視頻識別模式

視頻觸發(fā)優(yōu)勢是不用安裝地感線圈，工程量小。當車輛進入進入視頻識別區(qū)域時，車牌識別相機自動通過車輛的動態(tài)圖像識別車牌信息，同時提供模擬觸發(fā)識別。缺點是車牌識別相機針對無牌車無法輸出圖像，容易漏車。若未識別出車牌結(jié)果，可手動點擊模擬觸發(fā)進行識別。

地感線圈識別模式

地感線圈觸發(fā)，一般情況下，在停車場道閘米左右的位置，會設有減速帶，車輛通過減速帶減速，為識別車牌留出時間，車輛進入識別區(qū)域，觸發(fā)地感線圈，自動指揮車牌識別相機進行抓拍，通過自字符檢測，識別出車牌，道閘放行。地感線圈觸發(fā)車牌識別優(yōu)勢在于觸發(fā)率高、不易漏車，而且性能實用穩(wěn)定，針對無牌車能夠輸出圖像記錄。缺點是需要施工安裝地感，工程量大。

◆自帶開閘功能，支持相機傳透

◆內(nèi)置四顆LED補光燈，亮度可調(diào) 每顆**功耗1W

◆配一體式烤漆機箱

◆配AC220V15W內(nèi)置補光燈

◆顯示屏輸入電源：220AC

◆顯示屏尺寸：304mm*152mm（長*寬）

◆外殼整體尺寸：360mm*120mm*1450mm（寬*厚*高）

◆兩行顯示，**號碼、停車時間、收費金額以及廣告信息等

◆自帶**播報功能

◆可選配脫機收費功能
互聯(lián)網(wǎng) 時代，網(wǎng)絡上各大廠商的廣告鋪天蓋地，幾乎所有廠家都聲稱自己的一體機性能好，1像素、識別率、識別速度，但是這些數(shù)據(jù)客戶并不能直觀的感受到。客戶對產(chǎn)品的感受只是一個抽象的概念。這個時候，我們軟件的功能性就顯得尤為重要了。我們不同客戶對產(chǎn)品的需求是不同的，小區(qū)、商場、學校、醫(yī)院、園區(qū)、機關(guān)單位等都有各自不同的要求。對于客戶來講，購買的產(chǎn)品不單質(zhì)量過硬，功能上是否能滿足自己的需要是很重要的一點。
目前市場上大多數(shù)廠家的軟件是不支持個性化定制的，原因很簡單，軟件的研發(fā)成本要比硬件設備的成本高的太多。所以很多廠家都是自己沒有研發(fā)團隊，直接購買成品軟件。但是一套成熟的停車場車牌識別系統(tǒng)軟件是需要不斷改進和完善的，客戶提出的需求是軟件改進的直接動力?？蛻暨x擇廠家的時候也要注重考查廠家是否有研發(fā)團隊，是否有足夠的研發(fā)能力。
假設車牌圖片沒有旋轉(zhuǎn)和變形，則車牌分割的一個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模版對圖像進行高斯模糊來退出由照相機或其他環(huán)境噪聲（如果不這么做，我們會得到很多垂直邊緣，導致錯誤檢測。）

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，對這些區(qū)域進行區(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，存儲在vector向量中

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

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

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：對這些裁剪區(qū)域，再次用縱橫比和區(qū)域面積進行驗證，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。分類前要先訓練SVM，準備正、負樣本（圖像分割后得到的車牌及非車牌圖像）。

字符識別（Chars Recognition）：對只包含車牌的圖塊進行光學字符識別（OCR），可用CNN實現(xiàn)。

三步：①字符分割 ②CNN訓練 ③使用CNN預測字符

一、字符分割【OCR Segment】

在使用神經(jīng)網(wǎng)絡對每個字符進行預測之前，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】