无敌三脚猫的专栏

这章主要介绍自动车牌识别应用中需要的一些步骤，对于不同的场景需要采用不同的方法和技术。例如，红外摄像头（IR camera），车的位置，灯光条件等等。我们可以做个自动检测车牌的应用，其中含有车牌的图片在距离车2-3米拍摄，光线条件模糊（ambiguous）,汽车车牌有不平行于地面的小的透视畸变。 本章的主要目的是介绍图像分割和特征提取和模式识别基础。两种主要的模式识别算法是支持向量机和人工神经网

分类：      之前我们对图像进行了预处理并分割出了图像中含有车牌的可能区域。现在我们每个区域是否是车牌。要做到这点，我们使用了支持向量机算法（SVM）Support Vector Machine。 支持向量机是一种模式识别算法，它是监督学习算法的一种，最初用于二分类问题。 监督学习是通过已标记的数据进行学习的机器学习算法。我们需要训练算法通过大量的已经标记的数据。每个数据集（set）需要

自动车牌识别算法        在介绍自动车牌识别的代码之前，我们需要定义自动车牌识别算法的主要步骤和任务。自动车牌识别主要分为两步：车牌检测和车牌识别。车牌检测的目的是检测出车牌在整副图像中得位置。当一副图片中的车牌被检测出来了，然后就是第二步-车牌识别，车牌识别使用OCR算法确定车牌上得字母数字字符。         在下面的图中，我们可以看到两个主要算法（车牌检测和车牌识别）的步骤，经过

在这一步，我们检测当前帧中的所有板状物体（plate不一定是车牌）。我们将这项工作分成两部分：区域分割和分割部分的分类。这里我们没有提特征步骤是因为我们把图像块作为一个矢量特征。 在第一步（分割），我们使用了不同的滤波器和形态学(morphological)运算,轮廓（contour）算法,用于检索（retrieve）可能含有板状物体的表单域（validation）。 在第二部分（分类），我们

车牌识别： 车牌识别的第二步主要是提取出车牌中的字符。对于每个被检测出的车牌，我们对车牌进行分割获取每个字符，然后用神经网络机器学习算法实现字符的识别。在这个过程中，我们也可以学习到如何评估一个分类算法。 OCR分割： 首先，我们将车牌图像作为具有直方图均衡化功能的OCR分割函数的输入。然后我们使用阈值滤波器处理，处理后的图像作为Find Contours算法的输入，我们可以通过下面的图片看