技术领域本发明涉及通信技术领域，尤其涉及车牌识别方法、装置及系统。
背景技术：
车牌识别是计算机视觉和模式识别技术在智能交通技术领域的重要应用之一，车牌识别时一个十分复杂的处理过程，需要考虑不同车辆速度、不同视角、不同的车辆与场景对比度、拍摄环境(光线、天气等)、车牌缺损及污染、车牌型号等因素的影响，因而不同的处理方式其所对应的处理效率及精确度也不相同。
技术实现要素：
本发明的主要目的在于提供一种车牌识别方法、装置及系统，旨在提升车牌识别的处理效率及精确度的技术问题。为实现上述目的，本发明提供一种车牌识别方法，所述车牌识别方法包括：采集车辆图像并对所述车辆图像进行图像预处理；从所述车辆图像中确定车牌所在区域并分割出车牌图像；从所述车牌图像中分割出车牌字符图像并进行归一化处理；提取所述车牌字符图像的字符特征信息并进行识别，以确定所述车牌字符图像的字符内容，得到车牌识别结果。优选地，所述图像预处理至少包括色彩校正、图像滤波、灰度化、二值化处理。优选地，所述从所述车辆图像中确定车牌所在区域并分割出车牌图像包括：对所述车辆图像进行边缘检测预处理；采用预设的轮廓提取算法提取所述车辆图像中的若干图像轮廓；根据车牌的相关特征，从所述图像轮廓中确定车牌所在区域所对应的图像轮廓并分割出车牌图像。优选地，所述从所述车牌图像中分割出车牌字符图像并进行归一化处理包括：采用垂直投影法从所述车牌图像中分割出车牌字符图像；采用双线性插值法对所述车牌字符图像进行归一化处理。优选地，所述提取所述车牌字符图像的字符特征信息并进行识别，以确定所述车牌字符图像的内容，得到车牌识别结果包括：从所述车牌字符图像中统计并提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征；根据预先训练得到的字符分类器，分析提取到的字符特征，得到所述车牌字符图像所对应的车牌识别结果。进一步地，为实现上述目的，本发明还提供一种车牌识别装置，所述车牌识别装置包括：图像采集模块，用于采集车辆图像并对所述车辆图像进行图像预处理；车牌提取模块，用于从所述车辆图像中确定车牌所在区域并分割出车牌图像；字符分割模块，用于从所述车牌图像中分割出车牌字符图像并进行归一化处理；字符识别模块，用于提取所述车牌字符图像的字符特征信息并进行识别，以确定所述车牌字符图像的字符内容，得到车牌识别结果。优选地，所述车牌提取模块包括：预处理单元，用于对所述车辆图像进行边缘检测预处理；轮廓提取单元，用于采用预设的轮廓提取算法提取所述车辆图像中的若干图像轮廓；车牌确定单元，用于根据车牌的相关特征，从所述图像轮廓中确定车牌所在区域所对应的图像轮廓并分割出车牌图像。优选地，所述字符分割模块包括：字符分割单元，用于采用垂直投影法从所述车牌图像中分割出车牌字符图像；归一化处理单元，用于采用双线性插值法对所述车牌字符图像进行归一化处理。优选地，所述字符识别模块包括：特征提取单元，用于从所述车牌字符图像中统计并提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征；字符识别单元，用于根据预先训练得到的字符分类器，分析提取到的字符特征，得到所述车牌字符图像所对应的车牌识别结果。进一步地，本发明还提供一种车牌识别系统，包括若干摄像机，所述车牌识别系统还包括车牌识别应用服务器，所述车牌识别应用服务器包括所述车牌识别装置。本发明通过预先对采集的车辆图像进行图像预处理以降低外部环境影响，提升车牌识别处理的精确度。通过从车辆图像中确定车牌所在区域并分割出车牌图像，从而便于进一步对车牌图像进行字符的识别处理。本发明在分割出车牌字符后统一进行归一化处理，以便于提升车牌字符的识别精度。最后提取车牌字符图像的字符特征信息并进行识别，从而确定车牌字符图像的字符内容并得到车牌识别的最终结果。附图说明图1为本发明车牌识别方法一实施例的流程示意图；图2为图1中步骤S20的细化流程示意图；图3为图1中步骤S30的细化流程示意图；图4为本发明车牌识别方法中垂直投影与上下边缘投影结果比对示意图；图5为图1中步骤S40的细化流程示意图；图6为本发明车牌识别装置一实施例的功能模块示意图；图7为图6中车牌提取模块的细化功能模块示意图；图8为图6中字符分割模块的细化功能模块示意图；图9为图6中字符识别模块的细化功能模块示意图；图10为本发明车牌识别系统一实施例的功能模块示意图。本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。具体实施方式应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。参照图1，图1为本发明车牌识别方法一实施例的流程示意图。本实施例中，所述车牌识别方法包括：步骤S10，采集车辆图像并对所述车辆图像进行图像预处理；本实施例中，通过各种视觉传感器(如CCD、CMOS成像设备等)获取车牌的图像并转换为易于计算机处理的格式，例如BMP格式。可选的，所述图像预处理至少包括色彩校正、图像滤波、灰度化、二值化处理。本实施例中，通过对采集的车辆图像进行预处理，以便于为后续处理创造条件，提升处理效率及识别的准确度。由于图像时在各种不同的环境中采集的，因而光照条件变化很大，导致采集的有些图像由于阴影而变得很暗，对比度也就比较低，因而需要预先进行图像的预处理，以降低光照条件的影响，提高图像的对比度并消除采集的车辆图像中的噪声。步骤S20，从所述车辆图像中确定车牌所在区域并分割出车牌图像；本实施例中，从车辆图像中定位车牌区域的方式很多，由于车牌定位需要考虑各种可能存在的外部因素影响，比如光照、天气、车牌缺损及污染等，因此，不同的车牌定位算法其所对应的计算效率及精确度也并不相同。现有的牌照有四种类型：蓝底白字牌照、黄底黑字牌照、白底黑字及红字牌照、黑底白字牌照，具体编码方式如下表所示。表1现有的车牌定位算法一般都会考虑车牌本身的特点来实现，在定位算法中车牌的固有特征是最为稳定可靠的属性，车牌区域有很多特征可以作为显著特征，本实施例中具体分为几何特征、颜色特征、纹理特征和位置特征等。(1)几何特征：如上表1所示，车牌的尺寸一般都为440×140mm，除了大型车后面车牌是440×220mm。这个尺寸是包括车牌边框在内的整个车牌尺寸。车牌内字符总长度409mm，其中每单个字符统一宽度为45mm，高度为90mm，第二、三字符间的间隔为34mm，中间小圆点10mm宽，小圆点与第二、三个字符间的间隔12mm，其余字符间隔12mm。通常将车牌的尺寸和宽高比作为车牌的几何特征。车牌的宽度和高度是固定的，因此其面积值也在一定范围内，在图像中表现为所占像素数目值。考虑到拍摄角度及倾斜等原因，而且车牌的大小也是标准的，根据车牌标准的宽度和高度，宽高比在一定范围内是固定的，所以当图像中有很多类车牌区域时，车牌的几何特征成为很重要的约束条件；(2)颜色特征：车牌的颜色种类主要分为蓝底白字、黄底黑字、白底黑字、黑底白字。大使馆领事馆外籍车车牌和军用车、警用车车牌第一个字符或最后一个字符是红色字符；(3)纹理特征：纹理是图像处理和模式识别的主要特征之一，在图像判读中使用纹理表示图像的均匀、细致、粗糙等现象。纹理特征是指图像灰度等级的变化，反应了图像本身的属性，有助于图像区分。车牌区域内有水平均匀排列且具有统一大小的字符，对于车牌图像来说，把车牌区域内的边缘信息作为车牌的纹理特征，因此车牌区域在水平方向上有着丰富的纹理信息，而垂直方向上则没有；(4)位置特征：在车牌图像中，车牌在图像中的相对位置具有一定规律，一般靠近图像中车身的中下位置，若候选区域在图像的1/4上部位置，一般不可能是车牌，因此根据位置特征可将候选区直接去掉。当确定车牌所在区域后，从车辆图像中分割出车牌所在区域，得到车牌图像。例如，利用牌照具有四边形边框的特点，通过检测图像中的长直线段，然后用一定的约束条件进行搜索的方法来确定牌照的位置。或者例如，利用统计投影直方图的方法，通过对采集的车辆图像水平和垂直两个方向的灰度投影直方图的分析，来推断出汽车牌照的位置。此外，由于受拍摄条件的限制，车辆图像中的车牌总不可避免存在一定的倾斜，因此，进一步可选的，对已分割出的车牌区域进行倾斜校正，以便于为后续提高字符识别的精度创造条件。本实施例中，可选的，在确定车牌所在区域后，即可通过分析车牌所在区域的颜色，确定车牌颜色，比如为蓝色车牌或黄色车牌等。本实施例中对于确定车牌颜色的方式不限，具体根据实际需要进行设置，比如统计车牌所在区域的颜色百分比，以确定车牌颜色。步骤S30，从所述车牌图像中分割出车牌字符图像并进行归一化处理；一般车牌字符为规则的印刷字体且其字符串的长宽比、字符之间的间隙、字符的长宽比及笔画宽度都是严格地按照一定的标准来制造的，虽然车牌图像数据化后会对它上面的字符进行提取和校正时会代入一定的噪声，但字符串中原有的表示各个字符之间关系的各个参数之间的相互关系不会发生太大的变化。因此，为准确地识别牌照上的汉字、英文字母和数字，必须把单个字符从车牌中提取分离出来。本实施例中可根据车牌中字符的上述相关特征，从车牌图像中分割出车牌字符图像，例如先确定车牌字符的上下左右边界，也即确定车牌的边界线；然后再根据车牌中各字符之间的固定间隙，将车牌中的字符一一分割出来。此外，为便于后续进行字符的准确识别，本实施例中进一步对分割出的多个车牌字符图像进行归一化处理，以统一各车牌字符图像的大小。步骤S40，提取所述车牌字符图像的字符特征信息并进行识别，以确定所述车牌字符图像的字符内容，得到车牌识别结果。车牌字符一般包括汉字、字母及数字，本实施例中，为提升字符识别精度，因此优选针对不同的字符类型设置对应的字符识别算法，具体将提取的车牌字符图像的字符特征信息作为识别依据，结合预设的字符识别算法实现对车牌各字符内容的识别与确定。本实施例中优选采用基于统计方法进行识别。本实施例通过预先对采集的车辆图像进行图像预处理以降低外部环境影响，提升车牌识别处理的精确度。通过从车辆图像中确定车牌所在区域并分割出车牌图像，从而便于进一步对车牌图像进行字符的识别处理。本实施例在分割出车牌字符后统一进行归一化处理，以便于提升车牌字符的识别精度。最后提取车牌字符图像的字符特征信息并进行识别，从而确定车牌字符图像的字符内容并得到车牌识别的最终结果。参照图2，图2为图1中步骤S20的细化流程示意图。基于上述实施例，本实施例中，上述步骤S20包括：步骤S201，对所述车辆图像进行边缘检测预处理；本实施例中，为减少提取的轮廓数量，提升车牌定位效率，因此，优选在进行轮廓提取前，对车辆图像进行边缘检测预处理，其中，通过边缘检测处理以便于排除车辆图像中图像的边缘特征比较模糊的图像部分而保留比较明显的部分，例如排除车身部分保留特征显著的车牌部分、车灯部分等。步骤S202，采用预设的轮廓提取算法提取所述车辆图像中的若干图像轮廓；本实施例中，对于轮廓提取算法的设置不限，例如采用OpenCV软件中的cvFindContours函数进行轮廓提取。步骤S203，根据车牌的相关特征，从所述图像轮廓中确定车牌所在区域所对应的图像轮廓并分割出车牌图像。如上述实施例中表1所示，车牌的特征信息很多，不同特征所对应采用的计算方式也不尽相同，例如根据车牌的颜色(比如蓝色、黄色)进行确定。通过进行颜色百分比统计以确定车牌所在图像轮廓。其中，颜色百分比条件的设置与车牌颜色相关，例如，一般车牌的颜色包括车牌号码颜色与车牌背景颜色，而车牌背景颜色所占整个车牌颜色的百分比假设在70％～80％之间，因此，若统计得到的颜色百分比在70％～80％之间则可确定为车牌区域。此外，本实施例中考虑到由于光线等外部环境影响而导致识别不到满足上述颜色百分比条件的区域，因此可先识别颜色百分比阈值(例如10％)较低的多个区域，然后再在大于该百分比阈值的多个区域中选择颜色百分比最大的一个区域作为车牌区域。车牌位置的确定非常重要，只有准确得到车牌图像，才能继续进行车牌图像中车牌字符的识别。本实施例中，为加快车牌提取效率，预先剔除不符合要求的区域，并进一步根据车牌的自身特征(车牌固有属性特征)唯一确定车牌所在轮廓，进而确定为车牌区域并提取该区域，得到车牌图像。本实施例中不仅加快了车牌区域的定位效率，同时也提升了车牌区域的识别精确度。参照图3，图3为图1中步骤S30的细化流程示意图。基于上述实施例，本实施例中，上述步骤S30包括：步骤S301，采用垂直投影法从所述车牌图像中分割出车牌字符图像；分割车牌图像中字符的方式很多，本实施例中优选采用运算较为简便且计算精度满足一定要求的垂直投影法从车牌图像中分割出车牌字符图像。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件，因此利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。进一步可选的，由于字符中经常存在空洞(比如字符6、9、A、B)，从而导致字符的垂直投影具有多处波谷，进而在进行分割时难以依据波谷来确定字符的分界点。因此，在采用垂直投影法的基础上可进一步结合上下边缘投影法进行车牌字符分割的综合判断与分析。其中，上下边缘投影是指字符上边缘与下边缘间的距离，“字符上边缘”指以像素为单位沿图像某列自上而下搜索直至遇到字符区域的第一个点，“字符下边缘”是指以像素为单位沿图像某列自下而上搜索直至遇到字符区域的第一个点，则上下边缘投影即为字符上边缘与下边缘两者之间距离之差，具体如图4所示。由于字符内部空洞的存在，导致垂直投影中大部分都存在一个波谷，因而很难避免将单个字符分割为两个部分。而上下边缘投影具有较好的单波峰特性，对投影曲线使用分裂算法可以较容易地分割出完整的字符区域。步骤S302，采用双线性插值法对所述车牌字符图像进行归一化处理。一般在分割字符时所得到的字符大小不相同，为便于后续处理，因而需要将字符归一化以统一字符的大小，例如统一为25×50像素大小的图像，也即超过该范围的字符图像需要缩小，而小于该范围的字符图像需要放大，而在字符图像放大或缩小过程中，产生的像素可能在原图中不能找到相应的像素点，因此需要采用插值法进行处理，本实施例中优选采用双线性插值法对分割的车牌字符图像进行归一化处理。参照图5，图5为图1中步骤S40的细化流程示意图。基于上述实施例，本实施例中，上述步骤S40包括：步骤S401，从所述车牌字符图像中统计并提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征；字符特征提取的好坏，直接影响字符识别的结果，本实施例中优选提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征。(1)字符笔画斜率特征：字符最具代表性的特征是笔画，不同的字符有不同的笔画数量、形态、长度等，因此可将笔画斜率作为特征进行特征值提取。笔画斜率有正斜率、负斜率、零斜率三部分，例如分别统计字符零斜率，正斜率，负斜率的累加和以确定一个字符或一类字符。(2)字符拐点幅度特征：在字符中字符的拐点含有丰富的特征，因此可通过提取拐点幅度特征来确定字符。(3)字符轮廓深度特征：一般不同的字符在轮廓上有着明显差异。比如“S”和“C”。“S”字符从右侧扫描深度的时候有着有很多的凹凸信息。而字符“C”从右侧扫描的过程中，字符的中间凹陷比较明显，所以通过扫描字符四个方向的轮廓深度，得到字符的轮廓特征值。(4)字符跳跃点特征：例如字符“1”和“B”从左侧扫描过程中基本上没有区别，而在水平和垂直方向的跳跃点却有着明显的差别。步骤S402，根据预先训练得到的字符分类器，分析提取到的字符特征，得到所述车牌字符图像所对应的车牌识别结果。通过提取的特征值以识别字符的算法有很多，包括分类器算法、模板匹配算法、贝叶斯分类器算法等。本实施例中优选采用BP神经网络分类器算法，以训练的分类器为基础，通过分析比对所提取的字符特征，进而对应得到车牌字符图像所对应的车牌识别结果。本实施例中，需要预先进行字符分类器的训练，具体步骤如下：步骤一：采集不同车牌字符图像作为分类器的离线训练样本；步骤二：提取各个样本的字符特征，使每个样本的字符特征为一行或一列以及将全部样本的字符特征组成一个矩阵，即字典；步骤三:用稀疏编码算法对上述字典进行训练，得到紧凑性字典及与该字典相对应的分类器，进而通过训练得到的该分类器即可对车牌字符图像进行分类处理。其中，分类器具体是指数据挖掘中对样本进行分类的方法的统称，例如常用的分类器有决策树分类器、选择树分类器、支持向量机等。参照图6，图6为本发明车牌识别装置一实施例的功能模块示意图。本实施例中，所述车牌识别装置包括：图像采集模块10，用于采集车辆图像并对所述车辆图像进行图像预处理；本实施例中，通过各种视觉传感器(如CCD、CMOS成像设备等)获取车牌的图像并转换为易于计算机处理的格式，例如BMP格式。可选的，所述图像预处理至少包括色彩校正、图像滤波、灰度化、二值化处理。本实施例中，通过对采集的车辆图像进行预处理，以便于为后续处理创造条件，提升处理效率及识别的准确度。由于图像时在各种不同的环境中采集的，因而光照条件变化很大，导致采集的有些图像由于阴影而变得很暗，对比度也就比较低，因而需要预先进行图像的预处理，以降低光照条件的影响，提高图像的对比度并消除采集的车辆图像中的噪声。车牌提取模块20，用于从所述车辆图像中确定车牌所在区域并分割出车牌图像；本实施例中，从车辆图像中定位车牌区域的方式很多，由于车牌定位需要考虑各种可能存在的外部因素影响，比如光照、天气、车牌缺损及污染等，因此，不同的车牌定位算法其所对应的计算效率及精确度也并不相同。当确定车牌所在区域后，从车辆图像中分割出车牌所在区域，得到车牌图像。例如，利用牌照具有四边形边框的特点，通过检测图像中的长直线段，然后用一定的约束条件进行搜索的方法来确定牌照的位置。或者例如，利用统计投影直方图的方法，通过对采集的车辆图像水平和垂直两个方向的灰度投影直方图的分析，来推断出汽车牌照的位置。此外，由于受拍摄条件的限制，车辆图像中的车牌总不可避免存在一定的倾斜，因此，进一步可选的，对已分割出的车牌区域进行倾斜校正，以便于为后续提高字符识别的精度创造条件。本实施例中，可选的，在确定车牌所在区域后，即可通过分析车牌所在区域的颜色，确定车牌颜色，比如为蓝色车牌或黄色车牌等。本实施例中对于确定车牌颜色的方式不限，具体根据实际需要进行设置，比如统计车牌所在区域的颜色百分比，以确定车牌颜色。字符分割模块30，用于从所述车牌图像中分割出车牌字符图像并进行归一化处理；一般车牌字符为规则的印刷字体且其字符串的长宽比、字符之间的间隙、字符的长宽比及笔画宽度都是严格地按照一定的标准来制造的，虽然车牌图像数据化后会对它上面的字符进行提取和校正时会代入一定的噪声，但字符串中原有的表示各个字符之间关系的各个参数之间的相互关系不会发生太大的变化。因此，为准确地识别牌照上的汉字、英文字母和数字，必须把单个字符从车牌中提取分离出来。本实施例中可根据车牌中字符的上述相关特征，从车牌图像中分割出车牌字符图像，例如先确定车牌字符的上下左右边界，也即确定车牌的边界线；然后再根据车牌中各字符之间的固定间隙，将车牌中的字符一一分割出来。此外，为便于后续进行字符的准确识别，本实施例中进一步对分割出的多个车牌字符图像进行归一化处理，以统一各车牌字符图像的大小。字符识别模块40，用于提取所述车牌字符图像的字符特征信息并进行识别，以确定所述车牌字符图像的字符内容，得到车牌识别结果。车牌字符一般包括汉字、字母及数字，本实施例中，为提升字符识别精度，因此优选针对不同的字符类型设置对应的字符识别算法，具体将提取的车牌字符图像的字符特征信息作为识别依据，结合预设的字符识别算法实现对车牌各字符内容的识别与确定。本实施例中优选采用基于统计方法进行识别。本实施例通过预先对采集的车辆图像进行图像预处理以降低外部环境影响，提升车牌识别处理的精确度。通过从车辆图像中确定车牌所在区域并分割出车牌图像，从而便于进一步对车牌图像进行字符的识别处理。本实施例在分割出车牌字符后统一进行归一化处理，以便于提升车牌字符的识别精度。最后提取车牌字符图像的字符特征信息并进行识别，从而确定车牌字符图像的字符内容并得到车牌识别的最终结果。参照图7，图7为图6中车牌提取模块的细化功能模块示意图。基于上述实施例，本实施例中，车牌提取模块20包括：预处理单元201，用于对所述车辆图像进行边缘检测预处理；本实施例中，为减少提取的轮廓数量，提升车牌定位效率，因此，优选在进行轮廓提取前，对车辆图像进行边缘检测预处理，其中，通过边缘检测处理以便于排除车辆图像中图像的边缘特征比较模糊的图像部分而保留比较明显的部分，例如排除车身部分保留特征显著的车牌部分、车灯部分等。轮廓提取单元202，用于采用预设的轮廓提取算法提取所述车辆图像中的若干图像轮廓；本实施例中，对于轮廓提取算法的设置不限，例如采用OpenCV软件中的cvFindContours函数进行轮廓提取。车牌确定单元203，用于根据车牌的相关特征，从所述图像轮廓中确定车牌所在区域所对应的图像轮廓并分割出车牌图像。如上述实施例中表1所示，车牌的特征信息很多，不同特征所对应采用的计算方式也不尽相同，例如根据车牌的颜色(比如蓝色、黄色)进行确定。通过进行颜色百分比统计以确定车牌所在图像轮廓。其中，颜色百分比条件的设置与车牌颜色相关，例如，一般车牌的颜色包括车牌号码颜色与车牌背景颜色，而车牌背景颜色所占整个车牌颜色的百分比假设在70％～80％之间，因此，若统计得到的颜色百分比在70％～80％之间则可确定为车牌区域。此外，本实施例中考虑到由于光线等外部环境影响而导致识别不到满足上述颜色百分比条件的区域，因此可先识别颜色百分比阈值(例如10％)较低的多个区域，然后再在大于该百分比阈值的多个区域中选择颜色百分比最大的一个区域作为车牌区域。车牌位置的确定非常重要，只有准确得到车牌图像，才能继续进行车牌图像中车牌字符的识别。本实施例中，为加快车牌提取效率，预先剔除不符合要求的区域，并进一步根据车牌的自身特征(车牌固有属性特征)唯一确定车牌所在轮廓，进而确定为车牌区域并提取该区域，得到车牌图像。本实施例中不仅加快了车牌区域的定位效率，同时也提升了车牌区域的识别精确度。参照图8，图8为图6中字符分割模块的细化功能模块示意图。基于上述实施例，本实施例中，字符分割模块30包括：字符分割单元301，用于采用垂直投影法从所述车牌图像中分割出车牌字符图像；分割车牌图像中字符的方式很多，本实施例中优选采用运算较为简便且计算精度满足一定要求的垂直投影法从车牌图像中分割出车牌字符图像。由于字符在垂直方向上的投影必然在字符间或字符内的间隙处取得局部最小值的附近，并且这个位置应满足牌照的字符书写格式、字符、尺寸限制和一些其他条件，因此利用垂直投影法对复杂环境下的汽车图像中的字符分割有较好的效果。进一步可选的，由于字符中经常存在空洞(比如字符6、9、A、B)，从而导致字符的垂直投影具有多处波谷，进而在进行分割时难以依据波谷来确定字符的分界点。因此，在采用垂直投影法的基础上可进一步结合上下边缘投影法进行车牌字符分割的综合判断与分析。其中，上下边缘投影是指字符上边缘与下边缘间的距离，“字符上边缘”指以像素为单位沿图像某列自上而下搜索直至遇到字符区域的第一个点，“字符下边缘”是指以像素为单位沿图像某列自下而上搜索直至遇到字符区域的第一个点，则上下边缘投影即为字符上边缘与下边缘两者之间距离之差，具体如图4所示。由于字符内部空洞的存在，导致垂直投影中大部分都存在一个波谷，因而很难避免将单个字符分割为两个部分。而上下边缘投影具有较好的单波峰特性，对投影曲线使用分裂算法可以较容易地分割出完整的字符区域。归一化处理单元302，用于采用双线性插值法对所述车牌字符图像进行归一化处理。一般在分割字符时所得到的字符大小不相同，为便于后续处理，因而需要将字符归一化以统一字符的大小，例如统一为25×50像素大小的图像，也即超过该范围的字符图像需要缩小，而小于该范围的字符图像需要放大，而在字符图像放大或缩小过程中，产生的像素可能在原图中不能找到相应的像素点，因此需要采用插值法进行处理，本实施例中优选采用双线性插值法对分割的车牌字符图像进行归一化处理。参照图9，图9为图6中字符识别模块的细化功能模块示意图。基于上述实施例，本实施例中，字符识别模块40包括特征提取单元401，用于从所述车牌字符图像中统计并提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征；字符特征提取的好坏，直接影响字符识别的结果，本实施例中优选提取字符的笔画斜率特征、拐点幅度特征、轮廓深度特征以及跳跃点特征。(1)字符笔画斜率特征：字符最具代表性的特征是笔画，不同的字符有不同的笔画数量、形态、长度等，因此可将笔画斜率作为特征进行特征值提取。笔画斜率有正斜率、负斜率、零斜率三部分，例如分别统计字符零斜率，正斜率，负斜率的累加和以确定一个字符或一类字符。(2)字符拐点幅度特征：在字符中字符的拐点含有丰富的特征，因此可通过提取拐点幅度特征来确定字符。(3)字符轮廓深度特征：一般不同的字符在轮廓上有着明显差异。比如“S”和“C”。“S”字符从右侧扫描深度的时候有着有很多的凹凸信息。而字符“C”从右侧扫描的过程中，字符的中间凹陷比较明显，所以通过扫描字符四个方向的轮廓深度，得到字符的轮廓特征值。字符识别单元402，用于根据预先训练得到的字符分类器，分析提取到的字符特征，得到所述车牌字符图像所对应的车牌识别结果。通过提取的特征值以识别字符的算法有很多，包括分类器算法、模板匹配算法、贝叶斯分类器算法等。本实施例中优选采用BP神经网络分类器算法，以训练的分类器为基础，通过分析比对所提取的字符特征，进而对应得到车牌字符图像所对应的车牌识别结果。本实施例中，需要预先进行字符分类器的训练，具体步骤如下：步骤一：采集不同车牌字符图像作为分类器的离线训练样本；步骤二：提取各个样本的字符特征，使每个样本的字符特征为一行或一列以及将全部样本的字符特征组成一个矩阵，即字典；步骤三:用稀疏编码算法对上述字典进行训练，得到紧凑性字典及与该字典相对应的分类器，进而通过训练得到的该分类器即可对车牌字符图像进行分类处理。其中，分类器具体是指数据挖掘中对样本进行分类的方法的统称，例如常用的分类器有决策树分类器、选择树分类器、支持向量机等。参照图10，图10为本发明车牌识别系统一实施例的功能模块示意图。本实施例中，车牌识别系统包括若干摄像机210与车牌识别应用服务器220，所述车牌识别应用服务器220包括所述车牌识别装置2201。本实施例中，摄像机210一般安装在被监控区域的现场，从而获得被监控区域的视频图像信号。此外，如果在摄像机210中集成安装有车牌识别装置2201，则可以直接在前端现场进行实时车牌识别。摄像机210可选用光纤、网络、无线等方式，将采集到的数据传输到车牌识别应用服务器220上进行车牌识别以及其他相关处理。本实施例中，通过车牌识别系统可以自动完成对各种车辆的车牌识别，并将识别结果与相关安全数据库中已有的处理车牌号码进行匹配并将最终结果输出到指定设备，比如警用设备上，从而实现对交通执法、信息发布等多种应用，提升本发明的适用范围。以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。