1. 研究目的与意义
随着人工智能、物联网、5G 等技术的迅速发展，智慧交通在智慧城市中发挥了重要作用，而车牌识别技术在智慧交通体系中扮演了重要角色。
传统的中文车牌识别方法精度低，速度慢，识别率受环境影响较大，已经远远不能满足应用要求。
车牌是车辆的身份信息，对车牌照片的识别是辨别车辆信息的有效手段。
2. 课题关键问题和重难点
近些年来，人们的收入在不断上升的同时对更高质量的生活水平追求也日渐提高，购买力的逐步增强，将个人汽车作为代步工具成为了越来越多人的首要选择。但是，平民大众的出行需求迅速扩大与传统老旧的交通规范和人为管理的办法产生了巨大的冲突。车牌识别系统在交通道路信息化管理上具有重要的作用，大大提高了传统管理模式的效率。传统的相关方案，速度慢，准确率低，但是在采用了人工智能方面的技术后，可以直接对车牌进行端到端的识别，提高了识别的速度和准确率。
难点：
（1）车牌倾斜，脏污，模糊，中文字符等，若采用传统的相关技术方案，在识别速度和准确率上都难以达到较好的表现。
3. 国内外研究现状（文献综述）
当前的科技技术发展迅速，各个国家的汽车研发技术逐步成熟，再加上商业竞争的因素导致汽车价格持续走低，与此同时人民生活日渐宽裕，越来越多的家庭拥有属于自己的爱车。根据交通局发布数据表明，截至目前，全国机动车保有量高达4.08亿辆，其中汽车有3.12亿辆；机动车驾驶人4.94亿人，其中汽车驾驶人有4.56亿人。2022年上半年全国新注册登记机动车1657万辆，新领证驾驶人1103万人。由此可见，汽车行业在飞速发展的同时，交通管理机制也面临着巨大考验。全国高速路收费站、公路违章监管处、各大商场停车管理处、各个小区停车场等等地方的门禁系统都得持续更新才能跟上时代发展的步伐。管理车辆从最初的纯人工监管，到采取IC卡管理、条形码识别，都消耗了大量的人力物力，但这也无法解决车辆出入监管点缓慢、城市道路拥堵、人员监管错漏等一系列交通问题。其中IC卡需要停车获取或返还，不但不便利还花费大量时间；条形码需要提前粘贴车上，不利于非固定行驶车辆的管理。面对当前困境，更智能化的交通系统因此而生。
上世纪90年代初，国外的科研人员已经开始探索车牌识别技术的新世界，但是由于硬件条件的限制，导致理论研究的进展较慢，理论无法与实际应用相匹配，因此其发展一直停滞不前，较长一段时间都处于实验阶段，无法投入现实使用。伴随计算机技术的进一步发展，多项新研究的出现，世界上各个国家对于该领域的研究也都有了突破性的进展。其中智能交通系统中的功能模块执行工作需要在识别车牌字符的基础上开展，系统的灵敏度、准确度、稳定程度离不开车牌识别技术，随着物联、互联网通信技术及计算机科学技术的不断发展，图像处理中各类算法的不断改善，车牌识别技术也日渐成熟，各国人员都开发了适用于自己国家的车牌识别系统。
目前在国内多所高校实验室都开展了大量研究车牌识别方面技术。车牌识别技术的研究道路异常艰辛，研究的各式车牌所处的环境大多不理想、不稳定，车牌本身也存在多样化，即使能采集到清晰的图像也不易处理，提取出来的车牌字符准确率通常偏低，容易影响整个智能交通系统的可靠性，所以车牌处理中的算法研究是科研人员最为关注的对象。车牌定位是车牌识别技术中处于核心位置，难度也是最大的，定位准确才能执行后续的车牌字符分割和提取。目前常用的定位法有：小波变换法、阈值分割法、模板匹配；车牌字符分割在车牌定位工作之后，是指把车牌上的字符精确的单个分割出来，为后续车牌字符识别做好准备。相对美国的车牌，国内车牌字符特征更为明显，总共七个字符，开头中文是该车户口所在省的简称，首个英文字母，代表该车所在地的地市一级代码，后面由字母和数字混合组成，字符长宽一致，之间的间隔也有固定标准，只要分割之前的图像预处理工作到位，几乎不存在字符粘连情况。使用较多的分割法有：颜色特征法，灰度图像领域的投影法，二值化图像领域的先验知识法、边缘检测法等；字符识别是车牌识别处理步骤中的最后一步，能把车牌中的字符以文本或字符串的形式表现出来，方便系统后续处理。常用字符分割法有：模板匹配法、神经网络法、支持向量机法等。
4. 研究方案
本次主要是用到Python和OpenCV来实现课题要求。Python是一种面向对象、解释型计算机程序设计语言，由荷兰人Guido vanRossum 于1989年底发明，第一个公开发行版发行于1991年，Python 源代码同样遵循 GPL(GNU GGeneral Public License)协议。Python 语法简洁而清晰，具有丰富和强大的类库。它常被昵称为胶水语言，能够把用其他语言制作的各种模块（尤其是C/C ）很轻松地联结在一起。正因为 Python 语言的简洁、优雅、开发效率高，它常被用于网站开发，网络编程，图形处理，黑客编程等等。OpenCV是一个的跨平台计算机视觉库，可以运行在Linux、Windows和Mac OS 操作系统上。它轻量级而且高效——由一系列C函数和少量C 类构成，同时也提供了Python接口，实现了图像处理和计算机视觉方面的很多通用算法。OpenCV可以应用但不仅限于以下场景；二维和三维特征提取、街景图像拼接、人脸识别系统、手势识别、人机交互动作识别、物体识别、自动检查和监视、分割与识别、医学图像分析、运动跟踪、增强现实、视频/图像搜索与检索、机器人与无人驾驶汽车导航与控制、驾驶员疲劳驾驶检测等。
车牌的检测和识别的应用非常广泛，比如交通违章车牌追踪，小区或地下车库门禁。在对车牌识别和检测的过程中，因为车牌往往是规整的矩形，长宽比相对固定，色调纹理相对固定，常用的方法有：基于形状、基于色调、基于纹理、基于文字特征等方法。车牌识别系统整体架构中，检测和识别模块极为重要，针对传统方法的不足进行改进，进一步地提高了系统的识别速度和准确度。
车牌识别流程：
2.字符分割：检测到车牌后，我们必须将其裁剪并保存为新图像。同样，这可以使用OpenCV来完成。首先需要对前面定位到的车牌图块进行灰度化、二值化等预处理。然后需要对一些有车牌边框的等噪声进行筛选，从而消除大部分噪声。借助一个简单方法即可；首先遍历图像每一行的像素值，并记录每一行像素值（白到黑、黑到白）跳变的次数。而车牌一般由7个字符组成，因此每行像素值的跳变次数应不小于14次，因此，若某行跳变次数小于10次（考虑到部分车牌倾斜的情况），则置零整行，即可消除部分噪声的干扰了。最后通过垂直投影法即可分割出七个完整的字符。
3.字符识别：现在，我们在上一步中获得的新图像肯定可以写上一些字符（数字/字母）。因此，我们可以对其执行OCR（光学字符识别）以检测数字。字符识别可以算是整个系统的核心部分，这一部分可以有很多中实现方法：模板匹配、SVM以及人工神经网络等方法。
5. 工作计划
2022-2022-1学期：
第15-16周：完成选题，查阅相关中英文资料，进行相关技术的学习。
第17周：与导师沟通进行课题总体规划。
以上是毕业论文开题报告，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。
