车牌识别方法及系统与流程

本发明涉及车辆技术领域，特别涉及一种车牌识别方法及系统。

背景技术：

目前，关于车辆的车牌识别，存在一种基于多特征融合的车牌字符识别方法，步骤为：对视频中的车辆进行检测并对车辆中的车牌进行定位与分割；对分割出的车牌进行投影分析，分割并提取出车牌中7个有效字符；对分割出的字符图片进行形态学处理，并提取出车牌字符的三种特征进行有效融合；利用支持向量机对融合特征进行训练生成车牌字符分类器，对实时视频中的车辆车牌字符进行有效识别。

然而，上述方法中的字符分割算法主要基于垂直投影分割算法，由于车牌区域的字符和底色有着强烈的对比度，以及字符之间有着明显的间隙，所有车牌图像的垂直投影呈现字符为波峰，字符间隙为波谷的现象，找到这些波谷即找到字符的分割点。但是，由于拍摄的图像受到各种环境因素的影响，车牌图像中会有较大的噪声干扰，图像二值化过程中会有部分信息丢失，常常引起字符粘连和字符断裂，而垂直投影法通常只能分割理想环境中的车牌字符，无法准确地分割字符粘连和字符断裂的情况，对复杂环境的适应性差，从而导致该方法提取的车牌字符特征的经验性成分偏高，车牌识别效果不好。

技术实现要素：

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的一个目的在于提出一种车牌识别方法，该方法能够精确对车牌字符的定位和分割，提高车牌字符识别率。

本发明的另一个目的在于提出一种车牌识别系统。

为达到上述目的，本发明一方面实施例提出了一种车牌识别方法，包括以下步骤：S1：采集车辆图像；S2：对所述车辆图像进行滤波，并通过Canny算子对所述车辆图像进行边缘检测以将所述车辆图像转换为边缘二值图像；S3：扫描所述边缘二值图像，以根据边缘间距和边缘跳变得到车牌候选区域；S4：根据车牌的垂直边缘特征和形态学膨胀从所述车牌候选区域中定位车牌；S5：根据单个字符的轮廓特征从所述车牌中搜索多个字符，并根据车牌模板去除所述多个字符中的伪字符；S6：利用SVM分类器对所述多个字符进行识 别，并根据识别结果确定车辆的车牌号码。

根据本发明实施例提出的车牌识别方法，对采集的车辆图像进行滤波及边缘检测后得到边缘二值图像，然后据此得到车牌候选区域，并在车牌候选区域中定位车牌，并对车牌字符进行筛选，去除伪字符，最后利用SVM分类器对剩余的字符进行识别，最终确定车牌号码。该方法能够在复杂环境中精确地对车牌进行定位和字符分割，提高车牌识别的识别率、识别速度、适应性和稳定性。

为达到上述目的，本发明另一方面实施例提出了一种车牌识别系统，包括：采集模块，所述采集模块用于采集车辆图像；滤波模块，所述滤波模块用于对所述车辆图像进行滤波，并通过Canny算子对所述车辆图像进行边缘检测以将所述车辆图像转换为边缘二值图像；扫描模块，所述扫描模块用于扫描所述边缘二值图像，以根据边缘间距和边缘跳变得到车牌候选区域；定位模块，所述定位模块用于根据车牌的垂直边缘特征和形态学膨胀从所述车牌候选区域中定位车牌；筛选模块，所述筛选模块用于根据单个字符的轮廓特征从所述车牌中搜索多个字符，并根据车牌模板去除所述多个字符中的伪字符；识别模块，所述识别模块用于利用SVM分类器对所述多个字符进行识别，并根据识别结果确定车辆的车牌号码。

根据本发明实施例提出的车牌识别系统，对采集的车辆图像进行滤波及边缘检测后得到边缘二值图像，然后据此得到车牌候选区域，并在车牌候选区域中定位车牌，并对车牌字符进行筛选，去除伪字符，最后利用SVM分类器对剩余的字符进行识别，最终确定车牌号码。该系统能够在复杂环境中精确地对车牌进行定位和字符分割，提高车牌识别的识别率、识别速度、适应性和稳定性。

本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

图1是根据本发明一个实施例的车牌识别方法的流程图；

图2是根据本发明一个实施例的灰度拉伸前后的灰度图；

图3是根据本发明一个实施例的边缘检测和二值化后的图像；

图4是根据本发明一个实施例的字符分类示意图；

图5是根据本发明一个具体实施例的适用于小型汽车、大型汽车前牌、领馆汽车、军用汽车、教练车港澳出入境车车牌示意图；

图6是根据本发明一个具体实施例的适用于大型汽车后牌、挂车车牌示意图；

图7是根据本发明一个具体实施例的适用于使馆汽车车牌示意图；

图8是根据本发明一个具体实施例的适用于公安汽车车牌示意图；

图9是根据本发明一个实施例的字符训练与识别流程框图；

图10是根据本发明一个实施例的分类器组合示意图；以及

图11是根据本发明一个实施例的车牌识别系统的结构框图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

下面参考附图来描述本发明实施例提出的车牌识别方法及系统。

图1是根据本发明一个实施例的车牌识别方法的流程图。如图1所示，该刹车片磨损预警方法，包括以下步骤：

步骤S1：采集车辆图像。在具体示例中，例如通过摄像头拍摄得到车辆图像。

步骤S2：对车辆图像进行滤波，并通过Canny算子对车辆图像进行边缘检测以将车辆图像转换为边缘二值图像。

步骤S3：扫描边缘二值图像，以根据边缘间距和边缘跳变得到车牌候选区域。

步骤S4：根据车牌的垂直边缘特征和形态学膨胀从车牌候选区域中定位车牌。

步骤S5：根据单个字符的轮廓特征从车牌中搜索多个字符，并根据车牌模板去除多个字符中的伪字符。

步骤S6：利用SVM分类器对多个字符进行识别，并根据识别结果确定车辆的车牌号码。

换言之，本发明实施例的车牌识别方法，即基于字符边缘特征的车牌定位方法，采用粗细结合的定位方式，以快速简单方法确认车牌候选区域，以复杂精确方法定位车牌区域，采用灰度图像处理方式，与颜色无关，适用于多种颜色组合的车牌情况，可以快速有效地定位车牌，该方法主要包括：车牌粗定位和车牌精细定位两部分。

1.对于车牌的粗定位，兼顾车牌定位的性能和运算速度、车牌区域具有明显的字符特征、车牌颜色容易受自然环境光变化影响等因素，因此，本发明的实施例采用简单的车牌粗定位方法获取边缘密集的车牌候选区域。

在本发明的一个实施例中，上述步骤S1进一步包括：对车辆图像进行高斯滤波，得到车辆图像的梯度幅值和梯度方向；对梯度幅值进行非极大值抑制，以确定车辆图像的边缘；利用双阈值检测方法对车辆图像进行二值化边缘提取，以得到第一边缘图像和第二边缘图像，并根据第一边缘图像和第二边缘图像进行边缘连接。作为具体的示例，更为详细的描 述即对图像进行边缘检测，例如采用Canny算子边缘检测，可以检测出丰富的边缘细节，又可以有效地减速噪声的干扰，基本原理如下：

首先，用高斯滤波器平滑图像。因为任何边缘检测算法都无法在未经处理的原始图像上得到比较理想的效果，所以第一步是对原始图像做高斯滤波，高斯滤波函数如下：

G(x,y)＝f(x,y)*H(x,y) (2)

进一步地，用一阶差分来计算梯度的幅值和方向，一阶差分卷积模板为选择对噪声有抑制作用的Sobel算子，如下：

则梯度的幅值为：

梯度的方向为：

对梯度幅值进行“非极大值抑制”。因为即使得到的幅度也无法确定边缘，边缘是局部梯度极大值，因此需要对梯度的幅值进行“非极大值抑制”，使检测到的实际边缘的中心，并且生成细化的边缘。非极大值抑制是指在梯度方向上只保留梯度幅值为极大值的点，抑制所有非极大值的点。首先将梯度角的变化范围缩小到只有四个方向，标号0到3.对梯度图像的每个像素点使用一个3x3的模板，将模板的中心像素X的梯度值与沿着梯度方向的两个相邻像素的梯度值比较，如果X的梯度值均小于沿梯度方向的两个像素的梯度值，则将X处的灰度值置零。对梯度图像进行“非极大值抑制”处理后，检测到的边缘只有一个像素的宽度，提高算法的处理效率。

进一步地，进行双阈值检测和边缘连接。具体地，非极大值抑制后，需要对梯度图像进行二值化边缘提取。如果用单阈值来处理，选择合适的阈值是很困难的，因此，本发明的实施例选择比较有效的方法是选用两个阈值，高阈值为T1，低阈值为T2。利用高阈值T1对梯度图像进行二值化，得到强边缘图像EdgeImg1(即第一边缘图像)；利用低阈值T2对梯度图像进行二值化，得到弱边缘二值化图像EdgeImg2(即第二边缘图像)。由于图像EdgeImg1使用高阈值得到，所以它包含有较少的假边缘，但是损失了一些有用的边缘信息；而图像EdgeImg2使用低阈值得到，保留了更多的边缘信息，包括更多的假边缘信息。因此，以边缘图像EdgeImg1为基础，以边缘图像EdgeImg2为补充来连接边缘。首先，在边缘图像EdgeImg1中扫描，当遇到一个非零灰度的像素A时，跟踪以A为开始点的轮廓线，直 到改线的终点B，接着在边缘图像EdgeImg2中比较与边缘图像EdgeImg1中B点位置对应的B’点，如果B’点的8邻域区域有非零像素C’存在，则在图像EdgeImg1中对应的C点位置设为边缘点。同理，继续在边缘图像EdgeImg2中寻找并跟踪以R为起点的边缘线，如此循环直到在边缘图像EdgeImg1和边缘图像EdgeImg2中都没有可以相互连接的边缘点。这样完成了包含A点的边缘图像的连接，并标记为已访问过。然后依次重复寻找图像EdgeImg1中的每一个边缘线，并且直到在图像EdgeImg2中再也找不到新的边缘线为止。

在本发明的一个实施例中，上述步骤S3进一步包括：根据车牌实际大小确定车牌宽度范围；根据最小车牌宽度得到最小边缘间距；对边缘二值图像进行逐行扫描，将边缘二值图像中同时满足最小边缘间距和边缘跳变达到预设次数的边缘点进行连接，以得到连通域；对连通域进行分析以得到车牌候选区域。作为具体的示例，更为详细的描述即记性水平跳变检测边缘密集区域。具体地，经过上述的Canny边缘检测，已经把采集到的图像转换为黑白的边缘二值图像，而且Canny算子检测到的边缘非常丰富。由于车牌区域含有多个字符，每个字符具有丰富的边缘信息，字符与字符之间存在车牌底色背景，整体有着鲜明可见的字符区域和非字符区域的强烈对比度，因此对车牌边缘图像进行逐行扫描时，会发现车牌区域的灰度值跳变非常剧烈，而且边缘之间水平距离很小很密集。因此，本发明的实施例根据车牌实际大小设定车牌宽度范围，记最小车牌宽度为minPlateWidth，最大车牌宽度为maxPlateWidth。由最小车牌宽度可以计算出最小字符间距，表示字符边缘的最小距离要求。为了兼容处理单排车牌和双排车牌，本发明的实施例至少要找到五个字符，因此一个车牌宽度内至少有十次(即预设次数)跳变。进一步地，对二值边缘图的每一行进行扫描，将同时满足边缘间距和边缘跳变的边缘点连接起来，得到连通域。这样可以快速检测出车牌可能存在的区域。

进一步地，对连通域进行分析以获得车牌候选区域。其中，首先获得连通域的最小外接矩形，由车牌的先验知识提取可能的车牌候选区域，本发明的实施例通过去除Blob内部点的方式提取候选区域轮廓。Blob内部点通常满足3x3的邻域内都有白点。用车牌的几何特征粗略筛选出候选区域，例如图2所示。

其中，车牌候选区域对应外接矩形的宽度例如为Width：inPlateWidth/2≤Width≤MaxPlateHeight*2；

车牌候选区域对应外接矩形的高度例如为Height：MinPlateHeight/2≤Height≤MaxPlateheight*2；

车牌候选区域对应外接矩形的宽高比例如为Ratio：Ratio>1。

2.对于车牌的精确定位。车牌精细定位采用相对复杂的图像处理方法，主要利用车牌的垂直边缘特征和形态学膨胀定位车牌。

在发明的一个实施例中，步骤S3进一步包括：对车牌候选区域进行自适应灰度拉伸，以调整车牌候选区域的对比度；检测车牌候选区域的车牌字符的垂直边缘，以得到车牌的垂直边缘特征。作为具体的示例，更为详细的描述即本发明实施例通过自适应灰度拉伸实现对图像的增强，使车牌区域的对比度合适，避免在自然环境中有强弱不同的光照引起车牌字符和底色的对比度变差，难以提取车牌的纹理现象。需要说明的是，如果图像已经有合适的对比度，则可进一步增加其对比对；如果图像的对比度非常差，则图像的拉伸范围不宜设置过大，以免造成拉伸过度。其中，灰度拉伸公式如下：

其中a，b的第一次取值如下：

这里的c(i)为图像的积累直方图。根据(b-a)的取值，设置拉伸区域范围为：

p＝(b-a)/255

a＝a+(b-a)*q

b＝b-(b-a)*q

q根据动态范围p进行自适应设置：

进一步地，使用垂直Sobel算子检测车牌字符的垂直边缘，得到车牌的垂直边缘特征。

进一步地，在本发明的一个实施例中，步骤S5进一步包括：通过最大类间方差法对边缘二值化图像进行自适应二值化处理；对自适应二值化处理的边缘二值化图像进行三次扫描，并分别记录边缘二值化图像的边缘长度，根据边缘长度去除图像中的噪声，其中，第一次扫描记录从边缘左上点开始计数的边缘长度，第二次扫描记录从边缘右下点开始计数的边缘长度，第三次扫描将第一次和第二次扫描的数据相加得到边缘二值化图像的边缘长度。作为具体的示例，更为详细的描述即进行图像进行自适应二值化，其目的是通过一个合适的阈值把图像分为前景和背景两部分。具体地，本发明的实施例例如采用最大类间方差法，其基本思想是：将图像分为两部分，一部分为像素灰度值大于等于阈值T的部分，另一部分为像素灰度值小于阈值T的部分，然后计算这两部分的平均值方差σ²，也即类间方差，通过迭代求出使类间方差σ²最大的阈值T，该阈值即为二值化效果最好的阈值。具体过程例如为：假设图像具有R级灰度，1,2,3，…，R，设二值化阈值为T，把灰度值小于 T的像素分为一类C₁＝(0,1,2,…,T)，把灰度值大于T的像素分为另一类C₂＝(T+1,T+2,…,R-1)。类C₁中的像素总数占图像的比例为W₁，平均灰度为M₁(T)；类C₂中的像素图像的比例为W₂，平均灰度为M₂(T)，所有图像像素的平均灰度为M。

其中，类间方差σ²的计算公式如下：

σ²＝W₁(M₁-M)²+W₂(M₂-M)²，

由于直接运用以上公式求取最大类间方差法的阈值的计算量庞大，因此本发明的实施例在实现时需要简化以上公式，得到其等价的公式：

σ²＝W₁W₂(M₁-M₂)²，

该算法具体步骤如下：

(a)令T＝0；

(b)求出大于T和小于T的这两类的像素总数占图像的比例和平均灰度值；

(c)计算类间方差σ²最大值对应的T；

(d)T＝T+1，循环(a)到(d)；

(e)找到类间方差σ²最大值对应的T，即为二值化阈值。

进一步地，去除噪声。由于二值化图像中含有噪声，影响车牌的精确定位。因此，本发明的实施例采用的去噪方法需要对边缘图像扫描三次，第一次扫描记录从边缘左上点开始计数的边缘长度，第二次扫描记录从边缘右下点开始计数的边缘长度，第三次扫描将前两次的数据相加得到边缘图像的真实长度，然后根据边缘长度除去噪声。

其中，需要说明的是，本发明上述示例中描述的水平跳变检测过程，不仅可以去除部分伪车牌，而且还可以估计车牌区域已经车牌高度，为后续步骤做好准备。

进一步地，利用几何特征对定位结果进行筛选：

(1)车牌候选区域的Blob面积Area；

(2)车牌候选区域的Blob外接矩形的宽度Width；

(3)车牌候选区域的Blob外接矩形的高度Height；

(4)车牌候选区域的Blob外接矩形的宽高比Ratio；

对应以上几何特征，当拍摄车牌的场景确定时，车牌的几何特征值在一定范围内：

MinPlateArea≤Area≤MaxPlateArea；

MinPlateWidth≤Width≤MaxPlateWidth；

MinPlateHeight≤Height≤MaxPlateHeight；

MinPlateRatio≤Ratio≤MaxPlateRatio；

作为具体的示例，以下结合附图对本发明上述实施例中的车牌精确定位过程进行详细描述。具体地说，本发明的实施例例如采用基于字符轮廓和模板匹配的字符分割方法来对 字符进行分割。该方法利用轮廓的空间扩展性可以方便地提取各种粘连和断裂的字符，然后在找到大部分字符的基础上，利用字符宽度、字符高度和字符间距组成的模板进行自适应匹配，找到匹配度最佳的模板，利用模板补充缺失字符和去除伪字符，完成字符分割。该字符分割方法具体包括：

针对复杂环境中的车牌易出现粘连的字符、断裂的字符和模糊的字符，本发明的实施例例如利用单个字符的轮廓特征来寻找和确认字符，由于轮廓具有空间扩展性，对轮廓的局部区域搜索，可以对各种类型的粘连和断裂进行估计，以达到去除干扰部分，补充字符缺少部分；最后利用字符排列布局的整体特征，用自适应模板去除伪字符，补充模糊字符。

其中，车牌字符特征例如包括轮廓特征和几何特征。一般来说轮廓特征中，汉字的笔画繁多，结构复杂，轮廓不连续，轮廓多而密，但也有个别汉字笔画少，轮廓间距较大。对汉字进行分割提取的时候，往往需要对汉字的轮廓进行聚集，把汉字分散的笔画集中起来，形成一个整体；英文字母和数字结构简单，轮廓连续，根据轮廓的一些相似性，将其分为两类：普通字符和类“1”字符。车牌字符的几何特征是固定的，车牌字符有固定的宽高比，字符之间有固定的距离。我国车牌有单排号码和双排号码两种排列方式，每种排列方式有其自身的几何特征：单排号码含有七个字符，字符的宽高比为1:2，第二个字符和第三个字符间距为34mm，其余相邻字符之间的间距为12mm；双排号码中，上层含有两个字符，字符的宽高比为1.33:1，字符间距为60mm，下层含有五个字符，字符的宽高比为1:1.83，相邻字符间距为15mm。

综上，该基于字符轮廓和模板匹配的字符分割方法，综合分析复杂的自然环境中车牌可能出现的各种情况，如背光的车牌对比度很差、强烈光照下的车牌有些过曝、部分污损车牌的字符断裂或粘连、速度较快的车辆的车牌有些模糊、很多车牌含有金属边框易引起字符与金属边框粘连等，可以很好的处理以上常见的不利情况。

进一步地，作为具体的例子，以下结合附图对本发明各个处理过程得到的结果示意图进行展示。

例如，本发明实施例采用车牌精细定位中的自适应灰度拉伸方法，自适应灰度拉伸可以有效地增强车牌区域的对比度例如图2所示，提高边缘检测的准确率。

进一步地，在一些示例中，需要估计车牌颜色。车牌颜色包括车牌字符颜色和车牌底色。我国的车牌颜色主要有：蓝底白字、黄底黑字、白底黑字、白底红字。不同颜色组合的车牌在二值化后，将会出现白色字符与黑色底色和黑色字符与白色底色两种二值化结果，因此，必须首先估计出车牌的颜色，然后才能将车牌的二值化图像统一为黑色底色与白色字符。本发明基于HSV颜色空间判断车牌颜色。

基于HSV颜色空间的车牌颜色判断的原理例如为：首先将RGB图像转换为HSV图像， 然后对图像上的每个像素的颜色进行判断，统计整个车牌图像的颜色分布，然后估计出车牌颜色。在HSV空间中，利用V分量可以识别黑色，用V、S分量可以识别白色，利用H、S、V分量可以识别蓝色、黄色和红色，由于我国各个区域的车牌颜色深浅并不一致，况且同一个车牌在不同的光照条件下，会有不同的色度和饱和度，因此必须采集各种环境下的车牌样本，对车牌颜色进行采样估计，以确定黑色、白色、蓝色、红色、黄色在HSV三分量的阈值，本发明的实施例通过采样估计，获取阈值表1所示。

表1

在本发明的实施例中，在完成车牌颜色判断后，需要将黄底黑字、白底黑字、白底红字的灰度车牌图像进行反色；对灰暗的车牌图像附表1的阈值无法进行正确的判断，本发明的实施例同时对其进行不反色和反色的处理，通过最后的字符分割结果来判断。

在另一些示例中，例如还包括拉普拉斯边缘检测。由于拉普拉斯边缘检测方法是一个与边缘方向无关的边缘算子，本发明使用拉普拉斯边缘检测可以完整地检测出字符边缘，例如图3所示。需要说明的是，由于拉普拉斯边缘检测只能检测黑底白字的灰度图像的字符边缘，所以在使用拉普拉斯边缘检测前必须警醒车牌颜色估计，这样才能处理所有类型的车牌。

在进行二值化时，将边缘图像检测后的车牌灰度图进行二值化，把边缘处置为前景，飞边缘处置为背景。本发明的实施例采用经典的全局动态二值化方法：OTSU(最大类间方差法)算法，即使图像对比度比较差，直方图上的双峰难以确定，OTSU二值化方法仍然可以取得好的效果，二值化后的车牌图例如图3所示。

在估计字符高度时，估计车牌字符的尺寸是精确提取字符的关键步骤，由于可以方便地利用车牌区域整体字符的横向跳变特征估计出字符高度，进而根据字符高宽比估计出字符的宽度。同时，此步骤还能去除车牌的部分上下边框。

在提取字符时，在黑底白字的车牌边缘图像中，存在完整的独立字符、粘连的字符和断裂的字符，本发明实施例采用分布提取字符的方法，每一步提取后去除相应的字符。其中，字符的轮廓蕴藏很多信息，每个字符都有自己独特的轮廓，从轮廓的最小外接矩形来看，字符的尺寸大体可以分为两类，普通字符和类“1”字符。

在提取边缘完整的独立普通字符时，将高度接近估计的字符高度，并且高宽比接近标 准字符高宽比(2:1)的字符提取到普通字符类别中，例如图5所示。

在分离粘连的字符时，通常字符的粘连情况有：字符与字符的粘连，字符与上下边框的粘连，字符与左右边框的粘连。

对字符的最小外接矩形宽度是字符估计宽度的1.5倍以上的情况进行处理。具体如下：

A.优先处理字符与上下边框的粘连：这种粘连可能是多个字符与边框的粘连，而字符与字符之间存在明显的间隙，字符的间隙在二值化图像的垂直方向上为连续的黑色，其长度接近或大于字符估计的高度，找到字符间隙即可分离出字符，例如图5所示。

B.然后处理字符与字符的粘连，这种情况通常不存在字符之间的空隙，所以只能强行分割。

C.最后处理字符与左右边框的粘连，左右边框在二值化图像的垂直方向上为连续的白色，去除一部分，降低其影响即可，避免伤及字体部分。

在提取断裂的字符时，有些模糊的字符在边缘检测后，部分边缘是断裂的，需要对断裂的边缘之间进行小范围区域生长，边缘之间连接成功后，提取满足普通字符尺寸的字符。

例如，提取“1”、“J”、“T”、“L”。首先提取“1”字符，但是字符“1”可能是字符“J”、“L”、“T”断裂而产生，因此需要对“1”字符进行空间扩展，顶部和底部进行区域生长搜索，如果满足“J”、“L”、“T”中的轮廓形状，将其提取为普通字符；如果满足“1”轮廓，将其提取为“1”字符，例如图4所示。

在进行二次确认时，在车牌定位不精确的情况中，车牌左右的车体上也许会出现轮廓尺寸满足普通字符尺寸的干扰区域，由于车牌字符笔画较细，具有在边缘检测再二值化与直接局部二值化的效果相似的特征，这里先将“1”字符外接矩形扩展到普通字符大小，对提取的字符在外接矩形框中做局部的OTSU二值化，并与边缘二值化图比较，若相似，则为字符。

由于字符具有鲜明的边缘轮廓特征，轮廓周围很有可能存在字符，所以这个部分尽可能地从轮廓周围寻找和确认字符，为后续模板匹配打好基础。

在进行模板匹配时，在提取字符的步骤中，可能存在部分模糊的字符没有被提取出来，也可能存在提取的字符是伪字符，因此需要利用字符排列的整体特性，寻找没有提取的字符以及去除伪字符。

作为具体的示例，以下介绍四种常见的车牌模板，模板主要由字符高度、字符宽度和字符间距组成，例如图5、图6、图7和图8所示。本发明的十四号里利用车牌的颜色判断使用哪一种模板，本示例中，仅以第一种模板为例介绍模板匹配的过程。

在模板匹配中，首先要获取车牌模板的大小，车牌模板有字符宽度、字符高度、字符间距组成，只需要知道其中一个值就能通过三者的比例求取其他两个值，本发明采用由字 符宽度求取字符模板的方式。字符模板匹配仅对提取到5个以上字符的情况作处理。由提取到的字符的平均宽度作为基础，在此基础上减2，减1，加1，加2，用5个字符宽度可以得出5个不同大小的模板，用这5个不同大小的字符模板在提取到的字符上移动作匹配，求出匹配度最大的模板。匹配度最大即为在多种匹配情况中，提取到的字符中心位置与所用模板中对应字符的中心位置偏移总量最小。

最佳匹配度例如为：

σ＝MIN(∑_j≤7|C₁(i)-C₂(i)|)，

上述公式中C₁(i)为提取字符对应的模板字符的中心X坐标，C₂(i)为提取字符的中心X坐标。

以下详细描述本方面实施的基于SVM分类器进行字符识别的过程，包括SVM的原理、核函数及其参数的选择方法、两类分类推广到多类分类的方法。选择区分效果好的统计特征和结构特征作为训练和识别的字符特征，对于相似字符容易识别错的问题，利用特殊特征进行二次识别，提高整个系统的字符识别率。

车牌识别的目的就是识别出车牌图像中的字符，经过上述车牌定位和字符分割后，可以提取车牌区域中每个字符的图像，本发明的实施例基于SVM的字符识别的三个基本环节是字符预处理、特征提取、分类匹配判决，车牌字符训练与识别的基本结构例如如图9所示。

在进行字符归一化与二值化时，由于图像中定位的车牌大小不一，因此分割处理后的字符大小也不统一，为了便于提取特征，需要把车牌字符统一成一个模板大小，由于绝大多数车牌字符的高度比是1:2，因此设定的统一后的字符模板宽20像素，高40像素。通过对每个字符图像进行数值插值处理，得到归一化的字符图像后，本发明的实施例采用OTSU二值化方法对字符图像进行二值化。

在进行特征提取时，字符的特征提取和SVM的模型训练是字符识别中最重要、最核心的两个步骤。本发明的实施例提取的特征满足三个条件：一是有很强的区分本类别和其他类别的能力，也就是要获得尽量大的类间间距；二是对同类别有很好的稳定性，也就是要获得尽量小的类内距离；三是特征的维数要尽量小以及提取特征的算法要容易实现。本发明选用的特征有：投影特征、网格特征、内外轮廓特征、拓扑特征、几何矩特征、占空比特征和跳变特征。

在进行分类器组合时，在车牌字符的排列布局中，第一个字符一般为汉字，第二个字符一般为英文，其余五个字符为英文或数字。为了提高字符识别准确率，本发明使用三种分类器，分别为汉字分类器，英文分类器和英文和数字分类器，例如图10所示。

在选择多分类方法时，SVM本质上只是一个两分类分类器，而车牌字符有几十个，车 牌的字符识别属于一个多分类的问题，因此本发明的实施例把SVM两分类方法推广到多分类方法。本发明的实施例为每个可能的分类组合构造一个二值分类器，使用一对多的方法通过组合多个二值分类器来构造多值分类网络。

例如，把K类训练样本构造出K个两类分类器，第i个SVM分类器的正样本为第i类样本，负样本为其他所有的样本，然后求得所有两类分类器的判决函数。最终分类结果为判决函数处处的最大的那个类别。

本发明的实施例采用径向基RBF核函数，RBF可以将样本映射到一个更高维数的空间，与线性和函数不同，他可以处理类别标签和特征之间的关系是非线性的样本，并且线性核函数只是RBF的一个特例，Keerthi等证明一个具有惩罚参数C的线性核函数与参数(C,σ)的RBF具有相同的性能。RBF比多项式核函数需要更少的参数，减少模型的复杂度，另外，随着多项式核函数的阶数的增大，数值计算的复杂度远远大于RBF。

径向基(RBF)核函数主要确定惩罚因子C和参数σ。其中C控制着使间隔margin最大且错误率最小的折中，就是在确定的特征空间中调节学习机器的置信范围和经验风险的比例；而σ²是RBF核函数参数，主要影响样本数据在高维特征空间中分布的复杂程度。因此分类器的好坏取决于参数C、σ的确定。参数选择的好坏直接影响到分类器性能的好坏，但这方面目前缺乏理论指导，没有合适的方法，传统的参数选取都是通过反复的试验，人工选取令人满意的解。这种方法需要技术人员的经验指导，并且需要付出较高的时间代价。本发明的实施例通过网格法选择参数，具体如下：

选取U个C和V个σ²，就会有UxV的组合状态，每种组合状态对应一种SVM分类器，通过测试对比，找出推广识别率最高的C和σ²组合。一般选取U＝V＝15，C取值分别为[2^-2,2^-1,…,2¹¹,2¹²]，σ²取值分别为[2^-5,2^-4,…,2⁸,2⁹]，共255个C、σ²组合。

综上，本发明的实施例通过基于字符轮廓和模板匹配的字符分割方法，利用轮廓的空间扩展性可以方便的提取各种粘连和断裂的字符，然后在找到大部分字符的基础上，利用字符宽度、字符高度和字符间距组成的模板进行自适应匹配，找到匹配度最佳的模板，利用模板补充缺失字符和去除伪字符，更高效精确地完成字符分割；另外，采用SVM分类器进行字符识别，选取更合理的核函数和参数，将两类分类推广到多类分类。选择区分效果好的统计特征和结构特征作为训练和识别的字符特征，对于相似字符容易识别错的问题，利用特殊特征进行二次识别，提高整个系统的字符识别率。

根据本发明实施例提出的车牌识别方法，对采集的车辆图像进行滤波及边缘检测后得到边缘二值图像，然后据此得到车牌候选区域，并在车牌候选区域中定位车牌，并对车牌字符进行筛选，去除伪字符，最后利用SVM分类器对剩余的字符进行识别，最终确定车牌 号码。该方法能够在复杂环境中精确地对车牌进行定位和字符分割，提高车牌识别的识别率、识别速度、适应性和稳定性。

本发明的进一步实施例还提供了一种车牌识别系统。

图11是根据本发明一个实施例的车牌识别系统的结构框图。如图11所示，该系统100包括：采集模块110、滤波模块120、扫描模块130、定位模块140、筛选模块150和识别模块160。

其中，采集模块110用于采集车辆图像。滤波模块120用于对车辆图像进行滤波，并通过Canny算子对车辆图像进行边缘检测以将车辆图像转换为边缘二值图像。扫描模块130用于扫描边缘二值图像，以根据边缘间距和边缘跳变得到车牌候选区域。定位模块140用于根据车牌的垂直边缘特征和形态学膨胀从车牌候选区域中定位车牌。筛选模块150用于根据单个字符的轮廓特征从车牌中搜索多个字符，并根据车牌模板去除多个字符中的伪字符。识别模块160用于利用SVM分类器对多个字符进行识别，并根据识别结果确定车辆的车牌号码。因此，该系统100能够精确对车牌进行定位和字符分割，提高车牌字符识别率。

在本发明的一个实施例中，滤波模块120例如用于对车辆图像进行高斯滤波，得到车辆图像的梯度幅值和梯度方向，并对梯度幅值进行非极大值抑制，以确定车辆图像的边缘，并利用双阈值检测方法对车辆图像进行二值化边缘提取，以得到第一边缘图像和第二边缘图像，并根据第一边缘图像和第二边缘图像进行边缘连接。

在本发明的一个实施例中，扫描模块130例如用于根据车牌实际大小确定车牌宽度范围，并根据最小车牌宽度得到最小边缘间距，并对边缘二值图像进行逐行扫描，将边缘二值图像中同时满足最小边缘间距和边缘跳变达到预设次数的边缘点进行连接，以得到连通域，并对连通域进行分析以得到车牌候选区域。

在本发明的一个实施例中，定位模块140例如用于对车牌候选区域进行自适应灰度拉伸，以调整车牌候选区域的对比度，并检测车牌候选区域的车牌字符的垂直边缘，以得到车牌的垂直边缘特征。

在本发明的一个实施例中，筛选模块150例如用于通过最大类间方差法对边缘二值化图像进行自适应二值化处理，并对自适应二值化处理的边缘二值化图像进行三次扫描，并分别记录边缘二值化图像的边缘长度，根据边缘长度去除图像中的噪声，其中，第一次扫描记录从边缘左上点开始计数的边缘长度，第二次扫描记录从边缘右下点开始计数的边缘长度，第三次扫描将第一次和第二次扫描的数据相加得到边缘二值化图像的边缘长度。

需要说明的是，本发明实施例的车牌识别系统的具体实现方式与本发明实施例的车牌识别方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

综上，根据本发明实施例提出的车牌识别系统，对采集的车辆图像进行滤波及边缘检测后得到边缘二值图像，然后据此得到车牌候选区域，并在车牌候选区域中定位车牌，并对车牌字符进行筛选，去除伪字符，最后利用SVM分类器对剩余的字符进行识别，最终确定车牌号码。该系统能够在复杂环境中精确地对车牌进行定位和字符分割，提高车牌识别的识别率、识别速度、适应性和稳定性。

在本发明的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本发明中，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”、“固定”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

在本发明中，除非另有明确的规定和限定，第一特征在第二特征“上”或“下”可以是第一和第二特征直接接触，或第一和第二特征通过中间媒介间接接触。而且，第一特征在第二特征“之上”、“上方”和“上面”可是第一特征在第二特征正上方或斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”可以是第一特征在第二特征正下方或斜下方，或仅仅表示第一特征水平高度小于第二特征。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。