大家好，又见面了，我是你们的朋友全栈君。
这里，没有直接采用之前的方案，是因为在设计的时候，发现直接采用颜色等直接特征提取然后进行二值化处理的方法，如果视频中出现颜色类似的区域，则很有可能错误的定位，例如在公交车中车牌区域范围和前窗以及部分的背景比较相似，直接采用这种方法会出错。
这里，定位的算法，我们使用的是HOG特征提取和Adaboost的算法进行定位。对应的程序为：
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005195856990.png)
![视频中的车牌特征识别[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450.jpg)
具体的原理如下所示：
adaboost：
http://www.doc88.com/p-211656392146.html
http://www.doc88.com/p-908977169291.html
hog：
http://www.doc88.com/p-938477812496.html
上面的几个论文，是我们参考的几个比较好的资料。定位的仿真效果如下所示：
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/2020100519585786.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/2020100519585788.png)
通过上面的步骤，我们能够对车牌整体范围进行定位，采用这种方法的缺点就是需要大量的样本进行训练才能够获得精度较大的训练结果。样本越多，精度越高。
步骤二：训练识别
之前给你的方案是使用SVM进行训练识别，后来考虑了一下，这里稍微变了下，采用BP神经网络进行训练识别，因为采用SVM只针对2分类识别，所以效果不佳，所以采用BP神经网络进行训练识别。
运行![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005195936173.png)
得到如下结果：
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005195941342.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005195945906.png)
步骤三：整体的车牌识别
通过上面的分析，我们所这里的整个算法流程如下所示：
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005200005430.png)
最后仿真结果如下所示：
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/2020100520001226.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005200018294.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005200024282.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005200030907.png)
![视频中的车牌特征识别[通俗易懂]](https://img-blog.csdnimg.cn/20201005200059684.png)
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/146218.html原文链接：https://javaforall.net
