车牌字符识别方法技术

本发明专利技术提供了一种车牌字符识别方法，该方法中所采用的描述器是直接以字符图像的几何中心点作为特征点，通过PCA算法寻找车牌字符图像中字符的主方向，从而生成字符特征点的描述子，相对于现有的SIFT描述器而言，车牌字符图像中字符的主方向的运算量得以大幅简化，提高了计算机运算效率，能够更好的满足车牌识别系统的实时性要求，并且生成的描述器同时保证了车牌字符图像的旋转不变性以及抗噪声和光照影响的能力，具有良好的鲁棒性；同时，采用SVM分类算法与本发明专利技术采用的NSIFT描述器相结合对车牌字符图像进行字符识别，相对于采用KNN等其它分类算法而言，在不增加分类算法运算复杂度的前提下具备了更高的识别率。

【技术实现步骤摘要】

本专利技术属于交通管理和图像识别
，尤其涉及一种。
技术介绍
车牌号码跟身份证号码一样是对车辆进行标识的标记。随着现代交通管理系统智 能化的快速发展，车牌识别系统在交通管理系统的各个领域都有广泛的应用。车牌识别系 统的处理流程通常包括图像采集、图像预处理、车牌图像定位、车牌字符图像分割和车牌字 符识别这五个部分；其中，图像采集，是利用交通摄像头等图像采集设备采集含有汽车车牌 的图像信息；图像预处理部分可以在车牌图像定位、车牌图像分割两个部分的之前、之间或 之后进行，主要是对图像进行去噪滤波、灰度化、二值化等预处理，用以增强车牌图像的可 识别性能；车牌图像定位，是从采集的含有汽车车牌的图像信息中定位到车牌图像，并将车 牌图像抽离出来，以便针对性的进行识别处理；车牌字符图像分割，是将车牌图像中含有的 多个字符一一分割开，得到仅含有单个字符的车牌字符图像，便于后期仅对车牌字符图像 进行识别而避免了考虑车牌图像中多个字符之间的排列组合可能性，有助于大幅度降低车 牌识别系统数据库的数据冗余度；车牌字符识别，是通过数学建模，采用识别算法对分割得 到的车牌字符图像进行字符识别，从而获得车牌字符识别结果。图像采集、图像预处理、车 牌图像定位、车牌字符图像分割这几个部分的技术处理相对比较简单，现有技术中的相关 处理技术已经能够较好的满足其要求。车牌字符识别部分技术难度较高，也是车牌识别系 统中最重要、最关键的一个部分，由于图像采集设备安放位置和拍摄角度等原因，采集到的 汽车车牌图像中字符的主方向(字符的主方向，是指图像中字符自身的竖直方向)很可能 是倾斜一定角度的，增加了车牌字符识别的难度，因此车牌字符识别过程中，需要先建立适 宜的描述器对车牌字符图像加以数学描述，以修正车牌字符图像中字符的主方向，同时要 保证对车牌字符图像描述的鲁棒性，以营造良好的字符识别基础，再选择适宜的分类识别 算法对字符进行基于数据库的分类识别。由此可见，描述器处理质量的优劣将直接影响最 终的字符识别率，因此，如何利用鲁棒特征描述方法建立良好的描述器，成为整个车牌识别 系统的技术核心。目前，已经提出的描述器设计算法有很多，Mikolajczyk等人在文献“A performance evaluation of local descriptors.IEEE Transactions on Pattern Analysis and Machine Intelligence” (Oct，2005)中详细的分析对比了各种描述器的性 能。其中，差分不变描述器(可参考文献“Koenderink J, van Doorn A J. Representation of local ge-ometry in the visual system. Biological Cybernetics，1987，55 (6) 367-375”)的总体性能较差；可调滤波器(可参考文献“Freeman W Τ, Adelson EH. The design and use of steerable filters. IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13 (9) :891_906，，)和梯度矩(可参考文献 “van Gool LJ, Moons T，Ungureanu D. Affne/photometric invariants for planar intensity patterns. In-Proceedings of the 4th European Conference on Computer Vision.Cam-bridge, England =Springer, 1996. 642-651")虽然设计简单，匹配速度快，但是鲁 棒性差；形状上下文(可参考文献“Belongie S，Malik J, Puzicha J. Shape matching and ob-ject recognition using shape contexts. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24 (4) :509_522”)、复系数滤波器(可参考文 献“Schaffalitzky F,Zisserman A. Multi-view matching for un-ordered image sets, or iHow do I organize my holiday snaps ？, ·In Processing of the 7th European Conference on Computer Vision.Copenhagen, Denmark :Springer,2002. 414-431")等 描述器对图像的变换不具有较好的鲁棒性；相对而言，SIFT描述器(Scale-invariant feature transform，尺度不变特征转换，简称SIFT ；可参考文献“Lowe D G. Distinctive image features from scale-invariant keypoints. International Journal of Computer Vision, 2004,60 (2) :91_110”)可以说是目前最具鲁棒性的描述器，但由于其尺度不变特 征点的提取算法的计算复杂性很高，对计算机处理效率带来了很大的负面影响，另一方面， SIFT描述器中128维的向量维数较高，导致匹配运算速度较慢，也进一步恶化了计算机处 理效率，这两方面的原因都使得SIFT描述器难以满足车牌字符识别系统的实时性要求。
技术实现思路
针对现有技术中存在的上述问题，本专利技术基于车牌字符图像的特点而提供一种 简化了 SIFT描述器运算步骤的；本专利技术的中所采用 的描述器是直接以字符图像的几何中心点作为特征点，通过PCA (Principal Component Analysis，主成分分析，简称PCA)算法寻找车牌字符图像中字符的主方向，从而生成字符 特征点的描述子，简化了图像特征点的计算复杂性，有助于提高车牌字符识别的计算机运 算效率，以便更好的满足实时性要求。为实现上述目的，本专利技术采用了如下技术手段，包括以下步骤A)修正车牌字符图像中字符的主方向；该步骤具体包括al)预先将车牌字符图像的分辨率处理为R行XC列，并设定灰度阈值Ptl，将车牌 字符图像中灰度值大于灰度阈值Ptl的像素点判定为字符像素点；a2)以车牌字符图像的几何中心点作为原点建立直角坐标系，将车牌字符图像中 的字符像素点映射到所述直角坐标系中，其坐标映射公式为权利要求1.，其特征在于，包括以下步骤A)修正车牌字符图像中字符的主方向；该步骤具体包括al)预先将车牌字符图像的分辨率处理为R行XC列，并设定灰度阈值Ptl，将车牌字符 图像中灰度值大于灰度阈值Ptl的像素点判定为字符像素点；a2)以车牌字符图像的几何中心点作为原点建立直角坐标系，将车牌字符图像中的字 符像素点映射到所述直角坐标系本文档来自技高网...

【技术保护点】
１．车牌字符识别方法，其特征在于，包括以下步骤：Ａ）修正车牌字符图像中字符的主方向；该步骤具体包括：ａ１）预先将车牌字符图像的分辨率处理为Ｒ行×Ｃ列，并设定灰度阈值Ｐ０，将车牌字符图像中灰度值大于灰度阈值Ｐ０的像素点判定为字符像素点；ａ２）以车牌字符图像的几何中心点作为原点建立直角坐标系，将车牌字符图像中的字符像素点映射到所述直角坐标系中，其坐标映射公式为：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｖｃ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）Ｃ（／ｍｉ）?（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ｃ（／ｍｉ）?（ｍｏ），（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ｙ（／ｍｉ）?（ｍｉ）ｖｒ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）＝（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｉ）Ｒ（／ｍｉ）?（ｍｏ）－（／ｍｏ）?（ｍｎ）１（／ｍｎ）?ｕｐ）?（ｍｉ）＆ｓｉｇｍａ；（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｐ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（／ｍｒｏｗ）?（／ｍｓｕｐ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，ｅ为自然常数，π为圆周率，σ取常数；ｂ５）计算正向车牌字符图像中第ｒ行第ｃ列像素点的方向权重ＤＷＬｔ（ｘｃ，ｙｒ）：（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｂ）?（ｍｉ）ＤＷ（／ｍｉ）?（ｍｉ）Ｌｔ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｃ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｙ（／ｍｉ）?（ｍｉ）ｒ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（ｍｏ）－（／ｍｏ）?（ｍｆｒａｃ）?（ｍｒｏｗ）?（ｍｏ）｜（／ｍｏ）?（ｍｉ）＆ｔｈｅｔａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｉ）ｃ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍ（／ｍｒｏｗ）?（ｍｎ）２（／ｍｎ）?（／ｍｆｒａｃ）?（ｍｏ）－（／ｍｏ）?（ｍｉ）ｒ（／ｍｉ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）（ｘｖｃ，ｙｖｒ）即为位于车牌字符图像中第ｒ行第ｃ列的字符像素点在直角坐标系中的坐标，其ｓｕｂ）?（ｍｉ）ｙ（／ｍｉ）?（ｍｉ）ｒ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）－（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）Ｌ（／ｍｉ）?（ｍｉ）ｔ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ）｜（／ｍｏ）?（／ｍｒｏｗ）?（ｍｒｏｗ）?（ｍｎ）０．２５（／ｍｎ）?（ｍｉ）＆ｐｉ；（／ｍｉ）?（／ｍｒｏｗ）?（／ｍｆｒａｃ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）其中，Ｌｔ的取值条件满足Ｌｔ＝ｔ·０．２５π，ｔ∈｛０，１，２，３，４，５，６，７｝，且｜θ（ｘｃ，ｙｒ）－Ｌｔ｜＜０．２５π；ｂ６）生成正向车牌字符图像中第ｒ行第ｃ列像素点的描述子Ｗ（ｘｃ，ｙｒ）：Ｗ（ｘｃ，ｙｒ）＝ＰＷｉｊ（ｘｃ，ｙｒ）×ＤＷＬｔ（ｘｃ，ｙｒ）×ＧＷ（ｘｃ，ｙｒ）×ｍ（ｘｃ，ｙｒ）；ｂ７）按照步骤ｂ２）～ｂ６）所述的方法，生成正向车牌字符图像中各个像素点的描述子；将正向车牌字符图像中一个小区域内的各个像素点的描述子相累加，形成一个８维的描述器因子，从而由正向车牌字符图像中１６个小区域所形成的１６个描述器因子构成１２８维的描述器；Ｃ）对待测车牌字符图像进行字符识别；该步骤具体包括：ｃ１）在数据库中建立所含字符已知的车牌字符图像模板，所述车牌字符图像模板包括所含字符为汉字的汉字图像模板、所含字符为字母的字母图像模板以及所含字符为数字的数字图像模板；ｃ２）针对待测车牌字符图像，在数据库中指定部分车牌字符图像模板作为识别基准；采用步骤Ａ）和步骤Ｂ）所述的方法生成待测车牌字符图像的描述器以及针对其指定的部分车牌字符图像模板的描述器，并基于针对其指定的部分车牌字符图像模板的描述器采用ＳＶＭ分类算法对待测车牌字符图像的描述器进行分类运算，求得与待测车牌字符图像相匹配的车牌字符图像模板，从而识别出待测车牌字符图像中的字符，输出识别结果；其中，针对车牌第一个字符的待测车牌字符图像指定的部分车牌字符图像模板为数据库中的各汉字图像模板，针对车牌第二个字符的待测车牌字符图像指定的部分车牌字符图像模板为数据库中的各字母图像模板，针对车牌第三或第四个字符的待测车牌字符图像指定的部分车牌字符图像模板为数据库中的各字母图像模板以及...

【技术特征摘要】

【专利技术属性】
技术研发人员：杨梦宁，张小洪，徐玲，洪明坚，
申请(专利权)人：重庆大学，
类型：发明
国别省市：85