基于机器学习和最大极值稳定区域的车牌识别方法技术

本发明专利技术公开了一种基于机器学习和最大极值稳定区域的车牌识别方法，充分利用最大极值稳定区域具有仿射不变性和对光照的适应性，且适用于文字字符检测提取的特点，直接对原车辆图像中的字符区域进行提取，并结合机器学习和车牌排列规则去除非字符区域，无需再进行车牌定位和字符分割等一系列繁琐操作，提高了车牌识别方法的效率，且适用于复杂环境下的车牌识别，适合于智能交通系统的设计和部署。

License Plate Recognition Based on Machine Learning and Maximum Extremum Stability Region

【技术实现步骤摘要】
基于机器学习和最大极值稳定区域的车牌识别方法
本专利技术涉及车牌识别领域，特别是涉及一种基于机器学习和最大极值稳定区域的车牌识别方法。
技术介绍
随着信息化和智能化程度的不断提高，智能交通系统也在经历快速的发展。车牌自动识别是智能交通系统设计中的一个重要问题，世界上所有的车辆都有一个车牌号作为其唯一的标识符。由于对车牌自动识别的需求不断增加，在过去十多年里，车牌识别技术已经取得了很大的进步。在中国，汽车的车牌是长方形的，有7个字符，任何车牌上的第一个字符必须是代表该车所属省份的中文字符。由于中文字符的笔画和形状比英文字符和数字复杂，因此中文车牌自动识别任务的复杂度明显较高。因此，准确、鲁棒性强的中文车牌识别系统是在中国部署智能交通系统的一项重要而具有挑战性的任务。传统的车牌识别技术主要分为车牌定位和字符分割两个部分，车牌定位主要借助边缘检测和颜色匹配来实现，而字符分割则是借助车牌字符的几何特征和排列规则来进行划分。但边缘检测和颜色匹配受环境光照影响大，在复杂环境下往往难以准确定位车牌。
技术实现思路
专利技术目的：本专利技术的目的是提供一种基于机器学习和最大极值稳定区域的车牌识别方法，无本文档来自技高网...

【技术保护点】
1.基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：包括以下步骤：S1：对车辆图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像；S2：对预处理后的图像进行最大极值稳定区域提取，然后对提取出的每一个区域取轮廓并外接最小矩形框；S3：利用车牌字符特有的尺寸特征对提取出的区域进行筛选，去除非字符区域；S4：将步骤S3筛选出的区域输入训练好的机器学习模型进行判别，去除非字符区域；S5：对步骤S4中通过机器学习模型筛选出的区域进行去包含操作，得到剩余区域；S6：计算每个剩余区域的中心坐标，根据每个剩余区域的中心坐标去除孤立的非字符区...

【技术特征摘要】
1.基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：包括以下步骤：S1：对车辆图像进行预处理操作，将彩色的原始图像转换为灰度图像，再将灰度图像进行高斯模糊处理和滤波去噪，得到预处理后的图像；S2：对预处理后的图像进行最大极值稳定区域提取，然后对提取出的每一个区域取轮廓并外接最小矩形框；S3：利用车牌字符特有的尺寸特征对提取出的区域进行筛选，去除非字符区域；S4：将步骤S3筛选出的区域输入训练好的机器学习模型进行判别，去除非字符区域；S5：对步骤S4中通过机器学习模型筛选出的区域进行去包含操作，得到剩余区域；S6：计算每个剩余区域的中心坐标，根据每个剩余区域的中心坐标去除孤立的非字符区域；S7：检查步骤S6得到的剩余区域是否有缺失，若存在缺失，则进行补全；S8：进行字符识别，输出识别结果。2.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：所述步骤S5中，去包含操作包括以下步骤：S51：判断步骤S4筛选出的所有区域中是否有两个区域对应的外接矩形框满足式(1)的条件：如果是，则判定第一区域对应的外接矩形框包含第二区域对应的外接矩形框，然后保留第一区域对应的外接矩形框，去除第二区域对应的外接矩形框；否则，不进行任何操作；式(1)中，rect1表示第一区域对应的外接矩形框，rect1.x表示第一区域对应的外接矩形框的横坐标，rect1.y表示第一区域对应的外接矩形框的纵坐标，rect1.width表示第一区域对应的外接矩形框的宽度，rect1.height表示第一区域对应的外接矩形框的高度，rect2表示第二区域对应的外接矩形框，rect2.x表示第二区域对应的外接矩形框的横坐标，rect2.y表示第二区域对应的外接矩形框的纵坐标，rect2.width表示第二区域对应的外接矩形框的宽度，rect2.height表示第二区域对应的外接矩形框的高度；S52：重复执行步骤S51，直至步骤S4筛选出的所有区域中不存在两个区域对应的外接矩形框满足式(1)的条件后结束。3.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：所述步骤S6中，根据每个剩余区域的中心坐标去除孤立的非字符区域的过程包括按剩余区域中心坐标的纵坐标从上到下进行排序，通过比较相邻纵坐标间的高度差去除竖直方向上孤立的非字符区域的步骤；还包括按剩余区域中心坐标的横坐标从左到右进行排序，通过比较相邻横坐标间的水平距离差去除水平方向上孤立的非字符区域的步骤。4.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：所述步骤S4中，机器学习模型训练的过程中的训练样本分为字符区域和非字符区域两大类，字符区域分为字母、数字和代表省份的汉字，非字符区域分为非车牌区域上的非字符区域和车牌区域上的非字符区域，且训练样本都是彩色图像。5.根据权利要求1所述的基于机器学习和最大极值稳定区域的车牌识别方法，其特征在于：所述步骤S7中，补全的过程包括以下步骤：S71：将步骤S6得到的剩余区域按照外接最小矩形框的左边界从左往右进行排序；S72：在最靠左的剩余区域左边取一个新区域，记为第一新区域，第一新区域根据式(2)选取：式(2)中，new表示第一新区域的...

【专利技术属性】
技术研发人员：牛丹，李永胜，薛裕峰，李凡，黄雪颖，陈夕松，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32