针对当前车牌识别系统在存在复杂环境以及车牌倾斜的情况下无法精确定位的问题,提出一种基于卷积神经网络的端到端车牌精确定位算法,从而精确计算车牌的坐标。通过Faster R-CNN对输入车辆图片中的信息进行处理,提取候选区域的特征映射,利用特征映射计算车牌的精确坐标。实验结果表明本文算法在OpenITS数据库的功能评测数据库中的平均识别准确率为99%,在性能评测数据库中的平均识别准确率为85%。

该项目要求基于FPGA完成车牌定位算法。本项目拟充分发掘FPGA并行运算在图像处理领域的优势，实现基于Adboost算法的车牌检测硬件架构，最终完成车牌定位信息的实时输出。

车牌识别系统中的车牌定位，字体倾斜矫正，以及字符分割的算法总结，性能总结。

开发环境：vc6.0 ,opencv1.0.整体功能：实现车牌跟踪，检测，车牌定位，车牌分割，字符分割，字符识别，其中车牌跟踪和车牌检测不是很好，但是对于已经拍好的图片，车牌定位，车牌分割，字符分割和字符识别效果很好。程序中的核心算法，本人已加详细注释。具体详见程序说明。希望对你有所帮助。

车牌定位是车牌自动识别技术中的一个关键问题，许多学者研究发展多种车牌定位算法。简要介绍和比较了目前比较常见的几种车牌定位方法进行了。

电子警察系统分为前端系统、传输系统和中心（后端）系统三部分； 公司车辆号牌自动识别系统和违章抓拍系统的工作经验，我们得出在一个路口的前端系统结构设计

基于MATLAB阈值分割的车牌定位识别。matlab，需要具备一定编程基础。

# 车牌识别 基于数字图像处理和机器学习，包含车牌定位、字符分割和判断、字符识别，开源了项目整理后训练SVM,ANN和CNN数据集，包含答辩ppt和毕业论文正文辅助学习 项目语言：C++11 项目平台：Microsoft Visual Studio 2015 计算机视觉库：Opencv 3.2+opencv-contrib V3.1 cmake3.8.1 源码编译 SVM: Libsvm ANN： Opencv CNN: Caffe ## 详细说明： 该项目以数字图像处理和机器学习为基础，以1485张图片组成的原始数据集为出发点，研究了如何从原始图片集中得到用于分类器训练的数据集；针对车牌区域特点和输入图片的全局特点，提出了四种不同的可能的车牌区域提取方法，经过校正后得到车牌区域候选人；参考自然场景下的文本检测方法和车牌中的字符分布特点，对车牌候选区域提取改进的最大稳定极值区域，通过使用非极大值抑制和区域校正得到字符候选人，通过字符判断分类器和字符搜索，实现非车牌区域的滤除和车牌区域7个字符的提取，其中字符判断使用基于20个描述性特征的支持向量机实现；通过使用金字塔梯度方向直方图特征得到了用于数字和字母识别的三层BP神经网络模型，定义了10层的卷积神经网络模型MyLeNet实现汉字的识别；搭建和编写了一个完整的工程项目，该项目整合了研究过程中的所有方法的程序实现，可以对数据集进行操作也可实现单张图片的自动识别，充分体现了“端到端”和“数据驱动”的思想。

行业资料-交通装置-一种基于通信模块的车辆营运状态指示器.zip

汽车车牌号的识别源码，识别效果较好，可以参考借阅