基于opencv的車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)

摘要科技的進(jìn)步以及人民自身的生活水平的不斷提高，使得人們對(duì)于日常的出行需求變得不斷增長(zhǎng)。汽車作為最常見的交通工具已經(jīng)越來(lái)越成為人們最初的選擇。大量新的車輛在不斷地投入到道路中使用，而以傳統(tǒng)的人工方式對(duì)汽車車輛的管理也變得愈加困難。因此，使用計(jì)算機(jī)來(lái)代替人來(lái)處理相對(duì)繁重的工作是必要的。一個(gè)良好的交通管理系統(tǒng)是實(shí)現(xiàn)道路管理的基礎(chǔ)。想要對(duì)于汽車車輛進(jìn)行管理，最有效的識(shí)別特征之一便是汽車的車牌，作為目前最常見的使用技術(shù)，車牌識(shí)別廣泛應(yīng)用在交叉路段、停車場(chǎng)、收費(fèi)站等各種場(chǎng)合的監(jiān)控與管理之中。所以需要相應(yīng)的技術(shù)來(lái)完成以上的需求。本文以python為使用語(yǔ)言，OpenCV為主要工具，通過(guò)輸入帶有汽車車牌的圖像，根據(jù)車牌所特有的一些特征，垂直投影法、SVM的方法來(lái)完成對(duì)于汽車車輛的車牌定位、車牌的字符分割以及字符識(shí)別功能。最終將所識(shí)別到的車牌字符輸出顯示出來(lái)。關(guān)鍵詞：OpenCV；投影法；SVM；車牌識(shí)別AbstractTheadvancementofscienceandtechnologyandthecontinuousimprovementofpeople'sownlivingstandardshavemadepeople'sdailytravelneedscontinuetogrow.Asthemostcommonmodeoftransportation,carshavebecometheinitialchoiceofpeople.Alargenumberofnewvehiclesareconstantlybeingputintouseontheroad,andthemanagementofautomobilevehiclesbytraditionalmanualmethodshasbecomeincreasinglydifficult.Therefore,itisnecessarytouseacomputerinsteadofapersontohandlerelativelyheavywork.Agoodtrafficmanagementsystemisthefoundationforroadmanagement.Oneofthemosteffectiveidentificationfeaturesforthemanagementofautomobilevehiclesisthelicenseplateofthecar.Asthemostcommonlyusedtechnologyatpresent,licenseplaterecognitioniswidelyusedinmonitoringandmanagementofvariousoccasionssuchasintersections,parkinglots,tollstationsIn.Therefore,correspondingtechnologyisneededtocompletetheaboverequirements.ThisarticleusespythonasthelanguageandOpenCVasthemaintool.Byinputtinganimagewithacarlicenseplate,accordingtosomecharacteristicsuniquetothelicenseplate,verticalprojectionandSVMareusedtocompletethelicenseplatepositioning,charactersegmentationandcharactersofthecarlicenseplate.Recognitionfunction.Finally,therecognizedlicenseplatecharactersaredisplayed.Keywords：OpenCV；SVM；projectionmethod;LicensePlateRecognition目 錄TOC\o"1-4"\h\z\u第一章緒論 緒論選題背景與意義1.1.1選題背景隨著人們的生活水平的不斷提高以及對(duì)日常出行需求的不斷增長(zhǎng)，汽車成為越來(lái)越多人出行所選擇的交通工具。汽車行業(yè)和公共交通的迅速發(fā)展，汽車已經(jīng)逐步走入千家萬(wàn)戶之中。伴隨著汽車數(shù)量的迅速增長(zhǎng)，道路交通的管理需求也不斷擴(kuò)大，道路管理中的一些問(wèn)題也逐漸顯示出來(lái)。大量汽車投入到交通之中，道路疏通，車輛管理等問(wèn)題依靠傳統(tǒng)的人工方式所付出的財(cái)力、物力以及時(shí)間成本也越來(lái)越高?，F(xiàn)代計(jì)算機(jī)及網(wǎng)絡(luò)的發(fā)展使得利用計(jì)算機(jī)代替?zhèn)鹘y(tǒng)的人工方式來(lái)對(duì)車輛進(jìn)行管理變得可行起來(lái)。車牌作為汽車最顯著的身份特征，是現(xiàn)在選定特定車輛目標(biāo)的最主要手段之一，因此如何從監(jiān)控或其它汽車相關(guān)圖片之中處理分析識(shí)別出車牌號(hào)碼是現(xiàn)代車輛管理中至關(guān)重要的一節(jié)。通過(guò)車牌識(shí)別的技術(shù)，實(shí)現(xiàn)對(duì)車輛的自動(dòng)化管理方式是未來(lái)交通發(fā)展的趨勢(shì)。1.1.2選題意義對(duì)與車輛的行為管理最主要依靠方式之一則是以車牌號(hào)碼所對(duì)應(yīng)的車輛信息進(jìn)行錄入。所以對(duì)車牌識(shí)別的實(shí)現(xiàn)對(duì)此有著重要的意義，借此可以運(yùn)用在道路交叉路口、各處的停車場(chǎng)、加油站、高速公路的收費(fèi)站、ETC等多種場(chǎng)合之中。車牌識(shí)別通過(guò)汽車圖像獲取車牌號(hào)碼，實(shí)現(xiàn)高效率低成本的智能化管理方式，有效的節(jié)約各類成本。車牌的字符識(shí)別本子上其實(shí)是通過(guò)對(duì)車牌上的數(shù)字、字母與漢字進(jìn)行一定區(qū)分對(duì)比之后，將獲得到的結(jié)果以計(jì)算機(jī)中字符串的形式展現(xiàn)出來(lái)，而字符得識(shí)別中，漢字的識(shí)別表現(xiàn)得最困難，主要原因在于漢字是我國(guó)專用的，這就導(dǎo)致了很多國(guó)外的先進(jìn)的車牌識(shí)別系統(tǒng)大都不能夠適用于我國(guó)。本次選題是為了更好的運(yùn)用現(xiàn)代科技及網(wǎng)絡(luò)資源來(lái)達(dá)到國(guó)內(nèi)車牌的車牌識(shí)別。國(guó)內(nèi)外研究現(xiàn)狀由于識(shí)別系統(tǒng)在各個(gè)領(lǐng)域之中的火熱崛起，對(duì)與車牌識(shí)別的系統(tǒng)在國(guó)內(nèi)外也有不算少的相關(guān)研究。車牌識(shí)別的技術(shù)在國(guó)外起步較早，之后再國(guó)內(nèi)也開始跟上。1.2.1國(guó)外研究現(xiàn)狀車牌識(shí)別最先是由國(guó)外所發(fā)起的，無(wú)論是研究時(shí)間還是先進(jìn)性都較于領(lǐng)先我國(guó)。在二十世紀(jì)的中后期，國(guó)外就已經(jīng)開始了對(duì)車牌識(shí)別算法的研究，并且根據(jù)這些算法設(shè)計(jì)了汽車牌照識(shí)別的軟件，在實(shí)際生活中進(jìn)行了應(yīng)用，取得了很好的效果。有著許多人員在這片領(lǐng)域之中投入了大量的資源開展實(shí)驗(yàn)和總結(jié)。在國(guó)外的部分國(guó)家之中，例如德英日意以及加拿大這幾個(gè)國(guó)家，早在上個(gè)世紀(jì)的后期就已經(jīng)把這種技術(shù)研究發(fā)展得很成熟了，也提出了大量關(guān)于車牌的檢測(cè)識(shí)別方面的高技術(shù)方法，并且已經(jīng)開始在市場(chǎng)上投入使用，雖然說(shuō)他們的方法不大一樣，但是對(duì)于這項(xiàng)研究也投入了大量的精力和資金[1]，許多國(guó)家都有著不錯(cuò)得成果展現(xiàn)。如以色列得Hi-Tech公司所推出See/Car系統(tǒng)，通過(guò)視覺(jué)傳感器獲得車輛車牌信息對(duì)車輛管理效果顯著；新加波的OptAsia公司的VECON-VIS車牌識(shí)別系統(tǒng)，據(jù)說(shuō)準(zhǔn)確度也相當(dāng)高；以及著名的日本的LUIS車牌識(shí)別系統(tǒng)[2]等等。1.2.2國(guó)內(nèi)研究現(xiàn)狀 車牌識(shí)別的技術(shù)雖然在國(guó)外起步較早，但之后再國(guó)內(nèi)也開始跟上步伐。在早期是用一些較為零散的圖像處理方法來(lái)應(yīng)用與車牌識(shí)別之中，之后逐漸形成系統(tǒng)般的方法。因?yàn)槲覈?guó)的車牌與國(guó)外的車牌有著較大差異，所以對(duì)于國(guó)內(nèi)的車牌識(shí)別方法大都無(wú)法直接使用國(guó)外的研究技術(shù)。雖然無(wú)法直接使用國(guó)外相對(duì)要成熟的技術(shù)，但是其中的方法與思想?yún)s是仍然有非常多值得去向其借鑒的地方。在2018年11月份，公安部所發(fā)布的汽車保有量已達(dá)到了2.35億輛,同比約增長(zhǎng)12.0%,其中新能源車101萬(wàn)輛,同比增長(zhǎng)83%[3]。新能源車和普通車的使用量日益增多,智能交通識(shí)別變的越發(fā)困難。為了解決這一現(xiàn)狀，我國(guó)相關(guān)的研究人員在二十世紀(jì)九十年代開始逐步地探索研究汽車車牌照的識(shí)別技術(shù)。雖然我國(guó)的車牌識(shí)別雖然要較晚于其他國(guó)家，但是在我國(guó)大量的研究人員的努力之中，仍然可以看到一系列效果優(yōu)異的研究成果存在。例如在眾多我國(guó)相關(guān)的研究人員中，胡雪會(huì),王波濤[4]等各研究人員利用OpenCV作為使用工具提出了一種改進(jìn)的灰度跳變的車牌定位算法，有效的提高了車牌定位的準(zhǔn)確率。黃社陽(yáng),劉智勇,阮太元[5]等研究人員則是提供了另一種方法，提出了一種基于HSV顏色空間和SVM相結(jié)合的車牌提取算法。該方法對(duì)多種車牌能夠?qū)崿F(xiàn)較好的精確定位與提取。甘玲,林小晶[6]等研究人員是在字符的分割上提出了一種改進(jìn)過(guò)的連通域提取車牌字符的分割算法，對(duì)字符的分割變得相對(duì)更加的準(zhǔn)確、穩(wěn)定。 近些年來(lái)，人民生活水平的富裕，車輛的擁有人數(shù)飛快上升，車牌識(shí)別的相關(guān)技術(shù)在我國(guó)也變得愈加重視。除去交通領(lǐng)域內(nèi)的研究人員、研究公司的不斷深入研究，學(xué)術(shù)、教育領(lǐng)域的人員也越來(lái)越多開始對(duì)此領(lǐng)域開始了自己的研究工作。1.3課題研究目標(biāo) 車牌號(hào)碼的識(shí)別方面,在以前，傳統(tǒng)的解決的方法是分為了字符的分割和字符的識(shí)別兩個(gè)階段來(lái)實(shí)現(xiàn)。如今大都分為車牌定位、字符分割、字符識(shí)別三個(gè)階段。本文以O(shè)penCV為基礎(chǔ)，能夠較為準(zhǔn)確的定位到帶有汽車圖像的汽車車牌區(qū)域。將定位到的汽車車牌區(qū)域的圖像進(jìn)行處理切割為單個(gè)字符的圖像，最后將分割后的各個(gè)字符圖像能夠較為正確的識(shí)別處理。即以下的幾個(gè)目標(biāo)：如何實(shí)現(xiàn)車牌的定位功能：對(duì)車牌識(shí)別系統(tǒng)的基本功能，車牌定位功能進(jìn)行設(shè)計(jì)。通過(guò)對(duì)車牌的基本特征分析進(jìn)行車牌位置的定位。如何實(shí)現(xiàn)車牌號(hào)碼的字符分割功能：通過(guò)垂直投影法，對(duì)車牌圖像字符間隔之間的特征進(jìn)行分析，實(shí)現(xiàn)將一副圖像中的各個(gè)字符給分割成一個(gè)個(gè)單獨(dú)的字符圖像。實(shí)現(xiàn)字符識(shí)別功能：通過(guò)OpenCV的sample函數(shù)，對(duì)字符圖像進(jìn)行處理并識(shí)別出字符。整體實(shí)現(xiàn)對(duì)車牌號(hào)碼的識(shí)別完成上述功能。2車牌定位2.1車牌特征車牌號(hào)碼是在機(jī)動(dòng)車前后兩面分別懸掛著的板材，各國(guó)之間使用的材質(zhì)各不相同。在車牌上會(huì)登記顯示著車輛的登記地區(qū)、號(hào)碼或者其他的基本相關(guān)資料。各國(guó)之間的車牌外觀、材質(zhì)和內(nèi)容之間都有些各自的區(qū)別及特征存在。想要準(zhǔn)確的定位到車牌所在區(qū)域，車牌的特征是車牌定位的關(guān)鍵信息，車牌的識(shí)別技術(shù)在各方面大多要依靠車牌自身所特有的一些特征來(lái)進(jìn)行分析。以一般我國(guó)的車牌來(lái)說(shuō)，首先，在車牌的外觀上，一般的車牌都是長(zhǎng)方形的形狀，并且在長(zhǎng)度與高度上都有著統(tǒng)一的標(biāo)準(zhǔn)規(guī)定；其次，在車牌的字符上，字符由左到右依次排列，通常情況下第一個(gè)字符為漢字，第二個(gè)字符為英文字符，各個(gè)字符的大小都是由統(tǒng)一的規(guī)定，各個(gè)字符之間的間隔大小也是相同的；最后，在車牌顏色上看，我國(guó)的車牌顏色不同與外國(guó)，呈多種顏色，如最常見的目前是普通的小型客車的藍(lán)底白字與最近幾年迅速發(fā)展的新能源汽車的綠底黑字。它們的車牌底色與字符顏色通常不一樣，切相差較大，使得在計(jì)算機(jī)處理及灰度圖上會(huì)有一些較明顯的變化。車牌定位方法大致有幾種，第一種是通過(guò)形態(tài)學(xué)處理和車牌的顏色特征的方法；第二種為根據(jù)車牌的形狀特征為基礎(chǔ)的定位方法，根據(jù)車牌的矩形特征和矩形的長(zhǎng)寬比來(lái)進(jìn)行；第三種方法是基于Lab的顏色模型和聚類分割以及車牌的性質(zhì)特征的定位方法[7]。目前本文所使用的車牌定位最主要依靠?jī)牲c(diǎn)進(jìn)行。其一為顏色，在我國(guó)，最常見的車牌的顏色特征大致可以分為幾類，主要由大型汽車車牌的黃底黑字，普通小型汽車的藍(lán)底白字以及在最幾年開始廣泛使用的新型能源汽車車牌的綠底黑字。其二為車牌的尺寸、字符特征，車牌第一個(gè)字符為省、自治區(qū)、直轄市的漢字字符簡(jiǎn)稱，第二個(gè)字符為發(fā)牌機(jī)關(guān)代號(hào)(通常為英文字符)，之后為英文數(shù)字之間混合組成的字符。各個(gè)字符之間隔，整體車牌的長(zhǎng)寬比等車牌尺寸的細(xì)節(jié)特征如下圖2.1的標(biāo)準(zhǔn)車牌尺寸圖所示。圖2.1標(biāo)準(zhǔn)車牌尺寸圖 因拍攝角度，外界的各種干擾因素，實(shí)際所獲得到的汽車圖像的尺寸特征并不會(huì)嚴(yán)格如圖2.1一般，各標(biāo)準(zhǔn)之間會(huì)有一定的小范圍內(nèi)變化。下面大致介紹具體的定位流程。2.2定位流程 定位的大致流程如下圖2.2定位流程圖所示：圖2.2定位流程圖 對(duì)圖像的預(yù)處理部分，首先對(duì)輸入的汽車圖像使用高斯濾波去噪，使圖像變得平滑去除部分噪聲。再將圖像轉(zhuǎn)化為灰度圖并進(jìn)行圖像的二值化處理。在OpenCV的Python接口(以下均默認(rèn)為Python的接口)中分別對(duì)應(yīng)GaussianBlur()、cvtColor()、threshold()函數(shù)。經(jīng)過(guò)預(yù)處理后的二值化圖像大致如圖2.3所示。圖2.3二值化圖像部分代碼如下：src_img=cv2.GaussianBlur(pic,(3,3),0)#高斯模糊img=cv2.cvtColor(src_img,cv2.COLOR_BGR2GRAY)#轉(zhuǎn)換成灰度圖ret,img_thresh=cv2.threshold(img_open,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)#二值化圖像通過(guò)對(duì)圖像的一些基本的預(yù)處理方式可以明顯的突出圖像的一些基本特征，將圖像的明亮與較暗的區(qū)域明顯的給劃分出來(lái)，使較明亮的區(qū)域變得更加明亮，在灰度圖之中即變白，較暗的部分變得更加暗，在灰度圖之中呈現(xiàn)更黑。方便之后的進(jìn)一步操作。 接著對(duì)處理過(guò)后的圖像進(jìn)行邊緣檢測(cè)，在OpenCV中為使用Canny函數(shù)。通過(guò)邊緣檢測(cè)，能夠?qū)⒛軌颢@取圖像的邊緣輪廓，再通過(guò)開閉運(yùn)算能夠使相近區(qū)域的輪廓變?yōu)橐粋€(gè)整體。所謂開運(yùn)算，是先進(jìn)行腐蝕再進(jìn)行膨脹就叫做開運(yùn)算，可以用來(lái)去除噪音，而閉運(yùn)算則是先進(jìn)行膨脹再進(jìn)行腐蝕操作，可以用來(lái)填充前景物體上的小黑點(diǎn)。腐蝕單個(gè)操作能簡(jiǎn)單的去除白噪聲也能將兩個(gè)連在一起的物體給斷開來(lái)，而膨脹可以用來(lái)連接兩個(gè)分開的物體。因此，通過(guò)開閉運(yùn)算我們能夠消除一些噪聲的干擾并獲得各個(gè)部分的填充區(qū)域的輪廓圖形，大致如圖2.4所示。圖2.4輪廓圖像部分代碼如下：img_edge=cv2.Canny(img_thresh,100,200)#邊緣檢測(cè)#使用開運(yùn)算和閉運(yùn)算讓圖像邊緣成為一個(gè)整體kernel=np.ones((4,19),np.uint8)img_edge=cv2.morphologyEx(img_edge,cv2.MORPH_CLOSE,kernel)img_edge=cv2.morphologyEx(img_edge,cv2.MORPH_OPEN,kernel)通過(guò)使用findCountours函數(shù)將獲取的圖像為參數(shù)輸入可獲得各個(gè)輪廓的邊界點(diǎn)坐標(biāo)與旋轉(zhuǎn)角度。通過(guò)我們對(duì)車牌尺寸的長(zhǎng)寬比（大致為2-5.5左右）以及設(shè)定默認(rèn)最小圖形面積信息可以從這些圖形之中進(jìn)一步地篩選出符合條件的圖形區(qū)域。在獲得符合條件的輪廓圖形之后，根據(jù)之前所獲得到的輪廓角度對(duì)圖形進(jìn)行矯正。 如上圖2.4所示，我們所獲得的輪廓圖形不一定都是相對(duì)與圖像水平平行的，大致多多少少都有一定的傾斜角度。為了后續(xù)操作的方便即順利進(jìn)行，我們需要對(duì)獲得的符合條件的輪廓圖形進(jìn)行一定的傾斜矯正。通過(guò)之前findCountours函數(shù)所收集的輪廓信息中，帶有輪廓的傾斜角度的一些信息。首先，我們根據(jù)OpenCV中的boxPoint函數(shù)，將獲得的輪廓作為參數(shù)輸入可以獲得該輪廓的四個(gè)頂點(diǎn)坐標(biāo)數(shù)據(jù)。根據(jù)這四個(gè)坐標(biāo)，選取該輪廓區(qū)域圖形的左右上下的最值頂點(diǎn)數(shù)據(jù)。再根據(jù)左右最值的頂點(diǎn)坐標(biāo)，我們可以根據(jù)左右的坐標(biāo)Y的差值，可以判斷出該區(qū)域圖像是向左傾斜或是向右傾斜。經(jīng)過(guò)圖2.3觀察，可以發(fā)現(xiàn)，雖然車牌本身有一定的傾斜角度，但是其字符本身并沒(méi)有受到太大的干擾，也就是字符本身并沒(méi)有受到傾斜的影響。因此，我們選則使用warpAffine函數(shù)，選擇使用平移原始圖像操作而不是使用旋轉(zhuǎn)原始圖像的操作來(lái)避免一些對(duì)車牌字符的干，通過(guò)傳入原始圖像的左右與上方頂點(diǎn)坐標(biāo)與新的左右與上方頂點(diǎn)坐標(biāo)參數(shù)實(shí)現(xiàn)。矯正后的矯正圖像大致如圖2.5所示。圖2.5矯正圖像部分代碼如下：pts1=np.float32([left_point,high_point,right_point])#原坐標(biāo)ifflag==1:#正角度根據(jù)左右頂點(diǎn)判斷pts2=np.float32([left_point,high_point,new_point])#新坐標(biāo)else:#負(fù)角度pts2=np.float32([new_point,high_point,right_point])#新坐標(biāo)M=cv2.getAffineTransform(pts1,pts2) dst=cv2.warpAffine(src_img,M,(pic_width,pic_height))#平移圖像矯正之后根據(jù)之前的各個(gè)符合條件的輪廓坐標(biāo)信息從矯正后的圖像單獨(dú)截取出該部分。之后將截取出的圖像轉(zhuǎn)換為HSV模式，統(tǒng)計(jì)顏色信息。 HSV色系即代表色調(diào)（H），飽和度（S）,亮度（V）。能夠更直觀的表示圖像顏色信息。 通過(guò)迭代截取的整個(gè)圖像的HSV數(shù)值，統(tǒng)計(jì)黃色（H大致在10-34左右），綠色（H大致在35-99左右）與藍(lán)色（H大致在100-125左右）的數(shù)量信息可以依此判斷出該截取出的輪廓圖像是否為車牌區(qū)域以及車牌的底色是黃色還是綠色或者藍(lán)色。最后在迭代圖像的同時(shí)，記錄下黃色、綠色或藍(lán)色較少的邊界可以對(duì)截取的圖像進(jìn)行再定位，縮小邊界非車牌的范圍。最后定位到的車牌區(qū)域圖像如圖2.6所示。圖2.6定位區(qū)域圖

3字符分割3.1切割方式 在獲得比較精確的車牌定位區(qū)域后，開始進(jìn)一步對(duì)獲得到的圖像進(jìn)行字符分割。車牌的字符分割主要的作用是為了方便之后所要實(shí)現(xiàn)的識(shí)別功能。在準(zhǔn)確的分割算法下,車牌識(shí)別能夠獲得較高的準(zhǔn)確率,但分割算法要達(dá)到較高的準(zhǔn)確率是比較困難的,其表現(xiàn)結(jié)果受光線強(qiáng)度、車牌扭曲等的影響較大,停車場(chǎng)的應(yīng)用場(chǎng)景下車輛往往可以保持良好的“姿態(tài)”且距離采集設(shè)備較近,因此采用字符分割的方法可以獲得優(yōu)秀的識(shí)別效果,但對(duì)于無(wú)人機(jī)攝像頭或交通攝像頭來(lái)說(shuō)環(huán)境會(huì)更加復(fù)雜[8]?，F(xiàn)在，最常見最常用的分割方法為兩種，一種是基于連通域的分割方法，另一種是基于車牌的投影圖像的分割方法通俗來(lái)說(shuō)即是垂直投影法。本文所采用的方法則是基于垂直投影的方法來(lái)進(jìn)行。 垂直投影法是目前應(yīng)用較多的字符分割的方法，其特點(diǎn)為比較簡(jiǎn)單且相對(duì)要容易實(shí)現(xiàn)。它是根據(jù)圖像在垂直方向上的投影，（在車牌字符分割中，理想狀態(tài)下只有在有字符的位置上垂直投影是有數(shù)值的，而字符與字符之間的間隙是為0的）車牌之間的字符是由一段間距存在的，因此根據(jù)投影之間的數(shù)值，可以判斷出字符與字符之間所在的間隔位置，依此可以將字符之間給分割出來(lái)。在本文，分割方法的大致的實(shí)現(xiàn)步驟為，首先對(duì)車牌二值化圖像進(jìn)行逐行掃描，記錄其數(shù)值的跳變次數(shù)。因?yàn)檐嚺浦g的間距存在，車牌二值化圖像的數(shù)值橫向跳變次數(shù)基本是保持在一定的次數(shù)以上（因噪聲的存在，圖像預(yù)處理的不完善，字符有一定幾率存在粘連等多種因素?zé)o法保證為固定數(shù)值）可以大致的確定上下邊界。之后再對(duì)圖像進(jìn)行逐列的掃描，分別記錄下黑白像素的數(shù)量值。根據(jù)數(shù)量值，我們可以設(shè)定一個(gè)較為寬松的閾值，通過(guò)修改閾值可解決一些字符粘連上的問(wèn)題。3.2切割流程在使用垂直投影法進(jìn)行車牌字符分割操作的流程大致如下流程圖3.1所示。圖3.1分割流程圖首先是圖像的預(yù)處理部分。為了之后的處理方便以及尺寸統(tǒng)一，先將傳入的車牌區(qū)域圖像尺寸修改為統(tǒng)一的長(zhǎng)度與寬帶（本文中暫時(shí)分別設(shè)為140，36）。歸一化操作代碼：img_resize=cv2.resize(img,(136,36),interpolation=cv2.INTER_AREA)之后同車牌定位流程部分的預(yù)處理大致相同，先是使用高斯濾波平滑圖像去除噪聲，再將圖像轉(zhuǎn)化為灰度圖并二值化處理，需要注意的則是，與藍(lán)色作為底色的車牌不同，綠色和黃色為底色的車牌字符顏色較暗而背景較亮，與藍(lán)色車牌正好相反，直接對(duì)轉(zhuǎn)化好的灰度圖像進(jìn)行二值化處理會(huì)使得背景部分為白色而字符部分會(huì)呈現(xiàn)黑色，并且通常帶有大量的干擾因素不利于后面的處理。所以，根據(jù)之前車牌定位所得到的車牌顏色，若為黃色或者綠色，首先使用OpenCV中的bitwise_not函數(shù)對(duì)灰度圖的數(shù)值先進(jìn)行取反。大致效果圖如下圖3.2所示（更換測(cè)試車牌號(hào)，車牌底色為黃底）。圖3.2車牌二值化圖從上圖我們可以觀察到，因?yàn)檐嚺贫ㄎ粎^(qū)域無(wú)法絕對(duì)精確到字符邊界的原因以及車牌的邊框存在，所獲得到的圖像四個(gè)邊界一般通常的來(lái)說(shuō)會(huì)存在一些干擾的條紋。左右邊界的條紋可以分別將到1到4個(gè)像素值置0來(lái)進(jìn)行預(yù)先的部分去除，但范圍不應(yīng)該設(shè)置過(guò)大，理由為若車牌定位功能因定位較準(zhǔn)確時(shí)是會(huì)丟失掉一些字符信息。上下邊界的干擾條紋可以逐行掃描圖像根據(jù)圖像字符的黑白像素的跳變次數(shù)來(lái)進(jìn)行進(jìn)一步的消除。我們可以從上圖觀察出，圖像的黑白像素值的跳變次數(shù)從車牌本身的字符個(gè)數(shù)上看，至少也會(huì)跳變14次以上。因?yàn)闀?huì)存在預(yù)處理不當(dāng)或者原始的汽車圖像本身的質(zhì)量問(wèn)題可能會(huì)導(dǎo)致字符與字符之間存在著粘連的問(wèn)題，因此我們可以大致的默認(rèn)設(shè)置為至少跳變10次以上來(lái)去除掉上下的干擾條紋影響。去除部分噪聲后的圖像我們假定為圖像P。接著我們將原始輸入的車牌區(qū)域圖像再單獨(dú)進(jìn)行一次轉(zhuǎn)化為灰度圖像并進(jìn)行二值化的處理，使用OpenCV之中的bitwise_and()函數(shù)將所得到的圖像與圖像P進(jìn)行與操作，之后再將獲得到的結(jié)果圖像再進(jìn)行一次上面所描述的記錄跳變次數(shù)消除橫向的干擾條紋操作，可以獲得保留大部分字符信息同時(shí)有效地去除掉許多干擾的噪聲。如下圖3.3所示。圖3.3去噪后車牌二值圖部分代碼如下：#消除上下跳變次數(shù)較少的條紋foriinrange(height):ifsum_changes[i]<10:#統(tǒng)計(jì)好的跳變次數(shù)若小于10forcolinrange(width):#將該行像素?cái)?shù)值置0tmp_img.itemset((i,col),0)#與原圖像的二值化灰度圖相與，去除部分噪聲img_gray_1=cv2.cvtColor(img_resize,cv2.COLOR_BGR2GRAY)#灰度圖ifcolor=="green"orcolor=="yello":img_gray_1=cv2.bitwise_not(img_gray_1)#黑白顏色取反ret,img_thre_1=cv2.threshold(img_gray_1,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)cv2.bitwise_and(img_thre_1,tmp_img,img_thre)在獲得到處理好的車牌圖像之后，可以開始進(jìn)行圖像的切割工作。首先，我們對(duì)圖3.3的圖像進(jìn)行逐列的掃描，記錄黑白像素的個(gè)數(shù)。在此例中，白色像素的每列個(gè)數(shù)前20列為：[0,0,0,0,24,27,27,12,8,16,25,28,28,28,27,23,13,0,0,0]；黑色像素個(gè)數(shù)前20列為： [36,36,36,36,12,9,9,24,28,20,11,8,8,8,9,13,23,36,36,36]。 接著設(shè)定一般分割的閾值S初值本文設(shè)定為0.90。之后開始遍歷記錄好的每列黑白像素個(gè)數(shù)，使用公式3-1確認(rèn)切割起點(diǎn)，公式3-2確定切割終點(diǎn)不斷更新起點(diǎn)與終點(diǎn)一步一步將字符分割出來(lái)。White[n]為第n列白色像素?cái)?shù)量Black[n]則為黑色，whiteMax為白色像素?cái)?shù)量最大一列的數(shù)值，36為最先歸一化設(shè)定好的圖像高度數(shù)值。White[n]>(1–S)*whiteMax (3-1)Black[n]>S*36 (3-2) 在處理好的圖像之中有時(shí)會(huì)存在著一些字符粘連在一起的情況出現(xiàn)。這時(shí)可以判斷切割終點(diǎn)與起點(diǎn)之間的距離是否過(guò)大判斷字符是否粘連在一起。對(duì)于起點(diǎn)到終點(diǎn)距離過(guò)短部分，我們認(rèn)為是車牌分割符或者其他干擾點(diǎn)，直接舍棄這部分。若存在粘連現(xiàn)象，我們可以再次從切割起點(diǎn)出發(fā)，通過(guò)逐步減小S的數(shù)值繼續(xù)使用公式3-2來(lái)達(dá)到更進(jìn)一步的精確分割，確保不會(huì)因?yàn)樽址尺B的問(wèn)題導(dǎo)致分割達(dá)不到預(yù)期的設(shè)想。分割結(jié)果如下圖3.4所示。圖3.4分割結(jié)果圖切割部分偽代碼如下：遍歷圖像長(zhǎng)度：當(dāng)白色像素個(gè)數(shù)大于閾值 ifwhite[n]>(1-S)*white_max: 設(shè)定起點(diǎn)start 從起點(diǎn)開始尋找終點(diǎn) 當(dāng)黑色像素個(gè)數(shù)大于設(shè)定閾值 ifblack[i]>S*36: 獲得終點(diǎn)索引end=i 判斷終點(diǎn)距離起點(diǎn)如果太長(zhǎng)或太短： 修改相應(yīng)的閾值并重新尋找終點(diǎn) 根據(jù)獲得的起點(diǎn)于終點(diǎn)分割出圖像 img_cut=img_thre[0:height,start:end]自此，車牌分割到此基本完成，基于垂直投影的分割法可以基本達(dá)到了我們所預(yù)期的分割效果，成功的將車牌區(qū)域的字符給分割了出來(lái)。但是，這個(gè)方法在一定程度上有著一些不足之處，首先，對(duì)初始圖像的質(zhì)量要求要高一些，汽車圖像本身的模糊，字符褪色問(wèn)題，或者一些其他的外在干擾信息都可能會(huì)對(duì)分割效果造成影響；其次，對(duì)于圖像的預(yù)處理，干擾噪聲的去除要求也會(huì)相對(duì)高一些，若存在較多的干擾條紋，就會(huì)對(duì)投影結(jié)果產(chǎn)生影響，進(jìn)一步則會(huì)影響到分割效果。對(duì)于前一點(diǎn)我們無(wú)法做出修正，因此對(duì)后一點(diǎn)需要稍微著重處理。

4車牌識(shí)別4.1字符識(shí)別方式 將車牌定位于車牌字符分割說(shuō)做車牌識(shí)別整體的基石，那么字符識(shí)別的性能好壞也是直接關(guān)系到了整體車牌識(shí)別的成果。由于計(jì)算機(jī)的整體普及、計(jì)算能力的進(jìn)一步發(fā)展以及大數(shù)據(jù)智能化的時(shí)代到來(lái)，字符識(shí)別的方法變得多種多樣，各個(gè)方法之間得優(yōu)劣各有千秋。例如基于字符特征的方法，基于模板匹配的方法、基于神經(jīng)網(wǎng)絡(luò)的識(shí)別方法與支持向量機(jī)法等等?；谲嚺频奶卣鹘y(tǒng)計(jì)方法是目前在車牌識(shí)別的應(yīng)用中使用也是比較廣泛的一種，這種方法主要是依靠在統(tǒng)計(jì)學(xué)之上的一種識(shí)別方法。在之前的車牌定位中，我們獲得到了車牌的具體區(qū)域，在字符切割中得到了車牌的單個(gè)字符圖像。最后，在本文中，根據(jù)現(xiàn)有的資源以及OpenCV中附帶有的函數(shù)功能，本文中采取使用支持向量機(jī)的方法進(jìn)行字符識(shí)別。 支持向量機(jī)，也被稱為SVM，是一種能夠構(gòu)造出線性和非線性分類器的方法。作為一種二分類模型時(shí)，它的基本做法是求解出能夠正確地劃分訓(xùn)練數(shù)據(jù)集并且使幾何間隔最大的分離決策面，此外SVM包括一種核技巧，可以通過(guò)核方法使它達(dá)到非線性分類器的效果。簡(jiǎn)單來(lái)說(shuō)，SVM方法是基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理的統(tǒng)計(jì)學(xué)方法[9]。SVM分類器的優(yōu)點(diǎn)在于它能夠相對(duì)縮短時(shí)間復(fù)雜度，只需要進(jìn)行一次模型的訓(xùn)練，對(duì)模型可以重復(fù)地進(jìn)行使用。雖然這種方法有著許多優(yōu)勢(shì)，卻也有著缺點(diǎn)存在，為了提高識(shí)別精度，需要大量的訓(xùn)練集當(dāng)作樣本，訓(xùn)練的時(shí)間以及對(duì)計(jì)算機(jī)本身的要求較大。4.2識(shí)別流程在OpenCV中提供了相應(yīng)的訓(xùn)練的sample樣例函數(shù)，僅僅是使用的話非常方便。OpenCV所附帶的sample函數(shù)的本質(zhì)為將灰度圖、二值圖、16值圖的HOG特征在一定的權(quán)重下融合為聯(lián)合HOG特征，使用核主成分分析法（KPCA）對(duì)聯(lián)合HOG特征進(jìn)行降維，進(jìn)而利用支持向量機(jī)進(jìn)行分類[10]。若需要訓(xùn)練模型，只需要通過(guò)cv2.ml.SVM_create()函數(shù)創(chuàng)建SVM類，將所需要訓(xùn)練的圖片通過(guò)OpenCV中附帶的sample樣例轉(zhuǎn)化為相應(yīng)的格式后，再將轉(zhuǎn)化好的訓(xùn)練樣本圖片以及圖片的標(biāo)簽傳入所創(chuàng)建的SVM類中的.train()函數(shù)之中即可。最后在訓(xùn)練完成之后，將訓(xùn)練好的模型保存至本地即可。由于設(shè)備以及無(wú)法獲得足夠的訓(xùn)練樣本集，因此本文采用已經(jīng)訓(xùn)練完成的sample模型作為字符識(shí)別模塊使用。大致的流程如下圖4.1所示。圖4.1識(shí)別流程圖 在圖片預(yù)處理方面在舍棄掉上下黑邊之后還需要做兩點(diǎn)，首先將每個(gè)字符圖像的四個(gè)邊界可以縮小一個(gè)像素或者將其像素值給置0，如圖3.4所顯示的一般，分割出來(lái)的字符四周的邊界也還是有可以能會(huì)存在干擾，處理過(guò)后若能消除影響則能進(jìn)一步提高識(shí)別的準(zhǔn)確率。此外，需要每個(gè)字符圖片統(tǒng)一歸一化為通過(guò)sample訓(xùn)練時(shí)的大小格式，也是有助于在之后調(diào)用時(shí)提高識(shí)別的準(zhǔn)確率。在此例中格式為20*20。此外在改變圖像尺寸的時(shí)候，圖像本身是會(huì)變得一定的模糊化，如圖4.2.1，圖4.2.2所示。圖4.2.1 模糊圖 圖4.2.2帶干擾模糊圖 經(jīng)過(guò)一些簡(jiǎn)單的測(cè)試，這種一定程度上的模糊化的效果是有助于消除如圖4.2.2底下干擾效果的影響的，也是對(duì)識(shí)別率有一定幫助，因此可以直接以此形式直接進(jìn)行之后的操作。 獲得處理好的圖像后，創(chuàng)建SVM類實(shí)例，讀取本地或者實(shí)時(shí)訓(xùn)練好的模型，將圖像經(jīng)過(guò)OpenCV的sample樣例函數(shù)處理，最后調(diào)用實(shí)例的.predict()函數(shù)即可獲得識(shí)別結(jié)果。部分代碼如下所示：#modelchinese與model分別為獲得到的漢字模型與英文數(shù)字模型card=hog([card])#將圖片傳入樣例進(jìn)行函數(shù)轉(zhuǎn)換ifi==0:#第一個(gè)字符為漢字 resp=self.modelchinese.predict(card)ans.append(provinces[int(resp[0])-PROVINCE_START]) else:#其余為英文或數(shù)字 resp=self.model.predict(card)ans.append(chr(resp[0]))本例中識(shí)別結(jié)果如下表4-1所示。表4-1識(shí)別測(cè)試表測(cè)試車牌圖識(shí)別結(jié)果 可以看出，識(shí)別的成功率基本是令人滿意的，但是在漢字的識(shí)別上卻有些令人遺憾的出錯(cuò)存在。分析后其主要原因可能在于兩點(diǎn)，第一個(gè)原因是因?yàn)橛?xùn)練模型的原因。漢字的訓(xùn)練集本身不好尋找，不同于英文漢字在全世界范圍內(nèi)的流行，中文的漢字基本是我國(guó)所特有的文化，所以訓(xùn)練集所訓(xùn)練出來(lái)的模型本身的識(shí)別率有可能不算很高。第二點(diǎn)則是對(duì)圖像的處理本身問(wèn)題，從圖3.4中可以看到，雖然漢字的字符圖像周圍雖然噪聲消除的比較好，但是漢字的自身的特征也被處理而導(dǎo)致信息損失過(guò)多，從而導(dǎo)致了漢字的識(shí)別率會(huì)整體有所下均。

結(jié)論 本文所設(shè)計(jì)的車牌識(shí)別系統(tǒng)是在基于OpenCV為主進(jìn)行開發(fā)的設(shè)計(jì)，盡力的運(yùn)用了Python語(yǔ)言于OpenCV本身所提供的便捷性。汽車車牌的識(shí)別可謂是當(dāng)今智能化交通發(fā)展道路上的基礎(chǔ)技術(shù)，在本文所設(shè)計(jì)的一個(gè)簡(jiǎn)單的汽車車牌識(shí)別系統(tǒng)可以借由如今的各路計(jì)算機(jī)軟硬件技術(shù)，為一些軟硬件，如自動(dòng)車輛門禁管理系統(tǒng)、高速公路的車輛管理、智能交通識(shí)別管理等主要在依靠汽車車牌進(jìn)行車輛管理的場(chǎng)所提供一些基本的設(shè)計(jì)思路于解決方法。本文對(duì)車牌識(shí)別系統(tǒng)的背景、意義及現(xiàn)今的一些國(guó)內(nèi)外研究現(xiàn)狀的一些敘述表示，車牌識(shí)別在我國(guó)依然是擁有一定的意義存在。對(duì)于車牌識(shí)別的三部分重點(diǎn)，車牌定位、車牌字符分割、字符識(shí)別通過(guò)對(duì)車牌的尺寸特征、顏色特征、基于垂直投影的方法、SVM的識(shí)別方法，分別進(jìn)行了一定程度上的概述并給出了一個(gè)較為簡(jiǎn)單的實(shí)現(xiàn)方法或思路，確定了本系統(tǒng)的基本完成。 雖然本文所敘述的汽車車牌識(shí)別系統(tǒng)設(shè)計(jì)基本成功，其成果也基本達(dá)到了預(yù)期要求，但是可以發(fā)現(xiàn)，因本人的知識(shí)水平有限以及設(shè)計(jì)不充分，本文的方法仍有著許多不足之處存在。如多車牌的應(yīng)用場(chǎng)景沒(méi)有設(shè)想多，在今后的交通發(fā)展，多車牌的場(chǎng)景必然頻繁出現(xiàn)，其次目前只能識(shí)別黃、綠、藍(lán)三種種類的車牌，而在我國(guó)肯定不只有這幾種分類等多方面需要進(jìn)行進(jìn)一步改進(jìn)。

參考文獻(xiàn)[1]基于圖像的車牌識(shí)別系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)，作者：唐智強(qiáng)，電子科技大學(xué)2018[2]車牌識(shí)別系統(tǒng)的研究與實(shí)現(xiàn)，作者：管文，湖北工業(yè)大學(xué)2018 [3]基于深度學(xué)習(xí)的車牌識(shí)別系統(tǒng)研究，作者：張佑賢，廣西師范大學(xué)2019[4]胡雪會(huì),王波濤.基于OpenCV的車牌圖像定位[J].計(jì)算機(jī)測(cè)量與控制,2016,24(09):206-210.[5]黃社陽(yáng),劉智勇,阮太元.基于HSV顏色空間和SVM的車牌提取算法[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(08):150-153.[6]甘玲,林小晶.基于連通域提取的車牌字符分割算法[J].計(jì)算機(jī)仿真,2011,28(04):336-339.[7]鄧運(yùn)生,鄭晨霞,尹安.車牌定位和字符分割方法對(duì)比研究及實(shí)現(xiàn)[J].蘭州文理學(xué)院學(xué)報(bào)(自然科學(xué)版),2019,33(06):78-83+106.[8]實(shí)時(shí)車牌識(shí)別系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)，作者：劉潔，山東大學(xué)2019[9]余棉水,黎紹發(fā).基于邊緣與SVM的車牌自動(dòng)定位與提取[J].計(jì)算機(jī)應(yīng)用研究,2004(10):131-133.[10]殷羽,鄭宏,高婷婷,等.基于聯(lián)合HOG特征的車牌識(shí)別算法[J].計(jì)算機(jī)工程與設(shè)計(jì),2015(2):476-481.

致謝 畢業(yè)設(shè)計(jì)的完成也意味著我的四年大學(xué)時(shí)光走向尾聲，在這里我首先要非常感謝楊老師在學(xué)業(yè)等各方面對(duì)我的支持和幫助，在我的畢業(yè)設(shè)計(jì)從選題到設(shè)計(jì)再到實(shí)現(xiàn)與最后的文章編寫都提供了許多寶貴的意見，此外還有所有曾教導(dǎo)過(guò)我的教師們，是你們給予的知識(shí)與經(jīng)驗(yàn)讓我能夠成長(zhǎng)進(jìn)步。 另外我要感謝我的同學(xué)朋友們?cè)谶@段時(shí)間內(nèi)所帶給我的幫助與鼓勵(lì)，給我添加一份別樣的動(dòng)力使我前進(jìn)。 最后，我還要感謝我的母校，為我們提供了一個(gè)良好的學(xué)習(xí)環(huán)境與氛圍，使我在四年的學(xué)習(xí)生活之中受益匪淺。

HYPERLINK電腦快捷知識(shí)大全編輯本段一、常見用法F1顯示當(dāng)前程序或者windows的幫助內(nèi)容。F2當(dāng)你選中一個(gè)文件的話，這意味著“重命名”F3當(dāng)你在桌面上的時(shí)候是打開“查找：所有文件”對(duì)話框F10或ALT激活當(dāng)前程序的菜單欄windows鍵或CTRL+ESC打開開始菜單CTRL+ALT+DELETE在win9x中打開關(guān)閉程序?qū)υ捒駾ELETE刪除被選擇的選擇項(xiàng)目，如果是文件，將被放入回收站SHIFT+DELETE刪除被選擇的選擇項(xiàng)目，如果是文件，將被直接刪除而不是放入回收站CTRL+N新建一個(gè)新的文件CTRL+O打開“打開文件”對(duì)話框CTRL+P打開“打印”對(duì)話框CTRL+S保存當(dāng)前操作的文件CTRL+X剪切被選擇的項(xiàng)目到剪貼板CTRL+INSERT或CTRL+C復(fù)制被選擇的項(xiàng)目到剪貼板SHIFT+INSERT或CTRL+V粘貼剪貼板中的內(nèi)容到當(dāng)前位置ALT+BACKSPACE或CTRL+Z撤銷上一步的操作ALT+SHIFT+BACKSPACE重做上一步被撤銷的操作Windows鍵+L鎖屏鍵Windows鍵+M最小化所有被打開的窗口。Windows鍵+SHIFT+M重新將恢復(fù)上一項(xiàng)操作前窗口的大小和位置Windows鍵+E打開資源管理器Windows鍵+F打開“查找：所有文件”對(duì)話框Windows鍵+R打開“運(yùn)行”對(duì)話框Windows鍵+BREAK打開“系統(tǒng)屬性”對(duì)話框Windows鍵+CTRL+F打開“查找：計(jì)算機(jī)”對(duì)話框SHIFT+F10或鼠標(biāo)右擊打開當(dāng)前活動(dòng)項(xiàng)目的快捷菜單SHIFT在放入CD的時(shí)候按下不放，可以跳過(guò)自動(dòng)播放CD。在打開word的時(shí)候按下不放，可以跳過(guò)自啟動(dòng)的宏ALT+F4關(guān)閉當(dāng)前應(yīng)用程序ALT+SPACEBAR打開程序最左上角的菜單ALT+TAB切換當(dāng)前程序ALT+ESC切換當(dāng)前程序ALT+ENTER將windows下運(yùn)行的MSDOS窗口在窗口和全屏幕狀態(tài)間切換PRINTSCREEN將當(dāng)前屏幕以圖象方式拷貝到剪貼板ALT+PRINTSCREEN將當(dāng)前活動(dòng)程序窗口以圖象方式拷貝到剪貼板CTRL+F4關(guān)閉當(dāng)前應(yīng)用程序中的當(dāng)前文本（如word中）CTRL+F6切換到當(dāng)前應(yīng)用程序中的下一個(gè)文本（加shift可以跳到前一個(gè)窗口）在IE中：ALT+RIGHTARROW顯示前一頁(yè)（前進(jìn)鍵）ALT+LEFTARROW顯示后一頁(yè)（后退鍵）CTRL+TAB在頁(yè)面上的各框架中切換（加shift反向）F5刷新CTRL+F5強(qiáng)行刷新目的快捷鍵激活程序中的菜單欄F10執(zhí)行菜單上相應(yīng)的命令A(yù)LT+菜單上帶下劃線的字母關(guān)閉多文檔界面程序中的當(dāng)前窗口CTRL+F4關(guān)閉當(dāng)前窗口或退出程序ALT+F4復(fù)制CTRL+C剪切CTRL+X刪除DELETE顯示所選對(duì)話框項(xiàng)目的幫助F1顯示當(dāng)前窗口的系統(tǒng)菜單ALT+空格鍵顯示所選項(xiàng)目的快捷菜單SHIFT+F10顯示“開始”菜單CTRL+ESC顯示多文檔界面程序的系統(tǒng)菜單ALT+連字號(hào)(-)粘貼CTRL+V切換到上次使用的窗口或者按住ALT然后重復(fù)按TAB，切換到另一個(gè)窗口ALT+TAB撤消CTRL+Z編輯本段二、使用“Windows資源管理器”的快捷鍵目的快捷鍵如果當(dāng)前選擇展開了,要折疊或者選擇父文件夾左箭頭折疊所選的文件夾NUMLOCK+負(fù)號(hào)(-)如果當(dāng)前選擇折疊了，要展開或者選擇第一個(gè)子文件夾右箭頭展開當(dāng)前選擇下的所有文件夾NUMLOCK+*展開所選的文件夾NUMLOCK+加號(hào)(+)在左右窗格間切換F6編輯本段三、使用WINDOWS鍵可以使用Microsoft自然鍵盤或含有Windows徽標(biāo)鍵的其他任何兼容鍵盤的以下快捷鍵。目的快捷鍵在任務(wù)欄上的按鈕間循環(huán)WINDOWS+TAB顯示“查找：所有文件”WINDOWS+F顯示“查找：計(jì)算機(jī)”CTRL+WINDOWS+F顯示“幫助”WINDOWS+F1顯示“運(yùn)行”命令WINDOWS+R顯示“開始”菜單WINDOWS顯示“系統(tǒng)屬性”對(duì)話框WINDOWS+BREAK顯示“Windows資源管理器”WINDOWS+E最小化或還原所有窗口WINDOWS+D撤消最小化所有窗口SHIFT+WINDOWS+M編輯本段四、“我的電腦”和“資源管理器”的快捷鍵目的快捷鍵關(guān)閉所選文件夾及其所有父文件夾按住SHIFT鍵再單擊“關(guān)閉按鈕（僅適用于“我的電腦”）向后移動(dòng)到上一個(gè)視圖ALT+左箭頭向前移動(dòng)到上一個(gè)視圖ALT+右箭頭查看上一級(jí)文件夾BACKSPACE編輯本段五、使用對(duì)話框中的快捷鍵目的快捷鍵取消當(dāng)前任務(wù)ESC如果當(dāng)前控件是個(gè)按鈕，要單擊該按鈕或者如果當(dāng)前控件是個(gè)復(fù)選框，要選擇或清除該復(fù)選框或者如果當(dāng)前控件是個(gè)選項(xiàng)按鈕，要單擊該選項(xiàng)空格鍵單擊相應(yīng)的命令A(yù)LT+帶下劃線的字母單擊所選按鈕ENTER在選項(xiàng)上向后移動(dòng)SHIFT+TAB在選項(xiàng)卡上向后移動(dòng)CTRL+SHIFT+TAB在選項(xiàng)上向前移動(dòng)TAB在選項(xiàng)卡上向前移動(dòng)CTRL+TAB如果在“另存為”或“打開”對(duì)話框中選擇了某文件夾，要打開上一級(jí)文件夾BACKSPACE在“另存為”或“打開”對(duì)話框中打開“保存到”或“查閱”F4刷新“另存為”或“打開”對(duì)話框F5編輯本段六、桌面、我的電腦和“資源管理器”快捷鍵選擇項(xiàng)目時(shí)，可以使用以下快捷鍵。目的快捷鍵插入光盤時(shí)不用“自動(dòng)播放”功能按住SHIFT插入CD-ROM復(fù)制文件按住CTRL拖動(dòng)文件創(chuàng)建快捷方式按住CTRL+SHIFT拖動(dòng)文件立即刪除某項(xiàng)目而不將其放入SHIFT+DELETE“回收站”顯示“查找：所有文件”F3顯示項(xiàng)目的快捷菜單APPLICATION鍵刷新窗口的內(nèi)容F5重命名項(xiàng)目F2選擇所有項(xiàng)目CTRL+A查看項(xiàng)目的屬性ALT+ENTER或ALT+雙擊可將APPLICATION鍵用于Microsoft自然鍵盤或含有APPLICATION鍵的其他兼容鍵編輯本段七、Microsoft放大程序的快捷鍵這里運(yùn)用Windows徽標(biāo)鍵和其他鍵的組合?？旖萱I目的Windows徽標(biāo)+PRINTSCREEN將屏幕復(fù)制到剪貼板（包括鼠標(biāo)光標(biāo)）Windows徽標(biāo)+SCROLLLOCK將屏幕復(fù)制到剪貼板（不包括鼠標(biāo)光標(biāo)）Windows徽標(biāo)+PAGEUP切換反色。Windows徽標(biāo)+PAGEDOWN切換跟隨鼠標(biāo)光標(biāo)Windows徽標(biāo)+向上箭頭增加放大率Windows徽標(biāo)+向下箭頭減小放大率編輯本段八、使用輔助選項(xiàng)快捷鍵目的快捷鍵切換篩選鍵開關(guān)右SHIFT八秒切換高對(duì)比度開關(guān)左ALT+左SHIFT+PRINTSCREEN切換鼠標(biāo)鍵開關(guān)左ALT+左SHIFT+NUMLOCK切換粘滯鍵開關(guān)SHIFT鍵五次切換切換鍵開關(guān)NUMLOCK五秒QQ快捷鍵，玩QQ更方便Alt+S快速回復(fù)Alt+C關(guān)閉當(dāng)前窗口Alt+H打開聊天記錄Alt+T更改消息模式Ait+J打開聊天紀(jì)錄Ctrl+A全選當(dāng)前對(duì)話框里的內(nèi)容Ctrl+FQQ里直接顯示字體設(shè)置工具條Ctrl+J輸入框里回車(跟回車一個(gè)效果)Ctrl+M輸入框里回車(跟回車一個(gè)效果)Ctrl+L對(duì)輸入框里當(dāng)前行的文字左對(duì)齊Ctrl+R對(duì)輸入框里當(dāng)前行的文字右對(duì)齊Ctrl+E對(duì)輸入框里當(dāng)前行的文字居中Ctrl+V在qq對(duì)話框里實(shí)行粘貼Ctrl+Z清空/恢復(fù)輸入框里的文字Ctrl+回車快速回復(fù)這個(gè)可能是聊QQ時(shí)最常用到的了Ctrl+Alt+Z快速提取消息Ctrl+Alt+A捕捉屏幕最常用的快捷鍵F5刷新DELETE刪除TAB改變焦點(diǎn)CTRL+C復(fù)制CTRL+X剪切CTRL+V粘貼CTRL+A全選CTRL+Z撤銷CTRL+S保存ALT+F4關(guān)閉CTRL+Y恢復(fù)ALT+TAB切換CTRL+F5強(qiáng)制刷新CTRL+W關(guān)閉CTRL+F查找SHIFT+DELETE永久刪除CTRL+ALT+DEL任務(wù)管理SHIFT+TAB-反向切換CTRL+空格--中英文輸入切換CTRL+Shift輸入法切換CTRL+ESC--開始菜單CTRL+ALT+ZQQ快速提取消息CTRL+ALT+AQQ截圖工具CTRL+ENTERQQ發(fā)消息Alt+1保存當(dāng)前表單Alt+2保存為通用表單Alt+A展開收藏夾列表資源管理器END顯示當(dāng)前窗口的底端HOME顯示當(dāng)前窗口的頂端NUMLOCK+數(shù)字鍵盤的減號(hào)(-)折疊所選的文件夾NUMLOCK+數(shù)字鍵盤的加號(hào)(+)顯示所選文件夾的內(nèi)容NUMLOCK+數(shù)字鍵盤的星號(hào)(*)顯示所選文件夾的所有子文件夾向左鍵當(dāng)前所選項(xiàng)處于展開狀態(tài)時(shí)折疊該項(xiàng)，或選定其父文件夾向右鍵當(dāng)前所選項(xiàng)處于折疊狀態(tài)時(shí)展開該項(xiàng)，或選定第一個(gè)子文件夾自然鍵盤【窗口】顯示或隱藏“開始”菜單【窗口】+F1幫助【窗口】+D顯示桌面【窗口】+R打開“運(yùn)行”【窗口】+E打開“我的電腦”【窗口】+F搜索文件或文件夾【窗口】+U打開“工具管理器”【窗口】+BREAK顯示“系統(tǒng)屬性”【窗口】+TAB在打開的項(xiàng)目之間切換輔助功能按右邊的SHIFT鍵八秒鐘切換篩選鍵的開和關(guān)按SHIFT五次切換粘滯鍵的開和關(guān)按NUMLOCK五秒鐘切換切換鍵的開和關(guān)左邊的ALT+左邊的SHIFT+NUMLOCK切換鼠標(biāo)鍵的開和關(guān)左邊的ALT+左邊的SHIFT+PRINTSCREEN切換高對(duì)比度的開和關(guān)運(yùn)行按“開始”－“運(yùn)行”，或按WIN鍵+R，在『運(yùn)行』窗口中輸入：（按英文字符順序排列）%temp%打開臨時(shí)文件夾.C:\DocumentsandSettings\用戶名所在文件夾..C:\DocumentsandSettings...我的電腦\C盤appwize.cpl添加、刪除程序access.cpl輔助功能選項(xiàng)Accwiz輔助功能向?qū)mdCMD命令提示符commandCMD命令提示符chkdsk.e