人工神經(jīng)網(wǎng)絡(luò)技術(shù)，計(jì)算機(jī)及相關(guān)技術(shù)發(fā)達(dá)的一些國(guó)家開始探討用人工神經(jīng)網(wǎng)絡(luò)技術(shù)解決車牌自動(dòng)識(shí)別問題，例如1994年M.M.M.FANHY等就成功地運(yùn)用了BAM神經(jīng)網(wǎng)絡(luò)方法對(duì)車牌上的字符進(jìn)行自動(dòng)識(shí)別，BAM神經(jīng)網(wǎng)絡(luò)是由相同神經(jīng)元構(gòu)成的雙向聯(lián)想式單層網(wǎng)絡(luò)，每一個(gè)字符模板對(duì)應(yīng)著個(gè)BAM矩陣，通過與車牌上的字符比較，識(shí)別出正確的車牌號(hào)碼。

例如一個(gè)車牌系統(tǒng)在白天有90%以上的準(zhǔn)確度，到了傍晚就降到80%，夜間又降到70%，這種不穩(wěn)定的系統(tǒng)，比起全天候平均擁有70%準(zhǔn)確度的車牌辨識(shí)系統(tǒng)更難于整合。因?yàn)槭褂谜邥?huì)認(rèn)為，既然白天的辨識(shí)率有90%，那全天候的準(zhǔn)確率都要達(dá)到90%才合理，這樣的規(guī)格還不包括奇怪的環(huán)境干擾(暴雨襲擊、冰雹、濃霧區(qū)段等)，與架設(shè)環(huán)境限制(高度限制、風(fēng)大搖晃限制、不容易遭受人為破壞等)。

開車的朋友都知道，我們無論去停車場(chǎng)還是上下高速，只要有攝像頭和欄桿的地方，基本上都需要識(shí)別你的車牌。我們普通人無需去了解車牌的識(shí)別過程，但還是有很多網(wǎng)友想了解自己的車牌是如何被識(shí)別的。

在講述車牌識(shí)別過程之前，筆者要先說一下高速路口的ETC是一套依賴RFID技術(shù)的電子識(shí)別裝置。這種識(shí)別技術(shù)，是通過射頻技術(shù)，去識(shí)別貼在汽車前擋風(fēng)或者其他便于RFID讀寫端識(shí)別的位置上的電子標(biāo)簽來識(shí)別和收費(fèi)的。因此ETC和車牌識(shí)別系統(tǒng)是兩套系統(tǒng)，因?yàn)檐嚺谱R(shí)別系統(tǒng)不承擔(dān)充值和消費(fèi)功能，因此ETC就應(yīng)運(yùn)而生。

攝像頭不停地拍照，交給系統(tǒng)去判斷。原理很簡(jiǎn)單，因?yàn)闆]有車輛時(shí)，拍的照片是固定的。撐死了也就白天一幅圖、晚上一幅圖、下雨一幅圖、陰天一幅圖等。有了基礎(chǔ)的圖，就可以區(qū)分有車輛進(jìn)入地圖了。有人說這樣的容錯(cuò)率也太低了，很容易出錯(cuò)。是的，這的確容易出錯(cuò)，所以軟件端做了進(jìn)一步的技術(shù)深入：車輛輪廓識(shí)別。車輛輪廓識(shí)別與車牌識(shí)別的輪廓識(shí)別原理是一樣的，可以參考下面車牌輪廓識(shí)別部分。

車牌字符切割在上一步中，我們成功找到了車牌，并把它從原圖（不是二值化的圖）截取出來了。對(duì)截取的車牌圖片進(jìn)行上一步的灰度化、二值化、降噪處理，尤其是邊緣降噪。如果降噪后，干擾的噪聲還是比較大，可以采取腐蝕、膨脹算法來模糊噪聲。如果降噪后的車牌圖片有傾斜現(xiàn)象，就需要對(duì)圖片做錯(cuò)切變換（就是傾斜角度調(diào)整）。我們知道，有些車牌是上下結(jié)構(gòu)的，這很容易通過對(duì)二值化的圖片做像素掃描來檢測(cè)上下兩部分是否中間不粘連，如果不粘連，那就是上下結(jié)構(gòu)車牌。如果不是上下結(jié)構(gòu)，那就是單行結(jié)構(gòu)的新車牌。