车牌识别系统概述

车牌识别系统总的来说，国内不管科研还是商用方面都很成熟了，基本处于世界先进甚至领先的水平。对于目前常见的收费站、红绿灯路口、学校、机关政府等进出口的固定环境车牌识别准确率基本都可以达到99.5%以上。

车牌识别的主要步骤分为：车牌定位、字符分割、字符识别；

（1）车牌定位：

在车牌识别中是很关键的一步，尤其是对于图像背景较为复杂的情况下，要提高车牌定位准确率也不是件容易的事。车牌定位包括车牌定位、车牌倾斜校正。

1）当前车牌粗定位算法主要分为：传统方法和深度学习方法。

①传统车牌定位算法：主要利用颜色（蓝底、黄底或白底）、边缘形状（3.15:1的矩形）、纹理特征（可用小波特征表述）等信息进行检测定位。一般情况下，都是首先将前述几种判断依据结合起来，进行综合检测定位，否则无法有效解决不同车型、颜色、环境的变化对检测带来的影响；

②深度学习算法：当前也有不少人基于CNN、R-CNN、faster-RCNN、改进型CNN算法对车牌进行监测定位。从当前基于卷积神经网络的车牌定位算法研究应用而言，主要还是先根据车牌特征人工选择候选区域，然后使用CNN进行车牌检测与定位。

个人总结：传统算法在固定环境中对车牌定位做的已经比较成熟了，但正如固定环境的表述一样，其对于车牌拍摄角度、车牌图片中背景的复杂度还是有不少的限制，拍摄角度要在算法设计范围内，背景也不能太复杂。对于基于深度学习的车牌定位算法，相对来说就可以应付较为复杂的背景和允许更大的车牌拍摄角度。其不足之处当然是需要大量样本进行训练并耗费较长时间，同时深度学习算法进行车牌定位可能在算法实时性上有所下降。

2）车牌倾斜校正：主要是根据提取的车牌边缘直线，利用投影法（radon变换）计算倾斜角度，然后旋转校正。

（2）字符分割：

字符分割当前一般都采用投影法，该方法比较简单也很有效。当然，在进行字符分割前还有去除车牌边框、铆钉等无关干扰部分，主要是利用提取的边缘轮廓确定车牌和车牌以外部分的分界线，从而去除边框及以外部分，同时利用投影法尽量去除铆钉等。

（3）字符识别：

这就是OCR的问题了，常见的有BP神经网络识别算法、CNN识别算法。相对而言，CNN算法的识别准确率更高。

未来展望：主要集中在传统的车牌定位算法的改进，和深度学习算法的应用上，个人更关注后者。个人认为，将车牌定位、字符分割和识别放到一个深度学习网络中是一个可以研究的方向。