汽车牌照定位基本原理与新技术
车牌识别原理
车牌识别原理
车牌识别是指通过图像处理和模式识别技术，对车辆的车牌进行自动识别和文字提取的过程。
其原理可以概括为以下几个步骤：
1. 图像预处理：从摄像头获取的图像需要进行预处理，包括去噪、灰度化、二值化等操作。
去噪主要是为了减少图像中的干扰信息，而灰度化和二值化则是将图像转换为黑白二值图，方便后续处理。
2. 车牌定位：在经过预处理后的图像中，需要找到车牌所在的位置。
常用的方法有基于边缘检测、颜色分析和形状匹配等。
边缘检测可以提取图像中的边缘信息，颜色分析可以根据车牌的颜色特性进行筛选，形状匹配可以通过匹配车牌的形状特征来定位。
3. 字符分割：在定位到车牌后，需要将车牌上的字符进行分割。
常见的方法有基于边缘投影和垂直投影的字符分割算法。
边缘投影是通过检测字符边缘的变化情况来实现分割，垂直投影则是通过统计字符列中像素的数量来实现分割。
4. 字符识别：分割后得到的单个字符需要进行识别。
字符识别主要是通过模式识别技术，例如用神经网络、SVM等算法进
行训练和匹配。
训练集中包含了各种不同字符的样本，识别时将样本与待识别字符进行比对，找到最匹配的字符。
5. 结果输出：识别出的字符需要进行校验和整理，确保识别准
确无误。
最后将识别结果输出为文字或数字，用于后续的车辆管理和系统应用。
综上所述，车牌识别主要通过图像预处理、车牌定位、字符分割、字符识别和结果输出等步骤实现对车牌的自动识别和文字提取。
通过不同的算法和技术优化，可以提高识别的准确率和实时性，提升车牌识别系统的性能和可靠性。
车牌识别系统方案
车牌识别系统方案摘要：车牌识别系统是一种利用计算机视觉和模式识别技术，对车辆车牌进行自动识别的系统。
本文将介绍车牌识别系统的相关原理、应用场景、系统方案以及未来发展趋势。
一、引言车牌识别系统是现代交通管理系统中重要的一环。
它通过识别车辆的车牌号码，实现对车辆的自动识别和管理。
车牌识别系统广泛应用于交通监控、车辆管理、停车场管理等领域，提高了交通管理的效率和精度，减少了人为因素的干扰。
二、车牌识别系统的原理1. 图像获取：车牌识别系统通过摄像头获取车辆的图像。
可以采用固定安装的摄像头，也可以使用移动式摄像头。
2. 车牌定位：通过图像处理技术对车辆图像进行分析，确定车牌在图像中的位置，并对车牌进行定位。
3. 字符分割：将车牌图像中的字符进行分割，得到单个字符图像。
4. 字符识别：对字符图像进行特征提取和模式匹配，识别字符的具体信息。
常用的字符识别方法包括模板匹配法、神经网络方法和支持向量机方法等。
5. 结果输出：将识别后的车牌号码以文本或者数据库形式进行输出，实现与其他系统的数据交互。
三、车牌识别系统的应用场景1. 交通监控：车牌识别系统可以应用于交通监控系统中，实时监测道路上的车辆情况。
2. 车辆管理：通过车牌识别系统可以对车辆进行自动识别和管理，提高车辆管理的效率。
3. 停车场管理：车牌识别系统可以用于停车场的车辆进出管理，实现自动化的收费和管理。
四、车牌识别系统的方案1. 硬件方案：车牌识别系统的硬件包括摄像头、图像处理设备、计算机和外部设备等。
2. 软件方案：车牌识别系统的软件包括图像处理算法、字符识别算法和数据处理算法等。
3. 网络方案：车牌识别系统可以通过网络与其他系统进行数据交互和通信。
4. 系统集成方案：将硬件、软件和网络进行集成，构建完整的车牌识别系统。
五、车牌识别系统的未来发展趋势1. 深度学习技术的应用：随着深度学习技术的不断进步，车牌识别系统将更加准确和高效。
2. 多场景适应能力：车牌识别系统将能够适应不同的场景，包括复杂环境下的车牌识别。
汽车牌照识别原理4页
核心提示：汽车牌照识别技术是一个以特定目标为对象的专用计算机视觉系统。
到目前为止，通用计算机视觉系统仍然是当今科学界尚未攻克的难题。
究其原因主要是当前的串行计算机结构难以完全适合做人工智能视觉工作。
也许，只有新一代的计算机诞生了，真正的通用的计算机视觉系统才能实现。
人们已经意识到，光靠加快计算机计算速度是无法彻底解决机器视觉所遇到的问题。
神经网络的出现曾给人们带来一线曙光，但经过十多年的努力，新一代计算机还是遥遥无期，而机器视觉系统仍然在黑暗中摸索。
一、汽车牌照的基本元素目前我国机动车使用的牌照主要是根据公安部一九九二年颁布的《中华人民共和国机动车号牌》标准（GA36-92）制作的。
另外，部队、武警等部门的汽车牌照也有自己的标准。
但无论是哪种汽车牌照都由四大基本元素组成：1）汉字2）英文字母（A～Z）3）数字（0～9）4）颜色（蓝、黄、白、黑）二、识别技术简介汽车牌照识别技术是一个以特定目标为对象的专用计算机视觉系统。
到目前为止，通用计算机视觉系统仍然是当今科学界尚未攻克的难题。
究其原因主要是当前的串行计算机结构难以完全适合做人工智能视觉工作。
也许，只有新一代的计算机诞生了，真正的通用的计算机视觉系统才能实现。
人们已经意识到，光靠加快计算机计算速度是无法彻底解决机器视觉所遇到的问题。
神经网络的出现曾给人们带来一线曙光，但经过十多年的努力，新一代计算机还是遥遥无期，而机器视觉系统仍然在黑暗中摸索。
经过反思，人们认为，在当前科学技术条件下，机器视觉系统的研究只能退而求其次，即首先研究针对特定对象的、专用的计算机视觉系统。
汽车牌照识别器就是这一技术的典型应用，但就是要研究开发这种专用的视觉系统，也不是轻而易举的。
用计算机完成视觉任务，其主要困难就是串行计算机不适合作视觉工作，而人类却恰好相反，人可以随时随地轻而易举地完成无数的、令计算机无法想象的视觉任务。
但是，计算机具有“忠实、吃苦、耐劳”和不怕重复、重复工作结果绝对一致等许多人类不具有的优点，所以计算机视觉研究，特别是专用计算机视觉的研究具有绝对重要的价值。
汽车车牌定位识别概述
汽车车牌定位识别概述汽车车牌定位识别技术的发展得益于计算机视觉技术的进步和硬件设备的不断更新。
自从20世纪80年代末期开始，随着计算机技术的发展，人们开始研究如何利用计算机自动识别车牌。
最初的方法是通过车牌字符的特征提取和模式匹配来实现，但是这种方法在实际应用中存在一些问题，比如对于光照条件、角度和车辆速度的不同会导致识别结果的准确度下降。
随着深度学习技术的兴起，特别是卷积神经网络（Convolutional Neural Network，CNN）的发展，汽车车牌定位识别技术得到了显著的进步。
CNN可以通过学习大量的车牌图像来自动提取图像特征，并通过训练模型来识别不同类型的车牌。
这种方法不仅可以提高识别的准确性，还可以适应不同的光照和角度条件。
汽车车牌定位识别技术的应用非常广泛。
首先，在交通安全领域，汽车车牌定位识别可以帮助交警自动检测和记录违反交通规则的车辆，比如闯红灯、超速等。
这种技术可以大大提高交通管理的效率和准确性，减少人为差错。
其次，在停车场管理中，汽车车牌定位识别可以帮助自动识别道闸前的车牌信息，实现自动出入场的管理。
这不仅方便了车辆的出入，还可以提高停车场的管理效率。
另外，在安防领域，汽车车牌定位识别可以帮助监控系统自动追踪和识别特定车辆的位置和行动轨迹，有助于犯罪侦查和预防。
汽车车牌定位识别技术通常包括以下几个步骤。
首先，对车辆图像进行预处理，包括图像去噪、图像增强等。
然后，利用目标检测算法来定位车牌的位置，常用的方法包括边缘检测、颜色分割等。
接下来，对定位到的车牌进行字符分割，将车牌中的字符单独分离出来。
最后，利用字符识别算法对分割后的字符进行识别，常见的方法包括模板匹配、字符特征提取等。
虽然汽车车牌定位识别技术已经取得了很大的进展，但是在实际应用中仍然存在一些挑战。
首先，不同车牌的形状和颜色差异较大，车牌的角度和光照条件也会导致识别的准确性下降。
其次，特定地区的车牌字符种类较多，字符的形状和位置也有差异，这对识别算法提出了更高的要求。
车牌识别技术的工作原理和应用
车牌识别技术的工作原理和应用车牌识别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。
车牌识别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：将车牌识别的结果以文本格式输出。
车牌识别技术四大应用一、停车场及小区出入口停车场及小区出入口车牌识别技术的应用，主要用于记录车辆的牌照号码、车牌颜色、出入时间，实现车辆的自动管理，以便节省人力、提高效率；例如应用于智能小区可以自动判别驶入车辆是否属于本小区，对非内部车辆实现自动计时收费。
在一些单位这种应用还可以同车辆调度系统相结合，自动、客观地记录本单位车辆的出车情况。
停车场及小区出入口管理单靠人工去记来往车辆的车牌号码和停靠时间是非常困难的，不但会出现错误，还需投入大量人力。
一个小小的车牌识别设备安装在停车场的出入口就能“一劳永逸”地解决很多问题。
对于车牌被遮挡、掉漆断裂、模糊不清等也能够分析识别，为停车场及出入口的工作人员省去许多烦恼。
二、高速公路收费站目前，我国的高速公路建设发展突飞猛进，高速公路四通八达，每个出口均设有收费站，一方面便于收费管理，另一方面也可协助交警对高速公路上的交通进行规范管理。
高速公路收费站出入口车牌识别技术的应用，可以极大地方便交警识别违规行驶车辆的号牌信息，对一些违法车辆进行有效的管理和抓捕。
车牌识别（一）-车牌定位
车牌识别（⼀）-车牌定位在对车牌识别过程中，常⽤的⽅法有：基于形状、基于⾊调、基于纹理、基于⽂字特征等⽅法。
⾸先基于形状，在车牌中因为车牌为形状规格的矩形，所以⽬的转化为寻找矩形特征，常常是利⽤车牌长宽⽐例特征、占据图像的⽐例等。
基于⾊调，国内的车牌往往是蓝底⽩字，可以采⽤图像的⾊调或者饱和度特征，进⼊⽣成⼆值图，定位车牌位置。
基于纹理特征⾃⼰还没有基础到。
基于⽂字特征往往是根据⽂字轮廓特征进⾏识别，原理是基于相邻⽂字轮廓特征、⽐例进⾏定位车牌位置。
⼀、图像⼆值化正如前⾯⽂章所⾔，⾸先进⾏获取图像⼆值化特征，本⽂采取了根据图像亮度特征，提⾼对⽐度，进⾏可以清晰获取⽂字的图像，为下⼀步的⽂字轮廓识别打好基础。
1.1 算法流程伪代码1、图像转化为HSV图像，获取V通道图像2、提⾼对⽐度3、V图像⾼斯滤波，去除噪声4、图像⼆值化程序源码：def get_colorvalue(image):height, width, shape = image.shapeimage_hsv = np.zeros((height,width), np.uint8)image_hsv = cv2.cvtColor(image, cv2.COLOR_RGB2HSV)image_hue, image_saturation, image_value = cv2.split(image_hsv)return image_valuedef enhance_contrast(image):kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))img_tophat = cv2.morphologyEx(image, cv2.MORPH_TOPHAT,kernel)img_blackhat = cv2.morphologyEx(image, cv2.MORPH_BLACKHAT, kernel)image_plus_tophat = cv2.add(image, img_tophat)image_plus_blackhat_minus_blackhat = cv2.subtract(image_plus_tophat, img_blackhat)return image_plus_blackhat_minus_blackhatdef preprocess(srcimage):image_value = get_colorvalue(srcimage)image_enhance = enhance_contrast(image_value)image_blur = cv2.GaussianBlur(image_enhance, (5,5), 0)# _, image_binary = cv2.threshold(image_blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)_, image_binary = cv2.threshold(image_blur, 100, 255, cv2.THRESH_BINARY )cv2.imwrite('image_binary.png',image_binary)return image_binary1.2 算法分析在实验中在获取通道图像时，发现可以利⽤图像饱和度图像进⾏定位。
egt[机械制造]汽车牌照定位基本原理与新技术
![egt[机械制造]汽车牌照定位基本原理与新技术](https://img.taocdn.com/s3/m/222f80df09a1284ac850ad02de80d4d8d05a0141.png)
◆◆◆科学探究园地1引言我国的公路交通事业正步入信息化、数字化时代。
自动收费系统、违规车辆的自动记录、公安海关车辆管理、封闭区域车辆管理、城市交通路口监控等都要求识别出具体的车辆。
车牌是所有车辆独有的标志，因此，汽车车牌识别(Vehicle License Plate R ecognition，LPR)技术研究受到广泛重视。
汽车牌照识别系统是以特定目标为对象的专用计算机视觉系统，能从图像中自动提取车牌区域，自动分割字符及对字符进行识别，运用模式识别，人工智能技术，对采集的汽车视频图像实时准确地自动识别出车牌的数字、字母及汉字，并直接给出识别结果，实现车辆的自动化监控和管理。
车牌准确定位分割是车牌识别的第一步，直接影响系统的识别速度和精度，是整个系统的核心技术。
２车牌图像的特点及定位算法的发展现状车牌定位算法分为图像的预处理、车牌的搜索和车牌鉴别定位三部分。
图像预处理就是要获得有用的图像的边缘，并将其二值化；车牌搜索则是搜索整幅图像以得到有可能包含车牌的若干感兴趣区域；车牌定位则是根据车牌的特征对提取出的感兴趣的区域进行鉴别和剔除假的车牌,从而提取到真正的车牌。
相较于车身其他位置，车牌区域有其自身特点，主要有车牌底色与车身颜色，字符颜色有较大差异；车牌的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征；车牌内字符之间的间隔比较均匀，字符和牌照底色在灰度上存在跳变；图像中牌照长宽比的变化有一定范围等。
这些都为车牌定位分割提供了先验知识。
但是，摄像机获得的图像含有丰富的自然背景及车身背景信息，易受照明、天气条件及运动失真和模糊的影响，同时由于在野外环境下使用，车牌会有不同程度的磨损、污迹干扰、变形等，这些问题给车牌定位带来了难度。
目前较为成熟的车牌区域定位算法有自适应边界搜索法、区域生长法、灰度图像数学形态学运算法、基于纹理或颜色的分割方法以及模糊聚类法等。
这些方法都有各自的优点，但是在实际应用中也存在着一些不足之处。
车牌识别原理简介
车牌识别原理车牌识别是基于图像分割和图像识别理论，对含有车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符。
车牌识别过程包括图像采集、预处理、车牌定位、字符分割、字符识别、结果输出等一系列算法运算，其运行流程如下图所示：图像采集：通过高清摄像抓拍主机对卡口过车或车辆违章行为进行实时、不间断记录、采集。
预处理：图片质量是影响车辆识别率高低的关键因素，因此，需要对高清摄像抓拍主机采集到的原始图像进行噪声过滤、自动白平衡、自动曝光以及伽马校正、边缘增强、对比度调整等处理。
车牌定位：车牌定位的准确与否直接决定后面的字符分割和识别效果，是影响整个车牌识别率的重要因素。
其核心是纹理特征分析定位算法，在经过图像预处理之后的灰度图像上进行行列扫描，通过行扫描确定在列方向上含有车牌线段的候选区域，确定该区域的起始行坐标和高度，然后对该区域进行列扫描确定其列坐标和宽度，由此确定一个车牌区域。
通过这样的算法可以对图像中的所有车牌实现定位。
字符分割：在图像中定位出车牌区域后，通过灰度化、灰度拉伸、二值化、边缘化等处理，进一步精确定位字符区域，然后根据字符尺寸特征提出动态模板法进行字符分割，并将字符大小进行归一化处理。
字符识别：对分割后的字符进行缩放、特征提取，获得特定字符的表达形式，然后通过分类判别函数和分类规则，与字符数据库模板中的标准字符表达形式进行匹配判别，就可以识别出输入的字符图像。
结果输出：将车牌识别的结果以文本格式输出。
车牌识别技术的实现原理和实现方式车辆牌照的识别是基于图像分割和图像识别理论，对含有车辆号牌的图像进行分析处理，从而确定牌照在图像中的位置，并进一步提取和识别出文本字符。
识别步骤概括为：车牌定位、车牌提取、字符识别。
三个步骤地识别工作相辅相成，各自的有效率都较高，整体的识别率才会提高。
识别速度的快慢取决于字符识别，字符的识别目前的主要应用技术为比对识别样本库，即将所有的字符建立样本库，字符提取后通过比对样本库实现字符的判断，识别过程中将产生可信度、倾斜度等中间结果值；另一种是基于字符结构知识的字符识别技术，更加有效的提高识别速率和准确率，适应性较强。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
◆◆◆科学探究园地1引言我国的公路交通事业正步入信息化、数字化时代。
自动收费系统、违规车辆的自动记录、公安海关车辆管理、封闭区域车辆管理、城市交通路口监控等都要求识别出具体的车辆。
车牌是所有车辆独有的标志，因此，汽车车牌识别(Vehicle License Plate R ecognition，LPR)技术研究受到广泛重视。
汽车牌照识别系统是以特定目标为对象的专用计算机视觉系统，能从图像中自动提取车牌区域，自动分割字符及对字符进行识别，运用模式识别，人工智能技术，对采集的汽车视频图像实时准确地自动识别出车牌的数字、字母及汉字，并直接给出识别结果，实现车辆的自动化监控和管理。
车牌准确定位分割是车牌识别的第一步，直接影响系统的识别速度和精度，是整个系统的核心技术。
２车牌图像的特点及定位算法的发展现状车牌定位算法分为图像的预处理、车牌的搜索和车牌鉴别定位三部分。
图像预处理就是要获得有用的图像的边缘，并将其二值化；车牌搜索则是搜索整幅图像以得到有可能包含车牌的若干感兴趣区域；车牌定位则是根据车牌的特征对提取出的感兴趣的区域进行鉴别和剔除假的车牌,从而提取到真正的车牌。
相较于车身其他位置，车牌区域有其自身特点，主要有车牌底色与车身颜色，字符颜色有较大差异；车牌的矩形区域内存在较丰富的边缘，呈现出规则的纹理特征；车牌内字符之间的间隔比较均匀，字符和牌照底色在灰度上存在跳变；图像中牌照长宽比的变化有一定范围等。
这些都为车牌定位分割提供了先验知识。
但是，摄像机获得的图像含有丰富的自然背景及车身背景信息，易受照明、天气条件及运动失真和模糊的影响，同时由于在野外环境下使用，车牌会有不同程度的磨损、污迹干扰、变形等，这些问题给车牌定位带来了难度。
目前较为成熟的车牌区域定位算法有自适应边界搜索法、区域生长法、灰度图像数学形态学运算法、基于纹理或颜色的分割方法以及模糊聚类法等。
这些方法都有各自的优点，但是在实际应用中也存在着一些不足之处。
例如，对于基于纹理的分割方法，图像中很可能不止一个区域具有车牌区域类似的纹理特征，难以准确找到车牌位置。
这些方法对图像也有各种不同的条件限制，如对车牌倾斜度的要求。
一旦条件发生变化，车牌定位效果明显下降。
应用边缘检测的分割方法时，由于许多汽车前部散热器产生的垂直边缘和某些牌照边框的扭曲或某些汽车牌照没有边框而存在鲁棒性较差的问题。
因此，这些算法仍然需要做进一步的改进或与其他技术联合使用。
3车牌定位算法的若干新技术针对这些问题，各国科研人员提出了很多与现代智能化方法相结合的车牌定位分割技术。
一、基于神经网络的车牌定位方法基于神经网络的车牌自动定位系统是通过摄像机拍摄、视频采集得来的汽车图像，完成车牌目标的自动定位的。
首先收集一定数量的车牌图像样本，归一化后送到BP神经网络进行训练，达到预先确定的正确率后，训练结束，得到一个对牌照敏感的BP神经网络。
利用训练好的神经网络就可以从图像预处理模块送来的图像中搜索车牌区域，定位车牌。
为了增强神经网络的泛化性，搜集的汽车灰度图像中常常包含各种光照条件和底色的车牌图像。
二、基于HSV颜色空间的一种车牌定位和分割方法在基于颜色的数字图像处理中经常用到的颜色模型有R GB 和HSV种模型。
R GB模型中各像素值由红色(R)、绿色(G)和蓝色(B)3种颜色的亮度值叠加来表示。
这3种颜色的亮度值随光照强度的不同而改变,因此该模型是受光照条件影响的，而一般汽车图像的光照条件是不定的，所以在R GB空间中进行识别车牌是十分困难的。
HSV模型分别用色度(H)、饱和度(S)和亮度(V)3个分量表示每一个像素的颜色特性，分量V表示了亮度方面的信息，即是光照条件方面的信息，而H和S两个分量包含了图像的彩色信息，如果舍弃V分量，只考虑H和S分量，就是排除了光照条件的影响，这对于光照条件不确定的彩色汽车图像分割具有重要的意义。
在该模型下，仅用H和S两个分量就可以将蓝色和黄色两种颜色区域找出来，只用V分量就能将白色和黑色两种颜色识别出来，因此HSV模型特别适合于车牌区域的识别。
该方法建立在对汽车牌照特征充分认识的基础之上，利用HSV颜色空间的特点，将搜索范围缩小在有限的4种颜色之内，根据不同颜色车牌出现的概率，从最可能的蓝底牌照开始搜索，然后是黄底牌照，黑底牌照，最后是白底牌照，合理利用水平垂直投影技术，进行统计分析，从而定位和分割出车牌，这样有效地提高了运算效率。
(下转第147页）汽车牌照定位基本原理与新技术■陈茹雯（南京工程学院车辆工程系，江苏南京211167）摘要：公路交通事业的信息化和数字化，使汽车牌照自动识别技术研究受到广泛重视。
车牌的准确定位分割是车牌识别的第一步,直接关系到系统的识别速度和识别精度。
本文介绍了车牌图像的特点及定位算法的发展现状，存在的不足及若干与现代智能化方法相结合的车牌定位分割技术。
关键词：汽车牌照定位智能化方法中图分类号：TP391文献标识码：A文章编号：1006-3315（2008）12-119-02作者简介：陈茹雯(1974—),女,讲师,研究方向：图像处理及时间序列分析。
◆◆◆热点关注当今高校大学生的生理和安全的需要已经得到了较充分的保障，因此高校的心理辅导工作应充分利用学生的归属和爱的需要、尊重的需要、自我实现的需要，以此来激发学生的行为动力，促使其积极上进，培养其良好的心理品质和自尊、自爱、自律、自强的优良品格，增强大学生克服困难、经受考验、承受挫折的能力。
每个人都有归属和爱的需要、尊重的需要，而高校大学生中部分人并不能很好的使用有效的方法来获得这两方面的满足，由于不能获得满足，方法不得当，又不能及时的深入分析和解决，学生不断的受到挫折并体验到挫折感和失败感，长期积累下来，有可能引发严重心理问题。
而大学生这方面的缺陷集中表现为人际关系的不成熟，他们虽然内心渴望获得归属感和他人的关爱及尊重，但是往往由于缺乏社交技能，人际关系常处于紧张状态，困惑和苦闷越积越多，在某些时候会引发大的人际矛盾和冲突，将有损个体的发展。
作为高校心理辅导人员，应密切关注并排查存在严重人际关系不适的学生，对他们的需要结构以及满足状况进行评估，在此基础上，对他们的需要给予肯定，并从实际生活的角度指导他们有意识、系统化的掌握发展成熟人际关系的技能。
培养良好的发展人际关系的技能可以从以下两个重点方面入手：（1）培养学生容忍及欣赏别人与自己的不同。
包括愿意放下自己主观的感受、看法，甚至是成见，尝试客观了解别人的文化、社会、背景及价值观；并接纳、尊重每个人的独特及差异。
（2）培养学生有能力与别人发展亲密关系的感受。
我们的辅导和帮助使学生受到触动和发生变化的关键就是学生本人的内心体验和感悟，而这种体验和感悟是要在真实的生活经验的基础之上才能建立起来的，辅导人员应帮助学生提高自我认识和自发性，提供自信心支持和沟通技能的培训，引导学生客观、正确的认识自我，发现自己的优势与不足，制定改良计划并监督自己实施，同时我们需要引导学生关注自己的感受和体验，用积极体验来强化他们的自我提高。
自我实现的需要在马斯洛的需要层次结构中处于最高的位置，是一种成长性的需要，对人的发展具有无比重要的意义。
高校大学生有着各种各样的理想、追求和兴趣爱好，积极寻求自我价值的实现，但是在现实的成长过程中，道路并非他们想象的那般一帆风顺，来自内外的困难和阻碍常常会使他们陷入迷茫和困惑，心理辅导人员应帮助学生分析他们的问题，促进学生的不断成长和发展。
在此，马斯洛提出的促进成长或自我实现的机制具有重要的、实际的参考价值。
马斯洛认为：我们每一个人的深层本性中都蕴含着两种力量：一是由于畏惧而使人坚持安全和防御，倾向于倒退，紧紧依附于过去，害怕失去已有的东西，害怕独立、自立和分离，害怕承担成长的风险；另一种力量则推动人向前进步成长，建立自我的完整性和独特性，充分发挥他的一切能力。
这两种力量对人的牵引分别对自我实现具有增力和减力的作用，可以用图示“安全←人→成长”来表示。
为了帮助大学生积极的自我进步、不断的完成自我实现，我们可以充分的运用如下的促进成长或自我实现的机制：（1）增加向成长方向的向量或动力，使成长具有吸引力，提高学生自我实现的动力；（2）帮助学生充分缩减成长畏惧；（3）充分缩减向安全方向的向量或动力，使它减少吸引力；（4）充分增加对安全、防御、病态和倒退的厌弃。
我们的心理辅导应努力帮助学生增加成长方向的动力，有效地抵制安全方向的动力。
另外，需要注意的一点是，自我实现的需要处于需要层次性系统中的最高点，其产生与发展部分依赖于其他低层次需要的满足，心理辅导人员应全面评判学生的需要层次的满足状况，保证低层次的需要得以满足，积极促进学生的自我实现。
综上所述，马斯洛的人本主义心理学对于高校大学生的心理辅导是具有重要的启示意义和参考价值的，其问题为中心和整体理论的方法论、人类动机理论主要是需要层次理论为我们以学生为本的心理辅导提供了理论和实践的重要依据。
参考文献：[1]叶浩生《西方心理学理论与流派》广州：广东高等教育出版社[2]郑雪《人格心理学》广州：广东高等教育出版社[3]樊富珉等《香港高校学生辅导》北京：清华大学出版社[4]马斯洛《人性能达到的境界》昆明：云南人民出版社1987[5]彭聃龄《普通心理学》北京：北京师范大学出版社[6]张国《从需要层次论的角度对高校辅导员队伍建设的研究》选自《现代企业教育》2007.8169—170!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!（上接第119页）三、基于纹理分析和支持向量机的汽车牌照定位算法纹理分析是图像处理中的重要组成部分，在场景分析、医学图像分析、牌照定位等领域中都具有重要的应用价值，是近年来的研究热点之一。
采用纹理分析的方法定位牌照时，采用的纹理特征太少将难以获得较好的定位效果，增多纹理特征又会导致算法的复杂度增加。
支持向量机(SVM)是数据挖掘中的一个新方法，能非常成功地处理回归问题(时间序列分析)和模式识别(分类问题、判别分析)等诸多问题，是针对小样本统计估计和预测学习的最佳理论。
因此，将支持向量机的这一特性和纹理分析结合起来，对牌照进行定位。
从图像纹理分析的角度，先将原始纹理图像作离散余弦变换，并对频率系数量化，从量化值中提取图像的方向性，并将量化值的统计特性和图像的方向性结合起来构造特征量，再在空域中获得图像的角二阶矩、对比度、相关性和熵等4个特征量，将图像的特征矢量输入SVM网络进行学习，训练获得SVM分类器。
利用该SVM分类器即可对图像区域进行分类，定位出车牌实际位置。
自动识别汽车牌，在智能运输系统（Intelligent LPR Transport System，ITS）中有着重要作用。