辑回归）分类器进行离线训练，得 到车牌字符分类器。
[0044] D9~D10 :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Softmax(多元逻辑回归）分类器进行在线识别，并将字符识别结果进行排序组合 得到最终的车牌识别号码输出。
[0045] 参照说明书附图5, 一种车牌识别方法，其包括以下步骤：
[0046] 101、首先获取车牌图像并对图像进行预处理；
[0047] 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
[0048] 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；
[0049] 104、再对所述车牌块进行字符分割；
[0050] 105、最后对所述分割字符块进行识别。
[0051] 优选的，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。
[0052] 优选的，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(六角锥体模 型）彩色模型；然后根据车牌的颜色特征，设定HSV(六角锥体模型）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。
[0053] 优选的，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。
[0054] 优选的，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。
[0055] 优选的，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Softmax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Softmax(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。
[0056] 优选的，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。
[0057] 优选的，所述车牌块图像进行二值化操作采用自适应二值化算法。
[0058] 优选的，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。
[0059] 优选的，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：
[0060]
[0061]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。
[0062] 以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在 阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变 化和修饰同样落入本发明权利要求所限定的范围。
【主权项】
1. 一种车牌识别方法，其特征在于，包括以下步骤： 101、 首先获取车牌图像并对图像进行预处理； 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； 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； 104、 再对所述车牌块进行字符分割； 105、 最后对所述分割字符块进行识别。2. 根据权利要求1所述的一种车牌识别方法，其特征在于，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。3. 根据权利要求1所述的一种车牌识别方法，其特征在于，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。4. 根据权利要求1所述的一种车牌识别方法，其特征在于，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。5. 根据权利要求1所述的一种车牌识别方法，其特征在于，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。6. 根据权利要求5所述的一种车牌识别方法，其特征在于，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Softmax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Softmax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。7. 根据权利要求3所述的一种车牌识别方法，其特征在于，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。8. 根据权利要求5所述的一种车牌识别方法，其特征在于，所述车牌块图像进行二值 化操作采用自适应二值化算法。9. 根据权利要求5所述的一种车牌识别方法，其特征在于，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。10. 根据权利要求7所述的一种车牌识别方法，其特征在于，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：其中（Xd，Yd)为矫正后的坐标，（H)为矫正前的坐标，（Xt，Y t)为平移坐标，Θ y为仿射变换角度。
【专利摘要】本发明请求保护一种车牌识别方法，涉及数字图像和机器视觉领域，所述方法包括以下步骤：首先获取车牌图像，并对车牌图像做预处理操作；然后于车牌图像中定位车牌区域，得到车牌候选区域，并对正面倾斜和侧面偏斜的候选区域进行矫正，得到候选车牌块；其次对候选车牌块进行判断，如果是车牌则进入下一步处理流程，否则丢弃该候选车牌块；再对车牌采用寻找连通域有效外部轮廓的方法进行字符分割；最后通过学习的方式获取字符特征，对单个字符图像进行识别并排序，得到识别结果。本发明识别速度快，鲁棒性好，定位和识别准确率高，能有效应用于多种场合。
【IPC分类】G06K9/62, G06K9/32
【公开号】CN105335743
【申请号】CN201510713318
【发明人】李红波, 欧阳文, 吴渝, 范张群
【申请人】重庆邮电大学
【公开日】2016年2月17日
【申请日】2015年10月28日