“智慧城市、智慧停車、智慧小區(qū)”的出現(xiàn)，隨之而來的是一波波的設備更新?lián)Q代，關于車輛管理這方面，包括安防、交通等行業(yè)，都紛紛用上了車牌識別技術。

作為嵌入式er，不僅要看到行業(yè)的發(fā)展趨勢，也要分析分析背后的一些關鍵技術。下面是一位嵌入式er開發(fā)車牌識別的一些經(jīng)驗整理，希望對大家能有所幫助。

最近在弄車牌識別這個項目，對于機器視覺有些了解的人都知道，這個東西算是比較成熟了，在書里也有代碼。 網(wǎng)上能找到的資料也比較多，所及借著這個機會在ARM開發(fā)板上實現(xiàn)以下車牌識別。

反正對于神經(jīng)網(wǎng)絡這些什么的我是不知道了，所以代碼也是網(wǎng)上借鑒了的，我稍微整理注釋了下。

首先你需要了解移植opencv到嵌入式ARM的具體的步驟，這個網(wǎng)上比較多，大家搜一下就可以了。

第一步做的就是車牌提取：

代碼如下：

我們看下效果：

原圖car.jpg，我隨便拍的一張圖：

看下hsv的效果圖car_hsv.jpg：

接著直方圖均衡化后的圖car_hsv1.jpg：

提取藍車區(qū)域后，分離出來，提取分量 car_hsvSplit.jpg：

可以看出，找到了車牌部分。我拍的這圖質(zhì)量還好，當車輛與車牌都是藍色時就不好弄出這個了

接著看下形態(tài)學處理 car_morphology.jpg：

白色區(qū)域都被聯(lián)通了。

然后看下旋轉(zhuǎn)的圖像 car_rotated.jpg：

最后，剪切出車牌即可 car_area.jpg：

這樣就提取車了一張車牌。

因為這圖比較理想，事實上，可能識別出多個藍車區(qū)域多為車牌，也就是多個候選區(qū)域。這里我們圖像理想，只識別出一個候選區(qū)域，所以我直接把候選區(qū)域0，即output_area[0]打印出來就是車牌了，我們應該加入SVM訓練，作為最后判斷是否是車牌的依據(jù)，當然，這個我們下次再說吧。