一种基于多特征融合的车牌汉字识别方法技术

本发明专利技术提供一种基于多特征融合的车牌汉字识别方法，包括以下步骤：待测图像归一化；改进HOG特征，获取待测图像的汉字边缘特征；获取待测图像的汉字灰度特征；基于LBP特征理论，获取待测图像的汉字纹理特征；融合待测图像的汉字边缘特征、灰度特征、纹理特征，获取待测图像的融合特征向量；基于SVM分类器，预测分类结果。本发明专利技术综合利用了汉字的全局特征和局部特征，识别更加准确，对于低质量图像和强干扰图像，具有较强的鲁棒性。

【技术实现步骤摘要】
一种基于多特征融合的车牌汉字识别方法
本专利技术涉及图像处理
，具体是一种基于多特征融合的车牌汉字识别方法。
技术介绍
车牌字符识别是车牌识别系统的最后一步，也是至关重要的一步，它直接影响着整个系统的识别准确率和效率。对于车牌字母数字部分的识别，国内外已有很多成熟的方法，可以达到很高的准确率。而对于车牌的汉字部分，由于实际环境中采集的车牌图像，汉字部分往往具有结构复杂、笔划繁多、分辨率较低、笔划断裂、部分变浅或缺失、边缘模糊、字符倾斜等特点，使得汉字识别变得很困难，基于现有的字母数字识别方法，无法达到满意的准确率。因此，准确识别车牌汉字字符，成为国内车牌识别系统的难点。车牌汉字识别通常采用三种识别方法，分别是基于模板匹配的方法、基于神经网络的方法、基于支持向量机(SVM)的方法。依据模式识别理论可知，影响识别准确率的最大因素，不是选择的哪种分类方法，而是选择的目标特征，只要汉字字符特征选择的合适，上述三种方法均能达到不错的分类效果。因此，如何选择汉字字符特征，成为决定车牌汉字识别成败的关键。目前，常用的车牌汉字特征主要有以下几类：(1)全局特征，该类特征采用全局变换来获取字符的整体特征，使用有序的整体特征或者子集特征来构成特征向量，常见的特征有GABOR变换特征、矩特征、投影特征、笔划密度特征、HARR特征、HOG特征等。这些特征的优点是对局部变化不敏感，抗干扰能力强；其缺点是容易忽略某些重要的局部特征，无法区分相似的字符。(2)局部特征，该类特征采用在字符的多个局部区域内，计算相应的特征，使用串联的有序局部特征构成最终的特征向量，主要包括局部灰度特征、LBP特征、穿线特征、SIFT特征等。该类特征的优点是区分字符的能力强；其缺点是抗干扰能力弱，运算相对较慢。
技术实现思路
本专利技术的目的在于针对使用全局特征或局部特征识别汉字的缺点，提供一种基于多特征融合的车牌汉字识别方法，通过融合多种特征，可以更加精确地识别汉字，同时对于字符的图像质量要求更低。本专利技术的技术方案为：一种基于多特征融合的车牌汉字识别方法，包括以下步骤：(1)对收集的若干训练图像进行预处理，得到若干训练样本；(2)分别获取训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(3)串联训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成训练样本的汉字融合特征向量；(4)将所有训练样本的汉字融合特征向量输入SVM分类器，完成对SVM分类器的训练；(5)对待测车牌汉字图像进行预处理，得到测试样本；(6)分别获取测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(7)串联测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成测试样本的汉字融合特征向量；(8)将测试样本的汉字融合特征向量输入训练完成的SVM分类器，识别得到待测车牌汉字图像中的汉字。所述的基于多特征融合的车牌汉字识别方法，步骤(2)中，获取训练样本的汉字边缘特征向量，具体包括以下步骤：(21)利用以下公式，计算训练样本全图每一个像素的梯度幅值和方向角度：其中，M(x，y)表示像素(x，y)的梯度幅值，α(x，y)万表示像素(x，y)的方向角度，g(x，y)表示像素(x，y)的灰度值；(22)利用以下公式，对步骤(21)计算出的方向角度进行校正：其中，α′(x，y)表示校正后的方向角度；(23)基于像素的方向角度，统计每个晶胞的4维梯度方向直方图，每个晶胞由若干像素构成；(24)将4个晶胞的梯度方向直方图串联起来，构成一个区块的梯度方向直方图；(25)将所有区块的梯度方向直方图归一化后串联起来，形成训练样本的汉字边缘特征向量。所述的基于多特征融合的车牌汉字识别方法，步骤(2)中，获取训练样本的汉字灰度特征向量，具体包括以下步骤：(31)借助HARR特征模板，分别将训练样本按照五种方式进行划分，即分别将训练样本划分为左右两个局部区域、上下两个局部区域、左中右三个局部区域、上中下三个局部区域、左上、左下、右上、右下四个局部区域，得到14个局部区域子图；(32)利用最大类间距算法，获取训练样本的二值图像；(33)基于训练样本的二值图像，统计得到全图前景目标点所占的比例；(34)基于训练样本的二值图像，分别统计得到14个局部区域子图前景目标点所占的比例；(35)将得到的各个比例值串联起来，形成训练样本的汉字灰度特征向量。所述的基于多特征融合的车牌汉字识别方法，步骤(2)中，获取训练样本的汉字纹理特征向量，具体包括以下步骤：(41)借助HARR特征模板，分别将训练样本按照五种方式进行划分，即分别将训练样本划分为左右两个局部区域、上下两个局部区域、左中右三个局部区域、上中下三个局部区域、左上、左下、右上、右下四个局部区域，得到14个局部区域子图；(42)利用以下公式，对训练样本进行LBP特征变换，得到训练样本的LBP特征图：其中，LBPp，r(xc，yc)表示当前像素(xc，yc)的LBP变换特征，g(xc，yc)表示当前像素(xc，yc)的灰度值，g(xn，yn)表示邻域像素(xn，yn)的灰度值，p表示邻域像素的数目，r表示领域半径；(43)基于训练样本的LBP特征图，统计得到全图的9维灰度直方图；(44)基于训练样本的LBP特征图，分别统计得到14个局部区域子图的9维灰度直方图；(45)将得到的各个9维灰度直方图串联起来，形成训练样本的汉字纹理特征向量。本专利技术的有益效果在于：(1)融合了汉字的全局特征和局部特征，克服了二者的固有缺点，对于含强干扰的汉字和低图像质量的汉字，均具有很好的鲁棒性；(2)所选特征包含了汉字的边缘梯度特征、灰度特征、纹理特征，特征更加合理、全面，可以获取更加准确的识别结果。附图说明图1是本专利技术的方法流程图；图2是本专利技术的汉字边缘特征求取过程图；图3是本专利技术的局部区域子图划分模板；图4是本专利技术的LBP特征变换过程图。具体实施方式下面，结合附图和具体实施例进一步说明本专利技术。如图1所示，一种基于多特征融合的车牌汉字识别方法，包括以下步骤：步骤101：获取SVM分类器的训练样本，按照以下步骤102至步骤107，收集所有训练样本的汉字融合特征向量，送入SVM分类器进行训练，得到训练结果文件。步骤102、将待测图像进行归一化，消除不同尺寸带来的影响。步骤103、如图2所示，基于HOG特征理论，获取待测图像的汉字边缘特征向量，具体步骤如下：(1)按照公式[1]和式[2]，计算全图每一个像素的梯度幅值M(x，y)和方向角度α(x，y)，由于将梯度方向的范围限定在[0，π]，所以再按照公式[3]，对计算出的方向角度α(x，y)进行校正：公式[1]公式[2]其中，g(x，y)是像素(x，y)的灰度值；公式[3]其中，α′(x，y)是校正后的方向角度；(2)基于像素的方向角度，统计每个cell的梯度方向直方图，由于汉字的笔划主要由横竖撇捺组成，因此选择4维梯度方向直方图来表达特征；(3)将4个cell的梯度方向直方图串联起来，形成一个block区域梯度方向直方图，并进行归一化；(4)串联所有的block梯度方向直方图，形成待测图像的汉字边缘特征向量。步骤104、如图3所示，借助HARR特征模板，将待测图像划分为14个局部区本文档来自技高网...

【技术保护点】
一种基于多特征融合的车牌汉字识别方法，其特征在于，包括以下步骤：(1)对收集的若干训练图像进行预处理，得到若干训练样本；(2)分别获取训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(3)串联训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成训练样本的汉字融合特征向量；(4)将所有训练样本的汉字融合特征向量输入SVM分类器，完成对SVM分类器的训练；(5)对待测车牌汉字图像进行预处理，得到测试样本；(6)分别获取测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(7)串联测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成测试样本的汉字融合特征向量；(8)将测试样本的汉字融合特征向量输入训练完成的SVM分类器，识别得到待测车牌汉字图像中的汉字。

【技术特征摘要】
1.一种基于多特征融合的车牌汉字识别方法，其特征在于，包括以下步骤：(1)对收集的若干训练图像进行预处理，得到若干训练样本；(2)分别获取训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(3)串联训练样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成训练样本的汉字融合特征向量；(4)将所有训练样本的汉字融合特征向量输入SVM分类器，完成对SVM分类器的训练；(5)对待测车牌汉字图像进行预处理，得到测试样本；(6)分别获取测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量；(7)串联测试样本的汉字边缘特征向量、汉字灰度特征向量、汉字纹理特征向量，形成测试样本的汉字融合特征向量；(8)将测试样本的汉字融合特征向量输入训练完成的SVM分类器，识别得到待测车牌汉字图像中的汉字；步骤(2)中，获取训练样本的汉字灰度特征向量，具体包括以下步骤：(31)借助HARR特征模板，分别将训练样本按照五种方式进行划分，即分别将训练样本划分为左右两个局部区域、上下两个局部区域、左中右三个局部区域、上中下三个局部区域、左上、左下、右上、右下四个局部区域，得到14个局部区域子图；(32)利用最大类间距算法，获取训练样本的二值图像；(33)基于训练样本的二值图像，统计得到全图前景目标点所占的比例；(34)基于训练样本的二值图像，分别统计得到14个局部区域子图前景目标点所占的比例；(35)将得到的各个比例值串联起来，形成训练样本的汉字灰度特征向量。2.根据权利要求1所述的基于多特征融合的车牌汉字识别方法，其特征在于，步骤(2)中，获取训练样本的汉字边缘特征向量，具体包括以下步骤：(21)利用以下公式，计算训练样本全图每一个像素的梯度幅值和方向角度：其中，M(x，y)表示像素(x，y)的梯度幅值，α(x，y...

【专利技术属性】
技术研发人员：张卡，何佳，聂勇，郑浩，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：安徽;34