一種車牌識別方法
【技術領域】
[0001] 本發(fā)明涉及數(shù)字圖像和機器視覺領域，尤其是涉及一種車牌識別方法。
【背景技術】
[0002] 隨著人民生活水平的提高和經(jīng)濟的發(fā)展，機動車的數(shù)量逐年增多，道路交通成為 人們?nèi)找骊P注的問題。為了解決道路交通問題，一種準確、高效的新型運輸系統(tǒng)一智能交通 系統(tǒng)（IntelligentTransportationSystem，簡稱ITS)應運而生。
[0003] 車牌識別作為智能交通系統(tǒng)的基礎部分，已廣泛應用于交通管理，交通監(jiān)控，治安 監(jiān)控等場景，而車牌自動識別方法作為其關鍵技術則發(fā)揮著舉足輕重的作用。
[0004][0005] 綜上所述，現(xiàn)有車牌識別方法存在以下缺點：（1)車牌識別方法中車牌定位模塊 準確率低，適應差，且不能定位一個車牌圖像中的多個車牌塊；（2)對于側(cè)面偏斜的車牌不 能很好地識別；（3)手工提取的字符特征，表達能力不夠強，在車牌照污損、模糊、遮擋，或 者天氣很糟情況下，車牌識別率不高。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明所要解決的技術問題是為了解決車牌識別方法中車牌定位準確率低，適應 性差，對于側(cè)面偏斜車牌不能識別以及在有車牌照污損、模糊、部分遮擋等干擾的情況下識 別率低等問題。本發(fā)明提出一種在車牌圖像出現(xiàn)較大幅度的正面傾斜和側(cè)面扭斜的時候能 夠準確識別車牌，在車牌字符部分缺損或模糊情況下仍有較高的識別率，能夠識別出圖像 內(nèi)的多塊車牌，識別速度快，魯棒性好，定位和識別準確率高，能有效應用于多種場合的車 牌識別方法。，本發(fā)明的技術方案如下：一種車牌識別方法，其包括以下步驟：
[0007] 101、首先獲取車牌圖像并對圖像進行預處理；
[0008] 102、然后在經(jīng)過預處理的車牌圖像中定位車牌區(qū)域，得到車牌候選區(qū)域
[0009] 103、其次對候選車牌塊進行判斷，如果是車牌則進入步驟104,否則丟棄該候選車 牌塊；
[0010] 104、再對所述車牌塊進行字符分割；
[0011] 105、最后對所述分割字符塊進行識別。
[0012] 進一步的，步驟101中獲取車牌圖像并對圖像進行預處理具體步驟包括，對獲取 的車牌圖像通過高斯模糊、圖像灰度化和直方圖均衡算法進行預處理以去除所述車牌圖像 中的噪聲，為車牌定位算法準備處理環(huán)境。
[0013] 進一步的，步驟102在經(jīng)過預處理的車牌圖像中定位車牌區(qū)域，得到車牌候選區(qū) 域的具體步驟包括，首先將所述車牌圖像的顏色空間從RGB彩色模型轉(zhuǎn)換到HSV(六角椎體 模型）彩色模型；然后根據(jù)車牌的顏色特征，設定HSV(六角椎體模型）色彩空間的各分量 的閾值，根據(jù)設定的閾值對圖像進行二值化處理，以得到候選區(qū)域；再對所述候選區(qū)域進行 形態(tài)學閉操作，并對其取輪廓，對輪廓求最小外接矩形，得到車牌矩形候選區(qū)域；最后利用 車牌的寬高比，傾斜角度幾何特征篩選掉不符合條件的候選區(qū)域，得到候選車牌區(qū)域。
[0014] 進一步的，步驟103對候選車牌塊進行判斷的具體步驟包括：首先將所述候選車 牌塊用作SVM(支持向量機）機器學習算法的訓練集，對SVM(支持向量機）車牌判斷模型 進行離線訓練，得到車牌判斷模型；然后得到車牌判斷模型后，將所述候選車牌塊輸入所述 車牌判斷模型進行在線判斷，得到真實車牌塊集合；最后設定車牌塊集合閾值，將真實車牌 塊數(shù)量與閾值進行比較，判斷是否需要二次定位。
[0015] 進一步的，步驟104字符分割具體步驟包括：首先對所述車牌塊圖像進行二值化 操作得到二值化圖像；然后對二值化圖像進行形態(tài)學閉操作，得到車牌字符連通域，獲取連 通域的輪廓與最小外接矩形；再根據(jù)車牌字符寬高比，高度，設置誤差率，最大、最小高度獲 取外接矩形并過濾，得到分割字符塊；最后將所述分割字符塊進行標準歸一化處理，并統(tǒng)一 尺寸，保存用作字符識別模型的訓練樣本。
[0016] 進一步的，步驟105中字符識別具體步驟包括：讀取所述分割字符訓練樣本；首先 將訓練樣本輸入CNN卷積神經(jīng)網(wǎng)絡機器學習模型進行離線訓練，得到待識別字符的特征提 取器，用以自動提取字符塊特征；然后將所述字符特征輸入S〇ftmax(多元邏輯回歸）分類 器進行離線訓練，得到車牌字符分類器；再將所述車牌字符輸入已經(jīng)訓練好的特征提取器 在線提取字符特征，再將其輸入S〇ftmax(多元邏輯回歸）分類器進行在線識別；最后將字 符識別結(jié)果進行排序組合，得到最終識別的車牌號碼。
[0017] 進一步的，用車牌的幾何特征寬高比、傾斜角度篩選掉不符合條件的候選區(qū)域具 體步驟包括，首先將車牌圖像截取包含候選車牌區(qū)域的圖塊，得到R0I感興趣區(qū)域圖像；然 后設定角度閾值，將R0I圖像中的候選車牌區(qū)域的傾斜角度與閾值比較，判斷是否傾斜，若 傾斜則通過旋轉(zhuǎn)候選車牌區(qū)域的方法來進行矯正；再對所述傾斜矯正后的候選車牌區(qū)域進 行偏斜判斷，若偏斜則通過對候選車牌進行仿射變換的方法進行矯正；最后對所述矯正后 的候選車牌進行大小歸一化，得到多塊候選車牌塊。
[0018] 進一步的，所述車牌塊圖像進行二值化操作采用自適應二值化算法。
[0019] 進一步的，對字符特征提取器采用隨機梯度下降算法，字符分類器訓練方法采用 反向傳播算法實現(xiàn)。
[0020] 進一步的，車牌偏斜判斷具體步驟包括，對候選車牌進行判斷其是否為平行四邊 形，若為平行四邊形則發(fā)生偏斜，根據(jù)以下公式對車牌進行偏斜矯正：
[0021]
[0022] 其中（Xd，Yd)為矯正后的坐標，H)為矯正前的坐標，（Xt，Yt)為平移坐標，θχ 和為仿射變換角度。
[0023] 本發(fā)明的優(yōu)點及有益效果如下：
[0024] 本發(fā)明實現(xiàn)了在車牌圖像出現(xiàn)較大幅度的正面傾斜和側(cè)面扭斜的時候能夠準確 識別車牌；通過旋轉(zhuǎn)和仿射變換解決車牌在正面傾斜和側(cè)面扭斜中難以定位的問題；通過 SVM(支持向量機）判斷以及采用顏色和垂直邊緣檢測二次定位能夠大幅度提高車牌定位 準確率；通過學習的方式獲取的字符特征，具有更強的表示能力，在車牌字符部分缺損或模 糊情況下仍有較高的識別率；能夠識別出圖像內(nèi)的多塊車牌，識別速度快，魯棒性好，定位 和識別準確率高，能有效應用于多種場合。
【附圖說明】
[0025] 圖1是本發(fā)明提供優(yōu)選實施例于車牌圖像中定位車牌所在區(qū)域并對其判斷的實 施例的流程圖；
[0026]圖2為本發(fā)明對車牌所在區(qū)域進行傾斜矯正和偏斜矯正的實施例流程圖；
[0027] 圖3為本發(fā)明對車牌塊字符分割的實施例流程圖；
[0028] 圖4為本發(fā)明對分割字符進行識別的實施例流程圖；
[0029] 圖5為本發(fā)明的車牌識別方法流程圖。
【具體實施方式】
[0030] 以下結(jié)合附圖，對本發(fā)明作進一步說明：
[0031] 本發(fā)明如圖1所示車牌圖像中定位車牌所在區(qū)域并對其判斷的實施例的流程圖：
[0032] A1~A7:基于顏色定位方法，將所述車牌圖像的顏色空間從RGB彩色模型轉(zhuǎn)換到 HSV彩色模型；根據(jù)車牌的顏色特征，設定HSV色彩空間的各分量的閾值，根據(jù)設定的閾值 對圖像進行二值化處理，以得到候選區(qū)域；對所述候選區(qū)域進行形態(tài)學閉操作，并對其取輪 廓，對輪廓求最小外接矩形，得到車牌矩形候選區(qū)域；利用車牌的寬高比，傾斜角度等幾何 特征篩選掉不符合條件的候選區(qū)域，得到候選車牌區(qū)域，并對傾斜和偏斜車牌進行矯正。
[0033] A8 :將顏色定位結(jié)果，輸入SVM車牌判斷模型，得到真正的車牌塊。
[0034] A9 :統(tǒng)計所述車牌塊數(shù)量，與閾值進行比較，若大于閾值，則直接輸出，否則進行二 次定位。
[0035] A10~A15:Sobel算子二次定位，首先對圖像進行預處理，用Sobel算子檢測車牌 圖像的垂直邊緣，得到車牌候選區(qū)域；對所述候選區(qū)域進行形態(tài)學閉操作，并對其取輪廓， 對輪廓求最小外接矩形，得到車牌矩形候選區(qū)域；利用車牌的寬高比，傾斜角度等幾何特征 篩選掉不符合條件的候選區(qū)域，得到候選車牌區(qū)域，并對傾斜和偏斜車牌進行矯正。
[0036] A16~A17 :將Sobel二次定位結(jié)果，輸入SVM(支持向量機）車牌判斷模型，得到 真正的車牌塊，并輸出。
[0037] 如圖2所示車牌所在區(qū)域進行傾斜矯正和偏斜矯正的實施例流程圖：
[0038] B1~B8 :于所述車牌圖像截取包含候選車牌區(qū)域的圖塊，得到R0I(感興趣區(qū)域） 圖像；設定角度閾值，將R0I(感興趣區(qū)域）圖像中的候選車牌區(qū)域的傾斜角度與閾值比較， 判斷是否傾斜，若傾斜則通過旋轉(zhuǎn)候選車牌區(qū)域的方法來進行矯正；對所述傾斜矯正后的 候選車牌區(qū)域進行偏斜判斷，若偏斜則通過對候選車牌進行仿射變換的方法進行矯正；對 所述矯正后的候選車牌進行大小歸一化，得到多塊候選車牌塊。
[0039] 如圖3所示車牌塊字符分割的實施例流程圖：
[0040] C1~C7 :對所述車牌塊圖像進行二值化操作得到二值化圖像；對二值化圖像進行 形態(tài)學閉操作，得到車牌字符連通域，獲取連通域的輪廓與最小外接矩形；根據(jù)車牌字符寬 高比，高度，設置誤差率，最大、最小高度等獲取外接矩形并過濾，得到分割字符塊；將所述 分割字符塊進行標準歸一化處理，并同一尺寸，保存用作字符識別模型的訓練樣本。
[0041] 如圖4所示分割字符進行識別的實施例流程圖：
[0042] D1~D4 :讀取所述分割字符訓練樣本；將訓練樣本輸入CNN(卷積神經(jīng)網(wǎng)絡）機器 學習模型進行離線訓練，得到待識別字符的特征提取器，用以自動提取字符塊特征。
[0043] D5~D8 :將所述字符特征輸入Softmax(多元邏