一种基于Grassmann流行的车牌字符识别方法
【技术领域】
[0001] 本发明属于图像处理技术领域，尤其涉及车牌字符识别。
【背景技术】
[0002] 随着智能交通系统的发展，车牌识别系统广泛的应用于各个领域。它是以数字图 像处理，模式识别，计算机视觉等技术为基础，对摄像机所拍摄的车辆图像或者视频序列进 行分析，得到每一辆车的车牌号码，从而完成识别过程。通过一些后续处理，可以实现停车 场收费管理、公路收费站自动缴费管理、交通流量控制指标测量、高速公路超速自动化监 管、车辆定位、汽车防盗等功能。
[0003] 通常，车牌识别系统可分为三个部分：车牌定位（获取单个车牌图像）、车牌字符 分割、车牌字符识别。整个系统在前两部分的基础上如何进行精确的字符识别，就成为最终 影响系统识别率的重要难题。
[0004] 当前，车牌字符识别存在以下难题：
[0005] 1、小字符集。具体到中国现行的机动车号牌标准（GA36- 2007，GA804)，中国车牌 含有中文汉字、英文字母以及阿拉伯数字。汉字字符结构复杂，实际获得字符存在粘连，污 损等情况，英文字母"J"、"L"与" 1"易混淆；"D"、"0"与"Q"易混淆等等。
[0006] 2、获取图像质量差异性较大。前端采集设备获取车辆图像，可能存在干扰和几何 形变；测试环境复杂多变，当车牌识别系统应用雨雪天、雾等自然环境恶劣情况时，可能会 导致车牌受污损，同时影响获得车牌图像质量。
[0007] 当前的车牌字符识别算法主要有以下几种方法：
[0008] (1)基于模板匹配的车牌识别算法。利用车牌字符的轮廓、骨干或者峰谷投影等 特征，先对待识别字符进行关键点提取，即对字符进行拓扑分析以得到字符边缘的关键点， 再确定字符的分类提取车牌字符特征，与标准车牌字符进行匹配。但是，由于实际测试环境 中获取车牌图像存在干扰以及车牌图像的几何变形，车牌字符正确识别率低并且鲁棒性较 差。
[0009] (2)基于SVM的车牌识别算法。根据车牌字符的特征，建立分类器，对分类器建立 各字符的样本库，通过SVM方法训练得到各字符的判别函数。然后根据字符相应位置，归一 化送到对应分类器组，通过判别函数得到分类结果。但是，由于很难提取到能很好表示字符 的相关特征以及现场环境的复杂，车牌字符也很难准确分割，字符差异性大。最后导致正确 识别率低以及鲁棒性较差。
【发明内容】
[0010] 本发明针对上述技术问题，公开了一种对车牌字符图像的成像质量要求低，在复 杂的环境中具有良好鲁棒性和准确性的车牌字符识别方法。
[0011] 本发明的基于Grassmann流行的车牌字符识别方法，包括下列步骤：
[0012] 步骤A :构建每类车牌字符图像样本的张成子空间：
[0013] A-I :对每类车牌字符取η个车牌字符图像样本，将各车牌字符图像转化为灰度图 像，并将灰度图像归一化为相同图像尺寸，其中η大于或等于3 ;
[0014] Α-2 :每类字符η个样本的图像矩阵Μ, =[ΑΚ，.Υ,\···,Λ?']，其中i为字符类型 标识符，# =KKy ，…，不"/表示第i类字符的第j个样本的车牌字符图像按行 或按列展开形成的m维列向量，其中m表示归一化后的车牌字符图像的像素点总数，j = 1，2,…，η ;所述〇表示第i类字符的第j个样本的车牌字符图像的第p个像素点的像素 值，P = 1，2, ...，m ;
[0015] △-2:每类字符11个样本的图像矩阵/^=[；^,<，尤3，"，1； 1]，其中1为字符类型标 识符，宥=表示第i类字符的第j个样本的车牌字符图像按行或按 列展开形成的m维列向量，j = 1，2,…，η ;其中X/)表示第i类字符的第j个样本的车牌字 符图像的第P个像素点的像素值，P = 1，2,…，m (A')
[0016] A-3 :对图像矩阵M1进行奇异值SVD分解，得到n Pf，其中矩阵U$m*m V 阶酉矩阵，矩阵~为n*n阶对角矩阵，矩阵Pf为11*11阶酉矩阵￥1的共辄转置矩阵；取对角 矩阵A1中前k个最大值对应位置的矩阵V1中的列向量构成矩阵Y1，用Span(Y 1)表示矩阵 Yi的张成子空间，将所述张成子空间Span(Yi)映射到Grassmann流形上，其中下标i为字 符类型标识符，其中1彡k < η ;
[0017] 步骤B :对待识别车牌字符图像进行字符识别
[0018] B-I :输入η个同类待识别车牌字符图像，基于步骤Α-1、Α-2得到待识别字符类 型X的图像矩阵Μ, ···,<]，基于步骤Α-3由图像矩阵凡得到矩阵Yx，用 Span(Yx)表示矩阵Yx的张成子空间，将所述张成子空间Span(Yx)映射到Grassmann流形 上；
[0019] Β-2 :基于Grassmann流行的两点间距离，分别计算张成子空间span (Yx)与每个类 的张成子空间Span(Y1)之间的点距离，取最小点距离所对应的类型标识符i为待识别字符 类型X的字符种类。
[0020] 有益效果：传统的车牌字符识别方式是对每一个分割的字符进行处理，形成特征 集合，用特征集合建立模型，此方法存在的问题：对于同一类车牌字符，割裂了每个车牌字 符之间的相关性，无论使用何种特征提取方式，都会造成原始特征的丢失或是增加无用的 特征。而本发明使用基于Grassmann流形的车牌字符识别方法，将同字符类型的多个字符 集合当成一个矩阵，矩阵的每个列向量是一副车牌字符图像，该处理方式的优点在于，考虑 了同字符类型的车牌字符图像之间的相关性，将每幅车牌字符图像直接向量化变成向量， 避免了任何特征信息的损失，最大程度上利用了现有的信息进行车牌字符识别，极大的提 高了识别的准确性和鲁棒性。
【附图说明】
[0021] 本发明将通过【具体实施方式】并参照附图的方式说明，其中：
[0022] 图1是【具体实施方式】中，对待识别车牌字符图像的识别流程图。
【具体实施方式】
[0023] 为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发 明作进一步地详细描述。
[0024] 为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式和附图，对本发 明作进一步地详细描述。
[0025] 本发明用于车牌识别系统的车牌字符分割。车牌识别系统接收监测设备采集到 的图片数据流进行车牌定位，以获取单个车牌图像。当前，获取车牌图像惯用的处理方式 为：基于混合高斯背景建模的方法，利用权值和方差获得运动场景中的前景和背景，将当前 获得的一帧图像与背景图像相减便可以获得运动目标区域即场景内的各个运动车辆。然后 根据场景内跟踪的各个车辆情况，首先对得到的单帧图像进行转化为灰度图像，并对灰度 图像进行边缘检测，对获得的边缘检测图像再进行二值化，这样可以去除明显的干扰和一 些噪声产生的干扰点，尤其是夜间车灯的影响，之后基于预构造矩阵（矩阵的行和列可以 根据车牌的长宽比进行设定，矩阵中的元素初始化为1)遍历整个目标区域，然后提取连通 域，再对得到的目标区域进行形态学闭操作，之后对各个连通域进行标定并求其最小的外 接矩形，然后，得到外接矩形在原图中相应的图像。最后，将得到的图像进行分类即获取车 牌的正负样本，选取车牌具有的一些特征，利用车牌的正负样本训练二分类器去掉伪车牌， 从而得到粗定位的车牌图像。再进一步准确定位车牌，得到精定位的车牌图像：首先，对粗 定位的车牌图像在水平方向上进行投影，准确的确定车牌的上下边界，再对车牌在竖直方 向上投影，选择阀值，根据阀值判断候选车牌区域作为车牌左右边缘的准确位置，从而得到 精定位的车牌图像。
[0026] 在输出获取的各车牌图像的字符分割位置时，可以是现有的任一方法，也可以是 本发明的发明人在申请名称《一种动态模板结合像素点的车牌字符分割方法》中所描述的 分割方法，即首先对输入的车牌图像进行二值化处理，并计算二值化处理后的车牌图像的 宽度w和高度h ;然后设置车牌模板：高度与待分割的车牌图像（二值化处理后的车牌图 像）的高度相同，设置为h，宽度设置为w'（初始值设置为w/3~2w/3)，车牌模板设置7个 字符，各字符的宽高比设置为rl、第2个和第3个字符之间的间隔的宽高比为r2,其他字符 间的间隔的宽高比为r3，其中宽高比r I、r2、r3的取值基于机动车号牌的标准（例如《中华 人民共和国公共安全行业标准-中华人民共和国机动车号牌》（GA36- 2007))中所规定的 对应尺寸进行设置；接着执行模