基于树莓派的汽车车牌识别系统

欢迎大家关注，文末有联系方式

一项目简介

  在现在这个社会发展中识别车牌的这个阶段中，其中最集中和有效的内容是车牌图像分割字符技术和车牌图像提取技术。在本论文中具体的说明了一种二值化分析识别车牌的算法介绍。在设计中是在内存为64M大小，其平台是matlab，从把具体图像放进去到再到识别车牌图像，其反应的平均时间是0.8秒左右，这就很充分地说明了该方法的可执行性。智能交通系统中较为重要的成分之一是车牌识别，它可以在相应的图像中把其中的车牌进行分析然后提取出来，然后将字符图像进行自动分割，然后来识别字符。在国外的一些国家因为很早就发展了收费停车场与高速公路，所以他们在很早之前就具备了图像提取的自动系统。可是车牌的识别系统往往是将车牌所处于的特定环境和特定要求来作为导向，然后因为不同的国家都有着不同的车牌样式，所有不同国家的车牌都有不同的排版格局。

关键词：车牌识别；图像提取；分割技术 ，

二、技术说明

技术简单说明
开发语言：Python
框架：flask
Python版本：python3.7.7
数据库：mysql 5.7（一定要5.7版本）
数据库工具：Navicat11
开发软件：PyCharm
浏览器：谷歌浏览器

三、功能介绍

3.1 系统功能结构设计

  
根据现实需要，此系统我们设计出一下功能，主要有以下功能模板。
前台功能：车牌识别、图片工具、总体预览。
在系统的功能设计方面，树莓派的汽车车牌识别系统的设计目标是便于车牌识别，基本业务需求的基本用例，如图3-1所示。

图3-1 管理员用例图

3.2车牌字符分割

3.2.1 车牌字符分割方法简述

  为了辨认出车牌字符，必须先对车牌进行定位，然后从已经辨认出的车牌的图像中识别出字符。先对车牌定位可以对车牌中字符的整体位置进行确认，这样就缩小了对字符识别的区域，此后只需要在相对小的图像中识别出具体字符的区域，对此区域进行精准定位，得到每个字符的图像，最后将这些字符的信息作为输入数据，以最终识别出车牌信息。
直接分割方法
  有很多种用于字符分割的方法，其中直接分割法是使用最普遍也最有效的一种方法，它也被叫做基于图像特征的分割方法。直接分割法它的原理是这样的，它会将图像分为七个字符块，而这些字符块是基于图像分析的，首先它会对字符图像的结构特征和统计特征进行分析，然后结合这些图像特征进行具体的分割。图像分析时所谓的结构特征和统计特征其实就是一些例如高度，宽度，相邻字符的间距等一些规矩而已，当然其中最重要的一个是字符间距，因为对于标准的车牌字符，字符与字符中间的距离是不变的，相等的，此外各个字符它们的宽度也基本相同，也就是距离和宽度它们是按照一个不变的比例来设计的，这就为我们分割字符时原理。对于一些特殊的行业，印刷字体有很多的规定，如本文中提到的车牌还有比如银行支票等，而这些规定就为我们分割字符提供了很多的方便。
  我们以往所采用的方法是利用两个字符间的空白间距与两个字符中心的距离来分割字符的，即字符间隙和字符间距。因为实际中字符的宽度基本不变，而字符间隙也基本是固定的，这样我们可以采用这个特点来分割字符。实际中我们采用的直接分割方法有基于投影法的字符分割方法、基于车牌字符几何特征的分割字符算法等。
字符分割中最基本的方法就是投影法，顾名思义，投影法就是采用投影的方法得到图像的投影直方图，投影时对图像的各行各列的黑像素数进行统计就能够得到直方图，其中波峰的位置是表示的是图像中的字符，而波谷表示的是字符的间隙，这样就能够很好的切分字符了。实际使用中，投影法不仅操作简单，而且速度还快，省时又省力。但是，投影法的适用范围也比较局限，只对那些字符界限明显或是稍微粘连的图像识别中有较好的效果，而对字符严重粘连的图像表现较差，这是因此投影法中用于字符分割的是一条直线。
  对于那些用到了几何特征的字符分割算法，它们的具体实现分为以下几步：首先进行形态运算，也就是对二值化后的图像使用数学形态学进行处理，以此拉大图像中各个模块之间的距离，并去除那些杂余数据；然后对以上的信息进行校正，采用的是一种新的快速测量车牌倾斜度的方法，最后才是分割字符。
直接的分割方法在一些特殊领域的表现相当突出，它不仅算法比较简单，而且效率相对高。但是由于它对图像的质量要求很高，且分割轨迹要求苛刻，造成其适用范围比较窄。
  基于识别的分割方法
  基于识别的分割方法原理是必须使用其结果，然后再对词法、句法和语义进行判别，这对分割来说起到至关重要的帮助。从总体上分类主要包括递归最大匹配法与寻优识别法这两大类分割方法。
  递归最大匹配法就是首先要将字符的图像拆分为若干字符块，这其中难免要使用一些结构特征，然后按照此类字符块的识别判断挑选最佳得拆分答案。识别寻优法是在仔细分割结果的情况下，对识别结果进行有效分析以挑选出最佳得方案。
递归最大匹配法的根本思想为第一步要在完整的字符图像中基本得到全部可能的分割点，接下来采用宽度可调节的移动窗(mobile window)开始对其字符串进行拆分，这样的话会产生一连串的试验性拆分结果，最后针对字符识别再决定接受还是放弃此次的切分结果。如此循环下去，一直到最后，在每个窗口中其子图像都可以发现与之相对应的识别种类。文献中阐述了一种以模板匹配的最大类间方差车牌为基础的字符分割做法。此方法按照字符串的结构大小和尺寸大小的特征，设计出了车牌的字符串的模板，此模板在车牌区域滑动匹配进行分类，最后再遵照最大类间方差判决原则选择最好的匹配地点，目的是把车牌字符分割。
识别寻优法的根本思路是先按照图像的某一基本特点，以产生一连串的假定切割点，并且对这些切分点进行识别，然后再按照识别结果确定最好的切分结果。比较常见的识别器包括基于隐马尔可夫模型识别器，神经网络识别器和基于聚类识别器等等。
基于识别的分割方法可以不用采用复杂的纯纯粹的分割算法，跟直接的分割方法进行对比得到，对图片的质量要求没有那么高。然而要想取得较好的分割效果，其识别的可靠性还是具有关键性的作用的，无法确定的情况也相对较多。再者识别器需要用到许多的数据来作为训练对象，这样一来效率自然而然就会变得很低下，但通常的做法大都使用已经训练好的模型，所以影响还是可以控制的。
  混合分割方法
  混合型的分割方法，从名字就可以知道，它是把直接分割法与基于识别的分割方法融合在一起的一种字符分割处理方案。文献中阐述了一种基于聚类分析来分割车牌字符的做法。它的基本原理是根据属于相同的某个字符的象素组成一个连通域的前提，接着考虑到车牌的先验知识，这样的话能够很好处理了机动车车牌在复杂背景情况下如何切分字符方面的疑问。
混合的分割的方法则吸取了二者的优势之处，互相作用，又彼此限制，这样一来不仅消除了直接分割策略中对图像质量过于依赖的缺点，还拓宽了基于识别策略依赖识别器的这一局限。从最后的分割结果来看，不难看出其效果比上述两种策略要好很多。只是因为还要图像内部的信息进行计算，同时要给识别器留有训练的空间，所以说整体效率还是不够理想的。所以在要求分割效果好效率不是很敏感的情况下，混合的分割策略还是具有一定的优势的。

3.2.2 本文分割算法

  在我国车牌被分为很多种，然而就车牌字符格式来说还是具有统一规定的，对于白字蓝底的牌照，牌照的长度为 440 mm，宽度是则为 140 mm，牌照中含有 7 个字符，它们的实际长度为 409 mm，同时单个字符的宽度为 45 mm，高度为 90 mm。在这之中，第二字符和第三字符两者之间距离为 34 mm，后面字符之间的间隔都为 12 mm。按照牌照的这一特征，就特别轻松的就能发现某个字符切分的位置。
  当利用以上特征对车牌进行分割时，必须对车牌中数字和数字间的空白位置判断非常准确，因为它是利用字符间的空白位置来区分出数字的，一旦在分割过程中分割位置偏离空白位置，那么切割就可能出现在数字所在的位置，出现分割错误，另外采用投影法，则对图像的质量要求非常高，对于图像质量不好的进行分割时很可能造成字符分割时无法区分，或是分割不全等结果。这时可以采用其他方法，如将投影法和模板匹配的字符分割方法一起配合使用，这样我们需要处理的图片就是处理以后的图片，各种不利因素都已不在，这样对字符的分割就会有很好的效果，本文中所采用的也正是这种方法。

四、系统实现

五. 参考文献

[1]郑南宁，张西宁，戴莹，朱海安.行驶车辆牌照自动识别系统．《西安交通大学学报》， 2019
[2]刘效静，成瑜.汽车牌照自动识别技术研究.《 南京航空航天大学学报》，2018
[3]王年，熊原，赵海峰，任彬.基于神经网络的汽车牌照自动识别．《 安徽大学学报(自然科学版)》， 2018
[4]张兴会，杜升之，陈增强等.基于神经网络的车牌照自动识别系统．《 仪器仪表学报 》， 2021
[5]沈会良，李志能.基于CCD的汽车牌照自动识别系统． 《 光电工程 》 ，2018
[6]张中良，基于机器视觉的图像目标识别方法综述[J],科技与创新,2019(14):32-33
[7]Geetha Palakkad Parameswaran,Rajan Vanjani.Unveiling Cross Platform Advertising Solutions. www.wipro.com . 2019
[8] Patil S B , Bodhe SK.Leaf disease severity measurement using image processing . International Journal of Engineering and Technology , 2018 , 3(5):297-301
[9] Bartel DP.MicroRNAs: target recognition and recognition and regulatory functions . Cell , 2019 , 136 ( 2 ) : 215-233
[10] Zhang Z.A flexible new technique for camera calibration [J] . IEEE Transactions on Pattern Analysis & Machine Intelligence , 2019 , 22 ( 11 ) : 1330-1334

六、 文章目录

目 录

摘 要 1
ABSTRACT 2
1 概述 3
1.1课题背景及意义 3
1.2 车牌定位介绍 3
1.2.1基于纹理特征分析的定位方法 4
1.2.2基于形态学梯度的车牌定位方法 4
1.3 本论文的结构安排 5
2 系统开发环境 6
2.1 Python编程语言 6
2.2 B/S模式 6
2.3 Django框架介绍 7
2.4 Vue开发技术 7
3 系统分析 8
3.1 概述 8
3.2 功能需求 8
3.3 非功能性需求 9
3.4 系统特色 10
3.5 可行性研究 10
3.5.1财务上的适用性 10
3.5.2技术上的适用性 11
3.5.3运行的可能性 11
4 系统设计 11
4.1车牌字符分割 11
4.1.1 车牌字符分割方法简述 11
4.1.2 本文分割算法 14
5 系统界面实现 14
5.1 识别界面 14
6 系统测试 15
6.1 测试定义 15
6.2 测试目的 16
6.3测试方案 16
6.4系统分析 16
7 总结 17
参考文献 18
致谢 20