CN105551264A - 一种基于车牌特征匹配的车速检测方法 - Google Patents

Abstract

本发明提供一种基于车牌特征匹配的车速检测方法，包括：1）划定第一检测区域及第二检测区域并设置触发线；2）当触发线触发时，对车牌区域进行粗定位并进行鉴定真伪；3）对定位到的车牌进行字符分割，并做字符识别；4）储存识别到的字符序列作为匹配特征，并记录车牌中心的位置坐标和当前帧数；5）用第二检测区域中检测到的字符序列比对第一检测区域的车牌记录，并通过像素坐标转换到真实坐标算出距离，根据帧数得到时间差，从而算出车速。本发明采用车牌是作为车辆匹配的特征，可以有效解决基于特征点特征匹配的测速方法在匹配精度不足的问题，并且通过记录各区域的车牌特征及当前位置信息，可以解决在多车辆测速时不稳定的问题。

Description

一种基于车牌特征匹配的车速检测方法

技术领域

本发明涉及智能交通领域，具体涉及一种基于车牌特征匹配的车速检测方法。

背景技术

随着视频监控技术应用范围越来越广，现在的交通系统很大程度上依靠视频监控来获取交通信息，但是进行实时监控的人力需求也会随之增加，在庞大的监控系统下仅仅依靠人力显得不合实际。

智能交通的目的利用计算机技术代替人力自动获取道路状况，其中利用计算机视觉对道路监控视频进行自动分析是最可行的方法。车速一直是非常重要的交通信息。

目前道路上主要采用地感线圈、激光和雷达检测速度，而这些技术都存在一些不足。地感线圈测速是利用两个线圈测量车辆经过固定长度的时间差连测得车速，这种方法具有快速测得速度的优点，但是线圈受到地面长时间的挤压容易损坏，重新埋设地感线圈需要较高的成本。激光测速是通过激光两次到达车辆的时间差来计算车辆速度，激光测速的精度高，但只能对单车道单车辆进行测速，对人眼也具有很大的伤害性，而且激光设备的费用非常高。雷达测速的缺点是，当存在多个目标时容易出现误检，只能对单个目标速度进行测量。这三种方法在测量速度时都无法提取车辆信息,依然要通过安装的监控摄像机获取图像信息。

现在监控摄像机已经大规模的使用在公路上，依据现有的摄像机，开发出一种基于视频的车速检测系统，具有低成本、精度满足应用需求的特点，适合大规模推广应用。

在基于视频的车速检测这个领域有过很多研究，目前有的如基于目标跟踪和特征点匹配的方法，但它们都无法有效解决多车辆同时检测，并且匹配精度不高。

基于以上所述，提供一种能够解决多车辆同时检测且提高匹配精度的车速检测方法实属必要。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于车牌特征匹配的车速检测方法，用于解决现有技术中车速检测无法有效解决多车辆同时检测，并且匹配精度不高的问题。

为实现上述目的及其他相关目的，本发明提供一种基于车牌特征匹配的车速检测方法，包括步骤：步骤1)，在道路两处分别划定第一检测区域及第二检测区域，每个检测区域中分别设有第一触发线以及第二触发线；步骤2)，当触发线触发时，先对车牌区域进行粗定位，然后对粗定位的车牌进行鉴定真伪；步骤3)，对定位到的车牌进行字符分割，并选择若干个字母或/及数字利用BP神经网络做字符识别；步骤4)，储存识别到的字符序列作为用于匹配的特征，并记录车牌中心的位置坐标和当前帧数；以及步骤5)，用第二检测区域中检测到的字符序列比对第一检测区域的车牌记录，若匹配到车牌，则通过像素坐标转换到真实坐标算出距离，根据帧数得到时间差，从而算出车速。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤2)中，判断触发线出发包括步骤：于检测区域前上方安装摄像头采集视频，对每帧图像进行灰度化处理，取触发线上相邻两帧图像的灰度值，做差求绝对值的和，若大于预设阈值，则判定有物体经过检测区域。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤2)对车牌区域进行粗定位包括步骤：第一步，在检测区域内提取出候选车牌区域，对图像进行高斯滤波，降低噪声影响，然后进行灰度化得到灰度图像；第二步，对得到的灰度图像进行二值化得到二值图像；第三步，对二值图像进行形态学的闭操作；第四步，对二值图像进行连通域标记；第五步，对标记的每个连通域取最小外接矩形，计算出矩形偏转角度，并筛选出角度偏转在预设角度内的矩形区域；第六步，计算第五步所筛选出的矩形区域的宽高比，并筛选出高宽比在预设范围内的矩形区域；以及第七步，通过旋转将第六步筛选出的矩形区域调整为水平，该矩形区域对应原图像即为车牌区域。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤2)中，基于HOG特征和SVM分类器对粗定位的车牌进行鉴定真伪，包括步骤：第一步，对车牌区域进行尺寸归一化处理；第二步，基于机器自学习的方法训练SVM分类器，使其能基于车牌区域的HOG特征识别车牌的真伪；第三步，基于训练好的SVM分类器得对车牌鉴定鉴定真伪。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤3)对定位到的车牌利用投影法进行字符分割包括步骤：第一步，对车牌区域进行灰度化，获得灰度图像；第二步，对灰度图像进行二值化，获得二值图像；第三步，统计所述二值图像中白像素点数Num1及黑像素点数Num2，若Num1>Num2，对二值图像取反色；第四步，假设二值图像为f(i,j)，对图像进行垂直投影，统计每列白色像素点数目，计算连续的线段[i,j]，从而确定字符在垂直方向上的分割线；对每一个字符区域做水平投影，统计两段的空隙，得到最上端的空隙[i1,j1]和最下端的空隙[i2,j2]，对每块区域进行切割，得到各个字符区域。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤3)中，选择车牌中除汉字外的6位大写字母和数字利用BP神经网络做字符识别。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤3)中，使用BP神经网络进行字符识别所采用的特征为像素统计直方图。

进一步地，步骤3)中，使用BP神经网络进行字符识别包括步骤：基于机器自学习的方法对BP神经网络分类器进行训练，并基于训练好的BP神经网络分类器对字符进行识别。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤5)中，匹配车牌包括步骤：当第二检测区域检测到车牌，得到字符组合特征，用其跟第一检测区域记录的车牌进行匹配，若相对应位置的相同字符大于预设个数，则认为是同一辆车。

作为本发明的基于车牌特征匹配的车速检测方法的一种优选方案，步骤5)中，计算车速包括步骤：第一步，进行坐标变换，通过计算机单目视觉的方法，图像坐标点能够转换实际道路的参考平面坐标点，其转换方程： $\left[\begin{array}{c}{X}_i\\ Y_i\\ 1\end{array}\right]=\frac{1}{S_i}H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right],$ 其中，H是一个3*3的单应性矩阵，通过4个或以上道路参考平面标定点坐标和其对应图像坐标求得，(X_i,Y_i)为实际道路坐标，(x_i,y_i)图像坐标，S_i为归一化系数定义尺度比例；以及第二步，通过坐标变换可以得到车牌中心在两个位置的实际道路坐标(X₁,Y₁)和(X₂,Y₂)，则车辆速度 $v=\frac{K*\sqrt{{(X_1-X_2)}^2+{(Y_1-Y_2)}^2}}{f}m/s,$ 其中，K为视频帧率，f为相隔帧数。

如上所述，本发明的基于车牌特征匹配的车速检测方法，具有以下有益效果：本发明通过提取车牌中的字符作为特征，对车辆行驶过程经过的两个不同位置进行定位，以此检测出车速。由于车牌是车辆的重要标识，车牌号具有唯一性，用它作为车辆匹配的特征，可以有效解决基于特征点特征匹配的测速方法在匹配精度不足的问题，并且通过记录各区域的车牌特征及当前位置信息，可以解决在多车辆测速时不稳定的问题。本发明实用性强，在智能交通及车速检测领域具有广泛的应用前景。

附图说明

图1显示为本发明的基于车牌特征匹配的车速检测方法的原理示意图。

图2显示为本发明的基于车牌特征匹配的车速检测方法中，提取车牌候选区域的原理流程图。

图3显示为本发明的基于车牌特征匹配的车速检测方法的原理流程图。

元件标号说明

S11～S15步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。

请参阅图1～图3。需要说明的是，本实施例中所提供的图示仅以示意方式说明本发明的基本构想，遂图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

如图1～图3所示，本实施例提供一种基于车牌特征匹配的车速检测方法，包括步骤：

如图1及图3所示，首先进行步骤1)S11，在道路两处分别划定第一检测区域及第二检测区域，每个检测区域中分别设有第一触发线以及第二触发线。

如图2及图3所示，然后进行步骤2)S12，当触发线触发时，先对车牌区域进行粗定位，然后对粗定位的车牌进行鉴定真伪。

作为示例，步骤2)中，判断触发线出发包括步骤：于检测区域前上方安装摄像头采集视频，对每帧图像进行灰度化处理，取触发线上相邻两帧图像的灰度值，做差求绝对值的和，若大于预设阈值，则判定有物体经过检测区域。

作为示例，步骤2)对车牌区域进行粗定位包括步骤：第一步，在检测区域内提取出候选车牌区域，对图像进行高斯滤波，降低噪声影响，然后进行灰度化得到灰度图像；第二步，对得到的灰度图像进行二值化得到二值图像；第三步，对二值图像进行形态学的闭操作；第四步，对二值图像进行连通域标记；第五步，对标记的每个连通域取最小外接矩形，计算出矩形偏转角度，并筛选出角度偏转在预设角度内的矩形区域；第六步，计算第五步所筛选出的矩形区域的宽高比，并筛选出高宽比在预设范围内的矩形区域；以及第七步，通过旋转将第六步筛选出的矩形区域调整为水平，该矩形区域对应原图像即为车牌区域。

作为示例，步骤2)中，基于HOG特征和SVM分类器对粗定位的车牌进行鉴定真伪，包括步骤：第一步，对车牌区域进行尺寸归一化处理；第二步，基于机器自学习的方法训练SVM分类器，使其能基于车牌区域的HOG特征识别车牌的真伪；第三步，基于训练好的SVM分类器得对车牌鉴定真伪。

如图3所示，接着进行步骤3)S13，对定位到的车牌进行字符分割，并选择若干个字母或/及数字利用BP神经网络做字符识别。

作为示例，步骤3)对定位到的车牌利用投影法进行字符分割包括步骤：第一步，对车牌区域进行灰度化，获得灰度图像；第二步，对灰度图像进行二值化，获得二值图像；第三步，统计所述二值图像中白像素点数Num1及黑像素点数Num2，若Num1>Num2，对二值图像取反色；第四步，假设二值图像为f(i,j)，对图像进行垂直投影，统计每列白色像素点数目，计算连续的线段[i,j]，从而确定字符在垂直方向上的分割线；对每一个字符区域做水平投影，统计两段的空隙，得到最上端的空隙[i1,j1]和最下端的空隙[i2,j2]，对每块区域进行切割，得到各个字符区域。

作为示例，步骤3)中，选择车牌中除汉字外的6位大写字母和数字利用BP神经网络做字符识别。

作为示例，步骤3)中，使用BP神经网络进行字符识别所采用的特征为像素统计直方图。进一步地，步骤3)中，使用BP神经网络进行字符识别包括步骤：基于机器自学习的方法对BP神经网络分类器进行训练，并基于训练好的BP神经网络分类器对字符进行识别。

如图3所示，然后进行步骤4)S14，储存识别到的字符序列作为用于匹配的特征，并记录车牌中心的位置坐标和当前帧数。

如图3所示，最后进行步骤5)S15，用第二检测区域中检测到的字符序列比对第一检测区域的车牌记录，若匹配到车牌，则通过像素坐标转换到真实坐标算出距离，根据帧数得到时间差，从而算出车速。

作为示例，步骤5)中，匹配车牌包括步骤：当第二检测区域检测到车牌，得到字符组合特征，用其跟第一检测区域记录的车牌进行匹配，若相对应位置的相同字符大于预设个数，则认为是同一辆车，即匹配到车牌。

作为示例，步骤5)中，计算车速包括步骤：第一步，进行坐标变换，通过计算机单目视觉的方法，图像坐标点能够转换实际道路的参考平面坐标点，其转换方程： $\left[\begin{array}{c}{X}_i\\ Y_i\\ 1\end{array}\right]=\frac{1}{S_i}H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right],$ 其中，H是一个3*3的单应性矩阵，通过4个或以上道路参考平面标定点坐标和其对应图像坐标求得，(X_i,Y_i)为实际道路坐标，(x_i,y_i)图像坐标，S_i为归一化系数定义尺度比例；以及第二步，通过坐标变换可以得到车牌中心在两个位置的实际道路坐标(X₁,Y₁)和(X₂,Y₂)，则车辆速度其中，K为视频帧率，f为相隔帧数。

如图1～图3所示，下面结合实施例及附图对本发明进行进一步详细的描述，本实例是基于中国的道路情况进行检测，具体包括以下步骤：

如图1及图3所示，首先进行步骤1)，L1、L2分别是单像素点的直线，A1、A2为两个检测区域。通过安装在道路前上方的摄像头采集视频，对每帧图像进行灰度化处理，取相邻两帧触发线L1和L2上的灰度值，做差求绝对值的和，设定阈值1000，若大于阈值，则判定有物体经过检测区域。

如图1及图2所示，然后进行步骤2)，对相应检测区域进行车牌定位，如图2所示，先在检测区域内提取出候选车牌区域，对图像进行高斯滤波，降低噪声影响，然后进行灰度化。

具体地，包括：

步骤2-1)，已知车牌有大量边缘信息，而车辆又具有很多水平的边缘，为提取出车牌区域，避免车体的其他区域干扰，使用sobel边缘检测算子，对图像水平方向求导，可得垂直方向边缘。

步骤2-2)，对步骤2-1)得到灰度图像用OSTU法进行二值化。

步骤2-3)，得到二值图像后，为了后续用连通域获得车牌区域，需要让边缘区域连通起来，所以对二值图像进行形态学的闭操作。

步骤2-4)，对步骤2-3)到的二值图像，进行连通域标记，通过对车牌大小的先验认识，设置阈值排除面积大于500*150和小于50*15的区域。

步骤2-5)，对每个连通域取最小外接矩形，能够得到外接矩形的顶点坐标，通过顶点坐标可以计算出矩形偏转角度θ，筛选出角度偏转在正负15度内的区域。

步骤2-6)，中国车牌的一般大小是440mm*140mm，面积为440*140，宽高比为3.14，对7)得到的矩形区域，计算出宽高比bi，筛选出3<bi<3.3的区域。

步骤2-7)，对步骤2-6)得到的矩形区域，通过旋转将偏斜的区域调整为水平。该矩形区域对应原图像即为车牌的候选区域。

如图3所示，接着进行步骤3)，已经得到的车牌候选区域，本发明对其提取HOG特征，使用支持向量机(SVM)鉴定是否为真的车牌。

具体地，包括：

步骤3-1)，对已经得到的车牌候选区域，归一到136*36大小。

步骤3-2)，首先要训练SVM分类器，训练的第一步，获得样本数据。利用大量测试视频，对其进行步骤1)～步骤2)操作，得到大量车牌候选区域，里面分为两类图片，真正的车牌图片和不是车牌的图片，利用这些图片作为样本数据。

步骤3-3)，训练的第二步，图片贴上标签，成为学习数据，手工对图片进行分类，将真的车牌图片标为正样本，非车牌图片标为负样本。

步骤3-4)，对正负样本分别提取HOG特征，取4*4像素/cell，2*2cells/block。

步骤3-5)，由于样本数量较大，而样本维数较低，SVM的核函数选择rbf核。用之前标记好的样本训练SVM分类器。

步骤3-6)，对于得到的车牌候选区域使用训练得到的SVM分类器进行车牌鉴定。

如图3所示，然后进行步骤4)，对于得到的车牌区域，本发明要识别出它的字符，提取其后6位大写字母和数字的组合。

具体地，包括：

步骤4-1)，首先需要对车牌进行字符分割，先对其灰度化。

步骤4-2)，然后对其二值化，为了统一让字符部分为白色，底色为黑色。本发明使用OSTU法对18)得到的灰度图像进行二值化。

步骤4-3)，已知车牌中字符部分面积小于背景部分。统计步骤4-2)得到的二值图像中白像素点Num1和黑像素点的数目Num2，若Num1>Num2，则对得到的二值图像取反色。

步骤4-4)，假设二值图像为f(i,j)，对图像进行垂直投影，统计每列白色像素点数目。设置阈值5，统计数目大于5的部分，即计算连续的线段[i,j]。从而确定字符在垂直方向上的分割线。对每一个字符区域做水平投影，统计两段的空隙，得到最上端的空隙[i₁,j₁]和最下端的空隙[i₂,j₂]，对每块区域进行切割，得到7块字符区域，第一个为汉字区域，本发明取后6个字符区域。

然后进行步骤4-5)，本发明使用BP神经网络进行字符识别，使用的特征是像素统计直方图。包括：

第一，提取大量的字符样本，归一化到20*20大小。

第二，训练BP神经网络分类器，第一步，将样本进行灰度化，然后用OSTU法进行二值化处理。对图像进行垂直和水平方向投影，得到垂直和水平方向的像素统计直方图，即每个样本可提取出40维的特征。由于车牌中含有0到9的10个数字，和除I和O外的24个大写字母，样本分为34类。第二步，利用BP神经网络进行训练，隐层设置1层。输入层节点设为40，输出层节点设为34，隐层节点设置为100。激活函数为sigmoid函数。

第三，利用训练得到的BP神经网络分类器对字符进行识别。每个车牌可得到一个6位字符的组合特征，记录下来，同时记录下该车牌的中心位置和当前帧的帧数。

第四，当A2区域检测到车牌，得到字符组合特征，用其跟A1区域记录的车牌进行匹配，若相对应位置有5个及以上的相同字符，则认为是同一辆车。可得到两个位置车牌中心的位置坐标及相隔帧数，同时删除A1中该车辆的记录。

如图3所示，最后进行步骤5)，首选，进行坐标变换，通过计算机单目视觉的方法，图像坐标点能够转换实际道路的参考平面坐标点，其转换方程： $\left[\begin{array}{c}{X}_i\\ Y_i\\ 1\end{array}\right]=\frac{1}{S_i}H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right].$ 其中，H是一个3*3的单应性矩阵，通过4个或4个以上道路参考平面标定点坐标和其对应图像坐标求得；(X_i,Y_i)为实际道路坐标；(x_i,y_i)图像坐标；S_i为归一化系数定义尺度比例。

最后，通过坐标变换可以得到车牌中心在两个位置的实际道路坐标(X₁,Y₁)和(X₂,Y₂)。对于视频帧率25fps，相隔帧数f，可得车辆速度

上述实施例仅作为该车速检测方法在实际应用中的说明，还可根据实际需要将上述方法在其他场景中使用，过程类似于实施例。

综上所述，本发明的基于车牌特征匹配的车速检测方法，具有以下有益效果：本发明通过提取车牌中的字符作为特征，对车辆行驶过程经过的两个不同位置进行定位，以此检测出车速。由于车牌是车辆的重要标识，车牌号具有唯一性，用它作为车辆匹配的特征，可以有效解决基于特征点特征匹配的测速方法在匹配精度不足的问题，并且通过记录各区域的车牌特征及当前位置信息，可以解决在多车辆测速时不稳定的问题。本发明实用性强，在智能交通及车速检测领域具有广泛的应用前景。所以，本发明有效克服了现有技术中的种种缺点而具高度产业利用价值。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于车牌特征匹配的车速检测方法，其特征在于，包括步骤：

步骤1)，在道路两处分别划定第一检测区域及第二检测区域，每个检测区域中分别设有第一触发线以及第二触发线；

步骤2)，当触发线触发时，先对车牌区域进行粗定位，然后对粗定位的车牌进行鉴定真伪；

步骤3)，对定位到的车牌进行字符分割，并选择若干个字母或/及数字利用BP神经网络做字符识别；

步骤4)，储存识别到的字符序列作为用于匹配的特征，并记录车牌中心的位置坐标和当前帧数；

步骤5)，用第二检测区域中检测到的字符序列比对第一检测区域的车牌记录，若匹配到车牌，则通过像素坐标转换到真实坐标算出距离，根据帧数得到时间差，从而算出车速。

2.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤2)中，判断触发线出发包括步骤：于检测区域前上方安装摄像头采集视频，对每帧图像进行灰度化处理，取触发线上相邻两帧图像的灰度值，做差求绝对值的和，若大于预设阈值，则判定有物体经过检测区域。

3.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤2)对车牌区域进行粗定位包括步骤：

第一步，在检测区域内提取出候选车牌区域，对图像进行高斯滤波，降低噪声影响，然后进行灰度化得到灰度图像；

第二步，对得到的灰度图像进行二值化得到二值图像；

第三步，对二值图像进行形态学的闭操作；

第四步，对二值图像进行连通域标记；

第五步，对标记的每个连通域取最小外接矩形，计算出矩形偏转角度，并筛选出角度偏转在预设角度内的矩形区域；

第六步，计算第五步所筛选出的矩形区域的宽高比，并筛选出高宽比在预设范围内的矩形区域；

第七步，通过旋转将第六步筛选出的矩形区域调整为水平，该矩形区域对应原图像即为车牌区域。

4.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤2)中，基于HOG特征和SVM分类器对粗定位的车牌进行鉴定真伪，包括步骤：

第一步，对车牌区域进行尺寸归一化处理；

第二步，基于机器自学习的方法训练SVM分类器，使其能基于车牌区域的HOG特征识别车牌的真伪；

第三步，基于训练好的SVM分类器得对车牌鉴定鉴定真伪。

5.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤3)对定位到的车牌利用投影法进行字符分割，包括步骤：

第一步，对车牌区域进行灰度化，获得灰度图像；

第二步，对灰度图像进行二值化，获得二值图像；

第三步，统计所述二值图像中白像素点数Num1及黑像素点数Num2，若Num1>Num2，对二值图像取反色；

第四步，假设二值图像为f(i,j)，对图像进行垂直投影，统计每列白色像素点数目，计算连续的线段[i,j]，从而确定字符在垂直方向上的分割线；对每一个字符区域做水平投影，统计两段的空隙，得到最上端的空隙[i1,j1]和最下端的空隙[i2,j2]，对每块区域进行切割，得到各个字符区域。

6.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤3)中，选择车牌中除汉字外的6位大写字母和数字利用BP神经网络做字符识别。

7.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤3)中，使用BP神经网络进行字符识别所采用的特征为像素统计直方图。

8.根据权利要求7所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤3)中，使用BP神经网络进行字符识别包括步骤：基于机器自学习的方法对BP神经网络分类器进行训练，并基于训练好的BP神经网络分类器对字符进行识别。

9.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于：步骤5)中，匹配车牌包括步骤：当第二检测区域检测到车牌，得到字符组合特征，用其跟第一检测区域记录的车牌进行匹配，若相对应位置的相同字符大于预设个数，则认为是同一辆车。

10.根据权利要求1所述的基于车牌特征匹配的车速检测方法，其特征在于，步骤5)中，计算车速包括步骤：

第一步，进行坐标变换，通过计算机单目视觉的方法，图像坐标点能够转换实际道路的参考平面坐标点，其转换方程： $\left[\begin{array}{c}{X}_i\\ Y_i\\ 1\end{array}\right]=\frac{1}{S_i}H\left[\begin{array}{c}{x}_i\\ y_i\\ 1\end{array}\right],$ 其中，H是一个3*3的单应性矩阵，通过4个或以上道路参考平面标定点坐标和其对应图像坐标求得，(X_i,Y_i)为实际道路坐标，(x_i,y_i)图像坐标，S_i为归一化系数定义尺度比例；

第二步，通过坐标变换可以得到车牌中心在两个位置的实际道路坐标(X₁,Y₁)和(X₂,Y₂)，则车辆速度其中，K为视频帧率，f为相隔帧数。