综合网上上各种车牌识别方法，总结出一个较为简单的车牌识别方案，采用VS2013+OpenCv2.4.9实现。并且附上可运行的源代码以及测试图片和视频，详细参数设置请参照源代码。识别部分的训练样本见我上传的资源。
实现方法
(一) 检测车辆（基于混合高斯模型的背景差分法）
- 读取视频（avi格式），选定目标区域框用于检测车辆
- 检测车辆，基于混合高斯模型的背景差分法检测前景，经过腐蚀、膨胀后，若像素值大于200的像素点数大于80000且上一帧像素点数小于80000，则视为检测出车辆并保存改区域的图片
(二) 检测车牌区域（基于HSV颜色空间+形态学方法）
- 车牌粗定位
（1） 改变图片尺寸（480′320）得到resizeimg
（2） 转换为HSV空间，并在HSV空间直方图均衡化
（3） 在HSV空间检测蓝色区域，范围为(100,90,80)—(130,255,255)，得到blueimg
（4） 对blueimg进行膨胀运算、开运算得到image1
（5） 对resizeimg灰度化
（6） 进行直方图均衡化
（7）中值滤波
（8）Canny算子边缘检测
（9）进行开运算、闭运算得到image2
（10）对HSV空间检测蓝色分量的image1和边缘检测得到的image2进行按位与得到andimage
（11）对andimage进行膨胀运算
（12）寻找最大连通域
（13）圈出最大连通域所在的矩形区域并切割得到ROIimage
- 车牌精确定位
（1）对ROIimage转换蓝色空间并均衡化
（2）检测蓝色区域，范围为(100,90,90)—(140,255,255)
（3）框出非零点集所在的最大矩形区域并切割得到roimage
（4）Canny算子检测roimage并利用hough变换进行水平倾斜校正得到houghimage
（5）对houghimage进行灰度化、二值化（浙大张引二值化）
（6）对二值化车牌水平方向统计黑白跳变次数
（7）从车牌中间向上下搜索，若跳变次数小于14，设定为上下边界并切割，得到jingqueimage
(三) 车牌字符切割（投影法）
1.对对车牌进行垂直投影，求垂直方向投影平均值mean，设定投影特征值TZ=0.63′mean
2.先从第三个字符开始切割，选择车牌宽度的0.3倍处作为起始点，向右寻找大于TZ的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点后下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16*32，二值化得到字符
3.第四个到第七个字符的切割方法与第三个字符相同
- 切割第二个字符，选择车牌宽度的0.35处作为起始点，向左寻找大于特征值的点作为上升点，从上升点向左搜索投影值等于0的点作为字符起点，寻找上升点左边下一个等于0的点作为终点，切割出该部分，对该部分扩充调整其宽高比为0.5，对其归一化16′32，二值化得到字符
- 切割第一个字符，切割方法同第二个字符。求后六个字符的宽度平均值，若切割出字符宽度小于平均值的0.8倍，则重新寻找下一个为零的波谷作为终点，切割出该部分。对该部分扩充调整其宽高比为0.5，对其归一化16′32，二值化得到字符
(四) 车牌识别（BP神经网络）
- 汉字识别
（1）网络层数：输入层：560 隐含层：132 输出层：31
（2）激活函数：Sigmoid函数
（3）神经网络的训练参数：
a) 最大迭代次数：10000
b)误差最小值：0.001
c) 权值更新率：0.07
d) 权值更新冲量：0.07
（4）输入样本：
a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维
b) 训练样本数：所有省份样本共1195个
（5） 输出结果：输出层共31个，如“京”：0.9，,0.1……0.1，选取输出的31个值的最大的值为识别结果
（6） 对汉字识别：提取特征并进行预测，输出省份
- 字母识别
（1）网络层数：输入层：560 隐含层：117 输出层：24
（2）激活函数：Sigmoid函数
（3）神经网络的训练参数：
a) 最大迭代次数：30000
b) 误差最小值：0.001
c) 权值更新率：0.07
d) 权值更新冲量：0.07
（4）输入样本：
a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维
b) 训练样本数：所有省份样本共1200个
（5）输出结果：输出层共24个，如“A”：0.9，,0.1……0.1，选取输出的24个值的最大的值为识别结果
（6） 对字母识别：提取特征并进行预测，输出字母
- 字母和数字识别
（1）网络层数：输入层：560 隐含层：139 输出层：34
（2）激活函数：Sigmoid函数
（3）神经网络的训练参数：
a) 最大迭代次数：30000
b) 误差最小值：0.001
c) 权值更新率：0.06
d) 权值更新冲量：0.06
（4）输入样本：
a) 特征提取：512个像素点+32个水平投影值+16个竖直投影值共560维
b) 训练样本数：所有省份样本共5100个
（5）输出结果：输出层共34个，如“A”：0.9，,0.1……0.1，选取输出的34个值的最大的值为识别结果
（6）对字母和数字识别：提取特征并进行预测，输出字母
总结
采用基于视频检测的车牌识别系统，测试的场合是小区门禁处静止摄像机，实现对行驶的车辆进行车牌识别。从功能划分可以分为三块，车辆的视频检测、车牌的定位和车牌字符的分割与识别。
由于交通场景的复杂性和多样性，本设计有许多值得进一步研究的地方，主要有以下几个方面：
- 本设计的计算速度较慢，尚未能满足实时性的要求。
- 在车牌定位模块，对于截取图片中的车辆的距离有一定要求，车辆占比区域太大会造成车牌定位不准的情况。
- 在字符分割模块，基于大多车牌字符都没有粘连，本设计采用的投影法。对于字符粘连的车牌会出现分割错误。
- 在字符识别模块，由于汉字神经网络样本不足和特征提取不太理想，造成汉字识别率较低。
作者：平大安，欢迎百度搜索“ocr识别平大安”/“车牌识别平大安”联系调取接口测试。
原文地址：http://blog.51cto.com/14052826/2321330