本发明涉及一种基于数据模型的车牌号识别方法。
背景技术：
现有技术中，车牌号识别一般是采用取点牌照，然后人工识别的方式进行，这种方式下，取点本身成为技术难点之一，现有技术的解决方式是采用特殊材料的车牌固定钉，但这种方式显然带来了过高的社会成本，而且在执行过程中具有过大的权力寻租空间，同时人工识别的方式也带来了过高的人力成本。
技术实现要素：
为解决上述技术问题，本发明提供了一种基于数据模型的车牌号识别方法，该基于数据模型的车牌号识别方法通过取色范围筛选、字位识别、可能性评估的方式，能在很大程度上避免使用特殊材料的车牌固定钉，而且无需人工识别，可极大的降低人力成本。
本发明通过以下技术方案得以实现。
本发明提供的一种基于数据模型的车牌号识别方法，包括如下步骤：
a.建立模型：通过历史数据，建立点阵色差→字位识别和取色范围→识别结果的数据模型，并对每一可能识别结果建立可能性评估模型；
b.获取数据：从待识别缓存库中将当前需识别图像数据读取至内存，并根据取色范围→识别结果模型选取五种识别可能性最高的图像点阵数据，并将图像点阵数据按识别结果的识别可能性由高至低排序；
c.字位识别：对排序最高位的图像点阵数据，按照车牌字位比例划分多个字位，然后依次对每一字位用点阵色差→字位识别模型进行识别，得到字位识别结果，如排序最高位没有图像点阵数据，则直接退出当前过程并重新进入至步骤b并返回无法识别信息；
d.可能性评估：根据可能性评估模型，对步骤c中得到的字位识别结果进行可能性评估，如有任意字位的可能性评估结果小于90％，则将当前排序的图像点阵数据从排序中删除，并进入步骤c进行另外的字位识别；
e.得到结果：在步骤d通过后，将步骤c得到的字位识别结果返回，同时返回识别成功信息并将当前需识别图像数据和图像点阵数据排序列表从内存中清除。
所述点阵色差→字位识别的数据模型是由至少两个隐含层的BP神经网络算法经过2～5次训练所建立的判别模型。
所述取色范围→识别结果的数据模型是由Widrow-Hoff算法建立的线性神经网络模型。
所述可能性评估模型是对识别结果和标准结果的皮尔森相关性分析结果取绝对值的算法模型。
本发明的有益效果在于：通过取色范围筛选、字位识别、可能性评估的方式，能在很大程度上避免使用特殊材料的车牌固定钉，而且无需人工识别，可极大的降低人力成本。
附图说明
图1是本发明的流程示意图。
具体实施方式
下面进一步描述本发明的技术方案，但要求保护的范围并不局限于所述。
如图1所示的一种基于数据模型的车牌号识别方法，包括如下步骤：
a.建立模型：通过历史数据，建立点阵色差→字位识别和取色范围→识别结果的数据模型，并对每一可能识别结果建立可能性评估模型；
b.获取数据：从待识别缓存库中将当前需识别图像数据读取至内存，并根据取色范围→识别结果模型选取五种识别可能性最高的图像点阵数据，并将图像点阵数据按识别结果的识别可能性由高至低排序；
c.字位识别：对排序最高位的图像点阵数据，按照车牌字位比例划分多个字位，然后依次对每一字位用点阵色差→字位识别模型进行识别，得到字位识别结果，如排序最高位没有图像点阵数据，则直接退出当前过程并重新进入至步骤b并返回无法识别信息；
d.可能性评估：根据可能性评估模型，对步骤c中得到的字位识别结果进行可能性评估，如有任意字位的可能性评估结果小于90％，则将当前排序的图像点阵数据从排序中删除，并进入步骤c进行另外的字位识别；
e.得到结果：在步骤d通过后，将步骤c得到的字位识别结果返回，同时返回识别成功信息并将当前需识别图像数据和图像点阵数据排序列表从内存中清除。
所述点阵色差→字位识别的数据模型是由至少两个隐含层的BP神经网络算法经过2～5次训练所建立的判别模型。
所述取色范围→识别结果的数据模型是由Widrow-Hoff算法建立的线性神经网络模型。
所述可能性评估模型是对识别结果和标准结果的皮尔森相关性分析结果取绝对值的算法模型。
由此，采用本发明提供的方案，只需要用足够的数据样本来完成建立模型的过程，即可很好的实现车牌号的自动识别，基于取色范围→识别结果模型可避免使用特殊材料的车牌固定钉，只要车牌本身颜色易于辨认即可，即时在采集到的图像有变色的情况下，只要用于建模的数据样本足够，也能很好的完成取色，同理对于车牌号的自动识别，也只需要采用足够数量的样本建立点阵色差→字位识别模型即可，而可能性评估模型可以确保识别的准确度。