本发明涉及车牌自动识别技术领域，特别是涉及一种机动车车牌自动识别方法。
背景技术：
近年来，随着计算机及互联网技术的飞速发展，各种机动车数量的迅猛增长，各类信息包括与交通相关的信息呈现爆炸式增长的态势，为了能够更加安全、高效的管理这些信息，智能交通系统应运而生。智能交通系统可以在收费卡口、停车场、刑事追踪等方面展现出强大的作用，而对车牌的检测和识别是其最为核心的组成部分。
目前已有的机动车车牌自动识别方法主要存在以下问题：现有的车牌定位方法在实际场景中的复杂背景下效果较差；在字符分割阶段，实际应用中采集的车牌图像受各种因素影响使得质量较低，传统的车牌分割技术无法适用；由于汉字的特殊性和复杂性，传统的识别方法对汉字的识别效率及正确率均较低；传统的字符识别算法对字符图像质量较敏感，鲁棒性不高，实际应用中字符识别效果不理想。
技术实现要素：
本发明主要解决的技术问题是提供一种机动车车牌自动识别方法，能够准确识别监控图像中的车牌号码。
为解决上述技术问题，本发明采用的一个技术方案是：提供一种机动车车牌自动识别方法，包括：对输入的图像进行分割，得到一组车牌候选区图像；将每一车牌候选区图像由RGB颜色空间转换到HSV颜色空间，并进行彩色边缘检测和颜色识别，以获取真实的车牌边缘点；结合竖直投影和滴水算法对每一车牌候选区图像进行字符分割，删除错误的车牌候选区图像，对每个其他的车牌候选区图像得到字符块图像；将字符块图像归一化，提取字符块图像的原始粗网格特征；使用经过训练的BP神经网络对每一字符块图像进行识别，生成识别出的车牌号码、车牌颜色以及车牌区域坐标。
区别于现有技术的情况，本发明的有益效果是：1、对摄像采集的视频图像质量要求低，适用于复杂背景下的车牌准确定位；2、结合竖直投影和滴水算法的字符分割方法，鲁棒性好，能够较好地解决字符粘连、断裂等问题，分割效果好；3、结合我国车牌的实际情况，针对汉字的特殊性，为质量低下的汉字图像建立多个训练样本，提高了神经网络识别汉字的稳健性和识别正确率；4、BP神经网络设计科学合理，整体流程实现了实时性与准确性的平衡。
附图说明
图1是本发明实施例机动车车牌自动识别方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，是本发明实施例机动车车牌自动识别方法的流程示意图。本实施例的机动车车牌自动识别方法包括以下步骤：
S11：对输入的图像进行分割，得到一组车牌候选区图像。
输入的图像为一张图片，大小任意，然后进行预处理，基于DBSCAN的聚类两个步骤，输出一组车牌候选区图像。
S12：将每一车牌候选区图像由RGB颜色空间转换到HSV颜色空间，并进行彩色边缘检测和颜色识别，以获取真实的车牌边缘点。
利用BP神经网络对候选车牌图像进行颜色识别，计算任一像素点两个相邻区域的平均色彩距离，若大于阈值，则认为该像素是一个边缘点；对边缘像素点进行筛选，判断各边缘点的边缘颜色对是否符合我国标准车牌的颜色搭配，取得真实的车牌边缘点。
S13：结合竖直投影和滴水算法对每一车牌候选区图像进行字符分割，删除错误的车牌候选区图像，对每个其他的车牌候选区图像得到字符块图像。
在车牌字符间隙区域可取得白色像素投影的局部最小值作为粗分割的依据，若粗分割得到的字符块图像宽度超过宽度阈值，则运用滴水算法进行二次精确分割，寻找字符的闭合边缘轮廓，沿着缝隙进行裁剪，以最左上角和最右下角的边缘点为基准进行分割及矩形化拓展，并对分割出来的目标字符图像进行筛选，去除垂直边框、铆钉、分隔符等非字符图像。
S14：将字符块图像归一化，提取字符块图像的原始粗网格特征。
根据水平和垂直两个方向字符像素的分布将字符块图像归一化为32×16像素大小，字符区域背景为黑色，字符前景为白色，将归一化后的字符点阵的每个像素点作为一个网格，提取字符块图像的原始粗网格特征。
S15：使用经过训练的BP神经网络对每一字符块图像进行识别，生成识别出的车牌号码、车牌颜色以及车牌区域坐标。
根据我国车牌的实际特点，设计BP神经网络：包含汉字网络、字母网络、字母数字网络和数字网络，对不同类型字符进行分类，并为相似度高的字符建立二级网络，同时确定输入输出神经元个数、隐含层个数、隐含层中神经元数目、激活函数、学习速率等参数。
以上所述仅为本发明的实施例，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。