接上文

　　监控探头如何识别你的车牌?四通搬家公司通俗讲解人工智能(上)

　　随着硬件和算法的突破以及大规模神经网络的应用，使得全天候的车牌定位和识别不再成为问题，那么如何具体实现呢?

02

—

字符分割

　　将车牌提取出来以后，还要进行一次形态学处理和滤波器过滤，用来去除微小的干扰元素、粘连和噪点，图像中非车牌字符的干扰越少，识别正确率就越高!

　　这时颜色对我们来说也没有意义了，颜色并不会对字符识别有所帮助。因此我们用纯粹的黑白图像取代彩色的车牌图像来简化处理过程，这种图像只包含纯黑和纯白，如果之前已经把干扰基本消除了的话，我们会得到一张非常清晰的车牌图像，有字或边框的地方为纯白，无字的背景是黑色。

　　四通搬家货车的车牌经过处理以后的图像，比之前清晰很多了

　　现在，我们面临一个问题，即分割出来的单字不能带有边框，否则会严重影响计算机的判断。比如，如果数字1的上下都有横线边框，计算机可能会将其误认为是字母Z。还有一些家用轿车的车牌外延有一圈不锈钢边框，这个边框的宽度如果不去除的话也会对识别造成很大干扰。

　　有两种方法来消除边框。

　　，由于边框是白色，所以从上到下，每一行逐个查看像素是黑还是白，如果发现一整行的像素全都是白色，则判断这行一定是边框。同理，从左至右，每一列逐个查看像素黑白，也能判断出左右两端的边框位置。

　　第二种方法更简单，由于摄像头位置固定，如果我们能保证每次提取出来的车牌图像尺寸基本一致的话，根据我国公布的车牌格式标准，把所有得到的车牌按比例直接剪裁掉一部分边界区域就可以了。

　　另外，上下的铆钉可以通过统计整行像素的跃变次数来去除(因为铆钉所在的行的像素变化肯定少于有文字部分的行)。

　　去除了边框和铆钉

　　现在，我们终于得到了一张完美的不含任何干扰因素的车牌，可以开始分割单个字符了。这时就无法按照格式尺寸来直接切割了，因为不能保证拍摄到的车牌图像尺寸如此精确到能够按照比例正好分割到字符间隙的位置。

　　我们需要借助投影法来确定分割位置。所谓投影，就是对一整行或者一整列的像素数求和。这里要用到列投影也就是垂直投影，即从左至右统计每一列的像素总数，然后画出一张统计直方图。

　　垂直投影展示了字符存在的7个区域，凡是有字符的地方就是有能量的(黄色)，凡是不存在字符的列就是没有能量的蓝色

　　简单地说，由于字符是白色，背景是黑色，那么车牌上字符之间的间隙就是白色像素数少的部分，通过上边提到的的垂直投影就可以在直方图上显示出波峰和波谷，其中波谷也就是图上蓝色的能量的几个位置，它们一定就是字符间隙，从这几个位置下刀进行分割一定错不了!这样就可以分割出7个独立的字符了。

03

—

字符识别

　　终于进入的识别模块了!总得来说，单字的识别技术相对于车牌定位和字符分割来讲是简单的部分。

　　主要的字符识别方法有两种：

　　模板匹配

　　深度神经网络

　　模板匹配：常用的识别方法。通过建立已知的字符模板库，再将需要识别的单个字符与模板库的字符进行比较;也就是用待识别的字符与模板库中的所有字符图像逐一做减法，差异小的就是识别结果。这种方法速度快，但是在神经网络成熟以后，模板匹配就显现出了不够精准的问题。例如，如果一幅在雨雪天气中捕获的不太清晰的车牌图像，那么同为方块字的结构类似的汉字间的差异可能并不大，这就会造成识别错误。

　　深度神经网络：和车牌定位中提到的神经网络是一个道理。将大量不同样式的单个字符作为样本，让计算机通过神经网络去学习和训练，计算机就能具备分辨单个字符的能力。实际上，这样的神经网络被称为分类器，也就是将待识别的字符自动归类到计算机在训练中学到的某一类型字符中。这种方法需要海量的各种情况下拍摄到的单个字符样本，现在道路摄像头用的识别模块一般就是这种方法。在巨量训练样本的加持下，神经网络具备对较模糊的汉字的精准识别能力。更关键的是，通过有针对性的训练，神经网络甚至能够像人脑一样对残缺的字符进行一定程度上的推测。

　　用于神经网络训练的一小部分字符样本

　　神经网络通过学习能够识别出目标字符

　　终，我们得到了正确的结果!前边的内容看似很长，但随着硬件的进步、普及和成本的下降，内置高性能处理芯片的监控探头设备可以在不足半秒的时间内就完成上述所有的步骤。这些探头无需将拍摄的照片传回数据中心再处理，而是直接拍完就可以自我处理图像并进行识别，准确率大于95%，通过4G或者有线网络传回识别结果就可以了，大大降低了交警数据中心的负荷。如果在不通网络的地区，则探头设备会将识别结果自动存储在内置硬盘中，交警会定期去探头所在地取回硬盘数据。

彩蛋

—

关于国外

　　欧洲的车牌自动识别起步很早，但是准确率却不尽如人意。以德国为例，根据统计，德国黑森州、萨克森和巴伐利亚州在2016到2017年抓拍到的共150万张违章车牌图片中，自动识别正确的仅有3万余张，错误率竟然高达惊人的98%，简直令人喷饭!不过，欧盟境内各国不同的车牌书写格式也是造成自动识别率低的一个原因。

　　德国道路卡口照片，左上角的识别结果将N4046识别成了N4346

　　由于未处理好铆钉问题，将JK识别成了UK

　　识别结果漏掉了首字母H，仍是未处理好铆钉造成的粘连问题。

　　其实，欧洲具备起步很早的光学字符识别技术(OCR)，可能你在将纸上的文字扫描进入电脑并直接形成可编辑的电子文档时用过这种技术。对于完全由字母和数字组成的欧洲车牌来讲，借助一种基于类似水域分割和图论的思想配合成熟的字母数字OCR模块可以简单高效地自动分割并识别字符。上述德国三个州发生的这种过高的错误率应该是由于部署了未经针对性训练或者设置了不恰当阈值参数的监控设备所导致的。

　　OCR扫描笔可以快速将纸上文字录入电脑