一种车牌识别方法
【技术领域】
[0001] 本发明涉及数字图像和机器视觉领域，尤其是涉及一种车牌识别方法。
【背景技术】
[0002] 随着人民生活水平的提高和经济的发展，机动车的数量逐年增多，道路交通成为 人们日益关注的问题。为了解决道路交通问题，一种准确、高效的新型运输系统一智能交通 系统（IntelligentTransportationSystem，简称ITS)应运而生。
[0003] 车牌识别作为智能交通系统的基础部分，已广泛应用于交通管理，交通监控，治安 监控等场景，而车牌自动识别方法作为其关键技术则发挥着举足轻重的作用。
[0004][0005] 综上所述，现有车牌识别方法存在以下缺点：（1)车牌识别方法中车牌定位模块 准确率低，适应差，且不能定位一个车牌图像中的多个车牌块；（2)对于侧面偏斜的车牌不 能很好地识别；（3)手工提取的字符特征，表达能力不够强，在车牌照污损、模糊、遮挡，或 者天气很糟情况下，车牌识别率不高。
【发明内容】
[0006] 本发明所要解决的技术问题是为了解决车牌识别方法中车牌定位准确率低，适应 性差，对于侧面偏斜车牌不能识别以及在有车牌照污损、模糊、部分遮挡等干扰的情况下识 别率低等问题。本发明提出一种在车牌图像出现较大幅度的正面倾斜和侧面扭斜的时候能 够准确识别车牌，在车牌字符部分缺损或模糊情况下仍有较高的识别率，能够识别出图像 内的多块车牌，识别速度快，鲁棒性好，定位和识别准确率高，能有效应用于多种场合的车 牌识别方法。，本发明的技术方案如下：一种车牌识别方法，其包括以下步骤：
[0007] 101、首先获取车牌图像并对图像进行预处理；
[0008] 102、然后在经过预处理的车牌图像中定位车牌区域，得到车牌候选区域
[0009] 103、其次对候选车牌块进行判断，如果是车牌则进入步骤104,否则丢弃该候选车 牌块；
[0010] 104、再对所述车牌块进行字符分割；
[0011] 105、最后对所述分割字符块进行识别。
[0012] 进一步的，步骤101中获取车牌图像并对图像进行预处理具体步骤包括，对获取 的车牌图像通过高斯模糊、图像灰度化和直方图均衡算法进行预处理以去除所述车牌图像 中的噪声，为车牌定位算法准备处理环境。
[0013] 进一步的，步骤102在经过预处理的车牌图像中定位车牌区域，得到车牌候选区 域的具体步骤包括，首先将所述车牌图像的颜色空间从RGB彩色模型转换到HSV(六角椎体 模型）彩色模型；然后根据车牌的颜色特征，设定HSV(六角椎体模型）色彩空间的各分量 的阈值，根据设定的阈值对图像进行二值化处理，以得到候选区域；再对所述候选区域进行 形态学闭操作，并对其取轮廓，对轮廓求最小外接矩形，得到车牌矩形候选区域；最后利用 车牌的宽高比，倾斜角度几何特征筛选掉不符合条件的候选区域，得到候选车牌区域。
[0014] 进一步的，步骤103对候选车牌块进行判断的具体步骤包括：首先将所述候选车 牌块用作SVM(支持向量机）机器学习算法的训练集，对SVM(支持向量机）车牌判断模型 进行离线训练，得到车牌判断模型；然后得到车牌判断模型后，将所述候选车牌块输入所述 车牌判断模型进行在线判断，得到真实车牌块集合；最后设定车牌块集合阈值，将真实车牌 块数量与阈值进行比较，判断是否需要二次定位。
[0015] 进一步的，步骤104字符分割具体步骤包括：首先对所述车牌块图像进行二值化 操作得到二值化图像；然后对二值化图像进行形态学闭操作，得到车牌字符连通域，获取连 通域的轮廓与最小外接矩形；再根据车牌字符宽高比，高度，设置误差率，最大、最小高度获 取外接矩形并过滤，得到分割字符块；最后将所述分割字符块进行标准归一化处理，并统一 尺寸，保存用作字符识别模型的训练样本。
[0016] 进一步的，步骤105中字符识别具体步骤包括：读取所述分割字符训练样本；首先 将训练样本输入CNN卷积神经网络机器学习模型进行离线训练，得到待识别字符的特征提 取器，用以自动提取字符块特征；然后将所述字符特征输入S〇ftmax(多元逻辑回归）分类 器进行离线训练，得到车牌字符分类器；再将所述车牌字符输入已经训练好的特征提取器 在线提取字符特征，再将其输入S〇ftmax(多元逻辑回归）分类器进行在线识别；最后将字 符识别结果进行排序组合，得到最终识别的车牌号码。
[0017] 进一步的，用车牌的几何特征宽高比、倾斜角度筛选掉不符合条件的候选区域具 体步骤包括，首先将车牌图像截取包含候选车牌区域的图块，得到R0I感兴趣区域图像；然 后设定角度阈值，将R0I图像中的候选车牌区域的倾斜角度与阈值比较，判断是否倾斜，若 倾斜则通过旋转候选车牌区域的方法来进行矫正；再对所述倾斜矫正后的候选车牌区域进 行偏斜判断，若偏斜则通过对候选车牌进行仿射变换的方法进行矫正；最后对所述矫正后 的候选车牌进行大小归一化，得到多块候选车牌块。
[0018] 进一步的，所述车牌块图像进行二值化操作采用自适应二值化算法。
[0019] 进一步的，对字符特征提取器采用随机梯度下降算法，字符分类器训练方法采用 反向传播算法实现。
[0020] 进一步的，车牌偏斜判断具体步骤包括，对候选车牌进行判断其是否为平行四边 形，若为平行四边形则发生偏斜，根据以下公式对车牌进行偏斜矫正：
[0021]
[0022] 其中（Xd，Yd)为矫正后的坐标，H)为矫正前的坐标，（Xt，Yt)为平移坐标，θχ 和为仿射变换角度。
[0023] 本发明的优点及有益效果如下：
[0024] 本发明实现了在车牌图像出现较大幅度的正面倾斜和侧面扭斜的时候能够准确 识别车牌；通过旋转和仿射变换解决车牌在正面倾斜和侧面扭斜中难以定位的问题；通过 SVM(支持向量机）判断以及采用颜色和垂直边缘检测二次定位能够大幅度提高车牌定位 准确率；通过学习的方式获取的字符特征，具有更强的表示能力，在车牌字符部分缺损或模 糊情况下仍有较高的识别率；能够识别出图像内的多块车牌，识别速度快，鲁棒性好，定位 和识别准确率高，能有效应用于多种场合。
【附图说明】
[0025] 图1是本发明提供优选实施例于车牌图像中定位车牌所在区域并对其判断的实 施例的流程图；
[0026]图2为本发明对车牌所在区域进行倾斜矫正和偏斜矫正的实施例流程图；
[0027] 图3为本发明对车牌块字符分割的实施例流程图；
[0028] 图4为本发明对分割字符进行识别的实施例流程图；
[0029] 图5为本发明的车牌识别方法流程图。
【具体实施方式】
[0030] 以下结合附图，对本发明作进一步说明：
[0031] 本发明如图1所示车牌图像中定位车牌所在区域并对其判断的实施例的流程图：
[0032] A1~A7:基于颜色定位方法，将所述车牌图像的颜色空间从RGB彩色模型转换到 HSV彩色模型；根据车牌的颜色特征，设定HSV色彩空间的各分量的阈值，根据设定的阈值 对图像进行二值化处理，以得到候选区域；对所述候选区域进行形态学闭操作，并对其取轮 廓，对轮廓求最小外接矩形，得到车牌矩形候选区域；利用车牌的宽高比，倾斜角度等几何 特征筛选掉不符合条件的候选区域，得到候选车牌区域，并对倾斜和偏斜车牌进行矫正。
[0033] A8 :将颜色定位结果，输入SVM车牌判断模型，得到真正的车牌块。
[0034] A9 :统计所述车牌块数量，与阈值进行比较，若大于阈值，则直接输出，否则进行二 次定位。
[0035] A10~A15:Sobel算子二次定位，首先对图像进行预处理，用Sobel算子检测车牌 图像的垂直边缘，得到车牌候选区域；对所述候选区域进行形态学闭操作，并对其取轮廓， 对轮廓求最小外接矩形，得到车牌矩形候选区域；利用车牌的宽高比，倾斜角度等几何特征 筛选掉不符合条件的候选区域，得到候选车牌区域，并对倾斜和偏斜车牌进行矫正。
[0036] A16~A17 :将Sobel二次定位结果，输入SVM(支持向量机）车牌判断模型，得到 真正的车牌块，并输出。
[0037] 如图2所示车牌所在区域进行倾斜矫正和偏斜矫正的实施例流程图：
[0038] B1~B8 :于所述车牌图像截取包含候选车牌区域的图块，得到R0I(感兴趣区域） 图像；设定角度阈值，将R0I(感兴趣区域）图像中的候选车牌区域的倾斜角度与阈值比较， 判断是否倾斜，若倾斜则通过旋转候选车牌区域的方法来进行矫正；对所述倾斜矫正后的 候选车牌区域进行偏斜判断，若偏斜则通过对候选车牌进行仿射变换的方法进行矫正；对 所述矫正后的候选车牌进行大小归一化，得到多块候选车牌块。
[0039] 如图3所示车牌块字符分割的实施例流程图：
[0040] C1~C7 :对所述车牌块图像进行二值化操作得到二值化图像；对二值化图像进行 形态学闭操作，得到车牌字符连通域，获取连通域的轮廓与最小外接矩形；根据车牌字符宽 高比，高度，设置误差率，最大、最小高度等获取外接矩形并过滤，得到分割字符块；将所述 分割字符块进行标准归一化处理，并同一尺寸，保存用作字符识别模型的训练样本。
[0041] 如图4所示分割字符进行识别的实施例流程图：
[0042] D1~D4 :读取所述分割字符训练样本；将训练样本输入CNN(卷积神经网络）机器 学习模型进行离线训练，得到待识别字符的特征提取器，用以自动提取字符块特征。
[0043] D5~D8 :将所述字符特征输入Softmax(多元逻