车牌字符的识别方法技术

本发明专利技术提供了一种车牌字符的识别方法，主要解决现有技术识别速度慢，实现复杂的问题，其识别过程是：将车牌预处理后的字符单个取出，进行归一化，并进行垂直和水平方向的扫描，记录其水平和垂直特征向量，并分别与已经存储好的标准字符库的特征向量计算相似度；经过相似度大小比对，找出最大相似度的字符库的某一字符，该字符就是待识别字符的第一次识别结果；将第一次识别结果中的部分相近字符分成上下或者左右部分，分别扫描其特征向量，然后与字符的特征向量库做相似度计算，找出最大相似度的字符库的某一字符，作为最终识别的结果。本发明专利技术具有识别速度快，识别准确率高的优点，可用于对高速行驶车辆的车牌的实时检测。

【技术实现步骤摘要】

本专利技术属于图像处理
，特别是涉及一种字符识别方法，可用于对车牌字 符的识别。
技术介绍
近年以来，我国在基础设施的建设上加快了步伐，相比之下，道路管理监控以及科 学收费软件等设施建设却相对滞后，针对这种情况，管理部门已着手进行诸如交通信号自 适应控制系统、智能交通监控系统、GPS车辆管理及导航系统、不停车自动收费系统等智能 化交通系统ITS的研制。其中车辆牌照识别系统在多个领域处于关键一环，因此，车牌识别 系统要具有较高的识别率，同时对环境光照条件，拍摄位置和车辆行驶速度等因素影响也 应有较大的鲁棒性，并能满足实时性的要求。通过牌照对车辆进行管理是交通实现现代化和智能化的基础，车牌识别技术是计 算机智能化应用的一个分支，是计算机视觉与模式识别技术在智能交通领域应用的重要研 究课题，属于图像处理的一个非常重要的领域。其用途非常广泛，大体包括(1)高速公路收费、监控管理。(2)小区、停车场管理。(3)城市道路监控、违章管理。(4)车牌登陆、验证。(5)车流统计、安全管理。随着计算机性能的提高和计算机视觉技术的发展，汽车牌照自动识别技术已经日 趋成熟。目前的牌照识别系统已经达到了一定的识别率，但是，在天气条件差或者夜晚的情 况下，识别率会有明显的降低。现有的牌照识别系统要达到完全的实用化仍然有很长的路 要走。就汽车牌照识别技术的发展趋势来看，主要的目标是提高识别系统的识别率和鲁棒 性，以便在各种条件下工作。这里所说的各种条件包括；晴天、阴天、雨雪天不同天气，白天、 夜晚不同时间、公路边或者停车场不同场合等等。对识别系统的另一个要求是时间上的，处 理速度要尽量快，达到实时。现有的车牌字符识别方法主要是神经网络识别方法，神经网络识别方法是近些年 兴起的模式识别领域的一个新的研究方向。由于神经网络的高速并行处理、分布存贮信息 等特性符合人类视觉系统的基本工作原则，具有很强自学习性、自组织性、容错性、高度非 线性、高的鲁棒性、联想记忆功能和推理意识功能等，能够实现目前基于计算理论层次上的 模式识别理论所无法完成的模式信息处理工作。传统的基于光学的车牌识别系统一般都选取BP神经网络，即误差后向传播神经 网络，作为字符识别模块的主要方法。神经网络的图像分类器网络共分为3层，层与层之间 多采用全互连方式。同一层单元之间不存在相互连接。网络的每个输入节点表示图像特征 向量的一个分量数据即灰度值，输出节点表示分类序号，分类判决采用输出最大值法。BP网络模型实现了多层网络学习的设想。当给定网络的一个输入模式时，它由输入层单元送到隐层单元，经隐层单元逐层处理后再送到输出层单元。由输出层单元处理后 产生一个输出模式，故称为前向传播。如果输出响应与期望输出模式有误差，且不满足要 求，那就传入误差后向传播，即将误差值沿连接通路逐层向后传送，并修正各层连接权值。BP网络学习是典型的有导师学习。训练集包含M个样本，对第ρ个训练样本(ρ =1，2，. . .，M)，单元j的实际输出为0Pj，它的第i个输入，也即第i个神经元的输出为0Pi， 则 权利要求一种车牌字符识别方法，包括如下步骤(1)选取车牌字符，数字，字母，汉字各一个，并对其分别进行归一化；(2)对归一化后的字符分别进行垂直和水平方向的扫描，记录其扫描黑白跳变次数的序列，即特征值向量VTD和HTD，并将这些特征向量做成标准的特征向量库存储，选择一些容易造成误识别的相近字符建立相近字符集；(3)对待识别的车牌进行二值化和字符分割，并取出的单个字符进行归一化；(4)对归一化后的单个字符分别进行垂直和水平方向的扫描，分别记录垂直特征值向量VTD和水平特征向量HTD；(5)通过以下相似度公式，分别计算字符的垂直特征向量和水平特征向量与特征向量库的垂直相似度和水平相似度； <mrow><mi>Similarity</mi><mrow> <mo>(</mo> <msub><mi>X</mi><mi>m</mi> </msub> <mo>,</mo> <msub><mi>X</mi><mi>n</mi> </msub> <mo>)</mo></mrow><mo>=</mo><mfrac> <mrow><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>J</mi></munderover><msub> <mi>x</mi> <mi>mj</mi></msub><msub> <mi>x</mi> <mi>nj</mi></msub> </mrow> <msqrt><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>J</mi></munderover><msubsup> <mi>x</mi> <mi>mj</mi> <mn>2</mn></msubsup><munderover> <mi>&Sigma;</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>J</mi></munderover><msubsup> <mi>x</mi> <mi>nj</mi> <mn>2</mn></msubsup> </msqrt></mfrac> </mrow>式中，Xm和Xn分别为字符m和字符n的特征向量，J为特征向量的维度，xmj表示字符m特征向量的第j个特征值，xnj表示字符n特征向量的第j个特征值，Similarity(Xm本文档来自技高网...

【技术保护点】
一种车牌字符识别方法，包括如下步骤：（１）选取车牌字符，数字，字母，汉字各一个，并对其分别进行归一化；（２）对归一化后的字符分别进行垂直和水平方向的扫描，记录其扫描黑白跳变次数的序列，即特征值向量ＶＴＤ和ＨＴＤ，并将这些特征向量做成标准的特征向量库存储，选择一些容易造成误识别的相近字符建立相近字符集；（３）对待识别的车牌进行二值化和字符分割，并取出的单个字符进行归一化；（４）对归一化后的单个字符分别进行垂直和水平方向的扫描，分别记录垂直特征值向量ＶＴＤ和水平特征向量ＨＴＤ；（５）通过以下相似度公式，分别计算字符的垂直特征向量和水平特征向量与特征向量库的垂直相似度和水平相似度；Ｓｉｍｉｌａｒｉｔｙ（Ｘ↓［ｍ］，Ｘ↓［ｎ］）＝＊ｘ↓［ｍｊ］ｘ↓［ｎｊ］／＊＊＊式中，Ｘ↓［ｍ］和Ｘ↓［ｎ］分别为字符ｍ和字符ｎ的特征向量，Ｊ为特征向量的维度，ｘ↓［ｍｊ］表示字符ｍ特征向量的第ｊ个特征值，ｘ↓［ｎｊ］表示字符ｎ特征向量的第ｊ个特征值，Ｓｉｍｉｌａｒｉｔｙ（Ｘ↓［ｍ］，Ｘ↓［ｎ］）表示字符ｍ和字符ｎ的相似度；（６）计算每一个字符对应的水平相似度和垂直相似度的加权和，得到一组最终的相似度：Ｓｉｍｉ↓［ｍｎ］＝αＳｉｍｉ↓［ＶＴＤ］（Ｘ↓［ｍ］，Ｘ↓［ｎ］）＋βＳｉｍｉ↓［ＨＴＤ］（Ｘ↓［ｍ］，Ｘ↓［ｎ］）式中，Ｓｉｍｉ↓［ＶＴＤ］（Ｘ↓［ｍ］，Ｘ↓［ｎ］）为垂直方向的相似度，Ｓｉｍｉ↓［ＨＴＤ］（Ｘ↓［ｍ］，Ｘ↓［ｎ］）为水平方向的相似度，α和β分别为ＶＴＤ和ＨＴＤ所占权重，在应用中选取α为０．４，β为０．６，Ｓｉｍｉ↓［ｍｎ］为水平相似度和垂直相似度的加权和；（７）对得到的相似度进行大小比对，找出最大相似度，并取出最大相似度所对应的字符结果；（８）将取出最大相似度所对应的字符结果与容易造成误识别的相近字符集进行对比，如果字符结果不在相近字符集中，则识别结束，如果字符结果在相近字符集中，则进行步骤９的二次识别；（９）将字符分为上下或者左右两部分扫描其特征向量，取分成的两部分作为部分特征向量，重新计算相似度，对得到的相似度进行大小比对，找出最大相似度，并取出最大相似度所对应的字符结果，得到识别结果。...

【技术特征摘要】

【专利技术属性】
技术研发人员：张向东，沈沛意，白建华，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]