一种车牌字符分割与识别方法技术

本发明专利技术公开了一种车牌字符分割与识别方法，包括以下步骤：S1.对车牌图像进行预处理；S2.去除间隔符、去除上下边框、定位出第二个字符右端的坐标；S3.分割字符，并将字符归一化；S4.将采集的数据集分为训练集和测试集；S5.构建一个适用于车牌字符图像识别的卷积神经网络；S6.选择训练参数，并使用训练集对设定好的网络进行训练；S7.使用测试集对训练好的网络进行测试，得到车牌识别网络的准确率。本发明专利技术能避免因字符断裂而导致的字符分割失败问题，解决训练样本较少导致的过拟合问题，进一步提高收敛速度和模型的泛化能力。

【技术实现步骤摘要】
一种车牌字符分割与识别方法
本专利技术涉及车牌识别的
，尤其涉及到一种车牌字符分割与识别方法。
技术介绍
车牌号是车辆的一个重要标识，因此车牌识别技术对交通的管控有重要的意义，车牌识别系统是建设智能交通系统的重要环节。传统的字符分割有连通域法和垂直投影法，对字符分割有较好的效果，但当车牌中出现“川”、“浙”等字符断裂的情况时，连通域法和投影法就会错误地将“川”字分为3个“1”。传统的模板匹配车牌识别方法依赖于模板字符与待测字符的匹配程度，对原图像清晰度有严格的要求，该方法的识别效果并不好。在机器学习中,基于支持向量机的识别算法是一种比较经典的算法。此方法有很强的鲁棒性，但它过分强调字符特征的选取。目前，车牌识别算法大多是在卷积神经网络的基础上，做不断地改进和优化。现有技术通过提高模型复杂度，如增加了特征图数量，降低了训练误差。但在训练样本较少的情况下仍然使用复杂模型，就容易出现过拟合问题。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种能避免因字符断裂而导致的字符分割失败问题、解决训练样本较少导致的过拟合问题、进一步提高收敛速度和模型的泛化能力的车牌字符分割与识别方法。为实现上述目的，本专利技术所提供的技术方案为：一种车牌字符分割与识别方法，包括以下步骤：S1.对车牌图像进行预处理；S2.去除间隔符、去除上下边框、定位出第二个字符右端的坐标；S3.分割字符，并将字符归一化；S4.将采集的数据集分为训练集和测试集；S5.构建一个适用于车牌字符图像识别的卷积神经网络；S6.选择训练参数，并使用训练集对设定好的网络进行训练；S7.使用测试集对训练好的网络进行测试，得到车牌识别网络的准确率。进一步地，所述步骤S1具体包括：S11.对彩色车牌图像进行灰度化操作；S12.使用大津法对灰度图进行二值化操作。进一步地，所述步骤S2具体包括：S21.使用开运算去掉面积小于20的区域；S22.统计每一行像素由1变为0或是由0变为1的跳变次数，得到跳变次数统计图；从总行数的1/3处向上检索，得到跳变次数小于或等于13的行坐标x1；从总行数的2/3处向下检索，得到跳变次数小于或等于13的行坐标x2，去除区间[x1,x2]以外的区域；又得字符高度x＝(x2-x1)，单个字符宽度为a＝x*(45/90)，字符间距b＝x*(12/90)，第二个和第三个字符间距c＝x*(34/90)；S23.利用第二个字符与第三个字符间距最大的特点，用垂直投影法定位出第二个字符右端的坐标z1。进一步地，所述步骤S3具体包括：S31.使用x、z1、a、b、c计算出9个分割点y1至y9相对于z1的偏移量，然后通过偏移量计算出每一个分割点的坐标；S32.以9个分割点分割出7个字符；S33.将分割后的字符归一化，图像大小变换为30*24。进一步地，所述步骤S5中的卷积神经网络包括卷积层、Batchnormalization层、Relu激活层、最大池化层、Dropout层、全连接层、Softmax层。其中，卷积层的感受域是上一层的临近神经元区域，用于提取图像的特征；Batchnormalization层用于增强网络的泛化能力，提高网络模型的精度；Relu激活层使网络模型可以接近任意函数；最大池化层用于降低数据的维度；Dropout层用于抑制过拟合现象；全连接层用于线性变换；Softmax层可以得到一个多维的列向量，用于分类。进一步地，所述卷积神经网络的具体结构为：输入层、第一卷积层、第一Batchnormalization层、第一Relu激活层、第一最大池化层、第二卷积层、第二Batchnormalization层、第二Relu激活层、第二最大池化层、第三卷积层、第三Batchnormalization层、第三Relu激活层、第三最大池化层、第一Dropout层、第一全连接层、第二全连接层、第一Softmax层。与现有技术相比，本方案原理及优点如下：1)按照7个字符的空间位置对字符进行分割，避免了字符断裂而导致的字符分割失败问题。2)选用卷积神经网络，避免了复杂的特征提取，增强了鲁棒性。3)简化了卷积神经网络模型，并通过加入Dropout层和Batchnormalization层，并通过多次实验，不断调节Dropout层的随机失活概率，得到最优的值，解决了过拟合和收敛速度等问题，提高了准确率和收敛速度。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本专利技术一种车牌字符分割与识别方法的流程图；图2为本专利技术实施例去上下边框示意图；图3为本专利技术实施例字符分割示意图；图4为本专利技术实施例使用到的卷积神经网络的结构图。具体实施方式下面结合具体实施例对本专利技术作进一步说明：如图1所示，本实施例所述的一种针对车牌云DG7327进行字符分割与识别的方法，包括以下步骤：S1.对车牌图像进行预处理，具体为：S11.对彩色车牌图像进行灰度化操作；S12.使用大津法对灰度图进行二值化操作。S2.去除间隔符、去除上下边框、定位出第二个字符右端的坐标；具体为：S21.使用开运算去掉面积小于20的区域；S22.如图2所示，统计每一行像素由1变为0或是由0变为1的跳变次数，得到跳变次数统计图；从总行数的1/3处向上检索，得到跳变次数小于或等于13的行坐标x1；从总行数的2/3处向下检索，得到跳变次数小于或等于13的行坐标x2，去除区间[x1,x2]以外的区域；又得字符高度x＝(x2-x1)，单个字符宽度为a＝x*(45/90)，字符间距b＝x*(12/90)，第二个和第三个字符间距c＝x*(34/90)；S23.利用第二个字符与第三个字符间距最大的特点，用垂直投影法定位出第二个字符右端的坐标z1。S3.分割字符，并将字符归一化；具体为：参照图3所示，使用x、z1、a、b、c计算出9个分割点(y1至y9)相对于z1的偏移量，然后通过偏移量计算出每一个分割点的坐标；再以9个分割点分割出7个字符；将分割后的字符归一化，图像大小变换为30*24。S4.将采集的数据集分为训练集和测试集，具体地，数据集共9363张车牌字符图像，其中训练集8430张，测试集933张；训练集占比为90％，测试集占比为10％。S5.构建一个适用于车牌字符图像识别的卷积神经网络；具体地，卷积神经网络包括包含3层卷积层、3层Batchnormalization层、3层Relu激活层、3层最大池化层、1层Dr本文档来自技高网...

【技术保护点】
1.一种车牌字符分割与识别方法，其特征在于，包括以下步骤：/nS1.对车牌图像进行预处理；/nS2.去除间隔符、去除上下边框、定位出第二个字符右端的坐标；/nS3.分割字符，并将字符归一化；/nS4.将采集的数据集分为训练集和测试集；/nS5.构建一个适用于车牌字符图像识别的卷积神经网络；/nS6.选择训练参数，并使用训练集对设定好的网络进行训练；/nS7.使用测试集对训练好的网络进行测试，得到车牌识别网络的准确率。/n

【技术特征摘要】
1.一种车牌字符分割与识别方法，其特征在于，包括以下步骤：
S1.对车牌图像进行预处理；
S2.去除间隔符、去除上下边框、定位出第二个字符右端的坐标；
S3.分割字符，并将字符归一化；
S4.将采集的数据集分为训练集和测试集；
S5.构建一个适用于车牌字符图像识别的卷积神经网络；
S6.选择训练参数，并使用训练集对设定好的网络进行训练；
S7.使用测试集对训练好的网络进行测试，得到车牌识别网络的准确率。


2.根据权利要求1所述的一种车牌字符分割与识别方法，其特征在于，所述步骤S1具体包括：
S11.对彩色车牌图像进行灰度化操作；
S12.使用大津法对灰度图进行二值化操作。


3.根据权利要求1所述的一种车牌字符分割与识别方法，其特征在于，所述步骤S2具体包括：
S21.使用开运算去掉面积小于20的区域；
S22.统计每一行像素由1变为0或是由0变为1的跳变次数，得到跳变次数统计图；从总行数的1/3处向上检索，得到跳变次数小于或等于13的行坐标x1；从总行数的2/3处向下检索，得到跳变次数小于或等于13的行坐标x2，去除区间[x1,x2]以外的区域；又得字符高度x＝(x2-x1)，单个字符宽度为a＝x*(45/90)，字符间距b＝x*(12/90)，第二个和第三个字符间距c＝x*(34/90)；
S23.利用第二个字符与第三个字符间距最大的特点，用垂直投影法定位出第二个字符右端的坐标z1。


4.根据权...

【专利技术属性】
技术研发人员：高天，张波，林志洁，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东;44