专利名称：一种车牌汉字识别方法
技术领域：
本发明涉及一种智能交通领域的车牌识别技术，具体的说是一种车牌汉字识别方法。
背景技术：
智能交通系统(IntelligentTransportation System, ITS)起步于 20 世纪 60 70年代的交通管理计算机化，是一项以信息、通信等技术将人、车、路三者紧密协调而形成的一种大范围、全方位发挥作用的综合运输管理系统。车牌识别(License Plate Recognition, LPR)是智能交通系统重要组成部分,它是模式识别技术在交通领域的一种具体应用。其任务是分析、处理汽车图像，自动识别汽车牌号。LPR系统可以广泛用于电子收费、出入控制、公路流量监控、失窃车辆查询和停车场车辆管理等需要车牌认证的重要场合。尤其在高速公路收费系统中，能够实现不停车收费，从而提闻公路系统的运行效率。车牌识别技术是一门综合技术，包括图像处理、模式识别、人工智能等领域。车牌识别识别系统的基本工作流程为图像获取、车牌定位、倾斜校正、字符分割以及分类识别等。因此车牌字符识别是在车牌字符有效分割的基础上，对车牌汉字、字母、数字进行有效识别的过程。其中汉字识别，由于其笔划的复杂性，一直是车牌识别的一个难点。车牌汉字识别本质上是印刷体汉字识别，很多汉字识别的理论与方法已被引入其中，目前主要的方法有(I)模板匹配法，即先定义一个相似度函数，然后将现场采集的汉字图像与存储的模板图像相比较，选择与之最相似的模板作为识别结果。其中包括基于二值图像的匹配，基于灰度图像的匹配和基于特征的匹配等。此法的优点是算法实现简单，缺点是当基准模板规模比较大时，内存空间占用比较大，时间效率比较低。(2)统计分类法。经典的统计分类法是基于最小风险的贝叶斯决策，较新的统计分类法有支持矢量机。贝叶斯决策的分类性能对训练样本概率分布的依赖性比较大，当训练样本与实测样本分布接近时，具有比较好的分类效果。支持矢量机的优点是对特征维数不敏感，且具有比较好的泛化能力，其缺点是由二类到多类分类算法构建比较复杂，对于复杂的分类问题支持矢量数比较多，对于DSP实现来说，其空间与时间效率均不占优势(3)神经网络法。神经网络是并行算法，输入层可以是图像像素，也可以是图像特征，分类知识存储于网络结构的连接权值中，具有较强的自适应学习能力，特别适用于非性问题的回归与分类。此法的优点是，运算速度快，对训练样本具有较好学习能力，缺点是网络结构与测试样本的泛化性能直接相关，且训练算法不易收敛。目前，能够同时满足运算量小、效率高、算法收敛性好且具有较好泛化能力的车牌汉字识别方法尚未见报道
发明内容
针对现有技术中的车牌汉字识别方法实用性差、汉字识别率低等不足之处，本发明要求解决的技术问题是提供一种实用性强、能有效提高识别率的车牌汉字识别方法。为解决上述技术问题，本发明采用的技术方案是本发明一种车牌汉字识别方法包括以下步骤构造训练样本人工构造标准训练样本灰度图像；图像预处理对训练样本灰度图像进行预处理，即将彩色车牌汉字图像转化为灰度图像，并将图像尺寸进行调整，再做直方图均衡，生成预处理后的灰度图像； 频域带通滤波对上述预处理后的灰度图像通过P个通带相互连接的高斯带通滤波器进行带通滤波，得到P幅滤波后的灰度图像；降维处理将上述P幅滤波后的灰度图像采用线性或非线性方法进行降维处理，形成具有M维训练样本特征矢量的图像；RBF神经网络识别对降维处理后具有M维训练样本特征矢量的图像进行RBF神经网络进行车牌汉字识别，输出车牌汉字。将图像高、宽像素比值缩放到广2之间。所述频域带通滤波为对预处理后的灰度图像进行二维傅立叶变换；设置P个频域滤波器，将二维傅立叶变换的输出图像直接与P个滤波器相乘完成频域滤波，再作反傅立叶变换，得到带通滤波后的灰度图像。降维处理采用PCA降维方法，具体为I)对P幅滤波输出图像，采用mXn的均值模板，在灰度图像宽和高两个方向以t个像素的步长进行滑动，模板值与对应相素值相乘，再除以模板相素个数，得到的数值做为高维特征矢量中的一维，总计得到Q维特征矢量；2)对所有训练样本的Q维特征矢量求取均值矢量μ和协方差矩阵Σ
权利要求
1.一种车牌汉字识别方法，其特征在于包括以下步骤构造训练样本人工构造标准训练样本灰度图像；图像预处理对训练样本灰度图像进行预处理，即将彩色车牌汉字图像转化为灰度图像，并将图像尺寸进行调整，再做直方图均衡，生成预处理后的灰度图像；频域带通滤波对上述预处理后的灰度图像通过P个通带相互连接的高斯带通滤波器进行带通滤波，得到P幅滤波后的灰度图像；降维处理将上述P幅滤波后的灰度图像采用线性或非线性方法进行降维处理，形成具有M维训练样本特征矢量的图像；RBF神经网络识别对降维处理后具有M维训练样本特征矢量的图像进行RBF神经网络进行车牌汉字识别，输出车牌汉字。
2.按权利要求1所述的车牌汉字识别方法，其特征在于将图像高、宽像素比值缩放到广2之间。
3.按权利要求1所述的车牌汉字识别方法，其特征在于所述频域带通滤波为对预处理后的灰度图像进行二维傅立叶变换；设置P个频域滤波器，将二维傅立叶变换的输出图像直接与P个滤波器相乘完成频域滤波，再作反傅立叶变换，得到带通滤波后的灰度图像。
4.按权利要求1所述的车牌汉字识别方法，其特征在于降维处理采用PCA降维方法， 具体为1)对P幅滤波输出图像，采用HiXn的均值模板，在灰度图像宽和高两个方向以t个像素的步长进行滑动，模板值与对应相素值相乘，再除以模板相素个数，得到的数值做为高维特征矢量中的一维，总计得到Q维特征矢量；2)对所有训练样本的Q维特征矢量求取均值矢量μ和协方差矩阵Σ
5.按权利要求4所述的车牌汉字识别方法，其特征在于所述t取值为rMax(m，n)/2。
6.按权利要求1所述的车牌汉字识别方法，其特征在于所述RBF神经网络识别为采用基于K-means聚类和最小二乘的RBF神经网络进行车牌汉字识别，包括以下步骤对M维训练样本特征矢量进行K-means聚类，得到C个聚类中心，即RBF神经网络的隐层节点数为C，隐层半径为C个聚类中心之间距离的平均值；采用最小二乘算法求解RBF神经网络隐层到输出层的权值，完成RBF识别网络的参数求解；在线状态下，将待识别的实测车牌汉字图像经预处理、带通滤波、降维形成M维特征矢量，输入以上离线学习好的RBF识别网络，即可得到识别结果。
7.按权利要求6所述的车牌汉字识别方法，其特征在于所述C取值为10(Γ400。
8.按权利要求1所述的车牌汉字识别方法，其特征在于构造训练样本为实拍中国各省标准车牌汉字，并转成高、宽像素数比值为广2的灰度图像；对上述灰度图像进行多个不同半径的频域低通，模拟实拍样本的模糊衰减；对灰度图像进行上下左右四个方向的部分裁剪，模拟实拍样本的部分缺失；对灰度图像进行多个不同角度的旋转和倾斜变形，模拟实拍样本的旋转和倾斜变形； 对上述步骤中各种情况进行排列组合，最终每个省标准车牌汉字形成多个训练样本。
9.按权利要求8所述的车牌汉字识别方法，其特征在于所述多个训练样本为 6200^24800 个。
10.按权利要求1所述的车牌汉字识别方法，其特征在于Ρ为3 6。
全文摘要
本发明涉及一种车牌汉字识别方法，包括以下步骤人工构造标准训练样本灰度图像；对训练样本灰度图像进行预处理，生成预处理后的灰度图像；对上述预处理后的灰度图像通过P个通带相互连接的高斯带通滤波器进行带通滤波，得到P幅滤波后的灰度图像；将上述P幅滤波后的灰度图像采用线性或非线性方法进行降维处理，形成具有M维训练样本特征矢量的图像；对降维处理后具有M维训练样本特征矢量的图像进行RBF神经网络进行车牌汉字识别，输出车牌汉字。本发明采用RBF神经网络，通过非监督聚类和最小二乘解线性方程组的方法来求解，避免了求解过程中的反复迭代，时间效率比较高，且算法收敛性比较好，具有良好的泛化能力。
文档编号G06N3/08GK103020657SQ201210579148
公开日2013年4月3日 申请日期2012年12月28日 优先权日2012年12月28日
发明者陆振波, 刘天宇, 董铁军, 付存伟, 于维双, 赵全邦, 袁锟, 孙利涛, 张雷, 宋晓航, 陈东基, 李丹 申请人:沈阳聚德视频技术有限公司