车牌识别系统的设计与实现

题目:车牌识别系统的设计与实现车牌识别系统的设计与实现摘要：本系统基于MFC为平台，利用开源软件OpenCV设计一个能够识别蓝底白字的简易车牌识别系统，该系统首先对含有车牌图像的图片进行图像分析，包括颜色转换等图像处理算法，通过投影算法，确定车牌位置。其次根据字符分割算法，分割后对车牌字符进行大小调整，长宽相等的字符图像，获得分割好的车牌字符。最后根据字符特征提取进而对比车牌字符图像样本库，确认车牌图像中的字符。随后针对该系统的车牌提取存在的问题进行改进，分析该系统在复杂背景下提取率不高的原因，并针对其原因进行车牌提取算法的改进，使该系统在有蓝色干扰源的背景下也能够正确地提取出蓝底白字的车牌。关键词：车牌识别；车牌定位；字符分割；字符识别；OpenCV

目录1221第一章绪论 168111.1研究背景及意义 1177221.2研究现状 1124201.3本文主要工作 212511第二章主要技术原理 331562.1车牌定位技术 3234802.2车牌字符分割技术 4253412.3车牌字符识别技术 7209第三章车牌识别系统设计分析 926303.1系统结构与流程 9174253.1.1系统总体结构 9221103.1.2系统主要流程 9230003.2复杂背景下的车牌提取改进 10296863.2.1车牌提取存在的问题 10319763.2.2车牌提取的改进思路 11198093.2.3车牌提取的改进算法 141654第四章系统实现效果 15221244.1系统各模块实现效果 157034.2车牌提取的改进效果 1712281第五章结语 226524参考文献 23肖畅：车牌识别系统的设计与实现第一章绪论随着汽车的数量不断增长，如何有效地管理数量日益上升的车辆，需要借助信息化的车辆管理系统--车牌识别技术。该技术是完善安保系统和城市道路交通安全的重要工具，也是数据分析的重要参考。1.1研究背景及意义车牌的出现可以追溯到第一辆汽车的出现，通过车牌能够有效地管理随着时代进展不断生产和使用的汽车。1885年，第一辆汽车是三轮汽车，由德国的卡尔·弗里特立奇·本茨设计的第一辆三轮汽车宣告了世界进入汽车时代[1]。进入21世纪之后，随着人民收入的提高，汽车走入大量的寻常百姓家，同时汽车的数量以指数般上升[2]。通过车牌识别技术能够有效管理车辆，可以提高车辆使用的安全性和秩序性，具有重要意义。车牌识别技术起源于美国交通学会于1990年提出的智能交通系统[3]。汽车虽然改变了人们的出行方式，但对于交通部门管理交通增加了许多压力，因此，采用信息化方法管理处理交通问题，车牌识别技术成为了一个亟需应用的技术[4]。车牌识别系统是以提取出车牌图像作为处理对象，使用图像处理技术以及各种人工智能算法对车牌照片中的车牌进行字符的提取和识别[5]。1.2研究现状1.2.1国外车牌识别技术现状在中国以外的其他国家，对车牌识别进行率先研究。1970年开始，英国率先开发了实时车牌检测系统[6]。该系统被分为四个模块，这四个模块沿用至今：车牌图像的采集，车牌的定位，车牌字符的分割，字符的识别，其中后三个是该技术的算法核心[7]。20世纪90年代，随着信息化的发展，将车牌识别技术带入新的领域。2010年到现在，随着卷积神经网络、人工智能等新兴学科的崛起，将该学科的知识用来识别汽车车牌，极大地增加了识别率。例如日本开发了自己的车牌识别系统，Luis公司研制的车牌识别的系统在实际道路上运用，白天的车牌识别超过了90%，在下雨的情况下也超过了70%[8]。1.2.2国内车牌识别技术现状国内许多学者对车牌识别技术做了研究，早期，单宝明使用字符的特征定位车牌区域，接着使用神经网络识别字符[9]。在最近一段时间，国内研究者在这方面的研究中，获得了比较突出的成就。刘智勇等开发了一套车牌识别系统，其中车牌定位准确率超过了99%，字符分割准确率超过了94%，熊军利用字符纹理特征进行定位，准确率超过95%[10][11]。陈振学提出了一维循环清零法，该算法分割车牌字符的正确率超过了96%[12]。台湾的Guo提出首先使用直方图均衡化进行图像预处理，然后利用车牌区域的纹理、宽高比、颜色等信息定位车牌，得到97.1%的车牌检测率，93.6%字符分割率[13][14]。另外，利用红外模块相机，可以有效减少光照影响，改进图像获取设备，也是提升识别准确率的方向[15]。车牌识别系统的研发目标就是提高车牌定位的准确性，加快识别速度，提高识别精度，促进交通的智能化发展。1.3本文主要工作本系统从最初的图像读入到最后识别出车牌，主要包括车辆图像预处理、车牌定位、字符分割和字符识别四个方面。在车牌定位过程中，首先研究了传统图像处理方法，通过研究，发现其存在弊端，不能够处理复杂环境下的车牌图像，sobel边缘检测算法能够解决这个问题，进而提出了在复杂环境下的车牌定位算法，并进行研究和分析。在车牌字符分割过程中，研究了车牌识别过程中的对车牌图像图像预处理的算法，通过算法，能够分割出等距离等长宽的字符。最后，在车牌识别过程中，建立车牌字符图像样本库，对字符特征提取和分类器设计进行研究，完成整个车牌识别系统的实现。本系统选择采集到的图片为BMP格式的车辆图像文件，软件实现选用C++语言。设计目标在于明确系统的功能和结构，由各个模块组合成整个系统，并对各个模块的设计和功能进行说明。采用MFC平台创建UI接口，结合OpenCV函数库编程实现本系统的设计。

第二章主要技术原理2.1车牌定位技术在通过图像采集系统获得了车牌图像以后，要做的第一步是车牌定位。只有采用正确的车牌定位法，后续识别工作才能顺利进行。本次研究采用颜色和投影的方法来定位车牌的位置。2.1.1HSV色彩空间我国规定小型民用汽车采用蓝底白字车牌，利用车牌的颜色信息可以快速地提取符合车牌颜色条件的区域。HSV色彩空间较RGB色彩空间而言是一种对视觉更为友好的颜色空间，其中H指色相（hue），S指饱和度（saturation），V指色调（value）[16]。网络上所使用的图片大部分为RGB格式，本设计使用HSV色彩空间对图像进行颜色的筛选，需要将待处理的图像的色彩空间从转换至。其转换关系为下图2-1所示。图2-1RGB色彩空间到HSV色彩空间转换关系OpenCV提供了函数接口供开发者进行RGB到HSV色彩空间的转换。转换后，扫描HSV图像中所有的像素点，保留图像中符合蓝色像素的像素点，并将其与的像素点的值设置为白，不符合的像素点的值设置为黑，得到二值图像。后续处理操作均是对预处理获得的二值图像进行处理，该模块的颜色筛选影响着后续模块的正确率，这里我们把饱和度和色调低于110，色相大于100，小于120的像素点均设为黑。2.1.2投影算法对于背景较为简单的图像，根据2.1.1节的颜色筛选算法即可滤除非车牌部分的像素，且车牌区域的像素较为集中，只要使用较为简单的投影算法即可定位至车牌区域。使用的投影算法包含两次投影，即水平投影和垂直投影。以垂直投影为例说明投影过程。将二值图像的每一列从下至上进行统计，统计出每一列符合“白点”的像素个数，接着对图像垂直投影的值做聚类，若小列数值除以大列数值的值大于给定的阈值，则可认为该列为车牌区域的起始列。水平投影和垂直投影相似，只是坐标横纵进行改变。通过水平投影和垂直投影确定车牌高度和宽度区域，对车牌图像进行切割，通过两次投影定位至最后的车牌图像。投影的算法过程如下图2-1所示。图2-1水平投影和垂直投影的算法过程2.2车牌字符分割技术通过完成了车牌定位，在确定了车牌的位置后，要对定位出来的车牌进行车牌字符分割，由于采集到的带有车牌的图像可能没有与摄像头平行，车牌定位过程中车牌图像可能存在一部分的倾斜，所以在进行车牌图像分割前要对车牌图像进行校正，求出斜率，得到校正处理后的新车牌图像。2.2.1图像二值化图像二值化的原理是把图像中的像素根据最大方差阈值分割算法把车牌图像分成黑和白两种颜色，通过车牌图像的灰度处理，白色的像素值是255，黑色的像素值是0。这样就可以把目标和背景分割开来，车牌识别系统采用的是最大方差阈值分割法来实现图像的二值化。其中，f(x,y)为待分割的图像，g(x,y)为分割后的图像，T为阈值。二值化的核心就是式（2.1）阈值的选取，若选择的阈值太高，则实际的车牌区域会被认为是背景区域，若选择的阈值太低，则会引入较多的干扰区域，这些干扰区域会被默认是车牌区域，综上所述，阈值的选取对车牌定位至关重要。现如今最大方差阈值分割法较为常用，且效果比较好，其基本原理如下所述。设图像的像素总数为N，灰度范围为，灰度值的像素数为，则的概率为把图像中的像素按灰度值用阈值分成和两类，对应于灰度值在之间的像素，对应于灰度值在之间的像素，则和的概率分别为(2.2)(2.3)和的均值分别为(2.4)(2.5)整个图像的灰度均值为定义类间方差为令T在范围内，以步长1进行一次递增取值，最优阈值取的最大值。2.2.2倾斜校正由于监控拍摄到的车牌的大概率是倾斜的，所以在获取车牌图像后对车牌字符进行倾斜校正。调整的算法思路如下图2-2所示。图2-2倾斜校正算法思路2.2.3腐蚀操作车牌图像在进行倾斜校正后需进行一次腐蚀操作，用来去除车牌图片中的黑色污点，并且能够细化字符。腐蚀操作就是根据给定模板的结构元素，扫描车牌图像中的每一个像素，用结构元素与其覆盖的二值图像进行“与”操作，如果都为1，结果图像的该像素为0；结果为1，则使二值图像模板区域与图像的白色像素部分均为255，变为原来二值图像的两倍[17]。2.2.4字符分割正确的车牌图像包含汉字、英文或数字组成的七个字符。字符识别的时候只能根据每个字符的特征来进行判断，因此需对车牌图像进行字符分割，识别单个字符。字符分割主要根据字符之间较大的白色区域对车牌图像按水平方向进行投影，找到分割7个字符的8个投影极值点，将字符进行分割。对车牌图像按垂直方向进行投影，找到车牌上下两端的空白区域并切割出去，可以实现“取钉”效果。2.2.5转换字符图像大小字符分割过程中，切割出来的字符存在大小差异，而同一尺寸的字符便于特征提取，识别的标准型更强，准确率也更高。转换字符图像大小就是将提出取来的字符图像的宽度和高度转换成一致，以便于特征提取。为了和字符库中的模板匹配，需再次调整好的字符进行反色处理。2.2.6字符细化由于归一化后的字符图像较小，而字符的笔画较大，比较好识别字母和数字，但对于汉字来说其笔画比较稠密，不便于字符的识别，在进行车牌识别前需要对之前进行腐蚀操作的图像进行字符细化。图像细化就是把字符的粗线条变成细线条。图像细化后只存在一个像素宽度。2.3车牌字符识别技术本系统的字符识别过程如图2-3所示，首先是提取出待识别字符的特征，将其特征与字符样本库的特征进行比对，接着将比对的信息送入分类器中得出分类结果。图2-3车牌字符识别算法流程2.3.1特征提取特征提取是根据目标图像的像素分布，根据黑、白点的分布，确定其特征。本系统采用逐像素特征提取法，即扫描二值图像的每一列像素，再扫描每一行像素，统计提取出的二值图像中黑、白点的分布，根据统计出的分布提取出各个字符的特征向量。为了得到一个更好的识别效果，本系统采用了统计特征的方式--网格特征，由于字符库的样本尺寸是，需要将提出取来的字符图像的宽度和高度转换成与样本库一致，然后把待识别字符分成份，每份尺寸为，统计每份里白点的个数。如图2-4所示。图2-4网络特征统计分割图2.3.2分类器设计每个独立的字符中均有符合其特点的特征向量，车牌图像通过2.3.1节的字符特征提取，获得每个独立的字符图像特征向量，将提取出的特征向量与字符样本库进行比对，确定车牌的字符。分类器能够根据识别对象所呈现的特征自动将其分到某一类别中。本系统所使用的分类方法为模板匹配法，该方法的核心是计算待识别字符的特征与字符样本库的加权距离，从字符样本库中选择最小加权距离作为识别字符。其算法流程如图2-5所示。图2-5模板匹配算法流程

第三章车牌识别系统设计分析3.1系统结构与流程从最初读入图像到最终输出分类结果，车牌识别系统大致可分为7个模块，且各个模块之间的顺序是如图3-1从左往右是依次进行的。系统所用到的算法较多，下面列出系统的总体结构和算法流程。3.1.1系统总体结构车牌识别系统的总体结果如图所示，一共包含七个模块。图3-1车牌识别系统结构图3.1.2系统主要流程车牌识别系统的流程如图3-2所示。首先，载入拍摄到的含有车牌的图像，并进行预处理，接着使用水平扫描、垂直扫描定位至车牌区域，对目标区域的字符进行分割，再使用网格特征法提取出字符的特征向量，最后使用模板匹配法确定字符。图3-2车牌识别流程图3.2复杂背景下的车牌提取改进3.2.1车牌提取存在的问题先前设计的车牌识别系统是一个目前较为简易的一种车牌识别系统，该系统只能提取简单背景下的车牌，当车辆处于较为复杂的背景下，提取车牌的概率大大降低。该系统车牌提取的方法是利用车牌是蓝底白字的格式，识别出图像最大的蓝色区域来提取出车牌的区域。但是这对于只有车牌区域是蓝色背景的情况下较为适用，如果图片里不只有车牌是蓝色的，比如车身也是蓝色的，当前的方法无法提取出车牌位置。图3-3的测试图说明只有车牌位置是蓝色区域，使用先前的颜色定位方法可以较好地提取出车牌，而图3-4的测试图说明不仅车牌是蓝色的，车身也是蓝色的，大大增加了车牌提取的难度，基于颜色特征的方法难以提取出车牌区域。本节所做的工作是改进车牌提取的方法，使得本系统在复杂背景下也能够有效地提取出车牌。图3-3简单背景下的车牌提取结果图3-4复杂背景下的车牌提取结果3.2.2车牌提取的改进思路 如第二章所述，原始的车牌提取方法是在读入图像之后，将图像的RGB颜色空间转换成HSV颜色空间，再利用符合蓝色的色相、色调、饱和度提取出蓝色区域，去除不符合蓝色的区域，再经过水平扫描和垂直扫描即可定位到车牌区域。具体步骤如下框图所示：图3-5原始定位车牌算法的流程框图为了更好地说明原始的车牌提取算法的缺点，下面以一个实例来分析原始方法的缺点。图3-6待提取图像图3-7提取出蓝色区域后的二值图像图3-8水平、垂直扫描提取出的区域 从图3-6至图3-8可以看出，如果背景较为简单，通过颜色空间的转换，保留蓝色区域部分，去除非蓝色区域部分，即可保留车牌区域，再对整幅图像经过水平扫描和垂直扫描，定位至最大的连续区域，即可提取出车牌。 但是如果背景较为复杂，图像背景的蓝色区域较多，则用上述方法难以定位至车牌区域。例如图3-9，该图不仅车牌是蓝色的，车身也是蓝色的，用上述的方法提取出蓝色区域如图3-10所示。从图3-10可得知，当车身也是蓝色时，容易造成车牌提取的干扰，使用颜色定位的方法难以单独定位至车牌区域。 水平扫描和垂直扫描的方法也只能够定位单个连通区域，如果有多个连通区域，水平、垂直扫描的定位方法难以有效地定位车牌区域，本章利用OpenCV里的轮廓提取的工具，对符合车牌的宽高特效、面积特征、形状特征做进一步的筛选，使其有效地定位至车牌区域。 综上分析，基于颜色定位的方法具有一定的适用性，本章的改进思想可以以颜色定位为基础，在此基础上加入其它的定位方法，融合多种方法提高车牌提取的准确率。图3-9含有复杂背景的图像图3-10复杂背景下提取出的二值图像3.2.3车牌提取的改进算法 从图3-10中可以看出，如果单独使用颜色提取的方法，车身的蓝色区域会干扰车牌的定位。而车身的蓝色区域的纹理属于大面积平坦区域，车牌区域的纹理较为复杂，如果使用边缘检测的方法即可去掉纹理平坦的区域，再加上颜色定位的方法即可大致分离出车牌区域。 具体的算法如下：Step1：读入图像Step2：对图像做sobel运算，将符合边缘像素值设为255，非边缘像素值设为0Step3：将原图像从RGB转换成HSV，将符合蓝色的像素值设为255，非蓝色像素值设为0，得到二值图像Step4：将Step3的区分出的蓝色图像做膨胀操作，连通蓝色区域Step5：将膨胀后的二值图像和Step2得到的sobel图像进行与操作，去除车牌区域外的大量干扰区域Step6：对Step5得到的图像使用OpenCV的轮廓提取工具，输入符合车牌的大小特征、形状特征提取出车牌区域Step7：对Step6提取出的车牌区域做进一步的定位操作，在该区域寻找文字区域，去除多余的区域，准确地定位至车牌。下面的流程框图描述了该算法的流程图3-11改进算法的流程框图

第四章系统实现效果4.1系统各模块实现效果4.1.1原始图像通过输入原始图像，车牌识别系统再对原始车牌图像进行数据化。下图为采集到的原始车牌图像，该图像的车身与车牌区域突出，便于系统的测试。图4-1采集到的原始车牌图像4.1.2灰度处理效果将图4-1从RGB转换成HSV，扫描图像中的像素点后保留符合车牌蓝色的HSV色彩像素点，将其他像素点设为黑色，再转为灰度图像。效果如下图4-2和4-3所示。图4-2HSV色彩转换后的图像图4-3灰度图像4.1.3图像二值化效果从图4-2中可以看出，HSV图像从视觉角度来说对人眼更不具亲和力，但它对色调、色相、饱和度不同区域的敏感度不同，我们转换颜色空间后的图像进行二值化处理：对蓝色区域的H、S、V的阈值参数的设定，满足符合的色相、色调、饱和度的像素值设为255，不满足的像素值设为0。通过图像二值化能够将车牌从图像中完全分割出来，将非车牌部分像素灰度值处理成黑色，有利于车牌的提取，效果如下图4-4所示。图4-4二值化后图像4.1.4车牌区域提取效果对二值化图像进行投影扫描，定位至符合车牌的区域，随后将区域进行切割，提取出车牌，提取后的效果图如下所示。图4-5投影后得到的车牌图像4.1.5细化后车牌图像效果倾斜校正后的车牌图像要先进行一次反色操作，使字符颜色为“黑点”，其他区域为“白点”；接着对反色图像做一次腐蚀操作，用来去除车牌图像中多余的黑点，反色、腐蚀的效果如图4-6所示。随后进行细化字符，效果图4-7所示。图4-6反色、腐蚀操作后的车牌图像图4-7细化后的字符图像4.1.6字符识别通过统计分割后字符的特征，再与车牌字符样本库进行对比，将计算出的加权距离最小值作为识别结果，识别结果如下图4-8所示。图4-8输出识别后的字符4.2车牌提取的改进效果首先对灰度图像使用sobel算子做预处理操作，提取出图像中物体的边缘部分，得到含有物体边缘的图像，如下图4-9所示。图4-9边缘检测图像对原图像做颜色空间转换，分离出蓝色区域和非蓝色区域，得到分离蓝色图像的二值图，其效果如图4-10所示。图4-10分离蓝色图像的二值图对分离出蓝色图像后的二值图进行膨胀操作，连通各个分离的区域，连通后的图像如图4-11所示。图4-11膨胀二值图将图4-11得到的膨胀效果图和图4-9进行“与操作”，得到合并图像，其效果如图4-12所示。图4-12合并图像将合并图像进行膨胀操作，连通车牌区域，得到连通的合并图像，从该图像我们可以明显地看到车牌区域，其效果如图4-13所示。图4-13连通的合并图像使用OpenCV的轮廓提取工具，对图4-13满足一定比例的长宽比、合适的面积大小、合适的形状提取符合车牌的轮廓，综合选择粗略地提取出车牌区域，提取后的结果如图4-14所示。图4-14粗略地提取出的车牌区域接着对粗略地提取出的车牌区域做进一步的细化提取，在该区域寻找文字区域，过滤多余的区域，细化提取效果如图4-15所示。图4-15提取出的车牌区域图4-16改进算法后复杂背景提取出的车牌从图4-16与图3-4进行对比结果可知，本算法改进了原先算法的不足，使得本设计在复杂背景下也能有效地提取出车牌。下图使用另外一张含有复杂背景的图像进行测试，说明本算法在提取含有复杂背景图像的车牌具有一定的适用性。图4-17改进算法后复杂背景车牌提取的参考结果

第五章结语本文设计了一个较为简单的车牌识别系统，详细介绍了该系统的各个模块，并分析了一些模块的在某些场景下应用的短板，对其算法进行改进，使其具有更广泛的适用性。在实践中，本方法具有良好的效果，且具有实用性。对车牌识别系统的要求是具有准确性，保证字符识别的准确度，在识别过程中应避免出错。在车牌提取过程中，复杂环境下对图像预处理、车牌定位和字符分割的要求变高，会影响车牌的定位。在复杂背景下，对提取模块做精细处理，解决在复杂背景下的车牌提取可能出现的干扰问题，改进的检测算法可以提高车牌定位的准确性，再对车牌图像进行二值化，有良好的效果。论文完成了一个较完整的车牌识别系统，本系统是软件识别系统，完成车牌图像算法设计和实现，通过构建的软件平台，在今后研究中能进行深入扩展，具有实用性。

参考文献[1]姜守昌.打造高品质汽车及相关产品战略研究[D].对外经济贸易大学,2012.[2]娄红菊,孙淑英.我国智能交通发展对策探析[J].决策探索,2007,(1):50-52.[3]刘晓明,何忠贺.城市智能交通部系统技术发展现状及趋势[J].自动化博览,2015,(01):58-60.[4]李亭.车牌识别系统的开发研究[D].长安大学,2013.[5]黄泽锋.基于Adaboost的车牌定位方法的研究与实现[D].华南理工大学,2012.[6]秦涛.基于HSI色彩空间的车牌识别系统设计[D].郑州大学,2012.[7]SarfrazM,AhmedMJ,GhaziSA.SaudiArabianLicensePlateRecognitionSystem[C].InternationalConferenceonGeometricModeling&Graphics,2003:36-41.[8]马东.基于图像分析的汽车牌照识别技术的研究[D].天津工业大学,2011.[9]ShanB.VehicleLicensePlateRecognitionBasedonTextLineConstructionandMultilevelRBFNeuralNetwork[J].JournalofComputers,2011,6(2):246-253.[10]刘智勇,刘迎建.车牌识别中的图像提取及分割[J].中文信息学报,2000,14(4):26-29.[11]熊军,高敦堂，沈庆宏等.基于字符纹理特征的快速定位算法[J].光电工程,2006,30(02):60-63[12]陈振学,汪国有,刘成云.一种新的车牌图像字符分割与识别算法[J].微电子学与计算机,2007,24(2):42-44.[13]张引,潘云鹤.彩色汽车图像牌照定位新法[J].中国图像图形学报,2001,6(4):374-37.[14]GuoJM,LiuYF.LicensePlateLocalizationandCharacterSegmentationWithFeedbackSelf-LearningandHybridBinarizationTechniques[J].IEEETransactionsonVehicularTechnology,2008,57(3):1417-1424.[15]杨超.

车牌识别系统研究与设计[D].

广西：广西师范大学，2015.[16]李英.

基于图像处理技术的冰箱食物管理系统研究[D].

大连理工大学，2012.[17]万青英.

面向众核平台的车牌识别技术研究[D].

河北科技大学，2015.致谢首先，我要感谢我的指导老师陈少强副教授。是他的教导与帮助，我才能完成此次毕业的论文及设计。是您在指导过程中的尽心尽力和付出，在自己岗位上的坚守和奋斗，造就了现在的我。对此，我想真挚的说声，谢谢您!我还要感谢在大学四年期间教授我知识的每位老师。是你们的精心付出，解答我在求学路上的疑难问题，增强了我的专业知识和专业技能，为我的知识储备添砖加瓦。我要特别要感谢从小到大为我付出的家人。是你们含辛茹苦的把我抚养成人，你们坚实的臂膀让我有了依靠，成为我默默努力的动力，让我坚定了未来奋斗的目标！最后，感谢每一位帮助过我的人！

DesignandImplementationofLicensePlateRecognitionSystemXiaoChang2016

CommunicationsEngineering,2ndSquad,SchoolofInformationEngineering,SanmingUniversityAbstract:ThissystemisbasedonMFCasaplatform,usingopensourcesoftwareOpenCVtodesignasimplelicenseplaterecognitionsystemthatcanrecognizewhitecharactersonabluebackground.Thesystemfirstanalyzestheimagescontaininglicenseplateimages,includingimageprocessingalgorithmssuchascolorconversion,anddeterminesthelicenseplatepositionthroughprojectionalgorithm.Secondly,accordingtothecharactersegmentationalgorithm,thelicenseplatecharactersareresizedaftersegmentation,andthecharacterimageswiththesamelengthandwidt