一种车牌识别方法与流程

本发明涉及一种车牌识别方法。

背景技术：

现有技术中，对于车牌识别，首先面临的问题是获取车牌位置、提取车牌图像，其次面临的问题是识别出具体字样。对于获取车牌位置、提取车牌图像，现有技术的办法是在车牌的特定位置安装可自动识别的特制螺钉，然后系统后台在图像中查找特制螺钉位置，从而找到车牌位置，在这种方式下，由于需要每一车辆都安装特制螺钉，因此给交通管理部门留下了较大的权力寻租空间，社会整体成本高，不利于市场的良性发展；对于识别出具体字样，基于当前的数据挖掘技术，如果车牌在图像中较正，或者其展现方式较为固定的话，可以利用神经网络算法模型直接进行自动识别，但这样一来意味着神经网络算法模型要可识别多种情况下的车牌字样，计算量必然极大，过多的耗费行政资源，二来抓拍图像的摄像头安装位置也要求极高，以确保车牌在图像中较正，这意味着安装成本高，安装位置限制范围较小。

技术实现要素：

为解决上述技术问题，本发明提供了一种车牌识别方法，该车牌识别方法通过以色差判断姿态、进行车牌找正的方法，能较为准确的得到车牌图像并识别，对单一高清抓拍图像的整体计算量小，识别效率高，从而能极大的降低各种成本，有利于进一步自动化，进而促进市场的良性发展。

本发明通过以下技术方案得以实现。

本发明提供的一种车牌识别方法，包括如下步骤：

①定基色：获取到输入的图像，对图像中边沿位置寻找黑白灰近似色，判断路面基色；

②找姿态：根据连续色差将预定位置的汽车图像提取出，根据提取出的汽车图像，遍历数据库中汽车姿态框图数据，以判断汽车所处姿态的姿态信息，姿态信息包括X、Y、Z轴旋转角度；

③取车牌：在汽车图像中寻找蓝色或黄色为底色的区域图像作为车牌图像，根据步骤②中得到的姿态信息，对车牌图像进行旋转还原成正视图，并根据色差取出其中的字样图像；

④识别：利用神经网络算法模型对取出的字样图像进行识别；

⑤输出：输出识别得到的结果。

所述黑白灰近似色指的是符合RGB通道三个色值中任意最大值和最小值之差不大于10的颜色。

所述步骤①中获取的图像为经过去除光照影响的高清抓拍图像。

所述步骤③中对车牌图像进行旋转还原，具体为：(1)取出姿态信息中的旋转角度；(2)利用三角函数，计算出车牌图像相对于正视图的比例；(3)对车牌图像，逐行、逐列按照比例拉伸。

本发明的有益效果在于：通过以色差判断姿态、进行车牌找正的方法，能较为准确的得到车牌图像并识别，对单一高清抓拍图像的整体计算量小，识别效率高，从而能极大的降低各种成本，有利于进一步自动化，进而促进市场的良性发展。

附图说明

图1是本发明的流程示意图。

具体实施方式

下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。

如图1所示的一种车牌识别方法，包括如下步骤：

①定基色：获取到输入的图像，对图像中边沿位置寻找黑白灰近似色，判断路面基色；

②找姿态：根据连续色差将预定位置的汽车图像提取出，根据提取出的汽车图像，遍历数据库中汽车姿态框图数据，以判断汽车所处姿态的姿态信息，姿态信息包括X、Y、Z轴旋转角度；

③取车牌：在汽车图像中寻找蓝色或黄色为底色的区域图像作为车牌图像，根据步骤②中得到的姿态信息，对车牌图像进行旋转还原成正视图，并根据色差取出其中的字样图像；

④识别：利用神经网络算法模型对取出的字样图像进行识别；

⑤输出：输出识别得到的结果。

具体而言，所述黑白灰近似色指的是符合RGB通道三个色值中任意最大值和最小值之差不大于10的颜色。

进一步的，所述步骤①中获取的图像为经过去除光照影响的高清抓拍图像。

所述步骤③中对车牌图像进行旋转还原，具体为：(1)取出姿态信息中的旋转角度；(2)利用三角函数，计算出车牌图像相对于正视图的比例；(3)对车牌图像，逐行、逐列按照比例拉伸。

由此，步骤①、②、③通过现有的图像处理技术即可轻易实现，而基于正视图下的字样图像，步骤④在实现时难度可极大的降低，算法建模只需要准备正视图下的字样作为学习集数据即可，实际运行时由于图像高度规则，因此识别计算量也能极大的降低。