{title}{title}
一、文献综述
- 国内外研究现状
1.车牌识别研究现状
伴随车辆数目的快速增长，逐步向智能化与实时性层面转换。车辆自动化的关键环节便是车牌的智能辨识系统，重点用于仓储型车库与无人看守的停车管理、交通管控和指挥、停车智能收费与违规汽车及汽车安全防护等范畴。计算机相关的科学技术迅猛发展以及现代网络科技的广泛应用，带动智能信息化功能处理技术不断完善，同时为现代汽车管理手段提供了新思路和新方案。车牌智能辨识方法是自动化交通体系的一个关键构成部分，其在交运管理和监测过程中具有普遍的运用。车牌辨识系统可以从一张汽车图片中精确定位汽车的位置，通过字符转换与辨识之后完成车牌的智能辨识，进而为上述运用供应数据信息与基本功能。
早在上世纪80年代，就有专家学者开始对车牌识别技术进行研究，至今己研发出多种车牌识别的方法。近年来，人工神经网络算法等最新技术被用于解决车牌识别问题，并通过改进实现了车牌识别的实时化，标志着车牌识别系统开始进入实用化阶段。
国外在LPR领域已经取得了优秀研究成果。Seyed Hamnidreza Mohades Kasaei首先利用Sobel边缘检测和形态学方法找出可能的车牌区域，然后根据车牌大小的先验知识分割出每一个字符，最后利用模板匹配法进行字符的识别，识别准确率达到92%。Bolotova Yu.A等人先通过边缘检测法粗定位出候选车牌，再通过车牌的形态学特征筛选出准确的车牌区域，接着用连通域分析法分割出车牌字符，最后利用皮质学习模型进行车牌字符的识别。该系统对于白天的车牌图像有94.1%的识别率，夜间的车牌识别率也能够达到94.1%。Wu等人将BP神经网络算法应用到车牌字符的识别中,获得优异识别效果，对于字母的识正确率高达99.25%，对于数字的识别正确率高达99.3%。
20 世纪 80 年代开始，国外在交通管理方面就开始使 用智能联网方法，在车牌识别技术领域更是处于领先水 平。像英国的 ANPR 系统，在 20 世纪 70 年代就已出现， 在 80 年代初就已经能在 250ms 内识别车牌。经过不断改 进和完善，如今的 ANPR 系统已经是全英国车牌识别系统的代表；新加坡 Optasia 公司研发了适用于道路车牌识别的 VLPRS 系统，该系统的使用进一步推动了新加坡交通智能化发展，准确率已达 99.8%；美国的 GE 车牌识别系统也表现出出色的识别能力；法、日、德、加拿大等国家的车 牌识别技术发展迅速，准确率均达 98%以上。在上个世纪七十年代，英国人便在试验室内实现了“实时牌照监控系统”的广泛监测与研发。在当时，英国设计开发了一款用于被盗汽车的首个实时 智能牌照监控系统。时至今天，外国的牌照监测的探究已获得了许多伟大的成就。比如 Yuntaocui 提创了一类牌照辨识系统，在牌号位置确定之后，运用马尔科夫场对牌照特点执行二值提取，对样本的辨识实现了很高的辨识率。 当前，牌照辨识方法与产品功能进到实际运用的时间比较短，伴随人工智能与智能辨识方法的不断发展，将来的技术拓展空间也会增大。比如，中心算法不断发展，辨识率与辨识速率的不断改进，图片处理过程中对不清晰图片的预处理技术加强，画质优化方法的提升等。国外大规模使用的商用车牌识别系统如下表1-1：
|
车牌识别技术 |
产品性能 |
|
美国HitechSoution系统 |
智能识别多国不同型号的车牌，平均识别率达到98.75% |
|
匈牙利Adaptive Recongiton系统 |
并行处理10辆车，夜间的准确识别率达到98.29% |
|
以色列Zamtir系统 |
可以在高速公路上捕获并识别170Km/h的车牌，准确率达到95% |
表1-1不同国家的车牌系统的性能
我国车牌识别系统研究从 20 世纪 90 年代真正开始，国内行驶车辆快速增长，车牌识别技术发展迫在眉睫。许多国内学者也进行过研究，并提出了许多行之有效的车牌识别算法。喀什大学贾秀红通过 OSTU 算法，使车牌识别率达到93%以上；西安航空学院马晨采用 神经网络算法，在 200ms 内实现车牌识别。中国科学院自动化所的刘智勇等人对车牌识别中的车牌定位和字符分割这两个步骤进行了详细研究，经测试，文中的方法车牌定位准确率达到99.4%，字符分割准确率达94.5%。北京航天航空大学的胡爱明等人基于模板匹配技术开发了一款车牌识别系统并将其用于汽车收费站,经测试，该系统能够达到97%以上的车牌字符识别在国内，现在也有几款不错的车牌识别产品。浙江大华技术股份有限公司、杭州海康威视数字技术股份有限公司等所开发的LPR系统在对我国车牌的识别中取得良好表现。
2.车牌字符分割研究现状
车牌字符分割步骤是从车牌图像中分离出每一个字符的步骤，经过该步骤，可以获得每个车牌字符的外接图块。王冠等人提出了一种基于快速连通域标记的车牌字符分割方法，文中先利用最大类间方差法对车牌图像进行二值化，然后快速连通域标记算法标记出二值图中的连通域,最后对通过--些后续处理提取出全部车牌字符连通域，该方法具有较好的实时性与鲁棒性。迟晓君等人根据车牌的先验知识提出了--种基于垂直投影特征值的车牌字符分割方法，该方法能快速找出车牌字符间的最佳分割点，可有效处理质量不佳的车牌图像，具有较高的分割准确率。
（二）研究主要成果
现在的车牌检测算法可以分为两类:基于手工特征提取的检测算法和基于深度学习的检测算法。其中基于手工特征提取的检测算法又包含四大类:基于边缘特征、基于色彩特征、基于纹理特征和基于字符特征。车牌一般是固定长宽比的矩形，而且比图像中的其它区域具有更高的边缘密度, 因此可以利用边缘特征来检测车牌区域。使用最大期望(EM)算法进行边缘聚类，提取具有密集边缘集以及和车牌类似形状的区域作为候选车牌区域。提出了一种线密度滤波方法来连接具有高边缘密度的区域，并从进制边缘图像中去除每行和每列中的稀疏区域从而得到车牌区域的位置。基于边缘特征的方法计算速度快，但它们对一些类似车牌区域的边缘过于敏感，因此在复杂图像中效果较差。车牌的颜色一般与车身等周围背景的颜色有较大的差别,因此可以利用车牌的色彩特征进行车牌检测。使用均值漂移(mean-shift)算法根据不同的颜色将图像分割成不同的区域，然后根据矩形角度、横纵比和边缘密度等特征来区分车牌。基于色彩特征的检测算法可以检测倾斜或变形的车牌,但这些算法容易受到光照条件的影响，而且当车身颜色或者图像中存在与车牌颜色接近的物体时，这些算法往往性能
（三）发展趋势
近些年，许多研究工作提出了基于无分割的车牌字符识别算法来避免分割过程。利用基于马尔科夫模型的概率方法来同时解决字符的分割和识别问题,提出了一种用于寻找最可能字符序列的Viterbi算法。构建了-种由卷积神经网络和循环神经网络构成的统一模型进行车牌的无分割字符识别，该模型使用了滑动窗进行特征序列的提取。则在的基础上直接使用CNN进行整张车牌的特征提取，使得模型更加高效简洁。尽管这些基于无分割的车牌字符识别算法避免了字符分割任务，但在复杂自然场景中它们的识别准确率仍然无法满足现在人们越来越高的需求。此外，中国车牌包含难以识别的中文汉字，这也使得其它国家和地区一些比较成功的识别算法难以用来进行中国车牌的识别任务。
最新的一些研究工作将深度学习目标检测算法用来进行车牌检测任务。采用二阶段目标检测算法Faster R-CNN进行车牌检测。则基于一阶段目标检测算法YOLO改进提出了可以精确检测车牌区域的MD-YOLO算法。这些基于深度学习的车牌检测算法有着很高的稳定性,但在实时性和精确度方面仍有着很大的提升空间。而且一些研究工作提出的自然场景中的文本识别算法可以给车牌字符识别算法的构建提供新的思路。设计了一种基于薄板样条的spatial transformer network(STN)来修正输入的不规则文本字体，然后构建了一种序列识别网络(SRN)来识别修正后的文本内容。设计了一个深度神经网络以半监督的方式进行图像中文本的检测和识别。则通过组合CNN和隐马尔科夫模型(HMM)构建了一种统一网络解决房屋号码的识别问题，这种CNN-HMM混合模型可以在整张图像上进行训练和识别，从而去除分割过程。因为车牌字符识别属于自然场景文本识别的一种特殊情况，因此可以借鉴这些文本识别算法进行车牌字符识别算法的开发研究。
- 存在的问题
1.共同存在的问题
目前国内外的车牌识别技术可以快速、精准地识别那些静止、无遮挡的车辆。但由于环境的复杂性，如光照、车牌倾 斜度、雾天等都会给车牌识别增加难度，而且由于噪声、光线等影响，图像清 晰度不够，车牌识别系统准确率严重下降 ；在实际定位车牌时，少量边缘信息存在丢失现象；车牌识别系统设计中，速度和精度协调不易把控。如果可以在高速隧道中对运动的行车实现车牌识别，那将使隧道交通智能化获得重大的发展。
2.我国存在的问题
与一些发达国家相比，我国对于LPR技术的探索起步较晚，技术还不算十分成熟。并且，对于我国的车牌，识别起来有以下两大难点:
（1）首先是汉字的识别难度较高。中国车牌里的字符有中文、大写英文字母和阿拉伯数字三种。其中，字母和数字由于笔画较少并且结构简单，便于在字符识别过程中进行特征提取,在许多研究中已经达到了较高的识别率。与之相对应的是结构较为复杂的汉字，由于笔画较多并且笔画间隙较小，经过处理后的汉字常常会发生形变，所以汉字识别分类会比较字母数字要难得多。综上所述，对于复杂程度不同的汉字和字母数字应分别进行特征提取，以达到较好的识别效果。针对中国特有的汉字识别效果不佳的问题，我国部分专家学者也进行了一些研究。南阳理工学院的丁伟采用动量因子和自适应学习速率对BP神经网络进行改进，加快其收敛速度,提高了车牌识别正确率和识别速度，该算法对于汉字识别的正确率达到95%。Cheng等将一 种混合算法应用于车牌中的汉字进行识别,使汉字识别准确率达到95.96%。上海大学的沈文枫等为解决汉字识别率低的问题，使用受限玻尔兹曼机组成的深信度网络算法来进行车牌字符的识别，将识别准确率提高到99.44%。
（2）另外一个问题是我国的车牌制式复杂。我国的小型汽车、大型汽车、驾校车辆、警用车辆等使用的车牌制式各不相同，这些车牌有着不同的颜色，字符个数和字符排数。因此，很难找出一个通用的算法适用于所有制式的车牌，并且，车牌的名样性导致车牌容易与周围环境混淆，为车牌定位带来困难。在未来的城市交通环境里，车牌识别的发展还需要更深一步的研究，这对我国经济的发展以及能源的节约有着不可估量的意义。
二、查阅中外文献资料目录
- Hsu G S, Chen J C, Chung Y z. Application-oriented license plate recognition[J].
IEEE Transactions on Vehicular Technology, 2013, 62(2): 552-561.
- Yuan Y, Zou W, Zhao Y, et al. A robust and efficient approach to license plate
detection[J]. IEEE Transactions on Image Processing, 2017, 26(3): 1102-1114.
- Jia W, Zhang H, He X. Region-based license plate detection[J]. Journal of Network
and Computer Applications, 2007, 30(4): 1324-1333.
- Yu Liu, Lihui Chen*, Zhenyu Xie. Research and Implementation of License Plate Automatic Recognition System in Complex Environment. 2020, 3(4)
- 王健霖. 基于深度学习的复杂场景下车牌智能识别系统的研究[D].苏州大学,2019.
- 姜晓. 智能车牌识别系统的实现与优化[D].东华大学,2017.
- 迟晓君,孟庆春，基于投影特征值的车牌字符分割算法[J]计算机应用研究,2006,(07):256-257.
- 魏武,张起森，王明俊，黄中祥，一种基于模板匹配的车牌识别方法[J].中国公路学报,2001.(01):106-108.
- 邢博，梁德群,李文举，一种新的车牌数字及字母字符识别方法[J].辽宁师范大学学报(自然科学版).2005,(01):56-58.
[10]白亮亮.车牌识别系统研究[J].电子制作,2020(02):25-27.
[11]李虎月,郝鹏飞,廖云霞,刘靖,张顺伟,刘立群.车牌检测与识别系统设计[J].计算机技术与发展,2020,30(07):150-153 159.
[12]陈强,吴锴,柏云涛.基于深度学习的车牌识别系统开发研究[J].现代计算机,2019(35):63-66 80.
[13]陈亚.基于MATLAB的车牌识别系统研究[J].软件导刊,2020,19(01):50-54.
[14]陈政.车牌识别系统研究综述[J].现代信息科技,2019,3(11):193-195.
[15]王美琴,易敏,关财忠,王茗祎.车牌自动识别系统设计[J].仪器仪表用户,2020,27(10):5-9 40.
[16]楚天鸿,唐瑞尹.基于MATLAB平台下的车牌识别系统设计[J].科技与创新,2020(14):20-22.
[17]缪鑫芯,沈雪琴,董梦影,蒋振华.基于MATLAB的车牌识别系统设计[J].科技视界,2019(32):19-20 8.
[18]张佑贤. 基于深度学习的车牌识别系统研究[D].广西师范大学,2019.
资料编号：[269659]
一、文献综述
- 国内外研究现状
1.车牌识别研究现状
伴随车辆数目的快速增长，逐步向智能化与实时性层面转换。车辆自动化的关键环节便是车牌的智能辨识系统，重点用于仓储型车库与无人看守的停车管理、交通管控和指挥、停车智能收费与违规汽车及汽车安全防护等范畴。计算机相关的科学技术迅猛发展以及现代网络科技的广泛应用，带动智能信息化功能处理技术不断完善，同时为现代汽车管理手段提供了新思路和新方案。车牌智能辨识方法是自动化交通体系的一个关键构成部分，其在交运管理和监测过程中具有普遍的运用。车牌辨识系统可以从一张汽车图片中精确定位汽车的位置，通过字符转换与辨识之后完成车牌的智能辨识，进而为上述运用供应数据信息与基本功能。
早在上世纪80年代，就有专家学者开始对车牌识别技术进行研究，至今己研发出多种车牌识别的方法。近年来，人工神经网络算法等最新技术被用于解决车牌识别问题，并通过改进实现了车牌识别的实时化，标志着车牌识别系统开始进入实用化阶段。
国外在LPR领域已经取得了优秀研究成果。Seyed Hamnidreza Mohades Kasaei首先利用Sobel边缘检测和形态学方法找出可能的车牌区域，然后根据车牌大小的先验知识分割出每一个字符，最后利用模板匹配法进行字符的识别，识别准确率达到92%。Bolotova Yu.A等人先通过边缘检测法粗定位出候选车牌，再通过车牌的形态学特征筛选出准确的车牌区域，接着用连通域分析法分割出车牌字符，最后利用皮质学习模型进行车牌字符的识别。该系统对于白天的车牌图像有94.1%的识别率，夜间的车牌识别率也能够达到94.1%。Wu等人将BP神经网络算法应用到车牌字符的识别中,获得优异识别效果，对于字母的识正确率高达99.25%，对于数字的识别正确率高达99.3%。
20 世纪 80 年代开始，国外在交通管理方面就开始使 用智能联网方法，在车牌识别技术领域更是处于领先水 平。像英国的 ANPR 系统，在 20 世纪 70 年代就已出现， 在 80 年代初就已经能在 250ms 内识别车牌。经过不断改 进和完善，如今的 ANPR 系统已经是全英国车牌识别系统的代表；新加坡 Optasia 公司研发了适用于道路车牌识别的 VLPRS 系统，该系统的使用进一步推动了新加坡交通智能化发展，准确率已达 99.8%；美国的 GE 车牌识别系统也表现出出色的识别能力；法、日、德、加拿大等国家的车 牌识别技术发展迅速，准确率均达 98%以上。在上个世纪七十年代，英国人便在试验室内实现了“实时牌照监控系统”的广泛监测与研发。在当时，英国设计开发了一款用于被盗汽车的首个实时 智能牌照监控系统。时至今天，外国的牌照监测的探究已获得了许多伟大的成就。比如 Yuntaocui 提创了一类牌照辨识系统，在牌号位置确定之后，运用马尔科夫场对牌照特点执行二值提取，对样本的辨识实现了很高的辨识率。 当前，牌照辨识方法与产品功能进到实际运用的时间比较短，伴随人工智能与智能辨识方法的不断发展，将来的技术拓展空间也会增大。比如，中心算法不断发展，辨识率与辨识速率的不断改进，图片处理过程中对不清晰图片的预处理技术加强，画质优化方法的提升等。国外大规模使用的商用车牌识别系统如下表1-1：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
