視頻識(shí)別模式

視頻觸發(fā)優(yōu)勢(shì)是不用安裝地感線圈，工程量小。當(dāng)車輛進(jìn)入進(jìn)入視頻識(shí)別區(qū)域時(shí)，車牌識(shí)別相機(jī)自動(dòng)通過車輛的動(dòng)態(tài)圖像識(shí)別車牌信息，同時(shí)提供模擬觸發(fā)識(shí)別。缺點(diǎn)是車牌識(shí)別相機(jī)針對(duì)無牌車無法輸出圖像，容易漏車。若未識(shí)別出車牌結(jié)果，可手動(dòng)點(diǎn)擊模擬觸發(fā)進(jìn)行識(shí)別。

車牌識(shí)別相機(jī)是面向智能停車行業(yè)全新推出的基于智能車牌識(shí)別技術(shù)的車牌識(shí)別相機(jī)，其設(shè)計(jì)秉承嵌入式一體化理念，將高清成像、圖像采集、車牌識(shí)別、圖像壓縮、數(shù)據(jù)存儲(chǔ)等多項(xiàng)功能集成在嵌入式DSP智能相機(jī)平臺(tái)之上，主要運(yùn)用于停車場(chǎng)管理、計(jì)重收費(fèi)、汽車4S店、高速公路收費(fèi)等出入口行業(yè)領(lǐng)域。

車牌識(shí)別高清相機(jī)，能夠?qū)崟r(shí)準(zhǔn)確的自動(dòng)識(shí)別出車牌號(hào)碼、車牌顏色、車輛顏色等信息，并直接輸出識(shí)別結(jié)果。嵌入式車牌識(shí)別相機(jī)采用百萬像素高清識(shí)別技術(shù)，可子啊室外惡劣環(huán)境下使用，性能穩(wěn)定可靠。一體化嵌入式車牌識(shí)別，可脫機(jī)工作，結(jié)合的視頻壓縮算法，使圖片傳輸更加流暢。文通快號(hào)通車牌識(shí)別相機(jī)可通過Demo軟件進(jìn)行演示，操作簡(jiǎn)單方便，可實(shí)現(xiàn)車輛不停車無障礙通行，大大提高車輛通行效率的同時(shí)也為客戶提供了一種嶄新的服務(wù)模式。
目前市場(chǎng)上大多數(shù)廠家的軟件是不支持個(gè)性化定制的，原因很簡(jiǎn)單，軟件的研發(fā)成本要比硬件設(shè)備的成本高的太多。所以很多廠家都是自己沒有研發(fā)團(tuán)隊(duì)，直接購買成品軟件。但是一套成熟的停車場(chǎng)車牌識(shí)別系統(tǒng)軟件是需要不斷改進(jìn)和完善的，客戶提出的需求是軟件改進(jìn)的直接動(dòng)力?？蛻暨x擇廠家的時(shí)候也要注重考查廠家是否有研發(fā)團(tuán)隊(duì)，是否有足夠的研發(fā)能力。
客戶選擇產(chǎn)品的時(shí)候，好的方法就是實(shí)地考察 設(shè)備測(cè)試。在互聯(lián)網(wǎng)上，有很多廠家實(shí)際上是并沒有廣告宣傳上所寫的實(shí)力的。所以建議客戶好實(shí)地考察后再做決定。其次設(shè)備測(cè)試是尤為重要的，只有軟硬件測(cè)試過后，才能真正了解這個(gè)產(chǎn)品是否符合自己的需求。才能綜合評(píng)定所選擇的產(chǎn)品是否真正的具有性價(jià)比。
假設(shè)車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個(gè)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(duì)圖像進(jìn)行高斯模糊來退出由照相機(jī)或其他環(huán)境噪聲（如果不這么做，我們會(huì)得到很多垂直邊緣，導(dǎo)致錯(cuò)誤檢測(cè)。）

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(gè)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(duì)這些區(qū)域進(jìn)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(chǔ)在vector向量中

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

6.由于每個(gè)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(gè)矩形的中心，然后求每個(gè)矩形各自長寬的較小值，再用隨機(jī)數(shù)和這個(gè)較小值得到中心附近的種子點(diǎn)

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(duì)這些裁剪區(qū)域，再次用縱橫比和區(qū)域面積進(jìn)行驗(yàn)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(fù)樣本（圖像分割后得到的車牌及非車牌圖像）。

字符識(shí)別（Chars Recognition）：對(duì)只包含車牌的圖塊進(jìn)行光學(xué)字符識(shí)別（OCR），可用CNN實(shí)現(xiàn)。

三步：①字符分割 ②CNN訓(xùn)練 ③使用CNN預(yù)測(cè)字符

一、字符分割【OCR Segment】

在使用神經(jīng)網(wǎng)絡(luò)對(duì)每個(gè)字符進(jìn)行預(yù)測(cè)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(gè)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】