基于卷积神经网络的车牌识别技术

图 3 sobel 处理
图 4 二值化
图 5 闭形态学处理 1.2 基于漫水填充算法的车牌分割
由于车牌识别系统在我们的生活中发挥着非常重要的作 用，这也是一个非常热的图像处理趋势。近年来，在诸如图象 识别和身体探测等任务中，在计算机可视领域建立了神经网 络。目前车牌识别系统低图像的复杂条件下，由于网络现状， 为了探索适用或肖像的识别系统中能否提高车牌识别系统中 采集到的图像复杂环境识别的准确性。本文研究一种广泛适 用的车牌识别技术，提出了一种识别为基础的新的神经网络。 这篇文章主要是研究折叠神经网和车牌识别方法。图象处理， 通过改进算法避免了传统识别系统中的不稳定因素，从而促 进车牌识别系统的的精确辨认。传统的车牌识别系统主要业 务:输入的照片，预处理，检测图像预处理的边缘，边缘特征提 取，然后牌照定位，最后确定字符。
摘要：车牌识别是基于车牌照片的车牌信息的识别工作，车牌识别技术对我们的实际生活至关重要，例如交通违规行为
的增加，拦截非法车辆，在速度上能够进行快速识别能够很好地解决这些问题。获得的照片的质量是影响车牌识别准确
性的最重要因素之一。本文通过改进神经网络，该文件在一个非常高的识别板上应用识别技术。该系统主要使用自动
化学习算法，如开放源码视频图书馆和 CNN。这一系统可用于在不利条件下的执法目的，也可用于私人车辆所有人，以
便在现场获取证据。
关键词：CNN；OpenCV；车牌识别
中图分类号：TP391.4
文献标识码：A
文章编号：1673-1131（2019）04-0055-04
0 引言
近年来，随着我国汽车的快速增长，根据公共安全部交通 管理局的数据，到 2014 年底，我国的汽车库存为 6 400 万辆， 过去五年中平均每年超过 1 500 万辆。城市道路中小城镇开 始在城市蔓延，是导致道路交通问题，侵犯行为，以及安全事 件发生的重要因素之一。面对交通安全方面的挑战，迫切需 要处理司机不文明和不守法的行为。有效遏制城市中车辆闯 红灯、超速等危险的行动是智能交通管理系统的首要任务。而 此识别系统中最重要的内容是以车辆车牌的识别判定为基础 指认侵犯行为。我们的数据库的所有车辆的车牌比较分析公 安信息网的可疑车辆，可以减少违规行为，还可以控制并减少 道路交通事故。通过道路监控设备与网络技术，建立智能网 络，更好地改进道路交通管理控制，并在新的警察、法证和交 通管理案件中满足业务需求。
1 目标检测与字符识别
本章首先审查了他的发言，他的发言是根据实际的数据 特征，经过对每个拍照进行取样分析，最后决定使用《漫水填 充方法》填充以及区域采掘板，并使用面积较大的牌照相对于 我们区块的区块。随后，使用 cnn 网络第二分类选择预备的车 牌，经过一系列计算合成神经网络识别预备的车辆编号。 1.1 垂直边缘的特征分析 1.1.1 移动端拍摄车牌的特点
（1）一个良好的移动终端可以让摄影师具备较好的视角， 从而便于识别车牌。
（2） 带上您的图像处理功能。当我们在不理想的条件下 拍摄车牌时，可以通过组织移动摄像机中的个人外观、变异性、 颜色等特征，以及通过旋转和放大等来提高图像的质量。
图 1 调节对比度
图 2 旋转
1.1.2 基于垂直边缘的图像特征提取
车牌识别系统是智能管理系统中最重要的分系统，发挥着 重要作用，如在现实生活中重大的交叉路口、管理应用收费等 快速停车场管理。我们已经在许多大型和中型城市建造智能 运输系统，以指导道路交通管理，并查明运输网络的正确性。 目前，由于我们已经有一个良好的数据收集系统，我们应尽快 建立一个更有效的数据处理站，以提高复杂环境中车牌识别的 准确性。最近随着智能交通管理系统的发展，大量研究人员关 注的检查自动车牌识别和测试技术也具有越来越多的发展潜 力和越来越多的应用场景。虽然在学术界和工业界对车牌识 别技术的研究较早开始，也取得了许多成果。然而，许多算法， 必须在特定的场景下收集到的图像才有效，无法满足复杂场景 的要求。如果将这些系统用于识别在自然环境中使用普通相 机拍摄的图像，那么在识别这些系统方面仍存在重大挑战。
在采取这些具体的办法后，我就会得到具有车牌地区信 息的照片，然后在通过获取具有双重价值的图象来划分这些 区域，然后对每一个区域进行最小的外置，并在事先知情的情 况下对牌照进行初步验证。
个数字。例如，当 N:
（1）
垂直变化：与横向变化一样，垂直变化可以在 N：
（2）
５５
信息通信
（2）对于图像中的每一点，我们根据以上的信息进行梯度 的变化确认：
（3） 表 1 图像周边计算方法
陆瑛瑶等：基于卷积神经网络的车牌识别技术 表 2 漫水填充法标定描述
在专业的对图像进行处理以后，运用算数以及双边加工 处理，这样就能获得清晰的垂直边缘图片。
2019 年第 4 期 （总第 196 期）
信息通信
INFORMATION & COMMUNICATIONS
2019 （Sum. No 196）
基于卷积神经网络的车牌识别技术
陆瑛瑶Baidu Nhomakorabea1，杜庆东 2 （1. 沈阳师范大学 软件学院计算机应用技术系，辽宁 沈阳 110000；
2. 沈阳师范大学 教务处，辽宁 沈阳 110000）
原始图像中的灰色图像中清除图像产生的噪音或环境影
响，将 5×5 的噪音调到 5×5，然后在使用 sobel 计算清除噪音
后对灰色图像的垂直边缘进行检查。事实上，西比尔的账户
不仅是一个包括在内的账户，它还包括了高斯模糊。sobel 的
主要计算方法如下：
设 I 为图像的矩阵表示。
（1）进行分别求导 x、y。 横向变化:I 与一个 NX 大小的核与 N 与数字 N 合并为一
现在科技越来越发达，无论是硬件还是软件都在不断的 更新中，移动端的发展更新导致数据相机自身的功能越来越 好。高质量图像的成像以及算法和设备的结合，最终使动画
图像在拍摄普通摄像机时能更好地实现白色平衡。苹果 6 后 置摄像机具有的像素我们知道是 800 万，但是就是这个像素 拍摄出来的照片效果却和一些相机 1300 像素的水平一样，我 们除去这些特征，通用的移动车牌还具备如下的特征: