摘要：随着智能交通系统的发展，车牌识别（LPR）技术已成为交通管理、自动收费和停车管理等领域的重要组成部分。传统车牌识别方法在处理高质量图像时效果较好，但在复杂环境下（如车牌倾斜、模糊或背景干扰）存在识别困难。本文提出一种结合HOG特征与支持向量机（SVM）的车牌字符识别系统，旨在提高识别准确性和鲁棒性。借助HOG特征提取与SVM分类器，该系统在字符识别中表现出色，能够有用处理不同环境下的车牌图像。
作者：Bob(原创)
算法概述
本文设计的车牌字符识别系统主要基于HOG（方向梯度直方图）特征提取 与 SVM（支持向量机）分类算法，通过传统图像处理办法实现车牌的定位与分割，并利用机器学习模型对车牌字符进行识别。
1.方向梯度直方图（HOG）
方向梯度直方图（Histogram of Oriented Gradient，HOG）特征是一种常用于计算机视觉与图像处理领域的特征描述子。其基本思想是通过计算并统计图像局部区域的梯度方向直方图来描述目标的局部形状特征。HOG特征结合帮助向量机（SVM）分类器已被广泛应用于图像识别任务，特别是在车牌检测与字符识别中取得了显著的效果。
2.SVM（支持向量机）
支持向量机（SVM）是一种常用于分类和回归问题的监督学习算法。其首要思想是通过构建一个最优超平面，将不同类别的样本分开。SVM通过最大化类别间的间隔来进行分类，并利用拟合非线性关系来搭建回归。SVM的性能依赖于核函数选择、参数调优和数据集的质量。
系统设计
本系统旨在经过结合HOG特征提取与承受向量机（SVM）分类器，实现对车牌图像中字符的高效识别。
图1 系统整体流程图
数据集构建
1.chars2（英文/数字）数据集
用途：英文大写 A–Z、数字 0–9 的字符识别。
单个字符；标签=该字符的 ord() 值（代码里已完成）。就是标签规则：目录名就
2.charsChinese（中文省份简称）数据集
用途：车牌省份简称（如“京、沪、粤…”）的识别。
标签规则：目录名必须以 zh_ 开头，并且必须出现在你的 provinces 列表中（与后续汉字一一对应）。脚本会按 PROVINCE_START + 1 + index 生成数值标签。
模型训练
模型训练通过使用标注数据调整参数，使模型能准确预测。本程序运用支持向量机（SVM）进行分类，训练前对图像进行去倾斜和HOG特征提取，然后训练两个SVM模型：一个识别英文/数字，另一个识别中文省份。训练后保存模型和标签映射，方便后续预测使用。
图2 模型训练流程图
训练日志这些信息帮助评估模型的训练效果。
图3 训练日志
该系统硬件配置如下，倘若您的电脑配置低于下述规格，模型训练时间及结果可能会与本架构的训练日志存在差异，请注意。
表1 电脑硬件配置
功能展示
本系统基于HOG（方向梯度直方图）特征与支持向量机（SVM），实现车牌字符自动识别，集成图像预处理、特征提取、分类推理与结果可视化，为车牌字符识别提供高效、稳定的技术支持。
1. 环境主界面展示
图4 系统主界面
2. 图片检测效果
图4 车牌识别 正确
图5 车牌识别 正确
图6 车牌识别 正确
图7 车牌识别 正确
图8 车牌识别 正确
图9 车牌识别 正确
图10 车牌识别 正确
图11 车牌识别 正确
图12 车牌识别 正确
图13 车牌识别 正确
3. 退出系统
图14 退出体系
界面设计
本系统的图形用户界面采用PyQt5框架编写，致力于打造直观、高效且流畅的交互体验。利用精心设计的界面布局和模块化架构，环境功能得以清晰呈现，并确保各项操作的高效执行，全面提升用户使用体验。
图15 PyQt5主控面板界面
该界面展示了基于PyQt5框架精心设计的环境，界面布局简洁、直观且高度集成。凭借巧妙的模块化设计，平台涵盖了多项功能模块，确保用户能够高效、流畅地进行操作与交互，充分体现了环境在医学领域中的智能化与人性化设计。
文件清单
)
