孝感全自动车牌识别定制
车牌识别技术要求能够将运动中的汽车牌照从复杂背景中提取并识别出来，通过车牌提取、图像预处理、特征提取、车牌字符识别等技术，识别车辆牌号、颜色等信息，目前Z新的技术水平为字母和数字的识别率可达到99.7%，汉字的识别率可达到99%。
对车牌图像进行图像形态学操作由于成像系统、传输介质、记录设备等的不完善，以及天气情况的变化等，车牌图像往往受到多种噪声的污染。在经过二值化处理的车牌图像上，会出现一些与要研究的对象（即车牌区域）不相关的孤立点或者像素块，扰乱图像的研究对象，影响对车牌区域的提取、分割等操作。于是要构造一种有效抑制噪声的滤波器来有效的去除目标和背景中的噪声，同时，能够很好地保护车牌区域的形状、大小及特定的车牌纹理特征。 图像滤波，即在尽量保留图像细节特征的条件下对目标图像的噪声进行抑制，是图像处理中消除噪声的的操作，其处理的结果的好坏将直接影响到对后续图像进行处理和分析的有效性和性。常用的滤波操作方法有很多种，如中值滤波、形态学滤波、高斯滤波、双边滤波等。我们在这里介绍一下中值滤波和本文所研究系统采用的形态学滤波。
贝叶斯分类器的特点是: 贝叶斯分类并不把一个对象对地指派给某一类，而是通过计算得出属于某一类的概率，具有大概率的类便是该对象所属的类； 一般情况下在贝叶斯分类中的属性都潜在地起作用，即并不是一个或几个属性决定分类，而是的属性都参与分类； 贝叶斯分类对象的属性可以是离散的、连续的，也可以是混合的。 贝叶斯定理给出了小化误差的解决方法，可用于分类和预测。但在实际中，它并不能直接利用，它需要知道据的确切分布概率，而实际上我们并不能确切的给据的分布概率。因此我们在很多分类方法中都会作出某种假设以逼近贝叶斯定理的要求。 决策树(decision tree)一般都是自上而下的来生成的。每个决策或事件（即自然状态）都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干，故称决策树。 决策树就是将决策过程各个阶段之间的结构绘制成一张箭线图，我们可以用下图来表示。
该算法的步骤是，首先建立模板库，将待识别的字符进行二值化并将其归一化操作，然后作为输入模式的字符与的模板进行匹配，选择佳匹配作为结果。算法的优点是，在预处理后的图片质量较高、车牌的倾斜程度较低、车牌的纹理特征清晰的情况下，这种算法识别的准确率较高，但是对字符细节信息的忽略导致了在识别相似字符时容易出错。在实际的车牌识别系统中获取的车牌，往往由于拍摄角度的不同、车牌污损、光照不均等原因造成了二值化后的字符会出现形变、粘连、断裂、细节模糊等情况，这些原因导致了模板匹配在车牌字符识别上的限性，尤其是停车场车牌识别系统。停车场环境下，车牌图像受到光照的影响较大，为了提高字符识别的准确率，通常在停车场车牌识别系统中很少采用这种算法。