停车场无人值守收费系统

车牌识别系统总的来说，国内不管科研还是商用方面都很成熟了，基本处于世界先进甚至领先的水平。对于目前常见的收费站、红绿灯路口、学校、机关政府等进出口的固定环境车牌识别准确率基本都可以达到99.5%以上。

车牌识别的主要步骤分为：车牌定位、字符分割、字符识别；

（1）车牌定位：

在车牌识别中是很关键的一步，尤其是对于图像背景较为复杂的情况下，要提高车牌定位准确率也不是件容易的事。车牌定位包括车牌定位、车牌倾斜校正。

1）当前车牌粗定位算法主要分为：传统方法和深度学习方法。

①传统车牌定位算法：主要利用颜色（蓝底、黄底或白底）、边缘形状（3.15:1的矩形）、纹理特征（可用小波特征表述）等信息进行检测定位。一般情况下，都是首先将前述几种判断依据结合起来，进行综合检测定位，否则无法有效解决不同车型、颜色、环境的变化对检测带来的影响；

②深度学习算法：当前也有不少人基于CNN、R-CNN、faster-RCNN、改进型CNN算法对车牌进行监测定位。从当前基于卷积神经网络的车牌定位算法研究应用而言，主要还是先根据车牌特征人工选择候选区域，然后使用CNN进行车牌检测与定位。

个人总结：传统算法在固定环境中对车牌定位做的已经比较成熟了，但正如固定环境的表述一样，其对于车牌拍摄角度、车牌图片中背景的复杂度还是有不少的限制，拍摄角度要在算法设计范围内，背景也不能太复杂。对于基于深度学习的车牌定位算法，相对来说就可以应付较为复杂的背景和允许更大的车牌拍摄角度。其不足之处当然是需要大量样本进行训练并耗费较长时间，同时深度学习算法进行车牌定位可能在算法实时性上有所下降。