一种车牌识别方法及装置与流程

技术特征：

1.一种车牌识别方法，其特征在于，所述方法包括：

获取待识别车牌图片的图片特征信息；

对获取的图片特征信息进行归一化；

将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。

2.根据权利要求1所述的方法，其特征在于，所述将归一化后的图片特征信息输入识别模型中进行识别之前，所述方法还包括：通过以下方法生成识别模型：

提取多个车牌图片样本；

按照颜色和车牌类型将车牌图片分为多个样本集；

获取各个样本集中的每个车牌图片的图片特征信息；

对各个样本集中的每个车牌图片的图片特征信息进行归一化；

分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。

3.根据权利要求1或2所述的方法，其特征在于，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。

4.根据权利要求3所述的方法，其特征在于，所述图片的方差特征X1通过下式确定：

$X1=\frac{1}{w\×h}\underset{x=0,y=0}{\overset{w,h}{\Σ}}{\left(I\right(x,y)-u)}^2;$

其中，I(x,y)为当前像素灰度值；u为待识别车牌图片的灰度值的均值；w为图片的宽度值；h为图片的高度值。

5.根据权利要求3所述的方法，其特征在于，所述图片的重心比率特征通过下式确定：

$X2=\frac{\∫\∫x\×I(x,y)dxdy}{\∫\∫I(x,y)dxdy\×w};$

$X3=\frac{\∫\∫y\×I(x,y)dxdy}{\∫\∫I(x,y)dxdy\×h};$

其中，X2为宽度方向上的重心比率特征；X3为高度方向上的重心比率特征；w为图片的宽度值；h为图片的宽度值。

6.根据权利要求3所述的方法，其特征在于，所述图片的连通区域特征通过以下方法确定：

对图片进行二值化处理；

统计出满足预设条件的字符区域的个数X4；

所述预设条件包括：

w/4<CW<w/7；

CH>h/2；

其中，CW为字符区域宽度；CH为字符区域高度；w为图片的宽度值；h为图片的高度值。

7.根据权利要求4至6其中任一项所述的方法，其特征在于，所述对图片特征信息进行归一化包括：

X[i]＝X[i]/(MAX-MIN)；

其中，i为整数，且i∈[1，6]；MAX为X[i]的最大值；MIN为X[i]的最小值。

8.一种车牌识别装置，其特征在于，所述装置包括：获取模块、归一化模块和输入模块；其中，

所述获取模块，用于获取待识别车牌图片的图片特征信息；

所述归一化模块，用于对获取的图片特征信息进行归一化；

所述输入模块，用于将归一化后的图片特征信息输入识别模型中进行识别，得到识别结果，所述识别结果包括车牌颜色和车牌类型。

9.根据权利要求8所述的装置，其特征在于，所述装置还包括：模型生成模块，用于在输入模块将归一化后的图片特征信息输入识别模型中进行识别之前，生成识别模型；

所述模型生成模块，包括：

提取子模块，用于提取多个车牌图片样本；

分类子模块，用于按照颜色和车牌类型将车牌图片分为多个样本集；

获取子模块，用于获取各个样本集中的每个车牌图片的图片特征信息；

归一化子模块，用于对各个样本集中的每个车牌图片的图片特征信息进行归一化；

训练子模块，用于分别利用每个样本集中的图片特征信息对学习模型进行训练得到识别模型，所述学习模型为支持向量机SVM模型或BP神经网络模型。

10.根据权利要求8或9所述的装置，其特征在于，所述图片特征信息包括：图片的方差特征、图片的重心比率特征、车牌连通区域特征、图片波峰波谷特征、车牌颜色特征。