差来提高图像的对比度。本文采用Sobel算子提取边缘轮廓。

    阈值又称为临界值,它的目的是确定出一个范围,然后这个范围内的部分使用同一种方法处理,而阈值之外的部分则使用另一种处理方法或保持原样。常用的包括产生二值图:当x=T时y=255(其中T是阈值)。阈值变换在生物学上的应用比较广泛,常用语细胞图像分割等。本文采用二值化处理将大于等于170像素的转换为255,而下于的转换为0,使得图像更加清晰。

    完整代码如下所示:

    #encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片imagePath ='10.jpg'img = cv2.imread(imagePath)#opencv默认的imread是以BGR的方式进行存储的lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#灰度图像处理GrayImage= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(u"读入lenna图的shape为",GrayImage.shape)#直方图均衡化#equ = cv2.equalizeHist(gray)#高斯平滑Gaussian= cv2.GaussianBlur(GrayImage,(3,3),0,0, cv2.BORDER_DEFAULT)#中值滤波Median= cv2.medianBlur(Gaussian,5)#Sobel算子 XY方向求梯度x = cv2.Sobel(Median, cv2.CV_8U,1,0, ksize =3)#X方向y = cv2.Sobel(Median, cv2.CV_8U,0,1, ksize =3)#Y方向absX = cv2.convertScaleAbs(x)#转回uint8 absY = cv2.convertScaleAbs(y)Sobel= cv2.addWeighted(absX,0.5, absY,0.5,0)cv2.imshow('dilation2',Sobel)cv2.waitKey(0)#二值化处理周围像素影响ret,Binary= cv2.threshold(Sobel,170,255, cv2.THRESH_BINARY)cv2.imshow('dilation2',Binary)cv2.waitKey(0)#显示图形titles =['Source Image','Gray Image','Gaussian Image','Median Image','Sobel Image','Binary Image']images =[lenna_img,GrayImage,Gaussian,Median,Sobel,Binary]for i in xrange(6): plt.subplot(2,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])plt.show()输出结果如下所示:

    四、膨胀和腐蚀处理

    接下来进行膨胀和腐蚀处理,其中膨胀让轮廓突出,腐蚀去掉细节。

    #encoding:utf-8import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片imagePath ='10.jpg'img = cv2.imread(imagePath)#opencv默认的imread是以BGR的方式进行存储的lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#灰度图像处理GrayImage= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(u"读入lenna图的shape为",GrayImage.shape)#直方图均衡化#equ = cv2.equalizeHist(gray)#高斯平滑去噪Gaussian= cv2.GaussianBlur(GrayImage,(3,3),0,0, cv2.BORDER_DEFAULT)#Gaussian= cv2.GaussianBlur(GrayImage,(9,9),0)#中值滤波Median= cv2.medianBlur(Gaussian,5)#Sobel算子 XY方向求梯度 cv2.CV_8Ux = cv2.Sobel(Median, cv2.CV_32F,1,0, ksize =3)#X方向y = cv2.Sobel(Median, cv2.CV_32F,0,1, ksize =3)#Y方向#absX = cv2.convertScaleAbs(x)#转回uint8 #absY = cv2.convertScaleAbs(y)#Sobel= cv2.addWeighted(absX,0.5, absY,0.5,0)gradient = cv2.subtract(x, y)Sobel= cv2.convertScaleAbs(gradient)cv2.imshow('dilation2',Sobel)cv2.waitKey(0)#二值化处理周围像素影响blurred = cv2.GaussianBlur(Sobel,(9,9),0)#再进行高斯去噪#注意170可以替换的ret,Binary= cv2.threshold(blurred ,90,255, cv2.THRESH_BINARY)cv2.imshow('dilation2',Binary)cv2.waitKey(0)#膨胀和腐蚀操作的核函数element1 = cv2.getStructuringElement(cv2.MORPH_RECT,(9,1))element2 = cv2.getStructuringElement(cv2.MORPH_RECT,(9,7))#膨胀让轮廓突出Dilation= cv2.dilate(Binary, element2, iterations =1)#腐蚀去掉细节Erosion= cv2.erode(Dilation, element1, iterations =1)#再次膨胀Dilation2= cv2.dilate(Erosion, element2,iterations =3)cv2.imshow('Dilation2 ',Dilation2)cv2.waitKey(0)#显示图形titles =['Source Image','Gray Image','Gaussian Image','Median Image','Sobel Image','Binary Image','Dilation Image','Erosion Image','Dilation2 Image']images =[lenna_img,GrayImage,Gaussian,Median,Sobel,Binary,Dilation,Erosion,Dilation2]for i in xrange(9): plt.subplot(3,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])plt.show()输出结果如下图所示,可以看到轮廓区域已经被提取出来,接下来开始有选择的进行获取。

    五、指定算法选择车牌区域

    该部分代码膨胀和腐蚀略有区别,采用closed变量实现。同时获取最理想的区域,完整代码如下所示:

    #encoding:utf-8#BY:Eastmount CSDN 2018-08-06import cv2 import numpy as np import matplotlib.pyplot as plt#读取图片imagePath ='10.jpg'img = cv2.imread(imagePath)#opencv默认的imread是以BGR的方式进行存储的lenna_img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)#灰度图像处理GrayImage= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)print(u"读入lenna图的shape为",GrayImage.shape)#直方图均衡化#equ = cv2.equalizeHist(gray)#高斯平滑去噪Gaussian= cv2.GaussianBlur(GrayImage,(3,3),0,0, cv2.BORDER_DEFAULT)#Gaussian= cv2.GaussianBlur(GrayImage,(9,9),0)#中值滤波Median= cv2.medianBlur(Gaussian,5)#Sobel算子 XY方向求梯度 cv2.CV_8Ux = cv2.Sobel(Median, cv2.CV_32F,1,0, ksize =3)#X方向y = cv2.Sobel(Median, cv2.CV_32F,0,1, ksize =3)#Y方向#absX = cv2.convertScaleAbs(x)#转回uint8 #absY = cv2.convertScaleAbs(y)#Sobel= cv2.addWeighted(absX,0.5, absY,0.5,0)gradient = cv2.subtract(x, y)Sobel= cv2.convertScaleAbs(gradient)cv2.imshow('dilation2',Sobel)cv2.waitKey(0)#二值化处理周围像素影响blurred = cv2.GaussianBlur(Sobel,(9,9),0)#再进行一次高斯去噪#注意170可以替换的ret,Binary= cv2.threshold(blurred ,170,255, cv2.THRESH_BINARY)cv2.imshow('dilation2',Binary)cv2.waitKey(0)#膨胀和腐蚀操作的核函数element1 = cv2.getStructuringElement(cv2.MORPH_RECT,(9,1))element2 = cv2.getStructuringElement(cv2.MORPH_RECT,(9,7))#膨胀一次,让轮廓突出Dilation= cv2.dilate(Binary, element2, iterations =1)#腐蚀一次,去掉细节Erosion= cv2.erode(Dilation, element1, iterations =1)#再次膨胀,让轮廓明显一些Dilation2= cv2.dilate(Erosion, element2,iterations =3)cv2.imshow('Dilation2 ',Dilation2)cv2.waitKey(0)###########################################建立一个椭圆核函数kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(25,25))#执行图像形态学,细节直接查文档,很简单closed = cv2.morphologyEx(Binary, cv2.MORPH_CLOSE, kernel)closed = cv2.erode(closed,None, iterations=4)closed = cv2.dilate(closed,None, iterations=4)cv2.imshow('erode dilate', closed)cv2.waitKey(0)###########################################显示图形titles =['Source Image','Gray Image','Gaussian Image','Median Image','Sobel Image','Binary Image','Dilation Image','Erosion Image','Dilation2 Image']images =[lenna_img,GrayImage,Gaussian,Median,Sobel,Binary,Dilation,Erosion, closed]for i in xrange(9): plt.subplot(3,3,i+1),plt.imshow(images[i],'gray') plt.title(titles[i]) plt.xticks([]),plt.yticks([])plt.show()cv2.imshow('Gray',GrayImage)cv2.waitKey(0)"""接下来使用Dilation2图片确定车牌的轮廓这里opencv3返回的是三个参数参数一:二值化图像参数二:轮廓类型检测的轮廓不建立等级关系参数三:处理近似方法例如一个矩形轮廓只需4个点来保存轮廓信息"""(_, cnts, _)= cv2.findContours(closed.copy(), cv2.RETR_LIST,#RETR_TREE cv2.CHAIN_APPROX_SIMPLE)#画出轮廓c = sorted(cnts, key=cv2.contourArea, reverse=True)[0]print c#compute the rotated bounding box of the largest contourrect = cv2.minAreaRect(c)print 'rectt', rectBox= np.int0(cv2.boxPoints(rect))print 'Box',Box#draw a bounding box arounded the detected barcode and display the imageFinal_img= cv2.drawContours(img.copy(),[Box],-1,(0,0,255),3)cv2.imshow('Final_img',Final_img)cv2.waitKey(0)输出结果如下图所示,可以看到车牌被选中了。

    END

    原文:

    https://blog.csdn/Eastmount/article/details/81461679

    参考:

    https://jianshu/p/fcfbd3131b84https://blog.csdn/sinat_36458870/article/details/78825571https://blog.csdn/sumkee911/article/details/79435983

所有视频需要登录后,才能观看

请先登录您的帐号,即可完整播放,如果您尚未注册帐号,请先点击注册。