地感線圈識別模式

地感線圈觸發(fā)，一般情況下，在停車場道閘米左右的位置，會設(shè)有減速帶，車輛通過減速帶減速，為識別車牌留出時間，車輛進入識別區(qū)域，觸發(fā)地感線圈，自動指揮車牌識別相機進行抓拍，通過自字符檢測，識別出車牌，道閘放行。地感線圈觸發(fā)車牌識別優(yōu)勢在于觸發(fā)率高、不易漏車，而且性能實用穩(wěn)定，針對無牌車能夠輸出圖像記錄。缺點是需要施工安裝地感，工程量大。

視頻+地感識別模式

這種方式是前兩種模式的升級版，視頻加地感識別模式是通過車牌識別相機視頻識別方式進行識別，通過地感觸發(fā)方式進行上傳。相比較地感線圈識別和視頻識別模式，視頻+地感識別模式能夠提供更快的識別速度和更高的識別率。視頻+地感靈活切換的識別模式，是目前應(yīng)用靈活性好的識別模式，通過軟件劃定識別區(qū)域和輸出區(qū)域，根據(jù)客戶現(xiàn)場環(huán)境，自由設(shè)置車牌輸出的位置，可以解決跟車被識別，或過早輸出的問題。當(dāng)無牌車行駛到輸出區(qū)域，車牌識別相機輕松記錄無牌車信息。

◆視頻流識別優(yōu)化處理，**的識別準(zhǔn)確率。

◆的成像自動抑制：自動**光線變化、有效抑制順光和逆光；夜間抑制汽車大燈；補光燈基于圖像分析算法進行控制，避免了傳統(tǒng)基于光敏電阻補光的不穩(wěn)定性。

◆多觸發(fā)機制**（或嚴(yán)重污損等）車輛的正常通行管理。

◆產(chǎn)品穩(wěn)定，的硬件架構(gòu)和穩(wěn)定的算法調(diào)節(jié)相機，電動調(diào)焦，遠程控制

◆號牌識別率：白天≥99.9%，夜間≥99.9%

◆號牌檢出率：白天≥99.9%，夜間≥99.9%

◆有效像素：200萬像素

◆通訊方式：10/100M以太網(wǎng)TCP/IP

◆適應(yīng)車速：5-80公里/小時

◆工作溫度：-25℃~70℃，濕度≤90%

◆圖像傳感器：1/3" CMOS

◆圖像分辨率：720P CIF4 CIF

◆電子快門：1/1至1/10000秒，22檔

◆**拍攝范圍：3-10米

◆**識別攝像頭防護等級：IP66

◆儲存：8GTF卡（microSD）
電動變焦鏡頭，配內(nèi)存卡，臨時車脫機收費，

脫機顯示，脫機**。

200萬高清像素（可根據(jù)要求定制）CMOS圖像傳感器

支持**角度≤60°，全天正確識別率≥99.8%以上。

全系列**均可識別（藍牌、黃牌、警牌、新**、新軍牌、單雙層牌、陰陽光**、粵港澳**及新能源**）

無需安裝APP即可使用**、支付

自主研發(fā)、中國優(yōu)創(chuàng)，榮獲外觀傳利

識別、顯示、補光一體式設(shè)計，安裝方便

顯示屏采用進口燈珠，亮度，超大字體，戶外距離遠也可清晰分辨

四行字體顯示，**、停車時長、應(yīng)繳費用、剩余車位、月租有效期、

儲值余額等信息一目了然，紅綠色字體區(qū)分顯示，顯示更清晰

紅綠燈導(dǎo)光條指示，**輛顯示紅色，禁止通行；合法車輛顯示綠色，道閘開啟
車牌識別分為兩個過程：車牌檢測（Plate Detection）和字符識別（Chars Recognition）。

車牌檢測（Plate Detection）：對一個包含車牌的圖像進行分析，終截取出只包含車牌的一個圖塊。這個步驟的主要目的是降低了在車牌識別過程中的計算量。如果直接對原始的圖像進行車牌識別，會非常的慢，因此需要檢測的過程?？捎肧VM判別截取的圖塊是否是真的“車牌”。

①圖像分割：采用一系列不同的濾波器、形態(tài)學(xué)操作、輪廓算法和驗證算法，提取圖像中可能包含車牌的區(qū)域。

假設(shè)車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。
假設(shè)車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個重要特征是車牌中有大量的垂直邊緣。

具體算法步驟如下：

1.將彩色圖像轉(zhuǎn)化為灰度圖，并采用5*5模版對圖像進行高斯模糊來退出由照相機或其他環(huán)境噪聲（如果不這么做，我們會得到很多垂直邊緣，導(dǎo)致錯誤檢測。）

2.使用Sobel濾波器求一階水平方向?qū)?shù)，以此尋找垂直邊緣

3.使用Otsu自適應(yīng)閾值算法獲得圖像二值化的閾值，并由此得到一副二值畫圖片

4.采用閉操作，去除每個垂直邊緣線之間的空白空格，并連接所有包含 大量邊緣的區(qū)域（這步過后，我們將有許多包含車牌的候選區(qū)域）

5.由于大多數(shù)區(qū)域并不包含車牌，我們使用輪廓外接矩形的縱橫比和區(qū)域面積，對這些區(qū)域進行區(qū)分。

a.使用findContours找到外部輪廓

b.使用minAreaRect獲得這些輪廓的小外接矩形，存儲在vector向量中

c.使用面積和長寬比，作基本的驗證【閾值：長寬比為4.727272，允許誤差范圍正負40%，面積范圍15*15至125*125】

6.由于每個車牌都包含白色背景屬性。我們?yōu)榱烁牟眉魣D像，可以使用floodfill算法【用顏色填充某一密閉區(qū)域，相當(dāng)于油漆桶的功能】來提取那些旋轉(zhuǎn)的矩形。

步的原文：get several seeds near the last rotated rectangle center. Then get the minimum size of plate between the width and height, and use it to generate random seeds near the patch center.】總之，得到每個矩形的中心，然后求每個矩形各自長寬的較小值，再用隨機數(shù)和這個較小值得到中心附近的種子點

第二步的原文：for each seed, we use a floodFill function to draw a new mask image to store the new closest cropping region:

第三部的翻譯：對這些裁剪區(qū)域，再次用縱橫比和區(qū)域面積進行驗證，再去除圖像的旋轉(zhuǎn)，并裁剪圖像到統(tǒng)一尺寸，均衡化圖像的灰度

②用SVM分類。分類前要先訓(xùn)練SVM，準(zhǔn)備正、負樣本（圖像分割后得到的車牌及非車牌圖像）。

字符識別（Chars Recognition）：對只包含車牌的圖塊進行光學(xué)字符識別（OCR），可用CNN實現(xiàn)。

三步：①字符分割 ②CNN訓(xùn)練 ③使用CNN預(yù)測字符

一、字符分割【OCR Segment】

在使用神經(jīng)網(wǎng)絡(luò)對每個字符進行預(yù)測之前，我們從只包含車牌的圖塊中扣取字符圖片，步驟如下：

輸入圖像為上一步驟得到的車牌：


a.二值化車牌


b.求輪廓


c.求小外接矩形


d.用縱橫比及面積，篩選外接矩形


e.調(diào)整統(tǒng)一矩形大小并保存每個字符的圖片【注意：分割得到順序和車牌字符順序無關(guān)，可能不同】