一种车牌识别方法及装置制造方法及图纸

本发明专利技术实施例提供了一种车牌识别方法，该方法包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。本发明专利技术实施例提供的车牌识别方法，不仅能够识别出出牌颜色还能够识别出车牌类型，能够更有助于对车牌的快速、精准判别。

License plate recognition method and device

The embodiment of the invention provides a method of license plate recognition, the method includes: acquiring images feature information to identify license plate images; normalization of image feature information; image feature information input recognition model normalized in recognition, the recognition result is obtained, the identification results including the license plate color and license plate type. The license plate recognition method provided by the embodiment of the invention not only can recognize the color of the card, but also can identify the type of the license plate, and can help to identify the license plate more quickly and accurately.

【技术实现步骤摘要】
一种车牌识别方法及装置
本专利技术涉及图像处理
，具体涉及一种车牌识别方法及装置。
技术介绍
智能交通是智慧城市的核心关键技术。目前，车牌识别广泛应用于高速路卡口抓拍系统、智能停车场系统以及社区车辆管理系统中。车牌识别是这些系统的核心技术。由于不同类型车辆的车牌具有不同的特征，因此，对车牌的识别有助于快速定位车辆类型。现有的车牌识别方法大多是对车牌颜色进行识别，从而判别车辆类型，但是，现有车牌不仅仅有颜色上的不同，很多颜色相同的车牌在字符个数、字符排列方式等等上不尽相同，因此，通过这种方式所实现的车牌识别较为粗略，无法对车牌进行精准识别。
技术实现思路
为了解决现有技术中存在的问题，本专利技术实施例期望提供一种车牌识别方法及装置。本专利技术实施例提供了一种车牌识别方法，包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。上述方案中，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：提取多个车牌图片样本；按照颜色和车牌类型将车牌图片分为多个样本集；获取各个样本集中的每个车牌图片的图片特征信息；对各个样本集中的每个车牌图片的图片特征信息进行归一化；分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。上述方案中，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。上述方案中，所述图片的方差特征X1通过下式确定：其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。上述方案中，所述图片的重心比率特征通过下式确定：其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。上述方案中，所述图片的连通区域特征通过以下方法确定：对图片进行二值化处理；统计出满足预设条件的字符区域的个数X4；所述预设条件包括：w/4<CW<w/7；CH>h/2；其中，CW为字符区域宽度；CH为字符区域高度。上述方案中，所述对图片特征信息进行归一化包括：X[i]＝X[i]/(MAX-MIN)；其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。本专利技术提供了一种车牌识别装置，所述装置包括：获取模块、归一化模块和输入模块；其中，所述获取模块，用于获取待识别车牌图片的图片特征信息；所述归一化模块，用于对获取的图片特征信息进行归一化；所述输入模块，用于将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。上述方案中，所述装置还包括：模型生成模块，用于在输入模块将归一化后的图片特征信息输入识别模型中进行识别之前，生成识别模型；所述模型生成模块，包括：提取子模块，用于提取多个车牌图片样本；分类子模块，用于按照颜色和车牌类型将车牌图片分为多个样本集；获取子模块，用于获取各个样本集中的每个车牌图片的图片特征信息；归一化子模块，用于对各个样本集中的每个车牌图片的图片特征信息进行归一化；训练子模块，用于分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。上述方案中，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。与现有技术相比，本专利技术实施例至少具备以下优点：根据本专利技术实施例提供的车牌识别方法，能够将归一化后的车牌图片的图片特征信息输入到识别模型中进行识别之后，不仅能够识别出出牌颜色还能够识别出车牌类型，可见，相较于现有技术中仅对车牌颜色进行识别的方法，本专利技术实施例所提供的车牌识别方法，其识别出的车牌信息更多，更有助于对车牌的快速、精准判别。附图说明图1为本专利技术车牌识别方法在一种实施方式中的流程图；图2为本专利技术车牌识别装置在一种实施方式中的基本结构图；图3为本专利技术车牌识别装置中的模型生成模块在一种实施方式中的基本结构图；图4为本专利技术车牌识别装置中的获取模块在一种实施方式中的基本结构图。具体实施方式下面通过具体实施方式结合附图对本专利技术作进一步详细说明。实施例一参照图1，示出了本专利技术一种车牌识别方法的步骤流程图，该方法具体可以包括：步骤101、获取待识别车牌图片的图片特征信息；具体的，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。在本专利技术的一种可选实施例中，所述图片的方差特征X1通过下式确定：其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。在本专利技术的一种可选实施例中，所述图片的重心比率特征通过下式确定：其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。在本专利技术的一种可选实施例中，所述图片的连通区域特征通过以下方法确定：对图片进行二值化处理；统计出满足预设条件的字符区域的个数X4；所述预设条件包括：w/4<CW<w/7；CH>h/2；其中，CW为字符区域宽度；CH为字符区域高度；w为图片的宽度值；h为图片的高度值。车牌图片中通常包括多个字符，根据我国车牌特点，车牌字符数通常在5个至12个之间。由于车牌中的字符在高度和宽度上有一定的标准，其高度与车牌区域的高度有一定的比例，其宽度也与车牌区域的宽度有一定的比例，因此，可以基于这些特点，通过上述预设条件确定出符合条件的字符区域，并统计出字符区域的个数。在本专利技术的一种可选实施例中，所述图片波峰波谷特征通过下式确定：对图片中的像素点在垂直方向上进行投影计算；根据投影计算结果对像素点进行标记；所述根据投影计算结果对像素点进行标记包括：将投影计算结果小于投影均值的像素点标记为0；将投影计算结果大于投影均值的像素点标记为1；统计出像素点的标记结果中从0跳变为1的次数X5以及像素点的标记结果中从1跳变为0的次数X6；将X5确定为图片波峰特征；将X6确定为图片波谷特征。具体的，所述对图片中的像素点在垂直方向上进行投影计算是指对图片中的像素点的灰度值在垂直方向上进行累加。投影均值是指垂直方向上所有投影结果的平均值。在本专利技术的一种可选实施例中，所述图片的颜色特征通过以下方法确定：提取图片三十二维颜色特征；具体的，将图片在HSV空间划分为三十二个颜色分量；这三十二个颜色分量通过以下方式进行划分：将色调H空间划分为八个分区，将饱和度S和亮度V空间分别划分为两个分区；之后，在每一个维度上统计车牌连通区域的HSV空间颜色直方图分量信息。步骤102、对获取的图片特征信息进行归一化；具体的，所述对图片特征信息进行归一化包括：X[i]＝X[i]/(MAX-MIN)；其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。步骤103、将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型本文档来自技高网...

【技术保护点】
一种车牌识别方法，其特征在于，所述方法包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。

【技术特征摘要】
1.一种车牌识别方法，其特征在于，所述方法包括：获取待识别车牌图片的图片特征信息；对获取的图片特征信息进行归一化；将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。2.根据权利要求1所述的方法，其特征在于，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：提取多个车牌图片样本；按照颜色和车牌类型将车牌图片分为多个样本集；获取各个样本集中的每个车牌图片的图片特征信息；对各个样本集中的每个车牌图片的图片特征信息进行归一化；分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。3.根据权利要求1或2所述的方法，其特征在于，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。4.根据权利要求3所述的方法，其特征在于，所述图片的方差特征X1通过下式确定：其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。5.根据权利要求3所述的方法，其特征在于，所述图片的重心比率特征通过下式确定：其中，X2为宽度方向上的重心比率特征；X3为高度...

【专利技术属性】
技术研发人员：袁誉乐，赵勇，王新安，
申请(专利权)人：北京大学深圳研究生院，
类型：发明
国别省市：广东,44